Optimal Edge User Allocation in Edge Computing with Variable Sized Vector Bin Packing
在移动边缘计算中,边缘服务器在地理上分布在靠近最终用户的基站周围,以提供高度可访问和高效的计算能力和服务。在移动边缘计算环境中,服务提供商可以在租用的边缘服务器上部署其服务,以减少分配给那些边缘服务器的其最终用户所经历的端到端服务延迟。最佳部署必须最大化分配的最终用户数量,最小化租用的边缘服务器数量,同时确保最终用户所需的服务质量。在本文中,我们将边缘用户分配(EUA)问题建模为装箱问题,并介绍了一种基于词典目标规划技术的新型最佳方法来解决EUA问题。我们已经进行了三个系列的实验,以评估所提出的方法对两个有代表性的基线方法。实验结果表明,我们的方法显着优于其他两种方法。
2019-04-11 cs.DC
Intelligent Resource Allocation Technique For Desktop-as-a-Service in Cloud Environment
桌面即服务云计算的特点是用户可以访问他们的桌面,并可以在远程服务器上的虚拟桌面中执行应用程序。资源管理和资源利用在桌面即服务(云计算)领域中最为重要;然而,以最有效的方式处理大量客户端构成了重要的挑战。特别是决定在一台服务器上处理多少客户端,以及每次在哪里执行用户应用程序非常重要。这是因为我们必须确保最大的资源利用率以及用户数据机密性、客户满意度、可扩展性、最低服务级别协议(SLA)违规等。将太多用户分配到一台服务器会导致客户不满,而分配太少则会导致更高的投资成本。因此,我们也考虑到这两种情况。我们研究不同的方面,以优化资源使用和客户满意度。在本文中,我们提出了智能资源分配(IRA)技术,确保上述参数,如最小的SLA违规。为此,根据SLA因素为用户请求分配优先级,以保持其机密性。本文的研究结果表明,通过将IRA技术应用于现有的超订机制,将提高系统的性能,显着减少SLA违规。
2014-04-29 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
Robust Resource Allocation Using Edge Computing for Vehicle to Infrastructure (V2I) Networks
自动驾驶汽车的开发需要敏捷可靠的服务来管理危险的道路状况。车联网是为自动驾驶汽车提供高质量服务的媒介。车辆网络中的大多数服务请求是延迟不容忍的(例如,危险警报、车道变换警报)并需要立即维修。因此,车辆网络,特别是车辆到基础设施(V2I)系统必须为自动驾驶车辆提供一致的实时响应。在高峰时段或灾难期间,当大量请求到达基站时,V2I系统很难保持其性能,这可能导致危险的后果。因此,本研究的目标是开发一个V2I系统,对不确定的请求到达是强大的。为了实现这一目标,我们建议动态分配基站之间的服务请求。我们开发了一种不确定性感知的资源分配方法的联合环境,分配到达的请求到基站,使按时完成它的可能性最大化。我们在各种工作负载条件和超额订阅水平下评估系统。仿真结果表明,边缘联邦可以提高V2I系统的鲁棒性,将整体服务错过率降低高达45%。
2019-05-11 cs.DC
A QoS aware Novel Probabilistic strategy for Dynamic Resource Allocation
针对云计算、网格等服务计算领域的资源分配问题,提出了一种基于两人博弈的资源分配策略。拟议的战略将把它们分为两类。所提出的系统将预测结果使用先验信息和测量/估计现有的参数,如利用率和延迟在一个最佳的负载平衡的范例。关键词:负载均衡;服务计算;逻辑回归;概率估计
2015-03-24 cs.DC
On Distributed Storage Allocations of Large Files for Maximum Service Rate
在分布式存储系统中分配(冗余)文件块会影响重要的性能指标,例如文件恢复的概率、数据下载时间或给定数据访问模型下的系统服务速率。本文研究了在存储数据量较大且下载时间不可忽略的情况下的服务速率。我们专注于准统一的存储分配,并提供了两种常见的数据访问模型的服务率分析。我们发现,根据不同的系统参数的最优分配。在下载时间不随数据大小缩放的假设下,情况并非如此,其中最小扩展分配先前被发现是普遍最优的。
2018-08-08 cs.DC cs.IT math.IT
Profit-Aware Server Allocation for Green Internet Services
一个服务器农场检查,其中一些服务器被用来提供服务,不耐烦的客户。每一个完成的请求都会产生一定的利润,运行中的服务器会消耗电力和冷却,而等待的客户如果遇到过度的延迟,可能会在接收服务之前离开系统。介绍了一种动态分配策略,该策略旨在满足用户体验质量最大化和供应商成本最小化这两个相互冲突的目标。几个实验的结果进行了描述,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
