本文探讨了云计算为何需要预测，通过智能画像技术对云上资源进行精细化管理。文章介绍了时序预测、业务识别和算力匹配等关键技术，阐述了经典算法如ARIMA和马尔科夫模型，以及进阶的Prophet和DeepAR模型。案例分析展示了预测算法在容量调度、利用率管理和资源规划中的优势，有效提升云服务的效率和用户体验。
古埃及人根据天狼偕日升和尼罗河泛滥周期的长期观测，准确预测出洪水到来和退去的时间，并收获大量肥沃土地来耕耘；托勒密根据喜帕恰斯留下的大量观测数据建立模型，高精度预测了今后某个时候某个星球所在的位置；再从“朝霞不出门，晚霞行千里”的古谚语，到通过气象卫星、雷达收集并进行气象数据同化来精确预测天气，我们发现“预测未来”不再仅仅打着“科幻、超能力”的标签，更能通过获取、分析数据，让未来照进现实。
云计算为何需要预测？
预测源起于“动”，正因非静态才无法确定未来某一时刻的状态。而“动”的程度决定了预测的难度。
l 从云上用户需求侧看：业务负载、业务规模、设置的告警阈值都在变动
l 从云资源供给侧看：用户数、资源使用率、碎片率也在变动
如果能提前预测客户需求，就能通过智能推荐、智能告警等来提升易用性，更能提前进行硬件规划、资源腾挪，保障流量洪峰下的扩容诉求，助力实现“极优、极简”的云上体验。
图1 “看得见的易用”与“看不见的智能”
预测的内核：云上资源智能画像
根据VM历史资源利用率、VM请求时间间隔、Flavor生命周期等历史数据，利用关联分析模型和深度学习算法，可用来描绘资源表面、内在以及未来。智能画像的引入让云平台资源管理更加精细化、智能化。
画像关键技术剖析
关键技术一：时序预测
在云服务中，像容量预测，主机热点、动态告警等都涉及到时序预测，即如果知道一段历史时间（T*时刻以前）的数据变化规律，如何去预测未来一段时间的变化趋势呢？生活中如天气的变化、人口增长、经济增速、股票波动，甚至最近大家比较关注的新冠疫情的发展都属于时序预测范畴。
图 3 时序预测
云上时序预测的输入主要来源于主机或虚拟机的资源利用率，而云上业务的复杂多变，也提升了分析资源利用规律的复杂度。总体而言，有三方面的挑战：
l 波形的复杂性：我们初步分析历史trace的数据并形成图像，可以看到有少部分是平稳的甚至是有近似周期性的，也有一部分呈现上升或下降的趋势，但更多的是单个“山峰”或者偶尔突发的情况，甚至会有频繁地上下震荡；
l 业务的叠加性：以上波形表征的多样性，主要是由于云平台中单台物理主机上可能
最低0.47元/天 解锁文章
88
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
