A Case for Microservices Orchestration Using Workflow Engines
微服务已经成为云原生应用程序的事实上的软件架构。微服务中一个有争议的架构决策是使用编排或编排来组合它们。在编排中,每个服务都独立工作,而在编排中,有一个控制器来协调服务交互。这篇文章提出了一个编排的案例。微服务的承诺是每个微服务都可以独立开发,部署,测试,升级和扩展。这使得它们适合在云基础设施上运行的系统。然而,基于微服务的系统由于各种服务的复杂交互、并发事件、故障组件、开发人员缺乏全局视图以及环境配置而变得复杂。这使得维护和调试这样的系统非常具有挑战性。我们假设编排的服务更容易调试,为了测试这一点,我们将最大的公开可用的微服务基准TrainTicket(使用编排实现)移植到一个无故障的状态工作流框架Temporal。我们报告了我们将代码从传统编排的微服务架构移植到Temporal编排的微服务架构的经验,并提出了我们调试基准测试中存在的22个错误的初步发现。我们的研究结果表明,努力过渡到编排的方法是值得的,使移植的代码更容易调试。
2022-04-14 cs.DC cs.SE
Service Orchestration in the Computing Continuum: Structural Challenges and Vision
Universitat Pompeu Fabra(庞培法布拉大学);Stockholm University(斯德哥尔摩大学);University of Melbourne(墨尔本大学);ICREA(加泰罗尼亚高级研究所);TU Wien(维也纳工业大学)
本文探讨了计算连续体中服务编排的结构性挑战,并提出通过主动推断概念实现自主编排的愿景,同时指出现有解决方案的不足及未来研究方向。
2026-02-17 cs.DC cs.ET cs.SY
Research Challenges in Nextgen Service Orchestration
雾/边缘计算、功能即服务和可编程基础设施(如软件定义网络或网络功能虚拟化)正在现代信息技术基础设施中得到普遍使用。这些技术改变了服务运行的底层计算基底的特性和能力(例如更高的易失性、更稀缺的计算能力或可编程性)。因此,可以在其上运行的服务的性质也发生了变化(更小的代码库,更分散的状态等)。这些变化为服务编排带来了新的要求,服务编排需要不断发展,以支持新的场景,在这些场景中,服务和基础设施之间的密切交互对于提供无缝的用户体验至关重要。在这里,我们提出了这种新技术所带来的挑战,以及当前的编排技术在新挑战中的地位。我们还提出了一套有前途的技术,可以帮助驯服这个勇敢的新世界。
2018-06-07 cs.DC
Tracking Causal Dependencies in Web Services Orchestrations Defined in ORC
本文展示了如何对像ORC这样的语言的操作语义进行检测,以便程序的执行产生关于事件之间因果依赖关系的信息。我们得到的并发语义是基于不对称的标记事件结构。该方法说明使用Web服务编排实例和竞争条件的检测。
2015-05-23 cs.DC cs.PL
Experimental Validation of User Experience-focused Dynamic Onboard Service Orchestration for Software Defined Vehicles
本文通过专用测试台实验验证了一种面向SDV的动态车载服务编排算法,该算法在保证混合关键性QoS的同时最大化用户体验,证实了其工业可行性。
2024-09-30 cs.DC cs.NI cs.SE
Edge-Oriented Orchestration of Energy Services Using Graph-Driven Swarm Intelligence
Technical University of Cluj-Napoca(克卢日-纳波卡工业大学);ENSIIE & SAMOVAR(法国埃夫里国立高等信息技术与工业学院及SAMOVAR实验室)
本文提出一种图驱动群体智能框架,用于智能电网中边缘-雾-云基础设施的分布式能源服务编排,通过高效拓扑探索和任务分配算法实现低延迟服务迁移与数据互操作性。
2026-04-14 cs.DC
Metric-Aware Secure Service Orchestration
安全编排是服务互联网中的一个重要问题。除了提供所需的功能外,组合服务还必须提供合理的安全级别,以保护敏感数据。因此,协调器需要检查复杂服务是否能够满足某些属性。一些属性用度量来表示,以便精确定义需求。因此,问题是分析复杂业务流程的度量值。在本文中,我们扩展了我们以前的工作与可量化的属性安全编排的分析。我们展示了如何定义,验证和执行定量的安全要求,在一个框架与其他安全属性。拟议的办法应有助于选择最合适的服务架构,并保证满足所宣布的安全要求。
2012-12-17 cs.CR cs.DC cs.FL
Resource Slicing through Intelligent Orchestration of Energy-aware IoT services in Edge-Cloud Continuum
