QoS-Aware Resource Placement for LEO Satellite Edge Computing
随着提供全球宽带互联网接入的大型LEO卫星通信网络的出现，出现了在LEO网络内提供边缘计算资源的兴趣。LEO Edge承诺为全球客户端和物联网设备提供低延迟，高带宽的计算和存储资源访问，而无论其地理位置如何。目前的建议假设在每个LEO卫星上都有计算资源或服务副本，这需要大量的前期投资，并可能导致过度供应。为了有效地实施和使用LEO边缘，需要用于服务器和服务放置的方法，这些方法有助于选择卫星的最佳子集作为服务器或服务副本位置。在本文中，我们将展示如何利用LEO卫星网络的独特拓扑结构，将现有的研究资源放置在一个二维环面可以应用到这个问题。此外，我们扩展了现有的离散资源放置方法，允许放置QoS约束。在拟议的低轨卫星通信网络的模拟中，我们展示了QoS如何取决于轨道参数，我们提出的方法可以考虑到这些影响，现有的方法不能。
2022-02-25 cs.DC cs.NI
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
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
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
MicroIntent: Intent-Based Placement Strategy for Microservice Application in the Compute Continuum Using LLMs
Western Sydney University（西悉尼大学）；Federal Institute of Education, Science and Technology Sul-Riograndense (IFSUL)（南里奥格兰德联邦教育、科学和技术学院）
本文提出MicroIntent架构，利用大语言模型将用户自然语言意图转化为低级别SLO，以指导计算连续体中的微服务放置，并通过原型验证其可行性。
2026-09-09 cs.DC
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
Line-Constrained Geometric Server Placement
在本文中，我们提出了新的算法解决几个约束几何服务器布局问题。我们考虑的问题计算的1-中心和讨厌的1-中心的一组线段，约束躺在一条线段，和计算的K-中位数的一组点，约束躺在一条线上的问题。所提出的算法在许多类型的分布式系统中有应用，以及在利用分布式系统运行其应用程序（如化学，冶金，物理等）的各个领域。
2013-03-23 cs.CG cs.DC cs.DS
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
De-Fragmenting the Cloud
现有的虚拟机放置方案仅通过查看物理机的资源（CPU，内存）或网络资源来衡量其有效性。然而，实际应用程序在不同程度上使用所有资源类型。将现有放置方案应用于运行实际应用的VM的结果是碎片化的数据中心，其中，由于沿其他维度的资源不可用，沿一个维度的资源变得不可用，即使它们是可用的。这种碎片化的一个例子是CPU不可用，因为来自具有可用CPU的物理机的网络链路被检查。到目前为止，VM放置方案的有效性评估还没有认识到这种碎片化和它的不良影响，更不用说尝试测量它，避免它。在本文中，我们首先定义了我们所说的“相对资源碎片化”的概念，并说明它可以在数据中心进行测量。我们提出的用于捕获碎片化程度的指标是全面的，包括所有关键的数据中心资源类型。然后，我们提出了一个方案，最大限度地减少这种碎片，以最大限度地提高现有的数据中心资源的可用性。与现有的基于网络的布局方案相比，我们的布局方案的实证评估结果显示，碎片化减少了15%，成功放置的应用程序的数量增加了20%。
2015-06-23 cs.DC
OrigaMIG: MIG-Aware VM Placement with a Neighborhood-Restricted BILP and Live Migration
Amirkabir University of Technology（阿米尔卡比尔理工大学）
针对MIG感知的虚拟机放置问题，提出OrigaMIG优化器，采用贪心与邻域受限BILP结合实时迁移，最大化请求接受率、整合资源并降低迁移开销，实验证明其优于现有策略。
