RSR: Как конформное предсказание снижает затраты на облака

Проблема неэффективного распределения ресурсов

Управление облачной инфраструктурой, особенно у крупных провайдеров (гиперскейлеров), требует оптимизации использования физических ресурсов для минимизации затрат и максимизации производительности. Традиционные подходы к выделению и планированию виртуальных машин (VM) часто не учитывают колебания и непредсказуемость их использования, что приводит к неэффективности: либо избыточному, либо недостаточному выделению ресурсов.

Решение: Конформное предсказание (Conformal Prediction)

Авторы исследования — Мехьяр Мадж, Фэн Чэн и Али Палеван — предлагают новый подход к построению интервалов предсказания (Prediction Intervals, PI) с использованием конформного предсказания (CP) и бутстрапирования. Этот метод позволяет более точно захватывать неопределенность спроса на ресурсы облака, поддерживая операторов в эффективном выделении инстансов для разнообразных рабочих нагрузок.

Методология и результаты

Исследование использует методы машинного обучения для регрессии, обучаясь на паттернах использования рабочих нагрузок и выявляя корреляции между временными рядами. Модель предназначена для среднесрочного и долгосрочного прогнозирования тенденций использования. Оценка проводилась с помощью бэктестинга (backtesting), что позволило ранжировать модели и выявить наиболее эффективные подходы для виртуальных машин с длительным сроком службы (long-life VM).

Значение для индустрии

Предложенный фреймворк RSR демонстрирует, что AI/ML-пайплайны могут существенно улучшить рекомендации по «правильному размеру» (right-sizing) инстансов. Это ведет к более экономичному распределению ресурсов в динамичных облачных средах, снижая операционные расходы гиперскейлеров без ущерба для производительности приложений.

Источник: arXiv cs.AI ↗