Перейти к основному содержанию

​
Введение

Автоматическое масштабирование ресурсов базы данных требует тщательного баланса: слишком медленное увеличение ресурсов может привести к ухудшению производительности, а слишком агрессивное уменьшение — вызвать постоянные колебания. ClickHouse Cloud позволяет быстрее уменьшать ресурсы, сводить к минимуму колебания масштабирования и существенно снижать затраты на инфраструктуру при переменной рабочей нагрузке, сохраняя при этом стабильность, необходимую для баз данных в продакшне, за счет сочетания двухоконного механизма рекомендаций с системой рекомендаций по CPU на основе отслеживания целевого значения.

​
Масштабирование на основе CPU

Масштабирование CPU основано на методе отслеживания целевого значения, который рассчитывает, какой объем CPU нужно выделить, чтобы поддерживать загрузку на целевом уровне. Масштабирование запускается только в том случае, если текущая загрузка CPU выходит за пределы заданного диапазона: Рекомендатель оценивает загрузку CPU на основе исторических данных и определяет рекомендуемый объем CPU по следующей формуле:
Если загрузка CPU составляет от 37.5% до 75% от выделенной мощности, никаких действий по масштабированию не предпринимается. За пределами этого диапазона рекомендатель точно рассчитывает, сколько ресурсов нужно, чтобы вернуть загрузку к 53%, и сервис масштабируется соответствующим образом.

​
Пример

Для сервиса выделено 4 vCPU, и в какой-то момент потребление возрастает до 3.8 vCPU (~95% утилизации), превышая верхний порог в 75%. Рекомендатель вычисляет: 3.8 / 0.53 ≈ 7.2 vCPU, а затем округляет результат вверх до следующего доступного размера (8 vCPU). Когда нагрузка снижается и потребление опускается ниже 37.5% (1.5 vCPU), рекомендатель пропорционально уменьшает выделенные ресурсы.

​
Рекомендации на основе памяти

ClickHouse Cloud автоматически рекомендует объем памяти на основе фактического характера использования вашего сервиса. Рекомендатель анализирует использование в окне ретроспективного анализа и добавляет запас ресурсов, чтобы справляться со всплесками нагрузки и предотвращать ошибки нехватки памяти (OOM). Рекомендатель учитывает три сигнала:
  • Память запросов: пиковое потребление памяти во время выполнения запроса
  • Резидентная память: пиковый объем памяти, используемый процессом в целом
  • События OOM: возникала ли недавно нехватка памяти у запросов или реплик

​
Как рассчитывается запас ресурсов

Для памяти запросов и резидентной памяти объём добавляемого запаса ресурсов зависит от того, насколько предсказуем характер использования:
  • Стабильная нагрузка (низкая вариативность): множитель 1.25x — больший запас ресурсов, поскольку использование стабильно и резкие всплески маловероятны
  • Пиковая нагрузка (высокая вариативность): множитель 1.1x — меньший запас ресурсов, чтобы избежать избыточного выделения ресурсов для рабочих нагрузок, которые и без того сильно колеблются
Если обнаруживаются события OOM, рекомендатель применяет более агрессивный множитель 1.5x, чтобы у сервиса было достаточно памяти для восстановления.

​
Итоговая рекомендация

Система берёт максимальное значение по всем сигналам:

​
Двухоконный рекомендатель

Вместо одного окна ClickHouse Cloud использует два окна ретроспективного анализа с разными временными диапазонами:
  • Малое окно (3 часа): отражает недавние паттерны использования и позволяет быстрее уменьшать масштаб
  • Большое окно (30 часов): гарантирует, что масштаб будет увеличен за один шаг до максимального уровня использования, наблюдавшегося в более длинном окне ретроспективного анализа, а не через несколько постепенных увеличений. Это критично, поскольку масштабирование требует времени и сбрасывает локальные кэши; поэтому безопаснее увеличивать масштаб сразу за один шаг.
Каждое окно независимо формирует рекомендацию на основе анализа памяти и CPU. Затем система объединяет эти рекомендации в зависимости от того, какое направление масштабирования предлагает каждое окно, как показано на рисунке ниже: Подробный разбор проектных решений, лежащих в основе рекомендателя, см. в статье “Более интеллектуальное автомасштабирование для ClickHouse: двухоконный подход ”
Последнее изменение 12 июня 2026 г.