Decider машинного обучения

И num_anomaly_jobs_in_queue, и num_analytics_jobs_in_queue предназначены для задержки масштабирования вверх. Если кластер слишком мал, эти параметры указывают, сколько задач каждого типа можно перераспределить с узла. Оба параметра учитываются только для задач, которые можно открыть при текущем масштабе. Если задача слишком велика для любого размера узла или если задачу нельзя назначить без вмешательства пользователя (например, пользователь вызвал _stop для задачи реального времени по обнаружению аномалий), эти значения игнорируются для этой конкретной задачи.

В этом примере создается политика автомасштабирования под названием my_autoscaling_policy, которая переопределяет настройки decider машинного обучения по умолчанию.

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 возвращает следующий результат:

{
  "acknowledged": true
}