陳 哲 劉釗遠(yuǎn)

（西安郵電大學(xué)計(jì)算機(jī)學(xué)院 西安 710121）

1 引言

微服務(wù)是當(dāng)下流行的軟件開發(fā)架構(gòu)，該架構(gòu)提倡將應(yīng)用按業(yè)務(wù)需求劃分為一個(gè)個(gè)彼此獨(dú)立運(yùn)行的微服務(wù)單元，服務(wù)之間通過輕量級通信機(jī)制進(jìn)行相互協(xié)作［1］。微服務(wù)可以采用不同的編程語言和存儲(chǔ)技術(shù)，每個(gè)微服務(wù)可以獨(dú)立部署、資源調(diào)度，從而實(shí)現(xiàn)高度的伸縮性和靈活性。容器是輕量級的虛擬化技術(shù)，在資源隔離的同時(shí)共享操作系統(tǒng)內(nèi)核，具有啟動(dòng)速度快、資源利用率高的特點(diǎn)［2］。Kubernetes［3］這樣的容器管理工具還兼具了服務(wù)發(fā)現(xiàn)的功能，因此大規(guī)模微服務(wù)通常采用容器進(jìn)行部署。

微服務(wù)與云計(jì)算結(jié)合，已經(jīng)成為業(yè)界公認(rèn)的云計(jì)算時(shí)代互聯(lián)網(wǎng)應(yīng)用的主要構(gòu)建方式［4］。阿里巴巴、騰訊、Netflix、Amazon 等，均開始采用微服務(wù)構(gòu)建其業(yè)務(wù)應(yīng)用。對云服務(wù)供應(yīng)商而言，用盡可能少的資源保證托管的云上應(yīng)用的服務(wù)等級協(xié)議（Service Level Agreement），可以降低運(yùn)維成本。而對于應(yīng)用開發(fā)者來說，在負(fù)載變化時(shí)及時(shí)調(diào)整資源配置能夠提升服務(wù)質(zhì)量。為了實(shí)現(xiàn)這兩點(diǎn)，彈性伸縮技術(shù)不可或缺。容器化的微服務(wù)在水平擴(kuò)展上具有巨大的潛力，然而現(xiàn)有的云平臺仍缺乏能充分發(fā)揮微服務(wù)特性的彈性伸縮策略［5］。

目前業(yè)界主要采用的是基于閾值的響應(yīng)式伸縮策略，該策略需要用戶指定參考的資源指標(biāo)并設(shè)置伸縮閾值，如當(dāng)CPU 利用率超過70%時(shí)觸發(fā)擴(kuò)容，低于40%時(shí)則觸發(fā)縮容。系統(tǒng)定時(shí)檢查相關(guān)資源指標(biāo)，將其與閾值進(jìn)行對比并計(jì)算出伸縮所需的資源量。設(shè)置合適的閾值和伸縮規(guī)則需要用戶對應(yīng)用進(jìn)行深入了解，僅憑資源利用率也難以準(zhǔn)確估計(jì)微服務(wù)應(yīng)用的性能，很容易造成無效伸縮和過度伸縮［6］。更重要的是該策略將微服務(wù)看作獨(dú)立的個(gè)體，沒有考慮服務(wù)之間的依賴關(guān)系，伸縮時(shí)也就無法保證應(yīng)用的服務(wù)質(zhì)量。

本文提出了一種基于服務(wù)容量的預(yù)測式彈性伸縮策略，以應(yīng)用層指標(biāo)請求訪問率（request per second）取代資源利用率作為伸縮的主要參考，并通過SVR算法預(yù)測請求率的變化，從而提前制定伸縮計(jì)劃，避免資源初始化期間違反SLA協(xié)議。為了精確地估計(jì)伸縮時(shí)所需的資源量，提出了基于應(yīng)用分析的資源估計(jì)方法，通過一系列壓力測試獲得應(yīng)用在不同負(fù)載強(qiáng)度下資源量與響應(yīng)時(shí)間的關(guān)系，從而給出合適的資源分配方案。實(shí)驗(yàn)驗(yàn)證，本文提出的策略能夠滿足微服務(wù)應(yīng)用對響應(yīng)時(shí)間的要求并充分利用集群資源。

