Tracking Causal Dependencies in Web Services Orchestrations Defined in ORC
本文展示了如何对像ORC这样的语言的操作语义进行检测，以便程序的执行产生关于事件之间因果依赖关系的信息。我们得到的并发语义是基于不对称的标记事件结构。该方法说明使用Web服务编排实例和竞争条件的检测。
2015-05-23 cs.DC cs.PL
A Dataflow Language for Decentralised Orchestration of Web Service Workflows
部署集中式面向服务的工作流带来了重大的可扩展性挑战，包括：网络带宽消耗、性能下降和单点故障。本文提出了一种高级的可扩展性低规约语言，试图解决这些可扩展性的挑战。这种语言为编排大规模Web服务工作流提供了简单的抽象，并将工作流逻辑与其执行分开。它是基于一个数据驱动的模型，允许并行，以提高工作流的性能。我们提供了一个分散的架构，允许计算逻辑移动“更接近”的工作流程中涉及的服务。这是通过将工作流规范划分为可以发送到远程编排服务以供执行的较小片段来实现的。编排服务依赖于代理，这些代理利用与工作流中的服务的连接。这些代理代表编排服务执行服务调用和组合，并执行数据汇集、检索和中介任务。我们的架构实现的评估得出结论，我们的分散式方法减少了工作流程的执行时间，并相应地随着数据集的大小增加而扩展。
2013-05-08 cs.DC cs.SE
Service Orchestration in the Computing Continuum: Structural Challenges and Vision
Universitat Pompeu Fabra（庞培法布拉大学）；Stockholm University（斯德哥尔摩大学）；University of Melbourne（墨尔本大学）；ICREA（加泰罗尼亚高级研究所）；TU Wien（维也纳工业大学）
本文探讨了计算连续体中服务编排的结构性挑战，并提出通过主动推断概念实现自主编排的愿景，同时指出现有解决方案的不足及未来研究方向。
2026-02-17 cs.DC cs.ET cs.SY
Ozy: A General Orchestration Container
面向服务的计算是一种使用服务作为构建分布式应用程序的构建块的范例。在云中编排服务的主要动机曾经是分布式业务流程，这推动了业务流程执行语言（Business Process Execution Language，简称BPEL）的标准化及其服务是业务流程的核心概念。近年来，已经存在向用于在云中编排服务的其他动机的转变，{例如\em}，XaaS、RMAD。尽管理论上可以将所有这些服务都转换为WSDL/SOAP服务，但对于行业采用来说，这太复杂且成本太高。因此，服务是业务流程的中心概念限制性太强。相反，我们将服务视为技术中立、松散耦合、位置透明的过程。考虑到这些想法，我们引入了一种新的服务编排方法：Ozy，一种通用的编排容器。我们定义了这种新的方法在现有的技术，我们表明，奥兹容器放松了许多传统的限制，并允许更简单，功能更丰富的应用程序。
2016-04-25 cs.DC cs.SE
Optimizing Service Orchestrations
随着工作流中涉及的服务数量和数据大小的增加，集中式编排技术正在达到可扩展性的极限。在经典的编排模型中，所有数据都通过一个集中的引擎，这导致不必要的数据传输，浪费带宽，引擎成为工作流执行的瓶颈。本文提出并评估了循环体系结构，保持了集中编排的鲁棒性和简单性，但通过允许服务直接相互交换数据来促进编排。循环可以实现在任何现有的工作流框架，在本文中，我们专注于WS-Circulate，基于Web服务的实现。从蒙太奇工作流程中获得灵感，识别并评估了许多常见的工作流程模式（序列、扇入和扇出）、输入到输出数据大小关系和网络配置。性能分析的结论是，通信开销的大幅减少会使所有模式的性能提高2-4倍。通过Montage工作流的端到端模式可带来8倍的性能优势，并展示了使用Circulate架构的优势如何随着工作流复杂性的增加而增加。
2009-01-29 cs.DC cs.SE
An Interference-aware Approach for Co-located Container Orchestration with Novel Metric
本文引入调度延迟作为量化干扰的新型指标，利用机器学习预测在线服务干扰并指导资源分配，提出基于预测模型的调度算法，有效降低在线服务响应时间并平衡节点资源利用率。
2024-02-14 cs.DC
Reinforcement Learning Based Orchestration for Elastic Services
