Huawei Public Cloud Trace 2025
Informacje podstawowe
- Nazwa: Huawei Public Cloud Trace 2025 (SIR-Lab Data Release)
- Alias: Huawei Cloud Trace, Joosen 2025 Trace
- Dziedzina: Cloud Computing, Serverless, FaaS
- Typ: workload trace (invocation logs + cold start logs + runtime metadata)
Źródło
- URL: https://github.com/sir-lab/data-release/blob/main/README_data_release_2025.md#huawei-public-request-tables
- Paper: Joosen, A., Hassan, A., Asenov, M., Singh, R., Darlow, L., Wang, J., Deng, Q., Barker, A., “Serverless cold starts and where to find them,” EuroSys 2025, pp. 938–953
- Organizacja: SIR-Lab / Huawei Cloud
- Rok: 2025
Charakterystyka
- Rozmiar: 31-day trace; dzień 30 zawiera >300 million request-level records; 1500+ unikalnych funkcji
- Podział: 80% train / 10% validation / 10% test (podział po podID dla zachowania temporal patterns)
- Format: Per-invocation logs (structured tables)
- Licencja: Academic/research use
Opis
Produkcyjny trace wywołań funkcji serverless z platformy Huawei Cloud. W odróżnieniu od Azure Function Trace (Shahrad 2020), dataset ten zawiera:
- Cold Start Logs: 31-day traces z breakdowns czasu cold startu (pod allocation cost, code deploy cost) — per runtime i typ trigger
- Request-Level Logs: Per-invocation metadata: timestamp, execution time, podID, CPU request, memory request — umożliwia śledzenie reuse patterns i obliczenie prawdopodobieństwa ponownego użycia poda
- Runtime and Trigger Metadata: Statyczna tabela mapująca każdą funkcję na typ runtimes (Python, Custom, etc.) i typ trigger — umożliwia analizy runtime-specyficzne
Kluczowe cechy:
- Różnorodność cold start latency: 0.1s–10s+ w zależności od runtimes i kontekstu
- Reuse intervals: ms–setki sekund (heavy-tailed CDF)
- 80%+ funkcji używa <100MB pamięci — deployment jest CPU-bound, nie memory-bound
- Runtime metadata — unikalna cecha względem Azure/Alibaba traces; pozwala na analizę cold-start per typ runtime
Zastosowania
- Benchmarking adaptacyjnych polityk keep-alive (LACE-RL)
- Analiza cold start diversity per runtime type
- Modelowanie prawdopodobieństwa reuse podów
- Ewaluacja carbon-aware schedulerów serverless
- Analiza wzorców workloadu FaaS (2025 — nowszy niż Azure 2020)
Używany w publikacjach
- sun-green-or-fast-serverless-2026 — główny evaluation dataset dla LACE-RL; dzień 30 (300M+ requestów); cold start lookup table per runtime; wykazuje: idle carbon > execution carbon dla agresywnych keep-alive; λ_idle = 0.21–0.83 across FunctionBench
Benchmarki
| Parametr | Wartość |
|---|---|
| Liczba dni | 31 |
| Requestów (dzień 30) | >300 million |
| Unikalnych funkcji | >1,500 |
| Cold start latency zakres | <0.1s – >10s (heavy-tailed) |
| Reuse interval zakres | ms – setki sekund |
| Pamięć (80. percentyl) | <100 MB |
| Runtime types | Python, Custom, … |
Uwagi
Najnowszy publiczny dataset serverless (2025), zawierający runtime metadata. Kluczowa różnica względem Azure Function Trace 2020: informacje o typie runtime per funkcja, szczegółowe logi cold startu (allocation + deploy cost rozdzielone), per-invocation podIDs umożliwiające śledzenie reuse.
Potencjał dla projektu #js-runtime-energy: dataset ma kolumnę runtime type, co otwiera możliwość analizy energetycznych różnic cold start między runtimeami (np. Python vs Custom — jeśli “Custom” obejmuje Node.js/Bun/Deno deployments).