Адаптация LSTM: Эффективное адаптационное обучение в режиме онлайн для прогнозирования рабочей нагрузки облаков при распределении Drift

arXiv:2610.12265v1 Annualce Type: New Humber Abstract: Точное прогнозирование рабочей нагрузки имеет решающее значение для обеспечения эластичных ресурсов в сетях облачного обслуживания, где изменения распределения, обусловленные вирусным содержанием, запуском продукции и поведением пользователей быстро ухудшают модели офлайновой подготовки. Наивное обучение в режиме онлайн восстанавливает точность, но сопряжено с непомерно высокими расходами на каждый шаг. Мы предлагаем адаптивную систему LSTM, адаптационную онлайновую систему, которая обнаруживает дрейф через калиброванные пороговые значения и применяет выборочные адресные обновления. На Alibaba Machine Trace AdvanceLSTM восстанавливает 54% от улучшения Naive Online при 20% стоимости (2,7\время в долл. США, p=0,002$ более 10 семян). Что касается более неустойчивых контейнерных трасс, то он достигает 96% при 20% затрат (4,8/время эффективности, $+75· % сокращения МВЭ по сравнению со Статикой). В отличие от классических дрифтерных детекторов (ADWIN, DDM, Page-Hinkley), которые не приводят к регрессивным потокам ошибок, адаптация LSTM возгорается 42 раза на 301 ступенях и превышает показатели сравняемого бюджетного базового уровня. Волны