2 相關(guān)工作

目前關(guān)于彈性伸縮的研究有許多，從伸縮維度上彈性伸縮可以分為水平伸縮和垂直伸縮［7］。水平伸縮是指通過增加或減少服務(wù)實(shí)例來實(shí)現(xiàn)資源重分配，一實(shí)例包括虛擬機(jī)、容器等。垂直伸縮則是通過增加或減少計(jì)算資源來實(shí)現(xiàn)伸縮，計(jì)算資源包括CPU和內(nèi)存等。

從伸縮時(shí)機(jī)上可分為響應(yīng)式和預(yù)測式［7］。響應(yīng)式伸縮是根據(jù)當(dāng)前負(fù)載和性能指標(biāo)是否超過預(yù)定閾值來判斷是否進(jìn)行伸縮。由于資源初始化需要時(shí)間，該方法存在滯后性。響應(yīng)式、橫向伸縮是云平臺主流的彈性伸縮方式［8］。

預(yù)測式伸縮則是根據(jù)負(fù)載的歷史數(shù)據(jù)構(gòu)建預(yù)測模型，通過預(yù)測未來一段時(shí)間內(nèi)的負(fù)載變化，來判斷是否進(jìn)行伸縮。預(yù)測模型的精度是該方法的關(guān)鍵，文獻(xiàn)［9］提出了基于自回歸平均移動(dòng)模型（Auto Regressive Moving Average，ARMA）的負(fù)載預(yù)測方法，該方法要求數(shù)據(jù)屬于平穩(wěn)型序列。文獻(xiàn)［10］采用線性回歸和神經(jīng)網(wǎng)絡(luò)的方法預(yù)測CPU 利用率的變化；文獻(xiàn)［11］利用ARIMA 與RBF 神經(jīng)網(wǎng)絡(luò)對CPU 和內(nèi)存指標(biāo)進(jìn)行預(yù)測。文獻(xiàn)［12］指出采用應(yīng)用相關(guān)指標(biāo)的伸縮策略能夠提供更好的性能。

對于云環(huán)境下的微服務(wù)應(yīng)用，每個(gè)微服務(wù)都能夠進(jìn)行水平擴(kuò)展，應(yīng)用可以表示為不同服務(wù)的副本組合，在特定的負(fù)載強(qiáng)度、性能要求以及資源限制下，并非所有的組合都是最佳的。因此，伸縮時(shí)需要進(jìn)行準(zhǔn)確的資源估計(jì)，即伸縮哪種服務(wù)伸縮多少資源性價(jià)比最高。常用的資源估計(jì)方法包括應(yīng)用分析、性能建模、強(qiáng)化學(xué)習(xí)等。文獻(xiàn)［4］采用Jackson排隊(duì)網(wǎng)絡(luò)對微服務(wù)進(jìn)行建模，建立負(fù)載、資源利用率以及響應(yīng)時(shí)間之間的關(guān)系用以指導(dǎo)資源分配。排隊(duì)模型適用于特定的伸縮場景，但是很難在不同應(yīng)用之間推廣［13］。文獻(xiàn)［14］采用馬爾科夫決策描述資源配置，通過強(qiáng)化學(xué)習(xí)算法尋找馬爾科夫決策過程中最優(yōu)的伸縮策略。采用強(qiáng)化學(xué)習(xí)需要較長的訓(xùn)練過程，在集群運(yùn)行前期表現(xiàn)較差。應(yīng)用分析是通過合成或真實(shí)的負(fù)載測定應(yīng)用的資源飽和點(diǎn)的過程，能夠簡單且準(zhǔn)確建立起微服務(wù)的資源估計(jì)［7］。

3 基于服務(wù)容量的預(yù)測式伸縮策略

首先給出服務(wù)容量［15］的定義：微服務(wù)在不違反SLO 的情況下能夠處理的最大請求速率。服務(wù)容量可以定量的描述微服務(wù)在特定資源配置下的性能表現(xiàn)。為了對微服務(wù)應(yīng)用進(jìn)行有效的伸縮，需要知道每種微服務(wù)的服務(wù)容量，以及何時(shí)進(jìn)行伸縮。本文提出的基于服務(wù)容量的預(yù)測式伸縮策略包含如下三步：

