🤖 machine learning

DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling

Het artikel stelt DSTFView voor, een dual-input spatio-temporeel-frequentie multi-view framework dat effectief de balans vindt tussen feature-modellering en voorspellende efficiëntie om collaboratieve cloud-edge workloads te voorspellen door gezamenlijk nabijheid, periodiciteit en frequentiedomein-afhankelijkheden te vangen terwijl views adaptief worden gefuseerd om abrupte veranderingen op te vangen.

Oorspronkelijke auteurs: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

Gepubliceerd 2026-07-28

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het internet voor als een enorme, bruisende stad. In de oude dagen gebeurde al het zware werk — zoals het verwerken van je foto's of het draaien van complexe games — in een massieve, verre wolkenkrabber genaamd "De Cloud". Maar naarmate we onze apparaten meer dingen direct lieten doen, zoals zelfrijdende auto's of augmented reality, werd die lange reis naar de wolkenkrabber te traag. Daarom hebben we kleinere, lokale "edge"-stations gebouwd, midden in de wijken, om de snelle zaken af te handelen. Dit is de wereld van Cloud-Edge Collaboratie: een gezamenlijke inspanning waarbij het grote brein (de Cloud) en de lokale helpers (de Edge) samenwerken.

Deze edge-stations zijn echter chaotisch. Ze zijn als drukke koffietentjes waar het aantal klanten van minuut tot minuut enorm kan variëren. Soms is het een rustige dinsdag, en soms is er plotseling een enorme toestroom van bestellingen. Als de eigenaar van de zaak (het computersysteem) de drukte niet correct inschat, raken ze ofwel zonder koffie (crash), of verspillen ze geld door te veel barista's stand-by te houden (verspilde energie). De grote uitdaging voor wetenschappers is om te achterhalen hoe ze deze krankzinnige drukte nauwkeurig kunnen voorspellen, vooral wanneer de patronen voor elke winkel verschillend zijn en in de loop van de tijd veranderen.

Maak kennis met DSTFView, een nieuwe "glazen bol" ontworpen door onderzoekers om dit voorspellingsraadsel op te lossen. Denk aan dit systeem als een superintelligente weerman voor computerverkeer. In plaats van alleen naar de afgelopen paar minuten te kijken, gebruikt dit systeem tegelijkertijd drie verschillende "lenzen": het directe verleden (nabijheid), de dagelijkse gewoontes (periodiciteit) en de verborgen ritmes in de data (frequentie). Het fungeert ook als een tweerichtingsweg tussen de lokale stations en de centrale wolkenkrabber. De lokale stations sturen een korte samenvatting van wat er gebeurt naar de Cloud, die het grote plaatje bepaalt en advies terugstuurt naar beneden. De lokale stations mengen dat advies over het grote plaatje vervolgens met hun eigen gedetailleerde observaties om een laatste, uiterst nauwkeurige gok te doen over wat er hierna zal gebeuren.

De onderzoekers testten dit idee op twee real-world datasets: één die bijhield hoe hard computerprocessoren werkten (CPU) en een andere die de snelheid van netwerkverkeer mat (TP). Ze vergeleken hun nieuwe methode met vele andere populaire voorspellingsinstrumenten. De resultaten toonden aan dat DSTFView consequent beter was in het voorspellen van de toekomstige werklast dan de andere methoden. Het kreeg niet alleen het gemiddelde goed; het was bijzonder goed in het spotten van plotselinge pieken en dalen in het verkeer, wat de moeilijkste onderdelen zijn om te voorspellen. Door het lokale beeld te combineren met het globale beeld en door drie verschillende lenzen te gebruiken om tijd en patronen te begrijpen, suggereert DSTFView een betrouwbaardere manier om onze digitale steden soepel te laten draaien zonder middelen te verspillen of onder druk in te storten.

