TimeSeriesPrediction

TimeSeriesPrediction 功能介绍

Knowing the future makes things easier for us.

许多业务在时间序列上天然存在周期性的，尤其是对于那些直接或间接为“人”服务的业务。这种周期性是由人们日常活动的规律性决定的。例如，人们习惯于中午和晚上点外卖；早晚总有交通高峰；即使是搜索等模式不那么明显的服务，夜间的请求量也远低于白天时间。对于这类业务相关的应用来说，从过去几天的历史数据中推断出次日的指标，或者从上周一的数据中推断出下周一的访问量是很自然的想法。通过预测未来 24 小时内的指标或流量模式，我们可以更好地管理我们的应用程序实例，稳定我们的系统，同时降低成本。

TimeSeriesPrediction 被用于预测 Kubernetes 对象指标。它基于 PredictionCore 进行预测。

Features

TimeSeriesPrediction 的示例 yaml 如下所示：

  1. apiVersion: prediction.crane.io/v1alpha1
  2. kind: TimeSeriesPrediction
  3. metadata:
  4.   name: node-resource-percentile
  5.   namespace: default
  6. spec:
  7.   targetRef:
  8.     kind: Node
  9.     name: 192.168.56.166
  10.   predictionWindowSeconds: 600
  11.   predictionMetrics:
  12.     - resourceIdentifier: node-cpu
  13.       type: ResourceQuery
  14.       resourceQuery: cpu
  15.       algorithm:
  16.         algorithmType: "percentile"
  17.         percentile:
  18.           sampleInterval: "1m"
  19.           minSampleWeight: "1.0"
  20.           histogram:
  21.             maxValue: "10000.0"
  22.             epsilon: "1e-10"
  23.             halfLife: "12h"
  24.             bucketSize: "10"
  25.             firstBucketSize: "40"
  26.             bucketSizeGrowthRatio: "1.5"
  27.     - resourceIdentifier: node-mem
  28.       type: ResourceQuery
  29.       resourceQuery: memory
  30.       algorithm:
  31.         algorithmType: "percentile"
  32.         percentile:
  33.           sampleInterval: "1m"
  34.           minSampleWeight: "1.0"
  35.           histogram:
  36.             maxValue: "1000000.0"
  37.             epsilon: "1e-10"
  38.             halfLife: "12h"
  39.             bucketSize: "10"
  40.             firstBucketSize: "40"
  41.             bucketSizeGrowthRatio: "1.5"
  • spec.targetRef 定义了对 Kubernetes 对象的引用，包括 Node 或其他工作负载，例如 Deployment。
  • spec.predictionMetrics 定义了关于 spec.targetRef 的指标。
  • spec.predictionWindowSeconds 是预测时间序列持续时间。TimeSeriesPredictionController 将轮换 spec.Status 中的预测数据，以供消费者使用预测的时间序列数据。

Prediction Metrics

  1. apiVersion: prediction.crane.io/v1alpha1
  2. kind: TimeSeriesPrediction
  3. metadata:
  4.   name: node-resource-percentile
  5.   namespace: default
  6. spec:
  7.   predictionMetrics:
  8.     - resourceIdentifier: node-cpu
  9.       type: ResourceQuery
  10.       resourceQuery: cpu
  11.       algorithm:
  12.         algorithmType: "percentile"
  13.         percentile:
  14.           sampleInterval: "1m"
  15.           minSampleWeight: "1.0"
  16.           histogram:
  17.             maxValue: "10000.0"
  18.             epsilon: "1e-10"
  19.             halfLife: "12h"
  20.             bucketSize: "10"
  21.             firstBucketSize: "40"
  22.             bucketSizeGrowthRatio: "1.5"

Metric Type

现在我们只支持 prometheus 作为数据源。我们定义MetricType与数据源进行结合。但是现在可能有些数据源不支持 MetricType。

指标查询有以下三种类型：

  • ResourceQuery是 kubernetes 内置的资源指标，例如 cpu 或 memory。Crane目前只支持 CPU 和内存。
  • RawQuery是通过 DSL 的查询，比如 prometheus 查询语句。现在已支持 Prometheus 。
  • ExpressionQuery是一个表达式查询。

Algorithm

Algorithm定义算法类型和参数来预测指标。现在有两种算法：

  • dsp是一种预测时间序列的算法，它基于 FFT（快速傅里叶变换），擅长预测一些具有季节性和周期的时间序列。
  • percentile是一种估计时间序列，并找到代表过去时间序列的推荐值的算法，它基于指数衰减权重直方图统计。它是用来估计一个时间序列的，它不擅长预测一个时间序列，虽然percentile可以输出一个时间序列的预测数据，但是都是一样的值。所以如果你想预测一个时间序列，dsp 是一个更好的选择。