Orchestration in the Cloud-to-Things Compute Continuum: Taxonomy, Survey and Future Directions
本文针对云到物计算连续体中的编排需求,提出详细分类法,批判性综述现有研究,并讨论关键挑战与概念框架。
2023-09-05 cs.DC
Exploiting Workload Cycles for Orchestration of Virtual Machine Live Migrations in Clouds
云环境中的虚拟机实时迁移旨在降低能源成本并提高资源利用率。然而,它的潜力尚未得到充分开发,因为同时迁移可能会导致用户应用程序性能下降和网络拥塞。关于实时迁移编排策略的研究工作仍然主要依赖于系统级指标。这项工作介绍了一个应用程序感知的实时迁移架构(ALMA),选择合适的时刻迁移使用应用程序的特征数据。这种表征包括通过快速傅立叶变换识别资源使用周期。从我们的实验中,与没有应用程序工作负载分析的迁移策略相比,基准测试的实时迁移时间减少了74%,实际应用程序减少了67%。实时迁移过程中的网络数据传输减少了高达62%。
2016-07-26 cs.DC
Lifting the Fog of Uncertainties: Dynamic Resource Orchestration for the Containerized Cloud
针对容器化云的配置不确定性,本文提出基于 Contextual Bandit 的 Drone 动态资源编排框架,自适应调参以兼顾性能与成本,并通过次线性遗憾理论和实验验证其收益。
2023-09-29 cs.DC
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
Kirin: Cloud-native WebAssembly Service Orchestration
Technische Universität Berlin(柏林工业大学)
本文提出Kirin,一个云原生WebAssembly服务编排器,支持资源调度、生命周期管理等核心功能,评估显示其在服务工作负载上性能与容器相当,是容器的可行替代方案。
2026-10-01 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
Agentic Orchestration of HPC Applications in Cloud
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
研究利用智能代理实现HPC应用程序在云环境中实验运行的全生命周期管理,通过四个知名HPC应用构建多平台镜像并优化,展示成功线性缩放等成果及提出最佳实践。
2026-07-07 cs.DC
ECHO: An Adaptive Orchestration Platform for Hybrid Dataflows across Cloud and Edge
物联网(IoT)正在提供前所未有的观测数据,用于管理智慧城市公用事业。边缘和雾网关设备是物联网部署的一个组成部分,用于获取实时数据并实施控制。最近,边缘计算正在成为补充以云为中心的分析的一流范例。但一个关键的限制是缺乏跨边缘和云的应用程序的平台即服务。在这里,我们提出了ECHO,一个编排平台,跨分布式资源的业务流程。ECHO的混合数据流组合可以在不同的数据模型上操作-流,微批处理和文件,并与TensorFlow和Storm等本地运行时引擎接口以执行它们。它管理应用程序的生命周期,包括基于容器的部署和用于状态管理的注册表。ECHO可以在不同的Edge、Fog和Cloud资源上调度任务流,也可以在资源之间进行动态任务迁移。我们验证了ECHO平台在Raspberry Pi、NVidia TX 1、ARM 64和Azure Cloud VM资源上执行智能交通和智能实用程序应用的视频分析和传感器流,并展示了我们的结果。
2017-07-04 cs.DC
Converter: A CEAML Reasoner Python package to Streamline Orchestration Across Cloud and Edge Continuum
本文提出 Converter 工具,可将 TOSCA 扩展 CEAML 描述转换为 Kubernetes 或 Kubevirt 定义文件,并以 Python 包形式供编排器辅助使用。
2024-04-29 cs.DC
Cost-Efficient Orchestration of Containers in Clouds: A Vision, Architectural Elements, and Future Directions
