Page 98 - 《软件学报》2026年第2期
P. 98

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                                           577


                 TCN  和  iTransformer 的提升幅度相对较小, 但同样有     4.6%–7.8%. 从数据集的角度看, SAC-MWF      在  Azure2021  数
                 据集上的效果最明显. 相较于其他数据集, 该数据集的波动较小, 较为稳定. 在                      Google2019  数据集上, SAC-MWF
                 同样显示出一定的提升, 但整体幅度低于             Azure2021. 而在  SockShop  数据集上, SAC-MWF  的  MSE  提升幅度波动
                 较大, 在部分实验组中出现了负提升. 当预测窗口较大且数据集波动较剧烈时, 简单的                          MLP  模型难以充分捕获特
                 征序列信息, 这会导致部分特征序列预测值误差较大. 且较大预测窗口对应的状态空间与动作空间更大, 会导致学
                 习难度升高, 因而部分场景下应用          SAC-MWF  后误差增加.
                  4.3   消融实验
                  4.3.1    特征序列构建方法
                    为评估各特征序列构建方法的有效性, 本文在               3 个数据集上进行消融实验, 选择        BiLSTM、Informer 和  DLinear
                 作为基础预测模型, 设置历史窗口为           96, 预测窗口为   48. 我们设计以下实验组合.
                    ● SAC-MWF: 完整的负载预测集成框架, 保留原始输入序列和全部特征序列.
                    ● w/o Origin: 去除原始输入序列, 保留全部特征序列.
                    ● w/o VC: 去除纵向收缩特征序列, 保留原始输入序列和其他特征序列.
                    ● w/o VE: 去除纵向扩展特征序列, 保留原始输入序列和其他特征序列.
                    ● w/o HC: 去除横向收缩特征序列, 保留原始输入序列和其他特征序列.
                    ● w/o HE: 去除横向扩展特征序列, 保留原始输入序列和其他特征序列.
                    ● w/o CR: 去除横向平移特征序列, 保留原始输入序列和其他特征序列.
                    特征序列构建策略消融实验结果如后文图                15  所示. 可以看出, 完整的    SAC-MWF  在全部实验组合下取得了
                 最低的   MSE  误差. 在  Azure2021  数据集上, 各变体的  MSE  误差有所增加但相对接近. 在        Google2019  数据集上, 以
                 Informer 和  DLinear 为基础预测模型的变体的     MSE  误差较为接近. 但在以     BiLSTM  为基础预测模型时, w/o HE    变
                 体的  MSE  误差增加幅度较大. 在      SockShop  数据集上, 各变体的    MSE  相差较大, 且在以    BiLSTM  和  DLinear 为基
                 础预测模型时, w/o HE    变体的  MSE  误差明显高于其他变体. 由此可见, 原始序列和各特征序列均有助于提升集成
                 模型预测准确度, 而横向扩展特征序列            (HE) 对于提升模型在      Google2019  和  SockShop  等波动相对剧烈的数据上
                 预测准确度尤其有效.
                  4.3.2    集成算法
                    为验证   SAC  算法更适合作为     SAC-MWF  的集成算法, 本文进一步选择了          PPO  算法、自注意力、双层线性层
                 和平均作为对比集成算法. 实验以          BiLSTM、Crossformer、SCINet 作为基础模型, 在全部      3  个数据集上开展实验.
                 选择  96-48  和  24-8  两组历史窗口-预测窗口设置.
                    表  6  展示了预测窗口为     48  时不同集成算法的预测误差, 在所有实验组合中, 以             SAC  为集成算法时, 集成模型
                 的  MSE  最小. Azure2021  数据集整体波动较小, 集成不同模型的难度相对较低, 因而不同集成算法的预测误差较为
                 接近. 而在  Google2019  数据集和  SockShop  数据集上, 数据波动幅度变大, 集成算法的学习难度也相应增加, 因此
                 不同集成算法之间的预测误差差距增大. 整体来看, 自注意力的集成效果最差, 尤其是在                            Google2019-BiLSTM、
                 SockShop-BiLSTM  和  SockShop-Crossformer 这  3  个实验组合上显著高于其他集成算法. 双层线性层在        Azure2021
                 和  SockShop  数据集上表现优秀, 特别是在      SockShop  数据集上, 其预测误差仅次于        SAC. 平均作为最简单的集成
                 方式表现中等, 既不会因参数学习而出现预测误差过大的问题, 但也无法辨识有用信息与误差以进一步优化集成
                 效果. SAC  和  PPO  作为两种强化学习集成算法在         Azure2021  上的预测误差十分接近且较低. 但是在复杂数据集
                 上, PPO  算法的集成效果有所下降, 仅比表现最差的自注意力机制略好一些, 但明显差于其他集成算法. 因而在目
                 标任务场景下, SAC    算法无论是集成性能还是稳定性均优于其他方法.
                    表  7  展示了预测窗口大小为      8  时不同集成算法的预测误差. 与预测窗口为             48  时相比, 不同集成算法的预测误
                 差差距有所减小. 虽然       SAC  仍然在所有实验场景中取得了最优预测误差, 但是和次优算法相比差距较小. 整体来
                 看, 自注意力仍是表现最差的集成算法. 线性层和平均在短时预测中的表现中等, 在                        Azure2021  数据集上的表现略
   93   94   95   96   97   98   99   100   101   102   103