ApacheFlinkOceanus，集實(shí)時(shí)應(yīng)用的創(chuàng)建、調(diào)試、部署、運(yùn)行、運(yùn)維和監(jiān)控為一 完善的Event-time機(jī)制，通過(guò)watermark SLASLA空間維度上，不同pod 缺點(diǎn)：stateful缺點(diǎn)：stateful影響flink LogGC

JobJobAutoScaleMLAnomaly作業(yè)failover率下降 垂直伸縮：表示原地變更pod 垂直伸縮表示原地變更pod的資源，主要為CPU和MemoryJDK層面，修改內(nèi)存必須要重啟JVM，進(jìn)而導(dǎo)致Flinkk8s

資源對(duì)應(yīng)關(guān)系為<Task,ResourceSpec>，保障Task 技術(shù)實(shí)現(xiàn)：K8s支持原地修改pod

s通過(guò)PodSePropoe程。\hlaur 技術(shù)實(shí)現(xiàn)：JDK

騰訊內(nèi)部通過(guò)適配GC算法等支持動(dòng)態(tài)修改內(nèi)存的hard-開(kāi)源社區(qū)類(lèi)似方案：\hZGC|Using- 圖2為垂直伸縮的資源圖，伸縮后總資源下降60 實(shí)際使 初始配 垂直伸

銷(xiāo)毀& 實(shí)現(xiàn)JobMaster&ZK、pod實(shí)現(xiàn)JobMaster&ZK、pod

81012141618202224262830323436384042444648常規(guī)擴(kuò) 熱更 熱更新+預(yù)加 Pod pod熱遷移：突破單機(jī)資源限制，如圖12圖 用戶(hù)：如何配置資源（當(dāng)前&未來(lái)Long-running StartN輪智能預(yù)測(cè)，快UpgradeLag：基于專(zhuān)家模式的 reactive到proactivereactive到proactive 25%

（CP、mory算。 為此我們構(gòu)建了多維度指標(biāo)體系，覆蓋從應(yīng)用到硬件的全棧特征，捕捉非線性關(guān)系（GC事件與內(nèi)存分配的關(guān)聯(lián)FlinkFlinkJVM堆內(nèi)存使用量（HeapGC（GCCPU（CPU物理內(nèi)存占用（Memory

????????=|???傳統(tǒng)：25%+（ARIMA等指數(shù)移動(dòng)平均多數(shù)呈24*7 實(shí)時(shí)性：傳統(tǒng)依賴(lài)人工的問(wèn)題排查耗時(shí)長(zhǎng)，至少分鐘級(jí)別起，嚴(yán)重影響SLA

實(shí)際預(yù)測(cè) 核心業(yè)務(wù)的作業(yè)失敗率下降超過(guò)70%， 核心業(yè)務(wù)在保障SLA的基礎(chǔ)上，資源利用率普遍有30%+pod

121122 更加全面的S