Distributed and Application-aware Task Scheduling in Edge-clouds
边缘计算是一种新兴技术，它将计算置于网络边缘以提供超低延迟。计算卸载是一种将计算从移动设备迁移到远程服务器的范例，现在可以通过将计算卸载到边缘云中的云来使用边缘计算的力量。然而，边缘云计算卸载的任务调度面临着双重挑战。首先，由于微云在地理上是分布式的，因此在没有集中控制的情况下，每个微云很难执行负载均衡。第二，由于计算卸载的任务具有多种类型，因此在任务类型方面保证用户体验质量（QoE）是具有挑战性的。在本文中，我们提出了Petrel，一个分布式和应用程序感知的边缘云任务调度框架。Petrel实现了基于样本的负载均衡技术，并根据任务类型采用自适应调度策略。这种应用感知调度不仅提供了QoE保证，而且提高了整体调度性能。跟踪驱动的模拟表明，Petrel实现了显着的改善，现有的调度策略。
2019-02-12 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
Efficient Optimal Algorithm of Task Scheduling in Cloud Computing Environment
云计算是分布式计算中的一种新兴技术，它是一种按用户需求付费的计算模式，云计算由一组虚拟机组成，包括计算和存储设备。云计算的主要目的是提供对远程和地理上分布的资源的有效访问。云计算在不断发展的同时也面临着许多挑战，调度就是其中之一。调度是指一组策略，用于控制计算机系统执行的工作顺序。一个好的调度器会根据不断变化的环境和任务类型来调整其调度策略。在这篇研究论文中，我们提出了一个广义优先级算法的有效执行任务和比较FCFS和轮循调度。在Cloud Sim工具包中对算法进行了测试，结果表明该算法比传统的调度算法具有更好的性能。
2014-04-08 cs.DC
A Non-Cooperative Game Model for Reliability-Based Task Scheduling 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系统。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使每个任务的执行代价降到最低，或使系统整体性能达到最优。与以往基于时间或成本的任务调度不同，针对云计算对可靠性的特殊要求，提出了一种基于非合作博弈模型的可靠性任务调度方法。该模型以计算节点提供的稳态可用性为目标，以计算节点的任务切片策略为博弈策略，求得纳什均衡解。并在此基础上设计了一个任务调度算法。实验结果表明，本文提出的任务调度算法优于所谓的均衡调度算法。
2014-04-18 cs.DC
A GA based approach for task scheduling in multi-cloud environment
在多云环境下，任务调度由于其NP完全的性质而引起了人们的广泛关注。此外，由于具有不同容量和功能的云资源的异构性，这是非常具有挑战性的。因此，最小化任务调度的最大完工时间是一个具有挑战性的问题。本文提出了一种基于遗传算法的任务调度方法。该算法采用适应度函数推导和变异的创新思想进行描述。该算法暴露于严格的测试，使用各种基准数据集，其性能进行评估的总完工时间。
2015-11-27 cs.DC
Survey on Improved Scheduling in Hadoop MapReduce in Cloud Environments
云计算作为一种新的计算范式转变正在兴起。Hadoop MapReduce已经成为一种强大的计算模型，用于在云等分布式商品硬件集群上处理大型数据。在所有Hadoop实现中，默认的FIFO调度器都是可用的，其中作业以FIFO顺序调度，并支持其他基于优先级的调度器。在本文中，我们研究了Hadoop可能的各种调度器改进，并提供了一些关于如何在云环境中改进Hadoop调度的指导方针。
2012-07-03 cs.DC
Task Scheduling in Cloud Computing Using Hybrid Meta-heuristic: A Review
近年来，随着高带宽互联网接入的出现，云计算应用蓬勃发展。随着越来越多的应用程序在云上运行以及不同云平台的总体用户群的增加，对高效作业调度技术的需求也有所增加。传统的作业调度算法的任务是确定作业的执行顺序，其使用最少的资源，如时间、处理、存储器等。通常，用户需要更多的服务和非常高的效率。有效的调度技术有助于资源的合理利用。在这个研究领域中，混合元启发式算法已经被证明是非常有效的优化任务调度提供更好的成本效率比单独使用。这项研究提出了一个系统的和广泛的分析任务调度技术在云计算使用各种混合变种的Meta探试法，如遗传算法，禁忌搜索，和谐搜索，人工蜂群，粒子群优化等在这项研究综述中，一个单独的部分讨论了使用各种性能评估指标在整个文献。
2022-01-23 cs.DC
Deep Reinforcement Learning-based Methods for Resource Scheduling in Cloud Computing: A Review and Future Directions
本文综述了基于深度强化学习的云计算资源调度方法，回顾其应用并探讨挑战与未来方向，以提升服务质量、降低成本与能耗。
