BASE：通过堆叠集成实现突发自适应自动缩放，确保SLO和成本效率
软件工程
2026-03-03 v2
摘要
自动缩放是一种无需人工干预即可自动为应用程序扩展资源的技术，以确保运行时服务质量同时降低成本。然而，面向用户的云应用程序服务于动态工作负载，这些工作负载经常表现出可变性并包含突发，给自动缩放带来了在服务等级目标内维持服务质量的挑战。保守策略存在过度配置的风险，而激进策略可能导致SLO违规，这使得设计有效的自动缩放更加困难。本文介绍了BASE，一个突发自适应自动缩放框架，它利用机器学习模型的堆叠集成来减少SLO违规并降低在时变工作负载下运行的容器化服务和应用程序的成本。BASE包含一种新颖的基于预测的突发检测机制，该机制区分可预测的工作负载峰值和实际不确定的突发。当检测到突发时，BASE适当地高估它们并相应分配资源，以应对资源需求的快速增长。另一方面，BASE采用强化学习来纠正资源估计中的潜在不准确性，从而在非突发期间实现更精确的资源分配。在十个真实工作负载上的实验证明了BASE的有效性，与其他显著方法相比，它在降低资源成本的同时显著减少了SLO违规。
引用
@article{arxiv.2402.12962,
title = {BASE: Burst-Adaptive Autoscaling via Stacked Ensembles for SLO Assurance and Cost Efficiency},
author = {Chunyang Meng and Haogang Tong and Tianyang Wu and Maolin Pan and Yang Yu and Yi Jiang},
journal= {arXiv preprint arXiv:2402.12962},
year = {2026}
}
备注
To be published in the IEEE Transactions on Services Computing