针对边云环境中 IoT 应用的能耗与性能优化难题,提出将应用分解为 nanoservices,并结合资源与网络切片进行能耗感知的智能编排部署。
2024-12-04 cs.DC
Kirin: Cloud-native WebAssembly Service Orchestration
Technische Universität Berlin(柏林工业大学)
本文提出Kirin,一个云原生WebAssembly服务编排器,支持资源调度、生命周期管理等核心功能,评估显示其在服务工作负载上性能与容器相当,是容器的可行替代方案。
2026-10-01 cs.DC
Reinforcement Learning Based Orchestration for Elastic Services
由于边缘服务运行的执行上下文高度可变,因此使其行为适应执行上下文对于满足其需求至关重要。然而,调整服务行为是一项具有挑战性的任务,因为很难预测它将被部署的执行上下文,也很难评估每个行为更改将产生的影响。为了有效地提供这种适应,我们提出了一种基于强化学习(RL)的弹性服务演示。我们实现和评估这种方法,通过适应弹性服务在不同的模拟执行上下文中,并比较其性能的启发式的方法。我们表明,弹性服务实现了高精度和需求满足率,同时创造了小于0.5%的整体服务的开销。特别是,RL方法被证明比基于规则的方法更有效;精度高10%至25%,而计算成本低25%。
2019-04-26 cs.DC cs.PF
MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Alibaba Group(阿里巴巴集团)
MegaFlow是一个面向代理时代的大型分布式编排系统,通过将代理训练基础设施抽象为三个独立服务,实现高效调度、资源分配和任务管理,解决大规模代理训练的基础设施问题。
2026-01-13 cs.DC cs.SE
Synthesis of Orchestrations and Choreographies: Bridging the Gap between Supervisory Control and Coordination of Services
本文通过修改监督控制理论中的合成算法,引入新颖可控性概念,提出抽象参数化合成算法,统一了经典合成与编排、编排合成,并证明其细化关系,以服务领域示例验证。
2020-06-02 cs.DC cs.FL cs.SY
Towards Resilience: Slice-Driven Orchestration of Mobile IoMT in 6G-Edge-Continuum
Centre for Wireless Communications(无线通信中心);University of Oulu(奥卢大学)
针对6G-边缘连续体中移动IoMT编排的资源与动态适配问题,提出集成5G网络切片等技术的自适应框架,经SimPy仿真验证可提升服务部署效率并改善IoMT服务性能。
2026-10-14 cs.AI cs.DC cs.NI
An Interference-aware Approach for Co-located Container Orchestration with Novel Metric
本文引入调度延迟作为量化干扰的新型指标,利用机器学习预测在线服务干扰并指导资源分配,提出基于预测模型的调度算法,有效降低在线服务响应时间并平衡节点资源利用率。
2024-02-14 cs.DC
Cost-Effective Big Data Orchestration Using Dagster: A Multi-Platform Approach
针对传统大数据PaaS平台成本高和供应商锁定问题,本文提出基于Dagster的多平台编排框架,集成多种Spark环境,实现性能提升12%和成本降低40%,提供灵活且开发者可控的计算环境。
2024-08-21 cs.DC cs.SE
FAME: QoS-aware Async Service Orchestration for Agentic Workflows
Indian Institute of Science, Bangalore(印度科学研究所班加罗尔分校);IBM Research Lab, Bangalore, India(印度班加罗尔IBM研究实验室)
本文提出FAME架构,利用FaaS平台优化MCP启用的智能工作流,实现模块化组合和状态持久化,提升效率与成本效益。
2026-08-11 cs.DC
Distributed Service Orchestration in Edge-Cloud Continuum for Digital Healthcare
针对数字医疗中边云连续体的服务部署问题,提出三层注册表架构,利用本地和远程私有注册表提升部署可靠性与性能,实验证明其优于远程公共注册表。
2026-09-25 cs.DC cs.NI cs.PF
Continuous QoS-compliant Orchestration in the Cloud-Edge Continuum
针对云边网络中多服务应用QoS决策主动执行不足的问题,提出基于Docker的下一代编排器原型,实现符合QoS的持续管理并衔接CI/CD与监控工具,在意大利分布式测试床完成评估。
2023-10-04 cs.DC cs.NI cs.SE
