.png){kind=icon}
返回
A Semi-supervised Performance Prediction and Resource Adaptive Allocation for Cloud-native Microservices
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jnca.2026.104450.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云原生的松耦合微服务支持弹性和可扩展部署，并在缩短软件开发周期的同时降低软件更新复杂度。然而，由于微服务资源性能数据稀缺以及节点交互复杂，保证服务质量（QoS）和优化资源分配仍存在挑战。为此，我们提出了一种基于半监督的预测与资源自适应方法（SPRAM）。具体而言，SPRAM首先收集有限的带有标签的微服务资源-性能数据，然后利用生成对抗网络（GAN）扩充数据样本，构建自训练和半监督的微服务性能预测模型。当预测表明当前资源无法满足性能要求时，将采用超启发式算法自适应地调整CPU、内存和I/O资源。为验证有效性，我们在Docker引擎和云原生模拟基准之一DeathStarBench上部署了SPRAM，实验结果表明，与基线相比，SPRAM可节省至少10.3%的CPU和16.8%的内存资源，同时保证整个系统的端到端QoS。
Keyword:
microservices
semi-supervised learning
resource allocation
performance prediction
cloud-native
期刊
IF:
8
论文数:
3.7K
被引数:
1.1W
机构
引用论文
分享收藏A Machine Learning Framework for Resource Allocation Assisted by Cloud Computing.png)
IEEE NETWORK
OAAI
IEEE NETWORKIF6.3
OAAI分享收藏Transformer-based performance prediction and proactive resource allocation for cloud-native microservices基于Transformer的性能预测和面向云原生的微服务主动资源分配
PREAI
分享收藏Adaptive Resource Allocation for Cloud-native Microservice via Meta-learning and Hyper-heuristic Algorithms基于元学习和超启发式算法的云原生微服务自适应资源分配
PREAI
分享收藏
查看更多内容