CLOUDADV: Decision-Aligned Instance Sizing with Zero-Shot Foundation Models under Drift

📄 arXiv: 2606.31470v1 📥 PDF

作者: Jack Bell, Giacomo Carfi, Gerlando Gramaglia, Andrea Simioni, Daniele Fontani, Vincenzo Lomonaco

分类: cs.AI

发布日期: 2026-06-30

备注: 9 pages, 2 figures

💡 一句话要点

提出CLOUDADV以解决云实例过度配置问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 云计算 实例配置 零-shot学习 时间序列预测 成本优化 动态调整 资源管理

📋 核心要点

  1. 现有云实例配置方法常常导致资源过度配置，造成成本浪费和效率低下。
  2. CLOUDADV通过结合零-shot预测与结构化决策上下文，提供基于历史数据的实例大小建议。
  3. 在七个生产虚拟机的案例研究中，CLOUDADV实现了52.9%的成本节省，显著提升了推荐质量。

📝 摘要（中文）

云虚拟机常常出现过度配置，导致不必要的成本和操作效率低下。本文提出CLOUDADV，一个面向工程师的交互式建议系统，用于在工作负载漂移下进行云实例大小调整。该系统结合了零-shot时间序列预测和基于约束的推荐生成，适用于日、周和月的规划范围。CLOUDADV通过历史利用率、预测摘要、当前虚拟机元数据、候选实例选项、定价和明确的大小调整启发式构建结构化决策上下文。评估优先考虑下游推荐质量，模拟Azure成本节省和超出情况作为主要指标，结果表明零-shot基础模型能够支持非平稳云环境中的决策对齐配置，同时减少重复的每租户再训练、再验证和再部署的操作负担。

🔬 方法详解

问题定义：本文旨在解决云虚拟机的过度配置问题，现有方法在动态工作负载下难以有效调整实例大小，导致资源浪费和成本增加。

核心思路：CLOUDADV通过构建结构化的决策上下文，结合零-shot时间序列预测，提供基于历史数据的实例大小建议，从而实现更精确的资源配置。

技术框架：系统主要包括数据收集模块、预测模块、推荐生成模块和评估模块。数据收集模块负责获取历史利用率和当前虚拟机元数据，预测模块进行未来工作负载的预测，推荐生成模块基于预测结果和约束条件生成实例大小建议，评估模块则用于验证推荐的有效性。

关键创新：CLOUDADV的创新在于使用零-shot基础模型进行时间序列预测，能够在不需要每个租户重复训练的情况下，适应动态变化的工作负载环境。

关键设计：系统采用高容量的LLM进行离线推荐生成，并使用较小的生产模型进行实时评估，以平衡延迟和成本约束。关键参数包括历史数据的时间窗口、预测模型的选择和推荐生成的启发式规则。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在七个生产虚拟机的案例研究中，CLOUDADV的推荐将模拟的月成本从约1503美元降低至708美元，实现了795美元（52.9%）的节省。同时，降级案例中的最高超出率为1.5%，显示出系统在保证推荐质量的同时，能够有效控制成本。

🎯 应用场景

CLOUDADV的研究成果在云计算资源管理领域具有广泛的应用潜力，尤其是在需要动态调整资源配置的场景中，如云服务提供商和大型企业的IT基础设施管理。通过优化实例大小，企业可以显著降低运营成本，提高资源利用率，进而提升整体业务效率。未来，该系统还可以扩展到其他领域，如边缘计算和物联网设备管理。

📄 摘要（原文）

Cloud virtual machines are often overprovisioned, creating avoidable cost and operational inefficiency. We present CLOUDADV, an interactive engineer-facing advisory system for cloud instance sizing under workload drift. The system combines zero-shot time-series forecasting with bounded recommendation generation across day-, week-, and month-scale planning horizons. For each query, CLOUDADV constructs a structured decision context from historical utilization, forecast summaries, current VM metadata, candidate instance options, pricing, and explicit sizing heuristics. A higher-capacity LLM is used offline to generate reference recommendations, while a smaller production model is evaluated on the same prompts to assess deployment-time alignment under latency and cost constraints. Evaluation prioritizes downstream recommendation quality using simulated Azure cost savings and ex-post exceedance, with rolling-origin forecast accuracy reported as a secondary diagnostic against classical and supervised baselines. In a case study of seven production VMs, the reference recommendations reduce simulated monthly cost from about \$1,503 to \$708, yielding \$795/month in savings (52.9%) under conservative heuristic constraints, while the highest observed exceedance rate among downgraded cases is 1.5%. Although Chronos-2 does not minimize every forecasting metric, it often induces recommendation patterns similar to those of a supervised per-VM baseline. These results suggest that zero-shot foundation models can support decision-aligned provisioning in non-stationary cloud environments while reducing the operational burden of repeated per-tenant retraining, revalidation, and redeployment.