本文提出了一个架构框架,在云环境中的容器的有效编排。它围绕资源调度和重新调度策略以及自动缩放算法,使创建弹性虚拟集群。通过这种方式,所提出的框架使得能够在封装在容器中的不同客户端应用之间共享计算环境,包括Web服务、离线分析作业和后端预处理任务。所设计的资源管理算法和策略将提高可用虚拟资源的利用率,以降低提供商的运营成本,同时满足各种类型的应用程序的资源需求。所提出的算法将考虑以前被其他解决方案忽略的因素,包括1)获取资源的定价模型,2)应用程序的容错性,以及3)运行应用程序的QoS要求,如Web服务的延迟和吞吐量以及分析和预处理作业的截止日期。建议的解决方案将通过开发一个基于现有容器编排平台的原型平台进行评估。
2018-07-10 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
Intelligent Autonomous Orchestration for Distributed Cloud Resources using Complex-Stability Analysis
Department of Computer Science \& Engineering Presidency University, Bengaluru, India Email;Department of Computer Science \& Engineering REVA University, Bengaluru, India Email
本文提出C-SAS框架,利用复分析方法实现系统均衡,通过实时计算稳定性指数抑制振荡,实验显示其在VM波动和资源效率方面优于传统PID和ML方法。
2026-05-02 cs.AI cs.DC
Robust Orchestration of Concurrent Application Workflows in Mobile Device Clouds
设想了一种混合移动/固定设备云,其利用现场中的移动和固定设备的感测、计算、通信和存储能力以及远程数据中心中的计算和存储服务器的感测、计算、通信和存储能力。可以利用移动终端云来实现创新的普及应用,这些应用依赖于对现场收集的传感器数据的实时、原位处理。为了支持设备云上的并发移动应用,提出了一种健壮、安全的分布式计算框架Maestro。Maestro的关键组件是(i)任务调度机制,除了任务重新分配之外,还采用受控的任务复制以实现鲁棒性,以及(ii)Dedup,用于在并发的普遍工作流中进行任务重复数据删除。提出了一种基于体系结构的解决方案,该方案依赖于任务分类和对任务类别的授权访问,用于不同级别的保护。通过基于Android和Linux的移动设备的原型测试平台以及模拟进行实验评估,以证明Maestro的能力。
2017-01-05 cs.DC
Intelligent Cloud Orchestration: A Hybrid Predictive and Heuristic Framework for Cost Optimization
G H Patel College of Engineering and Technology(G H Patel工程技术学院)
本文提出结合LSTM预测与启发式方法的混合框架,以在保持快速响应时间的同时降低云资源管理成本。
2026-04-02 cs.AI cs.DC cs.LG
Speculative Policy Orchestration: A Latency-Resilient Framework for Cloud-Robotic Manipulation
Department of Computing Science, Umeå University(乌梅大学计算科学系);School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology(皇家理工学院电气工程与计算机科学学院)
本文提出SPO框架,通过预计算并流式传输未来运动学路径点,降低网络延迟对系统的影响,提升云机器人操控的实时性和安全性。
2026-03-19 cs.DC cs.RO
Reliable Actors with Retry Orchestration
云开发人员必须构建对故障和中断具有弹性的应用程序。我们提倡基于参与者、重试编排和尾调用的云容错编程模型。这个模型建立在云上随时可用的持久数据存储和消息队列之上。协同编排不仅保证(1)失败的参与者调用将被重试,而且还保证(2)完成的调用永远不会重复,并且(3)它在调用堆栈内的失败之间保留严格的happen-before关系。尾调用可以将复杂的任务分解为简单的步骤,以最大限度地减少恢复期间的重复执行。我们回顾了关键的应用程序模式和故障场景。我们形式化的进程演算,以准确地捕捉该模型中的容错机制。我们简单介绍一下我们的实现。使用一个典型的企业场景启发的应用程序,我们验证我们的实现功能的正确性,并评估故障准备和恢复对性能的影响。
2022-11-11 cs.DC cs.PL
Towards a Decentralised Application-Centric Orchestration Framework in the Cloud-Edge Continuum
本文提出Swarmchestrate,一个受Swarm自组织原则启发的去中心化应用中心编排框架,解决云-边缘连续体中复杂分布式应用的端到端管理难题,初步仿真验证了其在应用部署和资源优化分配方面的潜力。
