彩笔运维勇闯机器学习--cpu与qps的线性关系

前言

书接上文，上一小节简单介绍了一元回归的基本原理、使用方式，作为运维，实践才是最重要的，那本小节就来实践一下我们之前的话题：探索cpu与qps的关系

获取数据

1. cpu数据

由于我的监控数据在阿里云的prometheus上面，并且阿里云也提供了一种查询方式，通过本地搭建的prometheus的remote_read功能，读取远端阿里云的数据

搭建本地的prometheus

准备配置文件

  cat ~/workspace/prometheus/docker/prometheus.yml

 # my global config

 global:

   scrape_interval: 15s # Set the scrape interval to every 15 seconds. Default is every 1 minute.

   evaluation_interval: 15s # Evaluate rules every 15 seconds. The default is every 1 minute.

   # scrape_timeout is set to the global default (10s).

 # Alertmanager configuration

 alerting:

   alertmanagers:

     - static_configs:

         - targets:

           # - alertmanager:9093

 # Load rules once and periodically evaluate them according to the global 'evaluation_interval'.

 rule_files:

   # - "first_rules.yml"

   # - "second_rules.yml"

 # A scrape configuration containing exactly one endpoint to scrape:

 # Here it's Prometheus itself.

 scrape_configs:

   # The job name is added as a label `job=<job_name>` to any timeseries scraped from this config.

   - job_name: "prometheus"

     # metrics_path defaults to '/metrics'

     # scheme defaults to 'http'.

     static_configs:

       - targets: ["localhost:9090"]

 remote_read:

   - url: "https://cn-beijing.arms.aliyuncs.com:9443/api/v1/prometheus/***/***/***/cn-beijing/api/v1/read"

     read_recent: true

remote_read 可以参考阿里云prometheus文档

docker启动

docker run --name=prometheus -d \

    -v ./prometheus.yml:/etc/prometheus/prometheus.yml \

    -p 9090:9090 \

    -v /usr/share/zoneinfo/Asia/Shanghai:/etc/localtime \

    prom/prometheus

搭建好之后通过prometheus接口来获取数据

def get_container_cpu_usage_seconds_total(start_time, end_time, step):

    url = "http://localhost:9090/api/v1/query_range"

    query = f'sum(rate(container_cpu_usage_seconds_total{{image!="",pod_name=~"^helloworld-[a-z0-9].+-[a-z0-9].+",namespace="default"}}[{step}s]))'

    params = {

        "query": query,

        "start": start_time,

        "end": end_time,

        "step": step

    }

    response = requests.get(url, params=params)

    data = response.json()

    return data

我们获取了helloworld这组pod在某个时间段所使用的cpu之和

2. qps数据

由于我的日志是托管在阿里云的sls，这里依然使用阿里云sls接口，直接把数据拉下来

阿里云sls文档

训练模型

由于sls日志与prometheus涉及到一些敏感内容，我这里直接调用方法，就不展示具体代码了，prometheus的代码可以参考上述，sls日志的代码可以直接去阿里云文档里面模拟接口copy

from flow import get_cpu_data, get_query_data

from datetime import datetime

import pandas as pd

start_time = datetime.strptime('2025-03-21 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp()

end_time = datetime.strptime('2025-03-21 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

step = 60

sls_step = 3600

query = get_query_data(start_time, end_time, sls_step)

cpu = get_cpu_data(start_time, end_time, step)

print('cpu: ', len(cpu), cpu)

print('query: ', len(query), query)

运行看一下

每分钟获取一次数据，cpu与qps的数据分别打印出来，1440个（只显示了前10个，看下数据长什么样子就行了），这里一定要注意数量对齐

开始训练

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error, r2_score

from flow import get_cpu_data, get_query_data

from datetime import datetime

import pandas as pd

start_time = datetime.strptime('2025-03-23 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp()

end_time = datetime.strptime('2025-03-25 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

step = 60

sls_step = 3600

query = get_query_data(start_time, end_time, sls_step)

cpu = get_cpu_data(start_time, end_time, step)

print('cpu 数据个数为{} ，前10数据为{}'.format(len(cpu), cpu[:10]))

print('query 数据个数为{} ，前10数据为{}'.format(len(query), query[:10]))

# 准备数据

data = {

    'cpu': cpu,

    'query': query

}

df = pd.DataFrame(data)

X = df[['query']]

y = df['cpu']

# 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=88)

# 创建模型并训练

model = LinearRegression()

model.fit(X_train, y_train)

# 模型评估

y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)

r2 = r2_score(y_test, y_pred)

print(f"MSE: {mse}, R²: {r2}")

脚本！启动

训练是训练出来的，但是模型好烂啊！

我们获取的数据为3天的，3.23 -- 3.25
MSE高达0.04，我们之前说过，MSE有平方的计算，那实际误差是0.2，基本是20%--30%的水平了
R²才0.48，该模型只能解释48%的数据

我训练了个寂寞啊，这模型太烂，必须要修正一下

修正模型

修正模型从检查数据开始，看下数据是否有异常。画图是最直观的检查方式，那就找一个开源的库来画图，用matplotlib来完成，安装也非常简单，pip3 install matplotlib

先拿一天的数据来看看，3.23

import matplotlib.pyplot as plt

from datetime import datetime

from flow import get_cpu_data

step = 60

sls_step = 3600

l = [

    {

        'name': '3-23',

        'start_time': datetime.strptime('2025-03-23 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp(),

        'end_time': datetime.strptime('2025-03-23 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

    },

]