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
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
Allocation and Admission Policies for Service Streams
一个服务供应系统进行检查,其中一些服务器被用来提供不同类型的服务,付费客户。客户执行作业流的费用;作业流中的作业数量和提交率是指定的。另一方面,提供者承诺一定的服务质量(QoS),通过流中作业的平均等待时间来测量。如果未满足约定的QoS要求,则支付罚款。目标是使单位时间的总平均收益最大化。动态政策,使服务器分配和流准入的决定,介绍和评估。几个模拟的结果进行了说明。
2011-02-17 cs.DC cs.PF
Resource Allocation of Industry 4.0 Micro-Service Applications across Serverless Fog Federation
本文研究偏远工业现场无服务器雾联邦中的资源分配问题,提出感知微服务架构和延迟约束的应用划分方法,实验表明可按时多服务约20%的任务。
2024-01-14 cs.DC
EdgeMORE: Improving Resource Allocation with Multiple Options from Tenants
在边缘计算(EC)的范式下,网络运营商(NO)在网络边缘部署计算资源,并让第三方服务提供商(SP)作为租户在其上运行。除了由于计算节点的邻近而对SP和最终用户具有明显的优势之外,NO旨在分配边缘资源以增加其自身的效用,包括节省带宽,降低运营成本,为其用户提供QoE等。然而,尽管竞争边缘资源的第三方服务的数量预计将急剧增长,但由于物理限制,部署的资源无法相应增加。因此,尽管电子商务有其局限性,但仍需要明智的战略来充分挖掘其潜力。为此,我们建议利用服务适应性,这是迄今为止主要被忽视的一个维度:每个服务都可以适应NO分配给它的资源量,平衡在边缘执行的服务计算部分并依赖于远程服务器,例如,云计算,其余的。我们提出了EdgeMORE,一个资源分配策略,SP表示他们的能力,以适应不同的资源约束,通过声明不同的配置下,他们能够运行,指定所需的资源和提供给NO的效用。NO然后选择每个SP最方便的选项,以最大限度地提高总效用。我们将EdgeMORE形式化为一个线性规划。我们通过模拟表明,EdgeMORE大大提高了EC实用程序的标准,其中没有多个选项运行服务是允许的。
2019-11-06 cs.DC
Service Capacity Enhanced Task Offloading and Resource Allocation in Multi-Server Edge Computing Environment
边缘计算环境具有多个边缘服务器和多个服务客户端。在这种环境中,移动服务提供商可以将客户端侧计算任务从服务客户端的设备卸载到边缘服务器上,以减少客户端所经历的服务延迟和功耗。尚未妥善解决的一个关键问题是如何分配边缘计算资源以实现两个优化目标:1)最小化由服务延迟和服务客户端所经历的功耗衡量的服务成本;以及2)最大化由可以长期卸载其计算任务的服务客户端的数量衡量的服务容量。本文将这一长期问题归结为一个随机优化问题,并采用基于李雅普诺夫优化的在线算法求解。这个NP难问题被分解成三个子问题,然后用一套技术来解决。实验结果表明,我们的方法显着优于两个基线方法。
2019-03-12 cs.DC cs.NI
HFEL: Joint Edge Association and Resource Allocation for Cost-Efficient Hierarchical Federated Edge Learning
联邦学习(FL)已经被提出作为一种有吸引力的方法来处理移动设备的数据隐私问题,与在远程云处的具有原始用户数据上传的传统机器学习相比。通过利用边缘服务器作为中介来执行邻近的部分模型聚合并减轻核心网络传输开销,它在低延迟和节能的FL中具有很大的潜力。因此,我们引入了一种新的分层联邦边缘学习(HFEL)框架,其中模型聚合部分从云中迁移到边缘服务器。在HFEL框架下,提出了一个计算与通信联合的资源分配和边关联问题,以实现全局代价最小化.为了解决这个问题,我们提出了一个高效的资源调度算法在HFEL框架。它可以分解为两个子问题:给定每个边缘服务器的一组预定设备的\emph{resource allocation}和跨所有边缘服务器的设备用户的\emph{edge association}。利用单个边缘服务器下的一组设备的凸资源分配子问题的最优策略,通过迭代的全局代价降低调整过程,可以得到一个有效的边缘关联策略,并证明该策略收敛到一个稳定的系统点.广泛的性能评估表明,我们的HFEL框架在全局成本节省方面优于所提出的基准,并且与传统的联邦学习相比,实现了更好的训练性能。
2020-06-06 cs.DC
