4、资源画像技术概述：静态画像与动态画像、基于历史数据的画像、基于机器学习的预测画像
资源画像是将 Pod 的资源使用特征（CPU、内存、IO 等）抽象为可量化、可建模的“数字轮廓”的过程。在准入控制框架下，资源画像为 Pod 资源预留提供精确的输入依据，避免传统“静态配额”导致的资源浪费或过载风险。根据数据来源与建模方式，资源画像技术可分为三大类：静态画像、动态画像以及预测画像（含基于历史数据与基于机器学习两种子类型）。
4.1 静态画像 vs 动态画像
静态画像与动态画像的核心区别在于时间维度与自适应能力。静态画像基于固定配置或一次性采样，动态画像则持续跟踪资源使用变化。
| 对比维度 | 静态画像 | 动态画像 |
|---|---|---|
| 数据来源 | Pod 声明（requests/limits）、节点容量、固定基准 | 实时监控指标（Prometheus/cAdvisor）、历史窗口滑动 |
| 更新频率 | 部署时确定，运行期不变 | 分钟级/秒级滚动更新 |
| 资源预留策略 | 按峰值或固定比例预留，易产生碎片 | 按实际使用趋势动态调整预留量 |
| 适用场景 | 无状态批处理、定时任务、测试环境 | 在线服务、微服务、有状态应用 |
| 优点 | 简单、零开销、可预测 | 高利用率、适应负载变化 |
| 缺点 | 预留过保守或过激进，无法应对突发 | 需要监控基础设施，有计算与存储开销 |
实践建议：在准入控制中，静态画像适合作为“安全底线”，动态画像作为“弹性调节层”。两者结合可兼顾稳定性与资源效率。
4.2 基于历史数据的画像
基于历史数据的画像通过收集 Pod 过去一段时间（如 7 天、30 天）的资源使用序列，采用统计方法提取特征，生成画像。常见方法包括：
- 百分位法：取 P50、P90、P95、P99 等分位值作为预留基准。例如，内存使用 P99 表示 99% 的时间不会超过该值。
- 滑动窗口均值/最大值：以固定窗口（如 1 小时）计算均值或最大值，再对窗口序列取整体分位。
- 周期性分解：识别日周期、周周期，分别建模不同时段的使用模式。
下表展示了一个基于历史数据的 CPU 画像示例（单位：核）：
| 时间窗口 | 均值 | P50 | P90 | P95 | P99 | 最大值 |
|---|---|---|---|---|---|---|
| 最近 7 天 | 0.35 | 0.30 | 0.62 | 0.78 | 0.95 | 1.20 |
| 最近 30 天 | 0.32 | 0.28 | 0.58 | 0.72 | 0.88 | 1.35 |
关键指标：基于历史数据的画像通常选择 P95 或 P99 作为预留值，以平衡资源效率与安全裕度。P99 预留可覆盖 99% 的运行时场景，但可能比均值预留多消耗 2~3 倍资源。
4.3 基于机器学习的预测画像
基于机器学习的预测画像利用时序预测模型（如 ARIMA、LSTM、Transformer）对 Pod 未来资源需求进行预测，生成前瞻性画像。相比历史统计方法，ML 模型能捕捉复杂非线性模式、周期性趋势以及突发特征。
典型流程包括：
- 数据预处理：去噪、缺失值填充、归一化、重采样至固定粒度（如 1 分钟）。
- 特征工程：提取时间特征（小时、星期、是否节假日）、统计特征（滑动均值、方差）、频域特征（FFT 分量）。
- 模型训练与验证：使用历史窗口数据训练，滚动预测未来 N 步，以 MAE/MAPE 评估误差。
- 画像生成：将预测序列的 P95/P99 作为预留值，或直接输出概率分布。
注意：ML 预测画像需要持续更新模型以适应概念漂移（如业务升级、流量迁移）。建议设置模型重训练周期（如每天或每周），并监控预测误差阈值。
4.4 三种画像技术对比总结
| 画像类型 | 数据需求 | 计算复杂度 | 预留精度 | 自适应能力 | 典型延迟 |
|---|---|---|---|---|---|
| 静态画像 | 低（仅配置） | O(1) | 低（固定值） | 无 | 无 |
| 历史统计画像 | 中（7~30 天指标） | O(n log n) | 中（分位值） | 中（窗口滑动） | 分钟级 |
| ML 预测画像 | 高（长期序列+特征） | O(n * d) 训练 + O(1) 推理 | 高（概率分布） | 强（在线学习） | 秒级推理 |
选型建议：对于资源敏感型在线服务，推荐“历史统计 P95 动态画像 + ML 预测画像”双层架构：历史画像作为准入控制的主决策依据，ML 画像作为提前扩缩容与预留调整的参考。静态画像仅用于无状态批处理或兜底策略。