1）首先，通過對微服務(wù)應(yīng)用進(jìn)行應(yīng)用分析得到每個(gè)微服務(wù)容器在特定資源配置下的服務(wù)容量。

2）接下來，建立時(shí)間序列預(yù)測模型，根據(jù)過往的訪問數(shù)據(jù)，預(yù)測未來短時(shí)間內(nèi)的訪問請求率的變化情況。

3）最后，根據(jù)預(yù)測的結(jié)果結(jié)合當(dāng)前應(yīng)用整體的服務(wù)容量判斷是否應(yīng)當(dāng)進(jìn)行伸縮，在需要伸縮時(shí)根據(jù)步驟1）得到的服務(wù)容量表計(jì)算出最佳的副本數(shù)。

3.1 基于應(yīng)用分析的資源估計(jì)方法

微服務(wù)應(yīng)用可以被描述為如下的模型：應(yīng)用接收外界的請求，將其稱之為系統(tǒng)級請求，每個(gè)系統(tǒng)級請求在應(yīng)用內(nèi)部被分解為內(nèi)部請求交由相應(yīng)的子服務(wù)處理，處理完后會(huì)返回給用戶。對于系統(tǒng)中的每個(gè)子服務(wù)，又可以將其看作一個(gè)子系統(tǒng)，其余的子服務(wù)作為該子系統(tǒng)的外界環(huán)境。根據(jù)Operational Laws［16］，觀察系統(tǒng)可以得到表1列的指標(biāo)。

表1 直接觀測到的指標(biāo)

表2 各個(gè)變量及其含義

從這些直接測量的指標(biāo)可以進(jìn)一步推導(dǎo)出下列重要的量：

吞吐量或者完成率：

利用率：

平均完成每個(gè)請求需要的時(shí)間：

定義訪問量Vi是子服務(wù)i的請求完成數(shù)與系統(tǒng)級請求完成數(shù)的比值：

根據(jù)式（4），子服務(wù)i的吞吐量Xi等于系統(tǒng)總的吞吐量X與子服務(wù)i訪問量Vi的乘積：

定義服務(wù)需求Di是子服務(wù)i上平均完成每個(gè)請求的時(shí)間Si與訪問量Vi的乘積：

根據(jù)式（1）、（2）、（3）、（6），子服務(wù)i的利用率可以表示為

設(shè)系統(tǒng)內(nèi)服務(wù)需求最大的子服務(wù)為b，它的服務(wù)需求為Dmax，則b的利用率可以表示為

因?yàn)槔寐蔝b≤1，所以：

式（9）表明應(yīng)用整體的吞吐量受制于瓶頸服務(wù)，因此可以用應(yīng)用整體的吞吐量等同瓶頸服務(wù)的服務(wù)容量。據(jù)此，本文提出了基于壓力測試的服務(wù)容量估計(jì)方法，通過調(diào)整壓力測試強(qiáng)度和各子服務(wù)的副本數(shù)，使得不同的微服務(wù)先后進(jìn)入瓶頸狀態(tài)，從而得到每個(gè)微服務(wù)的服務(wù)容量。

該方法的具體步驟如下：

1）部署微服務(wù)各子服務(wù)副本數(shù)均為1，預(yù)先指定SLO指標(biāo)，本文中設(shè)為響應(yīng)時(shí)間的99%分位數(shù)小于50ms。

2）使用負(fù)載生成器逐步增大負(fù)載強(qiáng)度，直到應(yīng)用的響應(yīng)時(shí)間達(dá)到預(yù)設(shè)的SLO指標(biāo)。

3）檢查各子服務(wù)的資源利用情況并分析應(yīng)用的瓶頸點(diǎn)，找出分配相同資源量SLO指標(biāo)提升最多的子服務(wù)，此時(shí)的請求率即為該服務(wù)的單位副本的服務(wù)容量。

