Autonomic Cloud Computing: Research Perspective
本文综述近十年云计算自主资源分配研究，聚焦QoS与SLA约束，提出AI驱动的自主云计算概念模型，以优化负载、能耗与成本。
2024-10-19 cs.DC
Toward a Formal Semantics for Autonomic Components
自治管理可以提高并行/分布式应用提供的QoS。在CoreGRID组件模型中，自主管理被定制为组件组装的自动监控驱动的变更，因此被定义为（分布式）管理代码的效果。这项工作产生了一个语义的基础上超图重写适合建模的动态演化和非功能方面的面向服务的架构和基于组件的自主应用程序。在这方面，我们的主要目标是提供一个正式的描述，通常只有非正式指定的适应操作。我们认为，我们的方法更容易提高自主和自适应应用程序中的管理代码的抽象层次。
2010-07-02 cs.DC cs.SE
TrafficFab: An Autonomic Edge-Cloud Testbed Fabric forAI-Driven Traffic Management
Indian Institute of Science (IISc)（印度科学研究所）
TrafficFab提出自主边缘-云测试平台，结合RTSP模拟、DNN边缘推理、ST-GNN云预测和FM辅助联邦学习，在班加罗尔部署上支持约400路实时流，验证大城市闭环交通分析。
2026-09-25 cs.DC
Autonomic Microservice Management via Agentic AI and MAPE-K Integration
University of Oulu（奥卢大学）
针对微服务去中心化带来的安全与管理挑战，提出基于MAPE-K并利用agentic AI的自主异常检测与修复框架，为分布式系统提供工业级解决方案，可定制以增强稳定性并监控多项质量属性。
2025-06-27 cs.AI cs.DC cs.NI
Towards Grid Monitoring and deployment in Jade, using ProActive
本文描述了我们目前对Jade网格化的努力，Jade是一个基于Java的环境，用于集群J2EE应用服务器的自主管理，由INRIA SARDES研究团队开发。为了实现这一目标，我们使用了java主动网格技术。我们首先提出了一些挑战，把这样一个自治管理系统最初专门用于分布式应用程序运行在集群的机器，到一个可以提供自我管理能力的大型系统，即部署在网格基础设施。这使我们对网格监控系统的技术状态进行了简要介绍。然后，我们回顾了Jade的架构，并因此提出以一种潜在的更具可扩展性的方式对其进行重组。实际实验涉及使用ProActive提供的网格部署功能，可以轻松地在任何类型的网格上部署Jade系统或其修订版。
2007-10-29 cs.DC
Distributed Hierarchical Control versus an Economic Model for Cloud Resource Management
我们研究了分层组织的云基础设施，并将基于资源监控的分布式分层控制与资源管理的市场机制进行了比较。后者不需要系统模型，开销低，健壮，并满足其他几个自主计算的需要。我们介绍了几个性能指标和报告的模拟研究表明，一个简单的投标方案支持一个有效的准入控制机制，同时降低了几个数量级的通信复杂性，也增加了接受率相比，分层控制和监测机制。基于市场机制的资源管理可以被视为云自组织的中间步骤，是当前云资源管理机制的理想替代方案。
2015-04-14 cs.DC
Cloud4IoT: a heterogeneous, distributed and autonomic cloud platform for the IoT
我们推出了Cloud4IoT，这是一个为物联网支持软件组件和数据密集型应用程序提供自动部署、编排和动态配置的平台，用于数据处理和分析，从而实现新传感器对象的即插即用集成和动态工作负载可扩展性。Cloud4IoT在物联网环境中实现了基础设施即代码的概念：它为物联网运营提供了云服务的灵活性和弹性。此外，它将传统的集中式云架构转变为物联网技术所要求的更加分布式和分散式的计算模式，弥合了云计算和物联网生态系统之间的差距。因此，Cloud4IoT扮演的角色类似于Fog Computing，Cloudlets或Mobile Edge Cloud等解决方案所涵盖的角色。Cloud4IoThs的分层架构托管一个中央云平台和多个远程边缘云模块，支持专用设备，即物联网网关，通过这些网关，新的传感器对象可以访问平台。总体而言，该平台旨在支持基于物联网和数据密集型应用程序可能对低延迟，有限的可用带宽或数据本地性提出特定要求的系统。Cloud4IoT基于多种开源技术构建，用于物联网标准、协议和服务的容器化和实现。我们提出了该平台的实现，并在两个不同的用例中演示。
2018-10-03 cs.DC
Virtual Machine Migration: A Resource Intensive Outsourcing Mechanism for Mobile Cloud Computing