2024-11-21 cs.DC
Resource Management and Scheduling for Big Data Applications in Cloud Computing Environments
本章介绍大数据处理平台的软件架构。它将提供在云环境中部署大数据处理系统时所涉及的资源管理技术的深入知识。它从最基本的开始，逐步介绍我们分为多个层次的资源管理的核心组件。它涵盖了国家的最先进的实践和研究，在SLA为基础的资源管理，特别侧重于作业调度机制。
2018-12-31 cs.DC
A Stochastic Approximation Approach for Foresighted Task Scheduling in Cloud Computing
随着对云资源需求的不断增长和弹性化，寻找一种最优的任务调度机制成为云服务提供商面临的挑战。由于资源需求在长度和处理上随时间的时变性质以及云资源的动态性和异构性，旨在最大化任务调度性能的现有近视任务调度解决方案是低效的，并且牺牲了在资源利用率和响应时间方面的长期系统性能。在本文中，我们提出了一个最佳的解决方案，在云环境中执行前瞻性的任务调度。针对虚拟机队列长度动态变化的先验知识在运行时间未知的问题，提出了一种在线强化学习方法来进行有预见的任务分配.评估结果表明，我们的方法不仅减少了提交任务的响应时间和完工时间，而且提高了资源效率。因此本文提出了一种基于强化学习的调度方法。强化学习适应环境条件，响应不稳定的要求，可以使系统的性能得到长期的提高。结果表明，该方法不仅可以减少响应时间和最大完工时间，而且可以提高资源利用率作为次要目标。
2020-04-11 cs.DC
A Survey on Scheduling Techniques in the Edge Cloud: Issues, Challenges and Future Directions
本文综述边缘云中的调度技术，分类启发式与元启发式算法，评估其优劣、QoS与容错性，并指出问题、挑战及未来方向。
2025-10-18 cs.DC
Minimizing Total Busy Time with Application to Energy-efficient Scheduling of Virtual Machines in IaaS clouds
云结构即服务（IaaS）云已经变得越来越流行，使用户能够在虚拟机下运行应用程序。IaaS云的能源效率仍然是一个挑战。针对IaaS云环境下虚拟机在物理机上的高效节能调度问题，提出了一种基于多资源、固定时间间隔和虚拟机不可抢占的调度策略.排序问题是NP难的。大多数现有的工作对虚拟机的位置，减少总的能源消耗，使用最小数量的活动的物理机器。然而，存在使用最小数量的物理机导致物理机的总繁忙时间更长的情况。对于调度问题，最小化所有物理机的总能耗等价于最小化所有物理机的总忙时间。在本文中，我们提出了一个调度算法，表示为EMinTRE-LFT，最小化的总能源消耗的物理机器的调度问题。我们广泛的模拟使用并行工作负载模型在并行并行网络存档表明，该算法具有最少的总能耗相比，国家的最先进的算法。
2016-09-19 cs.DC
Tasks Scheduling Technique Using League Championship Algorithm for Makespan Minimization in IaaS Cloud
基础设施即服务（IaaS）云任务调度中的最小化最大跨度问题是一个NP难问题。在过去，已经使用了许多技术来优化IaaS云中计划任务的完工时间，这与向客户收取的执行成本成比例。本文提出了一种基于联盟锦标赛算法（LCA）的IaaS云最小化完工时间调度技术。LCA是一种基于运动启发的种群算法框架，用于在连续搜索空间上进行全局优化。另外三个现有的算法，即先来先服务（FCFS），最后的工作优先（LJF）和最好的努力第一（BEF）被用来评估所提出的算法的性能。所有考虑中的算法都假定为非抢占式。实验结果表明，LCA调度技术在最小化IaaS云中调度任务的最大完工时间方面优于其他算法。
2015-10-12 cs.DC
Binary PSOGSA for Load Balancing Task Scheduling in Cloud Environment
在云环境中，负载均衡任务调度是一个重要的问题，直接影响资源利用率。毫无疑问，负载均衡调度是云研究领域必须考虑的一个重要方面，因为它对后端和前端都有重大影响。只要在云中实现了有效的负载平衡，就可以实现良好的资源利用率。有效的负载均衡意味着以均衡的方式将提交的工作负载分布在云虚拟机上，从而实现高资源利用率和高用户满意度。在本文中，我们提出了一个负载均衡算法，二进制负载均衡-混合粒子群优化和引力搜索算法（Bin-LB-PSOGSA），这是一个生物启发的负载均衡调度算法，有效地使调度过程，以提高负载均衡水平的虚拟机。该算法发现最佳的任务到虚拟机的映射，提交的工作负载的长度和VM的处理速度的影响。实验结果表明，提出的Bin-LB-PSOGSA算法在负载均衡水平上优于纯Bin-LB-PSO算法和其他基准算法。
2018-06-01 cs.DC
Lightweight Robust Framework for Workload Scheduling in Clouds
