DAS Auto Scaling monitorea los datos de rendimiento en tiempo real de las instancias de base de datos para detectar anomalías de tráfico y escalar automáticamente el almacenamiento, las especificaciones de cómputo y el ancho de banda, sin necesidad de intervención manual.
Cuándo usar Auto Scaling
DAS Auto Scaling está diseñado para cargas de trabajo con demanda impredecible o variable. A continuación se compara Auto Scaling con la gestión manual de capacidad.
|
Auto Scaling |
Gestión manual |
|
|
Patrón de tráfico |
Picos impredecibles, aumentos periódicos o carga alta intermitente |
Cargas de trabajo estables y predecibles |
|
Acción de escalado |
Automática, activada por umbrales o pronósticos basados en ML |
Cambios manuales de especificaciones |
|
Tiempo de respuesta |
Detección y escalado en tiempo real |
Depende de la velocidad de respuesta de O&M |
|
Reducción de escala |
Reversión automática cuando el tráfico se normaliza |
Manual |
|
Ideal para |
Lanzamientos de productos, ventas flash, picos diarios de actividad, eventos virales |
Cargas de trabajo de larga duración con tráfico conocido y estable |
Cómo funciona
DAS Auto Scaling utiliza un sistema de ciclo cerrado con seis módulos que trabajan en secuencia:
Recopilación de datos de rendimiento: recopila métricas de rendimiento en tiempo real, configuraciones de especificaciones e información de sesiones de las instancias de base de datos en ejecución.
Centro de toma de decisiones: analiza los datos de rendimiento actuales y la lista de sesiones para decidir la acción adecuada: habilite la limitación de SQL (cuando las consultas lentas son la causa raíz) o proceder con el escalado (cuando el tráfico supera realmente la capacidad).
Modelo algorítmico: es el módulo central. Ejecuta la detección de anomalías en el tráfico del negocio y genera recomendaciones de especificaciones de capacidad.
Recomendación y verificación de especificaciones: valida que las especificaciones recomendadas coincidan con el tipo de despliegue de la instancia, el entorno operativo y las especificaciones disponibles en la región actual.
Gestión: distribuye y aplica los cambios de especificaciones.
Seguimiento de estado: mide el rendimiento antes y después de los cambios de especificaciones para evaluar los resultados.
Funciones
DAS Auto Scaling ofrece tres capacidades de escalado.
Expansión automática de almacenamiento
La expansión automática de almacenamiento evita situaciones de disco lleno al ampliar la capacidad del disco antes de que alcance su límite.
Condiciones de activación:
La expansión de almacenamiento se activa cuando se cumple alguna de las siguientes condiciones:
La utilización del disco supera el umbral configurado (predeterminado: 90%). Configure un umbral personalizado para anular este valor predeterminado.
El algoritmo de pronóstico de series temporales predice que el espacio en disco se agotará a corto plazo, según las tendencias históricas de uso del disco.
Reglas de expansión:
Cada expansión aumenta el espacio en disco en como mínimo 5 GB y como máximo un 15%.
Notificaciones enviadas:
Recomendaciones de especificaciones: describe el tamaño actual del disco y el tamaño ampliado recomendado.
Estado de la tarea: informa el progreso y el resultado de la expansión.
Escalado automático de especificaciones
El escalado automático de especificaciones modifica automáticamente las especificaciones de la instancia (núcleos de CPU y memoria) en respuesta a picos de tráfico, y revierte a las especificaciones originales una vez que el tráfico se normaliza.
Cómo se toma la decisión de escalado:
El módulo de detección de anomalías monitorea varias métricas de rendimiento simultáneamente, incluidas QPS (consultas por segundo), TPS (transacciones por segundo), sesiones activas e IOPS, para identificar picos de tráfico reales. Posteriormente, el centro de toma de decisiones determina la acción adecuada:
Si las consultas SQL lentas congestionan la cola de tareas, se aplica la limitación de SQL como medida de emergencia en lugar de escalar verticalmente.
Si el tráfico real del negocio supera la capacidad actual, se procede con el proceso de escalado.
Escalado horizontal vs. escalado vertical:
|
Método |
Cuándo aplica |
Cómo funciona |
|
Escalado horizontal |
Tráfico con predominio de lecturas |
Agrega nodos de solo lectura para distribuir la carga de lectura |
|
Escalado vertical |
Tráfico con predominio de escrituras |
Actualiza las especificaciones de la instancia; primero actualiza el nodo secundario y luego realiza un cambio de rol primario/secundario para minimizar el impacto |
El algoritmo de recomendación de especificaciones utiliza un modelo entrenado, combinado con datos de rendimiento actuales e históricos, para recomendar las especificaciones objetivo más adecuadas. Esto evita el sobreaprovisionamiento y los cambios repetidos innecesarios.