在移动云计算（MCC）中，基于虚拟机（VM）迁移的进程卸载是增强智能移动设备（SMD）的主要方法。VM部署的一个挑战性方面是在VM的部署和管理中使用额外的计算资源，这迫使计算资源用于VM创建和配置。虚拟机的管理包括虚拟机全生命周期监控中的计算资源开发和SMD上虚拟机的物理资源管理。因此，基于VM迁移的应用卸载需要额外的计算资源。因此，计算资源需求和应用程序的执行时间分别增加。在本文中，我们经验审查的影响，虚拟机的部署和管理的应用程序的执行时间在不同的情况下。我们调查虚拟机部署和管理的应用程序处理在模拟环境中采用CloudSim：一个模拟工具包，提供了一个可扩展的模拟框架，模拟虚拟机部署和管理的应用程序处理在云基础设施。这项工作的重要性在于确保VM部署和管理需要SMD上的额外计算资源，以实现应用程序卸载。我们通过分析不同场景下的关键性能参数（KPPs）来评估应用程序处理中的VM部署和管理;例如VM部署，应用程序的执行时间和模拟的总执行时间。我们使用KPPs来评估不同实验方案结果的偏差。实证分析的结论是，虚拟机的部署和管理需要额外的资源上的计算主机，使其成为一个重量级的方法，在智能移动终端的进程卸载。
2012-11-30 cs.DC
The first deployment of workload management services on the EU DataGrid Testbed: feedback on design and implementation
应用程序用户现在已经体验了大约一年的标准化资源代理服务，该服务由欧盟数据网格项目（WP 1）的“工作负载管理”包提供。了解、塑造和推动该系统的极限，为其设计和实施提供了宝贵的反馈。摘要的经验教训，和“更好的做法”，吸取了教训，并适用于第二次主要版本的软件，给出。
2003-05-31 cs.DC
CYCLONE Unified Deployment and Management of Federated, Multi-Cloud Applications
各种云层必须协同工作，以管理和部署复杂的多云应用程序，执行复杂的云资源部署，激活，调整，交互和监控工作流。虽然有足够的解决方案来管理各个云方面（例如网络控制器，部署工具和应用程序安全软件），但没有集成良好的套件来管理具有多个提供商和部署模型的整个多云环境。本文介绍了CYCLONE架构，该架构集成了许多现有的解决方案，为多云应用程序创建了一个开放，统一，整体的云管理平台，专为研究机构和中小企业的需求量身定制。它讨论了为Intercloud提供网络和安全基础设施的主要挑战，并以演示如何在现实生活中的生物信息学用例中实施该架构作为结束。
2016-07-22 cs.DC cs.SE
Providing Virtual Execution Environments: A Twofold Illustration
平台虚拟化有助于解决网格计算面临的主要挑战：与灵活的、用户控制的和自定义的执行环境共享资源，同时隔离故障和恶意代码。网格资源管理工具将发展到支持虚拟资源。我们提出了两个开源项目，透明地提供虚拟执行环境。Tycoon是在惠普实验室开发的，旨在优化资源使用，创造一种用户出价访问虚拟机并竞争CPU周期的经济。SmartDomains提供了一个点对点层，使用HP实验室的描述语言和部署引擎自动化虚拟机部署。这些项目展示了客户端-服务器和对等网络的虚拟资源管理方法。第一种情况广泛使用虚拟机特性进行动态资源分配。第二种方法将虚拟机功能转换为一种复杂的语言，在这种语言中，资源管理组件可以插入到部署时定义的配置和架构中。我们建议分享我们在CERN openlab开发SmartDomains和部署Tycoon的经验，以说明虚拟资源管理的新兴研究。
2008-08-27 cs.DC
A Holistic View on Resource Management in Serverless Computing Environments: Taxonomy and Future Directions
近年来，无服务器计算已成为云应用程序的一个有吸引力的部署选项。这种计算模型的独特功能包括快速自动扩展、强大的隔离、细粒度的计费选项以及访问自主处理资源管理决策的大规模服务生态系统。由于这些特征，这种模型也越来越多地被探索用于地理分布的边缘和雾计算网络中的部署。计算资源的有效管理一直受到研究人员的关注。由于需要自动化资源配置、分配、调度、监控和扩展的整个过程，因此需要专门关注无服务器模式下的资源管理。在这篇文章中，我们确定了覆盖无服务器环境中资源管理更广泛概念的主要方面，并提出了影响这些方面的元素分类，包括系统设计，工作负载属性和利益相关者期望的特征。我们全面了解跨边缘、雾和云计算网络部署的无服务器环境。我们还分析了现有的作品，讨论使用这种分类的无服务器资源管理方面。本文进一步确定了文献中的差距，并强调了未来的研究方向，以提高这种计算模型的能力。
2021-06-01 cs.DC
