| --- |
| id: offline-compute_MySQL_mysql_006 |
| name: 推理服务流量与资源预测-P90分位数与节假日降级 |
| category: offline-compute/MySQL |
| timeout_seconds: 1800 |
| modality: pure-text |
| engine: mysql |
| --- |
| ## Prompt |
| 我需要你生成一段 MySQL 代码，以20260507为预测基准日，为所有在线推理服务生成未来14天的流量与资源使用量预测数据。预测采用断点检测（CPD）结果之后的历史数据，区分节假日/工作日类型计算P90分位数，当某类型历史数据不足时降级使用另一类型数据，输出10分钟和小时两种时间粒度的预测结果。 |
|
|
| **输入表（全名 + 简要描述）**： |
|
|
| 1. `internal_platform_db.dwm_gputj_platform_gpu_base_feature_agg_v2_mysql_006`（历史特征事实表） |
| 2. `internal_platform_db.dwd_aide_inferencev2_done_service_info_h_mysql_006`（服务信息维表） |
| 3. `internal_platform_db.dwd_gputj_platform_metric_cpd_offline_v2_mysql_006`（断点检测结果表） |
| 4. `internal_platform_db.dim_holiday_list_mysql_006`（节假日维表） |
|
|
| （各表结构与字段含义请自行连接数据库查询确认） |
|
|
| **处理规则**： |
| 1. **数据过滤**：历史特征数据需满足`nv_inference_count_model_avg >= 0`且`agg_type IN (1, 2)`；断点数据需满足`msg = 'success'`；服务名不能为空。 |
| 2. **关联逻辑**： |
| - 生成未来14天所有时间点与服务列表的笛卡尔积。 |
| - 历史特征数据先与断点表内关联（`service_name`相等，`agg_time >= 断点时间`），只保留断点后记录。 |
| - 关联结果再与未来时间点关联，条件为`service_name`相等、`agg_type`相等、时间部分（HH:mm）相等。 |
| - 未来时间点日期和历史记录日期分别左关联节假日表判断日期类型。 |
| - 最终输出前左关联断点表获取`cpd_agg_time`。 |
| 3. **P90计算与降级口径**：按服务、未来时间点、时间粒度分组后： |
| - 组内对各项性能指标取`max`值。 |
| - 标记每条历史记录是否为节假日（1是0否），统计组内总记录数`total`、节假日记录数`feature_holiday_total`，计算工作日记录数`feature_weekday_total = total - feature_holiday_total`。 |
| - 按规则生成排名`r`：排序规则为`(是否为节假日 asc, nv_inference_count_model_avg asc)`。 |
| - **降级逻辑**：预测日为节假日且`feature_holiday_total >=1`时，取`r = CEIL(feature_holiday_total*0.9) + feature_weekday_total`；预测日为节假日但`feature_holiday_total <1`时，降级取`r = CEIL(feature_weekday_total*0.9)`；预测日为工作日且`feature_weekday_total >=1`时，取`r = CEIL(feature_weekday_total*0.9)`；预测日为工作日但`feature_weekday_total <1`时，降级取`r = CEIL(feature_holiday_total*0.9) + feature_weekday_total`。 |
| - 历史时间点数量`statistic_time_count`按降级逻辑取对应的`feature_holiday_total`或`feature_weekday_total`。 |
| 4. **派生字段**：`is_holiday`根据未来时间点日期是否在节假日表判断（1是0否）；`day_of_week`通过`MOD(DATEDIFF(预测日期, '2019-12-30'), 7) + 1`计算；`prediction_type`固定为'request_model_count'。 |
|
|
| **输出要求**： |
| - 目标表：`internal_platform_db.dwm_gputj_platform_model_prediction_long_cpd_mysql_006` |
| - 输出字段顺序：分区时间(YYYYMMDD)、实例UUID、服务名称、工作负载名称、命名空间、预测时间点、时间粒度(1:10分钟，2:小时)、是否节假日、周几、预测模型类型、预估流量(P90)、参与计算的历史时间点个数、请求持续时长均值、队列持续时长均值、排队请求数均值、请求成功率均值、请求失败率均值、单请求持续时长均值、单请求队列时长均值、单请求持续时长P95、单请求队列时长P95、请求成功率最大值、请求失败率最大值、GPU利用率均值、CPU使用率均值、内存使用率均值、GPU显存利用率均值、vGPU利用率均值、断点时间、历史特征总数、历史节假日特征数 |
| - 分区字段`dt`，本次任务分区值为'20260507' |
| - 如果目标表不存在，请在`internal_platform_db`库下按MySQL InnoDB标准建表，再写入数据 |
| - 请使用标准 MySQL 语法，不要使用 Hive/Spark SQL 方言 |
|
|
| **环境与执行说明**： |
| - 你的最终产出必须写入文件 `/tmp_workspace/result.py`，不能写 result.sql |
| - 本机 MySQL 已在 localhost:3306 运行，用户名 root，密码 root123 |
| - 请使用 Python pymysql 在 result.py 中执行 SQL（不要用 mysql 命令行） |
| - 脚本需要包含完整的建表（如目标表不存在）+ 写入数据的逻辑 |
| - 写出 result.py 后，你必须自己执行 `python3 /tmp_workspace/result.py` 验证它能成功运行并产出正确数据 |
|
|
