MoA-Off: Adaptive Heterogeneous Modality-Aware Offloading with Edge-Cloud Collaboration for Efficient Multimodal LLM Inference
MoA-Off 提出异构模态感知模块与自适应边缘-云协同卸载策略，动态调度多模态大语言模型推理负载，在保持准确率的同时降低 30% 以上延迟和 30%-65% 资源开销。
2025-09-21 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
Energy-Aware Adaptive Offloading of Soft Real-Time Jobs in Mobile Edge Clouds
我们提出了一个模型，用于测量卸载软实时的【形】作业对多层云基础设施的影响。这些作业源自移动设备，卸载策略可以选择在本地、相邻设备、云服务器或基础设施云服务器中执行它们。在本规范中，我们提出了几种这样的卸载策略，其特征在于它们对云层的差异化使用，其目标是优化执行时间和/或能耗。我们使用Jay实现了该模型的一个实例，Jay是一种用于混合边缘云中自适应计算卸载的软件框架。该框架是模块化的，并允许模型和卸载策略被无缝地实施，同时提供工具来基于系统反馈做出明智的运行时卸载决策，即通过内置的系统分析器，该分析器收集每个参与设备或服务器的运行时信息，例如工作负载、能耗和可用带宽。结果表明，卸载策略的运行时条件敏感，可以有效地和动态地调整他们的卸载决策，以产生显着的收益，在他们的目标优化功能，即执行时间，能源消耗和履行的工作期限。
2021-06-02 cs.DC
Pre-allocation Strategies of Computational Resources in Cloud Computing using Adaptive Resonance Theory-2
云计算面临的主要挑战之一是对各种服务请求的请求-响应耦合管理和计算资源的优化分配策略。在正常情况下，使用标准方法对请求的性质和顺序进行分类所需的智能是不够的，因为请求的到达是随机的，并且它意味着具有不同优先级顺序和种类的多个资源。因此，我们必须通过自动分类来识别每个类别中不同请求流的趋势，并以预测的方式组织预分配策略。这就要求设计客户端请求与云计算资源管理器之间的智能交互模式。本文利用自适应共振理论-2讨论了相应的方案。
2012-06-03 cs.DC
EdgeMatrix: A Resource-Redefined Scheduling Framework for SLA-Guaranteed Multi-Tier Edge-Cloud Computing Systems
提出多层边缘云计算框架EdgeMatrix，通过NMAC算法重定义物理资源并设计双时间尺度多任务机制解决服务编排与请求分发问题，在保障SLA优先级的同时使系统吞吐量提升36.7%。
2023-08-01 cs.DC
AgentFlow: Resilient Adaptive Cloud-Edge Framework for Multi-Agent Coordination
针对异构云边环境中的多智能体协调问题，本文提出基于 MAS 的 AgentFlow 框架，通过物流对象、抽象接口、去中心化消息与服务选举等机制实现可扩展、容错的自主实时编排。
2025-05-12 cs.DC
Online QoS Modeling in the Cloud: A Hybrid and Adaptive Multi-Learners Approach
鉴于云计算的按需特性，管理基于云的服务需要对其服务质量（QoS）和云配置/资源之间的相关性进行准确建模。所得到的模型需要处理QoS敏感度和干扰的动态波动。然而，由于其静态和半动态性质，云中现有的QoS建模在准确性和适用性方面都受到限制。在本文中，我们提出了一个完全动态的多学习者的方法，在云中的自动化和在线QoS建模。我们贡献了一个混合学习器解决方案，它提高了准确性，同时保持足够的模型复杂性。为了在运行时确定QoS模型的输入，我们将输入空间划分为两个子空间，每个子空间应用不同的基于对称不确定性的选择技术，然后将子空间的结果合并。学习器也是自适应的，它们同时允许几个机器学习算法来建模QoS功能，并动态选择最佳模型进行动态预测。我们实验评估我们的模型使用RUBiS基准和现实的FIFA 98工作量。结果表明，我们的多学习者的方法是更准确和有效的，相比其他国家的最先进的方法。
2015-04-15 cs.DC
MSAO: Adaptive Modality Sparsity-Aware Offloading with Edge-Cloud Collaboration for Efficient Multimodal LLM Inference
