无服务器计算提供了自动资源管理和按需执行的能力，但由于动态工作负载、冷启动延迟和函数间的依赖关系，自动扩展依然面临挑战。
我们提出了一种依赖感知的自动扩展框架，该框架集成了基于图的瓶颈识别、短期工作负载预测、多模型共识和成本感知的扩展控制。
无服务器应用被表示为有向依赖图，使用加权度中心性识别结构上重要的函数。资源需求通过轻量级的 MLP、LSTM 和 CNN 模型进行预测。它们的输出通过一种受贝叶斯模型平均启发的性能加权概率集成进行组合。控制器进一步结合冷启动意识和成本比较，以选择扩展、缩减或保持的操作。
使用真实工作负载轨迹的实验表明，监督预测在自动扩展决策生成方面显著优于无监督聚类。所提出的集成方法实现了 99.88% 的预测准确率，并在与代表性的混合预测方法比较时减少了预测误差。对多个云定价模型的评估也展示了一致的基础设施成本降低，同时保持了性能目标。
结果表明，结合依赖分析、多专家预测和成本感知控制提供了一种稳健且实用的无服务器自动扩展解决方案。
博主点评： 该研究通过整合多种模型和依赖分析，为无服务器计算中的自动扩展问题提供了创新的解决方案，特别是在动态工作负载和成本管理方面，具备良好的实用价值和应用前景。通过高准确率的预测模型，显著提升了资源管理效率，值得在实际云服务中推广应用。