🤖 machine learning

STLGT: A Scalable Trace-Based Linear Graph Transformer for Tail Latency Prediction in Microservices

يُعد STLGT محول رسم بياني خطي يعتمد على التتبع وقابل للتوسع، يتنبأ بدقة بزمن استجابة الذيل من النهاية إلى النهاية في الخدمات المصغرة عن طريق ترميز التتبعات كرسوم بيانية للمراحل (span graphs) واستخدام آلية انتباه خطية مدركة للهيكل لنمذجة التبعيات طويلة المدى وأعباء العمل غير المستقرة بكفاءة، محققاً دقة فائقة وسرعة استنتاج أكبر بكثير مقارنة بالطرق الحالية.

المؤلفون الأصليون: Yongliang Ding, Qigong Bi, Peng Pu

نُشر 2026-04-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yongliang Ding, Qigong Bi, Peng Pu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل مدينة رقمية ضخمة، حيث يعمل آلاف العمال الصغار (الخدمات المصغرة - microservices) الذين يتبادلون الملاحظات باستمرار لإنجاز مهمة ما. عندما تضغط على زر "إرسال" في امتحان مدرسي أو تحجز غرفة في فندق، فإن طلبك لا يذهب إلى مكان واحد فقط؛ بل يسافر عبر سلسلة طويلة من هؤلاء العمال. أحيانًا، يصبح الطابور طويلاً وفوضوياً لدرجة أن آخر عامل في السلسلة يشعر بالإرهاق، مما يتسبب في مشكلة "زمن الاستجابة في الذيل" (tail latency) — وهو تأخير نادر ولكنه محبط للغاية يؤدي إلى إفساد تجربة المستخدم.

تقدم هذه الورقة البحثية STLGT، وهي بمثابة "كرة بلورية" جديدة مصممة للتنبؤ بهذه التأخيرات البطيئة قبل حدوثها، حتى يمكن للنظام إضافة المزيد من العمال تلقائياً للحفاظ على سير العمل بسلاسة.

إليك كيف يعمل الأمر، مقسماً إلى مفاهيم بسيطة:

1. المشكلة: لماذا تفشل أدوات التنبؤ الحالية؟

فكر في الطرق الحالية للتنبؤ بالتأخير كأنها تحاول تخمين الازدحامات المرورية من خلال النظر إلى سيارة واحدة أو حي صغير.

تفتقر إلى الصورة الكبيرة: غالباً ما تتجاهل كيف يمكن لتأخير في جزء واحد من المدينة (مثل قاعدة بيانات بطيئة) أن يمتد أثره ليصل إلى نهاية الخط تماماً.
تتحير بسبب المفاجآت: هي جيدة في التنبؤ بحركة المرور المنتظمة اليومية (مثل ساعة الذروة)، لكنها سيئة جداً في التعامل مع الطفرات المفاجئة والفوضوية (مثل بدء عرض بيع خاطف أو بدء امتحان عبر الإنترنت في الساعة 9:00 صباحاً).
بطيئة جداً: مع نمو المدينة، تصبح هذه الطرق ثقيلة جداً من الناحية الحسابية بحيث لا يمكنها تقديم تنبؤات سريعة بما يكفي لتكون مفيدة في الوقت الفعلي.

2. الحل: STLGT (نظام "الخريطة الذكية")

بنى المؤلفون STLGT، والتي تعمل كمركز تحكم مروري عالي الكفاءة. وهي تستخدم ثلاث حيل رئيسية:

أ. رسم "مخطط النطاق" (الخريطة)

بدلاً من مجرد النظر إلى البيانات الخام، ينظر STLGT إلى "التتبعات" (traces) — وهي الآثار الرقمية للطلب أثناء انتقاله من عامل إلى آخر.

