FP-MLP：一种基于频域补丁的MLP模型，用于以GPU为主的云工作负载预测

《IEEE Transactions on Cloud Computing》：FP-MLP: A Frequency Domain Patch-Based MLP Model for GPU-Dominated Cloud Workload Prediction

针对云计算数据中心中异构GPU资源管理难题，传统MLP模型因低频特征主导导致高频特征捕捉不足。本文提出FP-MLP模型，通过分块处理高频频谱数据平衡特征权重，在Alibaba和Google数据集上实现MSE降低8%、MAE减少17%的显著提升。

　　

摘要：

云数据中心通常配备有各种类型和性能级别的GPU，在部署深度学习任务时有效利用这些异构资源至关重要。然而，GPU性能的差异带来了复杂的资源管理挑战。准确的工作负载预测有助于应对这些挑战。许多现有的预测模型采用多层感知器（MLP），因为它们简单、计算效率高且具有通用性。然而，大多数基于MLP的方法倾向于优先考虑低频特征，而忽视了对捕获资源利用数据中的细粒度模式至关重要的高频特征。我们的分析表明，这种偏见主要源于数据集中低频特征的主导地位，导致模型对它们的关注度过高。为了解决这个问题，我们提出了一种基于频域分块的MLP模型，称为FP-MLP。该模型将频率序列分割成小块，从而在不同频段平衡高频和低频特征的表示。这种方法使模型能够充分捕捉高频数据中的隐藏特征，从而提高预测准确性。大量实验表明，FP-MLP模型在性能上始终优于各种先进的基线模型。例如，在Alibaba数据集上，与最佳基线模型相比，FP-MLP模型将均方误差（MSE）降低了8%，平均绝对误差（MAE）降低了17%；同时，在Google数据集上也取得了有竞争力的结果。