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of Science and Technology of China（中国科学技术大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出MSAO框架，通过边缘-云协作和模态稀疏性分析，降低多模态大语言模型推理的延迟和资源消耗，提升吞吐量。
2026-04-03 cs.DC
An Overview on the Landscape of Self-Adaptive Cloud Design and Operation Patterns: Goals, Strategies, Tooling, Evaluation, and Dataset Perspectives
本文系统综述近八年111篇自适应云设计与运维模式研究，从目标、策略、工具、验证与数据集等维度梳理现状，并提出面向SaaS应用智能体的联邦学习蓝图。
2025-09-26 cs.DC
REACH: Reinforcement Learning for Adaptive Microservice Rescheduling in the Cloud-Edge Continuum
REACH利用强化学习在云边连续体中实时动态调整微服务放置，以应对资源波动，实验表明在三个基准应用中平均端到端延迟降低7.9%-10%，并缓解延迟波动。
2025-10-08 cs.DC
A Quantum Approach Towards the Adaptive Prediction of Cloud Workloads
提出了一种基于进化量子神经网络的云数据中心工作负载预测模型。它利用量子计算的计算效率，将工作负载信息编码到量子比特中，并通过网络传播此信息，以主动估计工作负载或资源需求，提高准确性。控制非门的旋转和反向旋转效应在隐藏层和输出层起到激活函数的作用，以调整量子位权重。此外，自平衡自适应差分进化（SB-ADE）算法被开发来优化量子比特网络的权重。EQNN预测模型的准确性进行了广泛的评估，并与七个国家的最先进的方法，使用八个真实世界的基准数据集的三个不同的类别进行比较。实验结果表明，使用量子方法的进化神经网络大大提高了预测精度高达91.6%，比现有的方法。
2022-11-26 cs.DC
EdgeMatrix: A Resources Redefined Edge-Cloud System for Prioritized Services
边缘云系统有潜力结合异构设备的优势，真正实现无处不在的计算。然而，复杂的网络环境给服务提供商提供服务等级协议（SLA）优先级的保证带来了多资源异构、资源竞争和网络系统动态性等内在挑战。在本文中，我们设计了一个框架的边缘云系统，即EdgeMatrix，以最大限度地提高吞吐量，同时保证各种SLA优先级。首先，EdgeMatrix引入了网络化多智能体Actor-Critic（NMAC）算法，将物理资源重新定义为逻辑上隔离的资源组合，即，资源细胞。然后，我们使用聚类算法将具有相似特征的细胞分组为各种集合，即，资源通道，对于不同的通道可以提供不同的SLA保证。此外，设计了一种多任务机制来解决边缘云集群间的联合服务编排和请求分发（JSORD）问题，较传统方法大大减少了运行时间。为了确保稳定性，EdgeMatrix采用了两个时间尺度的框架，即，在大的时间尺度上协调资源和服务，并且在小的时间尺度上分派请求。基于真实痕迹的实验结果验证了EdgeMatrix在复杂网络环境下能够提高系统吞吐量，减少SLA违规，并比传统方法显著降低运行时间。
2022-03-20 cs.DC cs.NI
Adaptive Energy-aware Scheduling of Dynamic Event Analytics across Edge and Cloud Resources
作为物联网（IoT）的一部分，传感器的部署越来越多，正在产生数千个事件流。复杂事件处理（CEP）查询提供了一个有用的范例，对这些数据源的快速决策。虽然通常集中在云中，但在现场部署有能力的边缘设备激发了对跨边缘和云计算的协作事件分析的需求。在这里，我们确定了一个新的问题，即在边缘和云资源上放置查询，以动态地到达和离开分析流程。我们将其定义为一个优化问题，以最小化所有事件分析的总完工时间，同时满足资源的能量和计算约束。我们提出了4种自适应算法和3种重新平衡策略，并使用100 - 1000个边缘设备和虚拟机的详细模拟来验证它们。结果表明，我们的算法提供O（秒）的规划时间，在所有情况下，提供一个有效的和高质量的解决方案，并减少查询迁移的数量。此外，再平衡策略在这些物流中应用时，显着减少了约20 - 25%的完工时间。
2018-01-03 cs.DC