4）重復(fù)2）~3）步，直到獲取所有子服務(wù)的容量為止。

偽代碼描述如下：

3.2 基于SVR的請求訪問率預(yù)測

用戶訪問的請求率（request per second，rps）是一類典型的時(shí)間序列數(shù)據(jù)?？紤]到彈性伸縮的目的之一是為了節(jié)省集群資源，所以在選擇預(yù)測算法時(shí)應(yīng)避免使用時(shí)間復(fù)雜度過高的算法。預(yù)測的目的是為資源配置爭取時(shí)間，所以主要考慮短期預(yù)測?；谝陨显虮疚倪x擇了SVR［17］算法建立預(yù)測模型。SVR 可以選取不同的核函數(shù)靈活適用于線性和非線性數(shù)據(jù)，在樣本量較小時(shí)具有不錯(cuò)的準(zhǔn)確度并且計(jì)算復(fù)雜度低。

將歷史的請求率按照自定的時(shí)間粒度排列成時(shí)間序列。設(shè)訓(xùn)練樣本為Xi為過去n個(gè)單位時(shí)間內(nèi)的請求率：

SVR的模型為

其中?(x)是一個(gè)非線性函數(shù)，它將樣本空間映射到高位的特征空間，w和b是待確定的模型參數(shù)。SVR 允許模型輸出f(x)與真實(shí)輸出y有一定偏差?，定義?-不敏感損失函數(shù)：

以f(x) 為中心，落在f(x)-?和f(x)+?范圍內(nèi)的樣本都不計(jì)入損失，SVR模型可形式化為

其中ξi，?是松弛變量，c是懲罰系數(shù)，用來調(diào)節(jié)間隔和分類準(zhǔn)確度，c越大表示對偏差的容忍度越小，是需要優(yōu)化的指標(biāo)之一。引入拉格朗日乘子將式（10）轉(zhuǎn)化為其對偶問題，并引入核函數(shù)求解后得到回歸方程：

其中k(x,xi)=?(xi)T?(xj)為核函數(shù)。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)和高斯核函數(shù)等。令gamma=，其中σ為高斯核函數(shù)的帶寬，gamma越大訓(xùn)練準(zhǔn)確度會(huì)提高，但對未知樣本分類效果下降，容易出現(xiàn)過擬合。gamma越小則無法在訓(xùn)練集上得到較高的準(zhǔn)確率，也會(huì)影響測試集的準(zhǔn)確度。

核函數(shù)、懲罰因子c、gamma（使用高斯核函數(shù)的話）三者的組合是需要優(yōu)化的指標(biāo)。本文使用高斯核函數(shù)并利用網(wǎng)格搜索確定最優(yōu)的模型參數(shù)。

最后使用測試樣本預(yù)測未來的請求率，即可得到預(yù)測序列：

3.3 伸縮過程

根據(jù)上文分析，各子服務(wù)容量的最小值決定了應(yīng)用整體的服務(wù)容量，通過為瓶頸子服務(wù)進(jìn)行擴(kuò)容，可以提高應(yīng)用整體的容量。當(dāng)預(yù)測的請求率大于應(yīng)用整體服務(wù)容量時(shí)觸發(fā)擴(kuò)容，為了保持系統(tǒng)的穩(wěn)定縮容，采用請求率實(shí)測值觸發(fā)，其他步驟類似。以擴(kuò)容為例，觸發(fā)擴(kuò)容后遍歷各子服務(wù)當(dāng)某個(gè)子服務(wù)的容量小于預(yù)測的請求率時(shí)，為其擴(kuò)容，直到容量剛好超過預(yù)測值為止，調(diào)整完所有子服務(wù)后本次擴(kuò)容結(jié)束。

