阿里分析型数据库阿里云数据库怎么用( 三 )

图7. 基于性能数据的数据库规格ScaleUp模型离线训练示意图
图8. 基于性能数据的数据库规格ScaleUp实时推荐方法示意图
2.3.2 ScaleOut决策算法
ScaleOut决策算法与ScaleUp决策算法的思路类似，本质问题是确定增加多少个只读节点，能使实例当前的workload负载降至合理的水位。在ScaleOut决策算法里，我们同样实现了基于规则的与基于分类的算法，分类算法的思想与2.3.1章节里描述的基本类似，基于规则的算法思想则如图9.所示，首先我们需要确定与读流量最相关的指标，这里选取的是com_select、qps及rows_read指标，s_i表示第i个节点读相关指标的表征值，c_i表示第i个节点的目标约束表征值（通常使用CPU使用率、RT等直接反应业务性能的指标），f指目标函数，算法的目标便是确定增加多少个只读节点X，能使整个集群的负载降至f函数确定的范围。该计算方法明确且有效，算法上线后，以变配后集群的CPU负载是否降至合理水位作为评估条件，算法的准确率达到了85%以上，在确定采取ScaleOut变配方式后，ScaleOut决策算法新增的只读节点基本都能处于“恰好饱和”的工作负载，能够有效的提升数据库实例的吞吐。
图9. 基于性能数据的数据库节点数量ScaleOut推荐算法示意图
3. 落地3.1 实现架构
Autoscaling能力集成在DAS服务里，整个服务涉及异常检测、全局决策、Autoscaling服务、底层管控执行多个模块，如图10.所示是DAS Autoscaling的服务能力架构。异常检测模块是DAS所有诊断优化服务（Autoscaling、SQL限流、SQL优化、空间优化等）的入口，该模块会7*24小时对监控指标、SQL、锁、日志及运维事件等进行实时检测，并会基于AI的算法对其中的趋势如Spike、Seasonaliy、Trend及Meanshift等进行预测及分析；DAS的全局决策模块会根据实例当前的workload负载给出最佳的诊断建议；当由全局决策模块确定执行Autoscaling操作时，则会进入到第2章节介绍的Autoscaling工作流程，最终通过数据库底层的管控服务来实现实例的扩、缩容。
图10. DAS及AutoScaling的服务能力架构
3.2 产品方案
本章节将介绍Autoscaling功能在DAS里的开启方式。如图11.所示是DAS的阿里云官网产品首页，在该界面可以看到DAS提供的所有功能，如“实例监控”、“请求分析”、“智能压测”等等，点击“实例监控”选项可以查看用户接入的所有数据库实例。我们点击具体的实例id链接并选择“自治中心”选项，可以看到如图12.及图13.所示的PolarDB自动扩、缩容设置及RDS-MySQL自动扩容设置，对于PolarDB实例，用户可以设置扩容规格上限、只读节点数量上限、观测窗口及静默期等选项，对于RDS-MySQL实例，用户可以设置触发阈值、规格上限及存储容量上限等选项。
图11. DAS产品首页
图12. PolarDB自动扩、缩容设置图示
图13. RDS-MySQL自动扩、缩容设置图示
3.3 效果案例
本章节将介绍两个具体的线上案例。如图14.所示为线上PolarDB实例的计算规格Autoscaling触发示意图，在05:00-07:00的时间段，实例的负载慢慢上升，最终CPU使用率超过了80%，在07:00时触发了自动扩容操作，后台的Autoscaling服务判断实例当前读流量占主导，于是执行了ScaleOut操作，为集群增加了两个只读节点，通过图示可以看到，增加节点后集群的负载明显下降，CPU使用率降至了50%左右；在之后的2个小时里，实例的业务流量继续增加，导致实例负载继续在缓慢上升，于是在09:00的时候再次达到了扩容的触发条件，此时后台服务判断实例当前写流量占主导，于是执行了ScaleUp操作，将集群的规格由4核8GB升级到8核16GB，由图示可以看到规格升级后实例的负载趋于稳定，并维持了近17个小时，之后实例的负载下降并触发了自动回缩操作，后台Autoscaling服务将实例的规格由8核16GB降至4核8GB，并减少了两个只读节点。Autoscaing服务在后台会自动运行，无需人工干预，在负载高峰期扩容、在负载低谷时回缩，提升业务稳定性的同时降低了用户的成本。

以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!

「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：

阿里分析型数据库 阿里云数据库怎么用( 三 )

阿里分析型数据库阿里云数据库怎么用( 三 )