クラウドプラットフォームにおけるマイクロサービスのインテリジェントなスケーリングは、増大する計算コストを抑制しつつサービス中断を回避するために重要です。しかし、現在のソリューションは単変量空間に限定されており、通常はCPU使用率のみに基づいてスケーリング判断を行っています。これらの手法は問題を純粋な予測タスクとして扱い、予測精度に焦点を当てる一方で、過小評価リスクやシステム応答の遅延を無視しています。過小評価リスクとは、予測が不正確な場合に実際のリソース需要が割り当てを超え、サービス低下や中断を引き起こす可能性を指します。また、応答遅延は需要変化の検出から実際のリソース調整までの時間差であり、不安定性を悪化させます。代替手法として強化学習や複雑な最適化アルゴリズムがありますが、計算が複雑で大規模なリアルタイム展開には実用的ではありません。
これらの課題に対処するため、研究チームはSTARIXNetを提案しました。これは、複数のシステムメトリクス間の時空間関係を捉え、多変量空間でリソース割り当てを導く軽量ニューラルネットワークです。STARIXNetは、季節性（Seasonal）、時系列（Temporal）、自己回帰統合（Auto-Regressive Integrated）、外生（eXogenous）パターンといった複数の準依存属性をモデル化します。つまり、過去のデータのトレンドや周期性だけでなく、プロモーションや休日などの外部要因がリソース需要に与える影響も考慮します。これらのパターンを抽出した後、STARIXNetは集約ポリシーを実装してスケーリング判断を最終決定します。このポリシーは、生の予測精度よりもサービス安定性を優先し、次にコスト効率を重視します。これは、予測誤差の最小化を目的とする従来手法とは対照的で、クラウド環境では過剰割り当て（コスト増）よりも過小割り当て（サービス障害）を避ける方が重要であるという考えに基づいています。
研究チームは、実世界の環境で既存ソリューションとベンチマーク比較を行い、STARIXNetの性能を実証しました。STARIXNetはWalmartの重要プロダクションマイクロサービスに導入されました。これらのサービスは膨大な取引データを処理し、リアルタイム性が極めて重要です。導入結果、10%から50%の具体的なコスト削減に加え、サービス安定性と顧客体験の向上という無形の利益が得られました。例えば、セール時期にはシステムが動的にリソースを調整し、以前発生していた遅延やタイムアウトの問題を回避できました。さらに、手動介入の必要性が減り、運用効率も向上しました。
STARIXNetの登場は、クラウドリソース割り当てが単一指標の予測から多属性・多変量のリアルタイム意思決定へと移行する重要な一歩を示します。この研究論文は11ページ、12の図表を含み、現在レビュー中です。今後の展望としては、モデルをより多様なクラウドサービスに拡張することや、オンライン学習を組み込んで動的なワークロードにさらに適応することが考えられます。大規模クラウドプラットフォームにとって、STARIXNetはコスト最適化と安定性の両立を可能にする新たな道筋を提供し、業界から広く注目されることが期待されます。