2026-10-06 cs.DC
Algorithms for Optimal Replica Placement Under Correlated Failure in Hierarchical Failure Domains
在数据中心，数据复制是用于确保客户数据可用性的主要方法。为了避免相关故障，云存储基础设施提供商使用树来对分层故障域进行建模，并且避免将大量数据副本放置在同一故障域内（即，在树的同一分支上）。典型的最佳实践确保副本分布在故障域，但相对较少的是已知的关于分布数据副本的优化算法。使用一个层次模型，我们回答如何跨故障域的副本最佳分配。我们制定了一个新的优化问题，在数据中心的副本放置。作为我们的问题的一部分，我们正式和解释一个新的标准，优化副本的位置。我们的总体目标是选择相关故障禁用尽可能少的副本的位置。我们提供了两个优化算法的依赖模型表示的树。我们首先提出了一个$O(n + ρ\log ρ)$时间动态规划算法放置$ρ$副本的一个单一的文件上的叶子（代表服务器）的树与$n$顶点。接下来我们考虑放置$m$数据块的副本的问题，其中每个块可能具有不同的复制因子。对于这个问题，我们给出了一个精确的算法，它运行在多项式时间时的偏斜，最大和最小的数据块之间的副本数量的差异，是常数。
2017-04-20 cs.DC cs.DM cs.DS
No Delay: Latency-Driven, Application Performance-Aware, Cluster Scheduling
考虑到在数据中心中观察到的网络延迟可变性，应用程序的性能也取决于它们在数据中心中的位置。我们提出了NoMora，集群调度架构，其核心是由延迟驱动，应用程序的性能感知，集群调度策略。该策略根据数据中心中主机对之间的测量网络延迟，考虑预期性能来放置应用程序的任务。此外，如果租户的应用经历增加的网络延迟，并且因此降低应用性能，则其应用可以被迁移到更好的位置。初步结果表明，我们的策略将整体平均应用程序性能提高了13.4%，如果启用抢占，则提高了42%，与Google集群工作负载上的随机策略相比，任务放置延迟提高了1.79倍，中值算法运行时间提高了1.16倍。这表明，可以通过利用网络延迟和应用性能之间的关系以及数据中心中的当前网络条件来提高应用性能，同时保持低延迟集群调度的需求。
2019-08-18 cs.DC cs.NI
Evaluation of the general applicability of Dragoon for the k-center problem
Universität der Bundeswehr München（慕尼黑联邦国防军大学）
k中心问题是我们在考虑复杂服务系统时经常面临的一个基本问题。典型的挑战包括在物流中放置仓库或为内容分发网络定位服务器。我们以前已经提出了龙骑兵作为一个有效的算法来处理的k-中心问题。本文评估了Dragoon，重点是与其他技术相比的潜在最差情况行为。我们使用进化算法生成的k-中心问题，特别是具有挑战性的龙骑兵的实例。最终，我们的实验证实了Dragoon之前的良好结果，但是，我们也可以可靠地找到其他方法明显优于它的场景。
2020-05-28 cs.AI cs.CC cs.DC
DRAPS: Dynamic and Resource-Aware Placement Scheme for Docker Containers in a Heterogeneous Cluster
虚拟化是一种很有前途的技术，它促进了云计算成为下一波互联网革命。由各种虚拟机提供支持的数百万应用程序被数据中心采用，提高了服务的服务质量。虽然虚拟机彼此之间隔离良好，但它们会受到冗余启动卷和缓慢配置时间的影响。为了解决这些限制，容器的诞生是为了部署和运行分布式应用程序，而无需启动整个虚拟机。作为一个主导者，Docker是容器技术的开源实现。在管理Docker容器集群时，管理工具Swarmkit没有考虑物理节点和虚拟化容器的异构性。异构性在于集群中的不同节点可能具有关于资源类型和可用性等的各种配置，并且服务产生的需求是变化的，例如CPU密集型（例如集群服务）以及内存密集型（例如Web服务）。在本文中，我们的目标是调查Docker容器集群和开发，DRAPS，一个资源感知的放置方案，以提高系统的性能在异构集群。
2018-05-22 cs.DC
