Power-Aware Allocation of Graph Jobs in Geo-Distributed Cloud Networks
在大数据时代,提交到云的作业呈现出由图表示的复杂结构,其中节点表示每个子任务可以容纳在服务器中的插槽中,而边表示子任务之间的通信约束。我们开发了一个框架,用于在地理分布式云网络(GDCN)中有效地分配图形作业,明确考虑了计算中心(DC)的功耗。我们解决了图作业分配中出现的以下两个挑战:i)分配问题属于NP-难非线性整数规划; ii)分配需要解决NP-完全子图同构问题,这在大规模GDCN中特别麻烦。我们为各种规模的GDCN开发了一套有效的解决方案。对于小规模的GDCN,我们提出了一种基于凸规划的分析方法。对于中等规模的GDCN,我们开发了一个分布式分配算法,利用DC的处理能力并行。之后,我们提供了一种新的低复杂度(分散式)子图提取方法,在此基础上,我们引入云爬虫,旨在为大规模GDCN提取良好潜力的分配。鉴于这些建议的策略,我们进一步研究固定和自适应DC定价方案下的策略选择,并提出了一个在线学习算法。
2019-11-14 cs.DC
Reallocation and Allocation of Virtual Machines in Cloud Computing
云计算给分布式领域带来了新的面貌。本文主要讨论了两个问题:(1)利用负载均衡算法的概念寻找有效虚拟机的过程。(II)重新分配虚拟机,即当云提供商无法提供所需的虚拟机时迁移虚拟机。我们已经讨论了不同的负载均衡算法,这些算法用于根据需要决定分配给客户端的有效虚拟机。在第二个问题中,我们讨论了可用于将虚拟机从一个源机器迁移到另一个目标机器的不同模块。最后讨论了适用于云计算的各种模拟器。
2013-04-15 cs.DC
Latency Optimization for Resource Allocation in Cloud Computing System
最近在不同科学领域的研究导致了对云等高性能计算系统的需求。此类系统设计和实现中的一个关键问题是资源分配,它直接受到节点数量、地理距离和通信延迟等内部和外部因素的影响。在资源分配方法中进行了许多优化,以便通过集中计算、网络和能源资源来实现更好的性能。通信延迟作为网络资源的一种限制,在并行处理(特别是细粒度程序)中一直扮演着重要的角色。本文针对云计算环境下的资源分配问题进行了研究,并在此基础上,结合云计算的通信特性,对常用的资源分配方法进行了优化。因此,我们向资源代理(将资源分配给申请者的实体)添加了一个表来保存以前分配的历史记录。然后,部分基于物流的历史,构造了资源配置的概率矩阵。响应时间被认为是评价所提出的方法的一个指标。结果表明,更好的响应时间,特别是通过增加任务的数量。此外,所提出的方法固有地能够通过测量通信延迟来检测不可用资源。它有助于云系统中的其他问题,如迁移,资源复制和容错。
2016-05-04 cs.DC
An NBDMMM Algorithm Based Framework for Allocation of Resources in Cloud
云计算是计算领域中的技术进步,并且通过经由互联网连接提供诸如网络、存储、计算能力和服务器的计算资源作为服务,使计算的效用愿景更进一步。这些服务以按使用付费的方式提供给用户,取决于云用户对这些资源的使用量。由于这些资源的使用是以弹性的方式进行的,因此这些资源的按需供应是整个云计算基础设施背后的驱动力,因此这些资源的维护是必须考虑的决定性任务。最后,基础设施级别的性能监控和增强也很重要。本文提出了一个框架,在基于云的环境中的资源分配,从而导致在云环境中的性能的基础设施水平的增强。该框架分为四个阶段第一阶段:云服务提供商监控基础设施级别的资源使用模式和云用户的行为。阶段2:向云服务提供商报告有关使用情况的监控活动。第三阶段:第四阶段:为云用户分配资源或提供服务,从而实现基础设施级别的性能增强和资源的高效管理。资源使用模式分析被认为是服务提供商合理分配资源的重要因素,本文使用Google集群跟踪来访问云中的资源使用模式。在cloudsim仿真框架上进行了实验,实验结果表明NBDMMM算法能够有效地提高虚拟云中的资源分配效率。
2014-12-27 cs.DC
Energy-aware Allocation of Graph Jobs in Vehicular Cloud Computing-enabled Software-defined IoV
软件定义的车联网(SDIoV)已经成为下一代汽车运输系统实现灵活和全面的资源管理的一个有前途的范例。本文研究了一种基于车载云计算的SDIoV框架,将传输功率和图作业的联合分配问题转化为一个非线性整数规划问题。为了有效地解决这个问题,提出了一种基于结构保持的两阶段分配方案,将模板搜索与功率分配相结合。具体而言,一个层次树为基础的随机子图同构机制,在第一阶段中应用,通过识别潜在的映射(模板)之间的组件的图形作业和服务提供商。第二阶段采用基于结构保持模拟退火的功率分配算法,以实现作业完成时间和能量消耗之间的折衷。大量的仿真进行了验证所提出的算法的性能。
2020-04-07 cs.DC
Efficient and Robust Allocation Algorithms in Clouds under Memory Constraints
我们考虑在云中服务的鲁棒资源分配。更具体地说,我们考虑的是运行相对较小的大型独立服务集的大型公共或私有云平台的情况。这些服务的特征在于它们沿几个维度(CPU、内存等)的需求。以及服务质量要求,这些要求在公共云的情况下通过SLA定义,在私有云的情况下由管理员确定。该服务质量通过对提供者未能分配所需资源量的概率设置上限来定义服务所需的鲁棒性。这个最大的失败概率可以透明地转化为一对(价格,惩罚)。故障确实会影响平台,而恢复能力是通过服务复制来提供的。我们的贡献是双重的。首先,我们提出了一个资源分配策略,其复杂性是对数的资源,这使得它非常有效的大型平台。其次,我们提出了一个有效的算法,基于罕见事件检测技术,以估计分配的鲁棒性,已被证明是P-完全的问题。最后,我们提供了一个分析所提出的策略,通过一组广泛的模拟,无论是在分配的资源的总数和计算分配所需的时间。
