应用性能管理监控平台是京东面向内部的智能运维平台,它负责对微服务架构下所有的应用进行监控和分析,从而保障系统的正常运行,使用户能够得到高质量的服务,使研发人员能随时随地通过平台看到业务、性能、组件、基础服务等多维度的监控信息,以便快速了解相关业务的运行状况并及时作出调整。京东作为电商平台,面对大促期间的流量高峰,对部分核心业务的扩容以及非核心应用的容量降级是应用性能管理平台所具备的重要功能,所以对系统未来运行状态各类资源消耗指标进行预测是该功能最关键的部分。以往依靠运维经验进行人工的扩缩容需要耗费太多的人力并且由于人工预估精度不高往往需要二次扩容、二次降级等。而相比传统方法基于机器学习的预测模型具有适应能力强的特点。论文将机器学习模型贴合业务需求应用到平台中的系统资源消耗指标预测功能上,并且构建了业务容量管控子系统。在论文中首先阐述了背景知识和相关技术,之后结合应用性能管理监控平台的整体架构,介绍了业务容量管控子系统在整个平台的位置和工作场景,并分析了业务容量管控子系统的具体需求,总结出系统所具备的功能点。在后面系统的设计和实现部分,将整个子系统分为四个模块,即数据处理模块、应用分类模块、容量预估模块、扩缩容模块。在对系统整体概述之后又并分别从应用场景、算法设计、算法实现、算法效果对比、算法关键代码、前端界面等多个维度详细说明各个模块的实现。论文面对业务容量管控流程中不同的需求点结合不同的机器学习算法分别建立了不同的机器学习模型。从数据的预处理到应用的分类,再到应用的容量资源消耗水平预估,每一个关键步骤都是在严密结合业务场景下建立的模型。应用孤立森林算法对日常监控数据中的噪点进行识别清除;采用滑动窗口构建不同时间粒度下的时序数据;应用传统的聚类算法对核心应用进行分类;应用线性回归算法和LSTM（Long-Short Memory Network,长短期记忆神经网络）算法建立业务容量预估模型;得到预估值后结合多维度的扩缩容策略对不同的业务进行精准的扩缩容。自上线以来,经历双11大促的高峰流量考验,系统运行状态良好。双11期间据统计,准确的容量预估结合全面的扩缩容策略为公司节省了近万核机器资源并且解放了大促期间扩缩容方面的人力。大大提高了运维效率,达到了企业对智能运维的基本需求。