在不牺牲太多资源的情况下，云服务的可靠性、安全性和稳定性已经成为云中工作负载管理领域的期望特征。本文提出并评估了一个轻量级的框架调度工作量的一部分可能是不可靠的。这种不可靠性可能是由各种类型的故障或攻击造成的。我们的健壮工作负载调度框架有效地结合了经典的容错和安全工具，如数据包/作业扫描，与工作负载调度，它不使用任何沉重的资源消耗工具，例如，密码学或非线性优化。更具体地说，该框架使用了一种新的目标函数来分配工作到服务器，并不断决定哪些工作扫描的基础上与目标函数的公式。我们展示了如何建立目标函数和相应的扫描程序，使系统可证明稳定，只要它满足一个特定的稳定性条件。因此，我们表明，我们的框架保证云的稳定性，即使天真的扫描所有和扫描无策略是不稳定的。我们扩展的框架，分散调度和评估它在几个流行的路由程序。
2017-05-07 cs.DC
Take a break: cloud scheduling optimized for real-time electricity pricing
云计算以其弹性的、按需的计算资源方法彻底改变了行业，但也对环境产生了巨大影响。数据中心占全球总用电量的1.1-1.5%。通过分析实时的【形】电价，我们对电网有了更深入的了解，为电网感知云奠定了基础。我们提出了一个调度算法，预测电价峰值和节流能源消耗暂停虚拟机。我们通过实证方法对OpenStack云管理器的方法进行了评估，并显示了能耗和成本的降低。最后，我们定义了绿色实例，在这些实例中，云提供商可以以更好的价格选项向客户提供此类服务。
2013-07-26 cs.DC
Collaborative Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud Network
针对Kubernetes边缘-云网络缺乏专用调度框架的问题，提出基于协作学习的KaiS框架，通过多智能体actor-critic、图神经网络嵌入和双时间尺度调度，提升长期吞吐率并降低调度成本。
2023-05-10 cs.DC
Efficient Probabilistic Workflow Scheduling for IaaS Clouds
针对 IaaS 云中性能不确定导致确定性调度失效、现有概率方法计算昂贵的问题，提出 EPOSS 算法，兼顾低延迟与概率约束，执行时间降低一到两个数量级并具备良好扩展性。
2024-12-08 cs.DC
A Cost-Driven Fuzzy Scheduling Strategy for Intelligent Workflow Decision Making Systems in Uncertain Edge-Cloud Environments
工作流决策是执行许多实际工作流应用的关键。边缘云环境下的调度可以解决工作流应用程序的高复杂性问题，同时减少云和终端设备之间的数据传输延迟。然而，由于边缘云环境中的异构资源和工作流中任务之间复杂的数据依赖关系，工作流调度仍然存在重大挑战，包括从可能的众多组合中选择最佳的任务-服务器解决方案。现有的研究主要是在没有波动的严格条件下进行的，忽略了工作流调度通常存在于不确定环境中的事实。在这项研究中，我们专注于减少主要由任务计算和数据传输引起的工作流应用程序的执行成本，同时满足不确定的边缘云环境中的工作流截止日期。采用三角模糊数来表示任务处理时间和数据传输时间。提出了一种基于自适应离散粒子群优化（ADPSO）算法的成本驱动模糊调度策略，该算法采用了遗传算法（GA）的算子。该策略引入了遗传算法的随机两点交叉算子、邻域变异算子和自适应多点变异算子，有效地避免了陷入局部最优。实验结果表明，与其他基准解决方案相比，该策略能有效降低不确定边缘云环境下的工作流执行代价.
2022-10-28 cs.DC
Hybrid Ant Colony Algorithm Clonal Selection in the Application of the Cloud's Resource Scheduling
本文在充分考虑蚁群优化算法特点的基础上，考虑到云计算的特点，结合克隆选择算法（CSA）全局最优的收敛优势，将克隆选择算法（CSA）引入到每一次ACO迭代中，加快了收敛速度，并引入反向变异策略，避免了蚁群优化算法陷入局部最优。深入研究了云环境下蚁群克隆选择算法的资源调度策略，克隆选择算法在求解优化问题时收敛到全局最优解的充分条件，基于克隆选择算法的各种应用如BCA和CLONALG算法，利用这些充分条件满足并通过扩展CloudSim仿真平台实现了云仿真。实验结果表明，该任务可以缩短融合算法在云环境下的运行时间，提高资源利用率。证明该方法的有效性。
2014-11-10 cs.DC
Task Scheduling on the Cloud with Hard Constraints
在云上调度任务袋（BoT）应用程序可能比网格和集群环境更具挑战性。这是因为用户可能有预算约束或执行BoT应用的最后期限，以便保持整体执行成本较低。本文的研究动机是调查云上的任务调度，给出了两个硬约束的基础上，用户定义的预算和截止日期。提出并实现了一种启发式算法，以满足硬约束执行BoT应用程序的成本效益的方式。所提出的算法进行评估，使用四种情况下，是基于性能和使用不同的云资源类型的成本之间的权衡。实验验证了算法在满足约束条件方面的可行性。关键的观察是，多种资源类型可以是使用单一类型资源的更好替代方案。
2015-07-20 cs.DC
Patience-aware Scheduling for Cloud Services: Freeing Users from the Chains of Boredom