# 画多条线

for piece in l:

    cpu = get_cpu_data(piece['start_time'], piece['end_time'], step)

    plt.plot(cpu, marker='o', linestyle='-', label=piece['name'])

# 图例

plt.legend()

# 显示

plt.show()

脚本！启动

看起来数据很多，并且杂乱，并且cpu数据有个特性，会有激凸的特点，这对于数据收敛是不利的，所以，尝试把间隔时间调长一点，5分钟

step = 600

脚本！启动

看起来数据少了很多，并且离群激凸点没有了，尝试带入到训练脚本去试一试

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error, r2_score

from flow import get_cpu_data, get_query_data

from datetime import datetime

import pandas as pd

start_time = datetime.strptime('2025-03-23 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp()

end_time = datetime.strptime('2025-03-25 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

step = 600

sls_step = 3600*6

query = get_query_data(start_time, end_time, sls_step)

cpu = get_cpu_data(start_time, end_time, step)

print('cpu 数据个数为{} ，前10数据为{}'.format(len(cpu), cpu[:10]))

print('query 数据个数为{} ，前10数据为{}'.format(len(query), query[:10]))

# 准备数据

data = {

    'cpu': cpu,

    'query': query

}

df = pd.DataFrame(data)

X = df[['query']]

y = df['cpu']

# 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=88)

# 创建模型并训练

model = LinearRegression()

model.fit(X_train, y_train)

# 模型评估

y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)

r2 = r2_score(y_test, y_pred)

print(f"MSE: {mse}, R²: {r2}")

脚本！启动

哇哦，模型提升了

MSE来到了0.004，误差为0.063左右，大约在5%--10%之间
R²来到了0.89，解释了将近90%的数据，模型性能极大提升

为了再次提升性能，提高模型的泛化能力，需要继续内卷，卷起来！

再次分析数据，由于有3天的数据，尝试将3天的数据对比作图，看看有什么收获

import matplotlib.pyplot as plt

from datetime import datetime

from flow import get_cpu_data

step = 600

l = [

    {

        'name': '3-23',

        'start_time': datetime.strptime('2025-03-23 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp(),

        'end_time': datetime.strptime('2025-03-23 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

    },

    {

        'name': '3-24',

        'start_time': datetime.strptime('2025-03-24 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp(),

        'end_time': datetime.strptime('2025-03-24 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

    },

    {

        'name': '3-25',

        'start_time': datetime.strptime('2025-03-25 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp(),

        'end_time': datetime.strptime('2025-03-25 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

    }

]

# 画多条线

for piece in l:

    cpu = get_cpu_data(piece['start_time'], piece['end_time'], step)

    plt.plot(cpu, marker='o', linestyle='-', label=piece['name'])

# 图例

plt.legend()

# 显示

plt.show()

脚本！启动

找到你了！25号的数据，你是怎么回事，怎么突然间高潮了。我去找业务的同事询问，原来那一天系统发红包，大量用户在那个时刻都去领红包去了，造成了cpu异常

哦~原来如此，那一天属于异常数据，有两种方法，第一种就是用异常检测算法将异常点全部踢掉，由于我还不会异常检测算法（比如什么均方差、箱型图、孤立森林之类的）；所以我使用了第二种方法，放弃3.25的数据， =_=!

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error, r2_score

from flow import get_cpu_data, get_query_data

from datetime import datetime

import pandas as pd

start_time = datetime.strptime('2025-03-23 00:00:00', '%Y-%m-%d %H:%M:%S').timestamp()

end_time = datetime.strptime('2025-03-24 23:59:59', '%Y-%m-%d %H:%M:%S').timestamp()

step = 600

sls_step = 3600*6

query = get_query_data(start_time, end_time, sls_step)

cpu = get_cpu_data(start_time, end_time, step)

print('cpu 数据个数为{} ，前10数据为{}'.format(len(cpu), cpu[:10]))

print('query 数据个数为{} ，前10数据为{}'.format(len(query), query[:10]))

# 准备数据

data = {

    'cpu': cpu,

    'query': query

}

df = pd.DataFrame(data)

X = df[['query']]

y = df['cpu']

# 划分训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=88)

# 创建模型并训练

model = LinearRegression()

model.fit(X_train, y_train)

# 模型评估

y_pred = model.predict(X_test)

mse = mean_squared_error(y_test, y_pred)

r2 = r2_score(y_test, y_pred)

print(f"MSE: {mse}, R²: {r2}")

真是一场酣畅淋漓的战斗

MSE来到了0.001，误差是0.03，大约在5%以内
R²来到了0.976，差不多98%的数据都能够被解释了

这个模型已经很优秀了，来预测一把

# 预测

predicted_query = [10000, 50000]

new_data = pd.DataFrame({

    "query": [x*300 for x in predicted_query]

})

predicted_qps = model.predict(new_data)

print("预测的 qps:", predicted_query)

print("预测的 cpu:", predicted_qps)

这里要注意，query是5分钟内访问的总和，所以如果qps是1w，需要qps*300，才是5分钟的query

脚本！启动

装杯时刻

老板：我们的系统能够承受什么样的压力？
牛马：我们系统日常qps在5w左右，峰值qps在20w左右，消耗的cpu分别为42和172，按照我们4c8g的云服务器，分别需要11台和44台，现在我们使用的服务器为100台，可以缩减服务器成本大约50%
老板：牛批，节约下来的钱请你吃一顿麻辣烫
牛马：谢谢老板栽培

联系我

联系我，做深入的交流

至此，本文结束

在下才疏学浅，有撒汤漏水的，请各位不吝赐教...