التشبيه: تخيل التقاط صورة لمسار توصيل محدد. يقوم STLGT بتحويل تلك الصورة إلى خريطة (مخطط نطاق - span graph) توضح بالضبط أي المنازل (الخدمات) زارتها شاحنة التوصيل وبأي ترتيب.
لماذا يساعد ذلك: فهو ينشئ خريطة مخصصة لكل نوع من أنواع الطلبات (على سبيل المثال، خريطة واحدة لـ "حجز فندق"، وأخرى لـ "تقديم امتحان"). هذا يحافظ على الخريطة صغيرة وسهلة الإدارة، حتى لو كانت المدينة بأكملها ضخمة.

ب. "محول الرسم البياني الخطي" (القارئ السريع)

معظم الأنظمة الذكية تحاول قراءة كل اتصال على الخريطة في وقت واحد، وهو أمر يشبه محاولة قراءة كل المحادثات في ملعب رياضي في آن واحد. هذا دقيق ولكنه بطيء للغاية.

التشبيه: يستخدم STLGT نهجاً "خطياً". بدلاً من قراءة كل المحادثات، فإنه يستخدم اختصاراً خاصاً لفهم "التدفق العام" للحشد فوراً. هو يعلم أنه إذا كان بداية الطابور يتحرك ببطء، فمن المرجح أن يكون الطرف الآخر بطيئاً أيضاً، دون الحاجة إلى فحص كل شخص على حدٍ.
النتيجة: يمكنه التنبؤ بالتأخيرات للخرائط الضخمة والمعقدة بنفس السرعة التي يتنبأ بها للخرائط الصغيرة.

ج. "وحدة الفصل الزمني" (متنبئ الطقس)

يقوم النظام بفصل "الخريطة" (كيف ترتبط الخدمات ببعضها) عن "الطقس" (مدى انشغال النظام الآن).

التشبيه: فكر في "الخريطة" كأنها تخطيط الطرق، و"الطقس" كأنه حجم حركة المرور. لا يحاول STLGT إعادة رسم الطرق في كل مرة تزداد فيها حركة المرور. بدلاً من ذلك، يبقي خريطة الطرق ثابتة، ويملك وحدة منفصلة فائقة السرعة تراقب "حجم حركة المرور" (عبء العمل) لترى ما إذا كانت هناك عاصفة (طفرة في حركة المرور) قادمة.
لماذا يساعد ذلك: هذا يسمح له بالتعامل مع الطفرات المفاجئة وغير المتوقعة (مثل دخول الطلاب جميعاً للاختبار في وقت واحد) دون أن يصاب بالارتباك.

3. ما مدى كفاءة عمله؟

اختبر المؤلفون STLGT في ثلاث "مدن" مختلفة:

المعايسات القياسية: تطبيقات الخدمات المصغرة مفتوحة المصدر الشائعة (مثل نظام حجز الفنادق).
بيانات من العالم الحقيقي: مجموعة بيانات ضخمة من شركة علي بابا (Alibaba)، تمثل مدينة تجارة إلكترونية حقيقية وعملاقة.
منصة تعليمية: نظام تعلم مخصص حيث يؤدي الطلاب امتحانات عبر الإنترنت.

النتائج:

أكثر دقة: في المتوسط، كان STLGT أكثر دقة بنسبة 8.5% من أفضل طريقة سابقة (PERT-GNN) في التنبؤ بأبطأ 5% من الطلبات (p95 latency).
أسرع بكثير: عندما أصبحت "المدينة" كبيرة (32 خدمة)، كان STLGT أسرع بـ 12 مرة في الوصول إلى معالجات الكمبيوتر العادية (CPUs) مقارنة بالمنافسين.
ممتاز للمدارس: في السيناريو التعليمي، نجح في التنبؤ بازدحام حركة المرور الناتج عن أوقات الامتحانات المجدولة، وهو أمر بالغ الأهمية لأنك لا تستطيع الانتظار حتى ينهار النظام قبل إضافة المزيد من الخوادم.