2013-10-19 cs.DC
It's the People, Not the Placement: Rethinking Allocations in Post-Moore Clouds
针对后摩尔时代异构加速器云资源碎片化问题,提出从静态固定定价分配转向动态多边成本再谈判的分配机制,并设计运营商-租户-应用新交互架构,以提升资源效率并降低成本。
2025-01-19 cs.DC
Approximation Algorithms for Energy Minimization in Cloud Service Allocation under Reliability Constraints
我们认为,在云服务分配的上下文中出现的分配问题。更具体地说,我们假设的一部分,每个计算资源相关联的容量约束,可以选择使用动态电压和频率缩放(DVFS)方法,并失败的概率。另一方面,我们假设服务作为相同虚拟机的一组独立实例运行。此外,在云提供商和客户端之间存在服务水平协议(SLA),其可以表达如下:客户端带有在一天结束时必须存活的最小数量的服务实例,并且云提供商提供配对列表(价格,补偿),如果云提供商未能保持所需数量的服务存活,则由云提供商支付该补偿。在云提供商方面,每个对实际上对应于满足最小实例数量约束的保证成功概率。在这种情况下,给定最小数量的实例和成功概率,云提供商的问题是找到必要资源的数量,它们的时钟频率和实例在机器上的分配(可能使用复制)。该解决方案应在给定时间段内满足所有类型的约束,同时最小化所用资源的能耗。我们考虑了两种基于DVFS技术的能耗模型,其中物理资源的时钟频率可以改变。对于每个分配问题和每个能量模型,我们证明了确定性的近似比消耗的能量的算法,提供保证概率故障,以及一个有效的启发式,其能量比是不保证。
2013-05-23 cs.DC
Using Hybrid Scheduling Algorithms for Solving Blockchain Allocation on Cloud
企业正急于通过云提供服务和解决方案。调度过程在减少延迟方面非常关键。调度还可以在不需要过多等待时间的情况下访问资源。所有这一切都是在基础设施的现代进步和区块链即服务的出现的背景下发生的。如果混合调度算法和区块链技术之间通过云进行集成会怎么样?这种整合旨在不间断地增强和提供服务。该方法的特点是,与其他调度算法,如最短作业优先和优先级调度相比,它不会遭受饥饿,它有一个平衡的资源负载。基于分析性能,所提出的混合调度具有显着的结果。
2021-12-01 cs.DC
Resource-Aware Min-Min (RAMM) Algorithm for Resource Allocation in Cloud Computing Environment
资源分配是云计算的一个重要方面,它将云资源作为一种计量服务提供给云消费者。云资源管理器负责将可用资源分配给任务,以有效的方式执行,从而提高系统性能,减少响应时间,减少完工时间并有效利用资源。为了实现这些目标,需要一个有效的任务调度算法。标准的Min-Min和Max-Min任务调度算法是可用的,但这些算法不能产生更好的最大完工时间和有效的资源利用率。在经典Min-Min算法的基础上,提出了一种资源感知的Min-Min(RAMM)算法。RAMM算法选择执行时间最短的任务,并将其分配给完成时间最短的资源。如果最小完成时间资源忙,则RAMM算法选择下一个最小完成时间资源,以减少任务的等待时间和更好的资源利用率。实验结果表明,RAMM算法比标准的Min-Min算法、Max-Min算法和改进的Max-Min算法具有更好的最大完工时间和负载均衡性。
2018-02-22 cs.DC
Energy-aware virtual machine selection method for cloud data center resource allocation
节能是云提供商降低数据中心能源成本的重要问题。随着云计算的日益普及,现在是时候研究各种节能方法,以减少能源消耗,并引导我们走向绿色云计算。在本文中,我们的目的是提出一个虚拟机选择算法,以提高云数据中心的能源效率。我们还提出了在基于云计算的仿真环境中的算法的实验结果。该算法动态地对物理服务器执行虚拟机的分配、解除分配和重新分配操作。然而,它取决于负载和基于虚拟机的分析放置的策略,这是随着时间的推移而决定的。从模拟得到的结果,我们发现,我们提出的虚拟机选择算法减少了19%的总能耗相比,现有的。因此,云数据中心的能源消耗成本降低,也降低了碳足迹。仿真实验结果表明,提出的基于资源配置算法的策略降低了云数据中心的能耗,降低了虚拟机迁移率。
2018-12-20 cs.DC
A novel energy-efficient resource allocation algorithm based on immune clonal optimization for green cloud computing
云计算是一种计算方式,其中动态可扩展和其他虚拟化资源作为服务通过互联网提供。应考虑与所分配资源相关的能源消耗和完工时间。针对云计算环境,提出了一种基于时间代价和能耗模型的改进克隆选择算法。我们使用CloudSim工具包分析了我们方法的性能。实验结果表明,该方法在响应时间和最大完工时间方面有很大的改善,在提高数据中心的能源效率方面有很大的潜力,能够有效地满足用户对服务水平协议的要求。
2014-05-19 cs.DC
Adaptive and Resilient Revenue Maximizing Dynamic Resource Allocation and Pricing for Cloud-Enabled IoT Systems
云计算正成为现代计算机和通信系统的重要组成部分。云处的可用资源(诸如计算节点、存储装置、数据库等)通常以虚拟机(VM)的形式打包,以供远程定位的客户端应用用于计算任务。然而,云计算的可用虚拟机数量有限,必须有效地利用这些虚拟机来提高生产力,从而产生最大的收入。客户端应用程序在随机时间生成具有计算任务的请求,这些请求具有随机复杂性,将由云处理。云服务提供商(CSP)必须决定是否将VM分配给手头的任务或等待将来更高复杂性的任务。我们提出了一个基于阈值的机制,以最佳的决定分配和定价的VM顺序到达的请求,以最大限度地提高收入的CSP在有限的时间范围内。此外,我们开发了一个自适应和弹性的框架,可以对抗实时变化的影响,在云服务器上的可用虚拟机的数量,到达的CSP的收入任务的频率和性质。