Technische Samenvatting van DSTFView: Multi-View Cloud-Edge Workload Forecasting met Dual-Input Spatio-Temporal-Frequency Modellering

1. Probleemstelling

De proliferatie van AI-inferentie aan de edge-zijde heeft een vraag gecreëerd naar edge-platforms die latency-gevoelige, hoog-concurrente en betrouwbaarheidscritische applicaties kunnen ondersteunen. Effectief resourcebeheer in deze omgevingen leunt zwaar op nauwkeurige workload forecasting. Huidige methoden worden echter geconfronteerd met aanzienlijke uitdagingen in collaboratieve cloud-edge settings:

Heterogeniteit en Complexiteit: Edge-workloads vertonen complexe kenmerken, waaronder ruimtelijke afhankelijkheden tussen locaties, temporele dynamiek (burstiness, trendverschuivingen) en frequentiedomein-regulariteiten (servicecycli). Huidige methoden richten zich vaak slechts op één perspectief (temporeel, frequentie, of spatio-temporeel) of falen in het uniform integreren van deze multi-source, multi-patroon kenmerken.
Onzekerheid in Afhankelijkheden: Relaties in edge-omgevingen (geografische nabijheid, service-affiniteit, gedeelde-resource koppeling) zijn dynamisch, gedeeltelijk observeerbaar en inherent onzeker door gebruikersmobiliteit en dynamische deployment.
Efficiëntie versus Accuratesse Trade-off: Cloud-gecentreerde oplossingen introduceren communicatie-latency en kosten, terwijl edge-only oplossingen cross-site afhankelijkheden over het hoofd zien. Bovendien worstelen bestaande collaboratieve frameworks met multi-step forecasting, waarbij ze vaak falen in het vastleggen van multi-schaal periodieke gedragingen of het afhandelen van onbetrouwbare verbindingen die de prestaties over langere horizonten verslechteren.

2. Methodologie: DSTFView Framework

De auteurs stellen DSTFView voor, een dual-input spatio-temporal-frequency (STF) multi-view workload forecasting framework ontworpen voor collaboratieve cloud-edge architecturen. Het systeem werkt via een twee-fasen pipeline:

A. Framework Overzicht
Het framework bestaat uit een Edge-side Aggregation Layer, een Cloud-side Global Stage, en een Edge-side Local Stage.

Aggregatie: Edge-sites comprimeren historische VM-level workload traces naar lichtgewicht site-level sequenties met behulp van een leerbare aggregatie-layer om de communicatie-overhead te minimaliseren.
Dual-Input Mechanisme: Zowel de globale als de lokale stage maken gebruik van twee verschillende input-branches:
1. Closeness Input: Legt recente dynamiek vast.
2. Period Input: Modelleert terugkerende temporele patronen.

B. Global Stage (Cloud-zijde)

Input: Geaggregeerde site-level sequenties van alle deelnemende edge-sites.
Modellering: De cloud voert globale STF-modellering uit over multi-view site-graphs.
- Frequentie Extractie: Fast Fourier Transform (FFT) wordt toegepast om frequentiedomein-kenmerken te extraheren uit beide input-branches.
- Temporele Modellering: Gated Temporal Convolutional Networks (TCN) leggen temporele afhankelijkheden vast.
- Ruimtelijke Modellering: Graph Convolutional Networks (GCN) opereren over drie inter-site graph views: een Spatial Graph (geografisch), een Temporal Graph, en een Self-adaptive Graph.
- Adaptive Multi-view Fusion (AMVF): Een adaptief mechanisme herweegt dynamisch de representaties van de drie graph views op basis van geleerde belangscores, waardoor het model zich kan richten op de meest relevante relationele structuren.
Output: Coarse-grained, multi-step site-level forecasts worden gegenereerd en geretourneerd naar edge-sites als globale guidance.

C. Local Stage (Edge-zijde)

Input: Fine-grained VM-level workload sequenties en de globale guidance van de cloud.
Modellering: De lokale predictor spiegelt de globale STF-architectuur maar opereert op VM-granulariteit met behulp van intra-site multi-view graphs:
- Graph Views: Physical Graph, Logical Graph, en Self-adaptive Graph.
- Fusie: De AMVF-module fuseert deze views adaptief om de afhankelijkheidsmodellering te verfijnen.
Disaggregatie en Finale Fusie: De site-level globale forecast wordt via een disaggregatie-layer teruggekaart naar het VM-niveau. De finale VM-level voorspelling wordt verkregen door de lokale voorspelling adaptief te fuseren met de gedisaggregeerde globale guidance met behulp van een leerbare gating tensor ( $\lambda_m$ ).