云计算中的服务请求的调度传统上集中于减少服务前等待，通常称为等待时间。然而，在某些条件下，例如峰值负载，并不总是能够向所有用户提供合理的响应时间。这项工作探讨了这样一个事实，即不同的用户可能有自己的容忍度或耐心的响应延迟。我们引入调度策略，产生更好的分配计划的优先级从用户谁希望收到的结果更早，并推迟那些谁是更宽容的响应延迟的服务工作的请求。我们的分析结果表明，用户的耐心的行为起着关键作用，在评估调度技术，我们的计算评估表明，在峰值负载下，新的算法通常提供更好的用户体验比传统的FIFO策略。
2013-08-19 cs.DC
H2O-Cloud: A Resource and Quality of Service-Aware Task Scheduling Framework for Warehouse-Scale Data Centers -- A Hierarchical Hybrid DRL (Deep Reinforcement Learning) based Approach
近年来，云计算吸引了最终用户和云服务提供商（CSP）。提高资源利用率（RUTR），如服务器上的CPU和内存使用率，同时保持服务质量（QoS）是拥有仓库规模数据中心的CSP面临的一个关键挑战。现有的工作提出了各种算法，以减少能源成本或改善RUtR，要么缺乏细粒度的任务调度能力，或未能考虑到一个全面的系统模型。本文提出了H2O-Cloud，一个分层和混合的在线任务调度框架，仓库规模的CSP，以提高资源的使用效率，同时保持QoS。H2O-Cloud具有高度可扩展性，并考虑各种工作负载场景，云平台配置，用户请求信息和动态定价模型等综合信息。该框架的层次结构和混合性，结合其深度强化学习（DRL）引擎，使H2O-Cloud能够在不可预测的环境中高效地启动动态调度和学习，而无需预先训练。我们的实验证实了所提出的H2O云的高效率相比，基线方法，在能源和成本方面，同时保持QoS。与最先进的基于DRL的算法相比，H2O-Cloud实现了高达201.17%的能源成本效率提升，47.88%的能源效率提升和551.76%的回报率提升。
2020-02-12 cs.DC
Market-Oriented Online Bi-Objective Service Scheduling for Pleasingly Parallel Jobs with Variable Resources in Cloud Environments
本文从提供作业执行服务的SaaS（Software-as-as-Service）供应商的角度，研究了云环境下具有可变资源的并行作业的面向市场的在线双目标服务调度问题.在云中调度SaaS服务的主要过程是：SaaS提供商从IaaS提供商购买云实例，以调度最终用户的作业并向用户收取相应的费用。这个问题有几个特殊的功能，如面向作业的最终用户，令人愉快的并行作业与软期限约束，在线设置，和可变数量的资源。为了最大限度地提高收入和用户满意度，我们设计了一个在线算法，SaaS提供商以最佳方式购买IaaS实例和调度令人愉快的并行作业。该算法可以在多项式运行时间内实现竞争目标。理论分析和基于真实世界的谷歌工作跟踪以及合成数据集的仿真验证了我们的算法的有效性和效率。
2021-02-17 cs.DC
OneDataShare: A Vision for Cloud-hosted Data Transfer Scheduling and Optimization as a Service
跨广域网的快速、可靠和高效的数据传输是数据密集型云应用的主要瓶颈。本文介绍了OneDataShare，它旨在消除不同文件大小和跨不兼容传输端点的有效云数据传输所面临的问题。OneDataShare的愿景是实现高速数据通信、多种传输协议之间的互操作性以及提前计划的交付时间的准确估计，从而通过改进和更快的商业智能数据分析来最大化用户利润。本文详细阐述了OneDataShare作为云托管数据传输调度和优化服务的理想功能，以及它如何与利用云和分布式计算的力量的愿景保持一致。实验评估和现有的现实生活中的文件传输服务的比较表明，通过OneDataShare实现的传输吞吐量是6.5倍。
2017-12-08 cs.DC
Energy-efficient workflow scheduling based on workflow structures under deadline and budget constraints in the cloud
利用云环境部署科学工作流应用程序是科学界的一个新兴趋势。在这个领域中，主要问题是工作流的调度，这被称为NP完全问题。除了遵守用户定义的截止日期和预算外，能源消耗是云提供商在实施调度策略时的主要关注点。所使用的虚拟机（VM）的类型和数量是处理这些问题的决定性因素，并且它们的确定受到工作流结构的高度影响。在本文中，我们提出了两个工作流调度算法，利用工作流的结构特性。第一种算法被称为基于结构的多目标工作流调度与最优实例类型（SMWSO）。它引入了一种新的方法来确定最佳实例类型以及要配置的VM的最佳数量。我们还考虑在基于结构的多目标工作流调度与异构实例类型（SMWSH）中使用异构虚拟机，以突出该算法在异构环境中的优势。仿真结果表明，我们的建议产生更好的能源效率在80%的工作流/工作负载的情况下，并节省超过50%的整体能源相比，最近的国家的最先进的算法。
