遗憾的是：在复杂场景下，基于注意力机制且能够感知负载的主动调度方法可用于服务器资源优化

《Displays》：ALAS: Attention mechanism-based and load-aware active scheduling for server resource optimization in complex scenarios

自适应负载感知驱动的资源优化框架提出双注意力机制与样本自适应学习策略，有效统一建模短长期依赖并提升资源利用率。

　　

夏欣娜|杨静|阮晓丽|龚仁杰|李成江|陈彦萍|吴元凯|张伟

贵州大学公共大数据国家重点实验室，中国贵阳550025

摘要

在云计算和分布式系统中，开发高效的资源调度策略是一个关键挑战，尤其是考虑到现代数据中心的 workload 模式日益复杂和动态。然而，当前的方法主要采用反应式调度机制，仅在检测到资源不足或过载情况时才进行调整，这导致了固有的延迟问题以及对快速变化的负载动态响应不足。为了解决这些根本性问题，包括调度延迟、异构数据处理能力不足以及在建模短期和长期依赖关系方面的限制，本文提出了一种基于自适应负载预测的资源优化框架。我们的方法引入了三项关键创新：首先，我们开发了一种具有预测意识的主动调度机制，将传统的反应式资源管理策略转变为预测性分配策略；其次，我们设计了一种双注意力架构，结合了全注意力机制和概率注意力机制，有效捕捉短期负载波动和长期演变趋势，从而显著提高了预测的准确性；第三，我们提出了一种基于样本感知的学习机制，该机制使用非对称损失函数将训练样本分类为正常、难以学习和异常三类，并实施差异化的加权策略，以提高模型对不同数据分布的适应性。在九个基准数据集上的实验验证表明，所提出的 ALAS 策略在资源利用优化方面具有显著优势。

引言

随着数据流量和服务需求的持续增长，数据中心和边缘集群所面临的业务负载表现出显著的动态性和复杂性 [1]。因此，负载管理和边缘服务器性能优化已成为云-边缘协作系统中的关键挑战。如图 1(a) 所示，负载在短时间内会出现突然波动和峰值，但在长时间尺度上表现出周期性和演变趋势 [2]。此外，多维资源需求之间存在复杂的耦合关系，这些多尺度、非平稳的工作负载特性要求资源分配响应不仅能够迅速响应当前状态，还能够预测未来的变化。

近年来，在边缘-云场景中的负载预测和调度优化方面取得了显著进展。例如，针对动态多租户边缘云的图结构建模 [3] 和服务功能链（SFC）场景 [4] 提高了特定领域的负载预测性能。然而，在短期波动和长期趋势共存的复杂时间序列中，现有方法仍未能统一短期和长期依赖关系的建模。此外，现有研究往往将负载预测视为独立的优化目标，因此负载预测并未参与资源分配优化决策过程。另一方面，一些方法（如随机边缘-云环境中的任务调度 [5] 和分布式演员-评论家算法 [6]）优化了云-边缘网络中的任务卸载决策。然而，这些方法通常依赖于成本高昂的在线训练，并且对异常和难以学习的样本的鲁棒性有限。

基于此分析，构建一种高效的、具有负载感知能力的主动调度机制迫切需要解决两个核心问题。首先，需要建立一种能够处理边缘负载数据特性的可靠负载预测方法。实现这一目标取决于两个关键点：由于负载序列是多尺度的并且表现出显著的非平稳性，模型需要在统一框架内同时适应短期波动和长期趋势；同时，负载数据表现出异常性和异构分布，因此需要设计适当的机制来优化学习过程并提高训练的稳定性和泛化能力。其次，需要在负载预测和资源调度之间建立决策桥梁。

为此，我们提出了一种由负载预测驱动的自适应资源优化调度方法（ALAS），旨在解决复杂场景中的服务器资源优化问题。如图 1(c) 所示，与图 1(b) 中的方法相比，我们通过长期和短期依赖关系建模、动态样本优化以及预测感知调度构建了一个有效的动态机制。具体而言，这项工作探索了两个维度：负载预测和感知调度。在负载预测模型层面，为了提高性能并捕捉网络动态引起的复杂特征，我们构建了一种结合全注意力和概率注意力的双注意力机制，以实现短期和长期依赖关系的统一建模；在学习策略层面，引入了基于样本感知的非对称损失函数，并对正常、难以学习和异常样本应用差异化加权，以提高模型对不同数据分布的适应性。在应用层面，将预测结果纳入资源优化评估中，形成基于负载感知的主动资源优化路径。本研究的主要贡献总结如下：

