A Taxonomy and Future Directions for Sustainable Cloud Computing: 360 Degree View
云计算范例通过互联网提供按需服务并支持各种各样的应用。随着最近基于物联网（IoT）的应用的增长，云服务的使用呈指数级增长。下一代云计算必须是节能和可持续的，以满足不断变化的最终用户需求。目前，云计算提供商面临着确保其服务的能源效率和可持续性的挑战。大量云计算中心的使用增加了成本和碳足迹，这进一步影响了云服务的可持续性。在本文中，我们提出了一个全面的分类可持续的云计算。分类法是用来调查现有的技术，可持续发展，需要仔细的关注和调查所提出的几个学术和工业团体。此外，目前对可持续云计算的研究分为几个类别：应用程序设计，可持续性指标，容量规划，能源管理，虚拟化，热感知调度，冷却管理，可再生能源和废热利用。对现有技术进行了比较，并根据共同的特点和性质进行了分类。提出了可持续云计算的概念模型，并讨论了未来的研究方向。
2018-07-09 cs.DC
A Comparative Taxonomy and Survey of Public Cloud Infrastructure Vendors
越来越多的技术企业正在采用云原生架构来提供基于Web的产品，远离私有数据中心，完全依赖云服务提供商。因此，云计算供应商最近增加了，以及他们分享的估计年收入。然而，在竞争中选择提供商的云服务的过程中，我们观察到在术语，服务功能和计费模式方面缺乏普遍的共同点。这是一个重要的差距，特别是在行业的新现实下，每个云提供商都朝着自己的服务分类发展，而专业服务的数量呈指数级增长。这项工作讨论了四个主要的云服务提供商，就其目前的市场份额而言，云供应商。我们提供了他们的服务和子服务的分类，指定了主要的服务系列，即计算、存储、数据库、分析、数据管道、机器学习和网络。这种分组的目的是表明所提供服务的相似之处、共同设计方法和功能差异。这些结果对于个人研究人员和大型企业来说都是至关重要的，因为他们试图确定一组云服务，这些服务将完全满足他们的需求而不会妥协。虽然我们承认这是一个充满活力的行业，新服务不断出现，旧服务经历重要更新，但本研究描绘了当前产品的坚实形象，并突出了云服务提供商正在遵循的方向。
2018-01-28 cs.DC cs.NI
Navigating the Docker Ecosystem: A Comprehensive Taxonomy and Survey
本文针对Docker容器技术提出了一种全面的容器架构分类法，通过综述现有文献，分析了Docker架构方法的异同，并指出了未来需要进一步研究的领域。
2024-01-03 cs.DC
Auto-scaling Approaches for Microservice Applications: A Survey and Taxonomy
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）；Tianjin University（天津大学）；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系量子云计算与分布式系统（qCLOUDS）实验室）；State Key Lab of IOTSC, University of Macau（澳门大学物联网智慧应用国家重点实验室）
本文综述了自2018年以来微服务应用的自动扩展方法，提出五维分类，探讨资源效率、成本效率及SLA保障，分析代表性方法的优缺点及适用场景。
2026-03-09 cs.DC
Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions
雾计算作为一种分布式模式，在网络边缘提供云服务，具有低延迟和高访问带宽，以支持各种物联网应用场景。为了充分利用这种计算模式的潜力，需要可扩展的，自适应的和准确的调度机制和算法，以有效地捕获用户，物联网应用，环境属性和优化目标的动态和需求。本文介绍了在雾计算中调度物联网应用程序的最新文献分类。基于我们的新的分类方案，目前的工作在文献中进行了分析，每个类别的研究差距，并描述各自的未来发展方向。
2022-04-26 cs.DC
Performance-Aware Management of Cloud Resources: A Taxonomy and Future Directions