Service Chaining Placement Based on Satellite Mission Planning in Ground Station Networks
随着卫星数量和种类的增加，要求卫星地面站以灵活、高效的方式为用户提供服务。网络功能虚拟化（NFV）可以提供一种新的范例，以在底层网络上为用户服务按需分配网络资源。然而，现有的工作大多集中在企业数据中心网络的虚拟网络功能（VNF）布局和路由流量问题上，该问题需要在卫星通信场景下进一步研究。在本文中，我们研究了卫星地面站网络中的VNF布局和路由流量问题。我们制定的资源分配的问题作为一个整数非线性规划（INLP）模型和目标是最小化的链路资源利用率和使用的服务器的数量。考虑到卫星定轨和任务规划的信息，分别提出了基于Greedy和IBM CPLEX 12.10的位置感知资源分配（LARA）算法。LARA算法可以通过预测用户业务的运行状况来辅助部署VNF和路由业务流。我们评估我们提出的LARA算法在三个网络的胖树，BCube和VL2的性能。仿真结果表明，LARA算法的性能优于无预测的LARA算法，可以有效地降低卫星地面站网络的平均资源利用率。
2021-03-04 cs.DC cs.NI
Towards a Complete Framework for Virtual Data Center Embedding
云计算被企业和零售客户广泛采用，以降低建立计算基础设施的前期成本。然而，切换到基于云的服务对客户和数据中心所有者都提出了许多问题。在这项工作中，我们提出了一个算法，多个虚拟数据中心的物理数据中心的最佳布局。我们的算法有两种操作模式-在线模式和批处理模式。协调的批处理和在线嵌入算法被用来最大限度地提高资源利用率，同时满足QoS要求。我们的算法的实验评估表明，接受率高-意味着更高的利润基础设施提供商。此外，我们还尝试检查VM迁移的数量，这可能会增加运营成本，从而导致违反服务级别协议。
2016-11-19 cs.DC
Data Placement and Replica Selection for Improving Co-location in Distributed Environments
在许多应用领域中，对大规模数据分析的需求不断增加，导致分布式数据管理系统的数量急剧增加，包括并行关系数据库和支持MapReduce等替代框架的系统。因此，对稀缺的数据中心资源（如网络带宽）的竞争日益增加;此外，为计算设备供电的能量需求也急剧增长。正如我们经验表明，通过在大量机器上分散数据来增加执行并行性可以实现减少查询延迟的预期目标，但在大多数情况下，可能会显着增加总资源和能源消耗。然而，对于许多分析工作负载，最小化查询延迟通常并不重要;在这种情况下，我们认为我们应该专注于最小化平均查询跨度，即，通过将经常一起访问的数据项托管在一起，参与处理查询的平均机器数量。在这项工作中，我们利用的事实，大多数分布式环境需要使用复制的容错，我们设计的工作负载驱动的副本选择和放置算法，试图尽量减少平均查询跨度。我们建模的历史查询工作量跟踪一组数据项的超图，并制定和分析的问题，通过绘制连接到几个研究良好的图论概念的副本放置。我们开发了一系列的算法来决定哪些数据项进行复制，以及在哪里放置副本。我们通过展示一系列合成和真实工作负载的结果来展示我们提出的方法的有效性。我们的实验表明，仔细的数据放置和复制可以显着减少平均查询跨度，从而显着减少资源消耗。
2013-02-18 cs.DB cs.DC
Modeling the Location Selection of Mirror Servers in Content Delivery Networks
对于内容分发网络（CDN）的提供商来说，镜像服务器的位置选择是一个复杂的优化问题。通常，目标是将节点集中放置，使得所有客户都可以根据他们的需求方便地访问服务。这是k中心问题的一个例子，它被证明是NP难的。确定合理的服务器位置直接影响运行时间效果和未来的服务成本。我们对内容分发网络的属性进行建模、仿真和优化。具体而言，考虑具有优先客户和加权连接的网络基础设施中的服务器位置。服务器的仿真模型是必要的，以分析根据目标客户的请求的缓存行为。我们分析了问题，并比较不同的优化策略。对于我们的模拟，我们采用各种现实的情况下，并评估几个性能指标。我们的新优化方法显示出显著的改进。所给出的结果一般适用于其他具有k-中心问题的域，例如，军事基地的布置、设施位置的规划和布置或数据采掘。
2020-05-28 cs.DC cs.NI cs.SY