2025-04-01 cs.DC cs.NE cs.NI
Imaginary Machines: A Serverless Model for Cloud Applications
本文提出 Imaginary Machines 模型,将无服务器平台的高弹性资源以传统主机网络模型暴露给未修改的云应用,并通过执行信号透明管理资源,从而消除显式运行时编排,提升资源利用率并降低管理成本。
2024-06-30 cs.DC cs.NI cs.OS
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
Uncovering the Perfect Place: Optimising Workflow Engine Deployment in the Cloud
在编排高度分布式和数据密集型的Web服务工作流时,编排引擎的地理位置会极大地影响工作流的整体性能。我们提出CloudForecast:一种Web服务框架和分析工具,在给定工作流规范的情况下,计算最佳Amazon EC2 Cloud区域,以自动部署编排引擎并执行工作流。我们使用Amazon Cloud区域和工作流节点之间的工作流地理距离、网络延迟和HTTP往返时间来查找云区域的排名。这个总体排名预测了工作流编排引擎应该部署在哪里,以减少总体执行时间。我们的实验结果表明,我们提出的优化策略,根据特定的工作流程,可以加快执行时间平均82.25%相比,本地执行。
2014-10-22 cs.DC
SGX-Aware Container Orchestration for Heterogeneous Clusters
容器正在成为在云中打包和部署应用程序和微服务的事实标准。一些云提供商(例如,Amazon、Google、Microsoft)开始通过在其云产品中集成容器编排工具,在其基础设施上提供原生支持。与此同时,容器为应用程序提供的安全保证仍然值得怀疑。客户仍然需要在数据和代码完整性方面信任他们的云提供商。英特尔最近将Software Guard Extensions(SGX)引入大众市场,为开发人员提供了一种替代方案,他们现在可以在硬件安全的环境中执行代码,而无需信任云提供商。本文提供了有关Kubernetes(一种行业标准容器编排器)内部SGX支持的见解。我们在整个堆栈中展示了我们的贡献,以支持启用SGX的容器的执行。我们提供的调度程序和它的监控框架,底层的操作系统支持和所需的内核驱动程序扩展的体系结构的细节。我们使用真实世界的Google Borg痕迹在私有集群上评估我们的完整实现。我们的实验突出了在云中部署支持SGX的微服务时会遇到的性能权衡。
2018-07-27 cs.DC
QCOEM: Quantum Cloud Orchestration with Evolutionary Multi-Objective Optimization
University of Information Technology(信息技术大学);Vietnam National University(越南国立大学);Data61, CSIRO(CSIRO数据61)
研究量子云平台跨异构后端动态编排工作负载的问题,提出QCOEM框架,利用进化算法进行多目标优化调度,比较NSGA-II和NSGA-III,应用AASF规则,性能评估显示该框架能提供稳定高保真执行及轻量级资源管理。
2026-07-29 cs.DC cs.ET quant-ph
Agentic Autoscaling through Worker-Pool Orchestration for LLM-driven Text Classification in Cloud Computing Environments
The University of Melbourne(墨尔本大学);Banaras Hindu University(贝拿勒斯印度教大学)
针对LLM文本分类的高延迟与突发负载,提出基于工作池编排的智能体自动扩缩容框架,集成优先级队列与动态工作池,在AG News和SMS Spam数据集上分别达到90.5%和99.5%准确率,优于基线并提升资源效率。
2026-09-15 cs.DC
Location, Location, Location: Data-Intensive Distributed Computing in the Cloud
在编排高度分布式和数据密集型的Web服务工作流时,编排引擎的地理位置会极大地影响工作流的整体性能。演示引擎通常从组织的网络内运行,并且可能必须跨长的地理距离传输数据,这反过来增加了执行时间并降低了工作流的整体性能。在本文中,我们提出了CloudForecast:一个Web服务框架和分析工具,它给出了一个工作流规范,计算最佳的亚马逊EC2云区域自动部署编排引擎和执行工作流。我们使用Amazon Cloud区域和工作流节点之间的工作流地理距离、网络延迟和HTTP往返时间来查找云区域的排名。这个简单指标的组合集有效地预测了工作流编排引擎应该部署在哪里,以减少总体执行时间。我们通过执行在PlanetLab平台上部署的随机生成的数据密集型工作流来评估我们的方法,以便对Amazon EC2 Cloud区域进行排名。我们的实验结果表明,我们提出的优化策略,根据特定的工作流程,可以加快执行时间平均82.25%相比,本地执行。我们还表明,执行时间的标准差减少了近65%的平均使用优化策略。