2018-03-03 cs.DC
Defending against Co-residence Attack in Energy-Efficient Cloud: An Optimization based Real-time Secure VM Allocation Strategy
用户之间的资源共享是云计算的基础,然而,这也可能会导致漏洞,导致与受害虚拟机驻留在同一物理服务器上的恶意虚拟机(VM)发起各种共存攻击。在本文中,我们的目标是通过一个安全的,工作负载平衡的,节能的VM分配策略来抵御这种共存攻击。具体来说,我们通过量化和最小化三个关键因素将问题建模为优化问题:(1)安全风险,(2)功耗和(3)不同物理服务器之间的不平衡工作负载。此外,这项工作考虑了一个现实的环境设置,假设一个随机数的虚拟机从不同的用户到达随机的时间,这需要不断发展的优化解决方案。由于优化问题是NP难的,我们提出的第一集群的VM在时间窗口,并进一步采用蚁群优化(ACO)算法来确定每个时间窗口的最优分配策略。基于真实世界云迹的综合实验结果验证了该方案的有效性。
2022-03-21 cs.DC
Dynamic Resource Allocation Method for Load Balance Scheduling over Cloud Data Center Networks
云数据中心有许多主机和应用程序请求,其中资源是动态的。对资源分配的要求是多种多样的。这些因素可能导致负载不平衡,从而影响调度效率和资源利用率。提出了一种基于动态资源分配的负载均衡调度方法(DRALB)。所提出的解决方案包括两个步骤:首先,负载管理器分析资源需求,如CPU,内存,能量和带宽使用情况,并为每个应用程序分配适当数量的VM。其次,收集和更新资源信息,其中资源根据资源的负载(即,CPU密集型、存储器密集型、能量密集型和带宽密集型)被分类为四个队列。我们证明SLA感知调度不仅方便了云消费者的资源可用性,提高吞吐量,响应时间等,但也最大限度地提高云利润与较少的资源利用率和SLA(服务水平协议)违规处罚。该方法是基于客户端应用程序的多样性和搜索特定部署的最佳资源。基于平均响应时间、资源利用率、SLA违规率和负载均衡等参数进行了实验。实验结果表明,该方法可以减少资源的浪费,并减少了44.89和58.49在网络中的流量。
2022-11-04 cs.DC
Optimal Joint Multiple Resource Allocation Method for Cloud Computing Environments
云计算是一种模型,用于实现对可配置计算资源的共享池的方便的按需网络访问。为了经济地提供云计算服务,重要的是在所需资源可以从共享资源池中获取的假设下优化资源分配。此外,为了能够提供处理能力和存储容量,需要分配带宽以同时访问它们。提出了一种适用于云计算环境的最优资源分配方法。首先,本文提出了一个云计算环境下的资源分配模型,假设处理能力和带宽同时分配给每个服务请求,并按小时出租。分配的资源专用于每个服务请求。其次,本文在上述资源分配模型的基础上,提出了一种最优联合多资源分配方法。仿真结果表明,与传统的分配方法相比,该方法可以降低请求丢失概率,从而减少所需的资源总量。在此基础上,定义了云计算环境下实现多用户间公平资源分配的基本原则和措施,提出了一种多用户间公平联合资源分配方法。仿真结果表明,该方法能够在不降低资源利用率的前提下,实现多用户间的公平资源分配。关键词:云计算,联合多资源分配,公平性
2011-10-08 cs.DC cs.NI
HeRAFC: Heuristic Resource Allocation and Optimization in MultiFog-Cloud Environment
通过将远程云环境的计算能力更接近用户,引入了雾计算。因此,用户可以从更近的计算环境访问服务,从而导致更好的服务质量和更低的网络延迟。从服务提供商的角度来看,这解决了网络延迟和拥塞问题。这是通过在云和雾计算环境中部署服务来实现的。服务提供商的责任是管理两种计算环境中可用的异构资源。近年来,资源管理策略已经使得从附近的雾和云向用户的应用高效地分配资源成为可能。不幸的是,当服务提供商有机会从与附近的雾节点相距多跳距离的雾节点向用户的应用分配资源时,这些现有的资源管理策略未能给出期望的结果。在MultiFog-Cloud环境中,此资源管理问题的复杂性急剧增加。这个问题促使我们重新审视并提出一种新的启发式资源分配和优化算法在MultiFog-Cloud(HeRAFC)环境。HeRAFC综合考虑用户的应用优先级、执行时间和通信延迟,优化资源利用率,最大限度地减少云负载。对该算法进行了评价,并与相关算法进行了比较.仿真结果表明了所提出的HeRAFC算法的有效性。
2023-03-21 cs.DC
A Task Allocation Schema Based on Response Time Optimization in Cloud Computing
云计算是在网格计算基础上发展起来的一种新兴的分布式计算。任务调度是云计算的核心研究内容,它研究如何在物理节点之间分配任务,使任务得到均衡的分配,或者使每个任务的执行代价降到最低,或者使系统整体性能达到最优。与以往以处理时间为目标的任务片顺序执行独立任务的模型不同,本文建立了以响应时间为目标的任务片并行执行模型。然后利用一种改进的调整熵函数方法求解。最后,设计了一种新的任务调度算法。实验结果表明,该算法的响应时间远低于博弈论算法和平衡调度算法,博弈论算法虽然目标函数值更优,但在并行性上并不一定优于平衡调度算法。
2014-04-18 cs.DC
Improved Cloud resource allocation: how INDIGO-DataCloud is overcoming the current limitations in Cloud schedulers
