Cost-efficient, QoS and Security aware Placement of Smart Farming IoT Applications in Cloud-Fog Infrastructure
智能农业是农业领域最近的一项创新,它可以通过使用更智能、自动化和数据驱动的农场流程来提高农业产量,这些流程与农场上部署的物联网设备进行交互。云雾基础设施为执行物联网应用提供了有效的平台。雾计算通过使虚拟化服务更接近物联网设备来满足延迟敏感型物联网服务的实时处理需求,而云计算则允许执行具有更高计算要求的应用。物联网应用的部署是一个关键挑战,因为云和雾节点在资源可用性方面各不相同,并且使用不同的成本模型。此外,物联网应用的资源、服务质量(QoS)和安全要求的多样性使问题变得更加复杂。在本文中,我们将物联网应用程序放置建模为一个优化问题,旨在最大限度地降低成本,同时满足QoS和安全约束。该问题是制定使用非线性规划(ILP)。ILP模型进行评估的小规模的情况下。评估结果显示了QoS和安全需求对成本的影响。我们还研究了放松安全约束对布局决策的影响。
2021-07-29 cs.DC
A Time-driven Data Placement Strategy for a Scientific Workflow Combining Edge Computing and Cloud Computing
与传统的分布式计算环境(如网格)相比,云计算提供了一种更具成本效益的方式来部署科学工作流。科学工作流的每个任务都需要多个大型数据集,这些数据集位于来自云计算环境的不同数据中心,导致严重的数据传输延迟。边缘计算降低了数据传输延迟,支持科学工作流私有数据集的固定存储方式,但其存储容量存在瓶颈。如何结合边缘计算和云计算的优势,合理安排科学工作流程的数据布局,优化不同数据中心之间的数据传输时间,是一个挑战。传统的数据布局策略在给定的节点数下保持负载均衡,导致数据传输时间较长。提出了一种基于遗传算法算子的自适应离散粒子群优化算法(GA-DPSO),用于优化科学工作流中的数据传输时间。该方法考虑了边缘计算和云计算相结合的数据放置特征。此外,还考虑了边缘节点带宽、边缘节点数量、边缘节点存储容量等因素对传输时延的影响。采用遗传算法的交叉算子和变异算子,避免了传统粒子群算法的早熟收敛,增强了种群进化的多样性,有效减少了数据传输时间。实验结果表明,基于GA-DPSO的数据放置策略能够有效减少边缘计算和云计算相结合的工作流执行过程中的数据传输时间。
2019-01-24 cs.DC
Virtual Machine Placement Literature Review
云计算数据中心在现实世界的场景中托管数百万个虚拟机(VM)。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,同时考虑到大量可能的优化标准和可以研究的不同公式。VMP文献包括能源效率、服务水平协议(SLA)、云服务市场、服务质量(QoS)和二氧化碳排放等相关主题,所有这些主题都具有很高的经济和生态影响。这项工作提出了一个广泛的最新审查最相关的VMP文献,以确定研究机会。
2015-06-04 cs.DC
EP-NCO: Latency-Aware Service Placement using Neural Combinatorial Optimisers for Edge-Cloud Systems
Queen’s University Belfast(贝尔法斯特女王大学);Karlstad University(卡尔斯特德大学)
提出EP-NCO框架,利用双图模型和图神经网络学习结构嵌入,结合强化学习策略在边缘-云系统中实现延迟感知的服务放置,相比元启发式算法降低46%-50%响应时间。
2026-10-22 cs.DC
Exploring Task Placement for Edge-to-Cloud Applications using Emulation
越来越多的物联网应用将物理设备(如科学仪器、技术设备、机器和摄像头)连接到从边缘到云端的异构基础设施上,以提供响应式智能服务,同时符合隐私和安全要求。然而,异构物联网、边缘和云技术的集成以及跨多个层和类型的基础设施无缝工作的端到端应用程序的设计是具有挑战性的。一个重要的问题是资源管理,以及确保在每一层上分配正确类型和规模的资源以满足应用程序的处理需求。随着边缘层和云计算层的集成越来越紧密,不平衡的资源分配和次优任务可能会迅速降低整体系统性能。本文提出了一种仿真方法的调查跨边缘云连续的任务放置。我们证明,仿真可以解决问题的复杂性和许多自由度,使我们能够调查基本的部署模式和权衡。我们使用基于机器学习的工作负载来评估我们的方法,通过比较仿真和真实世界的实验来证明其有效性。此外,我们还表明,正确的任务放置策略对性能有显着影响--在我们的实验中,根据场景的不同,影响范围在5%到65%之间。
