一个基于深度学习的预测式云集群资源弹性伸缩方法

摘要

随着算力网络中计算资源与虚拟化设备的广泛应用，在算力网络虚拟化中，针对云集群弹性伸缩策略基于阈值的响应式触发过程中存在的弹性滞后问题，提出一种基于Transformer的预测式云集群资源弹性伸缩方法(Predictive Cloud Cluster Resource Elastic Scaling Method Based on Transformer, Cloudformer).该方法利用序列分解模块将云集群数据分解为趋势项和季节项，趋势项采用双系数网络分别对输入空间预测的均值和方差进行归一化和反归一化，季节项采用融合傅里叶变换的频域自注意力模型进行预测，并在模型训练过程中使用指数移动平均模型动态调整训练损失的误差范围.实验结果表明，对比最先进的五种预测式弹性伸缩算法，本文所提出的方法在保持较低的模型训练和推理时间下，不同预测窗口单变量与多变量预测均方误差分别降低了10.07%和10.01%.

关键词

算力网络 / 云集群 / 弹性伸缩 / Transformer / Cloudformer

基金资助

国家自然科学基金项目(62102272)资助; 辽宁省科技厅人工智能领域科技创新项目(2023JH26/10300007)资助