云中复制的微服务调用率预测比较
分布式、并行与集群计算
2024-01-09 v1 人工智能
机器学习
神经与进化计算
摘要
如今，许多用户在云机器集群上部署基于微服务的应用程序，这些应用程序具有各种互联关系，并受制于由动态用户需求引起的随机变化。为解决这一问题，我们比较了三种机器学习（ML）模型，旨在根据微服务时间预测微服务调用率，从而估算可扩展性需求。我们将线性回归（LR）、多层感知机（MLP）和梯度提升回归（GBR）模型应用于阿里巴巴微服务轨迹数据。预测结果显示，LR 模型的训练时间低于 GBR 和 MLP 模型。然而，与 LR 和 MLP 模型相比，GBR 降低了平均绝对误差和平均绝对百分比误差。此外，预测结果表明，梯度提升模型估算的每个微服务所需的副本数量与无任何预测的实际测试数据非常接近。
引用
@article{arxiv.2401.03319,
title = {Comparison of Microservice Call Rate Predictions for Replication in the Cloud},
author = {Narges Mehran and Arman Haghighi and Pedram Aminharati and Nikolay Nikolov and Ahmet Soylu and Dumitru Roman and Radu Prodan},
journal= {arXiv preprint arXiv:2401.03319},
year = {2024}
}
备注
7 pages, 5 figures, 4 tables