计算机科学>人机交互
标题: 通过原型人在操作中的模拟学习在Microsoft云中实现风险感知自适应虚拟CPU超额订购
摘要: 超额订阅是云服务中的一种常见做法,在这种情况下,系统向用户或应用程序提供的虚拟资源(如虚拟机中的虚拟核心)比其可用物理容量更多,以减少因未使用/冗余容量而造成的收入损失。 尽管超额订阅可能会显著提高资源的有效利用率,但需要注意的是,如果所有位于同一位置的虚拟机都具有较高的利用率,则会带来物理节点级别过载和抖动的风险。 因此,适当的超额订阅策略对于经济高效的无缝云体验至关重要,它可以最大限度地提高利用率,同时降低风险。 目前,大多数云平台都依赖于静态启发驱动的关于超额订阅激活和限制的决策,这可能导致资源过载或搁浅。 设计一个能够适应资源利用模式并联合优化收益和风险的智能超额订阅策略在很大程度上是一个尚未解决的问题。 我们通过我们提出的新型HuMan-in-the-loop原型模拟学习(ProtoHAIL)框架来应对这一挑战,该框架利用利用模式中的近似对称性来学习合适的策略。 此外,我们的人在环(知识注入)培训允许学习对噪声和稀疏性具有鲁棒性的更安全的策略。 我们对实际数据的实证研究表明,微软云平台第一方(内部服务)的风险大幅降低,收益显著增加(节省闲置核心)。