云环境的动态特性使得分布式资源管理流程成为云服务提供商面临的挑战。根据客户期望保持服务质量的重要性以及云托管应用程序的高度动态性增加了流程的复杂性。大数据学习方法的进步已经将传统的静态容量规划解决方案转变为复杂的性能感知资源管理方法。它表明，资源调整的决策过程是密切相关的系统的行为，包括资源和应用程序组件的利用率。因此，对系统属性和性能度量的连续监视为影响应用程序性能的问题的分析提供了原始数据。统计和机器学习方法等数据分析方法提供了所需的概念、模型和工具，以挖掘数据，找到定义系统功能的一般规则、模式和特征。从数据分析过程中获得的知识有助于找出可能导致系统性能下降的工作负载变化、故障组件或问题。对性能降级的及时反应可以通过执行包括自动缩放或其他资源调整解决方案在内的适当纠正动作来避免违反服务级别协议。在本文中，我们调查云资源管理的主要要求和限制，包括在云性能管理的上下文中的工作负载和异常分析的方法的研究。分类的工作在这个问题上提出了确定现有的研究从数据分析方面的资源调整技术的主要方法。
2018-08-07 cs.DC
Auto-scaling Web Applications in Clouds: A Taxonomy and Survey
受新兴的云计算范例的吸引，Web应用程序提供商一直在将其应用程序迁移到云数据中心。云的吸引人的特征之一是弹性。它允许云用户按需获取或释放计算资源，这使得Web应用程序提供商能够在动态工作负载下自动扩展为其应用程序提供的资源，而无需人为干预，以最大限度地降低资源成本，同时满足服务质量（QoS）要求。在本文中，我们全面分析了在云中自动扩展Web应用程序所面临的挑战，并回顾了该领域的发展。我们提出了一个分类的自动缩放器根据所确定的挑战和关键属性。我们分析了调查的作品，并将它们映射到分类，以确定在这一领域的弱点。此外，基于分析，我们提出了新的未来方向，可以在这一领域进行探索。
2017-09-14 cs.DC
HPC Cloud for Scientific and Business Applications: Taxonomy, Vision, and Research Challenges
高性能计算（HPC）云正在成为执行科学应用程序和业务分析服务的内部部署群集的替代方案。HPC云的大多数研究工作旨在了解将资源密集型应用程序从内部环境迁移到公共云平台的成本效益。行业趋势表明，混合环境是充分利用内部部署和云资源的自然途径--稳定（和敏感）的工作负载可以在内部部署资源上运行，峰值需求可以以按需付费的方式利用远程资源。尽管如此，HPC云中仍有许多问题需要回答，从如何提取未知底层平台的最佳性能，到哪些服务是使其使用更容易的关键。此外，关于适合小型和大型用户的正确定价和合同模式的讨论与HPC云的可持续性有关。本文对HPC云的工作进行了调查和分类，并对我们认为未来的前景进行了展望，包括一系列研究挑战，这些挑战一旦得到解决，就可以帮助推进业务和科学发现。由于来自大数据和人工智能的新HPC应用程序的快速增长浪潮，这一点变得尤为重要。
2018-02-02 cs.DC
Carbon-aware Resource Management for Latency-Sensitive Cloud Computing Environments: A Taxonomy and Future Directions
University of Melbourne（墨尔本大学）；University of Amsterdam（阿姆斯特丹大学）
本文针对延迟敏感型云计算环境的碳感知资源管理问题，对相关最新文献进行分类分析，指出现有研究差距并提出未来研究方向，助力平衡延迟约束与碳减排目标。
2026-10-22 cs.DC
Placement of Microservices-based IoT Applications in Fog Computing: A Taxonomy and Future Directions
本文提出了雾计算环境中基于微服务的物联网应用部署的全面分类法，分析了部署问题的主要方面、相关工作及研究空白，并探讨了未来研究方向。
2023-02-14 cs.DC
Resource Management in Cloud Computing: Classification and Taxonomy
云计算是远程计算/基于Internet的计算的新时代，人们可以通过Internet从任何计算机轻松访问他们的个人资源。云将计算作为一种实用程序提供，因为它可按需提供给云消费者。它是一种简单的按使用付费的消费者-提供者服务模型。它包含大量的共享资源。因此，资源管理始终是云计算中的一个主要问题，就像任何其他计算范式一样。由于有限资源的可用性，云提供商提供所有请求的资源是非常具有挑战性的。从云提供商的角度来看，云资源必须以公平和有效的方式分配。从资源管理作为云计算中的一个过程的角度来看，研究调查是不可用的。因此，本文提供了一个详细的顺序视图/步骤的资源管理在云计算。本文首先对云计算中的各种资源进行了分类。并对云计算中的资源管理进行了分类，为进一步研究提供了依据。最后对各种资源管理算法进行了比较。
