分散モード
配分ポリシーを作成する場合、次のいずれかの配分モードを指定して、ワーカーにジョブを配分するときに使用する戦略を定義します。
ラウンド ロビン モード
ジョブは、利用可能な各ワーカーが順番にジョブを受け取れるように、循環的に配分されます。
最長アイドル モード
ジョブは、最も使用率が低いワーカーから配布されます。 順位が同じ場合は、より長い時間利用可能となっているワーカーを選択します。 使用率は、次のアルゴリズムにより、Load Ratio のように計算されます。
負荷率 = ワーカーに割り当てられるすべてのジョブによって消費される能力の集計/ ワーカーの合計能力
例
各 chat ジョブはワーカーごとに 1 能力を消費するように構成されていると仮定します。 新しいチャット ジョブが Job Router のキューに登録されており、次のワーカーたちがジョブの受け取りが可能です。
Worker A:
Capacity = 5
ConsumedScore = 3 (Currently handling 3 chats)
LoadRatio = 3 / 5 = 0.6
LastAvailable: 5 mins ago
Worker B:
Capacity = 4
ConsumedScore = 3 (Currently handling 3 chats)
LoadRatio = 3 / 4 = 0.75
LastAvailable: 3 min ago
Worker C:
Capacity = 5
ConsumedScore = 3 (Currently handling 3 chats)
LoadRatio = 3 / 5 = 0.6
LastAvailable: 7 min ago
Worker D:
Capacity = 3
ConsumedScore = 0 (Currently idle)
LoadRatio = 0 / 4 = 0
LastAvailable: 2 min ago
Workers would be matched in order: D, C, A, B
Worker D は最も低い負荷率 (0) であるため、Worker D に最初にジョブがオファーされます。 Worker A と C は、同じ負荷率 (0.6) です。 ただし、Worker C は Worker A (5 分前から) よりも長い時間 (7 分前から) 利用可能となっているため、Worker C が Worker A の前に照合されます。最後に、Worker B は最も高い負荷率 (0.75) であるため、最後に照合します。
最適ワーカー モード
そのジョブを最も良く処理できるワーカーが最初に選ばれます。 ワーカーをランク付けするロジックはカスタマイズ可能で、式や Azure 関数を使用して、指定した Scoring Rule で 2 人のワーカーを比較します。 例を参照してください
Scoring Rule が指定されていない場合、この配分モードでは、代わりに既定のスコアリング メソッドが使用されます。これは、ジョブのラベルおよびセレクターとワーカーのラベルとの適合率に基づいてワーカーを評価します。 このアルゴリズムの概要を次に示します。
既定のラベル照合
ジョブのラベルに基づいてスコアを計算するために、対応するジョブのラベルと適合するすべてのワーカー ラベルごとに Match Score を 1 ずつ増やし、ジョブのラベルの合計数で除算します。 つまり、適合するラベルが多いほど、ワーカーの Match Score は高くなります。 最後の Match Score は常に 0 から 1 の間の値になります。
例
ジョブ 1:
{
"labels": {
{ "language": "english" },
{ "department": "sales" }
}
}
Worker A:
{
"labels": {
{ "language": "english" },
{ "department": "sales" }
}
}
Worker B:
{
"labels": {
{ "language": "english" }
}
}
Worker C:
{
"labels": {
{ "language": "english" },
{ "department": "support" }
}
}
計算:
Worker A's match score = 1 (for matching english language label) + 1 (for matching department sales label) / 2 (total number of labels) = 1
Worker B's match score = 1 (for matching english language label) / 2 (total number of labels) = 0.5
Worker C's match score = 1 (for matching english language label) / 2 (total number of labels) = 0.5
Worker A が最初に照合されます。 次に、マッチ スコアが同順位のため、Worker B か Worker C の、より長い時間、利用可能だった方が照合されます。
既定のワーカー セレクター照合
ジョブにワーカー セレクターも含まれている場合、ワーカー セレクターの LabelOperator に基づいて Match Score を計算します。
等価/不等価 ラベル演算子
ワーカー セレクターに LabelOperatorEqualまたはNotEqual がある場合、上記の Label Matching と同様の方法で、そのワーカー セレクターに適合するジョブ ラベルごとにスコアを 1 ずつ増やします。