2021-04-07 cs.DC
An Algorithm for Network and Data-aware Placement of Multi-Tier Applications in Cloud Data Centers
今天的云应用程序由复合应用程序主导,复合应用程序包括多个计算和数据组件,它们之间具有很强的通信相关性。虽然云提供商正在部署大量的计算和存储设备来满足对计算和存储资源不断增长的需求,但网络资源需求正在成为性能瓶颈的关键领域之一。针对数据中心中多层应用的虚拟组件(计算和数据)的网络感知放置问题,将其形式化地定义为一个优化问题。虚拟机和数据块的同时放置旨在减少数据中心网络基础设施的网络开销。提出了一种贪婪启发式的按需应用组件的布局,本地化的网络流量在数据中心互连。这种优化有助于减少上层网络交换机中的通信开销,最终将减少数据中心的总体流量。反过来,这将有助于减少数据包传输延迟,提高网络性能,并最大限度地减少网络组件的能耗。实验结果表明,该算法的性能优于其他方法,它优于国家的最先进的网络感知的应用程序放置算法在所有性能指标,通过降低平均网络成本高达67%,网络使用率在核心交换机高达84%,以及增加应用程序部署的平均数量高达18%。
2017-06-19 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
MicroFog: A Framework for Scalable Placement of Microservices-based IoT Applications in Federated Fog Environments
微服务架构(MSA)在开发大规模物联网应用程序以部署在分布式和资源受限的雾计算环境中方面正在迅速普及。作为一种云原生应用架构,微服务的真正力量来自于其松散耦合、可独立部署和可扩展的性质,从而实现跨联合雾和云集群的分布式放置和动态组合。因此,有必要开发新的微服务放置算法,利用这些微服务特性来提高应用程序的性能。然而,现有的雾计算框架由于在多个领域存在不足而缺乏对集成此类放置策略的支持,包括跨多雾多云环境的MSA应用放置和部署,跨多个分布式集群的动态微服务组合,框架的可扩展性,对部署异构微服务应用的支持等。为此,我们设计并实现了MicroFog,一个雾计算框架,提供一个可扩展的、易于配置的控制引擎,该引擎在联合的雾环境中执行布局算法和部署应用程序。此外,MicroFog提供了对容器编排和动态微服务组合的充分抽象。该框架使用多个用例进行评估。结果表明,MicroFog是一个可扩展、可扩展且易于配置的框架,可以集成和评估新的放置策略,以便在多雾多云环境中部署基于微服务的应用程序。我们集成了多个微服务放置策略,以展示MicroFog支持水平缩放放置的能力,从而将应用程序服务的响应时间减少了54%。
2023-02-14 cs.DC
A Survey on Load Balancing Algorithms for VM Placement in Cloud Computing
基于虚拟化技术的云计算的出现为低成本托管虚拟资源而无需拥有任何基础设施带来了巨大的机会。虚拟化技术使用户能够获取、配置和按使用付费。然而,云数据中心主要包括托管多个虚拟机(VM)的异构商品服务器,这些虚拟机具有潜在的各种规范和波动的资源使用,这可能导致服务器内的不平衡的资源利用,这可能导致性能下降和违反服务水平协议(SLA)。为了实现高效的调度,这些挑战应该通过使用负载均衡策略来解决,这已被证明是NP-难问题。从多个角度,这项工作确定了挑战,并分析了现有的算法分配虚拟机到PM的基础设施云,特别是侧重于负载均衡。针对云数据中心中的虚拟机放置负载均衡算法进行了详细的分类研究,并根据分类结果对现有算法进行了分类。本文的目标是提供一个全面的和比较的了解现有的文献和援助研究人员提供了一个洞察力,为未来的潜在增强。
2017-02-08 cs.DC
Optimal Placement Algorithms for Virtual Machines
云计算为用户提供了一个高效、经济的计算平台,以满足用户的需求。在云中使用虚拟化技术来帮助有效使用硬件。虚拟机(VM)用于满足用户需求,并放置在云的物理机(PM)上,以有效使用云中的硬件资源和电力。优化所用PM的数量有助于大幅降低功耗。在本文中,我们提出了一个最佳的技术来映射虚拟机到物理机(节点),使所需的节点数量最小化。我们提供了两种方法,基于线性规划和二次规划技术,显着提高了现有的理论界限,并有效地解决了虚拟机(VM)的放置在数据中心的问题。
2010-11-23 cs.DC
A Multi-Objective Framework for Optimizing GPU-Enabled VM Placement in Cloud Data Centers with Multi-Instance GPU Technology