ملخص

STLGT هو أداة جديدة تساعد الأنظمة الحاسوبية على التنبؤ متى أوشكت على البطء. وهو يفعل ذلك عن طريق رسم خرائط ذكية ومخصصة لكيفية انتقال الطلبات، وقراءة تلك الخرائط بسرعة فائقة باستخدام اختصار "خطي"، ومراقبة حجم حركة المرور بشكل منفصل. وهذا يسمح للنظام بإضافة الموارد قبل حدوث البطء، مما يضمن استمرار كل شيء في العمل بسلاسة، حتى خلال أوقات الانشغال الشديد (مثل أسبوع الامتحانات).

إليك ملخص تقني مفصل لورقة البحث بعنوان: "STLGT: محول رسوم بيانية خطي يعتمد على التتبع وقابل للتوسع للتنبؤ بتأخر زمن الاستجابة في الخدمات المصغرة (Microservices)."

1. تعريف المشكلة

تتناول الورقة التحدي الحرج المتمثل في التحجيم التلقائي الاستباقي (Proactive Auto-scaling) في أنظمة الخدمات المصغرة السحابية الأصلية (Cloud-native). وتحديداً، تركز الورقة على التنبؤ متعدد الخطوات لزمن استجابة الذيل عند المئين 95 (p95 tail-latency prediction) (أي التنبؤ بالمئين 95 لأوقات الاستجابة من طرف إلى طرف).

التحديات الرئيسية المحددة:

نمذجة الاعتماد العالمي المحدودة (C1): غالباً ما تتجاهل أدوات التنبؤ الحالية الاعتمادات الاستدعائية طويلة المدى أو تكتفي بالتقاط الجوار المحلي فقط. وفي سلاسل الاستدعاء العميقة للخدمات المصغرة، تتراكم الأخطاء، مما يؤدي إلى قرارات تحجيم خاطئة وانتهاكات لأهداف مستوى الخدمة (SLO).
نمذجة زمنية غير كافية واعية بالانفجار المفاجئ (C2): تفترض العديد من النماذج ثبات أو دورية ضغط العمل. وهي تعاني في التقاط أنماط حركة المرور غير الدورية والمنفجرة (Bursty) الشائعة في بيئات الإنتاج (مثل الامتحانات المجدولة أو فترات العروض الخاطفة).
ضعف القابلية للتوسع والدقة (C3): تسبب الشبكات العصبية الرسومية (GNNs) وآليات الانتباه العالمية (مثل الـ Transformers القياسية) تعقيداً حسابياً تربيعياً ( $O(N^2)$ ) بالنسبة لعدد عقد الخدمات. وهذا يجعلها غير قابلة للتطبيق في الأنظمة واسعة النطاق التي تحتوي على آلاف الخدمات أو رسوم بيانية تتبع معقدة. بالإضافة إلى ذلك، تبسط العديد من النماذج عدم تجانس واجهات برمجة التطبيقات (APIs) بشكل مفرط.

2. المنهجية: STLGT

يقترح المؤلفون STLGT (محول الرسوم البيانية الخطي القابل للتوسع والمستند إلى التتبع)، وهو متنبئ لكل واجهة برمجة تطبيقات (API) يقوم بترميز التتبعات الموزعة كـ رسوم بيانية للنطاقات (Span Graphs). تتكون البنية من ثلاثة مكونات رئيسية:

أ. تمثيل البيانات: الرسوم البيانية للنطاقات المستحثة بواسطة API

بدلاً من استخدام رسم بياني استدعاء عالمي ثابت، يبني STLGT رسماً بيانياً للنطاقات ( $G_A$ ) ديناميكياً وخاصاً بكل API لكل نافذة تنبؤ.

