推荐引擎容量预测：如何根据吞吐量与利用率精准缩放？

本文共计1601个文字，预计阅读时间需要7分钟。

容量推荐引擎：基于吞吐量和利用率的预测及文本介绍了一种容量推荐模型，实现方式相对简单，且已在Uber内部使用。可参考文中方式开发一套容量推荐系统。

容量推荐引擎：基于吞吐量和利用率的预测缩放

本文介绍了一种容量推荐模型，实现方式相对相对比较简单，且已在Uber内部使用，可以依照文中的方式开发一版容量推荐系统。

译自：Capacity Recommendation Engine: Throughput and Utilization Based Predictive Scaling

目录

• 容量推荐引擎：基于吞吐量和利用率的预测缩放
  • 简介
  • 使用的指标
  • CRE算法
    • 评估峰值吞吐量
    • 定义目标利用率
    • 线性回归：归一化吞吐量和利用率
    • 生成建议的容量
    • 安全护栏(Guard Rail)：保障结果
  • 架构
    • 分析流：调度分析
    • 分析流：按需分析
    • 数据采集流
    • 结果
  • 结论

简介

容量是服务可靠性的关键部分。为了支持不同的业务单元，Uber的服务需要足够的资源来处理每天的峰值流量。这些服务部署在不同的云平台和数据中心上。