Time-Frequency and Multi-Scale Learning Network for Long-Term Cloud Workload Prediction

Weijian Zheng

doi:10.1109/tcc.2026.3697737

Time-Frequency and Multi-Scale Learning Network for Long-Term Cloud Workload Prediction

2026-05-27

0

PRE

AI

DOI：10.1109/tcc.2026.3697737

原文链接

原文求助

摘要

En 中文

准确的长周期工作负载预测（LTWP）对于云环境中的有效资源管理至关重要，其中工作负载动态特征表现为高变异性、噪声和长距离时间依赖性。现有方法，如线性模型和基于PatchTST的模型，在捕捉长距离依赖、处理噪声和适应多样化工作负载模式方面常面临挑战。为解决这些问题，本文提出TFMSNet，一种新颖的时间-频率和多尺度学习网络用于LTWP。TFMSNet整合低频小波特征以捕捉全局工作负载趋势，并利用高频分量建模局部变化和转折点，从而实现更全面的时间表示。其多分支架构能够高效捕捉多尺度依赖，增强对多样化动态工作负载的适应性。在五个真实数据集（Azure-2017、Alibaba-2018、Google-2019、Alibaba-2020和Alibaba-2021）上的广泛实验表明，TFMSNet在多个预测时间跨度的MAE、MSE、RMSE和MAPE性能指标上持续优于当前最优模型。消融研究证实了频率增强注意力和多分支架构在提高精度中的关键作用。此外，模型在噪声条件下的鲁棒性及其对较短输入序列的效率进一步凸显了其在实时、资源受限云环境中的实际适用性。

Keyword:

Cloud workload forecasting

PatchTST

time-frequency fusion

multi-scale

wavelet transform

Time-Frequency and Multi-Scale Learning Network for Long-Term Cloud Workload Prediction

摘要

期刊

机构

引用论文