执行有效的资源供应是任何资源提供者的基本方面。本地资源管理系统(LRMS)已经在数据中心中使用了几十年,以便获得资源的最佳使用,为用户提供资源的公平使用和分区。相比之下,当前的云计算服务器通常基于先到先得的基础上立即分配资源,这意味着如果没有资源(例如OpenStack),请求将失败,或者它将按照进入时间进行排队(例如OpenNebula)。此外,这些调度策略基于资源的静态分区,这意味着即使有空闲资源分配给其他项目,也不能超过现有配额。这是云实例与最大执行时间不相关联的事实的结果,并导致资源未被充分利用的情况。INDIGO-DataCloud项目认为这些事实过于简单,无法有效地适应科学工作负载,导致资源利用不足,这是科学数据中心不理想的情况。在这项工作中,我们将介绍INDIGO项目第一年在进度安排方面所做的工作以及可预见的进展。
2017-07-20 cs.DC
A Workflow for Fast Evaluation of Mapping Heuristics Targeting Cloud Infrastructures
如今,资源分配是云基础设施管理的一个组成部分,以有效地利用资源。云基础设施中心通常使用定制的架构来定义资源分配。这些中心的管理工具迫切需要有一个快速但相当准确的模拟和评估平台来定义云应用程序的资源分配。这项工作提出了一个框架,允许用户轻松地指定在DreamCloud欧洲项目的上下文中使用的AMALTHEA格式描述的云应用程序的映射,并评估这些映射的质量。该框架提供的两个质量指标是执行时间和能耗。
2016-01-27 cs.DC
ALVEC: Auto-scaling by Lotka Volterra Elastic Cloud: A QoS aware Non Linear Dynamical Allocation Model
资源分配中的弹性仍然是云计算中的相关问题。有许多学术和白皮书已经调查了这个问题并提供了解决方案。\textbf{Unfortunately, there are scant evidence of determining scaling number dynamically.}弹性被定义为通过调配和取消调配云资源来适应不断变化的工作负载的能力。受种群动力学和数学生物学的启发,提出了一种新的云数据中心资源分配模型ALVEC,通过自动调整模型参数来解决动态分配问题。提出的模型,由一个耦合微分方程称为Lotka Volterra(LV),票价更好的服务水平协议(SLA)管理和服务质量(QoS)。在理论和实证比较中,我们显示了真正弹性的证据。此外,ALVEC能够预测未来的负载并相应地分配VM。ALVEC模型是第一个无监督资源分配方案。
2018-05-18 cs.DC cs.NI
AI-oriented Medical Workload Allocation for Hierarchical Cloud/Edge/Device Computing
在分层结构的云/边缘/设备计算环境中,工作负载分配会极大地影响整体系统性能。本文讨论了大都市地区急诊室(ER)或重症监护室(ICU)中产生的面向AI的医疗工作量。目标是优化AI工作负载分配到云集群、边缘服务器和终端设备,以便在挽救生命的紧急应用中实现最短的响应时间。特别是,我们为分布式云/边缘/设备计算系统中的AI工作负载开发了一种新的工作负载分配方法。一个有效的调度和分配策略,以减少整体响应时间,以满足多病人的需求。我们应用了来自综合边缘计算基准Edge AIBench的几个ICU AI工作负载。涉及的医疗AI应用包括呼吸短促警报、患者表型分类和生死威胁。我们的实验结果表明,在现实生活中的医疗保健和紧急应用的高效率和有效性。
2020-02-10 cs.DC cs.PF
Simulating Dynamic Cloud Marketspaces: Modeling Spot Instance Behavior and Scheduling with CloudSim Plus
Faculty of Computer Science University of Vienna(维也纳大学计算机科学学院)
本文通过扩展CloudSim Plus框架,提出HLEM-VMP算法,模拟动态云市场环境,优化虚拟机分配效率与可靠性。
2025-11-22 cs.DC
A Survey on Time-Sensitive Resource Allocation in the Cloud Continuum
人工智能(AI)和物联网(IoT)应用在当今世界迅速增长,它们不断连接到互联网,并在设备和环境之间处理,存储和交换信息。由于其固有的计算密集型和资源受限的性质,云和边缘平台对这些应用程序至关重要。云和边缘资源分配的最大挑战之一是有效管理计算和通信资源,以满足应用程序的性能和延迟保证。云资源(处理器、内存、存储、带宽)的异构性、可变的成本结构和不可预测的工作负载模式使得资源分配技术的设计变得复杂。为了解决这个复杂的问题,已经进行了许多研究。在本文中,目前国家的最先进的资源分配技术的云连续体,特别是那些考虑时间敏感的应用程序,进行审查。此外,我们提出了云连续体的资源分配问题中的关键挑战,对现有文献进行分类的分类法和潜在的研究空白。
2020-04-30 cs.DC cs.NI
Adaptive multi-criteria-based load balancing technique for resource allocation in fog-cloud environments
针对雾云环境资源稀缺、需低延迟响应的资源分配难题,提出结合FAHP与FTOPSIS的自适应多准则负载均衡资源分配技术,在多指标上优于现有方法。
2024-02-02 cs.DC
Dominant Resource Fairness in Cloud Computing Systems with Heterogeneous Servers