A Systematic Literature Review on Task Allocation and Performance Management Techniques in Cloud Data Center
本文系统综述了云数据中心任务分配与性能管理技术,基于463篇任务分配和480篇性能管理文献,归纳出资源分配、负载均衡、调度三大任务分配主题及七类性能管理方法,并提出新技术方向以填补研究空白。
2024-02-20 cs.DC
Distributed Storage Allocations for Optimal Service Rates
冗余存储在各种形式的不确定性下维持分布式系统的性能。本文考虑了节点访问和下载服务的不确定性。我们考虑两种下载服务模型下的两种访问模型。在一种访问模型中,用户可以以固定的概率访问每个节点,而在另一种访问模型中,用户可以访问随机的固定大小的节点子集。我们考虑两个下载服务模型。在第一个(小文件)模型中,与文件大小相关的随机性可以忽略不计。在第二种(大文件)模型中,随机性与文件大小和系统操作都相关。我们关注系统的服务率。对于固定的冗余级别,系统的服务速率由存储节点上的编码块的分配来确定。我们考虑准均匀分配,其中编码内容均匀分布在节点的子集之间。我们要解决的问题是这个子集(扩展)的大小应该是多少。我们表明,在小文件模型中,集中的编码内容的最小尺寸的子集是普遍最优的。对于大文件模型,最佳散布取决于系统参数。这些结论适用于两种访问模式。
2021-08-06 cs.DC cs.IT math.IT
DREAMS: Decentralized Resource Allocation and Service Management across the Compute Continuum Using Service Affinity
DREAMS提出一种基于Raft共识和成本效益投票的去中心化框架,跨计算域协作优化微服务放置,实现高容错与次线性扩展,适用于现代制造系统。
2025-09-09 cs.DC cs.PF
Resource Allocation and Service Provisioning in Multi-Agent Cloud Robotics: A Comprehensive Survey
Swinburne University of Technology(斯威本科技大学);CSIRO(澳大利亚联邦科学与工业研究组织);Engineering Institute of Technology (EIT)(工程技术学院);South China University of Technology(华南理工大学);University of Manitoba(曼尼托巴大学)
如今,机器人应用被广泛采用,以增强现实世界网络物理系统(CPS)的操作自动化和性能,包括工业4.0,农业,医疗保健和灾难管理。这些应用程序由延迟敏感、数据量大和计算密集型任务组成。然而,机器人在计算能力和存储容量方面受到限制。多智能体云机器人的概念使机器人之间能够进行协作,并为机器人执行大规模应用程序创造了一个互补的环境,能够利用边缘和云资源。然而,在这样的协作环境中,机器人任务的最优资源分配是具有挑战性的实现。与机器人和计算实例相关的异构能耗率和执行成本的应用使其变得更加复杂。此外,本地机器人、边缘节点和云数据中心之间的数据传输延迟会对实时交互产生不利影响,并阻碍服务性能保证。考虑到所有这些问题,本文全面调查的最先进的资源分配和服务提供的多智能体云机器人。本文通过与当代计算范式的明确比较,提出了多智能体云机器人的应用领域,并确定了具体的研究挑战。第一次提出了一个完整的分类资源分配,连同讨论的资源池,计算卸载,和任务调度的有效服务提供。此外,我们强调了从经验教训中得出的研究差距,并提出了有利于进一步推进这一新兴领域的未来方向。
2021-04-29 cs.DC cs.RO
A Cost-Effective Workload Allocation Strategy for Cloud-Native Edge Services
如今,物联网应用程序由一系列松散耦合的模块组成,即微服务,可以在由私有和公共资源组成的异构环境中进行管理和放置。因此,分布应用程序逻辑在保证性能和降低成本方面带来了新的挑战。然而,大多数现有的解决方案都专注于降低按使用付费的成本,而没有考虑基于微服务的架构。我们为基于微服务的应用程序提出了一种具有成本效益的工作负载分配。我们建模的问题作为一个整数规划问题,我们制定了一个有效的和接近最优的启发式解决方案,给出了NP-硬度的原始问题。数值结果表明,所提出的启发式的成本降低和性能方面的最佳和国家的最先进的解决方案的良好性能。此外,在运行于OpenStack生态系统中的Kubernetes集群中进行的评估证实了所提出的解决方案的可行性和有效性。
2021-10-25 cs.DC cs.NI
Managing Consensus-Based Cooperative Task Allocation for IIoT Networks
