机器学习决策器
编辑机器学习决策器
编辑用于自动扩展 的机器学习决策器（ml）计算运行机器学习作业和训练模型所需的内存和 CPU 资源。
机器学习决策器已启用，用于管理ml节点的策略。
为了在集群未按适当规模扩展时打开机器学习作业，请将xpack.ml.max_lazy_ml_nodes设置为可能的最大机器学习节点数（有关更多信息，请参阅高级机器学习设置）。在 Elasticsearch 服务中，此设置会自动设置。
配置设置
编辑num_anomaly_jobs_in_queue和num_analytics_jobs_in_queue都旨在延迟扩展事件。如果集群规模太小，则这些设置指示每种类型的作业可以从节点上取消分配多少个作业。这两个设置仅考虑在当前规模下可以打开的作业。如果作业对于任何节点大小都太大，或者如果作业无法在没有用户干预的情况下分配（例如，用户针对实时异常检测作业调用_stop），则会忽略该特定作业的这些数字。
-
num_anomaly_jobs_in_queue - （可选，整数）指定允许的排队异常检测作业数。默认为
0。 -
num_analytics_jobs_in_queue - （可选，整数）指定允许的排队数据框分析作业数。默认为
0。 -
down_scale_delay - （可选，时间值）指定缩减规模之前的延迟时间。默认为 1 小时。如果在整个时间窗口内都可以缩减规模，则会请求缩减规模。如果集群在窗口期间需要扩展，则会重置窗口。
示例
编辑此示例创建了一个名为my_autoscaling_policy的自动扩展策略，该策略覆盖了机器学习决策器的默认配置。
resp = client.autoscaling.put_autoscaling_policy(
name="my_autoscaling_policy",
policy={
"roles": [
"ml"
],
"deciders": {
"ml": {
"num_anomaly_jobs_in_queue": 5,
"num_analytics_jobs_in_queue": 3,
"down_scale_delay": "30m"
}
}
},
)
print(resp)
const response = await client.autoscaling.putAutoscalingPolicy({
name: "my_autoscaling_policy",
policy: {
roles: ["ml"],
deciders: {
ml: {
num_anomaly_jobs_in_queue: 5,
num_analytics_jobs_in_queue: 3,
down_scale_delay: "30m",
},
},
},
});
console.log(response);
PUT /_autoscaling/policy/my_autoscaling_policy
{
"roles" : [ "ml" ],
"deciders": {
"ml": {
"num_anomaly_jobs_in_queue": 5,
"num_analytics_jobs_in_queue": 3,
"down_scale_delay": "30m"
}
}
}
API 返回以下结果
{
"acknowledged": true
}