由于边缘服务运行的执行上下文高度可变，因此使其行为适应执行上下文对于满足其需求至关重要。然而，调整服务行为是一项具有挑战性的任务，因为很难预测它将被部署的执行上下文，也很难评估每个行为更改将产生的影响。为了有效地提供这种适应，我们提出了一种基于强化学习（RL）的弹性服务演示。我们实现和评估这种方法，通过适应弹性服务在不同的模拟执行上下文中，并比较其性能的启发式的方法。我们表明，弹性服务实现了高精度和需求满足率，同时创造了小于0.5%的整体服务的开销。特别是，RL方法被证明比基于规则的方法更有效;精度高10%至25%，而计算成本低25%。
2019-04-26 cs.DC cs.PF
Metric-Aware Secure Service Orchestration
安全编排是服务互联网中的一个重要问题。除了提供所需的功能外，组合服务还必须提供合理的安全级别，以保护敏感数据。因此，协调器需要检查复杂服务是否能够满足某些属性。一些属性用度量来表示，以便精确定义需求。因此，问题是分析复杂业务流程的度量值。在本文中，我们扩展了我们以前的工作与可量化的属性安全编排的分析。我们展示了如何定义，验证和执行定量的安全要求，在一个框架与其他安全属性。拟议的办法应有助于选择最合适的服务架构，并保证满足所宣布的安全要求。
2012-12-17 cs.CR cs.DC cs.FL
Joining Jolie to Docker - Orchestration of Microservices on a Containers-as-a-Service Layer
云计算正在稳步增长，随着IaaS供应商开始提供按需付费的计费策略，实现尽可能多的弹性，避免过度配置（这将意味着更高的成本）至关重要。在本文中，我们简要分析了PaaSSOA的编排特征，PaaSSOA是一种已经为Jolie微服务实现的拟议架构，Kubernetes是Docker的各种编排插件之一;然后，我们概述了两种方法的相似性和差异，就其各自的应用领域而言。此外，我们还研究了实现这两种技术联合的一些想法，提出了Docker容器即服务层上Jolie微服务的架构组合。
2017-09-17 cs.DC cs.SE
FAME: QoS-aware Async Service Orchestration for Agentic Workflows
Indian Institute of Science, Bangalore（印度科学研究所班加罗尔分校）；IBM Research Lab, Bangalore, India（印度班加罗尔IBM研究实验室）
本文提出FAME架构，利用FaaS平台优化MCP启用的智能工作流，实现模块化组合和状态持久化，提升效率与成本效益。
2026-08-11 cs.DC
LMEdge: QoS-Aware LLM Inference Orchestration on Edge Clusters
Vienna University of Technology（维也纳工业大学）；University of Klagenfurt（克拉根福大学）；University of Messina（墨西拿大学）
研究在边缘集群上进行QoS感知的LLM推理编排问题，提出LMEdge服务。通过BILP优化并结合五个轻量级ML模型预测相关指标，设计轻量级启发式方法。在边缘测试平台评估，结果显示其降低延迟、保持准确性、提高资源利用率及服务比率。
2026-07-21 cs.DC
Management and Orchestration of Network Slices in 5G, Fog, Edge and Clouds
网络切片允许网络运营商在共享的物理网络上构建多个隔离的虚拟网络，以适应各种各样的服务和应用。通过网络切片，服务提供商可以提供具有成本效益的解决方案，以满足部署的应用程序和服务的各种性能要求。尽管有切片的好处，但网络切片的端到端编排和管理是一项具有挑战性且复杂的任务。在本章中，我们将概述网络切片的所有相关方面，重点关注5G、Fog/Edge和云计算平台中的软件定义网络（SDN）和网络功能虚拟化（NFV）等网络技术。为了构建所需的背景，本章首先简要概述了5G、雾/边缘和云计算及其相互作用。然后，我们涵盖了网络切片的5G愿景，并通过调查这些平台中最先进的切片方法将其扩展到雾和云计算。我们通过讨论未来的方向，分析网络切片实现的差距和趋势来结束本章。
2018-12-03 cs.DC
Comparison of FaaS Orchestration Systems
自2014年Amazon Lambda出现以来，所有主要的云计算提供商都采用了FaaS模式，因为它在各种应用程序中具有巨大的潜力。正如预期（也是期望的），无服务器世界的竞争非常激烈，包括对无服务器功能编排的运行时支持等方面。在这方面，目前三大生产服务是Amazon Step Functions（2016年12月）、Azure Durable Functions（2017年6月）和IBM Composer（2017年10月），它们仍然是年轻的实验项目，还有很长的路要走。在本文中，我们将在一个通用的评估框架下比较和分析这三个无服务器编排系统。我们将研究它们的体系结构，编程和计费模型，以及它们对并行执行的有效支持等。通过一系列的实验，我们还将评估不同类型的工作流的不同基础设施的运行时开销。