偽代碼描述如下：

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)使用三臺虛擬機(jī)搭建的Kubernetes集群作為實(shí)驗(yàn)平臺，一臺master 節(jié)點(diǎn)，另外兩臺作為node 節(jié)點(diǎn)。Kubernetes 版本是1.18，Docker 版本是1.40，操作系統(tǒng)是CentOS7。實(shí)驗(yàn)對象是一個(gè)簡單的微服務(wù)應(yīng)用emojivoto［18］，它是一個(gè)為表情投標(biāo)的應(yīng)用。該應(yīng)用由三個(gè)微服務(wù)組成：web 負(fù)責(zé)前端頁面，emoji用于查找和列出表情符號。voting 用于記錄投票和排行榜。該應(yīng)用的API 如表3 所示，包括了list，leaderboard 和vote。使用Apache Jmeter模擬用戶訪問。

表3 emojivoto應(yīng)用的API

4.2 測定服務(wù)容量

設(shè)定單個(gè)副本的資源限額，web 服務(wù)的CPU 份額為200m，另外兩個(gè)服務(wù)CPU 份額為50m（Kubernetes中1000m表示一個(gè)核）。

根據(jù)3.2節(jié)描述的算法對應(yīng)用的三個(gè)功能分別進(jìn)行了測試，SLO 指標(biāo)為響應(yīng)時(shí)間99%分位數(shù)≤50ms。表4展示了測試結(jié)果，可以看到應(yīng)用執(zhí)行不同功能時(shí)各子服務(wù)的容量也不盡相同。以查看表情列表功能為例，web 服務(wù)的容量是135 次/s，emoji服務(wù)的容量是110 次/s，執(zhí)行該功能不涉及vote 服務(wù)所以其容量不計(jì)。

表4 服務(wù)容量測試結(jié)果

4.3 基于服務(wù)容量的自動(dòng)伸縮驗(yàn)證

使用Jmeter模擬用戶使用投票功能，訪問請求率從50 次/s 逐步上升至359 次/s 再下降到220 次/s。將請求率序列重復(fù)10 次后訓(xùn)練SVR 模型，將預(yù)測值作為本文策略的輸入。Kubernetes 原策略則設(shè)置CPU利用率>70%作為擴(kuò)容閾值，CPU利用率<40%作為縮容閾值。

伸縮過程中的副本數(shù)變化如圖1 所示，每組條柱中左側(cè)條柱表示使用本策略各子服務(wù)的副本數(shù)變化，右側(cè)條柱表示使用Kubernetes 原策略各子服務(wù)副本數(shù)的變化情況。根據(jù)預(yù)測的請求率，本文策略在第2min 開始擴(kuò)容，而原策略則滯后1min 才觸發(fā)擴(kuò)容。在第8min請求率從350次/s增大到了359次/s，原策略檢測到web 子服務(wù)的CPU 利用率超過閾值進(jìn)行了一次伸縮，而本文策略估計(jì)當(dāng)前資源分配容量滿足要求故沒有進(jìn)行伸縮。本文策略和原策略都在第11min 觸發(fā)縮容，但是本文策略減少了更多的副本。

圖1 各子服務(wù)副本變化情況對比

圖2展示了伸縮過程中應(yīng)用整體響應(yīng)時(shí)間99%分位數(shù)的變化情況，閾值為50ms。在第3min、4min、5min，由于原策略響應(yīng)滯后以及資源估計(jì)不足，響應(yīng)時(shí)間超出了閾值范圍。在整個(gè)伸縮過程中，本文策略始終保證應(yīng)用響應(yīng)時(shí)間在閾值以內(nèi)，且波動(dòng)幅度更小。

圖2 伸縮過程中應(yīng)用響應(yīng)時(shí)間對比

5 結(jié)語

針對微服務(wù)應(yīng)用場景下，傳統(tǒng)基于閾值的響應(yīng)式伸縮策略存在響應(yīng)滯后以及資源估計(jì)不準(zhǔn)的問題，本文提出了一種基于服務(wù)容量的預(yù)測式彈性伸縮策略。通過SVR 預(yù)測工作負(fù)載變化提前進(jìn)行伸縮決策。為了準(zhǔn)確地估計(jì)伸縮所需的資源量，提出了基于應(yīng)用分析的資源估計(jì)方法。實(shí)驗(yàn)表明，相較于基于閾值的響應(yīng)式策略，本文策略在保證應(yīng)用服務(wù)質(zhì)量的同時(shí)有效節(jié)省集群資源。