synthesized-cloud-optimization-recommendations
收藏资源简介：
该数据集名为合成云优化建议，是一个专门设计用于云基础设施优化任务的开源数据集。数据集包含18个精心设计的场景，每个场景将多层次的云遥测数据（包括计算、数据库、缓存、网络四个层面的性能指标）和基础设施描述（Terraform文件）与手工制作的黄金标准优化建议进行配对。数据集采用合成方法生成，遥测数据根据场景叙述程序生成，确保逻辑一致性，所有优化建议均经过手工制作和验证。数据集完全基于AWS生态系统，使用AWS的实例类型、服务名称和字段命名，使场景具体而非供应商中立。每个场景包含多个文件，如metadata.json（场景元数据）、main.tf（Terraform基础设施代码）、各类遥测数据文件（如compute_telemetry.json）、correlation_evidence.json（跨层相关性证据）和handcrafted_recommendation.json（黄金标准建议）。场景类型多样，包括单层问题（如计算资源过度配置）、跨层问题（如数据库问题在计算层表现）、无操作案例、诊断延迟案例以及SLA审查案例。优化建议输出包含关键字段，如finding_type（问题发现类型）、primary_tier（主要层）、secondary_tier（次要层）、action_category（操作类别）、specific_change（具体更改）等。数据集适用于训练或微调将云遥测映射到优化建议的模型、评估AI代理在云优化推理方面的能力，以及比较单次预测与协调代理设计的性能。数据集提供了完整性检查脚本和示例预测格式，但需要用户自行定义质量评分方法。
数据集概述：Synthesized Cloud-Optimization Recommendations
该数据集是一个合成生成的云端优化建议数据集，专为训练模型或评估AI代理而设计，专注于AWS环境下的资源优化。
核心信息
- 名称：Synthesized Cloud-Optimization Recommendations
- 许可证：MIT
- 语言：英语
- 规模：少于1000条数据 (n<1K)
- 任务类型：其他 (other)
- 标签：cloud-optimization, aws, telemetry, benchmark, agent-evaluation, synthetic-data, terraform
数据构成
数据集包含18个不同的场景（scenario），每个场景都包含以下核心要素：
- 输入：多层遥测数据 (telemetry) + 描述基础设施的Terraform文件
- 输出：一个手工制作的标准优化建议 (gold-standard recommendation)
场景类型与覆盖范围
数据集包含多种优化情境，涵盖以下类型：
- 单层优化 (single-tier)：仅单个层级（如计算、数据库）存在问题，例如过度预配、扩缩策略调整、缓存命中率下降等。
- 跨层优化 (cross-tier)：问题跨多个层级，例如数据库慢查询影响计算层、网络延迟影响计算层等。
- 无操作 (no-action)：所有层级运行健康，无需更改。
- 诊断延期 (diagnostic deferral)：需要更多诊断信息才能确定问题。
- SLA审查 (SLA review)：建议审查服务等级协议而非基础设施变更。
完整场景列表（ID、类型、描述）：
| ID | 类型 | 描述 |
|---|---|---|
| 01 | single-tier | 计算层过度预配 |
| 02 | single-tier | 计算层峰值窗口，需要计划性扩缩 |
| 03 | single-tier | 数据库层过度预配 |
| 04 | single-tier | 慢查询加连接池耗尽 |
| 05 | single-tier | ALB轮询调度导致CPU不均衡 |
| 06 | no-action | 所有层级健康 |
| 07 | single-tier | 缓存命中率下降 |
| 08 | cross-tier | 慢数据库查询影响计算层 |
| 09 | cross-tier | 工作日双峰峰值，需计划性扩缩 |
| 10 | cross-tier | 网络延迟影响计算层 |
| 11 | cross-tier | 三个层级全部过度预配 |
| 12 | mixed | 计算层健康，数据库层过度预配 |
| 13 | cross-tier | 计算层峰值冲击数据库 |
| 14 | cross-tier | 计算层和数据库层均过度预配 |
| 15 | reliability | 通过过度预配满足99.99% SLA |
| 16 | mild | 部分计算层优化 |
| 17 | deferral | 所有层级同步上升，需更多诊断 |
| 18 | mostly healthy | 轻微计算层低效 |
数据文件与结构
- 主数据文件：
scenarios_summary.jsonl（包含每个场景的摘要字段，用于浏览和发现） - 场景数据目录：
scenarios/NN/（每个场景文件夹包含完整输入文件） - 每个场景文件：
metadata.json：场景摘要与固定配置main.tf：描述部署的Terraform文件compute_telemetry.json：CPU、内存、延迟遥测数据database_telemetry.json：数据库查询率、连接池、慢查询cache_telemetry.json：缓存命中率、驱逐情况network_telemetry.json：带宽、丢包情况correlation_evidence.json：跨层关联关系handcrafted_recommendation.json：标准答案（优化建议）
推荐输出格式
每个场景的标准推荐遵循以下JSON结构：
json { "scenario_id": "01", "finding_type": "issue_found", "specific_change": "...", "primary_tier": "compute", "secondary_tier": null, "action_category": "rightsizing", "conclusion": { ... }, "evidence": { "telemetry_observations": [ ... ], "infrastructure_context": [ ... ], "correlation_observations": [ ... ] }, "reasoning": "...", "projected_state": { ... }, "cost_impact": { ... }, "risk_assessment": { ... } }
允许的字段值范围：
- finding_type：
issue_found,no_issue_found,diagnostic_deferral,insufficient_data - primary_tier / secondary_tier：
compute,database,cache,network,deferred, 或 null - action_category：
rightsizing,scaling_policy_change,query_cache_optimization,cache_capacity_adjustment,pool_sizing,replica_adjustment,load_balancer_reconfiguration,network_topology_change,sla_review, 或 null
使用方式
- 训练或微调模型：将每个场景的遥测数据和元数据作为输入，以
handcrafted_recommendation.json作为目标输出。 - 评估AI代理：让代理基于场景输入生成建议，并与标准建议对比。
评估检查
- 提供基础快速检查脚本
eval.py，用于验证预测的格式和字段合法性。 - 不提供质量评分器，用户可根据需要自行设计评分方法（如精确匹配、关键词匹配、语义相似度等）。
引用
bibtex @misc{synthesized_cloud_optimization_recommendations_2026, title = {Synthesized Cloud-Optimization Recommendations}, author = {Alexander Meau}, year = {2026}, version = {1.0.0} }