本文针对云数据中心中MIG技术导致的GPU资源碎片化问题,提出多阶段放置框架GRMU,通过GPU内/间迁移和配额分区策略,在真实集群轨迹上实现接受率提升22%、活跃硬件减少17%。
2025-02-04 cs.DC
EES-CND: Collaborative Neural Decision-Making for Drift-Aware Fault-Tolerant Edge-Cloud Service Placement
Karlstad University(卡尔斯特德大学);Queen’s University Belfast(贝尔法斯特女王大学);Ericsson AB(爱立信)
提出一种基于增强进化策略的协同神经决策方法(EES-CND),通过多个轻量级神经网络联合推断故障时的重部署策略,并在线更新模型以应对性能漂移,显著降低容错成本并提升服务恢复时间、响应时间和可靠性。
2026-06-01 cs.DC
Job Placement Advisor Based on Turnaround Predictions for HPC Hybrid Clouds
一些公司和研究机构正在将其CPU密集型应用程序迁移到混合高性能计算(HPC)云环境中。这种转变取决于软件系统的创建,这些软件系统可以帮助用户考虑执行时间和访问本地集群的队列等待时间来决定应该将作业放置在哪里。盲目依赖周转预测技术将对HPC云环境内部的响应时间产生负面影响。本文介绍了一种工具,使HPC混合云环境中的工作安排决策,考虑到执行和等待时间预测的不准确性。我们使用来自真实超级计算中心的作业跟踪来运行我们的实验,并使用真实的加速比曲线来比较环境之间的性能。我们还扩展了最先进的基于机器学习的预测器,以处理来自集群调度器的数据。我们的主要发现是:(i)取决于工作负载特性,存在一个转折点,在该转折点处,预测应该被忽略,以支持更保守的决策,以最小化作业周转时间;(ii)调度器数据在使用作业跟踪数据改进机器学习生成的预测方面起着关键作用--我们的实验显示预测准确度提高了约20%。
2016-08-26 cs.DC
Combining Declarative and Linear Programming for Application Management in the Cloud-Edge Continuum
University of Pisa(比萨大学)
EdgeWiseCR通过连续推理优化云边连续体中的应用部署,实现更快的执行速度和更稳定的部署性能。
2025-04-16 cs.DC
A Secure and Multi-objective Virtual Machine Placement Framework for Cloud Data Centre
为了向云用户提供具有成本效益和弹性的计算优势,虚拟机(VM)的节能和安全分配在数据中心发挥着重要作用。虚拟机部署(VM Placement,VMP)效率低下,多个用户共享公共物理机,导致资源浪费、功耗过高、通信成本增加和安全漏洞。为了解决上述挑战,提出了一种新的安全和多目标虚拟机放置(SM-VMP)框架,具有高效的VM迁移。建议的框架,确保能源效率的物理资源之间的虚拟机,强调安全和及时执行的用户应用程序,通过减少相互通信延迟的分布。VMP进行应用建议鲸鱼优化遗传算法(WOGA),启发鲸鱼进化优化和非支配排序的遗传算法。静态和动态VMP的性能评估以及与最新技术水平的比较观察到共享服务器、内部通信成本、功耗和执行时间分别显著降低28.81%、25.7%、35.9%和82.21%,并且资源利用率提高30.21%。
2021-07-28 cs.DC
A Distributed Virtual Network Function Placement Approach in Satellite Edge and Cloud Computing
卫星边缘计算已成为为偏远地区的物联网设备提供计算服务的一种很有前途的方式,这些地区不在地面网络的覆盖范围内,但由于卫星资源的限制,它不适合大规模的物联网设备。云计算可以为物联网设备提供足够的可用资源,但由于网络延迟高,无法满足延迟敏感型用户的服务需求。协作边缘和云计算是通过结合边缘和云计算的优势,为众多物联网设备提供灵活的服务。研究了协同卫星边缘和云计算环境下,以最小化卫星网络带宽使用率和服务端到端延迟为目标的虚拟网络功能(VNF)配置问题.我们制定的VNF布局问题作为一个整数非线性规划问题,并提出了一个分布式VNF布局(D-VNFP)算法来解决它,因为VNF布局问题是NP-难的。通过实验验证了该算法的有效性。实验结果表明,该算法在解决卫星边缘和云计算环境下的VNF布局问题时,性能优于已有的Greedy和Viterbi算法.