我们研究了云计算系统中的多资源分配问题,其中资源池是由大量异构服务器构建的,这些服务器代表处理、内存和存储等资源配置空间中的不同点。我们设计了一个多资源分配机制,称为DRFH,概括的主导资源公平性(DRF)的概念,从一个单一的服务器到多个异构服务器。DRFH提供了许多非常理想的性能。使用DRFH,没有用户喜欢另一个用户的分配;没有人可以在不减少其他用户的分配的情况下改善其分配;更重要的是,没有用户有动机谎报其资源需求。作为一个直接的应用程序,我们设计了一个简单的启发式,实现DRFH在现实世界中的系统。由Google集群跟踪驱动的大规模模拟表明,DRFH的性能明显优于传统的基于时隙的调度器,从而提高了资源利用率,大大缩短了作业完成时间。
2013-08-01 cs.DC
An Auction Mechanism for Resource Allocation in Mobile Cloud Computing Systems
移动云计算系统由云服务提供商向移动云用户分配的异构服务和资源组成。一方面,这些资源中的一些是可替代的(例如,用户可以从不同的地方使用存储),它们具有与用户类似的功能。另一方面,一些资源是互补的,用户将需要它们作为捆绑(例如,用户需要无线连接和存储以用于在线照片张贴)。在本文中,我们首先模型的资源分配过程的移动云计算系统作为一个拍卖机制的溢价和折扣因素。溢价和折扣因子表示服务提供商提供的云资源之间的互补和替代关系。然后,我们分析了所提出的拍卖机制中用户的个体理性和激励相容性(真实性)属性。讨论了拍卖机制中的资源分配和费用收取方案的最优解。
2013-04-23 cs.DC cs.GT
Resource Allocation in Cloud Computing Using Genetic Algorithm and Neural Network
针对云计算中多任务调度兼顾效率与资源利用率的难题,提出结合N2TC神经网络分类与GATA遗传算法分配的混合调度算法,兼顾公平性与多维度指标,在执行时间、成本、响应时间上均优于现有最优方法。
2023-08-22 cs.DC
Resource Allocation in a Network-Based Cloud Computing Environment: Design Challenges
云计算是一种日益流行的计算范例,现在证明是效用计算服务的必要性。每个提供商都提供独特的服务组合,并提供一系列资源配置。以全面的方式为云服务提供资源对于任何资源分配模型都至关重要。任何模型都应该同时考虑计算资源和网络资源,以准确地表示和服务于实际需求。在配置资源时应考虑的另一个方面是能耗。这方面越来越受到业界和政府的关注。支持绿云的呼声越来越高。考虑到这一点,资源分配算法旨在完成在数据中心服务器上调度虚拟机的任务,然后在遵守问题约束的同时在可用的网络路径上调度连接请求。介绍了影响资源分配模型性能的几个外部和内部因素。这些因素进行了详细讨论,并指出了研究的差距。设计挑战进行了讨论,旨在提供一个参考时,设计一个全面的能源感知资源分配模型的云计算数据中心。
2013-09-04 cs.DC cs.NI
workload forecasting and resource management models based on machine learning for cloud computing environments
工作负载预测和资源分配在高效云环境的生产中起着重要的作用。在决定资源分配之后对未来工作负载的主动估计已经成为处理其他内置挑战的优先解决方案,这些挑战包括物理机器的欠载/过载、资源浪费、服务质量(QoS)违规、负载均衡、VM迁移等等。在这种情况下,本文提出了一个全面的调查工作量预测和预测资源管理模型在云环境中。讨论了与云计算有关的工作负载预测和资源管理的概念框架、现有基于机器学习的资源分配技术的分类以及物理资源分配的低效分配的主要挑战。此后,全面调查现有的国家的最先进的贡献授权机器学习为基础的方法在云工作负载预测和资源管理领域。最后,本文探讨和总结了云环境下弹性资源管理面临的各种挑战和未来的研究方向。
2021-06-29 cs.DC
FlexCloud: A Flexible and Extendible Simulator for Performance Evaluation of Virtual Machine Allocation
云数据中心旨在为各种应用提供可靠,可持续和可扩展的服务。资源调度是云服务的关键之一。为了模拟和评估不同的调度策略和算法,我们提出了FlexCloud,一个灵活的和可扩展的模拟器,使用户能够模拟初始化云数据中心,分配虚拟机请求的过程,并提供各种调度算法的性能评估。FlexCloud可以在单台计算机上运行JVM,以模拟大规模云环境,专注于基础设施即服务;采用敏捷设计模式,以确保灵活性和可扩展性;建模虚拟机迁移,这是现有工具中缺乏的;提供用户友好的界面,用于自定义配置和重播。与现有的模拟器相比,FlexCloud具有支持公共云提供商,负载平衡和节能调度的组合功能。FlexCloud在计算时间和内存消耗方面具有优势,可支持大规模仿真。介绍了FlexCloud的详细设计,并给出了性能评估。
2015-01-23 cs.DC
Deadline-constrained Multi-resource Task Mapping and Allocation for Edge-Cloud Systems
在边缘云系统中,移动设备可以将其计算密集型任务卸载到边缘或云服务器,以保证服务质量或满足任务期限要求。然而,确定任务应该在哪里卸载和处理,以及应该向它们分配多少网络和计算资源,使得具有有限资源的系统可以在满足最后期限的同时获得最大利润是具有挑战性的。这个问题的关键挑战是网络和计算资源可能被分配在不同的服务器上,因为任务被卸载到的服务器(例如,具有接入点的服务器)可以不同于最终在其上处理任务的服务器。为了解决这个问题,我们首先制定的任务映射和资源分配问题作为一个非凸的混合非线性规划(MINLP)的问题,称为NP难。然后,我们提出了一个基于零松弛的贪心算法(ZERO松弛G)和线性离散化方法(LDM)来解决这个MINLP问题。实验结果表明,在最小单元为5的情况下,BLOG的性能平均比LDM差$2.98\%$,但在最小单元为15的情况下,BLOG的性能平均比LDM好$6.88\%$.