2014-02-03 cs.DC
Cloud-Side Transactional Orchestration Framework for Resource-Constrained Embedded Systems
Binghamton University(宾汉姆顿大学)
本文提出一种云侧事务编排框架(T-BFF),通过将状态机迁移至云端并采用双握手协议,在资源受限设备上降低35%堆使用并提升40%事务延迟。
2026-09-21 cs.DC cs.NI
Ksurf-Drone: Attention Kalman Filter for Contextual Bandit Optimization in Cloud Resource Allocation
Electrical \& Computer Engineering University of Toronto Toronto, Canada
针对云资源编排中高波动环境导致决策不准的问题,提出Ksurf-Drone方案,将方差最小化估计方法Ksurf结合Drone编排器,在VarBench基准上实现了延迟、资源占用与成本的显著优化。
2025-11-12 cs.AI cs.DC
Containers Orchestration with Cost-Efficient Autoscaling in Cloud Computing Environments
容器是独立的、自包含的单元,将软件及其依赖项打包在一起。它们提供轻量级的性能隔离、快速灵活的部署以及细粒度的资源共享。近年来,它们在更好的应用程序管理和部署方面越来越受欢迎,并被组织广泛用于在专有集群或云数据中心部署日益多样化的工作负载,如Web服务,大数据和物联网。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。这些平台中的大多数都是为了优化固定大小的私有集群上的容器调度而定制的,但不能自动扩展集群的大小,也不能考虑特定于公共云环境的功能。在这项工作中,我们提出了一个全面的容器资源管理方法,有三个不同的目标。第一个是通过在现有资源上有效地调度容器来优化容器的初始放置。第二个是在运行时根据当前集群的工作负载自动调整资源数量。第三个是重新调度机制,通过在可能的情况下将应用程序整合到更少的VM中,进一步支持资源的有效使用。我们的算法被实现为Kubernetes平台的插件调度器。我们评估了我们的框架和澳大利亚国家云基础设施上提出的算法的有效性。我们的实验表明,可以实现相当大的成本节约,通过动态管理集群的大小和应用程序的位置。我们发现,与默认的Kubernetes调度程序相比,我们提出的方法能够将成本降低58%。
2018-12-02 cs.DC
Quantum Reinforcement Learning for Cost and Delay Tradeoffs in Quantum Cloud Orchestration
University of Information Technology, Vietnam National University, Ho Chi Minh City(胡志明市越南国家大学信息技术大学);Monash University(莫纳什大学);CSIRO(澳大利亚联邦科学与工业研究组织)
提出QRLQ框架,将参数化量子电路与决斗双深度Q网络结合,在量子云编排中实现成本与延迟权衡,相比启发式方法降低成本延迟,且参数更少。
2026-09-24 cs.AI cs.DC cs.ET
SynergAI: Edge-to-Cloud Synergy for Architecture-Driven High-Performance Orchestration for AI Inference
National Technical University of Athens(雅典国立技术大学)
SynergAI是一个跨异构端云基础设施的架构感知推理服务框架,通过结合离线和在线决策策略动态分配工作负载,在Kubernetes中实现后,相比SotA方案将QoS违规平均降低了2.4倍。
2025-09-12 cs.DC
HELIOS: Guardrailed LLM-Driven Evolution of Autonomous Resource Orchestration Policies for Multi-Cloud Distributed Systems
New York University(纽约大学);Pepperdine University(佩珀代因大学)
HELIOS通过护栏式LLM驱动演化生成可执行编排策略,在离线模拟中优化多云资源编排,相比基线降低45%运营成本,并确保生产环境安全。