العقد (Nodes): تمثل مراحل التنفيذ المحددة بأزواج (المستدعي-المستدعى) $(p, s)$ المستخرجة من التتبعات الموزعة. يسمح هذا للنموذج بالتمييز بين نفس الخدمة عندما يتم استدعاؤها من قبل مستدعين مختلفين.
الحواف (Edges): تمثل تبعات الاستدعاء (علاقات الأب-الابن في التتبع).
الميزات (Features):
- ميزات العقد: تجمع بين مقاييس مستوى الخدمة (المعالج، الذاكرة، إدخال/إخراج الشبكة) والميزات الزمنية الخاصة بالنطاق (أوقات البداية والنهاية المعيارية، والمدة).
- متجه السياق (Context Vector): متجه مشترك في التتبع يلخص عبء عمل الـ API (الإنتاجية، p50/p90/p99، معدلات الفشل).

ب. المشفر المكاني: محول الرسوم البيانية الخطي المدرك للهيكل

لالتقاط الاعتمادات العالمية دون تعقيد تربيعي، يستبدل STLGT آلية "الانتباه الناعم" (Softmax Attention) القياسية بـ محول رسوم بيانية خطي:

الانتباه الخطي (Linear Attention): يستخدم عامل خلط خطي (مستوحى من SGFormer) لحساب التمثيلات العالمية في زمن قدره $O(N)$ بدلاً من $O(N^2)$ . فهو يتجنب إنشاء مصفوفة الانتباه $N \times N$ عبر حساب ملخص عالمي للقيم ( $\bar{K}^\top \bar{V}$ ) وتوزيعه على جميع العقد.
الخلط المسبق المدرك للهيكل (Structure-Aware Pre-mixing): يقوم بحقن الطوبولوجيا المتفرقة للرسم البياني للنطاق في الخلط العالمي عبر خطوة انتشار متفرقة بضربة واحدة. يضمن هذا احترام النموذج لهيكل الاستدعاء الفعلي مع الحفاظ على التعقيد الخطي.
الانتشار المحلي (Local Propagation): يلتقط فرع شبكة عصبية تلافيفية رسومية (GCN) خفيف الوزن تبعات الجوار المحلي.
الدمج (Fusion): يتم دمج التمثيلات العالمية والمحلية عبر شبكة تغذية أمامية مع اتصالات متبقية (Residual Connections).

ج. فك الترميز الزمني: نمذجة مكانية-زمانية منفصلة

للتعامل مع أحمال العمل غير المستقرة والمنفجرة دون الحاجة لآليات انتباه مكانية-زمانية مكلفة:

الفصل (Decoupling): يفصل النموذج بين ترميز الاعتماد العالمي (المكاني) ونمذجة الديناميكيات الزمنية (الزمني).
كتلة الوقت (TimesBlock): يستخدم فك الترميز الزمني بنية TimesNet. حيث يحدد الفترات المهيمنة في المجال الترددي (عبر FFT) ويجمع التمثيلات المعتمدة على الفترة باستخدام تلافيفات ثنائية الأبعاد (2D Convolutions). يتيح ذلك للنموذج التقاط الأنماط الدورية (مثل الدورات اليومية) والأنماط غير الدورية المنفجرة في آن واحد.
القراءة (Readout): يتم تجميع تمثيلات العقد عبر تجميع الانتباه (Attention Pooling) ودمجها مع متجه سياق التتبع المشترك قبل تغذيتها في فك الترميز الزمني.

3. المساهمات الرئيسية

تجريد الرسم البياني للنطاقات المستند إلى التتبع: تقديم تمثيل رسومي خفيف الوزن وخاص بكل API مشتق مباشرة من التتبعات الموزعة. يحل هذا مشكلة القابلية للتوسع عبر حصر حجم الرسم البيائي للميزات لكل حالة تنبؤ والتعامل مع عدم تجانس الـ API.
محول الرسوم البيانية الخطي المدرك للهيكل: تصميم مشفر مبتكر يحقق زمن استدلال خطي ( $O(|E|d + Nd^2)$ ) بالنسبة لحجم الرسم البياني مع التقاط انتشار الاعتماد العالمي، متجاوزاً عقبة النماذج التقليدية (GNNs/Transformers).
النمذجة المكانية-الزمانية المنفصلة: اقتراح إطار عمل يفصل بين ترميز الاعتماد والديناميكيات الزمنية، مما يتجنب التكلفة الحسابية العالية لآليات الانتباه المقترنة، ويصيغ بفعالية حركة المرور المنفجرة.