AdaCache: A Disaggregated Cache System with Adaptive Block Size for Cloud Block Storage
针对传统云块存储缓存无法跨主机共享及固定块大小分配机制在多负载下性能差的问题，提出用户态分解式缓存系统AdaCache，通过自适应块分配、基于组的缓存组织和两级缓存替换策略，大幅提升I/O性能与命中率并降低内存开销。
2023-06-29 cs.DC
Towards an Adaptive Runtime System for Cloud-Native HPC
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM Thomas J. Watson Research Center（IBM 托马斯·J·沃森研究中心）
本文提出基于Charm++的自适应运行时系统，通过异步消息驱动模型解决云环境下的HPC应用效率与容错问题，实现高效、可靠且经济的云上性能。
2026-03-15 cs.DC
A Self-adaptive Approach for Managing Applications and Harnessing Renewable Energy for Sustainable Cloud Computing
托管服务快速采用云计算及其成功主要归功于其具有吸引力的功能，如弹性，可用性和按需付费定价模式。然而，云数据中心消耗的大量能源使其成为碳排放增长最快的来源之一。提高能源利用效率的途径包括提高资源利用率，减少资源浪费;采用可再生能源作为能源供应。这项工作旨在通过减少棕色能源的使用和最大限度地使用可再生能源来减少数据中心的碳足迹。利用微服务和可再生能源，我们提出了一种自适应的方法来管理交互式工作负载和批量工作负载的资源。为了保证工作负载的服务质量，提出了一种基于欠压的交互式工作负载调度算法和一种基于延迟的批处理工作负载调度算法。我们已经实现了所提出的方法在一个原型系统中，并评估它与Web服务下真正的痕迹。结果表明，我们的方法可以减少21%的棕色能源的使用和提高10%的可再生能源的使用。
2020-08-31 cs.DC
ECHO: An Adaptive Orchestration Platform for Hybrid Dataflows across Cloud and Edge
物联网（IoT）正在提供前所未有的观测数据，用于管理智慧城市公用事业。边缘和雾网关设备是物联网部署的一个组成部分，用于获取实时数据并实施控制。最近，边缘计算正在成为补充以云为中心的分析的一流范例。但一个关键的限制是缺乏跨边缘和云的应用程序的平台即服务。在这里，我们提出了ECHO，一个编排平台，跨分布式资源的业务流程。ECHO的混合数据流组合可以在不同的数据模型上操作-流，微批处理和文件，并与TensorFlow和Storm等本地运行时引擎接口以执行它们。它管理应用程序的生命周期，包括基于容器的部署和用于状态管理的注册表。ECHO可以在不同的Edge、Fog和Cloud资源上调度任务流，也可以在资源之间进行动态任务迁移。我们验证了ECHO平台在Raspberry Pi、NVidia TX 1、ARM 64和Azure Cloud VM资源上执行智能交通和智能实用程序应用的视频分析和传感器流，并展示了我们的结果。
2017-07-04 cs.DC
Green by Design: Constraint-Based Adaptive Deployment in the Cloud Continuum
Politecnico di Milano（米兰理工大学）
本文提出了一种基于约束的自适应部署方法，通过绿色约束优化云连续体中的能源效率和环境影响。
2026-02-20 cs.DC
A Self-Adaptive Extensible CEP framework for the Cloud-Edge Continuum
University of Potsdam（波茨坦大学）
针对云边连续体上CEP系统的异构节点负载失衡问题，提出带负载调节功能的自适应可扩展CEP框架，可使过载算子持续运行，便于其部署于异构或资源受限环境。
2026-08-10 cs.DC
A Self-adaptive Auto-scaling Method for Scientific Applications on HPC Environments and Clouds
