【腾讯云原生降本增效大讲堂】Caelus全场景在离线混部

嘉宾 | 陈东东

出品 | 优快云云原生

2022年7月28日，中国信通院、腾讯云、FinOps产业标准工作组联合发起的《原动力x云原生正发声 降本增效大讲堂》系列直播活动第4讲如期举行，腾讯高级工程师陈东东分享了Caelus全场景在离线混部的实践案例。本文整理自陈东东的分享。

在离线混部背景及意义

各大权威机构的调研数据显示，在线资源利用率普遍很低，平均在15%左右。

上图是某一在线CPU的使用曲线，在这里可以看出，在线资源使用的潮汐现象十分明显。业务方在申请资源时只能按照波峰时段的资源使用量进行申请，这就导致在波谷时段会有大量资源被浪费。

在线资源利用率低的原因可以概括为以下几点：

• 非容器化部署，未能利用整机资源；

• 业务容灾Buffer资源；

• 资源使用潮汐现象；

• 粗放的资源评估，占而不用；

• 业务之间相互隔离。

从上图可以看出，近年来我们对大数据的需求在逐步增高，这意味着我们需要投入更多成本来获取更多算力来对数据进行分析。离线作业运行时具有延迟不敏感、实时性不高、执行周期短等特点，利用该特点我们可以在在线任务的波谷时段混部离线任务，这为解决在线任务波谷时段有大量资源浪费提供了一种新的思路。

通过在离线混部，可以实现提升机器资源利用率、优化成本等目标，同时能够充分释放资源价值，降低能源消耗，助力双碳。

在离线混部现状痛点

在离线混部在落地过程中存在诸多痛点。

• 定制化

  • 技术栈定制化，不宜推广；

  • 平台升级需适配，维护成本高；

  • 混部场景单一，大部分混部系统只关注容器化场景，忽略了非容器化场景，部分混部方案依赖大数据任务云原生化改造，难以支持Hadoop场景。

• 资源价值挖掘不充分

  • 资源复用策略不够精细，利用率提升有限；

  • 离线失败率高，浪费算力资源。

• 技术深水区

  • 缺乏干扰检测与处理机制；

  • 缺乏完善的资源隔离机制；

  • 调度性能不满足离线高并发需求；

  • 缺乏容器热迁移机制，离线作业在资源受压制时只能被驱逐。