例
ジョブ 2:
{
"workerSelectors": [
{ "key": "department", "labelOperator": "equals", "value": "billing" },
{ "key": "segment", "labelOperator": "notEquals", "department": "vip" }
]
}
Worker D:
{
"labels": {
{ "department": "billing" },
{ "segment": "vip" }
}
}
Worker E:
{
"labels": {
{ "department": "billing" }
}
}
Worker F:
{
"labels": {
{ "department": "sales" },
{ "segment": "new" }
}
}
計算:
Worker D's match score = 1 (for matching department selector) / 2 (total number of worker selectors) = 0.5
Worker E's match score = 1 (for matching department selector) + 1 (for matching segment not equal to vip) / 2 (total number of worker selectors) = 1
Worker F's match score = 1 (for segment not equal to vip) / 2 (total number of labels) = 0.5
Worker E が最初に照合されます。 次に、マッチ スコアが同順位のため、Worker D か Worker F の、より長い時間、利用可能だった方が照合されます。
その他のラベル演算子
大きさの比較を行う演算子 (GreaterThan/GreaterThanEqual/LessThan/LessThanEqual) を使用するワーカー セレクターの場合は、ロジスティック関数を使用して計算された量ずつ、ワーカーの Match Score を増やします (図 1 を参照)。 この計算は、ワーカーのラベル値がワーカー セレクターの値をどれだけ超えているか、ワーカー セレクターの値を超えていない場合は差がより小さいかに基づいています。 したがって、ワーカーの値がワーカー セレクター値を超えているほど、その程度が大きい分だけ、ワーカーのスコアが高くなります。
図 1. ロジスティック関数
GreaterThan 演算子または GreaterThanEqual 演算子には、次の関数が使用されます。
MatchScore(x) = 1 / (1 + e^(-x)) where x = (labelValue - selectorValue) / selectorValue
LessThan 演算子または LessThanEqual 演算子には、次の関数が使用されます。
MatchScore(x) = 1 / (1 + e^(-x)) where x = (selectorValue - labelValue) / selectorValue
例
ジョブ 3:
{
"workerSelectors": [
{ "key": "language", "operator": "equals", "value": "french" },
{ "key": "sales", "operator": "greaterThanEqual", "value": 10 },
{ "key": "cost", "operator": "lessThanEqual", "value": 10 }
]
}
Worker G:
{
"labels": {
{ "language": "french" },
{ "sales": 10 },
{ "cost": 10 }
}
}
Worker H:
{
"labels": {
{ "language": "french" },
{ "sales": 15 },
{ "cost": 10 }
}
}
Worker I:
{
"labels": {
{ "language": "french" },
{ "sales": 10 },
{ "cost": 9 }
}
}
計算:
Worker G's match score = (1 + 1 / (1 + e^-((10 - 10) / 10)) + 1 / (1 + e^-((10 - 10) / 10))) / 3 = 0.667
Worker H's match score = (1 + 1 / (1 + e^-((15 - 10) / 10)) + 1 / (1 + e^-((10 - 10) / 10))) / 3 = 0.707
Worker I's match score = (1 + 1 / (1 + e^-((10 - 10) / 10)) + 1 / (1 + e^-((10 - 9) / 10))) / 3 = 0.675
3 人のワーカーはすべて、ジョブのワーカー セレクターに適合しており、このジョブを作業する資格があります。 ただし、Worker H は "sales" ワーカー セレクター値より、 5 高いことがわかります。 一方、Worker I は cost ワーカー セレクター値を 1 だけ超えています。 Worker G は、どのワーカー セレクター値もまったく超えていません。 したがって、Worker H を最初に照合し、次に Worker I、最後に Worker G を照合します。