跳到主要内容

8. 性能与成本

8.1 弹性伸缩​

伸缩策略​

智能人力资源系统需要根据负载自动伸缩，确保服务稳定和成本优化：

水平伸缩（Horizontal Scaling）​

自动伸缩规则：

  • CPU使用率：>80%时扩容，<30%时缩容
  • 内存使用率：>80%时扩容，<30%时缩容
  • 请求队列长度：>50时扩容，<5时缩容
  • 响应时间：P95>2秒时扩容
  • 错误率：>1%时扩容

Kubernetes HPA配置：

apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: hr-ai-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: hr-ai-service
  minReplicas: 2
  maxReplicas: 20
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 80
  - type: Resource
    resource:
      name: memory
      target:
        type: Utilization
        averageUtilization: 80
  - type: Pods
    pods:
      metric:
        name: request_queue_length
      target:
        type: AverageValue
        averageValue: "10"
  behavior:
    scaleDown:
      stabilizationWindowSeconds: 300
      policies:
      - type: Percent
        value: 50
        periodSeconds: 60
    scaleUp:
      stabilizationWindowSeconds: 0
      policies:
      - type: Percent
        value: 100
        periodSeconds: 15
      - type: Pods
        value: 2
        periodSeconds: 15
      selectPolicy: Max

垂直伸缩（Vertical Scaling）​

资源调整规则：

  • 根据历史负载预测资源需求
  • 在业务高峰期前提前扩容
  • 在业务低峰期自动缩容

VPA配置：

apiVersion: autoscaling.k8s.io/v1
kind: VerticalPodAutoscaler
metadata:
  name: hr-ai-vpa
spec:
  targetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: hr-ai-service
  updatePolicy:
    updateMode: "Auto"
  resourcePolicy:
    containerPolicies:
    - containerName: hr-ai-service
      minAllowed:
        cpu: 100m
        memory: 128Mi
      maxAllowed:
        cpu: 4
        memory: 8Gi

预测性伸缩​

基于历史数据的预测​

预测模型：

  • 使用时间序列分析预测未来负载
  • 考虑工作日、节假日等周期性因素
  • 考虑业务增长趋势

预测实现：

from sklearn.linear_model import LinearRegression
import numpy as np

class LoadPredictor:
    """负载预测器"""
    
    def __init__(self):
        self.model = LinearRegression()
    
    def train(self, historical_data: np.ndarray):
        """训练预测模型"""
        # 特征工程：提取时间特征、周期性特征等
        features = self.extract_features(historical_data)
        
        # 训练模型
        self.model.fit(features, historical_data)
    
    def predict(self, future_time: int) -> float:
        """预测未来负载"""
        features = self.extract_features_for_time(future_time)
        return self.model.predict([features])[0]

8.2 成本优化​

计算资源优化​

模型选择优化​

成本效益分析：

  • 高准确率模型：成本高，适合关键场景
  • 标准模型：成本中等，适合一般场景
  • 快速模型：成本低，适合非关键场景

模型路由策略：

def select_model_by_cost_benefit(task_importance: str, cost_budget: float):
    """根据成本效益选择模型"""
    if task_importance == "critical" and cost_budget > 1.0:
        return "premium-model"  # 高准确率模型
    elif task_importance == "normal":
        return "standard-model"  # 标准模型
    else:
        return "fast-model"  # 快速模型

缓存策略​

多级缓存：

  • L1缓存：本地内存缓存，响应最快
  • L2缓存：Redis缓存，响应较快
  • L3缓存：数据库缓存，响应较慢

缓存实现：

from functools import lru_cache
import redis

class MultiLevelCache:
    """多级缓存"""
    
    def __init__(self):
        self.local_cache = {}
        self.redis_client = redis.Redis(host='localhost', port=6379)
    
    @lru_cache(maxsize=1000)
    def get_from_local_cache(self, key: str):
        """从本地缓存获取"""
        return self.local_cache.get(key)
    
    def get_from_redis_cache(self, key: str):
        """从Redis缓存获取"""
        return self.redis_client.get(key)
    
    def get(self, key: str):
        """多级缓存获取"""
        # 先查本地缓存
        value = self.get_from_local_cache(key)
        if value:
            return value
        
        # 再查Redis缓存
        value = self.get_from_redis_cache(key)
        if value:
            # 写入本地缓存
            self.local_cache[key] = value
            return value
        
        # 最后查数据库
        value = self.get_from_database(key)
        if value:
            # 写入缓存
            self.redis_client.set(key, value, ex=3600)
            self.local_cache[key] = value
        
        return value

API调用优化​

批量处理​

批量接口：

  • 支持批量简历解析
  • 支持批量人才匹配
  • 减少API调用次数

批量实现：

def batch_parse_resumes(resume_files: List[str]) -> List[Dict]:
    """批量解析简历"""
    results = []
    
    # 分批处理，每批10个
    batch_size = 10
    for i in range(0, len(resume_files), batch_size):
        batch = resume_files[i:i+batch_size]
        batch_results = process_batch(batch)
        results.extend(batch_results)
    
    return results

请求合并​

请求合并策略：

  • 合并相似请求
  • 减少重复计算
  • 提高处理效率

存储优化​

数据压缩​

压缩策略：

  • 简历文件压缩存储
  • 历史数据压缩归档
  • 减少存储成本

数据生命周期管理​

数据分级存储：

  • 热数据：SSD存储，快速访问
  • 温数据：HDD存储，中等访问
  • 冷数据：对象存储，归档存储

数据清理策略：

  • 定期清理过期数据
  • 归档历史数据
  • 删除无效数据

8.3 性能监控​

性能指标监控​

响应时间监控​

指标定义：

  • P50响应时间：50%请求的响应时间
  • P95响应时间：95%请求的响应时间
  • P99响应时间：99%请求的响应时间

目标值：

  • P50 ≤ 500ms
  • P95 ≤ 2s
  • P99 ≤ 5s

吞吐量监控​

指标定义：

  • QPS：每秒查询数
  • TPS：每秒事务数

目标值：

  • QPS ≥ 100
  • TPS ≥ 50

成本监控​

资源成本监控​

成本指标：

  • CPU成本：CPU使用成本
  • 内存成本：内存使用成本
  • 存储成本：存储使用成本
  • 网络成本：网络使用成本

成本优化：

  • 识别高成本资源
  • 优化资源使用
  • 降低资源成本

API成本监控​

成本指标：

  • API调用成本：API调用费用
  • 模型推理成本：模型推理费用

成本优化：

  • 减少不必要的API调用
  • 使用成本更低的模型
  • 优化API调用策略

8.4 成本预算​

预算规划​

月度预算​

资源预算：

  • 计算资源：5000元/月
  • 存储资源：1000元/月
  • 网络资源：500元/月

API预算：

  • 模型API：3000元/月
  • 第三方API：1000元/月

总预算：10000元/月

预算控制​

预算告警：

  • 预算使用率达到80%时告警
  • 预算使用率达到100%时停止服务

预算优化：

  • 定期分析成本结构
  • 识别优化机会
  • 实施成本优化措施