📖《FAST: A forecasting model with adaptive sliding window and time locality integration for dynamic cloud workloads》

2022 年发表于 CCF-A 类期刊 TSC。

🎯需求

然而，现有的云应用工作负载准确预测方法仍存在诸多不足。
现有方法将原始工作负载分解为趋势、季节性和随机部分，相应地建立模型，然后组合所有输出以生成结果。事实上，随机分量通常具有显著的异方差性和噪声，对模型精度的提高几乎没有影响，甚至有负面影响。
- 1）高易失性的云工作负载：以时间序列形式存储的工作负载数据通常具有高度易失性，因此仅基于原始工作负载系列很难保证模型的准确性。
- 2）模型观察窗口的大小：滑动窗口的大小直接影响模型的精度。大多数现有方法使用固定大小窗口，无法适应高度动态的工作负载。
- 局部预测因子的整合策略：大多数现有方法通常采用加权平均或简单的基于误差的策略，而不关注局部预测因子随时间的变化行为差异。因此，集成模型的优势没有得到最大化。
值得注意的是，具有时间序列分解的工作负载预测技术侧重于高度波动的云工作负载，流行的分解技术包括 STL、小波变换和EMD，它们通常将原始工作负载序列分解为多个组件，例如趋势、季节性和随机组件。并基于各分量分别建立预测模型，进一步组合联合预测模型。
然而，相关工作表明，随机分量具有显著的异方差性和噪声，对模型精度的提高影响最小，甚至为负。

以高动态的云工作负载（如请求和资源工作负载）为研究对象，提出了一种新型的集成工作负载预测模型FAST，具有自适应滑动窗口和时间局部性集成组件。
- 在我们的模型中，趋势和季节性成分被视为宏观工作负载变化，微观工作负载变化是通过自适应滑动窗口算法获得的。该算法考虑了趋势相关性、时间相关性和工作负载的随机波动，用于在线回归，以实现更高的精度和更低的开销；
- 对于基于误差的整合策略，提出了局部预测行为的时间局部性概念，并开发了一种用于模型集成的多类回归算法。
具体贡献如下：
- a. 该文提出一种在线集成工作负载预测模型（FAST），该模型提出了一种新的综合思路，即学习工作负载的宏观和微观变化，从而解决了基于分解工作负载或原始工作负载的现有集成模型的精度不足问题。
- b. 该文提出一种自适应滑动窗口方法（ASW），该方法充分考虑了不同工作负载变化与适当窗口大小的关系，包括趋势相关性、时间相关性和随机波动，以更低的时间开销提高了模型精度。
- c. 针对基于误差的整合策略，该文提出一种考虑局部预测行为时间局部性的多类回归加权算法的时间局部性积分方法（TLI），以提高模型预测的准确性和泛化性。

啥是高度易失性？
本文发现的核心问题是什么？
- 随机分量波动性大，但也有一定局部规律。如果不感知这种规律，直接使用随机分量会导致模型学到错误的规则，不使用随机分量会导致存在误差。
- 通过滑动窗口模式，能够根据随机分量是否存在规律而动态调整被使用的随机分量时间长度。