2021-04-06 cs.DC cs.NI
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
An SLA-based Advisor for Placement of HPC Jobs on Hybrid Clouds
一些科学和工业应用需要高性能计算(HPC)资源来处理和/或模拟复杂的模型。不久前,公司、研究机构和大学还习惯于购买和维护本地计算机集群;但最近,云计算已成为HPC应用程序子集的替代方案。这给最终用户带来了挑战,他们必须决定在哪里运行他们的作业:在本地集群上还是突发到远程云服务提供商。虽然目前对HPC云的研究主要集中在比较内部部署集群与云资源的性能,但我们在现有工作的基础上,引入了一项咨询服务,以帮助用户在考虑混合云的资源成本、性能和可用性的权衡后做出这一决定。我们使用基于全波形反演的地震处理应用程序的真实测试台评估了我们的服务;全波形反演是石油和天然气行业和地震预测中地震学家使用的技术。我们还讨论了如何将Advisor用于其他应用程序,并强调了构建此服务以降低成本和周转时间的主要经验教训。
2015-07-20 cs.DC
Priority-aware Gray-box Placement of Virtual Machines in Cloud Platforms
虚拟机(VM)放置对于云平台非常重要。虽然实时虚拟机迁移等技术对于平衡数据中心的负载非常有用,但它们是昂贵的操作。在这份立场文件中,我们建议通过在虚拟机放置算法中应用虚拟机的工作负载模式来最大限度地减少数据中心中负载热点的机会-将需要大量相同类型资源的虚拟机放置在不同的物理服务器上。通过这种方式,可以显著缓解同一物理服务器上的VM的资源竞争。同时,我们还考虑了应用程序和虚拟机的优先级在我们的虚拟机布局算法。
2013-07-25 cs.DC cs.NI
Towards Efficient VM Placement: A Two-Stage ACO-PSO Approach for Green Cloud Infrastructure
Beirut Arab University(贝鲁特阿拉伯大学);Alexandria University(亚历山大大学)
针对云数据中心能耗高的问题,提出两阶段混合ACO-PSO算法HAPSO,通过初始放置与迁移优化实现节能,仿真显示其性能优于多种对比算法,可显著降低能耗与SLA违规。
2025-10-01 cs.DC
Decentralized Edge-to-Cloud Load-balancing: Service Placement for the Internet of Things
物联网(IoT)需要一种新的处理范式,该范式继承了云的可扩展性,同时使用更接近网络边缘的资源来最大限度地减少网络延迟。在由异构计算资源的分布式网络生态系统组成的边缘到云连续体中建立这种灵活性是具有挑战性的。此外,物联网流量动态和对低延迟服务不断增长的需求促进了对最小化响应时间和平衡服务放置的需求。雾计算的负载均衡成为经济高效的系统管理和运营的基石。本文研究了两个优化目标,并制定了一个分散的负载均衡问题的物联网服务放置:(全球)物联网工作负载平衡和(本地)服务质量(QoS),在最大限度地减少最后期限违规,服务部署和非托管服务的成本。所提出的解决方案EPOS Fog引入了一个用于集体学习的分散式多代理系统,该系统利用边缘到云节点来联合平衡整个网络的输入工作负载,并最大限度地降低服务执行所涉及的成本。代理在本地生成可能的资源请求分配,然后合作选择分配,使得它们的组合最大化边缘利用率,同时最小化服务执行成本。在各种网络上对真实的Google集群工作负载进行了广泛的实验评估,结果表明,与First Fit和完全基于云的方法相比,EPOS Fog在工作负载平衡和QoS方面具有卓越的性能。实验结果表明,EPOS Fog将服务执行延迟降低了25%,网络节点的负载均衡率高达90%。研究结果还展示了如何通过收集集体智慧来更经济有效地利用边缘上的分布式计算资源。
2021-04-23 cs.DC
A Survey on the Use of Preferences for Virtual Machine Placement in Cloud Data Centers
University of Jeddah(吉达大学);Umm Al-Qura University(乌姆·库拉大学);Western Michigan University(西密歇根大学)
随着虚拟化技术的快速发展,云数据中心允许在虚拟化基础设施上经济高效、灵活和可定制的应用程序部署。虚拟机(VM)放置旨在将每个虚拟机分配给云环境中的服务器。虚拟机放置对于云数据中心的设计至关重要。通常,VM放置涉及复杂的关系和多个设计因素以及管理分配决策的本地策略。它还涉及不同的组成部分,包括云管理员和客户,他们在选择放置解决方案时可能有不同的偏好。因此,它往往是有价值的,不仅返回一个优化的解决方案的VM放置问题,而且解决方案,反映了给定的偏好的成分。在本文中,我们提供了一个详细的审查的作用,偏好在最近的文献中VM的位置。我们进一步讨论了关键的挑战,并确定可能的研究机会,以更好地将偏好的上下文中的VM放置。
2020-01-16 cs.AI cs.DC cs.NI
Optimizing Service Placement in Edge-to-Cloud AR/VR Systems using a Multi-Objective Genetic Algorithm
针对边缘到云AR/VR系统中服务放置的延迟与可靠性挑战,提出多目标遗传算法(MOGA),最小化响应时间并最大化系统可靠性,实验表明响应时间平均降低67%,可靠性达97%硬件和95%软件。
2024-03-19 cs.DC
