用于云工作负载预测的 Wasserstein 对抗 Transformer
机器学习
2022-03-15 v1 人工智能
分布式、并行与集群计算
性能
摘要
预测式虚拟机（VM）自动伸缩是一项有望优化云应用运营成本与性能的技术。理解作业到达率对于准确预测云工作负载的未来变化以及主动配置和释放托管应用的虚拟机至关重要。然而，由于云工作负载的动态特性，开发准确预测其变化的模型极具挑战。长短期记忆（LSTM）模型已被用于云工作负载预测。遗憾的是，最先进的 LSTM 模型利用递归进行预测，随着输入序列变长，这自然增加了复杂性并提高了推理开销。为开发兼具高准确率和低推理开销的云工作负载预测模型，本文提出一种受 Transformer 网络和改进 Wasserstein-GANs 启发的新型时间序列预测模型，称为 WGAN-gp Transformer。该方法采用 Transformer 网络作为生成器、多层感知机作为判别器。基于真实工作负载轨迹的广泛评估表明，WGAN-gp Transformer 相比最先进方法推理时间快 5 倍，预测准确率最高提升 5.1%。我们还将 WGAN-gp Transformer 应用于 Google 云平台上的自动伸缩机制，该基于 WGAN-gp Transformer 的自动伸缩机制通过显著降低虚拟机过度配置与欠配置率，优于基于 LSTM 的机制。
引用
@article{arxiv.2203.06501,
title = {Wasserstein Adversarial Transformer for Cloud Workload Prediction},
author = {Shivani Arbat and Vinodh Kumaran Jayakumar and Jaewoo Lee and Wei Wang and In Kee Kim},
journal= {arXiv preprint arXiv:2203.06501},
year = {2022}
}
备注
The Thirty-Fourth Annual Conference on Innovative Applications of Artificial Intelligence (IAAI-22) (presented at AAAI-2022)