2017-02-24 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
On-Demand Grid Provisioning Using Cloud Infrastructures and Related Virtualization Tools: A Survey and Taxonomy
最近的研究表明，网格资源可以由客户端按需访问，在云虚拟化技术的帮助下。由管理程序托管的虚拟机被用来在云环境中构建网格网络。本研究的目的是调查的一些概念，用于按需网格供应使用基础设施作为服务云及其相关组件的分类。本文讨论了使用基础设施云的按需网格的不同方法，它试图解决的问题和实现工具。提出了一种扩展的网格虚拟化技术分类方法，并根据网格资源的体系结构、通信流程和用户需求，提出了一种新的网格云集成分类方法。本文提出的调查、工具和分类将有助于指导未来的体系结构设计，以供进一步研究。
2014-02-04 cs.DC
A Taxonomy for Management and Optimization of Multiple Resources in Edge Computing
边缘计算的推广是为了在当前网络的边缘使用靠近终端设备的计算和存储资源来满足数据驱动服务日益增长的性能需求。为了在这种新模式中实现更高的性能，必须考虑如何在所有三个架构层（终端设备、边缘设备和云）上结合资源使用效率。虽然云容量是弹性可扩展的，但终端设备和边缘设备在不同程度上受到资源约束。因此，有效的资源管理对于实现边缘计算至关重要。在这项工作中，我们首先提出术语和架构来描述边缘计算领域内的当前工作。然后，我们回顾了广泛的最近的文章，并将相关方面的4个方面：资源类型，资源管理目标，资源定位，资源使用。这种分类和随后的分析是用来确定现有研究中的一些差距。在几个研究差距中，我们发现，数据，存储和能源作为一种资源的研究不太普遍，并且对估计，发现和共享目标的研究也不太广泛。至于资源类型，研究最多的资源是计算和通信资源。我们的分析表明，边缘的资源管理需要更深入地了解在不同级别应用的方法以及面向不同资源类型的方法如何相互作用。具体而言，与传统的云解决方案相比，需要激励的移动性和协作方案的影响预计在边缘架构中会有所不同。最后，我们发现，较少的作品致力于研究非功能属性或量化资源管理技术的足迹，包括边缘特定的手段迁移数据和服务。
2018-04-19 cs.DC
A Taxonomy and Survey of Grid Resource Planning and Reservation Systems for Grid Enabled Analysis Environment
耦合地理上分布的资源来解决大规模问题的概念正变得越来越流行，形成了通常所说的网格计算。网格环境中的资源管理变得复杂，因为资源在地理上是分布的，本质上是异构的，并且由不同的个人和组织拥有，每个人都有自己的资源管理策略和不同的访问和成本模型。已经有许多项目设计和实现了具有各种架构和服务的资源管理系统。在本文中，我们提出了资源管理系统应满足的一般要求。分类也已定义的基础上，在不同的现有网格项目的资源管理系统的调查已进行，以确定这些系统缺乏所需的功能的关键领域。
2018-01-14 cs.DC
Workflow as a Service Broker in Cloud Environment: A Systematic Mapping Study
um.ac.ir（马什哈德大学）
本文通过系统映射研究分析云环境中工作流作为服务代理的关键趋势与挑战，采用三级策略分析87篇高质量论文，构建了WaaS代理的分类体系，并探讨了未来研究方向。
2026-04-28 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
Application Management in Fog Computing Environments: A Taxonomy, Review and Future Directions