Reversión:
Una vez que finaliza la anomalía de tráfico, DAS detecta que las métricas vuelven a la normalidad dentro de la ventana de observación y revierte automáticamente a las especificaciones originales almacenadas en los metadatos.
Parámetros configurables:
Nivel de abrupticidad: sensibilidad de la detección de anomalías.
Duración de la carga de tráfico: ventana de observación para la activación y la reversión.
Especificaciones máximas: límite superior para el escalado vertical.
Opción de revertir después del escalado.
Ajuste automático de ancho de banda
El ajuste automático de ancho de banda detecta anomalías en el uso del tráfico de entrada y salida, y actualiza las especificaciones de ancho de banda cuando el ancho de banda actual es insuficiente. Después de que el tráfico se normaliza, DAS revierte a las especificaciones de ancho de banda originales.
Motores de base de datos compatibles
|
Función |
Motores de base de datos compatibles |
|
Escalado automático de especificaciones |
ApsaraDB RDS for MySQL High-availability Edition (SSD estándar o ESSD); ApsaraDB RDS for MySQL High-availability Edition de uso general (discos locales); ApsaraDB RDS for MySQL Enterprise Edition de uso general; PolarDB for MySQL Cluster Edition; ApsaraDB for Redis Community Edition; ApsaraDB for Redis Enhanced Edition (Tair) optimizada para memoria |
|
Expansión automática de almacenamiento |
ApsaraDB RDS for MySQL High-availability Edition (SSD estándar o ESSD); ApsaraDB RDS for MySQL Cluster Edition; ApsaraDB RDS for PostgreSQL High-availability Edition (SSD estándar o ESSD); ApsaraDB MyBase for MySQL High-availability Edition (SSD estándar o ESSD); ApsaraDB MyBase for MySQL High-availability Edition (discos locales) |
|
Ajuste automático de ancho de banda |
ApsaraDB for Redis (discos locales) |
Tecnologías clave
DAS Auto Scaling se basa en cinco tecnologías clave desarrolladas por el equipo de bases de datos de Alibaba Cloud:
Monitoreo en tiempo real en toda la red: recopila datos de rendimiento de instancias de base de datos en toda la red con una latencia de varios segundos. Procesa más de 10 millones de métricas de monitoreo por segundo en tiempo real, lo que proporciona la base de datos para todas las decisiones de escalado.
Flujos de tareas de gestión unificada: ejecuta operaciones de O&M en toda la red de Alibaba Cloud para aplicar cambios de escalado de manera confiable.
Algoritmo de detección de anomalías en series temporales: utiliza aprendizaje automático para realizar detecciones periódicas, identificar puntos de inflexión y detectar intervalos continuos de anomalías. Cubre más de 700,000 instancias de base de datos en línea. Para pronósticos del día siguiente, más del 99% de las instancias tienen un error de pronóstico inferior al 5%. Para pronósticos a 14 días, más del 94% cumple con el mismo umbral.
Modelo de pronóstico de tiempo de respuesta (RT) basado en aprendizaje profundo: pronostica el RT de la base de datos según métricas de rendimiento como la utilización de CPU, lecturas lógicas, lecturas físicas e IOPS. Este modelo ha reducido el uso de memoria del buffer pool en 27 TB en las bases de datos de Alibaba Cloud, aproximadamente el 17% de la memoria total.
PolarDB for MySQL de próxima generación: una base de datos relacional construida sobre una arquitectura de computación en la nube donde los nodos de cómputo están separados de los nodos de almacenamiento. Esta separación brinda un soporte técnico sólido para Auto Scaling al evitar la sobrecarga adicional causada por la replicación y el almacenamiento de datos, lo que mejora significativamente la experiencia del usuario.
Ejemplo
A continuación se muestra cómo DAS Auto Scaling responde a dos eventos de tráfico sucesivos en una instancia de ApsaraDB RDS for MySQL, configurada con una ventana de observación de 15 minutos y un umbral de utilización de CPU del 80%.
Evento 1 — 07:10: La utilización de CPU y las sesiones activas aumentan debido a un pico de tráfico. La CPU alcanza el 80%. El análisis de tráfico muestra que la carga de trabajo tiene predominio de lecturas, por lo que DAS agrega dos nodos de solo lectura. La CPU baja al 60% y la instancia se estabiliza.
Evento 2 — 09:00: La CPU vuelve a aumentar conforme crece el volumen de negocio. El análisis de tráfico indica que la carga de trabajo ahora tiene predominio de escrituras, así que DAS actualiza las especificaciones de cómputo en lugar de agregar nodos de solo lectura. La CPU baja al 50% y la instancia se estabiliza nuevamente.
Este ejemplo demuestra cómo el centro de toma de decisiones selecciona el método de escalado adecuado según las características del tráfico, en lugar de aplicar un enfoque único para todos los casos.