KNN · 历史相似窗口 | kube-res-foresight

用途与适用负载

寻找与当前窗口相似的历史片段，参考其后续轨迹。适合历史中曾出现过的峰谷形态，不擅长没有历史先例的新变化。

默认互斥窗口时，至少 k×window+1 点；完整预测还至少需要 k×window+horizon 点，并有足够符合时刻限制的候选。

输入应是等间隔、无缺口且数值有限的序列。输出保留输入指标单位，例如 CPU 核、内存字节或每秒请求数；采样步长决定步数对应的真实时间。最低样本数仅表示可运行，不代表预测可靠。

此方法不使用协变量；分别预测各目标指标。

窄屏可左右滑动参数表，查看完整说明。

参数 / 类型	默认值 / 范围 / 单位	含义与使用
`window` int	48 ≥ 2; ≤ 5000; steps	比较窗口长度。
`k` int	5 ≥ 1; ≤ 200	取最相似的几段。
`normalize` string	"relative" relative / none	relative = 窗口除以自身均值后比较，再缩放回当前水平；none = 直接比较原值。
`exclusion` string	"window" window / none	互斥区：window = 选中的 K 段两两至少相隔一个窗口长度，K 段是 K 次不同的事件（所需历史约 K×窗口）；none = 不限制，最像的几段可能只是同一次事件错开几步的副本（版本 2 之前的行为）。
`same_time_of_day` bool	false 无额外范围限制	只比较与当前窗口在同一时刻（UTC 时分）结束的历史窗口，适合形态属于一天中某个时刻的负载；候选变少，需要更长的历史。
`time_tolerance_minutes` int	60 ≥ 0; ≤ 720; minutes	同一时刻的容差，仅 same_time_of_day=true 时使用；跨零点按环形计算。

在“算法管理”编辑参数。以下仅为参数对象，不是 config.yaml 全文；周期示例按 5 分钟采样，需按实际步长调整。未列出的可选参数使用上表默认值。

JSON

{
  "window": 48,
  "k": 5,
  "normalize": "relative",
  "exclusion": "window",
  "same_time_of_day": false
}

window 应覆盖想匹配的形态；k 太大会把不相似片段也混进来。exclusion=window 减少同一次事件重复投票。same_time_of_day 按 UTC 时分比较，启用后应增加历史窗口。

参数 / 类型	默认值 / 范围 / 单位	含义与使用
`reset_on_change` bool	false 无额外范围限制	水平突变后重置：检测历史里最后一次水平突变（发布、扩缩容、流量切换），只用突变之后的历史预测。关闭时用全部历史（现状）。突变之后至少要有 6 步才会被确认；突变后的历史不够算法所需时，取算法所需的最新一段。
`change_threshold` float	8 ≥ 3; ≤ 50	突变阈值：突变幅度（扣除前一段趋势后）超过噪声的多少倍才算，越大越不容易误报，噪声由相邻步变化的稳健标准差估计。仅 reset_on_change=true 时使用。
`change_min_shift` float	0.2 ≥ 0; ≤ 5	最小突变幅度：突变至少是水平的这个比例（0.2 = 20%），很干净的序列上的微小跳变不算。仅 reset_on_change=true 时使用。
`quantile_level` float	0 ≥ 0; ≤ 0.99	推荐分位数：0 = 点预测（现状）；0.9 等 = 预测「实际值有约 90% 的把握不超过」的线（保形预测：用本算法在这个负载最近几个窗口里的真实误差校准，需要更多历史和时间）。必须大于 0.5。
`calibration_windows` int	8 ≥ 3; ≤ 50	校准窗口数：用最近多少个历史窗口测本算法的误差；越多越稳，也越慢（每个窗口多跑一次预测）。仅推荐分位数大于 0 时使用。

quantile_level 是 0～1 的分位点，percentile 是 1～100 的百分数，二者不是同一参数。分位校准会额外运行历史预测；增加校准窗口前检查历史与运行预算，覆盖率是评估目标而非保证。

历史不足、参数不合法、运行超时或输出无效时，检查算法运行原因；没有合格预测时按模块的固定周期、兜底与保护规则处理。