ترجمه فارسی مقاله مقیاس‌بندی تطبیقی ​​دو مرحله‌ای منابع ابری از طریق پیش‌بینی چند شاخصه سلسله مراتبی و تصمیم‌گیری بیزی

چکیده

The surging demand for cloud computing resources, driven by the rapid growth of sophisticated large-scale models and data centers, underscores the critical importance of efficient and adaptive resource allocation. As major tech enterprises deploy massive infrastructures with thousands of GPUs, existing cloud platforms still struggle with low resource utilization due to key challenges: capturing hierarchical indicator structures, modeling non-Gaussian distributions, and decision-making under uncertainty. To address these challenges, we propose HRAMONY, an adaptive Hierarchical Attention-based Resource Modeling and Decision-Making System. HARMONY combines hierarchical multi-indicator distribution forecasting and uncertainty-aware Bayesian decision-making. It introduces a novel hierarchical attention mechanism that comprehensively models complex inter-indicator dependencies, enabling accurate predictions that can adapt to evolving environment states. By transforming Gaussian projections into adaptive non-Gaussian distributions via Normalizing Flows. Crucially, HARMONY leverages the full predictive distributions in an adaptive Bayesian process, proactively incorporating uncertainties to optimize resource allocation while robustly meeting SLA constraints under varying conditions. Extensive evaluations across four large-scale cloud datasets demonstrate HARMONY’s state-of-the-art performance, significantly outperforming nine established methods. A month-long real-world deployment validated HARMONY’s substantial practical impact, realizing over 35,000 GPU hours in savings and translating to $100K+ in cost reduction, showcasing its remarkable economic value through adaptive, uncertainty-aware scaling. Our code is available at https://github.com/Floating-LY/HARMONY1.

چکیده به فارسی (ترجمه ماشینی)

تقاضای افزایش یافته برای منابع محاسباتی ابری ، ناشی از رشد سریع مدل های پیشرفته در مقیاس بزرگ و مراکز داده ، بر اهمیت اساسی تخصیص منابع کارآمد و سازگار تأکید می کند.از آنجا که شرکت های اصلی فناوری زیرساخت های عظیم را با هزاران GPU مستقر می کنند ، سیستم عامل های ابری موجود هنوز به دلیل چالش های کلیدی با استفاده از منابع کم تلاش می کنند: ضبط ساختارهای شاخص سلسله مراتبی ، مدل سازی توزیع های غیر گاوسی و تصمیم گیری تحت عدم اطمینان.برای پرداختن به این چالش ها ، ما Hramony ، یک مدل سازی منابع مبتنی بر توجه سلسله مراتبی و سیستم تصمیم گیری را پیشنهاد می کنیم.هارمونی پیش بینی توزیع چند نشانگر سلسله مراتبی و تصمیم گیری بیزیایی آگاه و عدم اطمینان را ترکیب می کند.این یک مکانیسم توجه سلسله مراتبی جدید را معرفی می کند که به طور جامع از وابستگی های پیچیده بین نشانگر مدل می کند و پیش بینی های دقیقی را ایجاد می کند که می تواند با حالت های در حال تحول سازگار باشد.با تبدیل پیش بینی های گاوسی به توزیع غیر گائوزیایی تطبیقی ​​از طریق عادی سازی جریان.از نظر مهم ، هارمونی توزیع های پیش بینی کننده کامل را در یک فرآیند تطبیقی ​​بیزی اعمال می کند ، و به طور فعال شامل عدم قطعیت ها برای بهینه سازی تخصیص منابع در حالی که محکم با محدودیت های SLA در شرایط مختلف ملاقات می کند.ارزیابی های گسترده در چهار مجموعه داده ابری در مقیاس بزرگ ، عملکرد پیشرفته ای هارمونی را نشان می دهد ، به طور قابل توجهی از نه روش تعیین شده بهتر است.استقرار یک ماهه در دنیای واقعی تأثیر عملی قابل توجهی هارمونی را تأیید کرد و با تحقق بیش از 35000 ساعت GPU در پس انداز و ترجمه به 100K دلار+ در کاهش هزینه ، ارزش اقتصادی قابل توجه خود را از طریق مقیاس بندی تطبیقی ​​و عدم اطمینان نشان داد.کد ما در https://github.com/floating-ly/harmony1 در دسترس است.