2022-01-14 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
Data Scheduling Algorithm for Scalable and Efficient IoT Sensing in Cloud Computing
针对IoT-云中动态工作负载与网络变化导致的调度难题，本文提出深度RL与ACO结合的混合数据调度算法，实验证明其在响应时间、资源利用率、能耗及SLA合规性方面均有显著提升。
2025-09-29 cs.DC
Seer: Proactive Revenue-Aware Scheduling for Live Streaming Services in Crowdsourced Cloud-Edge Platforms
针对众包云边平台直播调度中资源利用与收益关系复杂、规模大导致调度耗时的问题，提出Seer系统，通过精确收益建模和“预调度-执行-再调度”范式实现高效收益优化调度，实验表明其收益提升147%且调度速度加快3.4倍。
2024-02-22 cs.DC
Energy-Efficient Scheduling of HPC Applications in Cloud Computing Environments
高性能计算（HPC）在商业和消费者IT应用中的使用正变得越来越普遍。他们需要能够快速、可扩展地访问高端计算功能。云计算承诺使用数据中心提供这样的计算基础设施，以便HPC用户可以根据需要从世界任何地方的云访问应用程序和数据，并根据他们使用的内容付费。然而，不断增长的需求急剧增加了数据中心的能源消耗，这已成为一个关键问题。高能耗不仅意味着高能源成本，这将降低云提供商的利润率，而且还意味着高碳排放，这对环境来说是不可持续的。因此，需要节能的解决方案，不仅从云提供商的角度，而且从环境的角度来解决能源消耗的高增长。为了解决这个问题，我们提出了接近最佳的调度策略，利用跨多个数据中心的云提供商的异构性。我们考虑了许多能源效率因素，如能源成本、碳排放率、工作负载和CPU能效，这些因素在不同的数据中心中会根据位置、架构设计和管理系统而变化。与基于利润的调度政策相比，我们基于碳/能源的调度政策能够实现平均高达30%的能源节约，从而实现更高的利润和更少的碳排放。
2009-09-07 cs.DC
URSA: Precise Capacity Planning and Contention-aware Scheduling for Public Clouds
数据库平台即服务（dbPaaS）发展迅速，大量数据库被迁移到云上运行，以获得低成本和灵活性。新兴云依赖租户为其数据库工作负载提供资源规范。然而，他们往往高估了数据库的资源需求，导致不必要的高成本和低云利用率。一种自动建议满足每个数据库工作负载的性能需求的“刚好够用”的资源规范的方法是有益的。为此，我们提出了URSA，dbPaaS云的容量规划和工作负载调度系统。USRA由在线容量规划器、性能干扰估计器和竞争感知调度引擎组成。容量规划器为数据库工作负载确定最具成本效益的资源规格，以实现所需的联机性能。干扰估计器量化共享资源上的压力和对每个数据库工作负荷的共享资源争用的敏感度。调度引擎会仔细地跨云节点调度工作负载，以消除协同工作负载之间的不公平性能干扰。我们的真实系统的实验结果表明，URSA减少了27.5%的CPU使用和53.4%的内存使用的数据库工作负载，同时满足他们的性能要求。与此同时，与Kubernetes相比，URSA将协同工作负载之间的性能不公平性降低了42.8%。
2019-12-27 cs.DC
A Decentralized Microservice Scheduling Approach Using Service Mesh in Cloud-Edge Systems
针对云边微服务集中式调度的延迟与容错瓶颈，提出利用服务网格sidecar代理作为去中心化原位调度器，通过嵌入轻量级自主调度逻辑实现本地决策，为大规模云原生环境提供低延迟、高可扩展的系统级架构方向及初步证据。
2025-10-13 cs.DC
KubeDSM: A Kubernetes-based Dynamic Scheduling and Migration Framework for Cloud-Assisted Edge Clusters
本文提出KubeDSM框架，通过批量调度与实时迁移机制减少云辅助边缘集群中的资源碎片化，提升边缘pod分配比率和服务质量保障能力。
2025-09-18 cs.DC
An Efficient Fault Tolerant Workflow Scheduling Approach using Replication Heuristics and Checkpointing in the Cloud
科学工作流主要用于复杂和大规模的数据分析和科学计算/自动化，并且对鲁棒的工作流调度技术的需求大幅增长。但是，现有的工作流调度算法大多没有提供所需的可靠性和鲁棒性。本文提出了一种新的容错工作流调度算法，该算法以无监督的方式学习复制策略。此外，使用轻量级同步检查点可以有效地重新提交失败的任务，并确保即使在不稳定的环境中也能完成工作流。与复制所有算法相比，所提出的技术改进了资源浪费和资源使用等指标，同时与香草异构最早完成时间（HEFT）相比，Makespan保持了可接受的增加。
2019-10-31 cs.DC
