2.1.2 Proactive主動式觸發(fā)（基于預(yù)測）
解決Reactive被動式觸發(fā)的方法便是Proactive主動式觸發(fā)，如圖4.所示，通過對實例負載的預(yù)測，在預(yù)測實例負載即將處于高峰前的一段時間，便提前對實例執(zhí)行擴容操作，使實例能夠平穩(wěn)度過整個業(yè)務(wù)高峰期 。周期性workload是基于預(yù)測的方式中最典型的應(yīng)用場景（線上具有周期性特征的實例約占40%），DAS使用了達摩院智能數(shù)據(jù)庫實驗室同學(xué)實現(xiàn)的周期性檢測算法，該算法結(jié)合了頻域和時域信息，準確率達到了80%以上 。例如對具有“天級別”周期性特征的線上實例，Autoscaling服務(wù)會在實例每天的業(yè)務(wù)高峰期開始之前進行擴容，以使實例更好地應(yīng)對周期性的業(yè)務(wù)峰值 。
圖4. 主動式觸發(fā)的擴容資源對比圖示
我們同樣在RDS-MySQL的存儲空間擴容里實現(xiàn)了基于預(yù)測的方式，基于實例過去一段時間的磁盤使用量指標，使用機器學(xué)習(xí)算法預(yù)測出實例在接下來的一段時間內(nèi)存儲空間會達到的最大值，并會根據(jù)該預(yù)測值進行擴容容量的選擇，可以避免實例空間快速增長帶來的影響 。
圖5. 基于磁盤使用量趨勢的預(yù)測
2.2 Autoscaling的方式?jīng)Q策
DAS的Autoscaling方式有ScaleOut與ScaleUp兩種，在給出Scaling方案的同時也會結(jié)合Workload全局決策分析模塊給出更多的診斷建議（如SQL自動限流、SQL索引建議等等） 。如圖6.所示是Scaling方式的決策示意圖，該示意圖以PolarDB數(shù)據(jù)庫作為示例 。PolarDB數(shù)據(jù)庫采用的是計算存儲分離的一寫多讀的分布式集群架構(gòu)，一個集群包含一個主節(jié)點和多個只讀節(jié)點，主節(jié)點處理讀寫請求，只讀節(jié)點僅處理讀請求 。圖6.所示的“性能數(shù)據(jù)監(jiān)測模塊”會不斷的監(jiān)測集群的各項性能指標，并判斷當前時刻的實例負載是否滿足2.1章節(jié)所述的Autoscaling觸發(fā)條件，當滿足觸發(fā)條件時，會進入到圖6.中的Workload分析模塊，該模塊會對實例當前的Workload進行分析，通過實例的會話數(shù)量、QPS、CPU使用率、鎖等指標來判斷實例處于高負載的原因，若判斷實例是由于死鎖、大量慢SQL或大事務(wù)等原因?qū)е碌母哓撦d，則在推薦Autoscaling建議的同時也會推出SQL限流或SQL優(yōu)化建議，使實例迅速故障自愈以降低風(fēng)險 。
在Autoscaling方式的決策生成模塊，會判斷采取何種Scaling方式更有效 。以PolarDB數(shù)據(jù)庫為例，該模塊會通過實例的性能指標以及實例的主庫保護、事務(wù)拆分、系統(tǒng)語句、聚合函數(shù)或自定義集群等特征來判斷集群當前的負載分布，若判斷實例當前以讀流量占主導(dǎo)，則會執(zhí)行ScaleOut操作增加集群的只讀節(jié)點數(shù)量；若判斷實例當前以寫流量占主導(dǎo)，則會執(zhí)行ScaleUp操作來升級集群的規(guī)格 。ScaleOut與ScaleUp決策的選擇是一個很復(fù)雜的問題，除了考慮實例當前的負載分布外，還需要考慮到用戶設(shè)置的擴容規(guī)格上限及只讀節(jié)點數(shù)量上限，為此我們也引入了一個效果追蹤與決策反饋模塊，在每次決策判斷時，會分析該實例歷史上的擴容方式及擴容效果，以此來對當前的Scaling方式選擇算法進行一定的調(diào)整 。
圖6. PolarDB的Scaling方式?jīng)Q策示意圖
2.3 Autoscaling的規(guī)格選擇
2.3.1 ScaleUp決策算法
ScaleUp決策算法是指當確定對數(shù)據(jù)庫實例執(zhí)行ScaleUp操作時，根據(jù)實例的workload負載及實例元數(shù)據(jù)等信息，為當前實例選擇合適的規(guī)格參數(shù)，以使實例當前的workload達到給定的約束 。最開始DAS Autoscaling的ScaleUp決策算法基于規(guī)則實現(xiàn)，以PolarDB數(shù)據(jù)庫為例，PolarDB集群當前有8種實例規(guī)格，采用基于規(guī)則的決策算法在前期足夠用；但同時我們也探索了基于機器學(xué)習(xí)/深度學(xué)習(xí)的分類模型，因為隨著數(shù)據(jù)庫技術(shù)最終迭代至Serverless狀態(tài)，數(shù)據(jù)庫的可用規(guī)格數(shù)量會非常龐大，分類算法在這種場景下會有很大的用武之地 。如圖7.及圖8.所示，我們當前實現(xiàn)了基于性能數(shù)據(jù)的數(shù)據(jù)庫規(guī)格離線訓(xùn)練模型及實時推薦模型，通過對自定義CPU使用率的范圍標注，參考DAS之前落地的AutoTune自動調(diào)參算法，在標注數(shù)據(jù)集進行模型分類，并通過實現(xiàn)的proxy流量轉(zhuǎn)發(fā)工具進行驗證，當前的分類算法已經(jīng)取得了超過80%的準確率 。

以上關(guān)于本文的內(nèi)容，僅作參考！溫馨提示：如遇健康、疾病相關(guān)的問題，請您及時就醫(yī)或請專業(yè)人士給予相關(guān)指導(dǎo)!

• mysql定時備份數(shù)據(jù)庫命令 mysql數(shù)據(jù)庫自動備份方法
• 阿里云服務(wù)器租用費用 阿里云服務(wù)器怎么樣
• 一人被批捕一人被監(jiān)視居住 阿里女員工案王某文為何未被批捕
• 盤點阿里的10個賺錢項目 阿里創(chuàng)業(yè)平臺怎么賺錢
• 阿里女員工案王某文為何未被批捕？律師回應(yīng)：反映檢察院對該案慎重
• 阿里女員工案王某文為何未被批捕？檢方和代理律師回應(yīng)
• 阿里女員工案王某文為何未被批捕
• 阿里女員工被侵害案:1名嫌犯被批捕
• 數(shù)據(jù)庫數(shù)據(jù)去重方法 mysql查詢?nèi)ブ睾蟮目倲?shù)
• 數(shù)據(jù)庫遷移的兩種方法 oracle數(shù)據(jù)庫遷移方案對比