间歇性任务识别数据

本数据对外部企业具有多重应用价值：云服务商可根据任务类型制定差异化资源调度策略，间歇型任务适合使用Spot实例或弹性扩容机制以应对瞬时流量高峰，持续型任务可分配预留实例或长期资源以保障稳定性；AI平台运营团队可依据任务类型分布优化集群资源池规划，为间歇型任务预留弹性资源池，避免与持续型任务争抢资源；算力租赁平台可针对不同任务类型设计差异化计费模式，间歇型任务按峰值计费，持续型任务按时长计费，提升资源利用率与收益；企业IT成本分析部门可统计两类任务的占比与资源消耗，评估混合部署策略的经济效益；模型部署服务商可根据任务类型为客户推荐合适的部署方案，间歇型任务推荐使用Serverless架构，持续型任务推荐使用独占实例。一、加工前的数据说明 原始数据为分布式TPU集群在深度学习推理服务场景下产生的运营监测数据，包含请求排队长度、首token延迟、每token延迟与吞吐量，分别反映任务等待状态、首次响应速度、后续处理效率与整体输出能力。数据为非同一采集源、非时间序列的结构化监测记录，可用于综合推断任务的负载特征。 二、处理规则 数据清洗：对原始数据进行去重、剔除超出物理阈值的异常值（如排队长度为负、延迟为负或吞吐量为零），并对缺失值采用剔除方式处理，确保数据完整性与有效性。 评分算法：间歇性评分=I(排队长度≤3)×40+I(首token延迟>60)×30+I(每token延迟<15)×20+I(吞吐量>1200)×10。其中I(·)为指示函数，条件成立时取1，否则取0。评分≥60判定为“间歇型”，否则为“持续型”。 等级划分：间歇型、持续型二级。 三、数据内容描述 清洗后的数据集共1001条记录，新增“间歇性评分”（K列）与“任务类型”（L列）两列。该数据综合了排队、延迟与吞吐特征，间歇型任务通常对应实时交互场景或瞬时流量高峰，持续型任务对应批量处理或稳定负载场景。通过任务类型识别，可为资源调度、实例选型、计费模式设计提供量化依据，适用于云计算弹性伸缩与混合部署优化场景。

搜集汇总

背景与挑战

背景概述

该数据集来源于分布式TPU集群在深度学习推理服务场景下的运营监测数据，经过去重、剔除异常值等清洗步骤，并基于排队长度、延迟和吞吐量等指标通过评分算法将任务划分为间歇型或持续型。清洗后的数据集包含1001条记录，新增了间歇性评分与任务类型字段，可用于云服务商、AI平台等优化资源调度、计费模式及混合部署策略。