《Electronics》：WPPSO: A Container Management Method Based on Workload Prediction and Particle Swarm Optimization for Serverless Computing
编辑推荐：
无服务器计算（Serverless Computing）已成为云计算中的突出研究焦点，因为它提供基础设施透明化开发和弹性资源管理。然而，这种计算范式仍面临冷启动（Cold Start）的固有挑战。现有方法存在两个主要局限：工作负载（Workload）预测精度不
无服务器计算（Serverless Computing）已成为云计算中的突出研究焦点，因为它提供基础设施透明化开发和弹性资源管理。然而，这种计算范式仍面临冷启动（Cold Start）的固有挑战。现有方法存在两个主要局限：工作负载（Workload）预测精度不足，以及可重用容器副本（Container Replica）向传入函数请求的分配效率低下。为应对这些挑战，研究人员提出了一种基于工作负载预测和粒子群优化（PSO）的容器调度方法，命名为WPPSO。WPPSO首先利用代码预训练的大语言模型（LLM）提取函数内在特征，然后使用基于时空融合的时间神经网络（STF-TNN）预测无服务器工作负载。随后，它采用贪婪算法构建高质量的初始匹配状态，并使用PSO优化容器调度策略。最后，WPPSO引入分层容器回收机制以减少空闲资源浪费。大量实验表明，与原生Knative平台相比，WPPSO将启动延迟降低高达72.2%，内存占用降低63.4%。与RainbowCake相比，WPPSO的平均启动延迟降低15.6%（无统计学显著性），空闲内存消耗降低31%（具有统计学显著性）。
**论文解读**
**研究背景与动机**
随着云计算快速发展，无服务器计算（Serverless Computing）因其基础设施透明与弹性资源管理成为热点，但其核心单元——函数（Function）的冷启动（Cold Start）问题仍严重制约性能。冷启动指平台在接收函数请求后需新建容器并准备运行环境，由于许多函数执行时间远短于容器初始化，这一延迟在金融、实时服务等延迟敏感场景中尤为突出。现有容器副本池（Container Replica Pool, CRP）机制虽通过预热容器缓解问题，但存在两大局限：工作负载预测精度不足（忽略函数内在特征，仅依赖历史请求时序），以及容器副本与函数请求的匹配效率低下（传统一对一批配易引发链式效应，导致资源浪费与匹配失败）。为此，研究人员提出结合工作负载预测与改进粒子群优化（Particle Swarm Optimization, PSO）的容器管理方法WPPSO，旨在通过精准预测与优化调度，兼顾低延迟与低资源消耗。该论文发表在《Electronics》。
**关键技术方法（不超过250字）**
WPPSO的核心技术包括三部分：第一，基于代码预训练大语言模型（Large Language Model, LLM）的函数特征提取，通过信息输入、语义编码、特征融合与向量量化（Product Quantization, PQ）生成低维密集量化向量；第二，利用时空融合时间神经网络（Spatio-Temporal Fusion-based Temporal Neural Network, STF-TNN）预测未来时间窗内的函数请求类型与数量，该模型结合图注意力网络（Graph Attention Network, GAT）与双层门控循环单元（Gated Recurrent Unit, GRU）捕获空间相关性与长短期时间依赖性；第三，采用贪婪算法与离散PSO混合的容器调度策略，贪婪算法构建高质量初始匹配，PSO优化匹配质量，并引入基于三层容器结构（系统层、语言运行时层、依赖包层）的分层回收机制，降低空闲容器资源浪费。实验采用Azure Functions真实轨迹数据集，包含20个函数、50个依赖，在5节点Knative集群上验证。
**研究结果**
**冷启动问题**
通过比较端到端请求延迟（从请求发起至响应返回），WPPSO相对于RainbowCake、GALF、粒度树（Granularity Tree, GT）和原生Knative，分别降低平均启动延迟17.26%、42%、49.60%和72.2%。对于17个函数，WPPSO延迟低于RainbowCake；对于轻量函数（如GB、FC、FI），WPPSO延迟略高，因其容器降级策略优先保留高冷启动代价容器的资源。t检验显示，WPPSO与GALF和Knative的差异具有统计学显著性（p值分别为0.04880和0.01436），与RainbowCake和GT的差异虽不显著但均值更低。P99延迟方面，WPPSO在20个函数中的17个优于RainbowCake。
**资源利用**
CPU利用率：WPPSO在各节点保持稳定约71%，波动最小，避免了因负载预测不准导致的过载或碎片化。而粒度树波动显著，因其依赖包依赖解析的调度机制在高频调用场景下失效。内存占用：WPPSO平均空闲内存消耗为1.18 GB，较RainbowCake降低31%，较Knative降低63.4%；平均总内存为5.5 GB，较RainbowCake低8.3%。t检验显示WPPSO在所有基线中均具有统计学显著性差异（p值均<0.05）。时间开销评估：LLM推理延迟4-6秒（仅离线使用），STF-TNN初始训练3620秒（200轮），单次微调约10秒，PSO收敛时间4.55秒（300容器规模），可接受。
**工作负载预测精度**
在不同时间周期（30秒至6分钟）下，WPPSO的平均绝对误差（Mean Absolute Error, MAE）均优于RainbowCake、SLOPE和Smartpick。RainbowCake的泊松分布模型精度随周期增长而提升，而深度学习基线在长周期下准确率下降；WPPSO因融入函数内在特征，能关联负载变化与函数属性，保持稳定精度。
**消融实验**
移除预测模块后，启动延迟与内存占用显著增加，证明预测对整体性能的重要贡献。损失函数参数λ取中间值时精度最高。移除贪婪算法后，启动延迟略增，内存占用大幅上升，因贪婪提供了高质量初始解，引导PSO高效收敛，否则PSO需更多容器处理相同请求。
**讨论与结论**
讨论部分指出WPPSO的局限性：PSO算法可能陷入局部最优，依赖自适应权重调整；预测模块在突发异常负载下仍有误差；当前依赖K8s环境，未适配其他编排平台。未来工作将优化PSO结构、引入异常检测、扩展长期预测、验证工业场景并提升计算效率。
研究结论：本文提出WPPSO——一种基于工作负载预测与PSO的容器调度方法，通过LLM特征提取与STF-TNN实现精准预测，采用贪婪-PSO混合算法改进容器-函数匹配，并通过分层容器降级与回收机制减少资源浪费。实验证明，WPPSO有效缓解冷启动问题，同时显著降低内存占用。