高强度计算应用程序通常需要几天到几个月才能完成执行。在此期间，当考虑到这种硬件通常在组织内的多个研究人员/部门之间共享时，通常具有可用资源的变化。另一方面，高性能集群可以利用云计算突发技术来执行应用程序以及内部资源。为了满足最后期限，高密集型计算应用程序可以在数据和任务并行时使用云来提高其性能。本文介绍了一项正在进行的工作，旨在将HPC执行平台的扩展资源与云一起使用。我们提出了一个统一的视图，这样的异构环境和方法，监测，预测应用程序的执行时间，并动态地转移域的一部分-以前运行在本地HPC硬件-在云计算，然后满足特定的截止日期。该方法与地震应用程序一起举例说明，该应用程序在运行时自适应将部分处理移动到云（在称为突发的移动中），并在云节点上自动缩放（移动的部分）。我们的初步结果表明，执行此移动和同步结果会产生预期的开销，但我们的结果表明，在内部部署集群过载或无法提供特定项目所需的容量的情况下，这是满足最后期限的重要功能。
2015-01-26 cs.DC
Performance Cost Tradeoffs in Intelligent Load Balancing for Multi Data Center Cloud Systems: From Static Policies to Adaptive Resource Distribution
Urmia University of Technology（乌尔米耶理工大学）；Harrisburg University of Science and Technology（哈里斯堡科学与技术大学）
本研究比较了三种负载均衡策略的性能与成本，发现不同策略在高需求下各有优劣，强调智能资源分配和自适应负载均衡的重要性。
2026-02-10 cs.DC
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
EC2MoE: Adaptive End-Cloud Pipeline Collaboration Enabling Scalable Mixture-of-Experts Inference
针对端云异构环境中MoE推理的专家调度与通信开销问题，提出EC2MoE框架，通过硬件感知分组门控和路由感知流水线调度，实现吞吐量提升2.2-5.1倍、延迟降低53%-67%。
2025-08-08 cs.DC
Adaptive Edge Process Migration for IoT in Heterogeneous Cloud-Fog-Edge Computing Environment
以云为中心的物联网管理系统的延迟问题激发了雾和边缘计算（FEC）架构，该架构将任务从云分发到边缘资源，如路由器，交换机或物联网设备本身。具体来说，物联网系统的移动传感器也可以为FEC执行某些任务。考虑到当移动传感器无法继续其任务时从移动传感器到其他资源的动态过程迁移的需要，IoT系统需要提供允许移动传感器在运行时将其任务动态地迁移到其他FEC资源的灵活机制。然而，它提出了一个问题，在什么是最佳的方法时，移动传感器打算将其任务迁移到多个异构FEC资源？为了解决这个问题，作者提出了REM方案，这是能够优化进程迁移决策。此外，为了实现这样的系统并验证REM方案，作者开发了EPIOT主机框架。最后，作者实现了REM方案和框架，并进行了评估，结果表明，REM方案是能够提高在异构FEC环境中的进程迁移的性能。
2018-11-27 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
Self-Aware and Self-Adaptive Autoscaling for Cloud Based Services
现代互联网服务越来越多地利用云计算来实现灵活、弹性和按需提供。通常，基于云的服务的服务质量（QoS）可以使用不同的底层云配置和资源来调整，例如，线程数、CPU和内存等，它们被共享、租赁并作为公用事业定价。这一优势从根本上说是基于自动扩展：一个自动和弹性的过程，根据随时间变化的工作负载按需调整云配置。本文提出了一个整体的云自动伸缩框架，以有效和无缝地解决现有的挑战，涉及到不同的逻辑方面的自动伸缩，包括架构自动伸缩系统，建模的QoS基于云的服务，确定粒度的控制和决定权衡自动伸缩的决定。该框架利用自感知的原理和相关算法自适应地处理动态性、不确定性、QoS干扰和云中目标的权衡。主要的好处是，通过利用框架，可以有效地实现云自动扩展，而无需大量的人工分析和设计时知识。通过使用RUBiS基准和真实云环境下的现实工作负载进行各种实验，本文基于各种质量指标评估了该框架的有效性，并与其他最先进的方法进行了比较。
2016-08-13 cs.DC cs.SE
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
Adaptive AI-based Decentralized Resource Management in the Cloud-Edge Continuum
Department of Computer Science, University of Pisa（计算机科学系，比萨大学）
本文提出了一种结合图神经网络和协同多智能体强化学习的混合框架，用于在云边连续体中实现高效、自适应和可扩展的资源管理。
