Efficient Resource Allocation in Resource provisioning policies over Resource Cloud Communication Paradigm
在云中执行任务的最佳资源利用率是最大的挑战之一。在云上执行任务时,资源供应商负责提供资源以创建虚拟机。为了最佳地利用资源,资源提供者必须负责将资源分配给虚拟机管理器(VMM)的过程。在本文中,一种有效的方式来利用资源,在云中,创建虚拟机已被提出考虑基于性能因素的最佳成本。该性能因素取决于资源的总成本、通信信道成本、可靠性和流行性因素。我们提出了一个框架,资源所有者和云之间的通信使用资源云通信范式(RCCP)。我们扩展了CloudSim[2],在VMM分配策略中加入了资源提供策略和高效资源分配(ERA)算法,作为资源提供的决策支持。
2012-07-11 cs.DC
Reproducible experiments on dynamic resource allocation in cloud data centers
在Wolke等人[1]中,我们通过实验比较了不同资源分配策略的效率。我们关注的是动态环境,其中虚拟机需要随着时间的推移分配和释放到服务器。在这篇配套文章中,我们描述了模拟框架,以及如何运行模拟来复制实验或在框架内运行新的实验。
2017-02-28 cs.DC
Resource-aware Sub-network Allocation for Heterogeneous Decentralized Learning
KTH Royal Institute of Technology(皇家理工学院)
针对同步去中心化学习受系统异质性限制的问题,提出RASA-DL框架,通过二分搜索分配实现资源感知子网络部署,在不同异质性下提升了精度-延迟权衡表现。
2026-10-16 cs.DC
Power Efficient Resource Allocation for Clouds Using Ant Colony Framework
云计算是快速发展的技术之一。它为托管在其上的应用程序提供所需的可扩展资源。随着基于云的服务变得更加动态,资源配置变得更具挑战性。本文考虑了QoS约束的资源分配问题,在给定的SLA性能要求下,客户愿意将其应用程序托管在供应商的云上,如吞吐量和响应时间。由于托管应用程序的数据中心消耗大量能源并导致巨大的运营成本,因此降低能耗和运营成本的解决方案越来越重要。在这项工作中,我们提出了一个能源效率的机制,分配云资源的应用程序,而不违反给定的服务水平协议(SLA)使用蚁群框架。
2011-02-13 cs.DC
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
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
LA-IMR: Latency-Aware, Predictive In-Memory Routing and Proactive Autoscaling for Tail-Latency-Sensitive Cloud Robotics
Umeå University(于默奥大学)
针对混合云边基础设施中突发请求导致的尾延迟问题,提出LA-IMR控制层,通过利用率驱动的延迟模型、事件调度、副本自动缩放和边到云卸载,将P99延迟降低高达20.7%。
2026-07-15 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
RouterWise: Joint Resource Allocation and Routing for Latency-Aware Multi-Model LLM Serving
DisNet Lab, School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算与信息学院);School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算与信息学院);Department of Data Science & AI, Monash University(莫纳什大学数据科学与人工智能系)
针对延迟敏感的多模型LLM服务,RouterWise通过联合资源分配与路由策略优化,提升输出质量并满足延迟目标。
2026-06-22 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
PROFET: Profiling-based CNN Training Latency Prophet for GPU Cloud Instances
训练卷积神经网络(CNN)模型通常需要显著的计算能力,并且云计算资源被广泛用作训练环境。然而,由于云服务的快速发展,CNN算法开发人员很难跟上系统更新并将其应用于其训练环境。因此,对于云计算服务供应商来说,重要的是为各种训练任务设计和交付最佳的训练环境,以减少算法开发人员的系统操作管理开销。为了实现这一目标,我们提出了PROFET,它可以预测在各种图形处理单元(GPU)设备上实现任意CNN的训练延迟,以开发具有成本效益和时间效益的训练云环境。与以往的训练延迟预测工作不同,PROFET不依赖于CNN架构的实现细节,适合在公有云环境下使用。彻底的评估显示优越的预测精度PROFET相比,国家的最先进的相关工作,和示范服务提出了该系统的实用性。
2022-11-21 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
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
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
Characterizing the Cloud's Outbound Network Latency: An Experimental and Modeling Study
本文以 Google App Engine 为案例研究云出站网络延迟,通过实验证实优化应用部署的必要性,并提出分而治之的建模框架以解析云延迟复杂性。
