背景介绍
识货App是面向年轻用户的消费决策平台，提供正品导购、品牌营销等服务，是国内电商导购细分领域TOP1，用户规模持续增长，业务涵盖运动、潮流、生活等多个类目。识货App的业务特点是大促场景流量/订单激增，电商业务多为无状态服务，流量呈现波峰波谷的周期性变化。
云原生降本提效
为解决低成本、高效能的问题，识货App采用混部、超卖、弹性、治理、智能预测等技术手段。
混部与超卖
- 混部目标：提升集群资源利用率，降低IT成本，简化集群资源管理。
- 混部解决的问题：容器混合部署时的互相干扰，资源竞争引发应用响应时间抖动，在线服务类型应用单机的资源竞争。
- 混部方案：节点维度混部，集群维度混部，资源优先级和服务质量模型，细粒度的容器资源编排和隔离机制。
- 超卖机制：将申请而未使用的资源利用起来，总内存和CPU的1/2部署为可超卖，实际超卖1/5和1/3，确保CPU和内存隔离，优先保证在线作业。
- 落地效果：将后台服务和任务类服务应用到混部中，CPU和MEM超卖，整体集群资源利用率从7%提升到20%。
弹性计算
- 弹性现状：固定实例数、HPA、CronHPA等方案存在利用率低、健壮性差、周期偏移、适应性差等问题。
- 智能弹性目标：资源提前预热，实时调整容量，按需弹性，智能弹性策略规划，避免人工规划误差。
- 智能弹性工作原理：预测POD扩容因素，目标CPU使用率(RT/QPS)，根据POD生命周期计算冷启动时间。
- 落地效果：商品库基础服务的预测pod数量曲线和CPU趋势保持一致，达到弹性效果。
总结和后续演进
- 降本提效收益：CPU使用率从7%上升到35%，弹性计算成本节省约40%。
- 后续演进方向：大数据容器化，Spark/Flink/PresAI机器学习，云原生化。
- 落地成果：能效提升和服务治理落地，有效的监控体系，数据化运维+模版化扩容。
