تنبؤ دقة تأخير خدمات الميكروسيرفيس باستخدام التعلم الثنائي المتمايز والتحكم الديناميكي في التدرجات

تعتبر بنية الميكروسيرفيس (Microservice Architecture) أحد أهم التطورات في تصميم التطبيقات السحابية القابلة للتوسع، لكن الصعوبة تكمن في الحفاظ على الأهداف المحددة لمستوى الخدمة (Service Level Objectives) بسبب الطبيعة الموزعة لهذه الأنظمة. في هذا السياق، يبقى التنبؤ بدقة بتأخير الذيل P95 في مستوى النوافذ تحديًا كبيرًا بسبب التفاعلات المعقدة بين تدفقات العمل البرمجية وحدود موارد البنية التحتية.

تتسم النماذج التنبئية الحالية بعجز عن التقاط هذه الديناميكيات نتيجة عدم الفصل بين مقاييس الحركة (Traffic Metrics) ومقاييس الموارد (Resource Metrics)، مما يؤدي إلى عدم توافق التمثيلات المميزة. بالإضافة إلى ذلك، تفشل الهياكل الموحدة في النماذج السابقة في فصل الاعتماد المتسلسل للخدمات عن قدرة المعالجة المحلية. يترتب على ذلك عدم توازن في عملية التدريب الجماعي، حيث أن ميزات الموارد تتقارب بشكل أسرع وتسيطر على تحديثات التدرجات، مما يمنع التعلم الفعّال للطوبولوجيا البرمجية.

ولمعالجة هذه التحديات، نقدم نموذج USRFNet، وهو إطار ثنائي-stream يفصل بين نمذجة الطلب والقدرة. يعتمد هذا النموذج على شبكة عصبية رسومية (Graph Neural Network) لنمذجة التفاعلات المكانية لحمولات الحركة عبر الاعتماد على الخدمات على مستوى البرمجيات، ويتم استخدام نموذج MLP للتحكم في استخراج ديناميكيات الموارد على مستوى البنية التحتية بشكل مستقل. بعد ذلك، يتم دمج هذه التمثيلات من خلال عملية دمج هرمي للتنسور.

للتغلب على عدم التوازن في التدريب، نقدم استراتيجية تحكم ديناميكي في التدرجات (Reliability-Aware Gradient Modulation) التي تعيد ضبط التدرجات بناءً على نسبة تعميم كل تدفق بيانات. أظهرت التجارب على ثلاثة معايير حقيقية كبيرة أن نموذج USRFNet يتفوق على الأساليب الحديثة في دقة التنبؤ، حيث سجل تحسناً في تقليل متوسط خطأ النسبة المطلقة (MAPE) يتراوح بين 15.62% و26.11% عبر البيانات المختبرة.