CloudCons：面向云资源整合的综合端到端基准

在为保证服务可靠性而采取保守的超额配置的推动下，云数据中心的资源利用率仍然处于较低水平。为了缓解这一问题，出现了“预测然后优化”范式，通过预测未来需求来优化整合。虽然新兴的时间序列基础模型有望通过零样本泛化来增强这种范式，但现有的基准仅关注预测误差指标。这些先进模型的实际决策效用尚未得到验证，导致它们对下游任务的实用价值不确定。为了弥补这一差距，我们提出了 CloudCons，这是一个全面的端到端基准测试，旨在评估云资源整合的特定背景下的预测模型。我们构建了涵盖来自华为云、Microsoft Azure 和 Google Borg 的不同工作负载的高质量数据集，捕获从同步昼夜节律到随机、脉冲状突发和高频噪声等不同的服务特征。我们对统计、深度学习和基础模型进行了广泛的评估。我们的实验揭示了一个关键发现：虽然基础模型表现出卓越的零样本预测精度，但这种优势本质上并不能转化为更好的决策效用。具有实际意义的是，我们系统地分析了预测分位数的选择如何作为关键杠杆。我们提供了可操作的指南来校准这些选择，以平衡资源效率和服务可靠性之间的权衡，为现实世界的部署决策提供重要的见解。