面向漂移生命周期分布与长期放置债务的动态 VM 生命周期感知调度（OSDI 2026）

原题：DVLA: Dynamic VM Lifetime Aware Scheduling for Drifting Lifetime Distributions and Long-Lived VM Placement Debt (Operational Systems)

一句话总结：生产集群中仅约 2.5% 的请求属于长生命周期 VM，却消耗约 93% 的 core-hours；DVLA 用动态亲和分组和债务感知在线放置减少新债务，再用离线迁移偿还旧债务，在 23 个集群的仿真中比 LAVA 多获得 0.6 个百分点的 packing density，并在 Alibaba Cloud 部署后将长生命周期 VM 的 packing density 提高 1.19 个百分点。

问题与动机

VM 调度通常被视为动态装箱问题。机器数量直接影响云基础设施成本，因此调度器会尽量把 VM 填满。但 VM 的退出时间差异很大：短生命周期 VM 数量多，长生命周期 VM 占用的长期资源多。若长生命周期 VM 被分散到许多机器，每台机器只剩少量可回收空间，机器就会被少数 VM 长时间占用。

论文把这种由长生命周期 VM 分散造成的额外机器占用定义为 placement debt。已有 lifetime-aware 调度器往往使用固定的生命周期区间，并主要依赖在线贪心放置。前者无法跟随集群间和时间上的分布漂移，后者无法修复历史错误；预测误差会持续把长生命周期 VM 放到错误机器上。

DVLA 的出发点是把债务看成累积的系统状态，而不是单次放置的局部损失。因此它同时修改在线调度策略和离线维护流程。

关键观察 / 隐含假设

观察 1：长生命周期 VM 决定机器回收效率。 生产数据中，生命周期少于 1 天的 VM 占请求数 96%，但只占不到 2% 的 core-hours；生命周期超过 1 个月的 VM 约占请求数 2.5%，却占 93% 的 core-hours（图 1）。
- 依赖假设：长生命周期 VM 的资源占用在目标集群中长期占主导。
- 可能失效场景：若工作负载由大量短任务组成，或长任务可频繁迁移，优先聚合长生命周期 VM 的收益会下降。
观察 2：生命周期分布存在空间和时间漂移。 不同集群的生命周期构成差异明显，同一集群的分布也会随月份变化（图 2）。固定区间在这些变化下无法保持合适的亲和关系。
- 依赖假设：漂移可以从集群级历史统计中检测出来，并且变化持续时间足以支持周期性更新。
观察 3：一个误放置的长生命周期 VM 就可能钉住机器。 长生命周期 VM 数量从 0 增加到 1 时，机器占用时间和回收频率出现最大变化（图 4a）。生产中剩余生命周期超过 720 小时和 8760 小时的 VM，平均核心利用率分别只有 57.7% 和 39.8%（图 4b）。
- 依赖假设：迁移约束允许至少修复一部分误放置，且迁移成本低于释放机器带来的收益。
假设 1：在线预防与离线修复必须协同。 生产分析显示约 40% 的 VM 受硬件、工作负载或策略限制而不可迁移（表 1），所以离线调度不能单独偿还债务；在线调度也无法修复已发生的历史放置。
- 证据强度：强。论文同时用迁移约束统计和图 5 的 Online-Only、Offline-Only 对比支持这一判断。

核心方法

DVLA 的生命周期预测采用分层模型。创建 VM 时，低延迟模型根据请求静态特征预测初始生命周期；运行中的 VM 则由使用运行时信息和用户历史的 remaining-lifetime 模型更新预测。模型用 One-vs-Rest 分类器处理多个生命周期阈值，生产区间为 0–1 小时、1 小时–1 天、1–7 天、7–30 天、30 天–1 年和超过 1 年。在线缓存命中率超过 90%，缓存未命中时 P99 推理延迟为 5 ms。

动态亲和分组持续观察集群的生命周期分布。变点检测器先进入观察状态，只有变化持续并满足确认阈值才生成新的分组；新分组按各生命周期类别的核心消耗排序，选取累计覆盖 95% 资源的类别。20 天观察窗口、较高报警和确认阈值用于抑制短时噪声（图 6、图 17）。这部分回应了观察 2。

