近日，我院王鹏伟老师课题组与蚂蚁集团联合开展的Serverless系统智能扩缩容研究成果《Spectral Decomposition and Responsive Scaling: A Dual-Pattern Approach for Efficient Serverless Auto-Scaling》被CCF A类期刊IEEE Transactions on Computers（TC）正式录用。该研究围绕Serverless平台中的负载预测与自动扩缩容问题展开，提出了一种融合频谱分解与动态响应机制的智能资源管理方法，为解决无服务器环境中的冷启动与资源利用率优化问题提供了新的技术思路。这是课题组继云边协同计算、系统资源管理等方向取得系列成果后，在云计算系统领域获得的又一重要进展。目前，课题组已在Serverless系统优化、云边协同计算及分布式资源管理等领域发表多篇CCF A类会议和期刊论文。
弹性扩展是云计算的核心特性之一，它使得系统能够根据工作负载波动自动调整资源配置，从而保持服务性能的稳定性。然而，容器资源配置不足可能导致性能下降或服务中断，而过度配置则会造成资源浪费。因此，采用能动态适应请求波动的自动扩缩策略对于优化资源利用率和实现SLO至关重要。提前预测函数调用次数被视为管理请求波动的有效策略。但现有的预测方法往往难以同时准确捕捉长期趋势与短期波动：这些方法可能过度受长期趋势影响，或无法有效区分短期波动，从而导致预测结果不准确。传统预测模型通常对整个时间序列采用统一的建模方法，忽视了不同时间尺度数据的独特特征。这种局限性使得不同数据模式之间的界限变得模糊，在预测过程中产生相互干扰，导致预测精度降低，进而削弱后续扩缩容决策的有效性。
图1 FRAP-DWS架构图
针对上述问题，课题组提出了一种面向Serverless环境的动态容器预热与扩缩容方法FRAP-DWS（FRequency-Adaptive Prediction-based Dynamic Weighted Scaling），旨在缓解无服务器环境中的冷启动问题。该方法通过在时间窗口内对历史请求数据进行谱分解预测，并结合不同场景下的当前实际负载情况分析与预测未来负载，从而在请求到达前主动对容器进行预热或缩容。相较于传统的固定存活策略，主动释放冗余容器还能有效降低低负载状态下的资源消耗。同时，频谱分解驱动的预测框架能够更准确地刻画不同时间尺度下的负载变化规律，实现更加精准的扩缩容决策。
图2 部分实验结果对比
实验基于Azure Functions真实负载轨迹验证，结果表明：FRAP-DWS的优势通过多模型融合提升了负载预测精度，有效避免了配置过度或不足的问题，从而同时优化了成本与延迟。其中，冷启动延迟占总体请求时延的比例显著下降，充分验证了该方法在降低冷启动影响、提升服务响应能力方面的有效性。
IEEE Transactions on Computers（TC）是由IEEE Computer Society主办的国际顶级学术期刊，是计算机体系结构、并行与分布式计算及计算机系统领域历史最悠久、影响力最大的学术期刊之一，被中国计算机学会（CCF）列为A类国际期刊。期刊聚焦计算机体系结构、高性能计算、并行与分布式系统、存储系统、嵌入式与边缘计算、系统软件及新型计算范式等核心研究方向，致力于发表具有创新性、前瞻性和广泛影响力的高水平研究成果，对计算机系统领域的发展具有重要引领作用。