2026-02-06 cs.AI cs.DC
Self-Adaptive Trade-off Decision Making for Autoscaling Cloud-Based Services
云中的弹性通常通过按需自动缩放来实现。在这种情况下，目标是优化基于云的服务的服务质量（QoS）和成本目标。然而，困难在于这些目标，例如，吞吐量和成本，可以自然地冲突，并且基于云的服务的QoS经常由于云中的共享基础设施而受到干扰。因此，在云中进行自动缩放的动态和有效的权衡决策是必要的，但具有挑战性。特别是，要实现良好的折衷就更难了，在这种情况下，决策在很大程度上改善了大多数目标，同时对其他目标造成相对较小的退化。在本文中，我们提出了一个自适应的决策方法，在云中的自动缩放。它能够自适应地产生自动缩放决策，从而在没有大量人为干预的情况下实现良好的折衷。我们利用蚁群启发的多目标优化来搜索和优化权衡决策，然后通过妥协优势来过滤结果，这是一种在权衡中提取具有平衡改进的决策的机制。我们实验比较我们的方法，以四个国家的最先进的自动缩放方法：规则，启发式，随机和多目标遗传算法为基础的解决方案。结果表明，我们的方法比其他方法更有效，包括更好的权衡质量和更小的违反要求。
2016-08-21 cs.DC cs.SE
CE-CoLLM: Efficient and Adaptive Large Language Models Through Cloud-Edge Collaboration
Florida International University（佛罗里达国际大学）
本文提出 CE-CoLLM 云边协同框架，通过延迟感知早退、云上下文管理和双自适应推理模式降低通信与云端负载，在不损失精度的前提下提升边缘 LLM 推理效率。
2025-06-08 cs.DC cs.LG
Adaptive Fault Tolerance Mechanisms of Large Language Models in Cloud Computing Environments
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对云计算中LLM面临的资源故障、网络问题和计算开销，本文提出融合实时故障预测、动态资源分配及自适应检查点恢复的混合容错机制，使停机时间降低30%。
2025-03-15 cs.AI cs.DC
Self-Adaptive Consolidation of Virtual Machines For Energy-Efficiency in the Cloud
在虚拟化数据中心中，整合虚拟机（VM）以最小化总物理机（PM）的数量已被认为是非常有效的方法。本文考虑了云数据中心中虚拟机的节能整合。集中于CPU密集型应用，目标是非抢占式地调度所有请求，受到PM容量和运行时间间隔跨度的约束，使得所有PM的总能耗最小化（简称为MinTE）。一般来说，MinTE问题是NP完全的。我们提出了一个自适应的方法称为SAVE。该方法通过概率过程来决定VM的分配和迁移，并且完全基于本地信息，因此实现起来非常简单。仿真和实际环境测试表明，与VMWare DRS相比，SAVE平均可以降低30%的能耗，与EcoCloud相比，SAVE平均可以降低10-20%的能耗。
2016-04-15 cs.DC cs.DS
Adaptive job and resource management for the growing quantum cloud
随着量子计算的普及程度不断提高，通过云进行高效的量子机器访问对于全球的学术和行业研究人员都至关重要。随着云量子计算需求呈指数级增长，对资源消耗和执行特性的分析是供应商端和客户端有效管理作业和资源的关键。虽然作业/资源消耗和管理的分析和优化在经典HPC领域很流行，但对于像量子计算这样的新兴技术来说，这是严重缺乏的。本文提出了量子云的优化自适应作业调度，注意到主要特征，如排队时间和机器间的保真度趋势，以及其他特征，如服务质量保证和机器校准约束。该提案的关键组成部分包括a）预测模型，该模型基于编译的电路特征（如电路深度和不同形式的错误）预测机器的保真度趋势，以及b）基于执行时间估计的每台机器的排队时间预测。总的来说，该提案在模拟的IBM机器上进行了评估，涵盖了各种量子应用程序和系统加载场景，与传统的作业调度器相比，它能够将等待时间减少3倍以上，并在特定用例中将保真度提高40%以上。
2022-03-24 cs.DC quant-ph
On Throughput-Delay Optimal Access to Storage Clouds via Load Adaptive Coding and Chunking
