Page 102 - 《软件学报》2026年第2期

曾文瑄 等: 云计算中基于 SAC 的多视角工作负载预测集成框架 581

等, SAC 算法的训练速度较慢, 而对于 TCN 等推理速度快的模型, SAC 的训练速度也更快. 整体来看, SAC 的单次
迭代时间大部分在 1.2–2.0 s, 虽高于 DLinear 等轻量模型, 但与 Crossformer、SCINet 等高开销模型相比训练时间
较短, 因而应用 SAC-MWF 并不会造成训练时间的大幅增加.

表 8 模型每轮的平均训练时间对比 (s)

Azure2021 Google2019 SockShop
模型
基础 特征 集成 基础 特征 集成 基础 特征 集成
BiLSTM 2.51 2.02 2.23 1.81 2.10 1.73
GRU 0.81 1.22 0.71 1.16 0.67 1.14
TCN 0.49 1.33 0.41 1.14 0.38 1.03
Informer 3.01 2.08 2.67 1.88 2.49 1.83
Crossformer 5.75 0.15 3.47 5.12 0.13 2.83 4.73 0.13 2.93
iTransformer 0.98 1.63 0.87 1.33 0.82 1.26
DLinear 0.19 1.57 0.17 1.08 0.16 1.33
TimeMixer 1.54 1.65 1.37 1.44 1.27 1.42
SCINet 3.05 2.30 2.70 1.84 2.51 1.82

表 9 各模型平均推理时间对比 (ms)

Azure2021 Google2019 SockShop
模型
基础 特征 集成 基础 特征 集成 基础 特征 集成
BiLSTM 13.96 1.68 9.24 2.98 13.48 1.22
GRU 2.99 2.61 2.99 2.99 2.36 2.30
TCN 1.00 3.60 1.00 3.07 1.00 3.09
Informer 11.81 1.56 10.76 2.28 11.27 2.36
Crossformer 17.58 1.38 5.85 19.43 1.64 4.83 17.38 1.32 6.06
iTransformer 2.99 2.61 2.99 2.48 2.99 3.66
DLinear 1.01 1.60 1.00 3.34 1.00 2.47
TimeMixer 6.97 1.62 4.99 2.34 6.31 1.72
SCINet 6.30 2.81 5.99 3.34 7.28 3.37

表 9 展示了 SAC-MWF 中各部分的平均单次推理时间, 其中基础表示各基础预测模型单次推理的时间, 特征
表示全部特征预测模型单次推理的累计时间, 集成表示 SAC 算法从接收多视角预测模型预测结果到生成最终预
测结果的单次计算耗时. 从结果来看, TCN、DLinear 等轻量模型的推理速度同样较快, 单次推理时间仅为 1 ms.
基于 Transformer 的模型 Crossformer 和 Informer 的单次推理耗时较长, 均超过了 10 ms. SAC-MWF 中全部特征预
测模型的单次推理时间总和约为 1.4 ms, 其时间开销与 TCN 等轻量级模型相当. 集成推理部分的单次推理时间
为 1.2–6.1 ms, 与 9 个对比模型的推理时间相比处于中等水平, 最差时长与 SCINet 等模型的中等开销相当. 因此,
SAC-MWF 在实现预测准确度提升的同时, 其计算效率也处于中高水平.
5 总 结

通过多视角提取序列特征以增强模型信息捕获能力已被证明是一种有效的策略, 基于不同特征序列生成的预
测结果之间存在互补性, 而这种互补性可用于构建更大的预测模型. 然而, 现有方法大多采用固化结构进行特征提
取, 很难将不同组件融合使用. 因此, 本文提出了一个基于 SAC 的多视角工作负载预测集成框架 SAC-MWF, 通过
低成本特征序列构建与动态权重分配策略, 有效提升了多种基线模型的负载预测准确度. SAC-MWF 通过横向扩
展等数学变换生成的多视角特征序列, 有效引导模型关注增减趋势、峰值幅度、滞后等序列信息. 而 SAC 算法的
熵正则化策略则为高维数据场景下动态集成提供了良好解决方案. 此外, 框架在计算效率与预测准确度的均衡性
上表现优秀, 其轻量化特征预测模型与离线训练机制使其能更好地适应目标场景. 通过在 3 个工作负载数据集上
进行实验验证, SAC-MWF 可将不同基线模型的预测误差平均降低 4.6%–21.7%, 而时间开销并没有显著增加.