التنسيق التكيفي للموارد في الأنظمة السحابية الأصلية

مشكلة التخصيص الثابت

ترث الأنظمة السحابيةّة الأصيلة مفارقةً من أسلافها الداخليّة: يجب توفير الموارد قبل معرفة الطلب، ويعتمد قرار التوفير على تنبّؤات هي بطبيعتها غير كاملة. الجواب التقليدي — الإفراط في التخصيص إلى الذروة — يعمل لكنّه يهدر رأس المال. الجواب الحديث — التحجيم التلقائي على المقاييس — يعمل لكنّه يُدخل زمن استجابة بين الإشارة والردّ، يتدهور خلاله الأداء أو تتضاعف التكاليف.

يبحث عملي في مسار ثالث: استخدام التعلّم الآلي للتنبّؤ بطلب الموارد بفترة سماحيّة كافية بحيث يمكن أن يكون التخصيص استباقيّاً وخفيفاً في آن واحد. الفرضيّة هي أنّ الأنماط الزمنيّة في أعباء السحابة أكثر قابلية للتعلّم ممّا تبدو، وأنّ متنبّئاً مُدرَّباً جيّداً يستطيع سدّ الفجوة بين التخصيص الثابت والتفاعلي دون تكاليف الحالة الأسوأ لكليهما.

لماذا التنبّؤ أصعب ممّا يبدو

التنبّؤ بطلب الموارد مشابه سطحيّاً للتنبّؤ بالسلاسل الزمنيّة — وقد جرّبت فرق كثيرة تطبيق حزم التنبّؤ القياسيّة عليه — لكنّ للمشكلة خصائص بنيويّة تهزم النهج الساذج. الطلب متعدّد المقاييس: أنماط نهاريّة ودورات أسبوعيّة وانجراف موسميّ وارتفاعات مدفوعة بأحداث تتعايش في الإشارة نفسها. تكلفة التنبّؤ المفرط (إنفاق مهدر) غير متماثلة مع تكلفة التنبّؤ الناقص (خرق هدف مستوى الخدمة)، لذا يجب أن تكون دالّة الخسارة موزونة لا متماثلة.

بشكل أكثر جوهريّة، النظام الذي يتمّ التنبّؤ به يتأثّر جزئيّاً بالتنبّؤ نفسه. إذا يحجّم المنسّق بناءً على تنبّؤ، والتنبّؤ يُرصد من قبل مخطّطي السعة الذين يعدّلون حجوزاتهم، تتغيّر إشارة الطلب. هذه الحلقة الراجعة تجعل المشكلة داخليّة المنشأ جزئيّاً، وهي خاصيّة تنتهك افتراضات الثبات التي تقوم عليها معظم نماذج التنبّؤ وتتطلّب إعادة تدريب عبر الإنترنت للإدارة.

أفضل نظام تنسيق ليس الأكثر دقّة في التنبّؤ. إنّه الأكثر رشاقة في التدهور عندما تكون تنبّؤاته خاطئة — لأنّ التنبّؤات الخاطئة ليست وضع فشل بل الحالة المستقرّة لأيّ نظام حقيقي.

المعماريّة التي بنيناها

يتبع نظامنا، الموصوف بالتفصيل في الورقة المرافقة، معماريّة ثلاثيّة المراحل تفصل بين شواغل تتعقّد تقليديّاً في منظّمات أحاديّة. كلّ مرحلة قابلة للضبط بشكل مستقل، وقابلة للمراقبة بشكل مستقل، وقابلة للنشر بشكل مستقل، وهو ما أثبت ضرورته للتكرار على البحث دون زعزعة استقرار العنقود الإنتاجي الذي يخدمه.

• طبقة الإشارة — تجمع مقاييس متعدّدة الحبيبيّة من العنقود، وتطبّعها إلى مخطّط قياسي، وتُنبثق كلّاً من التيّارات الخام والسمات المشتقّة إلى طبقة التنبّؤ.
• طبقة التنبّؤ — تُدرّب وتقدّم تنبّؤات الطلب لكلّ فئة عبء. النماذج مُصدّرة وتُختبر A/B وتُرجَّع تلقائيّاً حين يتجاوز خطأ التنبّؤ عتبة متعلّمة.
• طبقة القرار — تستهلك التنبّؤات والحالة الحاليّة لإنتاج قرارات تحجيم. نقداً، تعامل هذه الطبقة التنبّؤات كغير يقينيّة لا كمرجعيّة، وتمزجها مع إشارات تفاعليّة.

النتائج وما تعنيه حقاً

عبر نشر إنتاجيّ لستّة أشهر على عنقود متوسّط الحجم، قلّل النظام هدر الموارد بنسبة واحد وثلاثين بالمائة مع الحفاظ على امتثال هدف مستوى الخدمة ضمن النطاق نفسه كالمُحجّم التفاعلي الأساسي. النتيجة مشجّعة لكن يجب تفسيرها بحذر. القياس مقابل أساس كان معقولاً ضبطه مسبقاً؛ على أساس أقلّ نضجاً، سيكون التحسين أكبر. صيانة هدف مستوى الخدمة لا تعني أنّ التنبّؤات كانت صحيحة دائماً؛ بل تعني أنّ طبقة القرار عوّضت بنجاح عندما لم تكن كذلك.

الدرس الأوسع — الذي أُؤكّده للطلّاب والممارسين — هو أن البنية التحتيّة المدفوعة بالتعلّم الآلي تعمل بشكل أفضل ليس كبديل لأنظمة التحكّم الكلاسيكيّة بل كمكمّل لها. المُتنبّئ يوفّر سابقاً؛ والمتحكّم التفاعلي يوفّر تصحيحاً. الاندماج هو حيث تعيش الهندسة، وهو حيث تختبئ معظم أوضاع الفشل. التنسيق التكيّفي ليس نموذجاً تُدرّبه؛ بل نظام تشغّله، والتشغيل هو الجزء الصعب.