🤖 machine learning

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

O artigo propõe o DSTFView, uma estrutura de múltiplas visões espaço-temporais-frequenciais de entrada dupla que equilibra efetivamente a modelagem de características e a eficiência de previsão para prever cargas de trabalho colaborativas nuvem-borda ao capturar conjuntamente dependências de proximidade, período e domínio da frequência, enquanto funde vistas de forma adaptativa para lidar com mudanças abruptas.

Autores originais: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

Publicado 2026-07-28

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Qingzhong Li, Hui Ma, Yajun Zhang, Qingchang Ma, Zhou Long

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a internet como uma cidade gigante e movimentada. Antigamente, todo o trabalho pesado — como processar suas fotos ou rodar jogos complexos — acontecia em um enorme e distante arranha-céu chamado "A Nuvem". Mas, conforme começamos a pedir que nossos dispositivos fizessem mais coisas instantaneamente, como carros autônomos ou realidade aumentada, essa longa viagem até o arranha-céu tornou-se lenta demais. Por isso, construímos estações de "borda" menores e locais, bem nos bairros, para lidar com as tarefas rápidas. Este é o mundo da Colaboração Nuvem-Borda: um esforço de equipe onde o grande cérebro (Nuvem) e os ajudantes locais (Borda) trabalham juntos.

No entanto, essas estações de borda são caóticas. Elas são como cafeterias movimentadas onde o número de clientes muda drasticamente de minuto para minuto. Às vezes é uma terça-feira tranquila e, às vezes, há um fluxo repentino de pedidos. Se o dono da loja (o sistema de computação) não adivinhar o movimento corretamente, ele ou fica sem café (trava) ou desperdiça dinheiro mantendo muitos baristas de prontidão (energia desperdiçada). O grande desafio para os cientistas é descobrir como prever esses fluxos loucos com precisão, especialmente quando os padrões são diferentes para cada loja e mudam ao longo do tempo.

Apresentamos o DSTFView, um novo "bola de cristal" projetado por pesquisadores para resolver este enigma de previsão. Pense nele como um previsitor meteorológico superinteligente para o tráfego de computadores. Em vez de apenas olhar para os últimos minutos, este sistema olha através de três "lentes" diferentes ao mesmo tempo: o passado imediato (proximidade), os hábitos diários repetitivos (período) e os ritmos ocultos nos dados (frequência). Ele também atua como uma rua de mão dupla entre as estações locais e o arranha-céu central. As estações locais enviam um resumo rápido do que está acontecendo para a Nuvem, que entende o panorama geral e envia conselhos de volta para baixo. As estações locais então misturam esse conselho do panorama geral com suas próprias observações detalhadas para fazer um palpite final e altamente preciso sobre o que acontecerá a seguir.

Os pesquisadores testaram essa ideia em dois conjuntos de dados do mundo real: um rastreando o quão duro os processadores de computador estavam trabalhando (CPU) e outro medindo a velocidade do tráfego de rede (TP). Eles compararam seu novo método com muitas outras ferramentas de previsão populares. Os resultados mostraram que o DSTFView foi consistentemente melhor em adivinhar a carga de trabalho futura do que os outros métodos. Ele não apenas acertou a média; foi particularmente bom em detectar picos e quedas repentinos no tráfego, que são as partes mais difíceis de prever. Ao combinar a visão local com a visão global e usar essas três lentes para entender o tempo e os padrões, o DSTFView sugere uma maneira mais confiável de manter nossas cidades digitais funcionando suavemente sem desperdiçar recursos ou colapsar sob pressão.

