《IEEE Transactions on Big Data》：Hypergraph-Enhanced Multimodal Dynamics for Multi-Omics Classification via Intra- and Inter-Sample Fusion
编辑推荐：
大规模云服务器工作负载的准确预测是现代基于微服务的数据中心面临的关键挑战，其中复杂的节点间依赖、时间延迟效应和多维波动模式常常削弱传统预测模型的有效性。为应对这些挑战，研究人员提出了一种基于长短期记忆网络的协作波动感知学习（Collaborative Fluc
大规模云服务器工作负载的准确预测是现代基于微服务的数据中心面临的关键挑战，其中复杂的节点间依赖、时间延迟效应和多维波动模式常常削弱传统预测模型的有效性。为应对这些挑战，研究人员提出了一种基于长短期记忆网络的协作波动感知学习（Collaborative Fluctuation-aware Learning based on Long Short-Term Memory，CFL-LSTM），这是一个统一框架，结合了动态相关挖掘、因果时间-空间对齐以及基于门控注意力的多通道长短期记忆（LSTM）融合。动态相关挖掘模块提取波动驱动特征，并通过带极性感知的延迟补偿量化节点间关系。时间-空间对齐模块校正辅助序列错位以保持因果一致性。门控注意力融合机制自适应地整合多节点表示以实现细粒度预测。在阿里集群追踪（Alibaba Cluster Trace）和GAIA数据集上进行的综合实验表明，CFL-LSTM在多种误差指标上持续优于竞争性的统计和深度学习基线。通过将注意力引导的特征选择与极性感知对齐纳入可扩展的端到端架构，CFL-LSTM为稳健和准确的云工作负载预测提供了一种新颖且可部署的解决方案。
随着微服务架构在云数据中心的广泛部署，服务节点之间通过调用链相互依赖，资源利用率波动会沿服务链传播，并伴随时间延迟和资源竞争，形成复杂的协同波动模式。准确预测云服务器负载对于自动扩缩容、资源调度和负载均衡至关重要。然而，传统预测方法通常假设各负载指标独立，仅对单一节点或单一指标建模，忽略了跨节点交互和时延效应，导致预测精度不足，也难以应对实际系统中的动态变化。此外，一些多节点协同分析方法试图融合所有节点信息，却可能引入冗余和“维度灾难”。因此，亟需一种能够动态挖掘节点间相关性并处理时延影响的协同预测框架。
针对上述问题，研究人员提出了基于长短期记忆网络的协作波动感知学习框架（Collaborative Fluctuation-aware Learning based on Long Short-Term Memory，CFL-LSTM）。该框架由三个主要模块组成：动态相关挖掘（Dynamic Correlation Mining，DCM）、特征时间-空间对齐（Feature Temporal-Spatial Alignment，FTSA）和多通道LSTM融合（Multi-Channel LSTM Fusion，MCLF）。DCM模块利用集成时间序列预测器对每个节点的负载序列生成多维“波动特征”（flux-feature），即预测残差序列，用以突出异常波动和时序动态。通过注意力机制对86个波动特征通道加权并选择top-K特征，随后计算任意两个节点波动特征之间的互相关函数，确定最大相关系数、最优时间滞后（时延）以及相关性极性。FTSA模块基于最优时延对辅助节点序列执行时间偏移补偿，并根据极性进行符号校正，再采用Z-score归一化消除量纲差异，从而保证辅助序列与目标节点在时间和方向上一致。MCLF模块则并行使用多个独立LSTM分别处理目标节点和top-N辅助节点的对齐特征，通过门控注意力机制（Gated Attention Mechanism，GAM）自适应计算各通道权重，融合后的表示经全连接层输出未来负载预测。整个模型以均方误差（MSE）作为损失函数进行端到端训练。
实验数据来自两个真实云环境数据集：阿里
