转自知乎 https://zhuanlan.zhihu.com/p/408731614，略有修改

背景与挑战

背景

大型互联网公司内部资源池非常庞大。Google，Facebook 等公司都有统一的容器平台管理庞大的共享资源池，如 Borg，Twine 等等。大规模共享资源池可以提供许多好处，比如：

应对单个任务突发资源上升需求；
削峰填谷，混合部署，提高资源利用率；
多地域提高可用性等能力；

挑战

平台不是全能的，许多理想需求和成本有矛盾性，不能无条件都满足。

平台为了提高利用率，减低成本，通常会采取某种超卖（overcomitment）策略：让集群用得比较满，不能无限满足突发的资源需求；
用户总是希望只为使用付费：在需要资源时快速获取，不需要时快速释放，这会导致平台难以预估平台需要准备的资源。过多预留会导致资源浪费，预留不足会导致资源补充（分钟级）耽误业务的紧急扩容需求；
用户的任务是多种多样的：有些需要高可用性、资源的高保障，有些可以低频率的被抢占，有些可以排队，但是不能被抢占。

技术层面

目前隔离技术并不完美：在网络层，存储层等还有不少挑战；
调度能力有上限：扩缩容的速度和资源需求的规模有一定关系，可能是毫秒级，也可能是分钟级，甚至需要人工干预；
平台很难通过简单的 SLO 和业务达成互相理解的协议；

管理层面

共享资源池的用户较多，平台侧消耗在沟通的沉默成本巨大；
总体预算由少数中高层负责，如何高效合理的分配给大量具体项目的研发人员；

方案

解决上面的挑战需要从两个方面着手

机制设计
平台技术研发

平台技术研发方案有大量的资料讨论，然而顶层机制的讨论却非常少。常常导致负责技术的研发人员常常处于两难的”脑裂”的状态。本文主要讨论资源的预算和分配这些机制的设计思路。

综合考虑上述原因，除了搭建搞水平的技术，还有另外一个必要前提条件：预算、分配、核算机制。通过达成共识的机制，让业务（Consumer Based Expectiation）和平台（Service Level Expectation）通过技术手段做到成本和效率的平衡。

具体的，这套机制需要解决如下关键问题，其中着重关注问题 2 ~ 5：

预算分配给业务

共享池上的众多业务如何申请每个周期的预算总额；

业务预算分配给项目

获得预算的业务如何有效的将预算分配给具体需要使用资源的项目，比如视频业务需要转码项目，视频推荐排序项目，存储后台项目等。参与到项目中的研发需要使用共享资源池的算力来完成项目；

项目任务分级配额

研发为某个项目开发代码，提交计算任务到容器平台上会有不同的分级，对应不同的风险和定价策略。有些任务需要 “更可靠” 的资源预留，对应会有较高的定价。而部分批任务，离线任务可以运行在一定时间段内承担部分资源无法获得的情况，对应有较低的价格。具体表现为基于分级的差异化 SLO 和定价；
项目根据自己任务的实际情况，使用不同等级任务的配额；

精算系统

通常公司内精算系统在满足业务实际需求前提下，以最大化资源利用率为优化目标。而公有云则更倾向于最大化收入为目标；
基于历史、当前和预测的资源用量，平台技术能力等数据；
预测共享资源池还可以售卖的各级资源额度，以及对应的 SLO 和价格；

核算

资源用量可以归属到组，通过组可以回溯到上游平台，业务，实体人等维度；

预算

预算分配给业务

预算分配给业务往往是高层的决策。通过年度预算等和定期调整的方式进行。一般会参考：

往年的成本；
对于后续业务成长速度，规划，技术发展的预期；

预算中的一部分会被分配给研发项目，用来确定在容器平台中能够使用的资源。预算的原始单位可能是具体的金额：

金额具体如何转换成容器平台的物理资源通常是不公开的。可能会被加密成其他单位，比如 “人时”；
换算的公式也可能是动态调整的，受众多因素影响：物理资源的成本变化，资源在不同区域的空闲情况，容器平台底层技术能力，用量是否突发超过预算等等；

比如一个亿的预算中，具体可能会表现成 10000 算力单元在容器平台能购买某个等级一定量的 CPU 核。

业务预算分配给项目

每个业务的发展都需要开展研发项目。比如接入层，后台的存储服务，训练召回排序模型，推理服务等等。这些项目最终被拆分到研发身上。他们为了完成工作需要在共享资源池上提交任务。

因此，需要将业务的预算拆解到各个项目上。这里主要通过组（group）的媒介来完成。一个或多个业务线将预算的一部分划归给某个具体的组，研发加入组后就可以用组的身份去容器平台提交任务了。具体如下：

