在云原生场景下，资源容量通常难以预估，而Kubernetes原生HPA存在弹性滞后和配置复杂的问题。为此，ACK推出了AHPA（Advanced Horizontal Pod Autoscaler）弹性预测，支持根据业务历史指标，自动识别弹性周期并对容量进行预测，提前进行弹性规划，解决弹性滞后的问题。
背景信息
传统管理应用实例数有固定实例数、HPA和CronHPA三种方法。三种方法的缺点如下。
类型 | 缺点 |
固定实例数 | 资源浪费严重，在业务低谷时仍需要全量支付资源费用。 |
HPA | 弹性触发滞后，只有达到业务洪峰才会触发弹性伸缩。 |
CronHPA |
|
针对上述弹性方式存在的问题，ACK支持AHPA弹性预测功能，以提高资源利用率和易用性。AHPA弹性预测根据历史数据自动规划未来24小时每一分钟的应用实例数，相当于进行1440个点（一天为1440分钟）的CronHPA定时配置。如下图所示，左侧为传统HPA策略，右侧为有预测功能的HPA。
传统HPA策略：在业务量上涨之后开始扩容，滞后的资源供给不能及时补充业务需求。
有预测功能的HPA：根据历史Pod的Ready Time以及历史Metrics自动学习规律，在业务量上涨之前的一个Ready Time开始扩容。当业务量上涨时Pod已提前准备，可以及时提供资源。
业务架构
丰富的数据指标：支持包括CPU、GPU、Memory、QPS、RT以及外部指标等。
稳定性保障：AHPA的弹性逻辑基于主动预测、被动兜底的策略，并结合降级保护，保证了资源的稳定性。
主动预测：根据历史指标预测出未来一段时间的趋势结果，适用于周期性的应用。
被动预测：实时预测。针对突发流量场景，通过被动预测实时准备资源。
降级保护：支持配置多个时间区间范围最大值和最小值。
多种伸缩方式：AHPA支持伸缩方式包括Knative、HPA以及Deployment：
Knative：解决Serverless应用场景下，基于并发数、QPS或RT弹性冷启动的问题。
HPA：简化HPA弹性策略配置，降低用户使用弹性的门槛，解决使用HPA面临的弹性滞后问题。
Deployment：直接使用Deployment，自动扩缩容。
核心优势
更快：毫秒级预测，秒级弹性。
更准：复杂周期识别率95%以上，主动预测和被动预测相结合。
更稳： 支持分钟级边界保护配置。
适用场景
有明显周期性场景。例如直播、在线教育、游戏服务场景等。
固定实例数+弹性兜底。例如常态业务下应对突发流量等。
推荐实例数配置场景。提供标准K8s API获取预测结果，常用于与自身业务平台进行集成。
使用说明
部署并使用AHPA，请参见部署AHPA。
基于GPU指标实现AHPA弹性预测，请参见基于GPU指标实现AHPA弹性预测。
在Knative中使用AHPA弹性预测，请参见在Knative中使用AHPA弹性预测。
关于如何使用AHPA解决弹性滞后问题，请参见如何使用AHPA解决弹性滞后问题。
关于AHPA弹性预测的最佳实践，请参见AHPA弹性预测最佳实践。
阿里云与达摩院合作的AHPA弹性预测论文，已被顶会ICDE录用，详情请参见ICDE 2022。