Resumo Técnico de DSTFView: Previsão de Carga de Trabalho Nuvem-Borda com Visão Espaço-Temporal-Frequencial de Dupla Entrada

1. Declaração do Problema

A proliferação da inferência de IA no lado da borda (edge-side) criou uma demanda para que plataformas de borda suportem aplicações sensíveis à latência, altamente concorrentes e críticas em termos de confiabilidade. O gerenciamento eficaz de recursos nesses ambientes depende fortemente de uma previsão de carga de trabalho precisa. No entanto, os métodos existentes enfrentam desafios significos em configurações colaborativas nuvem-borda:

Heterogeneidade e Complexidade: As cargas de trabalho de borda exibem características complexas, incluindo dependências espaciais entre sites, dinâmicas temporais (explosões de demanda, mudanças de tendência) e regularidades no domínio da frequência (ciclos de serviço). Os métodos atuais frequentemente focam em apenas uma perspectiva (temporal, frequência ou espaço-temporal) ou falham em integrar uniformemente essas características de múltiplas fontes e múltiplos padrões.
Incerteza nas Dependências: As relações nos ambientes de borda (proximidade geográfica, afinidade de serviço, acoplamento de recursos compartilhados) são dinâmicas, parcialmente observáveis e inerentemente incertas devido à mobilidade do usuário e implantação dinâmica.
Compromisso entre Eficiência e Precisão: Soluções centradas na nuvem introduzem latência e custos de comunicação, enquanto soluções exclusivas de borda negligenciam dependências entre sites. Além disso, os frameworks colaborativos existentes lutam com a previsão de múltiplos passos, muitas vezes falhando em capturar comportamentos periódicos de múltiplas escalas ou em lidar com conexões não confiáveis que degradam o desempenho em horizontes estendidos.

2. Metodologia: Framework DSTFView

Os autores propõem o DSTFView, um framework de previsão de carga de trabalho de visão múltipla espaço-temporal-frequencial (STF) de dupla entrada, projetado para arquiteturas colaborativas nuvem-borda. O sistema opera através de um pipeline de dois estágios:

A. Visão Geral do Framework
O framework consiste em uma Camada de Agregação do Lado da Borda, um Estágio Global do Lado da Nuvem e um Estágio Local do Lado da Borda.

Agregação: Os sites de borda comprimem rastros históricos de carga de trabalho ao nível de VM em sequências leves ao nível de site usando uma camada de agregação aprendível para minimizar o overhead de comunicação.
Mecanismo de Dupla Entrada: Tanto o estágio global quanto o local utilizam dois ramos de entrada distintos:
1. Entrada de Proximidade (Closeness Input): Captura dinâmicas recentes.
2. Entrada de Período (Period Input): Modela padrões temporais recorrentes.

B. Estágio Global (Lado da Nuvem)

Entrada: Sequências de nível de site agregadas de todos os sites de borda participantes.
Modelagem: A nuvem realiza a modelagem STF global sobre grafos de múltiplos visões de sites.
- Extração de Frequência: A Transformada Rápida de Fourier (FFT) é aplicada para extração de características no domínio da frequência de ambos os ramos de entrada.
- Modelagem Temporal: Redes Convolucionais Temporais com Portão (Gated TCN) capturam dependências temporais.
- Modelagem Espacial: Redes Convolucionais de Grafos (GCN) operam sobre três visões de grafos inter-sites: um Grafo Espacial (geográfico), um Grafo Temporal e um Grafo Auto-adaptável.
- Fusão Adaptativa de Múltiplas Visões (AMVF): Um mecanismo adaptativo repondera dinamicamente as representações das três visões de grafo com base em pontuações de importância aprendidas, permitindo que o modelo foque nas estruturas relacionais mais relevantes.
Saída: Previsões de nível de site de grão grosso e de múltiplos passos são geradas e retornadas aos sites de borda como orientação global.

C. Estágio Local (Lado da Borda)

Entrada: Sequências de carga de trabalho de nível de VM de grão fino e a orientação global da nuvem.
Modelagem: O preditor local espelha a arquitetura STF global, mas opera na granularidade de VM usando grafos de múltiplas visões intra-site:
- Visões de Grafo: Grafo Físico, Grafo Lógico e Grafo Auto-adaptável.
- Fusão: O módulo AMVF funde adaptativamente essas visões para refinar a modelagem de dependência.
Desagregação e Fusão Final: A previsão global de nível de site é mapeada de volta para o nível de VM via uma camada de desagregação. A previsão final de nível de VM é obtida pela fusão adaptativa da previsão local e da orientação global desagregada usando um tensor de portão aprendível ( $\lambda_m$ ).