Fair non-monetary scheduling in federated clouds
在混合云中，各个云服务提供商（CSP）通常有动机使用彼此的资源来卸载峰值负载或将负载放置在更靠近最终用户的地方。然而，社区服务提供商必须跟踪捐款和收益，以遏制长期搭便车的行为。我们展示了CloudShare，一个分布式版本的负载均衡算法DirectCloud的基础上Shapley值-一个强大的公平概念，从博弈论。CloudShare通过基于ZooKeeper的协调层协调CSP;每个CSP运行一个与本地资源（如Kubernetes管理的集群）交互的代理。我们定量评估我们的实现模拟。结果证实，CloudShare生成的平均时间表比流行的FairShare算法更公平。我们相信，我们的研究结果显示了一种可行的替代货币方法，例如，现货市场。
2018-03-16 cs.DC
A Fuzzy Logic Controller for Tasks Scheduling Using Unreliable Cloud Resources
云基础设施使用按需付费模型为最终用户提供了广泛的异构计算资源。这些虚拟化资源可以使用不同的定价模型来提供，如不可靠模型，其中资源以成本的一小部分提供，但不能保证不间断的处理。然而，随着资源管理和调度决策越来越复杂，巨大的机会范围也随之而来。此外，所提出的不确定性，在最佳选择资源也有负面影响的质量提供的解决方案的调度算法。在本文中，我们提出了一种动态调度算法（即，不确定性驱动的调度- UDS算法），用于管理云中的科学工作流。我们的模型通过动态选择可靠或不可靠的虚拟化资源，最大限度地减少了完工时间和货币成本。为了覆盖决策中的不确定性，我们采用了模糊逻辑控制器（FLC）来推导出将托管每个任务的资源的定价模型。我们评估所提出的算法的性能，使用真实的工作流应用程序进行测试的假设下，不同的概率撤销不可靠的资源。数值结果描述了所提出的方法的性能和比较评估揭示了该文件在相关文献中的位置。
2020-09-22 cs.DC
An optimised cuckoo-based discrete symbiotic organisms search strategy for tasks scheduling in cloud computing environment
本文提出结合Levy-Flight的C-DSOS策略用于云计算任务调度，以最小化不平衡度，实验证明其在大搜索空间下收敛率和统计显著性优于SASOS算法。
2023-11-26 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
Leveraging Computational Reuse for Cost- and QoS-Efficient Task Scheduling in Clouds
由于云用户的预算限制，基于云的计算系统可能会被超额订阅，这会导致违反体验质量（QoE）指标，例如任务的最后期限。我们研究了一种方法，以实现鲁棒性对不确定的任务到达和超额认购，通过智能重用的计算，而类似的任务正在等待执行。我们这项研究的动机是一个基于云的视频流引擎，它以按需方式处理视频流任务。我们提出了一种机制，以确定各种类型的“可合并”的任务，并确定何时是适当的聚合任务，而不影响其他任务的QoS。实验结果表明，该机制可以提高系统的鲁棒性，并节省了14%以上的云服务使用时间。
2018-09-18 cs.DC
Scheduling Policies for Stability and Optimal Server Running Cost in Cloud Computing Platforms
我们提出了吞吐量和成本最优的作业调度算法在云计算平台提供基础设施即服务。我们首先考虑在线迁移，并提出作业调度算法，以尽量减少作业迁移和服务器运行成本。我们认为算法，假设知识的工作量到达的工作。我们刻画了系统稳定性的最优成本。我们开发了一个基于漂移加惩罚框架的算法，可以任意接近地实现最优成本。具体来说，该算法产生延迟和成本之间的权衡。然后，我们放松了工作规模的知识假设，并给出了一个算法，使用现成的服务的工作。我们表明，该算法给出了订单明智的相同成本的工作大小为基础的算法。稍后，我们考虑引起迁移延迟的离线作业迁移。我们再次提出吞吐量优化算法，最大限度地减少服务器运行成本。我们说明了所提出的算法的性能，并通过仿真比较这些现有的算法。
2022-06-05 cs.DC
Resource Provisioning and Scheduling Algorithm for Meeting Cost and Deadline-Constraints of Scientific Workflows in IaaS Clouds
云计算的基础设施即服务模型是执行成本和期限约束的工作流应用的理想平台，因为云计算的弹性允许大规模复杂的科学工作流应用根据其期限要求动态地扩展。然而，在分布式计算环境中，这些多任务工作流作业的调度是一个计算困难的多目标组合优化问题。关键的挑战是调度工作流任务，同时满足用户的服务质量服务质量（QoS）的要求和应用程序的最后期限。现有的研究工作不仅未能解决这一挑战，而且没有纳入云环境中计算资源的弹性和异构性的基本原则。在本文中，我们提出了一个资源供应和调度算法调度IaaS云上的工作流应用程序，以满足应用程序的最后期限约束，同时优化执行成本。该算法是基于自然启发的人口智能水滴（IWD）优化算法。在CloudSim仿真环境下对4个实际工作流应用的实验结果表明，IWD算法能够在指定的截止期限内以最优的代价调度工作流任务。此外，IWD算法收敛速度快，接近最优解。
