Performance modeling in FaaS workloads at the edge using machine learning

doi:10.1007/s10586-026-06233-3

2026-06-30

Federica Filippini *

Marco Savi

Michele Ciavotta

DOI：10.1007/s10586-026-06233-3

原文链接

原文求助

摘要

En 中文

函数即服务（FaaS）范式已作为一种引人注目的架构模型出现，适用于云和边缘计算环境，能够执行由特定事件触发的自包含函数，同时抽象开发者的基础设施管理复杂性，如负载均衡和自动扩展。在FaaS启用的集群中，特别是在资源受限的边缘环境中，精确的资源消耗估计对于优化资源利用率、最小化延迟、防止系统过载和确保可扩展性至关重要。本文解决了FaaS启用的分布式和去中心化边缘计算系统中的性能建模挑战，其操作粒度级别既包括节点也包括单个函数。我们提出了一种基于机器学习的框架，旨在根据传入的工作负载模式预测关键性能指标，包括CPU利用率、内存和能源消耗，同时预测潜在的系统过载条件。此外，我们的方法引入了一种剖析方法论，根据资源消耗特征来表征无服务器函数，从而能够在不了解单个部署函数的详细知识的情况下，准确预测节点级资源需求。实验验证表明，我们的预测模型在预测节点过载场景方面达到97%的准确性，为边缘基础FaaS部署中的主动资源管理提供了坚实的基础。此外，虽然我们最好的单个函数基回归模型在预测节点级CPU、RAM和功耗方面平均绝对百分比误差低于9%，但我们的实验强调了函数剖析和基于集群的建模的有效性。一方面，一种基于排列不变神经网络架构的新型多目标回归器被证明在测试场景中能够有效泛化到先前未见的工作负载组合，$$R^2$$分数范围从0.94到0.98，即与专门的单目标回归模型的性能相当。另一方面，集群级模型能够有效泛化到同一使用类别中先前未见过的函数，保持预测误差在实践上可接受的范围内，并且通常在个位数百分比范围内。

Keyword:

Function as a service

Performance modeling

Machine learning

Edge computing