- **Основная статья:** Artjom Joosen и соавт. — [Serverless Cold Starts and Where to Find Them](https://arxiv.org/pdf/2410.06145). EuroSys 2025.
- **Кратко о статье:** Авторы анализируют месячную производственную трассу Huawei, содержащую 85 миллиардов запросов и 11,9 миллиона холодных запусков в пяти дата-центрах. Исследование разделяет задержку на выделение pod, доставку кода и зависимостей и планирование и показывает, что причины заметно различаются между регионами и типами функций. Проект повторяет часть анализа на открытых трассах и проверяет переносимость обобщений.
- **Почему результат актуален:** авторы анализируют крупные производственные трассы и проверяют, какие свойства функций действительно объясняют холодные старты и насколько выводы переносятся между нагрузками.
- **Артефакты и данные:** [sir-lab/data-release](https://github.com/sir-lab/data-release) с обезличенными и агрегированными трассами Huawei Cloud под CC BY 4.0 и примерами анализа. Зафиксированные ревизии: `sir-lab/data-release@84a9d7727aef` (CC BY 4.0).
- **Что уже предоставляет артефакт:** Опубликованы трассы, агрегаты, схемы и `src/demo_cold_start.ipynb` с загрузкой, CDF по регионам, временными рядами и группировкой функций. Код загрузки можно повторно использовать; готовые графики и группировки служат исходной точкой. Проверенные исходные материалы: [демонстрационный notebook](https://github.com/sir-lab/data-release/blob/84a9d7727aef/src/demo_cold_start.ipynb), [схема данных](https://github.com/sir-lab/data-release/blob/84a9d7727aef/README_data_release_2025.md).
- **Проверяемый вопрос или утверждение:** частота cold start и связанные с ней наблюдаемые характеристики заметно различаются между регионами, функциями и периодами; популярные упрощённые модели не описывают весь производственный набор.
- **Технический результат:** Создать воспроизводимый конвейер загрузки, проверки, нормализации и выборки трасс холодных запусков с фиксацией происхождения данных. Дополнить воспроизведение графиков собственным расчётом устойчивости по периодам, регионам и популярности, альтернативной нормализацией и анализом влияния агрегации или исключения части данных.
- **Обязательное приращение команды:** Создать собственный конвейер проверки устойчивости 2–3 наблюдений по периодам, регионам и популярности с альтернативной нормализацией. Для одного наблюдения сопоставить веса по событиям и равные веса функций на общем наборе, затем оценить влияние укрупнения временной агрегации или контролируемого исключения части данных.
- **Эксперимент:** Воспроизвести 2–3 наблюдения статьи и проверить устойчивость по периодам, регионам и популярности на доступных данных. Для одного наблюдения сравнить веса по событиям с равными весами функций на общем наборе, затем укрупнить временную агрегацию либо контролируемо исключить часть данных и оценить изменение вывода. Искусственное исключение данных характеризует чувствительность и не оценивает реальную долю пропусков.
- **Границы выводов:** наблюдения относятся к доступным периодам, регионам и выбранной части опубликованных трасс; статистические связи не устанавливают причины cold start и не описывают текущее состояние всех облачных платформ.
- **Ресурсный профиль:** Локально, CPU, 8–16 ГБ памяти; использовать агрегаты или стратифицированную выборку, если полный объём не помещается. Выбрать наблюдения, для которых опубликованы необходимые числители, знаменатели и разрезы; данные отдельных запросов не предполагаются доступными за все периоды. Сокращённый путь сохраняет сравнение нормализаций и анализ чувствительности.
Построить и честно оценить простую модель риска cold start либо смоделировать одну политику keep-alive.
## История уточнений
| Дата | Версия | Основание | Изменение обязательного результата |
|---|---|---|---|
| 07.09.2026 | 1.1 | Статический просмотр закреплённого артефакта: готовые сценарии частично покрывают задание. | Добавлены альтернативная нормализация и проверка влияния агрегации или исключения данных на устойчивость наблюдений. |