2023-03-07 cs.DC
Adaptive, Efficient and Fair Resource Allocation in Cloud Datacenters leveraging Weighted A3C Deep Reinforcement Learning
针对云数据中心动态工作负载下资源分配的公平性差、延迟高和能耗高等问题,提出加权 Actor-Critic 深度强化学习(WA3C)方法,通过多目标奖励结构和优先级感知优势估计器优化调度,实验证明其在大规模云系统中优于传统与强化学习基线。
2025-06-01 cs.DC
Intelligent Resource Allocation Technique For Desktop-as-a-Service in Cloud Environment
桌面即服务云计算的特点是用户可以访问他们的桌面,并可以在远程服务器上的虚拟桌面中执行应用程序。资源管理和资源利用在桌面即服务(云计算)领域中最为重要;然而,以最有效的方式处理大量客户端构成了重要的挑战。特别是决定在一台服务器上处理多少客户端,以及每次在哪里执行用户应用程序非常重要。这是因为我们必须确保最大的资源利用率以及用户数据机密性、客户满意度、可扩展性、最低服务级别协议(SLA)违规等。将太多用户分配到一台服务器会导致客户不满,而分配太少则会导致更高的投资成本。因此,我们也考虑到这两种情况。我们研究不同的方面,以优化资源使用和客户满意度。在本文中,我们提出了智能资源分配(IRA)技术,确保上述参数,如最小的SLA违规。为此,根据SLA因素为用户请求分配优先级,以保持其机密性。本文的研究结果表明,通过将IRA技术应用于现有的超订机制,将提高系统的性能,显着减少SLA违规。
2014-04-29 cs.DC
Dynamic Resource Allocation for Virtual Machine Migration Optimization using Machine Learning
Northern Arizona University(北亚利桑那大学);Trine University(特里内大学);Zhejiang University(浙江大学);Tsinghua University(清华大学)
针对传统云计算环境中静态规则在虚拟机迁移和资源分配上的局限性,提出基于机器学习的虚拟机迁移优化与动态资源分配方法,以解决云计算中的资源调度挑战。
2024-03-20 cs.AI cs.DC
Resource Allocation in HyperX Networks
Universidad de Cantabria(坎塔布里亚大学);Barcelona Supercomputing Center(巴塞罗那超级计算中心)
针对HyperX网络提出并形式化了线性、几何和随机三类资源分配策略,通过理论分析和实验评估表明分区带宽和交换机局部性是减少干扰的关键因素,其中非凸的对角线分配策略在多数场景下优于传统方法。
2026-05-27 cs.DC
Stochastic Qubit Resource Allocation for Quantum Cloud Computing
量子云计算是用于有效地供应量子资源(即,qubit)给用户。在量子云计算中,量子云提供商为用户提供预订和按需计划的量子资源。从字面上看,预留计划中的量子资源成本预计将比按需计划中的量子资源成本更便宜。然而,预留计划中的量子资源必须预先预留,而没有关于预先需要量子线路的信息,因此,资源不足,即,预订不足。因此,按需计划中的量资源可用于补偿所需的未满足的量资源。为此,我们提出了一种量子云计算系统的量子资源分配,其中量子资源和量子线路的最小等待时间联合优化。特别地,目标是在关于量子比特要求和量子线路的最小等待时间的不确定性下最小化量子线路的总成本。在实验中,量子傅里叶变换的实际电路被用来评估所提出的量子比特资源分配。结果表明,所提出的量子比特资源分配可以实现最优的总成本。
2023-01-11 cs.DC quant-ph
Heavy Traffic Optimal Resource Allocation Algorithms for Cloud Computing Clusters
云计算正在成为商业、个人和移动计算应用的重要平台。本文研究了云计算的一个随机模型,其中作业根据随机过程到达并请求CPU、内存和存储空间等资源。我们考虑一个模型,其中的资源分配问题可以分为路由或负载均衡问题和调度问题。研究了加入最短队列路由算法和二次选择幂路由算法,并结合MaxWeight调度算法进行了研究。已知这些算法是吞吐量最优的。在本文中,我们表明,这些算法是最佳的队列长度在繁忙的交通限制。
2012-06-06 cs.DC cs.PF
Divide (CPU Load) and Conquer: Semi-Flexible Cloud Resource Allocation
云资源管理通常通过二维装箱来建模,其中一组项目对应于具有固定CPU和内存需求的任务。然而,在云中运行的应用程序要灵活得多:现代框架允许将单个应用程序(水平)扩展到数十个,甚至数百个实例;然后负载均衡器可以精确地在它们之间划分工作负载。我们分析了一个模型,捕捉这种(半)云资源管理的灵活性。每个云应用程序的特征在于其内存占用和瞬时CPU负载。结合调度器和负载平衡器,资源管理器决定将创建每个应用程序的多少个实例以及如何在它们之间平衡CPU负载。与可分负载模型相反,应用程序的每个实例都需要一定量的内存,与实例的数量无关。因此,资源管理器有效地用额外的内存来换取更均匀的负载平衡。我们研究两个目标:所用机器数量的装箱式最小化;以及所有机器之间的最大负载的完工式最小化。我们证明了NP-困难的一般问题,但也提出了多项式时间精确算法的边界特殊情况。值得注意的是,我们表明,(半)的灵活性可能会导致减少所需的机器数量的一个紧张的因素$2-\varepsilon$。对于一般情况下,我们提出了我们通过模拟从Azure跟踪派生的实例来验证的算法。
2022-06-10 cs.DC
Maximizing Cloud Providers Revenues via Energy Aware Allocation Policies
像亚马逊这样的云提供商将其数据中心的计算和存储能力出租给付费客户。与运行数据中心相关的高电力消耗不仅反映了其碳足迹,而且还增加了运行数据中心本身的成本。本文讨论了通过削减电力成本来最大化云提供商收入的问题。作为一个解决方案,分配政策的基础上,服务器的动态电源和关闭的介绍和评估。这些策略旨在满足最大化用户体验和最小化耗电量这两个相互冲突的目标。数值实验和仿真结果表明,该方案在不同的交通条件下表现良好。