2019-01-25 cs.DC
Synthesis of Orchestrations and Choreographies: Bridging the Gap between Supervisory Control and Coordination of Services
本文通过修改监督控制理论中的合成算法，引入新颖可控性概念，提出抽象参数化合成算法，统一了经典合成与编排、编排合成，并证明其细化关系，以服务领域示例验证。
2020-06-02 cs.DC cs.FL cs.SY
Environmentally-Conscious Cloud Orchestration Considering Geo-Distributed Data Centers
本文探讨云环境中的环保作业部署与迁移，通过定义综合环境影响概况并形式化为优化模型，在尊重用户偏好的同时平衡多环境因素，模拟显示其优于单一因素基线策略。
2025-07-14 cs.DC
Monitoring Fog Computing: a Review, Taxonomy and Open Challenges
雾计算是一种在用户附近提供计算资源的分布式范例。雾编排是一组功能，用于协调动态基础设施和管理服务，以保证服务级别协议。监控是一项最重要的编排功能。它是资源管理操作的基础，收集资源和服务的状态，并将更新的数据交付给协调器。有几种云监控解决方案和工具，但它们都不符合雾的特征和挑战。雾监控解决方案很少，它们可能没有准备好组成编排服务。本文更新了有关雾监测的知识库，评估了可观测性，数据标准化和仪器领域等方面的最新主题。我们提出了一种新的分类雾监测解决方案，支持系统的文献综述。雾监测建议进行分析和分类，这一新的分类，为研究人员提供了一个全面的概述。这项工作还突出了主要的挑战和开放的研究问题。
2022-06-16 cs.DC
A Case for Microservices Orchestration Using Workflow Engines
微服务已经成为云原生应用程序的事实上的软件架构。微服务中一个有争议的架构决策是使用编排或编排来组合它们。在编排中，每个服务都独立工作，而在编排中，有一个控制器来协调服务交互。这篇文章提出了一个编排的案例。微服务的承诺是每个微服务都可以独立开发，部署，测试，升级和扩展。这使得它们适合在云基础设施上运行的系统。然而，基于微服务的系统由于各种服务的复杂交互、并发事件、故障组件、开发人员缺乏全局视图以及环境配置而变得复杂。这使得维护和调试这样的系统非常具有挑战性。我们假设编排的服务更容易调试，为了测试这一点，我们将最大的公开可用的微服务基准TrainTicket（使用编排实现）移植到一个无故障的状态工作流框架Temporal。我们报告了我们将代码从传统编排的微服务架构移植到Temporal编排的微服务架构的经验，并提出了我们调试基准测试中存在的22个错误的初步发现。我们的研究结果表明，努力过渡到编排的方法是值得的，使移植的代码更容易调试。
2022-04-14 cs.DC cs.SE
Towards Resilience: Slice-Driven Orchestration of Mobile IoMT in 6G-Edge-Continuum
Centre for Wireless Communications（无线通信中心）；University of Oulu（奥卢大学）
针对6G-边缘连续体中移动IoMT编排的资源与动态适配问题，提出集成5G网络切片等技术的自适应框架，经SimPy仿真验证可提升服务部署效率并改善IoMT服务性能。
2026-10-14 cs.AI cs.DC cs.NI
Experimental Validation of User Experience-focused Dynamic Onboard Service Orchestration for Software Defined Vehicles
本文通过专用测试台实验验证了一种面向SDV的动态车载服务编排算法，该算法在保证混合关键性QoS的同时最大化用户体验，证实了其工业可行性。
2024-09-30 cs.DC cs.NI cs.SE
Performance Evaluation of Automated Multi-Service Deployment in Edge-Cloud Environments with the CODECO Toolkit
Democritus University of Thrace（德谟克利特色雷斯大学）；Athena Research Center（雅典研究中心）；University of Piraeus Research Center（比雷埃夫斯研究中心）；fortiss GmbH（fortiss有限公司）
本文评估了CODECO工具包在边缘-云环境中的自动化多服务部署性能，证明其在减少人工干预和保持性能方面优于K8s。
2026-07-10 cs.DC