当前的物联网服务包括面向行业的服务,这些服务通常需要对象运行多个任务。然而,物联网中对象的指数增长带来了在对象之间分配和管理任务分配的挑战。任务分配的主要目标之一是提高信息质量,最大限度地完成任务。虽然有优化和管理节点动态的方法,但并不是所有的方法都考虑集群服务上的信息质量和分布式分配。本文提出了用于IIoT网络中的任务分配的机制CONTASKI,以在对象之间分配任务。它依赖于协作共识来分配任务和相似性能力,以了解哪些对象可以在完成这些任务中发挥作用。CONTASKI在NS-3上进行了评估,在75和100个节点的情况下,实现了100%的分配任务,平均而言,超过80%的集群在低响应时间内执行任务。
2020-06-16 cs.DC cs.NI
Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services
Xiamen University(厦门大学);University of Hong Kong(香港大学);Tsinghua University(清华大学);University at Buffalo–SUNY(纽约州立大学布法罗分校);Nanyang Technological University(南洋理工大学);The Hong Kong University of Science and Technology(香港科技大学)
针对边缘赋能AIGC服务的算力受限挑战,本文提出双时间尺度深度强化学习框架,分别用DDQN和扩散增强的D3PG算法求解长时模型缓存与短时资源分配问题,实现质量与时延的平衡。
2024-11-03 cs.AI cs.DC cs.LG
SARA: SLO-Aware Resource Allocation for Disaggregated Agentic LLM Services
City University of Hong Kong(香港城市大学);Beijing Institute of Technology(北京理工大学);The Hong Kong University of Science and Technology(香港科技大学)
针对解聚式智能体LLM服务,提出SLO感知资源分配框架SARA,基于排队论建模各阶段,在成本约束下最大化有效吞吐量,平均提升26.6%。
2026-09-23 cs.DC cs.PF
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
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
Quality of Service (QoS) Modelling in Federated Cloud Computing
围绕具有潜在的大量定制资源的大规模服务器基础设施的思想构建,这些定制资源能够交互以促进服务的部署、适配和支持,云计算需要频繁地重新调度和管理各种应用任务,以便适应广泛范围和数量的用户的请求。云计算的挑战之一是通过设计用于在用户和云虚拟资源之间分配任务以及将虚拟资源分配给云物理资源的有效技术来支持和管理服务质量(QoS)。虚拟资源跨物理资源的迁移是另一个需要相当关注的挑战;特别是在联合云计算环境中,其中,提供商可能愿意将其未使用的资源作为服务提供给联合(合作分配),并在需要时收回这些资源供其自己使用(竞争分配)。本文重新审视了云计算中的QoS问题,通过制定和提出i)一个多QoS任务分配模型的任务分配到虚拟机和ii)一个虚拟机迁移模型的联合云计算环境中考虑的情况下,资源提供商是在合作或竞争模式下操作。针对联邦云环境中的QoS支持问题,提出了一种新的基于差分进化的任务分配绑定策略和一种新的虚拟机模型.实验结果表明,所提出的解决方案提高了云计算环境中的服务质量,并揭示了在联合云环境中操作混合合作和竞争模型的相对优势。
2019-11-08 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
Mélange: Cost Efficient Large Language Model Serving by Exploiting GPU Heterogeneity
UC Berkeley(加州大学伯克利分校);National University of Singapore(新加坡国立大学)
Mélange提出一个GPU分配框架,通过成本感知装箱优化异构GPU选择,根据服务特征自动推导最小成本分配,对话、文档和混合场景分别降低部署成本77%、33%和51%。
2024-07-22 cs.DC cs.LG
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
Resource Allocation in One-dimensional Distributed Service Networks with Applications