最近的文献，包括我们过去的工作，提供了分析和解决方案，用于使用（i）擦除编码，（ii）并行性，或（iii）变量切片/分块（即，将特定大小的对象划分为可变数量的较小块）来加速存储云的I/O性能。然而，一直缺乏一种综合办法，将所有三个方面放在一起考虑，以实现最佳的吞吐量-延迟权衡曲线。本文提出了第一组解决方案，可以选择最佳的组合的编码速率和对象分块/切片选项的负载动态变化。我们的具体贡献如下：（1）我们通过测量确定，在流行的公共云上，可变码率和分块的组合是最可行的。(2)我们通过近似分析将组块级别和码率的延迟最优值与队列积压联系起来。(3)基于此分析，我们提出TOFEC，适应组块级别和编码速率对队列积压。我们的跟踪驱动的仿真结果表明，TOFEC的自适应机制收敛到一个适当的代码，提供了最佳的吞吐量延迟权衡，而不降低系统容量。与针对吞吐量进行优化的非自适应策略相比，TOFEC在轻负载下提供了更低的延迟$2.5\times$;与针对延迟进行优化的非自适应策略相比，TOFEC可以扩展以支持$3\times$上尽可能多的请求。(4)我们提出了一个更简单的贪婪的解决方案，在平均延迟性能上与TOFEC不相上下，但表现出显着更多的性能变化。
2014-03-20 cs.DC cs.NI
Latency-Optimal Adaptive Split Inference for Privacy-Preserving Cloud-Edge-End Collaboration
Guangdong Provincial Key Laboratory of Intelligent Information Processing, College of Electronics and Information Engineering, Shenzhen University（深圳大学电子与信息工程学院）；The Hong Kong Polytechnic University（香港理工大学）
该研究针对物联网终端算力不足的问题，提出延迟最优自适应拆分推理框架，通过终端执行明文前缀、边缘与云端处理FHE密文实现隐私保护，在两类数据集上取得显著加速效果且保持准确率。
2026-08-04 cs.CR cs.DC
Architectural Stability Reasoning using Self-Awareness Principles: Case of Self-Adaptive Cloud Architectures
随着对软件依赖的增加，迫切需要设计长寿的软件。由于体系结构对软件的生命周期和所提供的服务质量有着深远的影响，因此稳定的体系结构是重要的资产。体系结构的稳定性往往反映了系统在支持持续变化而不逐步淘汰方面的成功。稳定性的\textit{behavioural}方面对于无缝操作是必不可少的，以持续保持质量需求的稳定，并防止体系结构的漂移和逐步淘汰。在本文中，我们提出了一个框架，在运行时的稳定性推理，利用自我意识的原则。具体来说，我们采用运行时目标管理稳定性目标，在线学习的推理稳定的长期运行，和随机游戏管理相关的权衡。我们评估所提出的工作使用的情况下，云架构在运行时的高度动态。实验结果表明，在实现预期的行为稳定运行时操作的自我意识技术的效率。
2019-12-11 cs.DC cs.SE
Reinforcement Learning-Based Adaptive Load Balancing for Dynamic Cloud Environments
The University of Manchester（曼彻斯特大学）
针对传统静态负载均衡难以适应云工作负载波动的问题，提出基于强化学习的自适应框架，依据实时性能、流量与资源状态动态分配任务，实验表明其在响应时间、资源利用率和适应性上更优。
2024-09-07 cs.AI cs.DC cs.NI
LAECIPS: Large Vision Model Assisted Adaptive Edge-Cloud Collaboration for IoT-based Embodied Intelligence System
School of Computer Science（计算机科学学院）；School of Information Management（信息管理学院）；Information Sciences and Technology Department（信息科学与技术系）
针对智能制造中机器人视觉检测对高精度和低延迟的需求，提出大视觉模型辅助的自适应边缘-云协作框架LAECIPS，通过解耦云边模型和困难输入挖掘策略，在真实系统上显著提升精度并降低延迟与通信开销。
2025-06-19 cs.AI cs.CV cs.DC
Continuous reasoning for adaptive container image distribution in the cloud-edge continuum
