論文の概要: A Two-Stage Forecasting System for CPU Workload Prediction in Private Clouds
- arxiv url: http://arxiv.org/abs/2609.03457v1
- Date: Thu, 03 Sep 2026 07:15:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.965578
- Title: A Two-Stage Forecasting System for CPU Workload Prediction in Private Clouds
- Title（参考訳）: プライベートクラウドにおけるCPU負荷予測のための2段階予測システム
- Abstract要約: 本研究では、顧客サービス要求を最初に予測することで、この依存性を明示的にモデル化する2段階統合予測モデルを提案する。
提案手法は,10のアプリケーションからなるプライベートクラウド環境から収集した実世界のトレースを用いて評価した。
- 参考スコア（独自算出の注目度）: 0.4202074945058886
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate cloud resource forecasting is essential for proactive resource provisioning, maintaining Quality of Service (QoS), and reducing operational costs in dynamic cloud environments. The existing forecasting approaches predominantly estimate future CPU workload directly from historical resource traces, which often overlook the relationship between customer service demand and subsequent resource consumption. This study proposes a two-stage integrated forecasting model that explicitly models this dependency by first forecasting customer service requests, expressed as Transactions Per Second (TPS), and subsequently estimating future CPU workload from the TPS forecast. Both the forecasting component and resource prediction component employed the XGBoost model within a cascaded learning architecture, complemented by adaptive online retraining using an expanding-window strategy to address concept drift in continuously evolving cloud workloads. The proposed work was evaluated using real-world traces collected from a private cloud environment comprising ten applications. Experimental results demonstrate robust forecasting performance by achieving Symmetric Mean Absolute Percentage Error (SMAPE) below $7\%$ for most applications, with the best-performing application achieving an MAE of $0.7372$, RMSE of $1.1866$, SMAPE of $3.57\%$, and an R2 of $0.9185$. Horizon-wise drift analysis confirmed stable recursive forecasting behavior with controlled error accumulation across a 60-step prediction horizon. Compared with the conventional direct CPU forecasting method, the proposed two-stage integrated model gives improved forecasting robustness, computational efficiency, and interpretability, making it well-suited for proactive resource management and intelligent auto-scaling in cloud computing environments.
- Abstract（参考訳）: クラウドリソースの正確な予測は、プロアクティブなリソースプロビジョニング、Quality of Service(QoS)の維持、動的クラウド環境における運用コストの削減に不可欠である。
既存の予測アプローチは、主に、顧客のサービス需要とその後のリソース消費の関係を見落としている歴史的リソーストレースから直接、将来のCPUワークロードを推定する。
本研究では、顧客サービス要求を最初に予測し、TPS(Transactions Per Second)と表現し、その後、TPS予測から将来のCPUワークロードを推定することで、この依存性を明示的にモデル化する2段階の統合予測モデルを提案する。
予測コンポーネントとリソース予測コンポーネントの両方が、ケースケード学習アーキテクチャでXGBoostモデルを採用し、継続的に進化するクラウドワークロードにおけるコンセプトドリフトに対応するために、拡張ウィンドウ戦略を使用した適応的なオンラインリトレーニングを補完した。
提案手法は,10のアプリケーションからなるプライベートクラウド環境から収集した実世界のトレースを用いて評価した。
実験の結果、SMAPEは、ほとんどのアプリケーションでSymmetric Mean Absolute Percentage Error (SMAPE) を$7\%以下にし、最高の性能のアプリケーションは$0.7372$、RMSEは$1866$、SMAPEは$3.57\%、R2は$0.9185$である。
水平方向のドリフト解析により60ステップの予測地平線上での誤差蓄積制御による安定再帰予測挙動が確認された。
従来の直接CPU予測手法と比較して,提案した2段階統合モデルにより,予測堅牢性,計算効率,解釈性が向上し,クラウドコンピューティング環境におけるアクティブなリソース管理やインテリジェント自動スケーリングに適している。
関連論文リスト
- ScaleSense: Cost-Intelligent Scaling Framework via Learned Resource Estimation in Alibaba AnalyticDB [59.708423132520515]
クラウドネイティブなサーバレスデータウェアハウスは、計算からストレージを分離することで、きめ細かい弾力性を達成する。
しかし、高度にヘテロジニアスなアドホッククエリに対する最適なリソース割り当てを決定することは、深刻な産業上の課題である。
プロアクティブでクエリレベルのリソーススケーリングフレームワークであるScaleSenseを提案する。
論文 参考訳（メタデータ） (2026-08-08T06:10:35Z) - An Auto-Scaling Approach for Serverless Environments Based on a Multi-Expert Consensus Mechanism [0.3058685580689604]
依存性対応自動スケーリングフレームワークは、グラフベースのボトルネック識別、短期的なワークロード予測、マルチモデルコンセンサス、コスト対応制御を統合する。
Controllerはコールドスタートの認識とコスト比較を取り入れて、スケールアップ、スケールダウン、ホールドアクションを選択する。
論文 参考訳（メタデータ） (2026-07-16T23:48:37Z) - CastFlow: Learning Role-Specialized Agentic Workflows for Time Series Forecasting [74.29761960394848]
大規模言語モデル(LLM)のための動的エージェント予測フレームワークであるCastFlowを提案する。
CastFlowは予測プロセスを計画、アクション、予測、リフレクションに編成し、エージェントワークフローを確立する。
第3に、CastFlowは、汎用推論と特殊な数値予測を組み合わせたロール特殊化設計を採用する。
論文 参考訳（メタデータ） (2026-04-30T13:24:42Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - Artificial Intelligence for Cost-Aware Resource Prediction in Big Data Pipelines [0.0]
過剰なプロビジョンは不要なコストをもたらし、過剰なプロビジョンはパフォーマンス劣化とSLA違反のリスクを負う。
本研究では,ランダムフォレスト回帰を用いたビッグデータパイプラインの資源利用予測手法を提案する。
論文 参考訳（メタデータ） (2025-09-30T20:01:12Z) - Online Ensemble Transformer for Accurate Cloud Workload Forecasting in Predictive Auto-Scaling [9.687789919349523]
大規模自動スケーリングにおけるオンラインワークロード予測のための新しいオンラインアンサンブルモデルであるE3Formerを提案する。
我々のモデルは、単一モデルアプローチの限界を克服するために、マルチワークの予測能力を相乗化します。
本手法はByteDanceのIntelligent Horizontal Pod Auto-scaling (IHPA)プラットフォームに実装されている。
論文 参考訳（メタデータ） (2025-08-18T09:48:12Z) - Hybrid Forecasting of Geopolitical Events [71.73737011120103]
SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。
このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。
機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
論文 参考訳（メタデータ） (2024-12-14T22:09:45Z) - Hierarchical Forecasting at Scale [55.658563862299495]
既存の階層予測技術は、時系列の数が増加するとスケールが低下する。
我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。
欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
論文 参考訳（メタデータ） (2023-10-19T15:06:31Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。
顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
論文 参考訳（メタデータ） (2020-10-10T17:35:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。