长排队压力预测训练数据

本数据集包含数千条存在排队压力的TPU性能监控数据，经清洗、筛选及特征工程，衍生出能效比、延迟乘积等特征，以请求排队长度作为回归预测目标。数据按8:1:1划分为训练集、验证集和测试集，可直接用于监督学习模型训练。对外部企业而言，本数据可用于训练排队长度预测模型，帮助负载均衡系统提前感知队列积压风险，动态调整请求分发策略或扩容决策，避免服务超时和资源浪费，提升系统吞吐能力。此外，本数据集可为机器学习模型提供高质量训练数据，用于训练流量预测模型、弹性伸缩决策模型等，具有重要的行业应用价值。本数据集具有独立性：通过明确筛选条件独立抽取、清洗、重索引，并自主设计衍生特征及因变量计算规则。必要性：原始数据中大量零排队记录会稀释排队场景的特征，导致预测模型对积压不敏感；本数据集直接提供聚焦排队压力的干净数据，是TPU负载调度优化训练任务的基础。1.加工前的数据说明：原始数据为TPU推理任务性能监控日志，以表格形式存储，每行代表一个采样时刻，按时间顺序编号。总样本量达数千行，所有字段均为数值型且无缺失值。原始数据包含TPU利用率、显存使用、温度、功率、首token延迟、每token延迟、吞吐量、显存带宽利用率共8个字段，以及作为预测目标的请求排队长度。 2.处理规则：首先，聚焦于存在排队压力的工况，选取请求排队长度大于0的样本，剔除零排队记录。其次，对筛选后的数据进行质量检查，剔除功率为负等明显错误记录，并剔除所有字段完全相同的重复记录。接着，基于原始字段计算衍生特征：能效比等于吞吐量除以功率，延迟乘积等于首token延迟乘以每token延迟。因变量为请求排队长度。之后，按原始时间顺序重新赋予连续编号，去除因筛选造成的不连续。最后，将处理后的全部数据按8:1:1比例划分为训练集、验证集和测试集。基于随机森林回归算法构建排队长度预测模型，以10个自变量（8个原始字段加2个衍生特征）为输入，请求排队长度的对数值为输出。通过网格搜索优化超参数，特征重要性分析表明吞吐量、每token延迟和显存带宽利用率是影响排队长度的关键因素。模型在测试集上达到良好的预测精度，验证了本数据集的有效性。 3.数据内容描述：最终产出数据集包含10个自变量，1个因变量。所有样本均存在排队压力，覆盖了不同积压程度的典型运行状态。该数据集结构清晰、指标完整，可直接用于训练排队压力场景下的排队长度预测模型。

搜集汇总

背景与挑战

背景概述

该数据集来源于TPU推理任务性能监控日志，通过筛选存在排队压力的工况，剔除零排队及异常记录，并衍生能效比、延迟乘积等特征，以请求排队长度为回归预测目标。数据按8:1:1比例划分为训练集、验证集和测试集，结构清晰，可直接用于训练排队长度预测模型，辅助负载均衡系统提前感知队列积压风险，优化请求分发与扩容决策。