自动缩放决策器

自动缩放反应性存储决策器（reactive_storage）计算容纳当前数据集所需的存储量。当现有容量已超出时，它会发出信号表示需要额外的存储容量（反应性地）。

反应式存储决策器已为所有管理数据节点的策略启用，并且没有配置选项。

决策者部分依赖于使用数据层偏好 分配，而不是节点属性。特别是，扩展数据层以使其存在（启动层中的第一个节点）将导致在没有使用基于数据层偏好的分配的情况下，启动任何空数据层中的节点。 使用ILM迁移操作在层之间迁移是分配到层的优选方式，并且完全支持扩展层以使其存在。

主动存储决策器（proactive_storage）计算包含当前数据集加上预期额外数据所需的存储量。

主动存储决策器已为所有管理具有data_hot角色的节点的策略启用。

预期额外数据的估计基于过去在 forecast_window 内发生的索引。 只有索引到数据流才会对估计产生贡献。

PUT /_autoscaling/policy/my_autoscaling_policy
{
  "roles" : [ "data_hot" ],
  "deciders": {
    "proactive_storage": {
      "forecast_window": "10m"
    }
  }
}

{
  "acknowledged": true
}

冻结分片自动缩放决策器（frozen_shards）计算搜索冻结层中当前部分挂载索引集所需的内存。根据每个分片所需的内存量，它计算冻结层中所需的内存。

冻结存储自动缩放决策器（frozen_storage）根据当前部分挂载索引的总数据集大小的百分比，计算搜索这些索引所需的本地存储。当现有容量小于总数据集大小的百分比乘积时，它会发出需要额外存储容量的信号。

冻结存储决策器已启用，适用于所有管理冻结数据节点的策略，并且没有配置选项。

冻结存在决策器（frozen_existence）确保一旦第一个索引进入冻结ILM阶段，冻结层就会被扩展到存在状态。

冻结存在判定器已为所有管理冻结数据节点的策略启用，并且没有配置选项。

自动缩放机器学习决策器（ml）计算运行机器学习作业和训练模型的内存和CPU需求。

机器学习决策器已启用，用于管理ml节点的策略。

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"
    }
  }
}

{
  "acknowledged": true
}

自动缩放 fixed 决策器会返回一个固定的所需容量。它默认情况下未启用，但可以通过显式配置在任何策略中启用。

PUT /_autoscaling/policy/my_autoscaling_policy
{
  "roles" : [ "data_hot" ],
  "deciders": {
    "fixed": {
      "storage": "1tb",
      "memory": "32gb",
      "processors": 2.3,
      "nodes": 8
    }
  }
}

{
  "acknowledged": true
}