Fremer：面向云服务工作负载预测的轻量级高效频率 Transformer

工作负载预测是云服务应用中的关键环节，如自动扩缩容和调度，关乎运营效率。虽然 Transformer-based 预测模型在通用任务中表现卓越，但其计算效率往往难以满足大规模云环境的严苛要求。鉴于大多数工作负载时序序列都呈现复杂的周期性模式，在频域中处理这些模式具有显著优势。为此，我们提出了 Fremer——一个高效且有效的深度预测模型。Fremer 满足三个关键需求：其计算效率卓越，超越大多数基于 Transformer 的预测模型；准确率卓越，超越所有最先进（SOTA）模型；对多周期时序序列具有稳健的预测性能。此外，我们收集并开源了四套高质量的开源工作负载数据集，来自字节跳动的云服务，涵盖数千台计算实例的工作负载数据。在我们的专有数据集和公开基准上的大量实验表明，Fremer 持续优于基线模型，在 MSE 上平均提升 5.5%，MAE 上提升 4.7%，SMAPE 上提升 8.6%，同时显著降低参数规模和计算成本。此外，在基于 Kubernetes 的主动自动扩缩容测试中，Fremer 将平均延迟降低 18.78%，资源消耗降低 2.35%，充分展示了其在实际应用中的实际效能。