机器学习决策器
编辑机器学习决策器
编辑自动伸缩机器学习决策器（ml）会计算运行机器学习作业和训练模型所需的内存和 CPU 要求。
机器学习决策器适用于管理 ml 节点的策略。
为了使机器学习作业在集群未适当伸缩时也能打开，请将 xpack.ml.max_lazy_ml_nodes 设置为可能的机器学习节点的最大数量（有关更多信息，请参阅高级机器学习设置）。在 Elasticsearch Service 中，此设置是自动配置的。
配置设置
编辑num_anomaly_jobs_in_queue 和 num_analytics_jobs_in_queue 都旨在延迟向上伸缩事件。如果集群太小，这些设置指示每种类型的作业可以从节点取消分配的数量。只有当作业可以在当前规模下打开时，才会考虑这两个设置。如果某个作业对于任何节点大小都太大，或者如果某个作业在没有用户干预的情况下无法分配（例如，用户针对实时异常检测作业调用 _stop），则该特定作业的数字将被忽略。
-
num_anomaly_jobs_in_queue - （可选，整数）指定允许排队的异常检测作业数量。默认为
0。 -
num_analytics_jobs_in_queue - （可选，整数）指定允许排队的数据帧分析作业数量。默认为
0。 -
down_scale_delay - （可选，时间值）指定在向下伸缩之前延迟的时间。默认为 1 小时。如果整个时间窗口都有可能向下伸缩，则会请求向下伸缩。如果在该窗口期间集群需要向上伸缩，则该窗口会被重置。
示例
编辑此示例创建了一个名为 my_autoscaling_policy 的自动伸缩策略，该策略会覆盖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
}