2011-02-15 cs.DC cs.PF
Intelligent Resource Allocation Optimization for Cloud Computing via Machine Learning
Microsoft(微软公司);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出结合LSTM需求预测与DQN动态调度的智能云资源分配算法,在生产环境中显著提升资源利用率并降低响应时间与成本。
2025-03-21 cs.AI cs.DC cs.LG
A Hierarchical Framework of Cloud Resource Allocation and Power Management Using Deep Reinforcement Learning
Syracuse University(雪城大学)
自动决策方法,如强化学习(RL),已被应用于(部分)解决自适应云计算系统中的资源分配问题。然而,一个完整的云资源分配框架在状态和动作空间中表现出高维度,这阻止了传统RL技术的有用性。此外,高功耗已经成为云计算系统的设计和控制中的关键问题之一,这降低了系统可靠性并增加了冷却成本。一个有效的动态电源管理(DynamicPowerManagement)策略应该最大限度地降低功耗,同时将性能下降保持在可接受的水平。因此,联合虚拟机(VM)资源分配和功率管理框架对于整个云计算系统是关键的。此外,新的解决方案框架是必要的,以解决更高的维度在状态和动作空间。在本文中,我们提出了一种新的层次框架,解决整体资源分配和电源管理问题的云计算系统。所提出的分层框架包括用于将VM资源分配到服务器的全局层和用于本地服务器的分布式功率管理的本地层。采用新兴的深度强化学习(DRL)技术来解决全局层问题,该技术可以处理具有大状态空间的复杂控制问题。此外,采用自编码器和一种新的权值分配结构来处理高维状态空间,加快了收敛速度。另一方面,分布式服务器功率管理的本地层包括以分布式方式操作的基于LSTM的工作负载预测器和基于无模型RL的功率管理器。
2017-08-11 cs.AI cs.DC
ERA: A Framework for Economic Resource Allocation for the Cloud
从系统的角度来看,云计算已经达到了显著的成熟度,但是当前部署的解决方案依赖于相当基本的经济机制,其产生昂贵的硬件资源的次优分配。在本文中,我们提出了经济资源分配(ERA),一个完整的框架调度和定价的云资源,旨在提高云资源的使用效率,根据经济原则分配资源。ERA架构仔细地抽象了底层云基础设施,使调度和定价算法的开发独立于具体的底层云基础设施,也独立于其关注点。具体而言,ERA被设计为一个灵活的层,可以位于任何云系统之上,并与云资源管理器和保留资源以运行其作业的用户进行交互。根据预测需求动态计算的价格来调度作业。此外,ERA还为可插入的算法模块提供了一个关键的内部API,包括调度、定价和需求预测。我们提供了一个概念验证软件,并通过在公共云和私有云系统上测试ERA来展示架构的有效性-Microsoft的Azure Batch和Hadoop/YARN。我们工作的一个更广泛的目的是促进经济学和系统社区之间的合作。为此,我们开发了一个模拟平台,经济学和系统专家可以通过该平台测试他们的算法实现。
2017-02-23 cs.DC cs.GT
A proactive autoscaling and energy-efficient VM allocation framework using online multi-resource neural network for cloud data center
这项工作提出了一个节能的资源供应和分配框架,以满足未来应用程序的动态需求。云用户资源需求的频繁变化导致了过度功耗、资源浪费、性能和服务质量下降的问题。所提出的框架通过精确地将应用程序的预测资源需求与VM的资源容量相匹配来解决这些挑战,从而将整个负载整合到最少数量的节能物理机器上。所提出的工作的三个连续的贡献是:在线多资源前馈神经网络,以预测未来的应用程序的多个资源需求同时;自动缩放的虚拟机的基础上预测的资源需求的聚类;分配的缩放的虚拟机上的节能PM。该集成方法连续优化资源利用率,节省能源,并自动适应未来应用资源需求的变化。建议的框架进行了评估,使用基准谷歌集群数据集的真实工作负载跟踪和不同的场景,包括节能的VM放置与资源预测,VMP没有资源预测和自动缩放,最佳VMP与自动缩放的基础上,实际资源利用率进行比较。观察到的结果表明,所提出的集成方法实现了接近最佳的性能对最佳的VMP和优于其余的VMP在节省功率和资源利用率分别高达88.5%和21.12%。与传统的单输入单输出前馈神经网络预测器相比,OM-FNN预测器具有更高的预测精度、更小的时间和空间复杂度。
2022-12-04 cs.DC
Machine learning-based cloud resource allocation algorithms: a comprehensive comparative review
University of Electronic Science and Technology of China(电子科技大学);Amirkabir University of Technology(阿米尔卡比尔理工大学);Virginia Tech(弗吉尼亚理工大学)
本文针对传统启发式方法难以满足云资源多目标优化需求的问题,对比分析四类共10种AI/ML资源分配算法,发现混合架构性能最优且在边缘场景部署就绪度最高,为相关策略落地提供参考。
2025-10-31 cs.AI cs.DC
A Direct Approach for Solving Cloud Computing Task Assignment with Soft Deadlines
本文提出一种基于整数线性规划和拍卖机制的云计算弹性作业调度框架,通过软接受协议实现带软截止期限的在线资源分配,并证明算法具有多项式时间复杂度。
2023-12-22 cs.DC
Improved Methods of Task Assignment and Resource Allocation with Preemption in Edge Computing Systems
本文针对边缘计算资源受限与信息不完整问题,提出一种基于两轮竞价和任务抢占的分布式资源分配启发式方法,实验表明其系统性能较先前工作提升20-25%,实现了性能与速度的理想权衡。