2026-09-10 cs.DC
Triggerflow: Trigger-based Orchestration of Serverless Workflows
由于无服务器计算,越来越多的应用程序正在迁移到云中,因此越来越有必要在数据中心支持这些应用程序的本机生存周期执行。但现有的系统要么专注于短期运行的工作流(如IBM Composer或Amazon Express Workflows),要么为同步大规模并行作业(Azure Durable Functions,Amazon Step Functions,Google Cloud Composer)带来相当大的开销。它们都不是开放系统,可以对自定义工作流进行可扩展的拦截和优化。我们介绍Triggerflow:一个可扩展的基于触发器的演示架构,用于构建在Knative Eventing和Kubernetes技术之上的无服务器工作流。我们证明了Triggerflow是一种新型的无服务器构建块,能够构建不同的反应式编译器(状态机,有向无环图,工作流作为代码)。我们还验证了它可以支持大容量事件处理工作负载,按需自动扩展并透明地优化科学工作流程。
2020-06-17 cs.DC
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
Triggerflow: Trigger-based Orchestration of Serverless Workflows
随着越来越多的应用程序因无服务器计算而迁移到云中,越来越有必要支持这些应用程序在数据中心的本机生存周期执行。但现有的云编排系统要么专注于短期运行的工作流(如IBM Composer或Amazon Step Functions Express Workflows),要么为同步大规模并行作业(Azure Durable Functions,Amazon Step Functions)带来相当大的开销。它们都不是开放系统,可以对自定义工作流进行可扩展的拦截和优化。我们提出了Triggerflow:一个可扩展的基于触发器的无服务器工作流演示架构。我们证明了Triggerflow是一种新型的无服务器构建块,能够构建不同的反应式编排(状态机,有向无环图,工作流作为代码,联邦学习编排器)。我们还验证了它可以支持大容量事件处理工作负载,在不使用时按需自动扩展到零,并在编排长时间运行的科学工作流时透明地保证容错和有效的资源使用。
2021-06-22 cs.DC
Synergizing Monetization, Orchestration, and Semantics in Computing Continuum
IISER Berhampur(印度科学教育研究所伯拉姆浦分校);Center for Ubiquitous Computing, University of Oulu(奥卢大学泛在计算中心);Computer and Systems Sciences, Stockholm University(斯德哥尔摩大学计算机与系统科学系);Department of Mechatronics, University of Prishtina(普里什蒂纳大学机电工程系);Distributed Systems Group, TU Wien(维也纳工业大学分布式系统研究组);ICREA(加泰罗尼亚高级研究院)
HERMES框架通过整合货币化、编排与语义技术,提升计算连续体中资源利用和分布式应用的效率与可信度。
2025-12-09 cs.DC
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
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
Orchestrating Complex Application Architectures in Heterogeneous Clouds
私有云基础设施现已在技术行业和研究机构中广泛部署和采用。虽然云计算已经成为现实,但现在已知单个云提供商不能完全满足复杂的用户需求。这导致人们对开发将不同的异构云基础设施绑定在一起的混合云解决方案越来越感兴趣。在本文中,我们描述的编排方法,异构云已实施和使用的INDIGO-DataCloud项目。该编排模型使用现有的开源软件(如OpenStack),并利用OASIS拓扑和云应用程序规范(TOSCA)开放标准作为建模语言。我们的方法以同质和透明的方式使用虚拟机和Docker容器,为用户提供一致的应用程序部署。通过使用INDIGO-DataCloud解决方案实施的不同科学界的两个不同用例来说明这种方法。
2017-11-09 cs.DC
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
Containerisation for High Performance Computing Systems: Survey and Prospects
