Using the Gini Coefficient to Plan Edge Capacity

摘要

文章讲 Fastly 在边缘容量规划中引入经济学中的基尼系数，用它衡量不同客户 / 工作负载之间的流量集中程度（不平等程度）。作者发现，在重大事件（如游戏发布、直播等）中，少数流量源会主导整体流量，这种 “集中度” 直接影响缓存命中率与 CPU 效率，比传统 ML 特征更关键。 在实践中，他们用基于基尼系数（并做平方根缩放）的模型预测前端缓存命中率，再结合流量、请求率和 Compute 负载，通过每个 POP 的稳健回归模型预测 CPU 使用情况。相比 AutoML、神经网络等复杂方法，这种模型更简单、可解释且对极端容量场景更稳定。 最终容量规划不再只是预测单一数值，而是通过 “场景缩放 + CPU 阈值搜索” 来计算不同假设下的 headroom，并明确网络与计算瓶颈。同时，他们用季节性 naive 方法定义 “正常流量基线”，用于避免异常事件干扰规划判断。整体结论是：刻画流量结构（尤其是集中度）的简单特征，比复杂模型更能捕捉边缘系统在关键时刻的真实行为。