2018-06-06 cs.DC
Reinforcement Learning based Workflow Scheduling in Cloud and Edge Computing Environments: A Taxonomy, Review and Future Directions
本文综述云与边缘环境中基于DRL的工作流调度，提出分类体系并评估现有研究优劣，指出多目标、维度灾难等挑战及未来方向。
2024-08-06 cs.DC
Scheduling in Cloud,Fog, and Edge Computing: A Comparative Analysis and Decision Framework for Technique Selection
Department of Computing and Software, McMaster University（麦克马斯特大学计算与软件系）
本综述对比分析云、雾、边缘计算中不同调度技术的权衡，开发了基于多维度因素的调度技术选择决策框架，为相关场景的调度方法选型提供指导。
2026-10-12 cs.DC
An Efficient Max-Min Resource Allocator and Task Scheduling Algorithm in Cloud Computing Environment
云计算是一种新的原型，它通过数据中心的支持向云用户提供动态计算服务，数据中心采用数据中心代理的服务，数据中心代理发现资源并虚拟地分配资源。本研究的重点是有效地优化资源分配在云中利用最大-最小调度算法，并加强它，以提高效率的完成时间（makespan）。这是提高云调度性能和缩小云服务提供商与云资源消费者/用户之间性能差距的关键。当前的Max-Min算法在能够给出最小完成时间的更快的可用机器或资源上选择具有最大执行时间的任务。该算法考虑的是先给执行时间最长的任务以优先级，然后再给执行时间最短的任务以最小化完工时间。该算法的缺点是，先执行最大执行时间的任务会增加最大完工时间，如果最大执行时间的任务数超过最小执行时间的任务数，则会导致最小执行时间的任务执行延迟，因此需要对其进行改进，以减少最小执行时间的任务执行延迟。利用CloudSim仿真软件对改进的Max-Min算法和传统的Max-Min算法进行了仿真比较。实验结果表明，改进算法是有效的，可以产生更好的最大完工时间比Max-Min和DataAware。
2016-11-27 cs.DC
EcoKube: Simulating Carbon-Aware Scheduling Policies in Heterogeneous Edge-Cloud Environments
University of Amsterdam（阿姆斯特丹大学）
针对云与边缘计算能源需求增长及碳排放问题，提出EcoKube框架，用于在异构边缘云环境中评估可持续性感知调度策略，含事件驱动模拟器等，通过合成批处理工作负载评估，可在部署前比较策略。
2026-07-13 cs.DC
Workload Classification & Software Energy Measurement for Efficient Scheduling on Private Cloud Platforms
目前，为基于私有云的数据中心创建节能工作负载调度程序存在许多障碍。首先，必须研究不同工作负载和功耗之间的关系。其次，当前用于提供能量使用统计的基于硬件的解决方案不适合于仓库规模的数据中心，其中低成本和可扩展性是期望的属性。在本文中，我们讨论了私有云平台中不同工作负载对服务器功耗的影响。当服务器被赋予支配各种资源（CPU、内存、硬盘和网络）的任务时，我们显示出明显的能耗差异。然后，我们使用这种洞察力来开发CloudMonitor，这是一种软件实用程序，在开发动态功耗模型的“训练阶段”之后，能够通过监视工作负载的资源消耗来进行>95%的准确功耗预测。
2011-05-12 cs.DC
Simulating Dynamic Cloud Marketspaces: Modeling Spot Instance Behavior and Scheduling with CloudSim Plus
本文通过扩展CloudSim Plus框架，提出HLEM-VMP算法，模拟动态云市场环境，优化虚拟机分配效率与可靠性。
2025-11-22 cs.DC
Eva: Cost-Efficient Cloud-Based Cluster Scheduling
Eva调度器利用保留价格优化云端集群实例供给与任务分配，并权衡迁移开销与供给节省，在AWS EC2上实现成本降低42%而JCT仅增加15%。
2025-03-10 cs.DC
TF-DDRL: A Transformer-enhanced Distributed DRL Technique for Scheduling IoT Applications in Edge and Cloud Computing Environments
针对边缘与云计算中物联网应用调度的动态性、多任务依赖等挑战，提出融合Transformer、PER与离策略校正的分布式DRL调度技术TF-DDRL，在多类成本指标上较同类方法最高降幅达60%。
