Analysing the temporal behaviour of compute resource usage
Hind Boufeligha · University of Vienna · 2026
Von Aufgaben des Ressourcenmanagements in großskaligen Computersystemen wird zunehmend erwartet, dass sie proaktiv statt reaktiv sind, was wiederum Annahmen darüber erfordert, wie sich die Ressourcenauslastung im Zeitverlauf verhält. Bisherige Arbeiten haben Signale zur Ressourcenauslastung hauptsächlich als Eingaben für Vorhersagemodelle oder die Erstellung von Workload-Profilen behandelt, wobei ihrem zeitlichen Verhalten nur begrenzte Aufmerksamkeit geschenkt wurde. Die wenigen Studien, die zeitliche Eigenschaften untersuchen, tun dies unter einer einzigen experimentellen Konfiguration, was die offene Frage aufwirft, ob solche zeitlichen Merkmale über verschiedene Abtastauflösungen, Aggregationsebenen und Auslastungsperzentile hinweg verallgemeinert werden können, wie sie für die Produktionsüberwachung typisch sind. Diese Arbeit charakterisiert das zeitliche Verhalten der CPU-Auslastung anhand des Datensatzes Google Cluster Traces v3 über 75 experimentelle Konfigurationen hinweg, die fünf zeitliche Auflösungen, fünf Maschinenaggregationsebenen und drei Auslastungsperzentile abdecken, unter Verwendung statistischer, nichtlinear-dynamischer und ordinaler Komplexitätsmethoden. Unter diesem Versuchsdesign stellen wir fest, dass das CPU-Auslastungssignal über alle Konfigurationen hinweg eine starke Langzeitabhängigkeit (LRD) aufweist, mit einem Hurst-Exponenten H ≫ 0, 5. ADF und PP schließen eine stochastische Unit Root aus, während KPSS bei feineren Auflösungen eine Trendstationarität verwirft. Der maximale Lyapunov-Exponent ist durchweg klein und positiv, was auf schwaches Chaos hindeutet. Sowohl die Entropiemaße für Unregelmäßigkeit als auch für ordinale Komplexität (SampEn bzw. PermEn) spiegeln eine mehrskalige Struktur des Signals wider: SampEn zeigt bei feinen Auflösungen und hohen Aggregationsstufen eine hohe Vorhersagbarkeit und nimmt bei gröberen Skalen und niedrigeren Aggregationsstufen in Richtung größerer Unregelmäßigkeit ab, während PermEn von einer ungleichmäßigen ordinalen Struktur bei feinen Auflösungen zu einer nahezu gleichmäßigen Verteilung ordinaler Muster bei groben Auflösungen übergeht. Insgesamt ist die Dynamik der CPU-Auslastung nicht invariant gegenüber Vorverarbeitungsentscheidungen. Die zeitliche Auflösung und die Maschinenaggregation haben einen deutlichen Einfluss auf Persistenz, Stationarität, Vorhersagbarkeit und ordinale Komplexität des Signals, während der Effekt des Auslastungsperzentils vergleichsweise vernachlässigbar ist. Diese Ergebnisse unterstreichen die Bedeutung einer skalierungsbewussten Analyse bei Ansätzen zur Modellierung und Cloud-Workload-Prognose.