SRE 实践:服务可靠性案例课
白园
前百度资深运维专家,前快手资深 SRE 专家
1907 人已学习
新⼈⾸单¥59
登录后,你可以任选4讲全文学习
课程目录
已更新 25 讲/共 29 讲
SRE 实践:服务可靠性案例课
15
15
1.0x
00:00/00:00
登录|注册

21|AIOps容量预测:如何准确地预估流量?

你好,我是白园。
从今天我们进入 AIOps 的容量部分,来看 AI 跟容量结合能产生哪些火花。容量本质上是资源消耗与资源补充之间的平衡。我们的目标是在确保系统可靠性的同时,尽可能地减少资源的使用。
这其中涉及了容量的三个要素:流量波动、资源供给、资源分配。这节课我们就从这三点出发,看看如何准确预测流量、如何合理预估资源、如何分配资源让收益最大化。

流量预测

流量受多种因素影响,其中最主要的是 3 点:一是用户习惯,不同产品形态吸引的用户行为模式各异。例如,打车软件需关注早晚高峰时段,短视频是在晚饭后迎来流量高峰,而办公软件的流量峰值通常出现在工作时间点。二是工作日与周末差异,周末用户在家或外出的时间增多,这会导致流量模式与工作日相比出现变化。三是节假日及重大事件,比如国庆、元旦、春节,以及重大体育赛事等,都会对流量产生显著影响。
那么怎么预测流量的波动呢?今天我重点介绍一个算法——Holt-Winters。Holt-Winters 模型是一种用于时间序列预测的指数平滑方法,可以处理具有趋势和季节性的时间序列数据。Holt-Winters 方法有三个主要组成部分:
简单指数平滑,预测没有趋势和季节性的数据。
线性趋势方法,预测具有线性趋势的数据。
季节性方法,预测具有季节性模式的数据。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
  • 解释
  • 总结

1. 流量预测是AIOps容量管理的重要环节,受用户习惯、工作日与周末差异、节假日及重大事件等因素影响。 2. Holt-Winters模型是一种用于时间序列预测的指数平滑方法,能够处理具有趋势和季节性的时间序列数据。 3. 时间序列预测模型有多种方法和算法,包括Holt-Winters、ARIMA、Prophet和LSTM,每种方法都有其优势和适用场景。 4. 资源画像是针对不同流量确认不同资源消耗的问题,可以通过建立资源的评估模型来实现,线性回归算法是一种简单的选择。 5. 线性回归模型的性能可以通过均方误差和R平方值进行评估,这些指标可以帮助评估模型的拟合程度和预测准确性。 6. 在进行服务链路管理和扩容规划时,需要全面识别出链路上所有涉及的服务,包括直接依赖和间接依赖的服务。 7. 贪心算法可以用于资源分配,根据服务的重要等级和资源需求进行合理的资源分配,以最大化吞吐。 8. 当遇到不同机器型号和资源与流量对应关系不同时,需要考虑如何处理这种情况,可能需要调整资源画像模型或算法。 9. 在资源分配过程中,需要考虑服务的重要等级、资源需求和依赖关系,以确保高优先级的服务或关键依赖服务能够优先分配资源。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《SRE 实践:服务可靠性案例课》
新⼈⾸单¥59
立即购买
登录 后留言

精选留言

由作者筛选后的优质留言将会公开显示,欢迎踊跃留言。
收起评论
显示
设置
留言
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部
文章页面操作
MAC
windows
作用
esc
esc
退出沉浸式阅读
shift + f
f11
进入/退出沉浸式
command + ⬆️
home
滚动到页面顶部
command + ⬇️
end
滚动到页面底部
⬅️ (仅针对订阅)
⬅️ (仅针对订阅)
上一篇
➡️ (仅针对订阅)
➡️ (仅针对订阅)
下一篇
command + j
page up
向下滚动一屏
command + k
page down
向上滚动一屏
p
p
音频播放/暂停
j
j
向下滚动一点
k
k
向上滚动一点
空格
空格
向下滚动一屏
播放器操作
MAC
windows
作用
esc
esc
退出全屏
⬅️
⬅️
快退
➡️
➡️
快进
空格
空格
视频播放/暂停(视频全屏时生效)