Meta 把内部用了九年多的分配问题求解器 Rebalancer 开源了，Apache 2.0 协议，C++ 核心，Python 接口，PyPI 上直接能装。这不是玩具项目——它现在每天要在 Meta 的基础设施里解大约 4000 万个分配问题，覆盖 30 多种不同的建模方式。配套论文《Optimizing Resource Allocation in Hyperscale Datacenters》发表在 OSDI'24。

分配问题到底是什么

一句话：给定一组对象和一组箱子（bin），怎么把对象放进箱子，在满足一组约束的同时把某个目标做到最好。

在 Meta 的基础设施栈里无处不在：机架摆进数据中心（优化电力故障域分布、遵守供电散热上限）、服务器分给服务（兼顾容错与装箱效率）、任务落到服务器（遵守 CPU 内存限制）、数十亿用户的流量引到地理分散的数据中心（优化延迟与负载）。

做可复用框架的难处有两道。一是可用性：工程师脑子里装的是业务策略，不是目标函数和约束矩阵，翻译成严谨数学表达的成本极高。二是可扩展性：这类问题本质 NP-hard，规模一大商业求解器直接算不动。Rebalancer 的解法是把「怎么描述问题」和「怎么求解」彻底拆开。

描述这一侧：三层抽象

第一层是基本构件：dimension（对象与箱子的现实属性，如 CPU、内存、存储、功耗）、partition（对象分组）、scope（箱子分组，如一个机架里的服务器）、utilization（被分配对象产生或消耗的贡献）。第二层是表达式接口：多个箱子的利用率可以用 SUM、MAX 聚合，用 SQUARE、ABS 变换，并支持递归嵌套。第三层是高层 spec API：CapacitySpec 管容量上限，GroupCountSpec 管分组怎么散开，BalanceSpec 表达均衡目标，每个 spec 相当于一个预定义配方，吃进去构件和参数、吐出一个数学公式。

求解这一侧：一图两路

描述完，Rebalancer 把它编译成一张有向无环图，叫表达式图：叶子是某个箱子的利用率，上层是 Max、Sum 这类聚合节点和 Square、Abs 这类变换节点。每个节点的值都依赖当前分配，动一下就得重算——求解器效率几乎决定了整个东西能不能用。

最优求解器（MIP）：把表达式图翻译成混合整数规划，交给 FICO Xpress、Gurobi 或开源 HiGHS。翻译时用二元决策变量表示「对象是否被分到这个箱子」，几十万对象乘几千箱子规模会很恐怖。Rebalancer 会自动用变量聚合、可交换性分析和对称性破缺压缩，但最坏规模仍是二次的 O(|对象| × |箱子|)——Meta 最大的那批问题，任何 MIP 求解器都装不下。

局部搜索求解器：直接在表达式图上操作，把对象挪到另一个箱子来探索邻域，最坏规模是线性的 O(|对象| + |箱子|)，再大的问题也不爆内存。每次移动生成一个候选分配，评估后挑那个不违反约束且目标改善最大的应用，反复迭代直到没进展或超时。这套算法被重度并行化，每秒能完成数百万次评估，还懂得从一开始就剪枝。

选哪条路看需求：Meta 内部几乎所有大规模问题都用局部搜索，中小规模常用最优求解器。常见做法是先用最优求解器做原型、确定基线解，再迁移到局部搜索。

规模数据

Meta 每天约解 4000 万个分配问题，30 多种独特建模，平均每秒约 463 次求解；26.5 万对象、3200 个箱子的问题 P99 求解 12 秒，超过 100 万对象、5000 个箱子的平均 171 秒，这类运行每天超过 3400 次。核心求解器 C++ 编写，单进程多线程并行，约 100 万对象和容器规模表现良好。

作为参照，26.5 万对象放进 3200 个箱子，可能的分配数是 3200 的 26.5 万次方，写出来接近 92.9 万位数字。所以现实中没有系统真去枚举，区别只在于你的启发式是写成模型，还是埋在一段循环里。

上手与调试

官方 Quick Example 是四个任务两台主机，host0 挤了三个、host1 一个，加一条内存容量约束，让 Rebalancer 找出 2-2 的均衡分配。核心调用依次是 set_object_name("task")、set_container_name("host")、set_assignment({...})、add_object_dimension("memory", {...})、add_container_dimension("memory", {}, default_value=20.0)，再挂上 CapacitySpec 约束和 LocalSearchSolverSpec，最后 solver.solve()。其中 set_assignment 是关键：喂进去现有分配，它才叫「再均衡」，也是后面做抖动控制的挂钩。

安装方面 pip install rebalancer 即可，仓库另提供 Debian 包和 Homebrew formula，源码编译支持 Ubuntu、macOS、Fedora。要用最优求解模式需另配 HiGHS、Gurobi 或 FICO Xpress 之一（后两个商业许可）。

建模变简单之后，Meta 发现工程师的时间大头转向了调试求解器行为：哪些约束是紧约束、放宽某个约束会怎样、为什么这个对象进了这个箱子。随开源一起发布的 Rebalancer Explorer 就是干这个的——一个 Docker 化的 Web UI，可浏览对象、容器、约束和目标，看某个解在这些维度上的得分。从仓库根目录 docker compose up --build 再打开 http://localhost:3000 就能用，里面预置了 sudoku、eightqueens 等示例问题包。

不只是机房

在 Meta 内部，它支撑了 Shard Manager（分片分给服务器）、RAS（服务器分给服务）、Taiji（全球边缘流量路由到主数据中心）、无服务器函数分组提局部性、跨地域均衡在线 ML 训练负载等场景，也被拿去解非基础设施问题：会议分到会议室以缩短通勤、支持工单分给工程师、优化工位摆放。

Meta 在公告里明确说，分配问题在医疗、能源与公用事业、交通运输物流、教育、应急响应等领域同样大量存在，而他们自己不具备把这些领域落地的能力，「但我们希望其他人具备，并且会去应用」。

项目地址：https://github.com/facebook/rebalancer 文档：https://facebook.github.io/rebalancer/ PyPI：https://pypi.org/project/rebalancer 来源：Meta Engineering 官方博客「Open-Sourcing Rebalancer: A Generic, High-Performance Library for Solving Assignment Problems」