A Sparse Function Prediction Approach for Cold Start Optimization and User Satisfaction Guarantee in Serverless

Wang Zhang

doi:10.1109/TPDS.2025.3602440

A Sparse Function Prediction Approach for Cold Start Optimization and User Satisfaction Guarantee in Serverless

0

PRE

AI

DOI：10.1109/TPDS.2025.3602440

原文链接

摘要

En 中文

无服务器计算依赖于在调用前保持函数存活或预加温，以缓解因初始化函数启动环境开销而导致的冷启动问题。然而，在受限的云资源下，准确预测稀疏函数的调用模式仍具挑战性。这限制了有效预加温和保持存活策略的制定，导致频繁的冷启动和用户满意度下降。为解决这些挑战，我们提出了一种基于稀疏函数预测的混合框架SPFaaS。为增强稀疏函数调用数据的学习能力，SPFaaS考虑了云服务工作负载的特性以及预加温和保持存活策略的特征，将函数调用记录转化为概率数据。它通过多轮采样以及结合使用门控循环单元和时序卷积网络，捕获数据中的潜在周期性和时序依赖关系，以实现准确预测。基于最终预测结果和实时系统状态，SPFaaS为每个函数确定自适应的预加温和保持存活策略。在两个真实无服务器集群上进行的实验表明，SPFaaS在减少冷启动和提高用户满意度方面优于现有最优方法。

Keyword:

Serverless computing

cold start problem

user satisfaction

sparse function prediction

temporal convolutional network

A Sparse Function Prediction Approach for Cold Start Optimization and User Satisfaction Guarantee in Serverless

摘要

期刊

机构

引用论文