3. Principais Contribuições

O artigo descreve três contribuições primárias:

Arquitetura Inovadora: Uma arquitetura de dupla entrada espaço-temporal-frequencial especificamente projetada para previsão de múltiplos passos colaborativa nuvem-borda, que modela conjuntamente dependências de proximidade e período, enquanto extrai características espaciais, temporais e de domínio da frequência.
Estratégia de Fusão Adaptativa: Uma estratégia de fusão de grafos de múltiplas visões que integra dinamicamente diferentes visões relacionais (espaciais, temporais, físicas, lógicas e auto-adaptáveis) para se adaptar a variados padrões de carga de trabalho.
Pipeline Colaborativo e Validação: A construção de um pipeline de previsão colaborativo global-local e validação experimental extensiva em conjuntos de dados do mundo real (CPU e TP), demonstrando superioridade consistente sobre os métodos de base (baselines).

4. Resultados Experimentais

Os autores avaliaram o DSTFView em dois conjuntos de dados:

Dataset de CPU: Traços de utilização de CPU de 1.728 VMs em 77 sites de borda (Alibaba ENS).
Dataset de TP: Traços de tráfego de rede (throughput de uplink/downlink) da Plataforma de Borda de Rede (Alibaba NEP).

Métricas de Desempenho:

Métricas: Erro Médio Absoluto (MAE), Erro Percentual Absoluto Simétrico Médio (SMAPE) e $R^2$ .
Horizontes: As previsões foram testadas nos horizontes $H=1, 4, 8, 12$ .
Baselines: O modelo foi comparado contra baselines temporais (ex: PatchTST, TimesNet, iTransformer), baselines espaço-temporais (ex: STGCN, DCRNN, GWNET) e baselines colaborativos nuvem-borda (ELASTIC, XELASTIC).

Descobertas:

O DSTFView superou consistentemente todos os baselines representativos em ambos os datasets e em todos os horizontes de previsão.
Estudos de Ablação:
- Remover a fusão de múltiplas visões ou depender de grafos de visão única (apenas espacial, apenas temporal) resultou em degradação do desempenho, confirmando a necessidade da modelagem conjunta.
- A configuração completa de AMVF alcançou os melhores resultados, validando a eficácia da fusão adaptativa de múltiplas visões relacionais.
Visualização: A análise qualitativa mostrou que o DSTFView acompanhou as séries de valores reais (ground-truth) de forma mais próxima que o baseline mais forte (XELASTIC), particularmente durante picos, vales e reversões de tendência local.

5. Significância e Alegações

O artigo afirma que o DSTFView aborda a lacuna crítica de equilibrar a modelagem de características multidimensionais com a eficiência de previsão em ambientes colaborativos nuvem-borda. Ao unificar a modelagem de dinâmicas recentes, padrões periódicos e dependências espaciais heterogêneas através de uma abordagem STF de dupla entrada, o framework alcança maior precisão na previsão de múltiplos passos.

Os autores enfatizam que o mecanismo de fusão adaptativa permite que o modelo capture mudanças abruptas e lide com a incerteza inerente às dependências de borda. Os resultados sugerem que esta abordagem é superior aos métodos existentes que ignoram dependências entre sites ou falham em integrar efetivamente informações de domínio de frequência e estruturas de grafos de múltiplas visões.

Trabalhos Futuros:
Os autores observam que pesquisas futuras focarão na construção de grafos dinâmicos, aprendizado contínuo e na integração do framework de previsão com tarefas de gerenciamento de recursos, como auto-escala e escalonamento, para aumentar a adaptabilidade prática em ambientes de borda do mundo real.