A Service Broker Model for Cloud based Render Farm Selection
云计算在用于渲染3D图像的3D动画行业中越来越受欢迎。渲染是三维动画场景制作中不可避免的任务。这是一个过程,其中要动画的场景文件被读取并自动转换为3D照片级真实感图像。由于这是一项计算密集型任务,因此该过程消耗了3D图像制作所需的大部分时间。由于场景文件可以并行处理,因此可以使用称为渲染农场的计算机集群来加速渲染过程。使用基于云的渲染农场的优点是它是可扩展的,可以按需使用。3D工作室面临的重要挑战之一是比较和选择能够满足其功能和非功能服务质量(QoS)要求的基于云的渲染场服务提供商。在本文中,我们提出了一个框架,云服务代理(CSB)负责选择和提供基于云的渲染农场。云服务代理将用户的功能性和非功能性服务质量要求(QoS)与渲染场服务提供商的服务提供相匹配,并帮助用户使用聚合效用函数来选择正确的服务提供商。CSB还通过第三方监控服务促进服务水平协议(SLA)协商和监控的过程。
2015-05-25 cs.DC
FASTCloud: A novel framework of assessment and selection for trustworthy cloud service
针对云服务信任评估与选择难题,提出FASTCloud框架,采用基于区间多属性及偏差最大化客观权重的QoS信任评估模型,高效帮助潜在云消费者选择可信云服务。
2023-05-11 cs.DC
Signature-based Selection of IaaS Cloud Services
我们提出了一种新的方法来选择IaaS云服务的长期服务提供商提供有限的QoS信息。所提出的方法利用免费的短期试验,以获得以前未公开的QoS信息。提出了一种新的基于显著性的试验方案,利用频率分布分析在短期试验中测试消费者的长期工作负载。我们引入了一种新的IaaS签名技术,以唯一地识别提供商的QoS性能的变化。提出了一种基于签名的QoS性能发现(SPD)算法,该算法结合了免费试用和IaaS签名。一组详尽的实验与真实世界的数据集进行评估所提出的方法。
2020-08-18 cs.DC
The Open Service Compendium. Business-pertinent Cloud Service Discovery, Assessment, and Selection
在尝试发现、评估和选择云服务时,企业面临着许多挑战,例如快速变化的市场、大量的产品和高度模糊的选择标准。本出版物介绍了开放服务纲要(OSC),这是一个信息系统,通过提供简单的动态服务描述语言、业务相关词汇以及匹配功能,支持企业进行发现、评估和云服务选择。它通过提供比相关作品更实用、成熟、简单和可用的方法而贡献于最先进的技术。
2015-08-25 cs.CY cs.DC cs.SE
A Heuristic Approach for Web-Service Discovery and Selection
在当今的企业中,面向服务的体系结构代表了IT基础设施的主要范例。事实上,互联网的出现使得有可能建立一个可利用的环境来大规模地分发应用程序,而这是通过适应“服务”的概念来实现的。随着这种模式在企业对企业领域(B2B)的集成,Web服务的数量变得非常重要。由于这种增长,发现和选择满足客户需求的Web服务成为一个非常困难的操作。此外,在Web服务选择中必须考虑QoS属性。此外,由于Web服务的数量非常多,发现服务所需的时间将相当长。在本文中,我们提出了一种新的探试法的基础上称为“蜜蜂算法”的启发蜜蜂的行为。我们使用这种技术的优化,以发现适当的Web服务,满足客户的要求,在最短的时间内,并考虑到QoS属性。
2013-05-13 cs.DC cs.SE
Qos-Based Web Service Discovery And Selection Using Machine Learning
在服务计算中,相同的目标功能可以由来自不同提供者的多个Web服务来实现。由于功能上的相似性,客户需要考虑非功能性标准。然而,由开发者提供的服务质量遭受稀缺性和可靠性的缺乏。此外,服务提供商的声誉是选择服务的重要因素,特别是那些经验不足的人。以前的研究大多集中在用户的反馈,以证明选择。不幸的是,并不是所有的用户都提供反馈,除非他们对服务有非常好或不好的体验。在这篇愿景论文中,我们提出了一个新的架构的Web服务发现和选择。核心部分是一个基于机器学习的方法,使用源代码度量来预测QoS属性。可信度值和先前使用计数用于确定服务的信誉。