SLA Management in Intent-Driven Service Management Systems: A Taxonomy and Future Directions
本文通过系统文献综述研究意图驱动服务管理系统中的SLA管理，识别出四种意图管理活动并提出分类法，为工业界和学术界提供未来研究方向。
2023-05-26 cs.DC
DNN-Powered MLOps Pipeline Optimization for Large Language Models: A Framework for Automated Deployment and Resource Management
提出一种基于DNN的MLOps流水线优化框架，通过多流神经架构、自适应资源分配和自动部署编排，实现LLM部署的资源利用率提升40%、延迟降低35%、成本减少30%。
2025-01-14 cs.DC cs.LG
KupenStack: Kubernetes based Cloud Native OpenStack
OpenStack是一个开源私有云，用于运行虚拟机及其相关的云服务。OpenStack部署、管理和升级需要大量的工作和手动故障排除。此外，OpenStack提供的工作负载和服务不能在故障时自我修复。我们展示了KupenStack，一个构建在Kubernetes堆栈之上的云原生OpenStack即代码模型，作为自定义资源。KupenStack是一个控制器，它在Kubernetes和OpenStack之间进行交互，并自动化复杂的操作，如扩展，LCM，零停机，自我修复，版本升级，配置管理，并通过代码提供OpenStack作为服务。KupenStack构建了云原生价值，如不可变的基础设施，用于OpenStack的声明式API，而无需更改任何OpenStack代码。如果VM工作负载由于某种原因下降，KupenStack会处理它并自动启动一个新实例。KupenStack在Kubernetes部署上使用OpenStack来管理OpenStack的生命周期。
2021-06-05 cs.DC
Self-Evolving Distributed Memory Architecture for Scalable AI Systems
Pacific Coast University（太平洋海岸大学）；Tongji University（同济大学）；Institute for Intelligent Systems, Northern Research Laboratory（北方研究实验室智能系统研究所）
本文提出一种三层架构，通过动态内存管理提升AI系统在计算、通信和部署层的效率，实现内存利用率提升和通信延迟降低。
2026-05-16 cs.DC
ReinFog: A Deep Reinforcement Learning Empowered Framework for Resource Management in Edge and Cloud Computing Environments
The Quantum Cloud Computing and Distributed Systems (qCLOUDS) Laboratory, School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息学系量子云计算与分布式系统（qCLOUDS）实验室）；The Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）
提出ReinFog框架，利用深度强化学习实现边缘/雾和云环境的自适应资源管理，通过MADCP算法优化组件部署，显著降低响应时间、能耗和加权成本。
2026-07-03 cs.DC
kube-volttron: Rearchitecting the VOLTTRON Building Energy Management System for Cloud Native Deployment
管理建筑环境的能源消耗是灵活负荷和脱碳的重要来源，使建筑管理者和公用事业公司能够安排消耗，以避免昂贵的需求费用和电网发电碳排放最高的高峰时间。建筑物能源管理的一个关键技术组成部分是建筑物能源管理系统。Eclipse VOLTTRON是一个支持建筑能源管理的传统软件平台。它是为美国能源部（DOE）在太平洋西北国家实验室（PNNL）开发的，用Python编写，基于单片构建-配置-运行-就地系统架构，早于云原生架构概念。然而，软件架构是组件化的，可以预期模块化容器化应用程序，软件代理处理数据存储，Web访问以及通过特定的物联网协议（如BACnet和Modbus）与物联网设备通信等功能。代理之间通过消息总线进行通信。本文描述了一个概念验证原型，将VOLTTRON重新架构为适合在Kubernetes云原生容器编排平台上部署的微服务集合。代理被打包在可再分发的容器中，这些容器执行特定的功能，并且可以在部署时进行配置。部署架构由单个Kubernetes集群组成，其中包含一个中央节点，名义上位于基于云的虚拟机中，其中包含数据库代理的微服务（称为“历史记录器”）和用于服务运行的网站代理，以及在建筑物中的站点上运行的网关节点，其中包含IoT协议特定代理的微服务处理去往和来自设备的控制和数据汇集，并将信息传回中央节点。