BumbleBee: Application-aware adaptation for container orchestration
现代应用程序通过使用容器、容器编排和服务网格，将关注点分离作为一级组织原则。然而，对意外网络变化的适应并没有随之而来。我们提出了BumbleBee，这是容器生态系统的一个轻量级扩展，支持应用程序感知的适应。BumbleBee提供了一个简单的抽象，用于使用应用程序语义对网络数据进行决策。由于这种抽象被放置在现代服务网格的通信框架内，因此它更接近于检测到更改的点，从而提供比端点更快、更有效的适应。
2021-05-09 cs.DC cs.OS
Incentives and Evidence in Learned Service Orchestration
EPFL（苏黎世联邦理工学院）；University of Waterloo（多伦多大学）
本文通过预注册实验检验三个有影响力的基于强化学习的服务编排系统，发现大多数性能反转未发生，并指出发表和评审激励偏向基准增益而非部署性能，提出需要生产级比较器和可复现操作证据。
2026-06-16 cs.DC cs.LG
MaaSO: SLO-aware Orchestration of Heterogeneous Model Instances for MaaS
MaaSO是首个MaaS编排器，通过性能分析、配置优化和SLO感知分发，利用异构实例配置，将SLO满足率提升15-30%，延迟降低40-60%。
2025-09-08 cs.DC
Funky: Cloud-Native FPGA Virtualization and Orchestration
Technical University of Munich（慕尼黑工业大学）
针对云原生环境中FPGA缺乏虚拟化、隔离和编排的问题，本文提出Funky全栈FPGA感知编排引擎，通过虚拟化、状态管理和CRI/OCI组件实现高性能与容错，评估显示仅7.4%开销且镜像小28.7倍。
2025-10-17 cs.DC cs.OS
Energy-Aware Agentic Orchestration for Multi-Site Service Deployment
Federal University of Viçosa (UFV)（维索萨联邦大学）；Federal University of Uberlândia (UFU)（乌贝兰迪亚联邦大学）；Instituto de Telecomunicações（电信研究所）；Universidade de Aveiro (UA)（阿威罗大学）；University of São Paulo (USP)（圣保罗大学）；Universitat Politecnica de València (UPV)（瓦伦西亚理工大学）；University of Minho (UMinho)（米尼奥大学）
本文提出能量感知智能体编排框架，对比不同LLM推理策略在多站点Kubernetes测试平台的GPU能耗，发现推理策略与意图复杂度影响能耗，前缀缓存可降低ReAct能耗，为AI编排可持续性评估提供依据。
2026-10-14 cs.DC cs.NI
Replacing Large Language Models with Jev Decision Models for Low-Latency Edge Service Orchestration
University of Technology Sydney（悉尼科技大学）
本研究将 Jev 决策模型集成到边缘服务编排中，替代大型语言模型进行决策，在保持服务完成的同时，将客户端决策延迟降低 15.9%-26.5%，API 费用降低约 70%，验证了决策模型替换在低延迟场景中的有效性。
2026-09-22 cs.DC cs.NI
MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era
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）；Alibaba Group（阿里巴巴集团）
MegaFlow是一个面向代理时代的大型分布式编排系统，通过将代理训练基础设施抽象为三个独立服务，实现高效调度、资源分配和任务管理，解决大规模代理训练的基础设施问题。
2026-01-13 cs.DC cs.SE
Programming Cloud Resource Orchestration Framework: Operations and Research Challenges
过去五年云计算的出现可能是计算计算史上的突破性进展之一。它将硬件和软件资源作为支持虚拟化的服务提供，管理员无需担心低级别的实施或系统管理细节。尽管云计算为用户（例如，应用程序开发人员、政府、新创业公司、管理员、顾问、科学家、业务分析师等）提供了相当多的机会，如无需前期投资、降低运营成本和无限的可扩展性，它有许多独特的研究挑战，需要在未来仔细解决。在本文中，我们提出了一个调查的关键云计算概念，资源抽象，编排资源和相关的研究挑战，只要适用的编程操作。
