服务无感知计算凭借“按需调用、免运维”的特性，已成为云原生应用开发的核心技术之一。然而，该技术面临冷启动问题这一关键痛点。即：函数，尤其是稀疏函数，在首次调用或闲置后需重新初始化其执行环境，导致其启动延迟远超实际执行时间。因这些函数调用数据稀疏、有效样本少，使得传统预测模型难以捕捉规律，继而既影响系统资源调度策略的正常运行，导致用户体验受损。

图1 SPFaaS架构图

针对这一问题，信息存储系统教育部重点实验室博士生张望在施展副教授的指导下，提出了一种融合稀疏函数预测与自适应容器调度决策的混合框架SPFaaS，为服务无感知计算冷启动优化与用户满意度提升提供创新解决方案。该框架通过“预测-决策”双模块协同，构建闭环优化机制：在预测模块，团队创新性地将稀疏函数调用数据转化为概率数据，结合多轮分层采样技术补充、增强样本，并设计两阶段预测模型，精准捕捉函数调用的时序规律，突破传统模型对稀疏数据的预测瓶颈；在决策模块，设计评分、成本、释放三大动态策略，既基于预测结果为每个请求匹配最优资源，又权衡资源成本与用户体验，避免资源浪费或冷启动反复。

实验结果表明，SPFaaS将稀疏函数冷启动率降至35.42%，较最优对比方案降低约21%；所有函数平均冷启动率仅6.18%，较传统方案提升1.22-1.69倍；用户满意度达75%以上，较对比方案提升1.08-1.38倍，且内存占用与无预热策略方案相当，实现“低冷启动、高体验、优资源”的三重优化目标。

该研究工作题为“A Sparse Function Prediction Approach for Cold Start Optimization and User Satisfaction Guarantee in Serverless”，已被国际顶级期刊IEEE Transactions on Parallel and Distributed Systems（IEEE TPDS）录用。IEEE TPDS是并行与分布式系统领域的权威期刊，为中国计算机学会（CCF）推荐的A类期刊。该研究工作得到了国家重点研发计划（No.2023YFB4502701）和国家自然科学基金（No.U22A2027）等项目的资助。