Conformal prediction для right-sizing: ML-оценка ресурсов VM в дата-центрах

Традиционные алгоритмы аллокации виртуальных машин в облаке плохо справляются с флуктуациями нагрузки. Результат — хронический over-provisioning, когда вы платите за пустые ресурсы, или under-provisioning, когда деградирует производительность. Статья с arXiv предлагает решать задачу подбора размера VM (right-sizing recommendations, RSR) через интервальное прогнозирование на базе conformal prediction.

Ключевая идея — не предсказывать точечное значение утилизации, а строить доверительные интервалы, которые честно отражают неопределённость спроса на ресурсы. Для этого используется бутстреп-версия conformal prediction, применённая к паттернам нагрузки и корреляциям между временными рядами.

Авторы заявляют, что ML-регрессионные модели, оценённые через бэктестинг, дают «обнадёживающие» результаты прогнозирования утилизации. Также предложен рейтинг моделей для долгоживущих VM. Конкретных бенчмарков и цифр экономии в абстракте нет, поэтому масштаб выигрыша остаётся под вопросом.

Практический вывод: right-sizing через conformal prediction — это рабочий вектор для cloud-операторов, которым нужно автоматизировать capacity planning. Но до production-пайплайна от исследовательского фреймворка дистанция значительная, и без открытых метрик на реальных данных гиперсейлеров судить о реальной экономии преждевременно.

Источник: cs.AI updates on arXiv.org