TRACE：通过智能体式启发式设计解决现实世界中的资源分配问题

arXiv:2610.01887v1 公告类型：cross 摘要：动态资源分配，即将任务流实时分配给异构处理节点，是现代计算基础设施的支柱。尽管基于学习的调度器在研究领域表现出色，工业部署仍然依赖手写规则，因为操作人员能够读取、审计这些规则，并在严格的延迟预算内执行它们。基于 LLM 的自动启发式设计（Automatic Heuristic Design，AHD）有望实现此类规则编写的自动化。然而，现有的 AHD 框架是针对完全向 LLM 明确描述的组合优化问题开发的，并且仅从标量适应度分数中学习。在现实系统中，决定启发式方法优劣的行为因素（例如处理器速度或功耗）事先并未知：分数只能揭示哪种启发式方法表现更好，却无法说明原因。每次评估都会生成系统日志，其中记录了这些缺失的信息。利用这些信息并非易事：日志规模庞大且噪声众多，相关信号取决于优化目标，并且其内容和格式会因硬件和软件栈而异，因此既无法直接输入 LLM，也无法通过固定解析器进行处理。我们提出 TRACE，将进化式 AHD 循环与智能体式知识提取工作流相结合。Reasoner 智能体结合优化目标分析日志模式，并针对系统动态提出假设；Coder 智能体编写并执行特定于模式的代码来验证这些假设，从而为进化出的启发式方法生成洞见或可执行工具。我们在一个合成云基准测试，以及一个基于工业测试平台测量数据和实际运行流量轨迹构建的 5G vRAN 场景上评估了 TRACE。在资源分配问题上，TRACE 始终优于最先进的 AHD 方法，并且仅增加不到 2% 的开销，同时生成了更易于审计的启发式方法。