物联网（IoT）模式正在迅速被用于在各个领域创建智能环境。与智慧城市、医疗保健、工业4.0和Agtech相关的物联网网络物理系统（CPS）处理大量数据，并需要来自不同类型应用程序的实时数据处理服务。物联网应用程序的以云为中心的执行几乎无法满足这些要求，因为云计算中心与物联网设备之间存在多跳距离。\textit{Fog computing}是云在边缘网络上的扩展，可以在更靠近数据源的地方执行这些应用程序。因此，雾计算可以提高应用服务的交付时间，抵抗网络拥塞。然而，雾节点是高度分布，异构和大多数的资源和空间共享的限制。因此，有效管理应用程序是充分利用雾节点功能的必要条件。在这项工作中，我们调查了雾计算中现有的应用程序管理策略，并在架构，放置和维护方面对其进行了审查。此外，我们提出了一个全面的分类，并强调了基于雾的应用程序管理的研究差距。我们还讨论了一个前景模型，并提供了未来的研究方向，进一步改善雾计算中的应用程序管理。
2020-05-21 cs.DC eess.SP
Recent Advances in Energy Efficient Resource Management Techniques in Cloud Computing Environments
如今，由于硬件、软件和维护成本的降低，云计算作为托管应用程序和服务的一种形式被广泛采用。云支持访问托管在大型高能耗数据中心的虚拟资源共享池，以提供具有动态工作负载的各种信息和通信服务。云数据中心的巨大能源消耗导致了高昂的电费以及大量二氧化碳气体的排放。毋庸置疑，云环境中的高效资源管理已成为云提供商最重要的优先事项之一，因此增加了研究人员提出新的节能解决方案的兴趣。本章对云环境中最新的节能云资源管理解决方案进行了科学和分类调查。本研究的主要目的是提出一个新的完整的分类，节能的云资源管理解决方案，回顾最近在这方面的研究进展，分类现有的技术的基础上，我们提出的分类，并开辟新的研究方向。此外，它还回顾和调查了2015年至2021年期间有关节能云资源管理技术的文献，并将其映射到其建议的分类中，从而揭示了新的研究方向，并促进了未来研究的开展。
2021-07-13 cs.DC
Computing server power modeling in a data center: survey,taxonomy and performance evaluation
数据中心是大规模、高能耗的基础设施，随着世界在智能城市中变得更加互联，数据中心服务于不断增长的计算需求。云服务、物联网（IoT）和大数据分析等先进技术的出现，促进了全球数据中心的增长，导致高能耗。数据中心能源消耗的激增不仅导致了高成本（运营和维护）的问题，而且对环境产生了不利影响。数据中心环境中的动态功率管理需要认识系统和硬件级性能计数器与功耗之间的相关性。功耗建模展示了这种相关性，并且在基于资源利用率设计节能优化策略时至关重要。在功率建模的几个作品提出并在文献中使用。然而，这些功率模型已经在不同的机器上使用不同的基准测试应用程序、功率测量技术和误差计算公式进行了评估。在这项工作中，我们提出了一个分类和评估的24个基于软件的电源模型使用一个统一的环境，基准测试应用程序，功率测量技术和误差公式，目的是实现客观的比较。我们使用不同的服务器架构来评估异构性对模型比较的影响。文中对这些模型的性能进行了详细的分析。
2020-04-30 cs.DC
A Survey on Resilience in the IoT: Taxonomy, Classification and Discussion of Resilience Mechanisms
物联网（IoT）生态系统往往在规模和复杂性方面都在增长，因为它们由各种异构设备组成，这些设备跨越多个架构IoT层（例如，云、边缘、传感器）。此外，物联网系统越来越需要服务的弹性可操作性，因为它们成为关键基础设施的一部分。这导致了各种各样的研究工作，旨在提高这些系统的弹性。在本文中，我们创建了一个关于使物联网系统具有弹性的现有科学努力的知识系统化。特别是，我们首先讨论了弹性和弹性机制的分类和分类，随后调查了研究工作提出的适用于物联网的最先进的弹性机制。作为调查的一部分，我们还讨论了专注于弹性实际方面的问题，例如，这限制了弹性机制在通过将特定机制并入IoT系统来设计弹性系统时对开发人员施加的约束。
2021-09-06 cs.DC
Enhancing reliability in AI inference services: An empirical study on real production incidents
Microsoft（微软）
本文基于156起高严重性生产事故构建并验证了LLM推理事故分类体系，识别主要故障模式与缓解手段，并提出自动化改进策略和实践者采纳清单，以提升大规模推理服务的可靠性与成本效率。
2025-10-17 cs.CY cs.DC
