.png){kind=icon}
返回
Transformer-based performance prediction and proactive resource allocation for cloud-native microservices
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05237-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
松散耦合的云原生微服务实现了弹性和可扩展的应用部署，但由于复杂的拓扑依赖关系和不同的资源需求，给服务质量（QoS）保障和资源优化分配带来了挑战。为解决这些问题，我们提出了一种基于Transformer的预测与资源自适应方法（TPRAM）。具体而言，TPRAM首先利用带有注意力机制的Transformer构建关键路径上微服务节点的性能预测模型，然后采用深度确定性策略梯度（DDPG）强化学习技术，根据实时实际需求调整每个节点的CPU、内存以及I/O磁盘资源。为验证其有效性，我们在本地集群上部署了TPRAM，并基于DeathStarBench基准模拟了真实世界应用。实验结果表明，与基线方法相比，TPRAM在保证整个系统端到端QoS的前提下，至少节省了40.58%的CPU资源和15.84%的内存资源。
Keyword:
Cloud-native
Microservices
Performance prediction
Resource allocation
Transformer
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
DiffPrep: Differentiable Data Preprocessing Pipeline Search for Learning over Tabular DataDiffPrep：用于表格数据学习的可微分数据预处理流水线搜索
OAAI
OAAI分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏A novel prediction approach based on three-way decision for cloud datacenters一种基于三向决策的云数据中心预测方法APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏The power of prediction: microservice auto scaling via workload learning预测的力量：基于工作负载学习的微服务自动扩展
IF0
PREAI
分享收藏
查看更多内容