2018-07-04 cs.CY cs.DC
GAP2WSS: A Genetic Algorithm based on the Pareto Principle for Web Service Selection
University of Tabriz(大不里士大学)
本文提出基于帕累托原理的遗传算法GAP2WSS,通过评分排名选取每任务前20%候选服务缩小搜索空间,在同时满足全局QoS、服务间和事务约束下,高效解决组合Web服务选择问题。
2021-09-21 cs.AI cs.DC cs.NE
Integration of QoS aspects in the Cloud Computing Research and Selection System
云计算不仅仅是一场技术革命,更是一场商业模式革命。它利用了各种已经证明自己的技术,改变了计算机的使用方式,将计算机的本地使用改为集中使用,由第三方以对最终用户透明的方式存储和管理共享资源。随着这种新用途的出现,出现了新的需求,其中之一就是需要搜索云服务并选择满足某些要求的服务。为了满足这一需求,我们在以前的工作中开发了云服务研究和选择系统(CSRSS),旨在让云用户在数据库中搜索云服务,并找到符合他们需求的服务。它是基于天际线和ELECTRE IS。在本文中,我们改进了系统,引入7个新的维度相关的QoS约束。我们的工作的主要贡献是构思一个代理,使用的天际线和一个outranking方法,称为ELECTREIsSkyline,以确定哪些云服务更好地满足用户的要求,同时尊重QoS属性。我们为总共10个维度和50000个云服务编程并测试了这种方法。第一个结果是非常有希望的,并显示了我们的方法的有效性。
2015-12-27 cs.DC
A Factor Framework for Experimental Design for Performance Evaluation of Commercial Cloud Services
考虑到商业云服务的多样性,候选服务的性能评估对于服务客户(例如成本效益分析)和提供商(例如服务改进方向)都是至关重要和有益的。在评估实施之前,选择合适的因素(也称为参数或变量)在设计评估实验中起着先决条件的作用。然而,似乎缺乏系统的方法来选择因素的云服务性能评估。换句话说,在大多数现有的评价研究中,评价者随机和直观地关注实验因素。本文在对商业云服务进行分类和建模的基础上,提出了一个商业云服务性能评估实验设计的因素框架。该框架概括了人们目前在云计算领域考虑的性能评估因素的实践状态,反过来可以帮助设计用于评估云服务的新实验。
2013-02-09 cs.DC
Blackboard Meets Dijkstra for Optimization of Web Service Workflows
本文提出了一个黑板框架内的Dijkstra算法的集成,以优化服务提供商的Web服务的选择。此外,方法如何在工作流执行过程中的动态变化可以处理,具体来说,服务参数的变化对系统的影响。为了证明我们的方法,并显示实际的可行性,一个示例实现。
2017-12-31 cs.DC
CloudGenius: Automated Decision Support for Migrating Multi-Component Enterprise Applications to Clouds
将多组件企业应用程序迁移到云的关键问题之一是选择VM映像和云基础设施服务的最佳组合。迁移过程必须确保满足服务质量(QoS)要求,同时满足冲突的选择标准,例如吞吐量和成本。在选择云服务时,应用工程师必须考虑异构的标准集和无法手动解决的跨多个层的复杂依赖关系。为了克服这一挑战,我们提出了通用的推荐框架CloudGenius和实施,利用众所周知的多标准决策技术层次分析法自动选择过程的基础上的模型,因素,和QoS要求相关的企业应用程序。特别是,我们介绍了一个结构化的迁移过程中,多组件的企业应用程序,明确确定最重要的标准相关的选择问题,并提出了一个多标准为基础的选择算法。用软件原型CumulusGenius进行的实验显示了时间复杂度。
2012-02-06 cs.DC
Security-aware selection of Web Services for Reliable Composition