2023-06-01 cs.DC cs.PF
JALAD: Joint Accuracy- and Latency-Aware Deep Structure Decoupling for Edge-Cloud Execution
近年来,基于深度网络的服务和应用快速增长。因此,出现了一个实际和关键的问题:如何有效地部署深度神经网络模型,使它们可以有效地执行。传统的基于云的方法通常在数据中心服务器中运行深度模型,这会导致很大的延迟,因为大量的数据必须从网络边缘传输到数据中心。在本文中,我们提出了JALAD,一个联合精度和延迟感知的执行框架,它集成了一个深度神经网络,使得它的一部分将在边缘设备上运行,另一部分将在传统云中运行,而它们之间只需要传输最少量的数据。虽然这个想法看起来很简单,但我们面临的挑战包括:i)如何找到深层结构的最佳分区; ii)如何在计算能力有限的边缘设备上部署组件; iii)如何最大限度地减少整体执行延迟。我们对这些问题的答案是JALAD中的一组策略,包括1)基于归一化的层内数据压缩策略,通过联合考虑压缩率和模型精度; 2)延迟感知的深度解耦策略,以最大限度地减少整体执行延迟;以及3)边缘云结构自适应策略,针对不同的网络条件动态改变解耦。实验表明,我们的解决方案可以显着减少执行延迟:它加快了整体推理执行,保证模型精度损失。
2018-12-25 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
LaSS: Running Latency Sensitive Serverless Computations at the Edge
无服务器计算已经成为在云中运行短期计算的新范例。由于其处理物联网工作负载的能力,人们对在边缘运行无服务器功能非常感兴趣。然而,边缘的约束性质和工作负载的延迟敏感性质导致无服务器平台面临许多挑战。在本文中,我们介绍了LaSS,一个使用模型驱动方法在边缘资源上运行延迟敏感的无服务器计算的平台。LaSS使用基于原则的方法来确定每个托管功能的适当分配,并根据工作负载动态自动缩放分配的资源。LaSS使用公平共享分配方法来保证在存在过载的情况下向每个功能分配最小的资源。此外,它利用基于容器收缩和终止的资源回收方法,将资源从过度配置的功能重新分配到配置不足的功能。我们在OpenWhisk无服务器边缘集群上实现了我们方法的原型,并进行了详细的实验评估。我们的研究结果表明,LaSS可以准确地预测高度动态工作负载下无服务器功能所需的资源,并在数百毫秒内重新配置容器容量,同时保持公平的份额分配保证。
2021-04-29 cs.DC
HydraServe: Minimizing Cold Start Latency for Serverless LLM Serving in Public Clouds
Peking University(北京大学);Alibaba Group(阿里巴巴集团)
HydraServe通过主动分发模型、重叠冷启动阶段、策略性放置工作节点及流水线整合,在公有云中最小化无服务器LLM服务的冷启动延迟,并提升SLO达成率。
2025-09-25 cs.DC
Optimizing Prediction Serving on Low-Latency Serverless Dataflow
预测服务系统被设计为提供大量的低延迟推理机器学习模型。这些系统混合了数据处理和计算密集型模型推理,并受益于多个异构处理器和分布式计算资源。在本文中,我们认为一个熟悉的Repllow API非常适合这种延迟敏感的任务,并且即使使用未经修改的黑盒ML模型也可以进行优化。我们提出了Cloudflow的设计,该系统提供了此API,并在自动扩展的无服务器后端上实现了它。Cloudflow透明地实现了性能关键型优化,包括运营商融合和竞争执行。我们的评估表明,Cloudflow的优化在合成工作负载上产生了显着的性能改进,并且Cloudflow在现实世界的预测管道上的性能比最先进的预测服务系统高出2倍,满足了实时视频分析等要求苛刻的应用程序的延迟目标。
2020-07-11 cs.DC
PCS: Predictive Component-level Scheduling for Reducing Tail Latency in Cloud Online Services
现代延迟关键型在线服务通常依赖于从大量服务器组件合成结果。因此,这些组件的尾部延迟(例如,响应时间的第99百分位数)而不是平均值决定了整体服务性能。当托管在云环境中时,服务的组件通常与短批处理作业协同定位以提高机器利用率,并与它们共享和竞争资源,例如缓存和I/O带宽。批处理作业在其工作负载类型和输入大小方面的高度动态性质导致对各个组件的不断变化的性能干扰,从而导致其延迟可变性和高尾部延迟。然而,现有技术在管理服务性能时要么忽略这种细粒度的组件延迟可变性,要么依赖于执行冗余请求来减少尾部延迟,这在负载变重时不利地恶化了服务性能。在本文中,我们提出了PCS,预测和组件级调度框架,以减少大规模,并行在线服务的尾部延迟。它使用分析性能模型来同时预测不同节点上的组件延迟和整体服务性能。基于预测的性能,调度器识别离散的组件,并进行接近最优的组件节点分配,以适应不断变化的性能干扰批作业。我们证明,使用现实的工作负载,建议的调度器减少组件的尾部延迟平均67.05%和平均整体服务延迟64.16%相比,减少尾部延迟的最先进的技术。
2015-11-10 cs.DC
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
Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
本文提出融合预测调度、能源感知分配与移动性管理的联邦雾计算框架,OMNeT++ 仿真证明其在资源利用率、延迟、能效和可扩展性上优于非联邦架构。
2025-06-14 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
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
HE2C: A Holistic Approach for Allocating Latency-Sensitive AI Tasks across Edge-Cloud
