Fremer: Transformateur de Fréquence Léger et Efficace pour la Prévision de Charge de Travail dans les Services Cloud

La prévision de charge de travail est essentielle dans les applications de services cloud, telles que l'auto-scaling et la planification, avec des implications profondes pour l'efficacité opérationnelle. Bien que les modèles de prévision basés sur le Transformer aient démontré un succès remarquable dans des tâches générales, leur efficacité computationnelle ne répond souvent pas aux exigences strictes des environnements cloud à grande échelle. Étant donné que la plupart des séries de charges de travail présentent des motifs périodiques compliqués, aborder ces défis dans le domaine fréquentiel offre des avantages substantiels. À cet effet, nous proposons Fremer, un modèle de prévision profond efficace et performant. Fremer remplit trois exigences critiques : il démontre une efficacité supérieure, dépassant la plupart des modèles de prévision basés sur le Transformer ; il atteint une précision exceptionnelle, surpassant tous les modèles à la pointe de la technologie (SOTA) dans la prévision de charge de travail ; et il présente une performance robuste pour les séries multi-périodes. De plus, nous collectons et open-source quatre ensembles de données de charge de travail de haute qualité, dérivés des services cloud de ByteDance, englobant des données de charge de travail issues de milliers d'instances de calcul. D'importantes expériences sur nos ensembles de données propriétaires et des références publiques montrent que Fremer surpasse constamment les modèles de référence, obtenant des améliorations moyennes de 5,5 % en MSE, 4,7 % en MAE et 8,6 % en SMAPE par rapport aux modèles SOTA, tout en réduisant simultanément l'échelle des paramètres et les coûts computationnels. De plus, dans un test d'auto-scaling proactif basé sur Kubernetes, Fremer améliore la latence moyenne de 18,78 % et réduit la consommation de ressources de 2,35 %, soulignant son efficacité pratique dans des applications réelles.