可信性是一个可信的计算机系统应该具备的重要特性。它是可用性、可靠性、可维护性、安全性和安全性的衡量标准。我们研究的重点是Web服务的安全性。Web服务使独立的服务与互补功能的组合能够产生增值服务,这允许组织仅实施其核心业务,并通过互联网外包其他服务组件,无论是预先选择的还是动态的。选定的第三方Web服务可能存在安全漏洞。易受攻击的Web服务实际用途有限。我们建议使用一个入侵容忍的复合Web服务的每个功能,应该由第三方Web服务完成。在此方法中使用的第三方服务应根据其安全漏洞以及其性能进行选择。使用渗透测试工具评估第三方服务的安全漏洞。在本文中,我们提出了我们的初步研究工作。
2015-10-07 cs.CR cs.DC cs.IT
Towards Rigorous Selection and Configuration of Cloud Services: Research Methodology
云计算最近已经成为分布式计算的主要趋势。我们提出了一个平台,用于自动选择和配置一个合适的云环境,满足一组消费者和提供商的要求。它可以很容易地调整其行为,无论是在设计时还是运行时,以适应环境在位置,时间,活动,交互能力和通信限制方面的变化。该平台基于动态软件生产线(SPL)、面向Agent的软件工程和MAPE-k参考模型的原则。我们依据设计科学的研究方法论来进行这项工作。在这篇文章中,我们提出了我们的研究步骤遵循这种方法的指导方针。
2021-04-02 cs.DC cs.SE
Enabling Efficient Client Selection in FL-as-a-Service for Multi-Application based Society 5.0
iitp.ac.in(印度理工学院帕拉普尔分校)
针对物联网FLaaS中的客户端选择问题,提出基于延迟、能耗和链路状态评估的节点选择方法,在HAR数据集上相比随机和Q-learning策略提升了延迟与能效,支持Society 5.0智能服务。
2026-10-01 cs.DC cs.NI
AutoML from Service Provider's Perspective: Multi-device, Multi-tenant Model Selection with GP-EI
University of Rochester(罗切斯特大学);ETH Zurich(苏黎世联邦理工学院);California State University Los Angeles(加州州立大学洛杉矶分校);Tencent AI Lab(腾讯人工智能实验室)
AutoML已经成为当今大多数领先的云服务提供商提供的一种流行服务。在本文中,我们专注于AutoML问题从\emph{service provider's perspective},出于以下实际考虑:当AutoML服务需要服务{ \em多个用户}与{ \em多个设备}在同一时间,我们如何才能有效地将这些设备分配给用户?我们专注于GP-EI,这是自动模型选择和超参数调整的最流行算法之一,被Google Vizer等系统使用。本文的技术贡献是GP-EI的第一个多设备、多租户算法,该算法意识到\emph{multiple}计算设备和多个用户共享同一组计算设备。理论上,给定$N$用户和$M$设备,我们得到$O((\text{\bf {MIU}}(T,K) + M)\frac{N^2}{M})$的遗憾界,其中$\text{\bf {MIU}}(T,K)$是指协方差矩阵$K$的时间$T$的最大增量不确定性。经验上,我们评估我们的算法的自动模型选择的两个应用程序,并表明,我们的算法显着优于独立服务用户的策略。此外,当多个计算设备可用时,当用户的数量远大于设备的数量时,我们实现了近线性的加速比。
2018-10-28 cs.DC cs.LG stat.ML
Minos: Exploiting Cloud Performance Variation with Function-as-a-Service Instance Selection
TU Berlin(柏林工业大学)
Minos通过主动终止慢速FaaS实例并重用快速实例,利用云性能变化,实现数据处理工作流最高13%的加速和4%的成本节省。
2025-10-24 cs.DC
Comparative Review of Cloud Computing Platforms for Data Science Workflows