针对深度学习应用在边缘设备上难以满足延迟、精度等多指标需求的问题,提出HE2C框架,通过可行性检查、资源分配策略和救援模块整体优化多指标,实验表明其能显著提高吞吐量、节省电池并保持精度。
2024-11-29 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
Tycoon: A Distributed Market-based Resource Allocation System
像Grid和PlanetLab这样的P2P集群在原则上为计算提供了与Internet为网络提供的相同的统计复用效率增益。未解决的关键问题是资源分配。现有的解决方案在经济上并不高效,并且需要高延迟来获取资源。我们设计并实现了基于拍卖份额调度算法的基于市场的分布式资源分配系统Tycoon。初步结果表明,Tycoon实现了低延迟和高公平性,同时为策略用户提供了讲真话的激励。
2004-04-05 cs.DC cs.MA
Task Allocation for Energy Optimization in Fog Computing Networks with Latency Constraints
雾网络在距离最终用户不同的距离处提供具有不同容量的计算资源。与云相比,更靠近网络边缘的雾节点(FN)可能具有较弱的计算资源,但FN中计算任务的处理限制了长距离传输。如何在雾和云节点之间分配任务?我们制定了一个通用的非凸混合非线性规划(MINLP)问题,最小化任务传输和处理相关的能量与延迟约束来回答这个问题。它被转换与连续凸逼近(SCA)和分解使用原始和对偶分解技术。提出了两种实用的能量高效资源分配算法(EEFFRA)和低复杂度算法(LC-EEFFRA)。它们允许在各种场景中成功地在FN和云之间分发网络请求,从而显著降低平均能源成本并减少具有未满足延迟要求的计算请求的数量。
2022-05-13 cs.DC cs.NI
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
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
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 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
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
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
Tycoon: an Implementation of a Distributed, Market-based Resource Allocation System
像Grid和PlanetLab这样的分布式集群为计算提供了与Internet为网络提供的相同的统计复用效率增益。一个主要的挑战是以经济高效和低延迟的方式分配资源。一种常见的解决方案是按比例共享,即每个用户按其预定义的权重按比例获得资源。但是,这并不允许用户区分其作业的价值。这导致经济效率低下。相比之下,需要预留的系统强加了高延迟(通常是几分钟到几小时)来获取资源。我们提出了Tycoon,一个基于市场的分布式资源分配系统的基础上按比例共享。Tycoon的主要优点是它允许用户区分其工作的价值,其资源获取延迟仅受通信延迟的限制,并且它不会对用户施加手动竞标开销。我们目前的实验结果使用我们的设计原型实现。
2004-12-09 cs.DC cs.OS
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
Mobility-Aware Joint User Scheduling and Resource Allocation for Low Latency Federated Learning
Shanghai Jiao Tong University(上海交通大学);Nanjing University of Science and Technology(南京理工大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61部门)
针对移动场景下联邦学习因用户移动性导致训练延迟高的问题,提出考虑用户移动性的多基站FL模型及延迟感知贪心搜索算法,联合优化用户调度与资源分配以降低训练延迟,性能优于现有基准,且适度移动性可提升训练效果。
2023-07-18 cs.DC cs.LG
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
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 reliability- and latency-driven task allocation framework for workflow applications in the edge-hub-cloud continuum
University of Cyprus(塞浦路斯大学);KIOS Research and Innovation Center of Excellence, University of Cyprus(塞浦路斯大学 KIOS 卓越研究与创新中心)
本文提出一种精确的多目标任务分配框架,用于优化边缘-集线器-云架构中 workflow 应用的可靠性和延迟。
2026-02-20 cs.DC cs.ET
BtrLog: Low-Latency Logging for Cloud Database Systems
Technische Universität München(慕尼黑工业大学);Technische Universität Darmstadt(达姆施塔特工业大学);TigerBeetle
提出BtrLog,一种可复用的云日志服务,通过SSD日志节点仲裁复制和异步归档到对象存储,实现低延迟持久化日志记录,降低存储成本。
2026-06-29 cs.DB 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