• •
  自适应负载感知调度框架： 提出了一种基于负载感知的主动资源调度方法（ALAS），通过构建高效的负载预测框架，形成从负载感知到资源优化评估的统一路径。
• •
  基于预测的主动调度机制： 基于具有预测意识的主动调度机制，将负载预测结果纳入资源优化评估和决策过程，从而从被动响应转向预测驱动的方法。
• •
  用于长短期依赖关系学习的双注意力架构： 基于双注意力机制，提出了一种结合全注意力和概率注意力的混合架构，以实现负载数据中短期波动和长期趋势的统一建模。
• •
  基于样本感知的学习机制：
  引入了一种基于样本感知的学习机制，该机制将样本分类为正常、难以学习和异常三类，并应用差异化加权，以提高模型对异构和异常数据分布的适应性。

服务器集群的资源调度方法

现有的服务器集群资源调度方法通过负载预测和调度算法优化来提高集群资源利用率。Cortez 等人 [7] 提出了一种基于虚拟机工作负载特征的中心资源系统，通过机器学习预测虚拟机行为来改进资源管理过程。基于深度学习的训练是一项资源密集型且耗时的任务。Peng 等人 [8] 关注了深度学习的特性

服务器负载预测问题的建模

(1)涉及边缘环境中服务器的资源调度问题。设用户表示为 $Y=\left(Y_1,Y_2,Y_3,,\; \dots ,Y_n\right)$，服务器集群表示为 $K=\{k_1,k_2,k_3,,\; \dots ,k_{\mathrm{n}}$。当 $Y$ 向 $K$ 发送资源分配请求时，必须有一种合理的资源分配方法 [23]。这在高峰期间尤为重要，以防止服务器过载。

(2) 输入条件由业务特征属性确定。适当的输入

概述

在边缘服务器负载预测任务中，不同服务之间存在显著的资源分配差距。鉴于数据具有正态分布的长时间序列特性，我们采用了基于时间序列预测模型的点对点单步负载预测方法 [24]、[25]。

ALAS 的整体工作流程如图 2 所示。首先，在特征提取模块中，编码器接受单个时间片内的业务特征作为输入，其中特征包括

实验与分析

本节描述了评估指标、数据集和实验设置，并分析了 ALAS 的研究成果，并将其与基准算法进行了比较。实验使用了第 11 代 Intel(R) Core(TM) i7-11700K 处理器（3.60 GHz）、NVIDIA GeForce RTX 3090Ti 和 64 位 Win10 操作系统。

结论

本研究解决了复杂负载条件下的服务器资源优化问题，并提出了一种称为 ALAS 的负载感知资源优化方法。该方法结合了负载预测和资源决策分析，通过长期和短期依赖关系建模以及样本感知策略，提高了模型对异构负载和异常干扰的适应性。实验结果表明，ALAS 方法在预测性能和稳定性方面表现出色

CRediT 作者贡献声明

夏欣娜： 起草初稿、方法论、调查、形式分析、概念化。杨静： 资源获取、方法论、资金获取、形式分析、审稿与编辑。阮晓丽： 验证、资金获取、监督、数据管理、审稿与编辑。龚仁杰： 监督、软件开发、数据管理、方法论。李成江： 监督、形式分析、概念化。陈彦萍： 形式分析、监督、调查，

资助

本研究得到了 国家自然科学基金（62441608、62166005）、贵州省科技项目（QKHZC[2025]023、QKHZC[2025]025）、贵州省教育厅科技研究项目（编号 QJJ[2025]014）、贵阳市科技创新人才发展对象和项目（编号 ZKHT[2023]48-8）、贵州大学基础研究基金（[2024]08）以及 国家重点实验室开放项目的支持

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文报告的工作。