凭借云计算在平台即服务、软件即服务和基础设施即服务方面提供的优势,数据工程师和数据科学家能够利用云计算满足其ETL/ELT(提取、转换和加载)和ML(机器学习)需求和部署。用于数据科学工作流程的云计算平台比较审查的拟议框架使用了层次分析法、Saaty的绝对数字基本尺度和相关评价标准的选择(即:自动化、错误处理、容错、性能质量、单元测试、数据加密、监控、基于角色的访问、安全性、可用性、易用性,集成和互操作性)。该框架使用户能够评估与用于数据科学工作流的云平台有关的标准,并且还能够基于上述标准的相对重要性推荐哪个云平台适合用户。对标准的评估是一致的,因此根据云服务提供商或云平台选择的目标对标准进行加权是明智的。拟议的框架足够强大,可以适应标准和替代方案的变化,这取决于用户云平台的要求和云平台选择的范围。
2022-08-30 cs.DC
Selection Guidelines for Geo-Replicated SMR Protocols: A Communication Pattern-based Latency Modeling Approach
Toyohashi University of Technology(丰桥技术科学大学)
本文提出基于通信模式的延迟建模方法,为地理复制SMR协议的选择提供五条指南,帮助确定最佳协议。
2026-01-04 cs.DC
Intelligent Service Selection in a Multi-dimensional Environment of Cloud Providers for IoT stream Data through cloudlets
Amirkabir University of Technology(阿米尔卡比尔理工大学)
物联网(IoT)服务的扩展和不同传感器生成的大量数据,意味着存储即服务等云计算服务的重要性比以往任何时候都要高。物联网流量对云存储服务施加了额外的限制,例如传感器数据预处理能力以及数据中心和每个数据中心中的服务器之间的负载平衡。此外,它还应符合服务质量(QoS)。混合MWG算法已被提出在这项工作中,它考虑了不同的目标,如能量,处理时间,传输时间,和负载均衡在雾和云层。使用MATLAB脚本来模拟和实现我们的算法,并考虑了不同服务器的服务,例如Amazon,Dropbox,Google Drive等。与MOWCA、KGA和NSGAII相比,MWG的间距指标分别提高了7%、13%和25%。此外,与MOWCA、KGA和NSGAII相比,MWG在质量度量方面分别具有4%、4.7%和7.3%的优化。整体优化结果表明,在考虑不同目标的情况下,与MOWCA、KGA和NSGAII相比,MWG算法的性能分别提高了7.8%、17%和21.6%。
2021-01-26 cs.AI cs.DC cs.NI
A Context Aware and Self Adaptation Strategy for Cloud Service Selection and Configuration in Run Time
日复一日,由于智能手机功能的改进,部署在云计算上的移动应用程序的数量持续增加。云计算已经在基于Web的应用中取得了成功,因此,对由云计算提供的上下文感知服务的需求增加。为了定制一个能够满足用户需求的云服务,这些需求依赖于信息的变化,这给云计算带来了环境感知、位置感知、时间感知等方面的挑战。此外,云提供商必须管理个性化应用程序和移动设备在交互能力和通信限制方面的约束。本文提出了一种自动选择合适的云环境的策略,该策略可以满足所有需求,定义关联云环境的配置,并且能够轻松地适应用户或云端或两者的环境变化。该过程建立在动态软件产品线、面向Agent的软件工程和MAPE模型的基础上,根据用户需求和上下文变化来选择和配置云环境。
2021-04-01 cs.DC cs.SE
A Cloud-based Approach for Context Information Provisioning
由于现代移动互联网使能设备的显著扩散以及无线和蜂窝数据网的广泛使用,移动用户越来越需要针对其当前环境定制的服务。高级上下文信息通常从上下文服务获得,该上下文服务聚合由各种传感器和移动设备感测到的原始上下文信息。鉴于大量的感测数据,传统的上下文服务缺乏必要的资源来存储和处理这些数据,以及传播高层次的上下文信息给各种潜在的上下文消费者。在本文中,我们提出了一种新的框架上下文信息提供,它依赖于部署上下文服务的云和使用上下文代理之间的调解上下文消费者和上下文服务使用的发布/订阅模型。此外,我们描述了一个多属性的决策算法选择潜在的上下文服务,可以满足上下文消费者的上下文信息的请求。该算法根据上下文消费者表达的服务质量(QoS)和上下文信息质量(QoC)要求,按上下文信息类型计算每个上下文服务的得分。这种方法的好处之一是,上下文提供者可以根据当前对上下文信息的需求,在他们使用的云资源方面向上和向下扩展。此外,选择算法允许排名上下文服务,通过匹配他们的QoS和QoC提供对上下文消费者的QoS和QoC要求。
