海量短时负载预测元算法

误差降5%–30%

针对海量短时云工作负载，通过在线元学习组织元任务训练全局预测器，离线阶段用DPL鲁棒训练个性化预测器，显著缓解过拟合。

Xuan, Mo · Jialun, Li · Shunjue, Chen · Xiao, Danyang · Wu, Weigang

Information Sciences 2026

参数信息

预测误差降低幅度

5%–30% %

在线学习开销降低幅度

50 %

技术优势

误差降 5%–30%

相比现有方法，训练所得预测器的 MSE 和 SMAPE 降低 5%–30%，直接改善资源配置精度。

在线开销省一半

在线阶段采用的 wRep 算法在大量负载样本上收敛高效，使在线学习开销降低超过 50%。

短序列不再过拟合

离线阶段 DPL 算法针对短时序列设计，在个性化训练中实现可靠收敛，显著缓解泛化相关的过拟合。

多种预测模型通用

该框架不依赖特定预测网络，实验显示在多个预测骨干上均保持有效，便于集成到现有系统。

应用场景

• 云资源管理：用更准的短期负载预测实现精确的云资源分配，减少浪费和短缺。
• 智能运维：将负载预测作为智能运维的核心模块，支撑自动扩缩容决策。
• 微服务弹性伸缩：为微服务提供可靠的短期负载预测，使弹性伸缩更及时平稳。
• 预测性弹性资源调度：预测未来负载以提前调度资源，避免响应滞后带来的性能下降。
• 容器资源调度：基于容器工作负载的短时特征训练个性化预测器，实现容器级精细调度。