LMEdge: QoS-Aware LLM Inference Orchestration on Edge Clusters
Vienna University of Technology(维也纳工业大学);University of Klagenfurt(克拉根福大学);University of Messina(墨西拿大学)
研究在边缘集群上进行QoS感知的LLM推理编排问题,提出LMEdge服务。通过BILP优化并结合五个轻量级ML模型预测相关指标,设计轻量级启发式方法。在边缘测试平台评估,结果显示其降低延迟、保持准确性、提高资源利用率及服务比率。
2026-07-21 cs.DC
BumbleBee: Application-aware adaptation for container orchestration
现代应用程序通过使用容器、容器编排和服务网格,将关注点分离作为一级组织原则。然而,对意外网络变化的适应并没有随之而来。我们提出了BumbleBee,这是容器生态系统的一个轻量级扩展,支持应用程序感知的适应。BumbleBee提供了一个简单的抽象,用于使用应用程序语义对网络数据进行决策。由于这种抽象被放置在现代服务网格的通信框架内,因此它更接近于检测到更改的点,从而提供比端点更快、更有效的适应。
2021-05-09 cs.DC cs.OS
Configurable Runtime Orchestration for Dynamic Data Retrieval in Distributed Systems
Capital One
本文提出了一种基于配置的运行时编排框架,用于在分布式系统中实现动态数据检索,通过动态生成执行图实现低延迟编排,支持集成演变时无需重新部署工作流代码。
2026-03-07 cs.DC cs.SE
Incentives and Evidence in Learned Service Orchestration
EPFL(苏黎世联邦理工学院);University of Waterloo(多伦多大学)
本文通过预注册实验检验三个有影响力的基于强化学习的服务编排系统,发现大多数性能反转未发生,并指出发表和评审激励偏向基准增益而非部署性能,提出需要生产级比较器和可复现操作证据。
2026-06-16 cs.DC cs.LG
Management and Orchestration of Network Slices in 5G, Fog, Edge and Clouds
网络切片允许网络运营商在共享的物理网络上构建多个隔离的虚拟网络,以适应各种各样的服务和应用。通过网络切片,服务提供商可以提供具有成本效益的解决方案,以满足部署的应用程序和服务的各种性能要求。尽管有切片的好处,但网络切片的端到端编排和管理是一项具有挑战性且复杂的任务。在本章中,我们将概述网络切片的所有相关方面,重点关注5G、Fog/Edge和云计算平台中的软件定义网络(SDN)和网络功能虚拟化(NFV)等网络技术。为了构建所需的背景,本章首先简要概述了5G、雾/边缘和云计算及其相互作用。然后,我们涵盖了网络切片的5G愿景,并通过调查这些平台中最先进的切片方法将其扩展到雾和云计算。我们通过讨论未来的方向,分析网络切片实现的差距和趋势来结束本章。
2018-12-03 cs.DC
Comparison of FaaS Orchestration Systems
自2014年Amazon Lambda出现以来,所有主要的云计算提供商都采用了FaaS模式,因为它在各种应用程序中具有巨大的潜力。正如预期(也是期望的),无服务器世界的竞争非常激烈,包括对无服务器功能编排的运行时支持等方面。在这方面,目前三大生产服务是Amazon Step Functions(2016年12月)、Azure Durable Functions(2017年6月)和IBM Composer(2017年10月),它们仍然是年轻的实验项目,还有很长的路要走。在本文中,我们将在一个通用的评估框架下比较和分析这三个无服务器编排系统。我们将研究它们的体系结构,编程和计费模型,以及它们对并行执行的有效支持等。通过一系列的实验,我们还将评估不同类型的工作流的不同基础设施的运行时开销。
2019-01-25 cs.DC
Funky: Cloud-Native FPGA Virtualization and Orchestration
针对云原生环境中FPGA缺乏虚拟化、隔离和编排的问题,本文提出Funky全栈FPGA感知编排引擎,通过虚拟化、状态管理和CRI/OCI组件实现高性能与容错,评估显示仅7.4%开销且镜像小28.7倍。
2025-10-17 cs.DC cs.OS
Energy-Aware Agentic Orchestration for Multi-Site Service Deployment
Federal University of Viçosa (UFV)(维索萨联邦大学);Federal University of Uberlândia (UFU)(乌贝兰迪亚联邦大学);Instituto de Telecomunicações(电信研究所);Universidade de Aveiro (UA)(阿威罗大学);University of São Paulo (USP)(圣保罗大学);Universitat Politecnica de València (UPV)(瓦伦西亚理工大学);University of Minho (UMinho)(米尼奥大学)