2024-10-31 cs.DC
DQN-Scheduler: A Multi-Objective Optimization Framework for Scheduling Microservices in Cloud Computing
The University of Western Australia（西澳大利亚大学）
本文提出DQN-Scheduler，一种基于强化学习的多目标优化框架，用于云环境中微服务调度，同时优化资源利用率、负载均衡、延迟、可靠性和可用性，实验证明其优于基准算法。
2026-09-15 cs.DC
Service Level Driven Job Scheduling in Multi-Tier Cloud Computing: A Biologically Inspired Approach
云计算环境通常必须处理随机到达的计算工作负载，这些计算工作负载在资源需求方面变化并且要求高服务质量（QoS）义务。通常采用服务级别协议（SLA）来管理云计算服务提供商对客户端的QoS义务。服务提供商每天面临的一个典型挑战是在可用于计算的有限资源与变化的随机需求的高QoS要求之间保持平衡。在管理这些相互冲突的目标方面的任何不平衡都可能导致客户不满意和潜在的重大商业处罚，或者导致资源过剩的云计算环境，其获取和运营成本可能非常高。因此，在客户端到达环境时调度客户端的工作负载以确保其及时执行已经成为云计算中的中心问题。在文献中已经报道了各种方法来解决这个问题：最短队列，加入空闲队列，循环，最小最小，最大最小和最小连接，仅举几例。然而，这些方法的优化策略未能捕获QoS义务及其相关的商业处罚。本文提出了一种在多层环境中实现服务级驱动的负载调度和平衡的方法。采用联合调度和平衡操作来在资源之间分配和调度作业，使得客户端作业的总等待时间最小化，并且因此减轻了由服务提供商招致的惩罚的可能性。一个惩罚模型被用来量化惩罚的服务提供商招致的作业的总等待时间的函数。一个虚拟队列抽象，提出了促进最佳的作业调度在层次上。该问题是NP完全问题，提出了一种求解作业调度问题的遗传算法。
2020-04-12 cs.DC
League Championship Algorithm Based Job Scheduling Scheme for Infrastructure as a Service Cloud
联赛锦标赛算法（League Championship Algorithm，LCA）是一种基于运动的群体算法框架，用于在连续搜索空间上进行全局优化，由Ali Husseinzadeh Kashan于2009年首次提出。与LCA相似的所有基于种群的优化算法之间的共同特征是，它们在优化期间不将可实现解的种群移动到搜索空间的潜在区域。针对基础设施即服务（IaaS）云环境，提出了一种基于L CA优化技术的作业调度算法。其他三个已建立的算法，即先到先服务（FCFS），最后的工作优先（LJF）和最好的努力第一（BEF）被用来评估所提出的算法的性能。所有四种算法都假定为非抢占式。本实验使用的参数是平均响应时间和平均完成时间。实验结果表明，随着虚拟机数量的增加，LCA调度算法的性能要优于其他算法。
2014-09-22 cs.DC
RFID: Towards Low Latency and Reliable DAG Task Scheduling over Dynamic Vehicular Clouds
车载云平台集成移动车辆的异构和分布式资源，以提供及时且经济高效的计算服务。然而，风险投资的动态性质（即，车辆之间的有限接触持续时间）对具有有向无环图（DAG）结构的计算密集型应用/任务的执行提出了独特的挑战，其中每个任务由多个相互依赖的组件（子任务）组成。在本文中，我们研究的DAG任务调度的动态VC，其中多个子任务的DAG任务分散在车辆，然后通过合作利用车辆的资源进行处理。我们制定DAG任务调度作为一个0-1整数规划，旨在最大限度地减少整体任务完成时间，同时确保高的执行成功率，这原来是NP-难。为了解决这个问题，我们开发了一个排名和前瞻性集成的动态调度方案（RFID）。RFID由（i）动态向下排序机制组成，该机制对不同子任务的调度优先级进行排序，同时显式地考虑到达格的顺序执行性质;（ii）基于资源稀缺性的优先级更改机制，可以克服可能导致的性能下降VC资源的波动性;以及（iii）基于度的加权最早完成时间机制，其将具有最高调度优先级的子任务分配给提供快速任务执行以及可靠传输链路的车辆。我们的仿真结果表明，我们所提出的方案相比，基准方法的有效性。
2022-08-26 cs.DC
DECICE: AI-Driven Scheduling and Digital Twin Integration for the Cloud-HPC-Edge Compute Continuum
Georg-August-Universität Göttingen（哥廷根大学）；GWDG mbH, Göttingen, Germany（德国哥廷根GWDG有限公司）；NAG, Oxford, UK（英国牛津NAG）；Università di Bologna, Italy（意大利博洛尼亚大学）
本文介绍DECICE项目，开发了一个开源框架，通过集成AI调度器（基于RNN预测和形式化工作流建模）和数字孪生（聚合实时指标、碳强度和异常预测），实现云-HPC-边缘计算连续体中的智能工作负载调度。
2026-05-24 cs.DC