3. Belangrijkste Bijdragen

Het paper schetst drie primaire bijdragen:

Nieuwe Architectuur: Een dual-input spatio-temporal-frequency architectuur specifiek ontworpen voor collaboratieve cloud-edge multi-step forecasting, die zowel closeness als period afhankelijkheden modelleert terwijl het ruimtelijke, temporele en frequentiedomein kenmerken extraheert.
Adaptive Fusie Strategie: Een multi-view graph fusie strategie die verschillende relationele views (ruimtelijk, temporeel, fysiek, logisch en zelf-adaptief) dynamisch integreert om aan variërende workload patronen aan te passen.
Collaboratieve Pipeline en Validatie: De constructie van een global-local collaboratieve forecasting pipeline en uitgebreide experimentele validatie op real-world datasets (CPU en TP), die een consistente superioriteit over baseline methoden aantonen.

4. Experimentele Resultaten

De auteurs evalueerden DSTFView op twee datasets:

CPU Dataset: CPU-utilisatie traces van 1.728 VM's over 77 edge-sites (Alibaba ENS).
TP Dataset: Netwerkverkeer traces (uplink/downlink throughput) van het Network Edge Platform (Alibaba NEP).

Prestatie Metrieken:

Metrieken: Mean Absolute Error (MAE), Symmetric Mean Absolute Percentage Error (SMAPE), en $R^2$ .
Horizonten: Voorspellingen werden getest bij horizonten $H=1, 4, 8, 12$ .
Baselines: Het model werd vergeleken met temporele baselines (bijv. PatchTST, TimesNet, iTransformer), spatio-temporele baselines (bijv. STGCN, DCRNN, GWNET), en collaboratieve cloud-edge baselines (ELASTIC, XELASTIC).

Bevindingen:

DSTFView presteerde consistent beter dan alle representatieve baselines over beide datasets en alle forecasting horizonten.
Ablatie Studies:
- Het verwijderen van de multi-view fusie of het vertrouwen op single-view graphs (alleen ruimtelijk, alleen temporeel) resulteerde in een verslechterde prestatie, wat de noodzaak van gezamenlijke modellering bevestigt.
- De volledige AMVF-configuratie behaalde de beste resultaten, wat de effectiviteit van het adaptief fuseren van meerdere relationele views valideert.
Visualisatie: Kwalitatieve analyse toonde aan dat DSTFView de ground-truth series nauwer volgde dan de sterkste baseline (XELASTIC), met name tijdens pieken, dalen en lokale trendomkeringen.

5. Betekenis en Claims

Het paper claimt dat DSTFView het cruciale gat adresseert in het balanceren van multidimensionale feature modellering met forecasting efficiëntie in collaboratieve cloud-edge omgevingen. Door de modellering van recente dynamiek, periodieke patronen en heterogene ruimtelijke afhankelijkheden te verenigen via een dual-input STF benadering, bereikt het framework een hogere accuratesse in multi-step forecasting.

De auteurs benadrukken dat het adaptive fusiemechanisme het model in staat stelt om abrupte veranderingen te vangen en de onzekerheid die inherent is aan edge-afhankelijkheden te hanteren. De resultaten suggereren dat deze aanpak superieur is aan bestaande methoden die ofwel cross-site afhankelijkheden negeren, ofwel er niet in slagen om frequentiedomein informatie en multi-view graph structuren effectief te integreren.

Toekomstig Werk:
De auteurs merken op dat toekomstig onderzoek zich zal richten op dynamische graph constructie, continual learning, en het integreren van het forecasting framework met resource management taken zoals auto-scaling en scheduling om de praktische aanpasbaarheid in real-world edge omgevingen te verbeteren.