Page 85 - 《软件学报》2026年第2期

564 软件学报 2026 年第 37 卷第 2 期

云资源管理是云计算领域的核心挑战之一 [1,2] , 其对于优化运营成本、提高资源利用率以及保障系统可靠性
具有关键作用 [3] . 云资源管理的一个有效策略是预测未来的工作负载并提前采取措施, 通过准确的工作负载预测,
云服务提供商可以主动识别潜在资源瓶颈, 并基于实时需求调整资源配给策略 [2] , 从而实现高效的资源调度与节
能优化 [4,5] . 若缺乏有效的预测机制, 资源管理将被动进行, 低负载期间容易导致资源闲置浪费, 高负载时则可能引
[6]
发节点过载, 并最终影响服务质量协议 (service level agreement, SLA) .
云工作负载序列模式具有动态变化的特点 [7,8] . 传统统计学习和机器学习模型在预测任务中存在误差累积和
泛化能力不足的问题 [9] . 近年来, 深度学习模型通过一些途径来提升预测性能, 例如: 1) 改进现有网络架构, 如长短
期记忆网络 (long short-term memory, LSTM), 以提高其预测准确度 [10,11] ; 2) 构建混合模型, 如结合卷积神经网络
(convolutional neural network, CNN) 和 LSTM, 利用 CNN 提取特征后通过 LSTM 进行特征学习和预测 [12,13] ; 3) 进
行序列分解, 将工作负载分解为多个子分量分别预测并融合各分量上的结果 [14] . 然而, 上述方法多从单一视角提
取特征, 未能充分挖掘多视角信息的互补性. 近年来, 一些新的时序预测模型从不同视角着手捕获序列信息, 如
SCINet [15] 通过将原始输入分解为奇数索引序列和偶数索引序列, 并应用递归下采样来捕获时序特征. TimeMixer [16]
通过趋势分解和多尺度信息融合来构建预测模型. DLinear [17] 通过简单的趋势-季节性分解和线性模型来构建简单
有效的预测模型. 上述模型的成功证明了从多视角提取序列特征能够进一步提高模型的预测性能, 然而固化的特
征提取结构难以灵活组合以构建预测性能更强的模型.
针对上述问题, 本文提出了一个基于软演员-评论家算法 (soft actor-critic, SAC) [18] 的多视角工作负载预测集成
框架 (soft actor-critic-based multi-view workload forecasting, SAC-MWF). 首先, 设计了一组特征序列构建方法, 通
过对历史窗口应用数学变换构建多视角特征序列, 突出不同视角下的负载模式特征. 其次, 基于历史窗口与特征序
列分别训练基础预测模型与特征预测模型, 捕获多视角特征, 生成具有强互补性的预测结果. 最后, 利用 SAC 算法
自适应分配权重, 集成多视角模型预测结果并生成最终预测结果. 在 3 个数据集上的实验结果表明, SAC-MWF 能
够有效提升多种模型的预测准确度, 且不会显著增加时间开销.
本文的主要贡献如下.
(1) 提出一个基于强化学习的多视角工作负载预测集成框架 SAC-MWF, 通过特征序列构建与动态权重分配
提升现有模型的预测准确度.
(2) 提出一个基于 SAC 的模型集成方法, 其状态空间涵盖历史窗口与预测误差, 奖励函数基于集成预测的均
方误差设计, 能够灵活分配组合权重.
(3) 设计一组轻量级特征序列构建方法, 增强模型对趋势变化、峰值波动、滞后等关键模式的敏感度.
(4) 在 3 个数据集上进行了广泛实验, 结果证明了 SAC-MWF 的有效性和效率.
本文第 1 节综述云计算负载预测方法与新型时序模型. 第 2 节形式化定义问题并详述 SAC-MWF 框架设计.
第 3 节通过多组实验全面评估方法性能. 第 4 节总结研究成果并展望未来方向.

1 相关工作

工作负载预测作为云计算资源管理的核心环节, 其方法可归纳为传统模型方法、深度学习模型方法与混合模
型方法这 3 大类.
1.1 传统模型方法
传统模型方法以统计学习模型和经典机器学习模型为主, 如差分自回归滑动平均模型 (autoregressive integrated
moving average model, ARIMA)、支持向量机 (support vector machine, SVM) 和随机森林 (random forest, RF) 等. 研
究人员在早期提出了许多基于传统模型的方法以解决云计算领域的预测问题. 例如, Yang 等人 [19] 提出了一种动态
线性回归模型用于短期近线性负载预测. Fang 等人 [20] 通过 ARIMA 预测服务器资源需求以驱动调度策略生成.
Chen 等人 [21] 应用递归神经网络 (recurrent neural network, RNN) 预测云服务器的工作负载, 验证了 RNN 在小样本
场景下相较于传统回归方法的快速适应能力. Yang 等人 [22] 提出了一个基于进化算法的预测模型, 模型使用相空间