ContinuumBench: Benchmarking Joint Autoscaling and Placement Across Evaluation Regimes in the Cloud-Edge Continuum
Institute of Information Science and Technologies “Alessandro Faedo” (ISTI), National Research Council of Italy (CNR)(意大利国家研究委员会信息科学与技术研究所(ISTi));Department of Computer Science, University of Pisa(比萨大学计算机科学系);Department of AI, Data and Decision Sciences, LUISS University(LUISS大学人工智能、数据与决策科学系)
ContinuumBench基准测试通过完成感知记账和统一协议,在容量受限机制下评估九个控制器,发现弹性容量和自动缩放策略决定完成率,放置质量仅在容量耗尽时起作用。
2026-09-09 cs.DC
A Neurosymbolic Prolog Skill for LLM-Driven Service Placement
Department of Computer Science, University of Pisa(计算机科学系,比萨大学)
提出一种基于Prolog技能的神经符号方法,将服务放置意图转化为符号事实和规则,利用Prolog进行约束验证和推理,实现可检查的策略感知放置。
2026-06-09 cs.DC
Load balancing in cloud data centers with optimized virtual machines placement
本文提出一种基于 learning automata 强化学习的虚拟机优化分配方法,通过提升优化算法性能并加速其收敛至全局最优,有效实现了云数据中心服务器间的负载均衡。
2023-11-07 cs.DC cs.NI
Containers Placement and Migration on Cloud System
目前,许多企业正在使用云计算远程获取整个IT基础设施,同时将其管理委托给第三方。这种架构的提供商确保服务的运行和维护,同时通过Web控制台提供管理功能。这些提供商提供基于裸金属或虚拟化平台(主要是虚拟机)的解决方案。最近,出现了一种新型的虚拟化-基于容器化技术。容器可以部署在裸机服务器或虚拟机中。在动态资源管理(DRM)中,虚拟机(VM)和容器的迁移是降低数据中心能耗、减少其对气候变化的影响从而最大限度降低运营成本的关键因素。本文将研究这两种虚拟化的实时迁移。为此,提出了容器放置和迁移算法,该算法考虑了不同用户的QoS需求,以最小化能量消耗。因此,提出了一种基于数据中心中的主机和虚拟机的RAM使用阈值的动态方法,以避免不必要的功耗。本文将所提出的工作与VM/Container的放置和迁移方法进行了比较,实验结果表明,使用容器迁移代替VM可以降低功耗,同时也减少了影响QoS的迁移时间,减少了SLA违规。
2020-07-16 cs.DC
Scalarization Methods for Many-Objective Virtual Machine Placement of Elastic Infrastructures in Overbooked Cloud Computing Data Centers Under Uncertainty
云计算中心在高度动态的环境中按需提供数千到数百万个虚拟机(VM),需要将所请求的VM快速放置到可用的物理机(PM)中。由于客户需求的随机性,虚拟机布局(VMP)应被表示为一个在线优化问题。这项工作的第一部分分析了解决问题的替代方案,考虑到几个实验工作量,对五种不同的在线确定性memetic算法进行了实验比较。仿真结果表明,首次拟合递减算法(A4)的平均性能优于其他评估的算法。这项工作提出了一个两阶段的计划制定的VMP问题,考虑在IaaS环境中的弹性和超额预订能力的三个目标函数的优化。两阶段模式公式描述了虚拟机的分配可以分为两个子问题,增量分配(iVMP)和布局的重新配置(VMPr)。为了分析替代方案,以解决制定的问题,三个不同的目标函数标量化方法的一部分,iVMP和VMPr的实验比较进行了考虑几个实验工作量。仿真结果表明,欧几里德距离原点优于其他评估的标量化方法的平均。为了描绘IaaS环境的动态特性,开发了一个可定制的工作负载跟踪生成器,以模拟虚拟机请求中具有弹性和超额预订资源的场景中的不确定性。实验结果证明,欧几里得距离比其他标度化方法更能提高功耗目标函数的值。
2018-02-12 cs.DC
Reducing the Upfront Cost of Private Clouds with Clairvoyant Virtual Machine Placement
虽然公共云仍然占据了整个云基础设施的最大部分,但私有云由于其更好的安全性和隐私控制,正吸引着越来越多的行业和学术界的兴趣。根据现有的研究,高昂的前期成本是与私有云相关的最关键挑战之一。为了降低成本和提高性能,虚拟机放置(VMP)方法已被广泛研究,然而,这些方法很少关注私有云。本文提出了一种异构和多维透视动态装箱(CDBP)模型,调度器可以使用虚拟机到达时间和持续时间的附加信息进行更有效的VMP流程,以减少数据中心规模,从而降低私有云的前期成本。此外,提出了一种新的分支定界算法与分治策略(DCBB),以有效地和高效地处理派生的问题。一个国家的最先进的和几个经典的VMP方法也被修改,以适应所提出的模型,以观察他们的性能,并与我们提出的算法进行比较。在真实世界和合成工作负载上进行了大量的实验,以评估算法的准确性和效率。实验结果表明,DCBB提供了接近最优的解决方案,收敛速度比其他基于搜索的算法评估快得多。特别是,DCBB产生的最佳解决方案,为现实世界的工作负载的执行时间是一个数量级短于所需的原始分支定界(BB)算法。
