github.com/gocrane/crane@v0.11.0/docs/tutorials/using-time-series-prediction.zh.md (about)

     1  # TimeSeriesPrediction
     2  
     3  ## Overview
     4  Knowing the future makes things easier for us.
     5  
     6  ---
     7  
     8  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。
     9  
    10  `TimeSeriesPrediction` 被用于预测 Kubernetes 对象指标。它基于 `PredictionCore` 进行预测。
    11  
    12  
    13  ## Features
    14  `TimeSeriesPrediction` 的示例 yaml 如下所示：
    15  
    16  ```yaml title="TimeSeriesPrediction"
    17  apiVersion: prediction.crane.io/v1alpha1
    18  kind: TimeSeriesPrediction
    19  metadata:
    20    name: node-resource-percentile
    21    namespace: default
    22  spec:
    23    targetRef:
    24      kind: Node
    25      name: 192.168.56.166
    26    predictionWindowSeconds: 600
    27    predictionMetrics:
    28      - resourceIdentifier: node-cpu
    29        type: ResourceQuery
    30        resourceQuery: cpu
    31        algorithm:
    32          algorithmType: "percentile"
    33          percentile:
    34            sampleInterval: "1m"
    35            minSampleWeight: "1.0"
    36            histogram:
    37              maxValue: "10000.0"
    38              epsilon: "1e-10"
    39              halfLife: "12h"
    40              bucketSize: "10"
    41              firstBucketSize: "40"
    42              bucketSizeGrowthRatio: "1.5"
    43      - resourceIdentifier: node-mem
    44        type: ResourceQuery
    45        resourceQuery: memory
    46        algorithm:
    47          algorithmType: "percentile"
    48          percentile:
    49            sampleInterval: "1m"
    50            minSampleWeight: "1.0"
    51            histogram:
    52              maxValue: "1000000.0"
    53              epsilon: "1e-10"
    54              halfLife: "12h"
    55              bucketSize: "10"
    56              firstBucketSize: "40"
    57              bucketSizeGrowthRatio: "1.5"
    58  ```
    59  
    60  * `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。
    61  * `spec.predictionMetrics` 定义了关于 `spec.targetRef` 的指标。
    62  * `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。
    63  
    64  ## Prediction Metrics
    65  ```yaml title="TimeSeriesPrediction"
    66  apiVersion: prediction.crane.io/v1alpha1
    67  kind: TimeSeriesPrediction
    68  metadata:
    69    name: node-resource-percentile
    70    namespace: default
    71  spec:
    72    predictionMetrics:
    73      - resourceIdentifier: node-cpu
    74        type: ResourceQuery
    75        resourceQuery: cpu
    76        algorithm:
    77          algorithmType: "percentile"
    78          percentile:
    79            sampleInterval: "1m"
    80            minSampleWeight: "1.0"
    81            histogram:
    82              maxValue: "10000.0"
    83              epsilon: "1e-10"
    84              halfLife: "12h"
    85              bucketSize: "10"
    86              firstBucketSize: "40"
    87              bucketSizeGrowthRatio: "1.5"
    88  ```
    89  
    90  ### Metric Type
    91  
    92  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`。
    93  
    94  指标查询有以下三种类型：
    95  
    96   - `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。
    97   - `RawQuery`是通过 DSL 的查询，比如 prometheus 查询语句。现在已支持 Prometheus 。
    98   - `ExpressionQuery`是一个表达式查询。
    99  
   100  
   101  ### Algorithm
   102  `Algorithm`定义算法类型和参数来预测指标。现在有两种算法：
   103  
   104   - `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。
   105   - `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。**
   106   
   107  
   108  #### dsp params
   109  
   110  #### percentile params