SLA驱动的云环境自动化算法选择框架
摘要
云计算提供按需资源访问，由消费者与云服务提供商之间的服务级别协议（SLA）进行规范。SLA违规会影响效率和服务提供商的盈利能力。本研究提出了一种面向资源受限云环境中组合优化问题的SLA感知自动化算法选择框架。该框架采用机器学习模型集成来预测性能，并根据SLA约束对算法-硬件组合进行排序。
方法框架
核心架构
- 使用集成机器学习模型进行性能预测
- 基于SLA约束的算法-硬件配对排序机制
- 支持组合优化问题的自动化算法选择
实证验证
将框架应用于0-1背包问题，构建包含以下要素的数据集：
- 实例特定特征
- 内存使用情况
- 运行时间
- 最优性差距
- 涵盖6种算法的性能数据
实验评估
基准测试
在分类和回归任务上评估框架性能：
- 分类任务：算法选择准确性
- 回归任务：性能指标预测
消融研究
深入分析以下因素的影响：
- 超参数调优
- 不同学习方法比较
- 大语言模型在回归任务中的有效性
- 基于SHAP的可解释性分析
技术贡献
- 首创SLA中心的自动化算法选择框架
- 集成多机器学习模型实现性能预测
- 提供算法-硬件组合的智能排序方案
- 通过可解释性分析增强决策透明度