Characterizing Application Scheduling on Edge, Fog and Cloud Computing Resources
云计算已经发展成为由商业提供商提供的流行的分布式计算服务。最近，边缘和雾计算资源作为物联网（IoT）部署的一部分出现在广域网上。这三个资源抽象层是互补的，并提供独特的好处。在云上调度应用程序一直是一个活跃的研究领域，工作流和XML模型作为一个灵活的抽象来指定要执行的应用程序。然而，边缘和雾的应用程序编程和调度模型仍在成熟中，并且可以从云资源的学习中受益。同时，在应用程序的执行中使用这些资源也是有价值的。在本文中，我们提出了一个概念分类，这些概念对于指定和解决边缘上的应用程序调度问题，以及云计算资源至关重要。我们首先描述了这些基础设施的资源能力和局限性，并设计了一个分类的应用程序模型，服务质量（QoS）的约束和目标，调度技术，基于文献综述。我们还使用这种分类法列出了关键的研究原型和论文。这项调查有利于这些分布式资源的开发人员和研究人员设计和分类他们的应用程序，选择相关的计算抽象，开发或选择适当的调度算法。它还强调了文学中仍然存在开放问题的差距。
2019-04-23 cs.DC
Cold Start Latency in Serverless Computing: A Systematic Review, Taxonomy, and Future Directions
本文系统综述无服务器计算中的冷启动延迟问题，提出详细分类法并梳理缓存、应用级优化及AI/ML等缓解技术，分析其对服务质量的影响，并指出未来研究方向。
2024-10-23 cs.DC
Dynamic Environments for Virtual Machine Placement considering Elasticity and Overbooking
云计算供应商在实际的云市场中提供数百万台虚拟机。在这种情况下，虚拟机放置（VMP）是云基础设施管理中最具挑战性的问题之一，考虑到大量可能的优化标准和可以研究的不同配方。考虑到云计算的按需模型，VMP问题应该动态地解决，以有效地处理现代应用的典型工作负载。这项工作基于VMP文献中迄今为止研究的最相关的动态参数，提出了一种分类法，以了解动态环境中云服务提供商（CSP）可能面临的挑战。根据提出的分类法，已经确定了几个未开发的环境。为了进一步研究这些研究机会，需要每个特定环境的样本工作负载跟踪;因此，基本示例说明了动态工作负载跟踪生成的初步工作。
2016-01-08 cs.DC
Orchestrating the Development Lifecycle of Machine Learning-Based IoT Applications: A Taxonomy and Survey
Newcastle University（纽卡斯尔大学）；University of Leeds（利兹大学）；The University of Sydney（悉尼大学）；Cardiff University（卡迪夫大学）；China University of Geoscience (Wuhan)（中国地质大学（武汉））
机器学习（ML）和物联网（IoT）是互补的进步：ML技术通过智能释放物联网的全部潜力，物联网应用越来越多地将传感器收集的数据输入ML模型，从而利用结果来改进其业务流程和服务。因此，编排包含模型训练和物联网应用程序整体开发生命周期中涉及的含义的ML管道通常会导致复杂的系统集成。本文对基于ML的物联网应用的开发生命周期进行了全面而系统的调查。我们概述了核心路线图和分类，并随后评估和比较现有的标准技术中使用的各个阶段。
2020-05-29 cs.DC cs.LG cs.NI
A Survey and Taxonomy of Self-Aware and Self-Adaptive Cloud Autoscaling Systems
自动缩放系统可以通过对云软件的各种配置和硬件资源的调配，重新配置基于云的服务和应用，以适应运行时不断变化的环境。这种行为为在现代云计算范例中实现弹性提供了基础。由于共享云基础设施的动态性和不确定性，云自动伸缩系统已被设计为人类创造的最复杂，最复杂和最智能的工件之一，旨在实现自我感知，自适应和可靠的运行时伸缩。然而，现有的自感知和自适应云自动缩放系统（SSCAS）还没有成熟到可以在云中可靠地利用的状态。在这篇文章中，我们调查了国家的最先进的研究SSCAS的研究，并提供了一个全面的分类，这一领域。我们对结果进行了详细的分析，并提供了对开放挑战的见解，以及在这一研究领域未来工作中值得研究的有前途的方向。我们的调查和分类有助于在云中设计更智能的自动缩放系统的基础。
