为未知做好准备：使 AIOps 容量预测模型适应数据变化
软件工程
2025-10-14 v1 人工智能
摘要
容量管理对于软件组织有效分配资源并满足运营需求至关重要。容量管理中的一个重要步骤是预测未来的资源需求，这通常依赖于数据驱动的分析与机器学习（ML）预测模型，而随着数据演变，这些模型需要频繁重训以保持相关性。持续重训预测模型可能成本高昂且难以扩展，这为负责在准确性与效率之间取得平衡的工程团队带来了挑战。仅在数据发生变化时进行重训似乎是计算上更为高效的替代方案，但其对准确性的影响仍需进一步研究。在本工作中，我们研究了基于检测到的数据变化对时间序列容量预测模型进行重训相较于周期性重训的效果。我们的结果表明，在大多数情况下，基于漂移的重训能够达到与周期性重训相当的预测精度，使其成为一种具有成本效益的策略。然而，在数据快速变化的情形下，周期性重训仍是最大化预测精度的首选。这些发现为软件团队提供了可操作的洞见，以增强预测系统，在保持稳健性能的同时降低重训开销。
引用
@article{arxiv.2510.10320,
title = {Prepared for the Unknown: Adapting AIOps Capacity Forecasting Models to Data Changes},
author = {Lorena Poenaru-Olaru and Wouter van 't Hof and Adrian Stando and Arkadiusz P. Trawinski and Eileen Kapel and Jan S. Rellermeyer and Luis Cruz and Arie van Deursen},
journal= {arXiv preprint arXiv:2510.10320},
year = {2025}
}