2023-02-27 cs.CY cs.DC cs.SE
Complexity at Scale: A Quantitative Analysis of an Alibaba Microservice Deployment
Alibaba（阿里巴巴）
本文通过分析阿里巴巴生产微服务部署的数据，揭示了其大规模、异质性和动态性特征，挑战了现有研究模型和测试床设计的假设，并提出了更现实的未来研究方向。
2025-12-12 cs.DC cs.SE
Applying Constraint Solving to the Management of Distributed Applications
我们提出了我们的方法部署和管理分布式组件为基础的应用程序。用高级声明性语言编写的期望状态描述（DSD）指定了分布式应用程序的要求。我们的基础设施接受DSD作为输入，并从它自动配置和部署分布式应用程序。随后发现违反最初要求的情况，并在可能的情况下通过重新配置和重新部署必要的应用程序组件自动纠正。约束求解工具用于规划满足应用程序要求的部署。
2010-06-17 cs.DC cs.SE
Towards a Decentralised Application-Centric Orchestration Framework in the Cloud-Edge Continuum
本文提出Swarmchestrate，一个受Swarm自组织原则启发的去中心化应用中心编排框架，解决云-边缘连续体中复杂分布式应用的端到端管理难题，初步仿真验证了其在应用部署和资源优化分配方面的潜力。
2025-04-01 cs.DC cs.NE cs.NI
An Automated Deployment and Testing Framework for Resilient Distributed Smart Grid Applications
在边缘设备上执行分布式网络物理软件流程，在遵守资源约束的同时保持整个系统的弹性，这对开发人员来说是一个相当具有挑战性的权衡。当前的方法不能以满足开发人员在设计时可以编码的不同弹性要求的方式解决将软件组件部署到设备的问题。本文介绍了一种弹性部署框架，它可以通过接受用户定义的约束来优化给定应用程序部署的冗余或成本。使用分散式软件平台开发的微电网能源管理应用程序的实验表明，部署配置可以在增强分布式应用程序的弹性能力以及减少对单个节点的资源需求方面发挥重要作用，即使不修改控制逻辑。
2022-06-27 cs.DC cs.PF
Sinan: Data-Driven, QoS-Aware Cluster Management for Microservices
Cornell University（康奈尔大学）
云应用程序越来越多地从大型单体服务转向大量松散耦合的专用微服务。尽管微服务在促进开发、部署、模块化和隔离方面具有优势，但它们之间的依赖关系会引入背压效应和级联QoS违规，从而使资源管理复杂化。我们介绍了Sinan，一个数据驱动的集群管理器，用于在线和QoS感知的交互式云微服务。Sinan利用一组可扩展且经过验证的机器学习模型来确定微服务之间依赖关系的性能影响，并以保持端到端尾部延迟目标的方式为每个层分配适当的资源。我们评估了Sinan在专用本地集群和Google Compute Engine（GCE）上的大规模部署，这些部署涉及使用微服务构建的代表性端到端应用程序，例如社交网络和酒店预订网站。我们表明，思南总是满足QoS，同时还保持集群利用率高，在以前的工作，导致不可预测的性能或牺牲资源效率。此外，Sinan中的技术是可以解释的，这意味着云运营商可以从ML模型中获得关于如何更好地部署和设计其应用程序以降低不可预测性能的见解。
2021-05-27 cs.DC cs.LG cs.NI
Towards Practical Operation of Deep Reinforcement Learning Agents in Real-World Network Management at Open RAN Edges
High-Performance Networks Group, Smart Internet Lab, Department of Electrical and Electronic Engineering, University of Bristol（高性能网络组、智能互联网实验室、电子与电气工程系、布里斯托尔大学）；Bristol Research and Innovation Laboratory, Toshiba Europe Ltd.（布里斯托尔研究与创新实验室、东芝欧洲有限公司）
本文提出将 ETSI MEC 与 Open RAN 集成的编排框架，针对异步流量、异构泛化和在线探索三大挑战，采用时间序列集成、多智能体与增量学习及迁移学习驱动的仿真部署，并在城市级测试平台上验证其可行性。
2025-07-18 cs.AI cs.DC cs.NI