2012-06-18 cs.DC
ARGOS: Reinforcement Learning-Driven Multidimensional Elasticity for Service Orchestration in the Computing Continuum
University of Extremadura（埃斯特雷马杜拉大学）；Global Process and Product Improvement S.L.（全球流程与产品改进有限公司）；University of Prishtina（普里什蒂纳大学）；TU Wien（维也纳工业大学）；ICREA（加泰罗尼亚研究与高等教育机构）
ARGOS利用深度强化学习将多维弹性建模为马尔可夫决策过程，在计算连续体中通过容量感知准入控制动态调整分析质量与集群压力，实验表明其优于非学习基线并接近最优固定策略。
2026-10-05 cs.AI cs.DC
Distributed Service Orchestration in Edge-Cloud Continuum for Digital Healthcare
针对数字医疗中边云连续体的服务部署问题，提出三层注册表架构，利用本地和远程私有注册表提升部署可靠性与性能，实验证明其优于远程公共注册表。
2026-09-25 cs.DC cs.NI cs.PF
A Conflict-Aware Resource Management Framework for the Computing Continuum
TU Wien（维也纳工业大学）；ICREA（加泰罗尼亚高级研究院）；University of Prishtina（普里什蒂纳大学）；Stockholm University（斯德哥尔摩大学）
本文提出基于深度强化学习的冲突解决框架，用于优化计算连续体中资源调度，解决资源冲突和提升服务性能。
2026-04-21 cs.DC
Continuous QoS-compliant Orchestration in the Cloud-Edge Continuum
针对云边网络中多服务应用QoS决策主动执行不足的问题，提出基于Docker的下一代编排器原型，实现符合QoS的持续管理并衔接CI/CD与监控工具，在意大利分布式测试床完成评估。
2023-10-04 cs.DC cs.NI cs.SE
Container-based Cluster Orchestration Systems: A Taxonomy and Future Directions
容器能够实现轻量级的环境和性能隔离，快速灵活的部署以及细粒度的资源共享，除了硬件虚拟化之外，还在更好的应用程序管理和部署方面获得了普及。它们正被组织广泛用于在专有集群或私有云和公共云数据中心中部署来自现代应用程序（如Web服务、大数据和物联网）的日益多样化的工作负载。这导致了容器编排平台的出现，这些平台旨在管理大规模集群中容器化应用程序的部署。这些系统能够在数千台机器上运行数十万个作业。为了有效地做到这一点，他们必须解决几个重要的挑战，包括可伸缩性，容错和可用性，有效的资源利用率，以及请求吞吐量最大化等。本文研究了这些管理系统，并提出了一个分类，确定不同的机制，可用于满足上述挑战。建议的分类，然后应用到各种国家的最先进的系统，导致识别开放的研究挑战和差距，在文献中打算作为未来的研究方向。
2018-11-02 cs.DC
Cost-Effective Big Data Orchestration Using Dagster: A Multi-Platform Approach
针对传统大数据PaaS平台成本高和供应商锁定问题，本文提出基于Dagster的多平台编排框架，集成多种Spark环境，实现性能提升12%和成本降低40%，提供灵活且开发者可控的计算环境。
2024-08-21 cs.DC cs.SE
PAST: Pilot and Adaptive Orchestration for Timely and Resilient Service Delivery in Edge-Assisted UAV Networks under Spatio-Temporal Dynamics
Tongji University（同济大学）；Xiamen University（厦门大学）；Guizhou University（贵州大学）；CSIRO（联邦科学与工业研究组织）；North Carolina State University（北卡罗来纳州立大学）
针对时空动态下边缘辅助无人机网络的资源交易问题，提出PAST框架，集成PilotAO与AdaptAO机制，平衡了交易的稳定性、适应性与决策效率。
2026-08-25 cs.DC cs.GT cs.NI
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