4. النتائج التجريبية

قام المؤلفون بتقييم STLGT على ثلاثة مجموعات بيانات:

DeathStarBench (DSB): معايير الخدمات المصغرة مفتوحة المصدر (حجز الفنادق، الشبكة الاجتماعية).
تتبعات Alibaba للإنتاج: تتبعات واقعية واسعة النطلة تضم أكثر من 20 ألف خدمة.
* منصة تعليمية (Edu Platform): نظام تعليمي مخصص يعاني من انفجارات حركة مرور مدفوعة بالجداول الزمنية (مثل الامتحانات عبر الإنترنت).

النتائج الرئيسية:

الدقة: تفوق STLGT على النماذج المرجعية الحديثة (PERT-GNN, FastPERT, GBDT).
- حقق تحسناً متوسطاً بنسبة 8.5% في MAPE مقارنة بـ PERT-GNN عبر مجموعات البيانات.
- في المنصة التعليمية، قلل من قيمة MAPE بنسبة 8.3% مقارنة بـ PERT-GNN، مما أظهر قدرة فائقة على التعامل مع انفجارات حركة المرور الناتجة عن الامتحانات.
القابلية للتوسع والكفاءة:
- سرعة الاستدلال: عند حجم رسم بياني $N=32$ ، كان STLGT أسرع بما يصل إلى 12 ضعفاً على المعالج (CPU) من PERT-GNN.
- القابلية للتوسع: بينما نما زمن استجابة PERT-GNN بمقدار 49.7 ضعفاً عندما زاد $N$ من 1 إلى 32، نما زمن استجابة STLGT بمقدار 3.8 ضعفاً فقط على المعالج (CPU). وهذا يؤكد ميزة التوسع الخطي.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة الخلط المسبق المدرك للهيكل أو فرع الـ GCN إلى تدهور الأداء بشكل كبير، مما يثبت ضرورة كل من نمذجة الاعتماد العالمي والمحلي.
- استبدال فك الترميز TimesNet برأس خطي (Linear Head) أدى إلى تراجع الأداء، مما يسلط الض الضوء على الحاجة لنمذجة زمنية معقدة في البيئات المنفجرة.

5. الأهمية والتأثير

الإدارة الاستباقية لأهداف مستوى الخدمة (SLO): من خلال التنبؤ بدقة بتأخر زمن الاستجابة (p95) مسبقاً، يمكن لـ STLGT تمكين الأنظمة من توفير الموارد قبل حدوث انتهاكات الـ SLO، بدلاً من مجرد رد الفعل بعد وقوعها.
القابلية للتوسع للإنتاج: تصميم التعقيد الخطي يجعل النموذج قابلاً للتطبيق في مجموعات الخدمات المصغرة واسعة النطاق حيث تكون النماذج الرسومية التقليدية بطيئة جداً لعمليات التحكم في الوقت الفعلي.
قابلية التطبيق في قطاع التعليم: يثبت التطبيق الناجح في المنصة التعليمية فائدة النموذج في المجالات ذات حركة المرور الكثيفة والمتوقعة (مثل الامتحانات المجدولة)، حيث غالباً ما يفشل التحجيم التفاعلي (Reactive Scaling) في منع طفرات زمن الاستجابة.
القدرة على التعميم: تسمح منهجية استخدام رسوم بيانية للنطاقات لكل API للنظام بالتوسع مع عدد الـ APIs دون حدوث انفجار توافقي في تعقيد النموذج، مما يجعله حلاً قوياً لبنى السحب الأصلية الحديثة.