Core Concepts
PePNetは、周期性の検出と適応的な融合、およびAchilles' Heel損失関数を使用することで、全体的なワークロード予測精度と重負荷ワークロード予測精度を向上させる。
Abstract
本論文は、クラウドサーバーのワークロード予測に関する研究を行っている。クラウドサーバーのワークロードは非常に変動が大きく、時折大きな負荷の急増が発生するため、正確な予測が困難である。従来の予測手法には以下の問題がある:
統計的手法は数学的仮定が強く、変動の大きいワークロードの予測精度が低い。
ニューラルネットワークベースの手法は全体的な予測精度は高いが、重負荷ワークロードの予測精度が低い。これは、重負荷ワークロードが稀に発生するデータの偏りが原因である。
そこで本論文では、PePNetを提案する。PePNetには以下の2つの特徴がある:
周期性検出メカニズム(Periodicity-Perceived Mechanism)
周期性の有無と周期長を自動的に検出する
周期的、準周期的、非周期的なデータに適応的に周期情報を融合する
Achilles' Heel損失関数
各ステップで最も過小適合な部分に重点を置いて最適化することで、重負荷ワークロードの予測精度を向上させる
実験の結果、PePNetは従来手法と比べて、全体的なワークロード予測精度をMSEで11.8%、重負荷ワークロード予測精度をMSEで21.0%向上させることができた。
Stats
重負荷ワークロードの割合は、Alibaba2018のCPU使用率で15.73%、メモリ使用率で12.89%、Dinda's datasetのワークロードで11.15%である。