Towards Scalable Federated Container Orchestration: The CODECO Approach
fortiss GmbH（fortiss有限公司）；Red Hat（红帽）；IBM Research Europe - Zurich（IBM欧洲苏黎世研究中心）；Siemens AG（西门子股份公司）；i2CAT Foundation（i2CAT基金会）；Telefónica（西班牙电信）；Intracom Telecom（Intracom电信）；Democritus University of Thrace / Athena Research Center（色雷斯德谟克利特大学/雅典研究中心）；Universidad Politécnica de Madrid（马德里理工大学）；University of Piraeus Research Centre（比雷埃夫斯大学研究中心）；Netcompany；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
CODECO通过联邦编排框架实现可扩展的容器编排，结合语义模型、分区联邦和AI辅助决策，支持异构基础设施和多提供者操作。
2026-01-19 cs.DC cs.ET cs.NI
Semantic Revolution from Communications to Orchestration for 6G: Challenges, Enablers, and Research Directions
Oulu University（奥卢大学）；Ruhr University Bochum（波鸿鲁尔大学）；Sejong University（世宗大学）；Futurewei Technologies（华为主导的未来通信技术公司（未来网络技术公司））
本文针对6G万物交互中的资源稀缺与语义通信知识共享难题，提出知识库管理与编排（KB-MANO）框架，融合计算网络融合与终身学习，以最小化知识管理对服务提供的影响，并展望语义通信在6G中的变革方向。
2024-06-24 cs.AI cs.DC cs.ET
FedApp: a Research Sandbox for Application Orchestration in Federated Clouds using OpenStack
多集群联合被认为是下一代云基础设施，它将在实现边缘和雾计算等概念方面发挥重要作用。在联邦环境中部署应用对负载平衡、自动伸缩、资源分配和服务迁移等领域的研究提出了新的挑战。然而，由于对真实多集群基础设施的访问是有限的，因此需要提供与真实系统相似特性的测试床。为了使相关领域的研究人员能够在联合云环境中快速设置实验，我们创建了开源沙箱FedApp，它简化了在OpenStack环境中部署多个虚拟集群的过程，并有可能在站点之间添加真实的网络特征。每个集群都部署了开源和生产级容器编排器Kubernetes，使用Prometheus/Grafana进行联邦范围的监控，并使用Istio简化了集群间的微服务通信。
2021-09-03 cs.DC cs.NI
Cloud Computing -- Everything As A Service
由云提供商托管的计算基础设施允许应用程序无限制地扩展。应用程序开发人员不再需要担心为最坏情况负载场景配置的服务器场的前期投资。但是，管理云部署需要一个复杂的框架，可以自动扩展基础设施并保证运行容器映像的正常运行时间。本文调查了解决云部署的管理和编排以及建模框架的现有研究，以抽象出主机基础设施的低级别细节。我们调查了区块链分布式账本、量子计算和物联网应用堆栈，以展示它们如何利用云部署。
2022-05-25 cs.DC cs.SE
On the Fly Orchestration of Unikernels: Tuning and Performance Evaluation of Virtual Infrastructure Managers
网络运营商面临着巨大的挑战，既要满足对更多带宽、灵活基础设施、创新服务的需求，又要保持低成本。网络功能虚拟化（NFV）和云计算正在成为5G网络架构的主要趋势，提供灵活性，快速实例化时间，支持商用现成硬件并显著节省成本。NFV利用云计算原理将数据平面网络功能从昂贵的、封闭的和专有的硬件移动到所谓的虚拟网络功能（VNF）。在本文中，我们处理的虚拟计算资源（Unikernels）的执行VNF的管理。此功能由NFV管理和配置（MANO）参考架构中的虚拟基础设施管理器（VIM）执行。本文从分析OpenStack、Nomad和OpenVIM三种开源虚拟资源实例化模型入手，讨论了虚拟资源实例化的过程，并提出了一种通用的参考模型。我们改进了上述VIM，引入了对专用Unikernels的支持，旨在减少实例化过程的持续时间。我们评估VIM的一些性能方面，考虑股票和调优版本。VIM扩展和性能评估工具在自由开放源码许可下可用。
2018-09-17 cs.DC cs.NI cs.OS
