Rebalancer

Meta 正式开源 Rebalancer，一款C++编写、附带Python接口的分配求解库，用来解决带约束条件的“对象装箱”资源分配问题。这个工具已经在Meta内部生产环境稳定运行超过9年，每日处理约4000万个放置问题，本次采用Apache 2.0协议发布，配套文档、PyPI安装包，还有Docker打包的Web调试工具Rebalancer Explorer。

项目可以直接通过pip install rebalancer部署，当前版本v1.0.4，支持Python3.12及以上，提供Linux x86-64、macOS14+ ARM64预编译包，同时提供deb、rpm、Homebrew安装包；PyPI上项目标记为Alpha版本，适合技术评估与原型开发。

在数据中心场景里，任务分配服务器、分片部署、流量跨机房调度，都属于这类分配问题。这类问题大多是NP难，规模一旦拉满，传统商用求解器算力开销巨大，而且业务策略很难直接转成数学公式。Rebalancer的核心设计思路，业务问题描述与底层求解算法解耦，整套架构细节收录在OSDI 2024论文《Optimizing Resource Allocation in Hyperscale Datacenters》。

建模分为三层规范语言：基础建模构造用来定义CPU、存储这类资源维度，划分对象组与服务器/机架作用域；表达式API支持SUM、MAX、SQUARE等运算做指标聚合；规范API内置数十种预定义目标与约束。开发者只需要描述业务规则，工具自动编译成有向无环表达式图，再选用两套求解引擎。

最优求解器将图转化为混合整数规划模型，对接Xpress、Gurobi、HiGHS求解器，适合中小型问题，多用于前期原型验证；局部搜索求解器直接在表达式图上搜索候选方案，并行评估，每秒可达数百万次评估，Meta绝大多数超大集群调度任务都依赖这套局部搜索。

生产实测数据

• 每日求解约4000万分配任务，覆盖30余种业务模型
• 26.5万对象、3200个箱场景，P99求解耗时12秒
• 超百万对象、5000个箱场景，多次运行平均耗时171秒

适用场景不止云原生集群调度。可以用于容器、分片在服务器上的放置，跨区域流量、AI训练任务负载均衡；也可以落地到非基础设施场景：工单分配工程师、会议室预约、工位人员匹配等排班分配需求。

配套的Rebalancer Explorer可视化UI专门用于排障，能够直观查看约束条件、松弛效果，定位每个对象分配到对应“容器”的原因，大幅降低复杂约束场景的调试成本。

对比同类开源方案，OR-Tools覆盖更多优化问题品类，Timefold Solver面向JVM生态的排班与路由场景。Rebalancer最大特色就是同一套业务约束规范，可无缝切换局部搜索与MIP精确求解，在超大规模资源装箱场景针对性更强。

要点小结

1. 项目背景：Meta Rebalancer，C++内核+Python接口，Apache2.0开源，内部9年生产验证
2. 双求解架构：MIP精确求解适合中小案例；并行局部搜索，支撑百万级对象的大规模调度
3. 部署便捷：支持pip一键安装，多平台预编译包，Docker可视化调试UI
4. 适用场景：云集群任务放置、跨区域流量均衡、工单/会议室/工位等各类资源分配
5. 核心亮点：业务描述与求解器解耦，同一套规则可以在两种求解引擎上复用