Debt-Aware Placement Policy（DAPP）在在线放置时优先把长生命周期 VM 放入已有长生命周期亲和组，避免把它们散落到短生命周期机器。机器的生命周期类别使用核心加权平均（WAVG）而非最长 VM（MAX）决定。WAVG 对成熟集群中单个散落的长生命周期 VM 更稳健；空集群启动阶段则先用 MAX 建立密集的长生命周期机器，再在第一次亲和组更新后切换到 WAVG（图 10）。

Placement Debt Rectification Engine（PDRE）是离线补偿机制。它使用更准确的剩余生命周期预测挑选高影响 VM，在维护任务中规划实时迁移。机器疏散时优先迁移剩余生命周期最长的 VM，让短任务自然结束；所有迁移受预算和净收益约束。PDRE 不盲目追求全局重排，而是把迁移嵌入已有维护流程，以摊销累计债务。

设计取舍

动态更新 vs. 策略稳定性：更频繁更新能更快跟随漂移，但会把短时噪声变成调度策略变化。DVLA 用观察期、确认阈值和 cooldown 换取稳定性；代价是对突发但真实的变化反应较慢。
WAVG vs. MAX：WAVG 避免成熟碎片集群中“一台机器只含一个长 VM”导致所有机器都被判成长生命周期，但在空集群中不如 MAX 激进。两阶段切换增加了状态管理逻辑。
迁移收益 vs. 运维风险：PDRE 只在预算内执行净收益为正的迁移，并复用维护窗口。这样降低了额外扰动，却无法处理不可迁移 VM 和维护窗口之外的债务。
分类鲁棒性 vs. 粒度：分类比长尾回归更能承受预测误差，但生命周期区间是环境参数。工作负载变化后需要重新校准，过粗的区间也可能损失局部装箱机会。

实验与结果

在 23 个生产集群、两个月 trace 上进行事件驱动仿真，集群规模为 200–2,200 台机器，事件量为 1.2 万–80 万。真实预测设置下，DVLA 相对生产基线的 PD 提升 1.5 个百分点，LAVA 提升 0.9 个百分点，LA-Binary 提升 0.6 个百分点（图 8）。
DVLA 的长生命周期 VM packing density 提升 0.9 个百分点，高于 LAVA 的 0.4 个百分点和 LA-Binary 的 0.1 个百分点（图 8）。DVLA 的真实预测结果达到 1.5 个百分点，超过 LAVA 完美预测下的 1.4 个百分点上界；相对 LAVA 的优势在各集群为 0.2–4.3 个百分点。
动态分组在 23 个集群中的 21 个检测到至少一次需要更新的漂移。集群处于 STABLE 状态的时间中位数仅为 23.3%，策略更新间隔中位数为 28 天（图 9）。
消融实验中，移除动态亲和分组使 PD 增益下降 0.34 个百分点，移除 PDRE 下降 0.31 个百分点；移除周期 Tagging Task 和事件触发更新分别下降 0.21 和 0.14 个百分点（图 11）。
预测误差敏感性实验显示，即使长生命周期 VM recall 只有 40%，DVLA 仍比生产基线提升 1.02 个百分点；recall 从 40% 增至 100% 时，提升从 1.02 增至 1.66 个百分点（图 18）。
生产部署中，初始生命周期模型准确率为 82%，剩余生命周期模型为 92%；超过 98% 的新 VM 被放置到生命周期类别不低于自身的机器。维护流程平均每天迁移 810 个 VM，并修正 39 个误放置长生命周期 VM，单次维护任务带来约 0.3 个百分点的 PDL 增益。全面上线后，PDL 相对需求感知反事实基线平均提高 1.19 个百分点，stranded machines 从 25.3% 降至 21.3%，PD-Sensitivity 平均下降 7.1 个百分点（图 12–14）。