2018-04-25 cs.DC cs.SE
High-Availability Clusters: A Taxonomy, Survey, and Future Directions
从金融和制造业到医疗保健和交通运输等领域的关键服务的交付得到了快速增长的关键任务企业应用程序的支持。要确保这些复杂应用程序的连续性，需要使用称为高可用性集群（HAC）的软件管理基础设施。HAC使用复杂的技术来监视关键企业应用程序层及其使用的资源的健康状况，并在故障后无缝地重新启动或重新定位应用程序组件。在本文中，我们首先描述了多种用途的HAC保护关键应用程序的基本层，并提出了高可用性集群的体系结构。然后，我们提出了一个分类法，涵盖了所有关键方面的HAC-部署模式，应用程序领域，集群类型，拓扑结构，集群管理，故障检测和恢复，一致性和完整性，以及数据同步，我们使用这种分类法提供了一个全面的调查的端到端的软件解决方案可用于HAC部署的企业应用程序。最后，我们讨论了现有的HAC解决方案的局限性和挑战，并确定了该领域未来研究的机会。
2022-09-22 cs.DC cs.NI cs.SY
Edge AI: A Taxonomy, Systematic Review and Future Directions
本文系统综述了边缘人工智能的研究现状，提出协作式学习系统和分类体系，分析其在实时数据处理中的作用、面临的资源与安全等挑战，并展望未来研究方向。
2024-10-20 cs.DC
Cloud Brokerage: A Systematic Survey
背景：云提供商和供应级别的激增为云代理服务开辟了空间。经纪人在云客户和提供商之间充当中间人，帮助客户选择最合适的云服务，帮助管理与云服务相关的维度、异构性和不确定性。目标：本文识别并分类实现云经纪的方法。通过这样做，本文提出了一个最先进的理解和一个新的分类法，云代理。方法：我们进行了系统的文献调查，以汇编与云经纪相关的研究，并探讨如何设计云经纪人。我们从多个角度分析了这些研究，如动机，功能，工程方法和评估方法。结果：调查产生了一个关于实现云代理的当前建议的知识库。该调查发现了研究实施之间令人惊讶的差异，工程工作针对基于市场的解决方案，中间件，工具包，算法，语义框架和概念框架的组合。结论：我们的综合荟萃分析表明，云经纪仍然是一个正在形成的领域。毫无疑问，这一领域已经取得进展，但仍有相当多的挑战有待解决。本次调查确定了这些挑战和未来研究的方向。
2018-05-23 cs.DC
Machine Learning-based Orchestration of Containers: A Taxonomy and Future Directions
The University of Melbourne（墨尔本大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；The University of Macau（澳门大学）
容器化是一种轻量级的应用程序虚拟化技术，提供高环境一致性、操作系统分发可移植性和资源隔离。现有的主流云服务提供商在其分布式系统基础设施中优先采用容器技术，以实现自动化应用管理。为了处理容器化应用的部署、维护、自动扩展和联网的自动化，容器编排被认为是一个重要的研究问题。然而，云工作负载和环境的高度动态和多样性大大提高了编排机制的复杂性。因此，容器编排系统采用机器学习算法来进行行为建模和多维性能度量的预测。这些见解可以进一步提高资源配置决策的质量，以应对复杂环境下不断变化的工作负载。在本文中，我们对现有的基于机器学习的容器编排方法进行了全面的文献回顾。最后，根据这些研究的共同特点，提出了详细的分类法。此外，基于机器学习的容器编排技术从2016年到2021年的发展是基于目标和指标设计的。根据拟议的分类法，对审查过的技术进行了比较分析，重点是它们的关键特征。最后，各种开放的研究挑战和潜在的未来方向突出。
2021-06-24 cs.DC cs.LG
Genomics as a Service: a Joint Computing and Networking Perspective