2024-03-29 cs.DC
Efficient Resource Allocation for On-Demand Mobile-Edge Cloud Computing
移动边缘云计算是一种在普适无线电接入网络的边缘靠近移动用户处提供云计算能力的新范例。针对提供灵活的按需移动边缘云服务,本文提出了一个综合框架,包括面向用户的资源高效计算卸载机制和面向网络运营商的联合通信和计算(JCC)资源分配机制。具体来说,我们首先研究了用户的资源有效的计算卸载问题,以减少用户的资源占用,通过确定其最佳的通信和计算资源配置文件具有最小的资源占用,同时满足QoS约束。然后,我们解决的关键问题,用户准入控制JCC资源分配,以适当地选择一组用户的资源需求的满足。我们发现的准入控制问题是NP-难的,因此开发了一个有效的近似解决方案,通过仔细设计的用户排名标准,严格推导出其性能保证的低复杂度。为防止部分用户在获取移动边缘云服务时虚报估值的操纵行为,进一步借助临界值法这一有力工具,设计出JCC资源分配的真实定价方案。广泛的性能评估表明,所提出的方案可以实现按需移动边缘云计算的卓越性能。
2018-06-08 cs.DC cs.NI
When Computing follows Vehicles: Decentralized Mobility-Aware Resource Allocation for Edge-to-Cloud Continuum
本文提出一种去中心化移动感知边缘到云资源分配优化框架,实现“计算跟随车辆”,在真实交通数据评估中将利用率方差降低40倍以上,并减少服务截止时间违规14%-34%。
2024-05-05 cs.DC cs.MA
A Two-Stage Auction Mechanism for Cloud Resource Allocation
随着最近云计算业务规模的增长,处理客户和云提供商之间的交互变得更具挑战性。拍卖理论由于其简单性和与现实世界场景的良好匹配而被提出来对这些交互进行建模。在本文中,我们考虑了具有不同类型服务器的云网络(CCN)以及具有异构需求的客户。对于每个CCN,指定一个CCN管理器来处理云资源。引入了一个全面的框架,其中资源收集和分配的过程通过两个阶段来解决,其中第一阶段对客户和CCN管理者之间的交互进行建模,第二阶段检查CCN管理者和私有云提供商(CP)之间的交互。在第一阶段,基于期权的顺序拍卖(OBSA)是适应于检查的市场,这是能够提供真实性作为主导策略,并解决进入时间问题。提出了OBSA的分析基础,并推导出多个性能指标。在第二阶段,假设两个平行的市场:统一价格和拍卖为基础的市场。提供了一个市场分析的理论框架,并描述了CCN管理者的投标行为。
2018-10-29 cs.DC cs.GT
Squeezing out the Cloud via Profit-Maximizing Resource Allocation Policies
我们研究的问题,最大限度地提高了平均每小时的利润所赚取的软件即服务(SaaS)提供商代表客户使用租用的服务器的服务器上运行的软件服务从一个云结构即服务(IaaS)提供商。SaaS提供商从每笔成功的交易中赚取费用,并产生与其使用的服务器小时数成比例的成本。在以前的工作中已经提出了一些资源分配政策,这个或类似的问题。然而,据我们所知,这些策略尚未在云环境中进行比较评估。本文报告了使用部署在Amazon EC2云上的维基百科副本对三种策略进行的实证评估。实验结果表明,基于SaaS提供商的效用函数的优化问题的解决方案的策略优于已提出的类似问题的众所周知的算法。它还表明,所有三个政策优于基于亚马逊的自动缩放功能的“反应式”分配方法。
2012-07-18 cs.DC cs.PF
Allocation of Computation-Intensive Graph Jobs over Vehicular Clouds in IoV
图作业表示各种各样的计算密集型任务,其中计算由包括组件(表示数据源或数据处理)和边(对应于组件之间的数据流)的图表示。近年来,智能车辆和计算密集型图形工作的急剧增长,这对提供与车联网相关的高效服务提出了新的挑战。幸运的是,由一系列车辆形成的车辆云,允许在车辆之间卸载作业,可以大大减轻沉重的车载工作负载,并实现按需提供计算资源。在本文中,我们提出了一种新的框架,车辆云,地图组件的图形作业的服务提供商通过机会性的车辆到车辆的通信。然后,图作业分配车辆云被制定为一个非线性整数规划的车辆的接触时间和可用资源,旨在最大限度地减少作业完成时间和数据交换成本。这个问题在两种情况下得到解决:低流量和高峰时间。对于前者,我们确定问题的最优解。在后一种情况下,给定的棘手的计算得出可行的分配,我们提出了一种新的低复杂度的随机图作业分配机制,考虑层次树的子图同构。我们通过大量的模拟评估我们提出的算法的性能。
2019-06-25 cs.DC cs.NI
Optimization Heuristics for Cost-Efficient Long-Term Cloud Portfolio Allocations Under Uncertainty
当今的云基础设施环境提供了广泛的服务来构建和操作软件应用程序。然而,众多的选择也带来了新的复杂性。当涉及到采购云计算资源时,消费者可以从不同市场上的不同提供商购买他们的虚拟机,以形成所谓的云组合:虚拟机捆绑,其中虚拟机具有不同的技术特征和定价机制。因此,为一组给定的应用程序选择正确的服务器实例,以使分配具有成本效益,这是一项重要的任务。在本文中,我们提出了一个正式规范的云投资组合管理问题,需要一个应用程序驱动的方法,并结合了常见的保留,按需和现货市场类型的细微差别。我们提出了两个不同的成本优化算法,这个随机的时间装箱问题,一个采取天真的第一次适合的策略,而另一个是建立在遗传算法的概念。评估结果表明,前者的优化方法显着优于后者,无论是在执行速度和解决方案的质量。
2022-05-24 cs.CE cs.DC
Optimized Cloud Resource Allocation Using Genetic Algorithms for Energy Efficiency and QoS Assurance
JAIN (Deemed – to – be University)(JAIN(被视为大学))
针对云计算资源管理中的能耗与服务质量平衡问题,提出基于遗传算法的虚拟机放置与整合方法,动态调整分配,显著降低能耗、迁移次数、SLA违约率和执行时间。
2025-04-24 cs.AI cs.DC