我们考虑分配政策,分配资源给用户,资源和用户都位于一个一维线。首先,我们考虑单向分配策略,只分配资源给位于其左侧的用户。我们提出了向右移动(MTR)的政策,从左到右扫描分配最近的最右边的可用资源给用户,并将其与单向Gale-Shapley(UGS)匹配策略进行对比。虽然这两种策略在所有单向策略中,最小化请求的期望行进距离(请求距离),但MTR更公平。此外,我们表明,当用户和资源的位置是由统计点过程建模,资源被允许满足多个用户,单向政策下的空间系统可以映射到批量服务排队系统,从而允许许多排队论的结果,产生封闭形式的表达式的应用。当我们考虑不同的资源可以满足不同数量的用户时,我们也为批量服务队列生成了新的结果。我们还考虑双向政策,有没有方向上的限制资源分配和开发的算法计算的最优分配,这是更有效的比已知的算法在文献中,当有更多的资源比用户。单向和双向分配方案的性能的数值评估产生的设计准则,有利于资源配置。\np {最后,我们提出了一种启发式算法,它利用一维输入的最佳动态规划方案来获得二维场景的最佳分配问题的近似解,并根据经验在最佳解的恒定因子内产生请求距离。
2020-11-09 cs.DC cs.PF
When Computing follows Vehicles: Decentralized Mobility-Aware Resource Allocation for Edge-to-Cloud Continuum
本文提出一种去中心化移动感知边缘到云资源分配优化框架,实现“计算跟随车辆”,在真实交通数据评估中将利用率方差降低40倍以上,并减少服务截止时间违规14%-34%。
2024-05-05 cs.DC cs.MA
Computing Resource Allocation in Three-Tier IoT Fog Networks: a Joint Optimization Approach Combining Stackelberg Game and Matching
雾计算是为未来基于物联网(IoT)的网络系统提供经济且低延迟的数据服务的有前途的架构。它依赖于一组接近最终用户的低功耗雾节点来卸载最初针对云数据中心的服务。在本文中,我们考虑了一个特定的雾计算网络组成的一组数据服务运营商(DSO),每个控制一组雾节点提供所需的数据服务的数据服务用户(DSS)的集合。如何将有限的雾节点计算资源分配给各个决策支持系统,使系统性能达到最优和稳定是一个重要的问题。在本文中,我们提出了一个联合优化框架,所有的FN,DSO和DSS,以实现最佳的资源分配计划在分布式的方式。在这个框架中,我们首先制定了一个Stackelberg游戏来分析的DSO的定价问题,以及资源分配问题的DSS。在DSO可以知道DSS购买资源的期望量的情况下,应用多对多匹配博弈来研究DSO和FN之间的配对问题。最后,在同一个DSO中,我们在每个配对的FN和服务DSS之间应用另一层多对多匹配来解决FN-DSS配对问题。仿真结果表明,我们提出的框架可以显着提高基于物联网的网络系统的性能。
2017-01-14 cs.DC cs.GT
On Optimal and Fair Service Allocation in Mobile Cloud Computing
研究了移动云计算中多种移动应用(单个或群组以及协作移动应用)的最优公平服务分配问题。我们利用了这样的观察,即使用分层云,即多个级别(本地和公共)的云可以提高移动应用程序的性能和可扩展性。我们提出了一个新的框架,移动应用程序作为一个位置-时间工作流(LTW)的任务建模,在这里用户的移动模式被翻译为移动服务的使用模式。我们发现,考虑到多个QoS目标,如应用程序延迟,设备功耗和用户成本/价格的LTW分层云资源的最佳映射是一个NP-硬问题,为单个和基于组的应用程序。我们提出了一种高效的启发式算法,称为MuSIC,能够表现良好(73%的最佳,比简单的策略好30%),并扩展到大量的用户,同时确保高的移动应用QoS。我们通过实施(在真实世界的云上)和使用丰富的移动应用程序(如密集信号处理,视频流和多媒体文件共享应用程序)的广泛模拟来评估MuSIC和2层移动云方法。我们的实验和仿真结果表明,音乐集成电路支持可扩展的操作(100+并发用户执行复杂的工作流),同时提高QoS。与仅使用公共云相比,我们观察到延迟和功耗降低了约25%(在固定价格限制下),价格降低了约35%(考虑固定延迟)。我们的研究还表明,MuSIC在不同的移动模式下表现得很好,例如随机路点和曼哈顿模型。
2013-08-20 cs.DC cs.NI
Squeezing out the Cloud via Profit-Maximizing Resource Allocation Policies
我们研究的问题,最大限度地提高了平均每小时的利润所赚取的软件即服务(SaaS)提供商代表客户使用租用的服务器的服务器上运行的软件服务从一个云结构即服务(IaaS)提供商。SaaS提供商从每笔成功的交易中赚取费用,并产生与其使用的服务器小时数成比例的成本。在以前的工作中已经提出了一些资源分配政策,这个或类似的问题。然而,据我们所知,这些策略尚未在云环境中进行比较评估。本文报告了使用部署在Amazon EC2云上的维基百科副本对三种策略进行的实证评估。实验结果表明,基于SaaS提供商的效用函数的优化问题的解决方案的策略优于已提出的类似问题的众所周知的算法。它还表明,所有三个政策优于基于亚马逊的自动缩放功能的“反应式”分配方法。