本文提出能量感知智能体编排框架,对比不同LLM推理策略在多站点Kubernetes测试平台的GPU能耗,发现推理策略与意图复杂度影响能耗,前缀缓存可降低ReAct能耗,为AI编排可持续性评估提供依据。
2026-10-14 cs.DC cs.NI
Environmentally-Conscious Cloud Orchestration Considering Geo-Distributed Data Centers
本文探讨云环境中的环保作业部署与迁移,通过定义综合环境影响概况并形式化为优化模型,在尊重用户偏好的同时平衡多环境因素,模拟显示其优于单一因素基线策略。
2025-07-14 cs.DC
Replacing Large Language Models with Jev Decision Models for Low-Latency Edge Service Orchestration
University of Technology Sydney(悉尼科技大学)
本研究将 Jev 决策模型集成到边缘服务编排中,替代大型语言模型进行决策,在保持服务完成的同时,将客户端决策延迟降低 15.9%-26.5%,API 费用降低约 70%,验证了决策模型替换在低延迟场景中的有效性。
2026-09-22 cs.DC cs.NI
Monitoring Fog Computing: a Review, Taxonomy and Open Challenges
雾计算是一种在用户附近提供计算资源的分布式范例。雾编排是一组功能,用于协调动态基础设施和管理服务,以保证服务级别协议。监控是一项最重要的编排功能。它是资源管理操作的基础,收集资源和服务的状态,并将更新的数据交付给协调器。有几种云监控解决方案和工具,但它们都不符合雾的特征和挑战。雾监控解决方案很少,它们可能没有准备好组成编排服务。本文更新了有关雾监测的知识库,评估了可观测性,数据标准化和仪器领域等方面的最新主题。我们提出了一种新的分类雾监测解决方案,支持系统的文献综述。雾监测建议进行分析和分类,这一新的分类,为研究人员提供了一个全面的概述。这项工作还突出了主要的挑战和开放的研究问题。
2022-06-16 cs.DC
Performance Evaluation of Automated Multi-Service Deployment in Edge-Cloud Environments with the CODECO Toolkit
Democritus University of Thrace(德谟克利特色雷斯大学);Athena Research Center(雅典研究中心);University of Piraeus Research Center(比雷埃夫斯研究中心);fortiss GmbH(fortiss有限公司)
本文评估了CODECO工具包在边缘-云环境中的自动化多服务部署性能,证明其在减少人工干预和保持性能方面优于K8s。
2026-07-10 cs.DC
ARGOS: Reinforcement Learning-Driven Multidimensional Elasticity for Service Orchestration in the Computing Continuum
University of Extremadura(埃斯特雷马杜拉大学);Global Process and Product Improvement S.L.(全球流程与产品改进有限公司);University of Prishtina(普里什蒂纳大学);TU Wien(维也纳工业大学);ICREA(加泰罗尼亚研究与高等教育机构)
ARGOS利用深度强化学习将多维弹性建模为马尔可夫决策过程,在计算连续体中通过容量感知准入控制动态调整分析质量与集群压力,实验表明其优于非学习基线并接近最优固定策略。
2026-10-05 cs.AI cs.DC
MaaSO: SLO-aware Orchestration of Heterogeneous Model Instances for MaaS
MaaSO是首个MaaS编排器,通过性能分析、配置优化和SLO感知分发,利用异构实例配置,将SLO满足率提升15-30%,延迟降低40-60%。
2025-09-08 cs.DC
Uncovering the Perfect Place: Optimising Workflow Engine Deployment in the Cloud
在编排高度分布式和数据密集型的Web服务工作流时,编排引擎的地理位置会极大地影响工作流的整体性能。我们提出CloudForecast:一种Web服务框架和分析工具,在给定工作流规范的情况下,计算最佳Amazon EC2 Cloud区域,以自动部署编排引擎并执行工作流。我们使用Amazon Cloud区域和工作流节点之间的工作流地理距离、网络延迟和HTTP往返时间来查找云区域的排名。这个总体排名预测了工作流编排引擎应该部署在哪里,以减少总体执行时间。我们的实验结果表明,我们提出的优化策略,根据特定的工作流程,可以加快执行时间平均82.25%相比,本地执行。
2014-10-22 cs.DC
