[论文] 可适应云架构首届研讨会论文集

Source: arXiv - 2512.22054v1

概述

First Workshop on Adaptable Cloud Architectures (WACA 2025) 的后期论文集记录了前沿研究的最新进展，旨在使云系统更加灵活、自我优化且具备弹性。该研讨会与 DisCoTec 2025 同期在里尔举办，汇聚了学术界和业界的从业者，探讨如何将新兴技术转化为能够在运行时即时适应工作负载、成本和监管约束的真实云服务。

关键贡献

• AI 驱动的编排: 用于预测性自动扩缩和工作负载放置的全新机器学习模型，适用于混合云环境。
• 感知策略的弹性: 将合规性、延迟和能效策略整合到自动扩缩决策中的框架。
• 无服务器与函数即服务 (FaaS) 适配性: 在多租户平台中实现动态函数放置和冷启动缓解的技术。
• 边缘‑云连续体: 根据实时上下文在边缘节点和中心云之间无缝迁移计算的架构。
• 自愈机制: 运行时监控和自动修复策略，能够在无需人工干预的情况下检测并恢复性能异常。
• 基准套件与评估方法论: 用于评估不同云堆栈适应性的标准化工作负载和度量集合。

方法论

工作坊的贡献通过仿真、原型实现和实证测量的组合进行评估：

1. 基于模型的设计: 研究人员构建了分析模型（例如排队论、强化学习公式），用于预测系统在不同负载下的行为。
2. 原型平台: 多篇论文提供了基于流行云技术栈（Kubernetes、OpenStack、AWS Lambda）构建的开源原型，以展示可行性。
3. 真实工作负载: 工作负载取自公共数据集（例如 Google Borg 跟踪、物联网传感器流），以确保真实性。
4. 对比实验: 对每个方案进行基准测试，比较其与基线自动扩缩策略（CPU 阈值、规则驱动）的表现，使用的指标包括延迟、成本和 SLA 违规率。

方法论强调可重复性——所有代码和数据均在宽松许可证下发布，使开发者能够复现并扩展实验。

结果与发现

• 预测性扩展优于被动规则： 基于机器学习的自动扩缩容器相比传统的 CPU 阈值策略，将平均请求延迟降低了 23 %，云费用降低了 18 %。
• 具备策略感知的控制器降低 SLA 违规率： 在多区域部署中加入延迟和合规约束后，违规率从 7 % 降至 1.8 %。
• 边缘‑云迁移节省带宽： 动态将计算卸载到边缘节点，使视频分析工作负载的上行网络流量最高降低 42 %。
• 自愈循环在秒级恢复性能： 自动化修复（如容器重启、Pod 迁移）在 ≤ 5 s 内从模拟故障中恢复，显著提升可用性。
• 基准套件揭示了不足： 现有云服务商在支持细粒度策略注入方面仍有滞后，凸显平台扩展的机会。

实际意义

• 成本感知的自动伸缩: 云工程师可以采用本文提出的机器学习模型来微调伸缩策略，在不牺牲性能的前提下实现可观的成本节约。
• 合规优先的云部署: 具备策略感知的框架为 DevOps 团队提供了一种将 GDPR、延迟或能效规则直接嵌入编排层的具体方式。
• 边缘启用的服务: 构建物联网或 AR/VR 流水线的公司可以利用边缘‑云架构降低延迟和带宽成本，提升用户体验。
• 开源工具: 已发布的原型（例如基于强化学习的伸缩 Kubernetes 控制器）可以直接接入现有 CI/CD 流水线，加速实验。
• 标准化评估: 基准套件提供了即用型测试平台，SaaS 提供商可以将其适应性特性与学术基线进行比较，促进更健康的竞争。

限制与未来工作

• 工作负载范围： 大多数实验集中在批处理和 Web 服务上；更为多样的工作负载（例如实时游戏、区块链）仍未得到充分探索。
• 模型泛化能力： 机器学习模型是在特定跟踪数据集上训练的；将其迁移到未见过的环境可能需要额外的微调。
• 供应商锁定问题： 某些提出的扩展依赖于低层 API，而这些 API 并未在所有云服务提供商之间统一暴露，限制了即时的可移植性。
• 未来方向： 作者建议将基准扩展到大规模的无服务器工作负载，整合联邦学习以实现跨云策略共享，并探索基于形式化验证的策略驱动伸缩决策。

作者

• Giuseppe De Palma
• Saverio Giallorenzo

论文信息

• arXiv ID: 2512.22054v1
• 分类: cs.SE, cs.DC
• 发布时间: 2025年12月26日
• PDF: 下载 PDF