容器提高了应用程序部署的效率,因此在云计算和最近的高性能计算(HPC)环境中得到了广泛的应用。容器将复杂的程序及其依赖项封装在隔离的环境中,使应用程序更具兼容性和可移植性。通常,HPC系统具有比云系统更高的安全级别,这限制了用户自定义环境的能力。因此,HPC上的容器需要包含大量的库,这使得它们的大小相对较大。这些库通常针对硬件进行了专门优化,这会损害容器的可移植性。相反,云容器体积更小,更便携。此外,容器将受益于编排,便于大规模部署和管理容器。与HPC系统相反,云系统在实践中通常包含复杂的容器编排机制。尽管如此,一些解决方案,使容器编排HPC系统已被提出在最先进的状态。本文给出了一个调查和分类的努力,在容器化和编排策略的HPC系统。它强调了云和HPC之间的差异。最后,挑战进行了讨论,研究和工程的潜力进行了展望。
2022-12-16 cs.DC
Joint$λ$: Orchestrating Serverless Workflows on Jointcloud FaaS Systems
State Key Laboratory of Complex & Critical Software Environment, College of Computer Science and Technology, National University of Defense Technology(复杂与关键软件环境国家重点实验室,计算机科学与技术学院,国防科技大学);Xiangjiang Lab, Hunan University Of Technology and Business(湘江实验室,湖南工业大学)
本文提出Joint$λ$,一种分布式运行时系统,用于在多个FaaS系统上协调无服务器工作流,解决跨云工作流的高可用性和故障容忍问题,通过函数侧协调减少通信开销,提升性能和降低成本。
2026-04-04 cs.DC
Smart Adaptive Computing Across the Continuum: LLMs in IoT-Edge-Cloud Resource Management
University of Pisa(比萨大学);LUISS University(路易斯大学)
本文扩展了DRL编排系统分类法,加入AI增强范式与反馈通道两维度,发现六系统中无结合完整LLM编排与智能体反馈者,并指出缺失跨层反馈抽象是核心问题。
2026-09-10 cs.AI cs.DC cs.MA
LLM-Driven Intent-Based Privacy-Aware Orchestration Across the Cloud-Edge Continuum
The University of Melbourne(墨尔本大学);Monash University(莫纳什大学)
本文提出了一种动态管道重新配置方法,用于在云-边连续体上实现意图驱动的隐私意识协同,通过减少服务停机时间和性能损失来优化LLM推理效率。
2026-02-18 cs.DC
QONNECT: A QoS-Aware Orchestration System for Distributed Kubernetes Clusters
Technische Universität Berlin(柏林工业大学)
本文提出 QONNECT,一个厂商无关的 QoS 感知编排框架,通过中央知识库与分布式代理架构,实现跨异构 Kubernetes 集群的声明式应用部署与动态迁移,并在九集群测试平台上验证了其自动故障转移与自我优化能力。
2025-10-10 cs.DC
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
Container Orchestration in Edge and Fog Computing Environments for Real-Time IoT Applications
资源管理是充分利用边缘/雾计算潜力执行实时的【形】关键物联网应用的主要因素。虽然存在一些资源管理框架,但大多数都不是基于分布式容器化组件设计的。因此,它们不适合高度分布式和异构的计算环境。容器化的资源管理框架(如FogBus 2)可以有效地将框架组件与物联网应用组件一起分发。然而,大量容器的管理、部署、健康检查和可扩展性是具有挑战性的问题。为了编排多个容器,开发了若干编排工具。但是,这些编排工具中的许多都是重量级的,并且具有很高的开销,特别是对于资源有限的边缘/雾节点。因此,对于由异构边缘/雾和/或云节点组成的混合计算环境,需要轻量级容器编排工具来支持边缘/雾处的资源有限的资源和云处的资源丰富的资源。因此,在本文中,我们针对提供容器化资源管理框架的FogBus 2框架提出了一种基于K3构建混合轻量级集群的可行方法。这项工作解决了在混合计算环境中创建轻量级计算集群的挑战。本文还提出了在混合环境中部署FogBus 2框架的三种设计模式,包括1)主机网络,2)代理服务器,3)环境变量。性能评估表明,该方法在可接受的低开销情况下,将实时的【形】物联网应用的响应时间提高了29%.