Location, Location, Location: Data-Intensive Distributed Computing in the Cloud
在编排高度分布式和数据密集型的Web服务工作流时,编排引擎的地理位置会极大地影响工作流的整体性能。演示引擎通常从组织的网络内运行,并且可能必须跨长的地理距离传输数据,这反过来增加了执行时间并降低了工作流的整体性能。在本文中,我们提出了CloudForecast:一个Web服务框架和分析工具,它给出了一个工作流规范,计算最佳的亚马逊EC2云区域自动部署编排引擎和执行工作流。我们使用Amazon Cloud区域和工作流节点之间的工作流地理距离、网络延迟和HTTP往返时间来查找云区域的排名。这个简单指标的组合集有效地预测了工作流编排引擎应该部署在哪里,以减少总体执行时间。我们通过执行在PlanetLab平台上部署的随机生成的数据密集型工作流来评估我们的方法,以便对Amazon EC2 Cloud区域进行排名。我们的实验结果表明,我们提出的优化策略,根据特定的工作流程,可以加快执行时间平均82.25%相比,本地执行。我们还表明,执行时间的标准差减少了近65%的平均使用优化策略。
2014-02-03 cs.DC
PAST: Pilot and Adaptive Orchestration for Timely and Resilient Service Delivery in Edge-Assisted UAV Networks under Spatio-Temporal Dynamics
Tongji University(同济大学);Xiamen University(厦门大学);Guizhou University(贵州大学);CSIRO(联邦科学与工业研究组织);North Carolina State University(北卡罗来纳州立大学)
针对时空动态下边缘辅助无人机网络的资源交易问题,提出PAST框架,集成PilotAO与AdaptAO机制,平衡了交易的稳定性、适应性与决策效率。
2026-08-25 cs.DC cs.GT cs.NI
Container-based Cluster Orchestration Systems: A Taxonomy and Future Directions
容器能够实现轻量级的环境和性能隔离,快速灵活的部署以及细粒度的资源共享,除了硬件虚拟化之外,还在更好的应用程序管理和部署方面获得了普及。它们正被组织广泛用于在专有集群或私有云和公共云数据中心中部署来自现代应用程序(如Web服务、大数据和物联网)的日益多样化的工作负载。这导致了容器编排平台的出现,这些平台旨在管理大规模集群中容器化应用程序的部署。这些系统能够在数千台机器上运行数十万个作业。为了有效地做到这一点,他们必须解决几个重要的挑战,包括可伸缩性,容错和可用性,有效的资源利用率,以及请求吞吐量最大化等。本文研究了这些管理系统,并提出了一个分类,确定不同的机制,可用于满足上述挑战。建议的分类,然后应用到各种国家的最先进的系统,导致识别开放的研究挑战和差距,在文献中打算作为未来的研究方向。
2018-11-02 cs.DC
Semantic Revolution from Communications to Orchestration for 6G: Challenges, Enablers, and Research Directions
Oulu University(奥卢大学);Ruhr University Bochum(波鸿鲁尔大学);Sejong University(世宗大学);Futurewei Technologies(华为主导的未来通信技术公司(未来网络技术公司))
本文针对6G万物交互中的资源稀缺与语义通信知识共享难题,提出知识库管理与编排(KB-MANO)框架,融合计算网络融合与终身学习,以最小化知识管理对服务提供的影响,并展望语义通信在6G中的变革方向。
2024-06-24 cs.AI cs.DC cs.ET
iDDS: Intelligent Distributed Dispatch and Scheduling for Workflow Orchestration
Brookhaven National Laboratory(布鲁克海文国家实验室);University of Texas at Arlington(德克萨斯大学阿灵顿分校);University of Pittsburgh(匹兹堡大学)
iDDS是一种智能分布式调度系统,通过整合数据感知执行和可编程工作流,实现大规模分布式科学计算中的高效工作流编排与自动化处理。
2025-12-20 cs.DC
A Robust Adaptive Workload Orchestration in Pure Edge Computing
University College Dublin(都柏林大学);University Kasdi Merbah(卡斯迪·梅尔巴大学);Laboratory of Artificial Intelligence and Information Technology (LINATI)(人工智能与信息技术实验室(LINATI))
本文提出R-AdWOrch模型,通过优先级定义和重分配策略,有效最小化纯边缘计算中紧急任务的截止期限错过及低优先级任务的数据丢失。
2023-08-15 cs.DC cs.LG