创建组，将业务预算（可能转换成对应容器、存储等的资源单位）绑定到某个组上；
研发加入组，通过组的身份提交任务到容器平台；
容器平台得知组需要使用多少资源，去预核算确认这个组拥有充足的预算；
如果预算充足，容器平台调度任务；

“组” 的媒介提了许多好处，也有许多细节

“组” 解耦了公司的管理树，可以方便让多个业务协同共享资源，多个部门研发协同开发；
“组” 又可以进一步分类为 “资源组”，”人员组”。资源组仅有预算和身份能力，可以包含人员组，人员组可以包含人。解耦了资源和人的关系，人可以灵活加入和离去，但是项目可以持续的进行，使用资源；
“组” 也能解耦平台，多个平台基于统一的组体系，可以大幅简化跨平台的使用，结算等问题；

项目任务分级配额

前面的流程中存在一个比较大的问题，研发对于每个任务需要使用多少资源的判断是不准确的，而且通常是非常不准确。运行程序的研发和开发程序的研发往往不是一群人。即使研发运行的是自己的代码，也难以判断准确。具体表现如下：

程序运行本身有不确定性，CPU 和内存的使用难以准确预估；
在线服务存在潮汐现象，研发往往按照峰值资源用量来申请资源；
为了保障在线服务的稳定性和不可预期的调用量增加，研发倾向于申请更多的资源；

综上，假如容器平台为所有计算任务预留的资源和研发申请的资源一样，必然导致巨大的资源浪费。经验性：

在峰值，申请的资源也比实际使用多出 30% 以上；
在波谷，申请的资源可能比实际使用多出 70% 以内；

如下图所示：

Usage 是实际程序运行使用的 CPU，会不断波动。Allocation 是用户提交程序时申请的 CPU。通常超过 Usage，保障程序的运行速度等。Reservation 是平台为用户预留的总 CPU。可能因为用户还没来得及提交，或者有任务停掉等原因，比 Allocation 要多。Capactity 是整个集群实际物理 CPU 总量。通常会比 Reservation 多，可以被卖给其他用户。

超卖

由于所有任务不太可能同时到达峰值（大多数情况都不在峰值），平台如果按峰值的总和预留资源会造成巨大的浪费。为了让资源池的利用率高起来，容器平台一般会对资源进行超卖。

举个例子，平台有 100 万核，卖给 A 业务 50 万核，A 大概率不会用到 50 万核，那么平台可以再卖 80 万核给 B 和 C。因为 B 和 C 大概率也不会用到 80 万核，所以平台的 100 万核（真实资源）大概率不会被 A，B 和 C 用满。在大多数情况下，A，B，C 和平台都很 happy。A，B，C 感觉自己便宜的买到了更多东西。平台 “无中生有”，降低了公司的运营成本。

这有点像银行发放贷款，银行获得了100 万的储蓄，可以借 90 万给别人。只要存钱的人不一起来要这 100 万（大概率），银行就是安全的。

问题

前面反复提到了概率的问题。当某些特殊情况发生时，平台，A，B，C 可能就不太 happy了。比如，A 业务出了个爆款，用户量爆增，真的用到了 50 万核（甚至更多）。但是 B 和 C 已经用了 60 万核了（卖给他们 80 万）。A 现在只能用到 40 万核。。。A 会非常不 happy！

真实情况，很多公司平台如果有 100 万核，可能根本就不知道 A，B，C 分别预算多少。当任意一个业务量暴涨时，都会问平台要更多资源。而平台交不出来的话，就需要承担业务的损失。

一种比较简单的办法：平台囤积部分资源不用（小金库），假装资源已经都分配了。当 A，B，C 某个业务需要使用时，再分配这部分资源。这样会导致 A，B，C 都需要为这部分囤积浪费的资源买单，提高了单位资源成本。

分级配额机制

更合理的做法应该是分级，对不同级别基于对应的 SLO 和定价。类似 AWS 上的 Reserved Instance，OnDemand Instance 等。

SLO 一般会考虑两个维度：

Obtainability：用户想获得配额的资源时，有多大概率是能给的；
Availability：用户的任务正在运行时，有多大的概率资源要被回收；

基于以上两个维度，有 3 种场景的 SLO

Reserved（Or Prod）：就是 Obtainability 和 Availability 是接近100%的，有较高定价；
Economy（Or Batch）：研究表明，Obtainability 和 Availability 会在 98% 以上时，平台可以超卖相当可观的资源。而 98% 对于大多数离线任务，甚至部分在线服务都是可以接受的；
Opportunistic（Or Free）：没有 SLO，但是在集群的缝隙通常也能获得一定的资源；