University of Ferrara（费拉拉大学）；University of Pisa（比萨大学）；University of Calabria（卡拉布里亚大学）
本文提出一种基于逻辑编程的声明式方法与开源原型，通过ASP确定容器镜像初始放置，并利用Prolog连续推理进行自适应调整，在云边连续体中平衡成本优化与快速决策。
2025-04-05 cs.AI cs.DC cs.LO
Adaptive Security Policy Management in Cloud Environments Using Reinforcement Learning
Texas Tech University（德克萨斯理工大学）；Stony Brook University（石溪大学）；Rochester Institute of Technology（罗切斯特理工学院）
本文提出基于深度强化学习的云安全策略管理框架，利用遥测数据动态调整防火墙与IAM策略，显著提升检测率并缩短响应时间。
2025-05-13 cs.CR cs.CV cs.DC
AHPA: Adaptive Horizontal Pod Autoscaling Systems on Alibaba Cloud Container Service for Kubernetes
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Alibaba Cloud, Alibaba Group（阿里巴巴集团阿里云）
Kubernetes现有的应用实例资源分配策略无法根据业务需求动态调整，在波动时会造成巨大的资源浪费。此外，新的云服务的出现提出了更高的资源管理要求。本文讨论了阿里云容器服务中的水平POD资源管理，并采用了一个新部署的AI算法框架AHPA --自适应水平POD自动缩放系统。基于一个强大的分解预测算法和性能训练模型，AHPA提供了一个最佳的POD数量调整计划，可以减少POD资源，并保持业务稳定。这套系统自2021年4月部署以来，已拓展到物流、社交网络、AI音视频、电商等多个客户场景，与以往算法相比，AHPA解决了弹性滞后问题，CPU使用率提升10%，资源成本降低20%以上。此外，AHPA可以根据预测的业务量自动进行灵活规划，无需人工干预，大幅节省运维成本。
2023-03-07 cs.DC cs.LG cs.SY
Stimpack: An Adaptive Rendering Optimization System for Scalable Cloud Gaming
Dolby Laboratories（杜比实验室）；Georgia Tech（佐治亚理工学院）
Stimpack通过平衡服务器端渲染成本与用户感知质量，优化云游戏的渲染质量，提升服务质量和用户数量。
2026-04-19 cs.DC cs.ET cs.GR
Adaptive AI Task Partitioning and Safe Offloading in Heterogeneous Edge-Cloud Continuum
Anonymous Institute（匿名机构）；Department of Computer and Systems Sciences（计算机与系统科学系）
本文提出一种动态分区框架，通过实时评估环境变化优化神经网络层分配，降低能耗和端到端延迟。
2026-08-19 cs.AI cs.DC cs.LG
QoS-SLA-Aware Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing in Internet of Vehicles
United Arab Emirates University（阿联酋大学）
车载自组织网络车联网是一项新兴技术，可实现智能城市应用的开发，重点是改善交通安全、交通效率和整体驾驶体验。这些应用程序有严格的要求，详见服务水平协议。由于车辆具有有限的计算和存储能力，因此应用请求被卸载到集成的边缘云计算系统上。现有的卸载解决方案集中于在执行时间方面优化应用的服务质量（QoS），并且遵守单个SLA约束。他们没有考虑重叠多请求处理的影响，也没有考虑车辆速度变化的影响。提出了一种新的人工智能QoS-SLA-aware自适应遗传算法（QoS-SLA-AGA）来优化异构边缘云计算系统中多请求卸载的应用程序执行时间，该算法考虑了处理多请求重叠和动态车辆速度的影响。建议的遗传算法集成了一个自适应的惩罚函数来同化SLA的延迟，处理时间，截止日期，CPU和内存的要求的约束。数值实验和分析比较我们的QoS-SLA-AGA随机卸载，和基线基于遗传的方法。结果表明，QoS-SLA-AGA执行请求的速度平均比随机卸载方法快1.22倍，SLA违规减少59.9%。相比之下，基于基因的基线方法将请求的性能提高了1.14倍，SLA违规增加了19.8%。
2022-03-01 cs.AI cs.DC cs.NA