2018-12-22 cs.DC
DRLQ: A Deep Reinforcement Learning-based Task Placement for Quantum Cloud Computing
The University of Melbourne(墨尔本大学);Data61, CSIRO(CSIRO数据六十一)
提出基于深度强化学习(DQN与Rainbow增强)的DRLQ方法,用于量子云任务放置,显著减少总完成时间37.81%-72.93%并避免重调度。
2024-07-03 cs.DC cs.ET
Tetris: An SLA-aware Application Placement Strategy in the Edge-Cloud Continuum
Institute of Computing, Federal University of Bahia(巴伊亚联邦大学计算学院)
提出感知 SLA 的应用放置策略 Tetris,利用启发式算法在边缘与云间分发计算服务,相比基线减少约 76% 的 SLA 违规,有效提升用户 QoS。
2025-10-31 cs.DC cs.NI
An Enhanced Binary Particle-Swarm Optimization (E-BPSO) Algorithm for Service Placement in Hybrid Cloud Platforms
如今,混合云平台对于打算实施私有云和公共云应用程序的组织来说是一个有吸引力的解决方案,以满足其盈利能力要求。然而,这只能通过利用可用资源同时加快执行过程来实现。因此,部署新的应用程序需要将其中一些流程专用于私有云解决方案,而将其他流程分配给公共云。在这种情况下,目前的工作是为了帮助最大限度地减少相关成本,并提供有效的选择,在最短的执行时间内的最佳服务放置解决方案。一些进化算法已被应用于解决服务放置问题,并用于处理复杂的解决方案空间时,提供一个最佳的位置,往往产生一个很短的执行时间。标准的BPSO算法被发现显示一个显着的缺点,即,容易陷入局部最优,除了表现出显着缺乏鲁棒性,在处理服务放置问题。因此,为了克服与标准BPSO相关的关键缺点,提出了一种增强型二进制粒子群优化(E-BPSO)算法,该算法由粒子位置更新方程的修改组成,最初灵感来自连续PSO。我们提出的E-BPSO算法表现出优于国家的最先进的方法在成本和执行时间方面,使用一个真正的基准。
2021-12-16 cs.DC cs.NE
Joint Data Purchasing and Data Placement in a Geo-Distributed Data Market
本文研究了地理分布的云数据市场所面临的两个设计任务:购买哪些数据(数据购买)和在哪里放置/复制数据交付(数据放置)。我们表明,在云数据市场的数据购买和数据放置的联合问题可以被视为一个设施的位置问题,因此是NP难的。然而,我们给出了一个可证明的最佳算法的情况下,由一个单一的数据中心组成的数据市场,然后概括的结构,从单一的数据中心设置,以开发一个接近最佳的,多项式时间算法的地理分布的数据市场。由此产生的设计,基准,分解成两个子问题,一个数据采购和数据放置,使用底层带宽成本的转换的联合采购和放置问题。我们表明,通过案例研究,基准是接近最佳的(在1.6%)在实际环境中。
2016-04-09 cs.DC
COSTREAM: Learned Cost Models for Operator Placement in Edge-Cloud Environments
DHBW Mannheim(曼海姆应用科学大学);TU Darmstadt(达姆施塔特工业大学);DFKI(德国人工智能研究中心)
该研究提出COSTREAM这一新型学习成本模型,用于分布式流处理系统中边缘云环境的算子放置,能准确预测执行成本并泛化到未知场景,优化后算子放置较基线实现约21倍中位数加速。
2024-03-13 cs.DB cs.DC cs.LG
A Cloud-Edge Continuum Experimental Methodology Applied to a 5G Core Study
人们越来越有兴趣将传统的云原生技术(如Kubernetes)扩展到数据中心之外,以在边缘和边缘之间建立一个连续体。然而,传统的资源编排算法在这种情况下并不奏效,而且在没有实际构建的情况下,也很难测试异构云基础设施的应用程序。为了解决这些挑战,我们提出了一种新的方法来帮助部署,测试和分析异构云环境中微服务放置和调度的效果。通过这种方法,我们可以根据微服务在云边缘连续体中的位置来调查部署场景和监控指标的任何组合。边缘设备可能会被模拟,但当我们使用Kubernetes时,任何可以连接到Kubernetes集群的设备都可以使用。为了展示我们的方法,我们将其应用于开源5G核心实现的网络功能布局问题。
2023-01-26 cs.DC
Reducing energy consumption of cloud data centers using proper placement of virtual machines
本文针对云数据中心虚拟机放置问题,提出基于学习自动机的强化学习方法,以最小化能耗和资源浪费,仿真验证了其有效性。
2023-11-07 cs.DC cs.NI
TIDAL: Recovering Temporal Phase for Cloud Block Storage Placement from LLM-Derived Semantics
Huazhong University of Science and Technology(华中科技大学);The Hong Kong Polytechnic University(香港理工大学)
