预测性自动缩放中的持续学习
摘要：预测性自适应扩展被用于预测服务器的工作负载，并提前准备资源，以确保在动态云环境中满足服务级别目标（SLO）。然而，在实践中，由于外部事件（如销售促销活动和应用程序重新配置）引起的异常流量，其预测任务往往会受到性能下降的影响，通常的解决方案是使用长时间历史数据重新训练模型，但这会产生高计算和存储成本。为了更好地解决这个问题，我们提出了一种基于回放的持续学习方法，即基于密度的内存选择和基于提示的网络学习模型（DMSHM），仅使用历史日志的一小部分来实现准确的预测。首先，我们发现了在预测任务中应用基于回放的持续学习时的样本重叠现象。为了克服这个挑战并有效地整合新的样本分布，我们提出了一种基于密度的样本选择策略，该策略利用核密度估计计算样本密度作为计算样本权重的参考，并采用权重抽样构建一个新的内存集。然后，我们基于提示表示实现了基于提示的网络学习，以优化参数。最后，我们在公共和工业数据集上进行实验证明我们提出的方法在内存容量和预测准确度方面优于最先进的持续学习方法。此外，我们还展示了DMSHM在实际工业应用中的显著实用性。
作者：Hongyan Hao, Zhixuan Chu, Shiyi Zhu, Gangwei Jiang, Yan Wang, Caigao Jiang, James Zhang, Wei Jiang, Siqiao Xue, Jun Zhou
论文ID：2307.15941
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-15