ModelArts的雪中送炭，让我拿下 CCF BDCI 华为 Severless 工作负载预测亚军

2021/6/1 10:25:21

编程Tag： 特征 cpu 使用率预测 ModelArts LSTM 让我拿 BDCI

本文主要是介绍ModelArts的雪中送炭，让我拿下 CCF BDCI 华为 Severless 工作负载预测亚军，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

摘要：中国计算机学会大数据与计算智能大赛(CCF BDCI)华为 Severless 工作负载预测亚军方案和 ModelArts 使用体验分享

本文分享自华为云社区《免费薅ModelArts算力资源-拿下CCF BDCI华为Severless工作负载预测亚军》，原文作者：wyhhyw 。

赛题简介

基于历史数据和历史趋势，对 Severless 软件架构的工作负载进行精准预测，便于优化资源调整和提升用户服务质量。

数据提供了 43 个队列数天中的使用情况，其中包涵 CPU 使用率、磁盘使用率、提交作业数量，作业是否提交成功等信息。要求根据历史信息，预测测试集未来 25 分钟内，每间隔五分钟的 CPU 使用率和提交作业数量。赛题链接www.datafountain.cn/competition….

赛题分析

这是一道非常典型的时间序列回归问题，目标时对未来五个时间点的 CPU 使用率和提交作业进行预测。可以从以下几个角度对目标进行建模。

趋势拟合：根据待预测时间点之前的使用率和作业数拟合曲线，并给出预测，参考 arima 等模型。
单标签回归：以 5 为时间间隔，对目标进行预测，例如，x1 -> x6, x2 -> x7。具体如下图所示：

多标签回归：参考 pandas.shift 函数，构造历史信息的平滑特征，每次预测一个时间点的目标。示意图如下：

方案介绍

笔者有幸获得该比赛的第二名（二等奖），建模方法为融合 lightgbm 和 lstm 预测结果，其中 lightgbm 线上第二，lstm 线上第 10 左右。由于本方案采用的 lstm 结构比较简单且成绩不是特别理想，而第三名的 lstm 是决赛答辩队伍中线上成绩最高的神经网络模型，因此本文还介绍了第三名（同二等奖）的 lstm 架构。

数据分析

在特征工程和建模之前，首先来一波 EDA~

下图展示了不同队列下的 CPU 使用率分布情况，可以发现，不同队列下的数据分布存在较大差别，因此队列号对于预测 CPU 使用率也是一个非常强力的特征。

下图展示了某队列号下 CPU 使用率随小时的变化趋势，可以发现下午至凌晨 3 点使用率均较高，因此小时和分钟也是一个非常强力的特征。需要注意的是，赛题方对时间戳的年月日进行了脱敏，因此仅能使用小时和分钟两个特征。

特征工程

必不可少的部分，特征为王

滑动特征：对 CPU 使用率等特征使用 pandas.shift 函数构建其平滑特征。
差分特征：在平滑特征的基础上构造各阶差分特征。
基于滑窗的统计特征：在平滑特征的基础上开一个窗口，然后滑动，每次取窗口内特征的均值、方差、最大值等统计特征。
聚合统计特征：例如历史数据中不同小时下 CPU 使用率的均值和方差等特征。
伪穿越特征：穿越特征一般是不被允许的。那么对于时序问题，可以构建伪穿越特征，其实也就是聚合统计特征。例如，待预测的时间点是上午 9 点，可以根据历史数据构造上午 10 点的均值等统计特征，并且衍生出差值比值等特征。

模型

建模策略：见赛题分析中的多标签回归。一般来说，这种建模方式都会取得较好的效果。
lightgbm：对每一个标签都进行五折交叉验证，CPU 使用率和提交作业数各五个时间点，则一共进行了十次五折交叉验证。
lstm：CPU 使用率是 0-100 的整数，连续五个时间点的数据如"10-21-41-31-34"可以看做是 nlp 中的字符索引，因此可以直接用于索引 embedding lookup table 中的字向量，那么建模就很自然的过度到了 lstm。

下图展示了本文所用的 lstm 架构，效果并不是十分理想，线上大约在第十左右。在赛后和队友分析讨论之后，认为我们的框架存在几个问题。首先是将每个 CPU 使用率当做字向量，那么 lstm 中的 input_dim 为 1，效果肯定不好。其次是我们的框架很简单，并没有引入卷积或者注意力机制等。

下面给出二等奖中另一支队伍的 lstm 框架，该框架包括两部分：

（1）LSTM 提取 CPU 使用率、硬盘使用率的时序信息，引入注意力机制

（2）全连接提取其他手工特征的信息，进行高阶交叉，并且设置跨层连接，构成“不同尺度的集成模型”。

训练

损失：由于数据波动较大，因此可以认为存在一定的离群点，所以采用 smooth l1 作为损失函数。
算力：lightgbm 建模对算力的要求较小，16G 内存足以。但使用上述神经网络训练时，由于是多标签回归（10 个标签），对每个标签都需要训练一个模型，如果再结合五折交叉验证，那么将训练 50 个模型，这对算力就有一定的需求。

笔者在赛程接近尾声时才开始训练 nn 模型，然而本人只有一张玩具显卡 gtx1650，对于该多标签任务训练数十个模型实在太过耗费时间，迫不得已去寻找算力资源。经过师兄的推荐，最后选定了华为云的 ModelArts，每天两小时的免费算力，而且是 V100，感觉很不错。最后让实验室兄弟多开几个号，一边训练一边保存模型，时间快到了就换号继续训练，两三天就把模型跑好了。虽然因为时限需要切换账号，但总体的使用体验还是不错的，下面就给大家简单介绍一下 ModelArts 的使用体验。