基于图神经网络和满足模态理论的云应用部署神经符号约束优化

本文提出一种新型混合神经符号框架，用于在云环境中对基于组件的应用程序进行最优且可扩展的部署。将将应用程序组件映射到云提供商中不同 VM 选项的虚拟机（VM）上的挑战形式化为受一般约束和特定于应用程序约束的约束优化问题（COP）。由于精确求解器的 NP-hard 性质和可扩展性限制，我们引入一种基于机器学习的方法，其中图神经网络（GNN）在小规模部署实例上进行训练，其预测被用作 Z3 SMT 求解器中的软约束。将部署问题重新表述为在异构图上的图边分类任务，结合关系嵌入与约束推理。我们通过几个真实案例进行了验证，每个案例都突显了不同的约束配置。实验结果确认，纳入 GNN 预测后，求解器的可扩展性得到提高，通常还能保持或甚至改善成本最优性。这一工作展示了神经符号耦合在云基础设施规划方面的实际效益，并为解决一般 NP-hard 问题贡献了可重用的方法。