38、机器学习在资源供应系统中的应用

机器学习在资源供应系统中的应用

在当今的云计算环境中，资源供应系统（RPS）的高效运行至关重要。RPS 能够自动调整分配给虚拟机（VM）的硬件配置，以动态优化诸如能耗、执行时间或成本等目标指标。下面我们将详细介绍 RPS 的各个组成部分以及机器学习技术在其中的应用。

1. RPS 概述

RPS 通常由四个主要组件构成：
- 预测器（Predictor） ：能够主动预测应用程序的未来行为。
- 估计器（Estimator） ：对目标指标进行建模。
- 探索器（Explorer） ：优化并搜索最佳解决方案。
- 决策器（Decision Maker） ：整合各组件信息，做出最终的资源分配决策。

现代 RPS 的服务器需要维护每个主机状态的数据库，并在每个监控间隔对其进行更新。通过当前和先前的状态，RPS 可以预测应用程序的下一阶段及其微架构签名，进而估计目标指标。探索器会自动搜索实现最优目标指标的配置。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(初始配置参数值 {C1, C2, …, Cn}):::process --> B(执行窗口监控):::process
    B --> C(预测微架构签名):::process
    C --> D(新配置参数值 {C1’, C2