Detrás de cada like, cada video que se carga al instante y cada recomendación en tu feed, hay una decisión logística invisible: ¿en qué servidor corre esta tarea? ¿A qué centro de datos va este tráfico? ¿Qué rack aloja esta máquina? Durante más de nueve años, Meta ha resuelto estos rompecabezas de asignación masiva con una herramienta interna llamada Rebalancer. Hoy, en un movimiento que sacude el ecosistema de software de infraestructura, la empresa ha decidido liberar todo su código bajo la licencia Apache 2.0.
El motor que mueve la hiperescala
Rebalancer no es un juguete teórico. Es un solucionador de problemas de asignación escrito en C++ (con interfaz Python) que, según los datos compartidos por Meta, procesa alrededor de 40 millones de problemas de colocación al día. Su función es decidir qué objetos van en qué “contenedores” (bins) respetando restricciones y optimizando objetivos. En la práctica, esto se traduce en asignar tareas a servidores, servidores a servicios, tráfico de usuarios a regiones y hasta tickets de soporte a ingenieros, todo de manera automatizada y óptima.
El gran dolor de cabeza que Rebalancer viene a aliviar es doble: la usabilidad y la escalabilidad. Convertir políticas de negocio en fórmulas matemáticas precisas es complejo para los ingenieros, y muchos de estos problemas son NP-hard, es decir, computacionalmente intratables a gran escala para solucionadores comerciales tradicionales. La respuesta de Meta fue ingeniosa: separar radicalmente la especificación del problema de su solución.
Especificar con lenguaje, resolver con dos motores
La capa de especificación de Rebalancer es un lenguaje de modelado con tres niveles. Permite definir dimensiones (como CPU o almacenamiento), particiones, alcances (scopes) y utilizar una API de expresiones para agregar o transformar valores. Sobre eso, una API de especificación ofrece docenas de objetivos y restricciones predefinidas.
Una vez compilada la especificación en un grafo de expresiones, Rebalancer ofrece dos solucionadores:
- Solucionador óptimo (MIP): Traduce el grafo a un programa de enteros mixtos para motores como Gurobi, FICO Xpress o HiGHS. Ideal para problemas pequeños o medianos, o para prototipado.
- Búsqueda local: El caballo de batalla para los problemas masivos. Opera directamente sobre el grafo, explorando movimientos de objetos entre contenedores con una evaluación paralelizada que alcanza millones de evaluaciones por segundo. Meta lo usa para casi todos sus problemas grandes.
Los números de producción hablan por sí solos: un tiempo de resolución P99 de 12 segundos para problemas con 265 mil objetos y 3.200 contenedores. Para problemas monstruosos de más de 1 millón de objetos y 5.000 contenedores, el promedio es de 171 segundos.
¿Por qué importa que sea open source?
La liberación incluye no solo la biblioteca, sino también un paquete PyPI (pip install rebalancer), paquetes .deb, .rpm, para Homebrew, y una herramienta clave: el Rebalancer Explorer. Esta UI Dockerizada fue creada para depurar el comportamiento del solucionador, mostrando qué restricciones son críticas y por qué un objeto terminó en un contenedor específico, algo que según Meta consumía la mayor parte del tiempo de sus modeladores.
Comparado con alternativas open source maduras como Google OR-Tools o Timefold Solver, el edge de Rebalancer está en su enfoque hiperespecializado en problemas de asignación pura (objetos a contenedores) y en su arquitectura dual (búsqueda local + MIP) para la misma especificación. No es una navaja suiza, es un bisturí de alta precisión para un tipo de corte muy específico y masivo.
Para cualquier equipo que enfrente desafíos de colocación de shards, balanceo de carga en clusters, distribución de tráfico geográfico o incluso asignación operativa de recursos físicos (como salas o escritorios), Rebalancer deja de ser un secreto de Meta para convertirse en una opción concreta, probada a escala extrema y lista para implementar.
Enlaces y contenido relacionado