本文提供了一个全球性的图片部署的网络处理服务的基因组数据集。目前许多研究广泛使用基因组数据，这些数据是巨大的，并随着时间的推移迅速增加。它们通常存储在远程数据库中，可通过互联网访问。因此，通过数据网有效处理基因组数据的重要问题在于可用的网络服务。本文的第一个贡献包括识别基因组数据的尚未开发的功能，可以优化其网络化管理。这项调查的第二个也是主要贡献包括计算和网络替代方案的方法分类，这些替代方案可用于提供我们所谓的基因组即服务（GaaS）范式。更详细地说，我们分析了主要的基因组处理应用程序，不仅对在本地机器或分布式云环境中运行基因组学工作流程的主要计算替代方案进行了分类，而且还对可用于开发基因组处理服务的主要软件技术进行了分类。由于仅包含计算方面的分析只能提供部署GaaS系统问题的部分视图，因此我们还介绍了可用于有效支持GaaS解决方案的主要网络技术。我们首先关注现有的服务平台，并分析它们的服务功能，如可扩展性，灵活性和效率。然后，我们为广域网和数据中心网络技术提出了一个分类，这些技术可能符合GaaS的要求。通过推动GaaS范式的采用，计算和网络中的虚拟化是成功大规模利用基因组数据的关键。最后，本文阐述了该领域未来研究挑战的短期和长期愿景。
2018-09-26 cs.DC q-bio.GN
5G network slicing using SDN and NFV- A survey of taxonomy, architectures and future challenges
在本文中，我们使用SDN和NFV提供了与5G网络切片相关的全面审查和更新解决方案。首先，我们介绍了5G服务质量和业务需求，然后描述了5G网络软件化和切片范式，包括基本概念，历史和不同的用例。其次，我们提供了5G网络切片技术使能器的教程，包括SDN，NFV，MEC，云/雾计算，网络管理程序，虚拟机和容器。第三，我们全面调查了推动SDN和NFV在加速5G网络切片方面的采用的不同行业计划和项目。在实际实施、技术采用和部署策略方面，对各种5G架构方法进行了比较。此外，我们提供了各种开源的orchestrings和证明的概念，代表工业的贡献进行了讨论。这项工作还调查了5G网络中有关网络切片和软件化的标准化工作。此外，本文介绍了单个域中网络切片的管理和编排，然后全面调查了跨多个域的5G网络切片中的管理和编排方法，同时支持多个租户。此外，我们强调了未来在5G网络中使用SDN和NFV进行网络软件化和切片的挑战和研究方向。
2019-12-05 cs.DC cs.MM cs.NI
Resource Allocation and Service Provisioning in Multi-Agent Cloud Robotics: A Comprehensive Survey
Swinburne University of Technology（斯威本科技大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；Engineering Institute of Technology (EIT)（工程技术学院）；South China University of Technology（华南理工大学）；University of Manitoba（曼尼托巴大学）
如今，机器人应用被广泛采用，以增强现实世界网络物理系统（CPS）的操作自动化和性能，包括工业4.0，农业，医疗保健和灾难管理。这些应用程序由延迟敏感、数据量大和计算密集型任务组成。然而，机器人在计算能力和存储容量方面受到限制。多智能体云机器人的概念使机器人之间能够进行协作，并为机器人执行大规模应用程序创造了一个互补的环境，能够利用边缘和云资源。然而，在这样的协作环境中，机器人任务的最优资源分配是具有挑战性的实现。与机器人和计算实例相关的异构能耗率和执行成本的应用使其变得更加复杂。此外，本地机器人、边缘节点和云数据中心之间的数据传输延迟会对实时交互产生不利影响，并阻碍服务性能保证。考虑到所有这些问题，本文全面调查的最先进的资源分配和服务提供的多智能体云机器人。本文通过与当代计算范式的明确比较，提出了多智能体云机器人的应用领域，并确定了具体的研究挑战。第一次提出了一个完整的分类资源分配，连同讨论的资源池，计算卸载，和任务调度的有效服务提供。此外，我们强调了从经验教训中得出的研究差距，并提出了有利于进一步推进这一新兴领域的未来方向。
2021-04-29 cs.DC cs.RO
Taxonomy of AISecOps Threat Modeling for Cloud Based Medical Chatbots
BSA Crescent Institute of Science and Technology（BSA新月科学技术学院）；NEC Corporation of America（美国NEC公司）
本研究针对云医疗聊天机器人的安全问题，提出应用STRIDE框架进行威胁建模，并利用AISecOps技术实现自动威胁检测，以保护敏感数据并提升系统安全合规性。
2023-05-18 cs.AI cs.DC cs.HC