本文提出TIDAL框架,通过从租户提供的元数据中恢复时间相位信息,解决云块存储中卷放置的互补性问题,显著降低过载频率和持续时间。
2026-05-18 cs.DC cs.OS
Large-scale workflow placement in serverless computing using integer nonlinear programming
Technische Universität Dortmund(多特蒙德工业大学);Technische Universität Berlin(柏林工业大学)
针对无服务器计算中大规模工作流部署的成本与时间优化问题,提出基于整数非线性规划的模型及分解策略,实验显示其比简单部署启发式算法平均提升10%。
2026-08-27 cs.DC
Performance Optimization for Edge-Cloud Serverless Platforms via Dynamic Task Placement
我们提出了一个使用动态任务放置的无服务器边缘云平台性能优化框架。我们专注于智能边缘设备的应用,例如智能相机或扬声器,这些设备需要对输入数据执行实时到接近实时的处理任务。我们的框架允许用户为每个应用程序任务指定成本和延迟要求,并且对于每个输入,它确定是在边缘设备上还是在云中执行任务。此外,对于云执行,框架识别满足性能目标所需的容器资源配置。我们使用从AWS Lambda和AWS Greengrass中的无服务器应用程序收集的测量结果在模拟中评估了我们的框架。此外,我们已经实现了在这些相同平台上运行的框架原型。在我们的原型实验中,我们的模型可以预测平均端到端延迟,误差小于6%,与仅边缘执行相比,我们在端到端延迟方面获得了近三个数量级的减少。
2020-05-19 cs.DC cs.NI
The SAP Cloud Infrastructure Dataset: A Reality Check of Scheduling and Placement of VMs in Cloud Computing
TU Dresden(德累斯顿工业大学);SAP SE(思爱普)
本文基于SAP云平台的大规模实测数据集,分析了企业级云环境中虚拟机调度的多种次优问题,提出了算法设计要求并公开数据集以支撑后续研究。
2025-10-27 cs.DC cs.PF
Power Aware Container Placement in Cloud Computing with Affinity and Cubic Power Model
Dept. of CSE, IIT Guwahati(印度阿萨姆邦古瓦哈提印度理工学院计算机科学与工程系)
针对数据中心异构机器上容器放置问题,提出三种策略(PAP、AAP、CPAAP),在最小化电费(基于CPU使用量三次方)的同时最大化亲和性,相比最先进方法,亲和性满足率提升4%,成本降低26%,收益比提升37%。
2024-08-02 cs.DC
Probabilistic QoS-aware Placement of VNF chains at the Edge
本文提出EdgeUsher,一种声明式解决方案,利用概率分布建模云边基础设施动态变化,为VNF链确定满足硬件、物联网、安全、带宽和延迟要求的全部合格部署位置,并评估其鲁棒性。
2021-02-15 cs.DC cs.LO cs.NI
Interference-Aware Cross-Application Placement: A Multi-Objective Optimization Approach for Microservice Clusters
Hasso Plattner Institute(哈索·普拉特纳研究所)
针对微服务集群中跨应用干扰问题,提出基于因果效应的时空数据结构,结合多目标优化器Optuna进行服务部署优化,显著降低干扰并提升响应性能。
2026-06-25 cs.DC
AuctionWhisk: Using an Auction-Inspired Approach for Function Placement in Serverless Fog Platforms
功能即服务(FaaS)范式作为包括云和边缘节点的雾环境的计算模型具有很大的潜力,因为计算请求可以以细粒度的方式跨整个雾连续体进行调度。当请求速率超过资源受限边缘的容量限制时,一些功能需要向云卸载。在本文中,我们提出了一种拍卖启发的方法,其中应用程序开发人员对资源进行投标,而雾节点在本地决定执行哪些功能,哪些功能卸载,以最大限度地提高收入。与目前许多在雾中放置功能的方法不同,我们的方法可以以在线和分散的方式工作。我们还介绍了我们的概念验证原型AuctionWhisk,说明了如何在真正的FaaS平台中实现这种方法。通过大量的模拟运行和系统实验,我们表明,收入超载节点可以最大化,而不会丢弃功能请求。
2021-11-23 cs.DC
Data Replication Meets Function Scheduling in the Edge-Cloud Continuum
Politecnico di Milano(米兰理工大学)
研究边缘-云连续体中函数调度与数据放置的联合优化问题,提出全局视图和聚合视图两种启发式方法,实验表明数据放置比函数调度影响更大。
2026-07-15 cs.DC
Optimizing API Gateway Placement in Multi-Cloud Kubernetes
针对多云Kubernetes集群的API网关部署,本文提出MILP模型与贪心算法,权衡成本、资源与延迟,贪心算法加速比高且成本接近最优,但部分场景无法满足延迟要求。
2026-08-28 cs.DC
