在大型云服务提供商或超大规模云环境中，高效管理云基础设施需要优化物理资源的使用，以降低成本并提高性能。选择合适的虚拟机（VM）大小对于在这些动态环境中实现成本效率至关重要。然而，传统的 VM 分配和调度方法常常未能考虑 VM 利用率的波动和不可预测性，导致资源的过度或不足配置。高质量的区间预测能够准确捕捉云资源需求中的不确定性，支持云操作员进行有效的实例配置。
作为构建预测区间（PIs）的有效且可靠的框架，符合预测（CP）被用于云计算环境中的中长期预测任务。本研究提出了一种新的基于数据的 PIs 构建方法，利用自助法符合预测（bootstrapping conformal prediction）来增强现代动态数据驱动的右尺寸推荐（RSR），以改善超大规模云服务上多样化应用工作负载的配置。
通过学习工作负载利用模式、识别多个时间序列之间的相关性以及预测中长期利用趋势，本研究力求通过基于 AI/ML 的配置管道提高云和数据中心运营的效率。我们的研究表明，基于机器学习回归技术的 AI 驱动模型，通过回测评估，取得了云资源利用的良好预测结果。此外，我们对所选模型进行了排名，以识别适合长期使用的虚拟机候选者。所提出的框架增强了右尺寸推荐，支持在动态云环境中更具成本效益的资源分配。
博主点评： 本文通过结合符合预测与机器学习，提出了一种创新的资源优化方法，具有实际应用潜力。对动态云环境中资源配置的优化，不仅能降低成本，还能提升性能，值得关注。未来的研究可进一步探索更多模型的组合及其在不同场景下的适用性。