2011-05-10 cs.DC
Multi-Criteria Client Selection and Scheduling with Fairness Guarantee for Federated Learning Service
University of Memphis(孟菲斯大学);Shenzhen University(深圳大学)
针对联邦学习中的客户端选择与调度问题,提出一种多准则公平性保证方案,通过两阶段贪心与启发式算法,在预算内最大化得分并确保每个客户端至少被选一次,实验证明在非独立同分布数据下能提升模型质量。
2023-12-05 cs.DC cs.LG
A Game-Theoretic Drone-as-a-Service Composition for Delivery
我们提出了一种新的博弈论方法无人机服务组合考虑充电限制。我们设计了一个无人机服务的非合作博弈模型。我们提出了一个非合作博弈算法的最佳无人机服务的选择和组成。我们在一个真实的无人机数据集上进行了几个实验,以证明我们所提出的方法的效率。
2020-08-07 cs.DC cs.NI
Daleel: Simplifying Cloud Instance Selection Using Machine Learning
Lancaster University(兰卡斯特大学)
由于服务产品和定价模式的多样性,云环境中的决策非常具有挑战性,特别是考虑到云市场是一个令人难以置信的快速发展市场。此外,没有硬性规定,每个客户都有一组特定的约束条件(例如预算)和应用程序要求(例如最低计算资源)。机器学习可以通过执行特定于客户的分析来确定最合适的实例类型以及启动或迁移实例的最佳时间,从而帮助解决一些复杂的决策。我们采用机器学习技术来开发自适应部署策略,在客户需求和可用的云服务产品之间提供最佳匹配。我们提供了一个实验研究的基础上广泛的一套作业执行的主要公共云基础设施。
2016-02-05 cs.DC cs.LG cs.PF
MetaNet: Automated Dynamic Selection of Scheduling Policies in Cloud Environments
Imperial College London(伦敦帝国理工学院);Loughborough University(拉夫堡大学)
在优化云计算环境的服务质量(QoS)的背景下,任务调度是被充分研究的问题。为了维持计算需求的快速增长,云计算器最重要的QoS指标之一是执行成本。在这方面,近年来已经提出了几种基于数据驱动的深度神经网络(DNN)的调度器,以允许在动态工作负载设置中进行可扩展和有效的资源管理。然而,最佳调度通常依赖于复杂的DNN,其具有高计算需求,这意味着更高的执行成本。此外,即使在非静止环境中,也可能不总是需要复杂的过滤器,为了成本效益,我们可以暂时依靠低成本的过滤器。因此,这项工作的目的是解决非平凡的Meta问题的调度策略的在线动态选择使用一个代理模型称为MetaNet。与具有固定调度策略的传统解决方案不同,MetaNet在运行中从大量基于DNN的方法中选择调度器,以同时优化任务调度和执行成本。与最先进的DNN路由器相比,这使得执行成本、能耗、响应时间和违反服务级别协议的情况分别降低了11%、43%、8%和13%。
2022-05-21 cs.AI cs.DC
Modeling the Location Selection of Mirror Servers in Content Delivery Networks
对于内容分发网络(CDN)的提供商来说,镜像服务器的位置选择是一个复杂的优化问题。通常,目标是将节点集中放置,使得所有客户都可以根据他们的需求方便地访问服务。这是k中心问题的一个例子,它被证明是NP难的。确定合理的服务器位置直接影响运行时间效果和未来的服务成本。我们对内容分发网络的属性进行建模、仿真和优化。具体而言,考虑具有优先客户和加权连接的网络基础设施中的服务器位置。服务器的仿真模型是必要的,以分析根据目标客户的请求的缓存行为。我们分析了问题,并比较不同的优化策略。对于我们的模拟,我们采用各种现实的情况下,并评估几个性能指标。我们的新优化方法显示出显著的改进。所给出的结果一般适用于其他具有k-中心问题的域,例如,军事基地的布置、设施位置的规划和布置或数据采掘。
2020-05-28 cs.DC cs.NI cs.SY