REACH: Reinforcement Learning for Adaptive Microservice Rescheduling in the Cloud-Edge Continuum
University of Melbourne(墨尔本大学)
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
Dynamic Service Placement for Mobile Micro-Clouds with Predicted Future Costs
移动微云有望实现性能关键型云应用程序。然而,其中的一个挑战是网络边缘的动态。在本文中,我们研究如何放置服务实例,以应付这些动态,多个用户和服务实例共存的系统中。我们的目标是找到实例的最佳放置(配置),以最小化随时间推移的平均成本,利用预测未来成本参数的能力与已知的准确性。我们首先提出了一个离线算法,解决了在一个特定的前瞻时间窗口的最佳配置。然后,我们提出了一个在线的近似算法与多项式时间复杂度找到实时的位置,每当一个实例到达。我们分析表明,在线算法是$O(1)$ -竞争的成本函数的一个广泛的家庭。然后,考虑预测误差的影响,提出了一种寻找最佳前瞻窗口大小的方法,该方法使平均实际成本的上限最小化。所提出的方法的有效性进行了评估模拟与合成和现实世界(旧金山出租车)的用户移动轨迹。本文所用的理论方法可以潜在地应用于更大类的动态资源分配问题。
2016-09-16 cs.DC cs.NI math.OC
Collaborative Resource Management and Workloads Scheduling in Cloud-Assisted Mobile Edge Computing across Timescales
针对边缘资源受限下的物联网服务托管与任务调度问题,提出跨时间尺度的RMWS框架,结合Gibbs采样、交替最小化和次梯度下降算法联合优化服务放置、资源供应与工作负载调度,实现至少10%的性能提升。
2024-05-31 cs.DC
Towards Auction-Based Function Placement in Serverless Fog Platforms
功能即服务(FaaS)范式作为包括云和边缘节点的雾环境的计算模型具有很大的潜力。当请求速率超过边缘的容量限制时,一些功能需要从边缘卸载到云。在这份立场文件中,我们提出了一种基于拍卖的方法,应用程序开发人员对资源进行投标。这允许雾节点在本地决定哪些功能要卸载,同时最大化收入。对于我们的方法的第一次评估,我们使用模拟。
2020-03-04 cs.DC cs.NI
Online Placement of Multi-Component Applications in Edge Computing Environments
移动边缘计算是一种新的云计算模式,它利用小型边缘云为用户提供实时服务。这些移动边缘云(MEC)位于用户附近,从而使用户能够无缝访问在MEC上运行的应用程序。由于核心(集中式)云、用户和一层或多层MEC的共存,一个重要的问题是决定在哪里(在哪个计算实体上)放置应用程序的不同组件。这个问题,被称为应用程序或工作负载放置问题,是出了名的困难,因此,没有性能保证的启发式算法通常采用在共同的实践中,这可能会不知不觉地遭受性能较差的最佳解决方案相比。在本文中,我们解决的应用程序布局问题,并专注于开发算法与可证明的性能界限。我们将用户应用程序建模为应用程序图,将物理计算系统建模为物理图,并在这些图上标注资源需求/可用性。我们首先考虑放置一个线性应用图,并提出了一个算法,找到其最优解。利用这一结果,然后,我们推广的配方,并获得在线近似算法与多项式对数(poly-log)的竞争比树应用图布局。我们共同考虑节点和链路分配,并在节点上结合多种类型的计算资源。
2017-02-09 cs.DC cs.DS cs.NI
A Risk-taking Broker Model to Optimise User Requests placement on On-demand and Contract VMs
云提供商为最终用户提供各种定价方案,以允许他们根据自己的需求定制VM,例如,即用即付计费方案(称为\textit{on-demand})和折扣合同方案(称为\textit{reserved instances})。本文提出了一种云代理,它为用户提供了按需实例的灵活性和在保留实例中找到的一定程度的折扣。代理采用低买高卖策略,将用户请求放入预先购买的折扣云资源的资源池中。通过分析用户请求的时间序列数据,代理采取一种面向风险的方法来动态调整资源池。这种方法不需要在处理大数据流时有用的训练过程。该经纪人使用来自阿里巴巴的高频真实云数据集进行评估。结果表明,经纪人的整体利润是接近理论上的最佳情况下,用户的请求可以完美地预测。
2021-03-12 cs.DC cs.SY eess.SY
Rethinking Inference Placement for Deep Learning across Edge and Cloud Platforms: A Multi-Objective Optimization Perspective and Future Directions
本文从多目标优化视角综述了跨边缘与云平台的深度学习推理放置方法,权衡推理延迟、数据隐私和资源成本,并指出未来研究方向。
2025-10-27 cs.AI cs.DC cs.PF
SkyStore: Cost-Optimized Object Storage Across Regions and Clouds
SkyStore提出统一对象存储,通过虚拟API和TTL数据放置策略,跨云动态复制与驱逐对象,降低成本高达6倍,并保持与标准云产品相当的延迟、可用性和容错性。
2025-02-28 cs.DC