2012-07-18 cs.DC cs.PF
Decentralised Service Allocation using Blockchain
本文针对 PropTech 领域中心化平台的反竞争问题,提出基于区块链执行交易与订单履行,并集成物联网实现小型服务租赁,从而构建更透明、稳健和去中心化的生态系统。
2023-08-12 cs.CE cs.CR cs.CY
CloudSim: A Novel Framework for Modeling and Simulation of Cloud Computing Infrastructures and Services
云计算侧重于交付可靠、安全、容错、可持续和可扩展的基础架构,以托管基于Internet的应用程序服务。这些应用程序具有不同的组成、配置和部署要求。在不同的负载、能源性能(功耗、散热)和系统规模下,针对不同的应用和服务模型,量化云基础设施(硬件、软件、服务)上的调度和分配策略的性能是一个极具挑战性的问题。为了简化这一过程,在本文中,我们提出CloudSim:一个新的广义和可扩展的模拟框架,使无缝建模,模拟和实验的新兴云计算基础设施和管理服务。该仿真框架具有以下新特征:(i)支持大规模云计算基础设施的建模和实例化,包括单个物理计算节点和Java虚拟机上的数据中心;(ii)用于建模数据中心、服务代理、调度和分配策略的自包含平台;(iii)虚拟化引擎的可用性,其帮助在数据中心节点上创建和管理多个独立的和共同托管的虚拟化服务;以及(iv)在处理核心到虚拟化服务的空间共享和时间共享分配之间切换的灵活性。
2009-03-14 cs.DC cs.OS cs.SE
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
Joint Model Assignment and Resource Allocation for Cost-Effective Mobile Generative Services
School of Electronic Information and Communications, Huazhong University of Science and Technology(华中科技大学电子信息与通信学院);School of Computer Science and Engineering, Central South University(中南大学计算机科学与工程学院);University of Windsor(温莎大学)
针对移动AIGC服务的高计算需求挑战,提出边缘赋能的服务系统,通过概率模型分配与启发式自适应资源配置算法,实现生成质量提升与延迟降低。
2024-09-09 cs.AI cs.DC cs.LG
Let's Share: A Game-Theoretic Framework for Resource Sharing in Mobile Edge Clouds
移动边缘计算寻求为不同的延迟敏感应用提供资源。这是一个具有挑战性的问题,因为边缘云服务提供商可能没有足够的资源来满足所有资源请求。此外,将可用资源最佳地分配给不同的应用也是具有挑战性的。不同边缘云服务提供商之间的资源共享可以解决上述限制,因为某些服务提供商可能具有可以由其他服务提供商“租用”的可用资源。但是,边缘云服务提供商可能有不同的目标或\emph{utilities}。因此,需要有一种高效率和有效的机制,在服务提供者之间分享资源,同时考虑到各提供者的不同目标。本文将资源共享问题建模为多目标优化问题,并提出了一个基于\emph{Cooperative Game Theory}(CGT)的解决框架。我们考虑的策略,每个服务提供商分配资源的本地应用程序第一,并与其他服务提供商的应用程序共享剩余的资源。我们证明了,对于单调的,非递减的效用函数,游戏是规范和凸。因此,\emph{core}不是空的,大联盟是稳定的。我们提出了两个算法\emph{Game-theoretic Pareto optimal allocation}(GPOA)和\emph{Polyandrous-Polygamous Matching based Pareto Optimal Allocation}(PPMPOA),提供从核心的分配。因此,所获得的分配是\emph{Pareto}最优的,并且所有服务提供者的大…
2020-01-02 cs.DC cs.MA cs.NI
Optimal Allocation of Tasks and Price of Anarchy of Distributed Optimization in Networked Computing Facilities
提出同时考虑服务器距离与逗留时间的任务分配模型,给出精确优化算法并分析分布式实现的无政府状态代价。
2024-04-08 cs.DC cs.GT cs.PF