Pooling 机制

这是一种附加策略，单个组的预算是非常有限的，Pooling 是一种互助协议。如果 A 和 B 签订了协议，那么当 A 超过了配额时，A 可以临时借用 B 没有用的配额。

精算系统

前面提到的分级配额机制，通常需要一个精算系统的支持，对于大规模容器平台，可能有数百万到数千万核的算力资源。1% 的优化都能带来显著金钱上的节省。精算系统可以和调度系统解耦，判断每台物理机在一定概率条件下，实际剩余的空闲资源。或者判断每个容器在一定概率条件下，实际使用的资源。(Usage vs Limit vs Capacity）

大致工作流程：

获得如下数据

资源池总体的容量情况
历史，现在和对未来任务资源使用的预测
平台的调度、隔离能力等技术指标

数据科学家基于数据制定大致的分级策略，比如上文提到的 Prod, Batch, Free；
精算系统计算出，在保障 SLO 的前提下，资源池的不同等级的资源还有多少可以被售卖；

假设平台有 100W 核，A，B，C 三个组过来申请配额：

A，B，C 为在线服务 A1，B1，C1 分别申请了 20W Prod，那么集群剩下 40W；
精算系统通过测算，认为 99% 的概率下，集群能在 10 分钟内能够释放 60W 核的资源出来。或者说，这 60W 中，A1, B1, C1 同时需要使用 20W 中的一部分，导致只剩下 40W~60W 的概率小于 1%；
平台会将 60W 核分配给 A，B，C 的 Batch。假设 A2，B2，C2 分别各申请获得 20W Batch；
Free 配额可以一定概率在低谷期获得 20W 的碎片资源，白天某些时段获得 5W 碎片资源，依然有利可图；

Priority 和 Quota

优先级和配额用于防止运行的比实际能容纳多的这种负载情况。每个任务都有一个 priority 优先级，一个小的正整数。高优先级的 task 可以在牺牲较低优先级的 task 来获取资源，甚至是以抢占方式。可以为不同用途定义不同的优先级：监控、生产、批处理和 best effort。

针对生产级别的任务是禁止 task 互相抢占的。优先级决定任务处于运行还是等待状态。Quota 配额被用于确定调度哪些任务。配额表示为一段时间内（通常为几个月）给定优先级的资源量（CPU、RAM、磁盘等）。这些值指定了用户的任务在请求时间段内可以使用的最大资源量。配额检查是准入控制的一部分，配额不足情况下，任务会被拒绝调度。

高优先级的配额成本比低优先级要高。生产级别的配额仅限于集群中实际可用资源，因此用户提交满足生产级别任务运行预期的资源配额。虽然不建议用户配置超买，但是很多用户都会比实际的需要配额要大，以防止后续用户增长可能造成的资源短缺。对于超买，应对方案就是超卖。但并不是盲目的超卖，基于优先级的超卖保证了高优服务的稳定性，保证高峰期或者其他突发情况下需要使用其所申请的资源量时，平台是可以提供出这些资源的，超卖的资源只是给低优先级服务使用。

配额分配和物理容量设计密切相关，结果反映在不同数据中心的配额价格和可用性上。

Fine-grained resource requests

支持以 ms（毫秒）为单位请求 CPU，以 bytes（字节）为单位请求内存和磁盘空间。

核算

基于上文机制开发的系统，核算应该是可以完全自动化的。整个链条从最初的总预算开始到最后任务在 CPU 上运行都是在系统中可追溯的。大致过程如下

容器平台会结算每个任务运行消耗的资源；
每个运行任务可以自动关联到 “组” 上；
组的创建是来自某个项目的申请，因此可以管理到具体的事上，比如训练精排模型；
组的预算来自于一个或多个业务授予的，也可以自动化拆分；
组的成员组成也是明确的（包括它的变化记录），可以自动归属到对应的研发身上；

角色与责任

在整个链条中有如下几类角色

决策层：负责定期或按需 Review 业务的总体预算是否满足业务发展的总体开销，并且将获得的预算分配各个领域的负责人；
领域负责人：通常可能是业务某个领域负责人等角色，负责将预算分配给各个项目组，并对分配的额度是否够用负责。如果额度不够导致了容器平台拒绝提供资源，由项目 Admin 和下级负责；
项目组负责人：需要主动观测项目组下所有任务的资源使用情况，在需要时及时向领域负责人申请调整。如果没有及时调整，额度不够导致平台拒绝提供资源，由项目负责人负责；
研发：开发 Prod, Batch 等任务，优化任务的资源开销，尽可能在满足业务需求的前提下使用较低价格的资源等级；
平台：对平台的健壮性，可观测性和承诺的 SLO 负责。在满足 SLO 前提下可以拒绝提供资源；