基于可排空约束的多租户 GPU 云平台定价与扩容 Stackelberg 游戏框架

现代 Graphics Processing Unit (GPU) 加速的服务必须在满足严格延迟服务水平目标 (SLO) 的同时控制闲置容量成本。在多租户 GPU 云平台中，这一权衡 inherently 动态地变化，因为工作负载需求是内生的；具体而言，定价塑造了异构租户的提交行为，进而影响拥堵和延迟。我们将联合定价与扩容问题形式化为一个大规模群体 Stackelberg 游戏问题，并推导出显式的均衡需求映射。 resulting closed-loop 模型揭示了一种结构性失效模式，即对延迟不敏感的工作负载维持残余需求底部，使得在受限价格和服务容量下，该背日志无法被排空。这一观察促使我们提出一种可计算的排可达约束， certifies 在残余需求 regime 下均匀负漂移。对于任何固定的价格-容量组合满足排可达约束，我们建立唯一的运行点，并在可检查的步长条件下实现对其的全局收敛。基于这一固定配对分析，我们进一步开发了一个针对完整动态问题的 optimizer-agnostic action shield，并通过实验表明，它在该设置下改善了基于模型的强化学习 (RL) 的安全性和鲁棒性。