2022-03-10 cs.DC
Optimal Deployment of Geographically Distributed Workflow Engines on the Cloud
在编排Web服务工作流时,编排引擎的地理位置会极大地影响工作流性能。数据可能必须跨越很长的地理距离进行传输,这反过来又增加了执行时间并降低了工作流的整体性能。在本文中,我们提出了一个框架,给定一个基于DAG的工作流规范,计算最佳的Amazon EC2云区域来部署编排引擎和执行工作流。该框架采用了一个约束模型,解决了工作流部署问题,这是使用自动约束建模系统生成的。通过执行代表科学工作量的不同示例工作流来评估框架的可行性。实验结果表明,该框架减少了工作流的执行时间,并提供了1.3倍-2.5倍的速度超过集中式的方法。
2014-10-30 cs.DC
QAOA in Quantum Datacenters: Parallelization, Simulation, and Orchestration
本文提出面向量子数据中心的大规模并行自动化QAOA工作流,集成问题分解、批量作业生成与高性能仿真,通过Divi、Maestro及云平台实现自动化资源编排,验证了QAOA划分不损害优化性能且优于经典求解器。
2025-03-08 cs.DC quant-ph
Hierarchical Federated Learning through LAN-WAN Orchestration
Peking University(北京大学)
联邦学习(FL)旨在使移动电话能够协作学习全局模型,而无需将其私有数据上传到云服务器。然而,现有的FL协议在通常由广域网(WAN)供电的联合网络中具有关键的通信瓶颈,并且具有隐私问题。这样的WAN驱动的FL设计导致显著高的成本和慢得多的模型收敛。在这项工作中,我们提出了一个有效的FL协议,它涉及到一个分层聚合机制,在局域网(LAN),由于其丰富的带宽和几乎可以忽略不计的货币成本比WAN。我们提出的FL可以加速学习过程,并减少货币成本,在同一局域网中频繁的本地聚合和不频繁的跨WAN云上的全球聚合。我们进一步设计了一个具体的FL平台,即LanFL,它结合了几个关键技术来处理这些挑战所带来的局域网:云设备聚合架构,局域网内对等(P2P)拓扑生成,局域网间的带宽容量异构性。我们在2个典型的非IID数据集上对LanFL进行了评估,结果表明LanFL可以显著加快FL训练速度(1.5倍-6.0倍),节省WAN流量(18.3倍-75.6倍),并在保持模型准确性的同时降低货币成本(3.8倍-27.2倍)。
2020-10-22 cs.DC cs.LG
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
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
Introducing k4.0s: a Model for Mixed-Criticality Container Orchestration in Industry 4.0 (extended)
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学)
时间可预测的边缘云被视为工业4.0环境中许多新兴需求的答案,因为它能够提供灵活、模块化和可重新配置的服务,同时具有低延迟和低成本。演示系统正在成为云的核心组件,因为它们决定软件组件的放置和生命周期。当前的解决方案开始引入实时容器支持时间可预测性;然而,这些方法缺乏确定性以及对需要多个保证/关键性级别的工作负载的支持。在本文中,我们提出了k4.0s,一个编排模型的实时和混合的关键性环境,其中包括及时性,关键性和网络的要求。该模型利用了节点和作业的新抽象,例如,节点保证,并且需要新颖的监控策略。我们基于Kubernetes概述了该提案的实现,并提出了一个实验,以激发对节点保证级别和适当监控的需求。
2023-01-04 cs.DC cs.RO
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
MockFog 2.0: Automated Execution of Fog Application Experiments in the Cloud
雾计算是一种新兴的计算范式,它使用位于边缘、云中以及可能介于两者之间的处理和存储功能。然而,测试和基准测试雾应用程序是很困难的,因为运行时基础设施通常会被使用,或者可能还不存在。虽然基础设施测试台的仿真方法确实存在,但它们的重点通常是边缘设备的仿真。其他方法也可以模拟核心网络或云中的基础设施,但它们不支持自动化实验编排。在本文中,我们建议评估雾应用程序在云中创建的模拟基础设施测试平台上,可以根据预定义的编排时间表进行操作。开发人员可以自由地设计基础设施、配置性能特征、管理应用程序组件以及编排他们的实验。我们还介绍了我们的概念验证实现MockFog 2.0。我们使用MockFog 2.0来评估基于雾的智能工厂应用程序,并展示如何使用其功能来研究基础设施变化和工作负载变化的影响。通过这些实验,我们还表明,即使在公共云环境中,MockFog也可以实现良好的实验再现性。
2021-05-11 cs.DC
Autonomic Federated-Market Orchestration for the Edge-Cloud Continuum
University of Oulu(奥卢大学);EURECOM(欧洲多媒体通信研究所);University of Jyväskylä(于韦斯屈莱大学);AMD Silo AI;University of Helsinki(赫尔辛基大学)
提出Neural Pub/Sub联邦代理自主基板,通过基于市场的价格信号实现去中心化编排,在边缘-云连续体中实现与集中式预言机相当的福利效率,并验证了其抗故障性和主权执行零开销。
2026-05-26 cs.DC cs.GT cs.MA