论断—证据表

论断	证据	评测边界	置信度
长生命周期 VM 的聚合是提高集群 PD 的主要来源	图 1、图 4b、图 8；PDL 增益 0.9 个百分点	Alibaba Cloud 生产 trace，23 集群	强
在线预防和离线偿债互相补足	图 5、表 1；约 40% VM 不可迁移，单独策略无法抑制债务增长	trace-driven simulation，迁移预算受限	强
动态亲和分组能应对分布漂移且不造成策略抖动	图 9、图 17；21/23 集群发生更新，更新间隔中位数 28 天	60 天、23 个集群；阈值为生产配置	中
DVLA 的生产收益超过仿真中的局部指标改善	图 12–14；PDL +1.19 pp、stranded machines 25.3%→21.3%	部署期反事实基线依赖历史 sale rate 相关性	中

批判性分析

论证链条

论文的论证链条基本闭合：长生命周期 VM 消耗大部分长期资源，分散会延长机器占用；固定策略无法适应漂移，预测误差又会持续制造误放置；因此需要在线减少债务、离线修复残余债务。消融结果分别支持动态分组和 PDRE 的作用。

但“PD 增益主要来自债务减少”仍依赖 PDL、stranded machines 与总体 PD 的相关性。论文没有把每次迁移带来的机器回收收益、迁移成本和机会成本逐项摊销。生产反事实基线也由上线前 sale rate 与 PDL 的历史相关性外推，因果强度低于随机对照。

假设压力测试

如果 VM 的不可迁移比例高于表 1 的 40%，PDRE 的可用空间会缩小。若长生命周期 VM 的资源需求经常变化，按生命周期聚合可能造成 CPU、内存或其他资源维度的碎片。若集群规模、机器异构性或跨 zone 约束改变，论文中的核心加权分类和亲和组排序需要重新验证。

DVLA 的分类器使用 user、image 和历史行为等特征。新用户、新镜像或分布外请求的预测质量可能明显下降；论文只用合成 recall 做敏感性分析，没有报告按新用户、稀有镜像或租户分组的结果。动态分组按核心消耗覆盖 95% 的类别，也可能忽略低频但 SLO 敏感的工作负载。

实验可信度

仿真使用与生产共享的调度逻辑，并覆盖 23 个真实集群，工作负载规模较充分。LAVA 使用独立回归模型且报告了较高的 99% precision、90% recall，基线比较并非刻意削弱。Oracle/Realistic 两种设置也有助于区分算法和预测误差。

不足在于关键生产收益采用上线前后的时间序列和需求感知反事实，而不是同时运行的随机对照。VRAR 只增加约 0.28–0.3 个百分点且没有用户投诉，但用户投诉不是完整的服务质量指标；论文未报告更细的 P95/P99 延迟、迁移失败率或不同租户的隔离影响。

系统性缺陷

DVLA 引入多模型训练、预测缓存、漂移状态机、在线分类、离线迁移排序和监控链路。论文报告了训练时间、缓存命中率和服务可用性，但未量化策略状态、特征管道和模型版本回滚的运维成本。PDRE 依赖维护任务提供迁移机会，因此在维护稀少或债务快速增长的集群中，偿债速度可能不足。故障恢复、一致性、迁移期间的资源超售和跨租户公平性也未展开讨论。

局限与后续工作

局限 1：实验和部署主要来自 Alibaba Cloud 的同质机器集群；异构硬件、跨 zone 放置和多资源约束下的结论仍需验证。
局限 2：生产因果收益依赖需求感知反事实，缺少并行 A/B 或逐集群切换实验。
局限 3：约 40% VM 不可迁移，PDRE 只能处理可迁移子集；论文没有给出债务按约束类型拆分后的偿还上限。
后续工作 1：按迁移约束、租户新颖度和生命周期区间分层报告 PDL、stranded machines、P99 延迟与迁移失败率，并进行集群级交错上线实验。
后续工作 2：将生命周期预测的不确定性直接纳入放置决策，比较点预测、置信区间和风险敏感目标在不同不可迁移比例下的债务增长曲线。

Awesome System Papers Wiki

探索

paper-osdi26-zhang-zhengtong