Efficient Large-Scale Multiple Migration Planning and Scheduling in SDN-enabled Edge Computing
在移动边缘云中分配的容器化服务为大规模和实时应用程序提供了低延迟响应的机会。同时，引入实时容器迁移，支持动态资源管理和用户移动性。然而，随着网络拓扑规模的扩大和迁移请求的增加，目前云数据中心的多种迁移规划和调度算法已不能适应边缘计算中的大规模场景。边缘计算中的用户移动性引起的实时迁移需要接近实时的调度。因此，本文通过软件定义网络（SDN）控制器，将实时迁移之间的资源竞争建模为动态资源依赖图。提出了一种基于迭代最大独立集（MIS）的多迁移规划调度算法.使用出租车和电信基站坐标的真实移动轨迹，评估结果表明，我们的解决方案可以在大规模边缘计算环境中有效地调度多个实时容器迁移。与云中最先进的迁移规划算法相比，它将处理时间缩短了3000倍，同时为时间关键型迁移提供有保证的迁移性能。
2021-11-17 cs.DC cs.NI
LLM-Based Multi-Agent Collaboration for Constrained Multi-Objective Container Placement
IIT Guwahati（印度理工学院古瓦哈提分校）；NIT Agartala（特里普拉国立技术学院）
针对数据中心容器放置需同时优化功耗与亲和性并满足硬约束的问题，提出基于LLM的多智能体协作框架，通过辩论、TGA仲裁和MIR优化，在Google集群数据上实现功耗降低8.36%、亲和性提升39.30%。
2026-10-07 cs.DC cs.MA
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
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
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
A Distributed Application Placement and Migration Management Techniques for Edge and Fog Computing Environments
雾/边缘计算模型允许利用物联网（IoT）设备附近的资源来支持各种类型的实时IoT应用。然而，由于用户的移动性和具有不同要求的广泛的物联网应用，满足这些应用的要求是一个具有挑战性的问题。由于资源有限，仅在一个雾/边缘服务器上执行IoT应用程序可能并不总是可行的，而在不同服务器上执行IoT应用程序需要服务器之间的进一步协作。此外，考虑到用户的移动性，每个物联网应用程序的某些模块可能需要迁移到其他服务器上执行，从而导致服务中断和额外的执行成本。在这篇文章中，我们提出了一个新的加权成本模型分层雾计算环境，在响应时间的物联网应用程序和物联网设备的能耗方面，以尽量减少成本运行物联网应用程序和潜在的迁移。此外，提出了一种分布式集群技术，使任务的协同执行，从应用程序模块，服务器之间发出。此外，我们提出了一种应用程序放置技术，以最大限度地减少以分布式方式在多个服务器上执行物联网应用程序的总体成本。此外，提出了一种分布式迁移管理技术，用于解决用户移动过程中应用程序模块向其他远程服务器迁移的问题，并在集群、应用程序放置和迁移管理技术中嵌入了故障恢复方法，用于从不可预测的故障中恢复。性能结果表明，我们的技术显着提高了其同行的位置部署时间，任务的平均执行成本，迁移总数，中断任务的总数，和累计迁移成本。
2021-08-05 cs.DC cs.PF
Continuous reasoning for adaptive container image distribution in the cloud-edge continuum
University of Ferrara（费拉拉大学）；University of Pisa（比萨大学）；University of Calabria（卡拉布里亚大学）
本文提出一种基于逻辑编程的声明式方法与开源原型，通过ASP确定容器镜像初始放置，并利用Prolog连续推理进行自适应调整，在云边连续体中平衡成本优化与快速决策。
2025-04-05 cs.AI cs.DC cs.LO
PRIMAL: PRofIt Maximization Avatar pLacement for Mobile Edge Computing
我们提出了一个云网络架构，将计算资源从集中式云带到边缘。因此，每个用户设备（UE）可以以较低的端到端（E2E）延迟与其化身（位于微云中的软件克隆）通信。然而，UE随时间移动，因此如果UE的化身停留在其原始微云中，则可能无法维持低E2E延迟。因此，实时化身迁移（即，基于UE的位置将UE的化身迁移到合适的微云）能够维持每个UE与其化身之间的低E2E延迟。另一方面，迁移本身在化身的资源方面引起额外的开销，这损害了在化身中运行的应用程序的性能。通过考虑增益（即，E2E延迟减少）和成本（即，迁移开销），我们提出了一个PRofIt最大化化身pLacement（PRIMAL）策略的cloudlet网络，以优化迁移收益和迁移成本之间的权衡，通过选择性地迁移化身到他们的最佳位置。仿真结果表明，与其他两种策略（即，跟随我化身和静态），PRIMAL在保持UE与其化身之间的低平均E2E延迟方面最大化利润，同时最小化迁移成本。
2015-10-14 cs.DC cs.NI
Performance Estimation of Container-Based Cloud-to-Fog Offloading
雾计算将在云上运行的延迟关键应用服务卸载到位于网络边缘的资源上，这些服务非常接近最终用户设备。本文中的研究是出于对特征和估计所需的时间卸载服务使用容器，这是在“保存和加载”容器迁移技术的背景下进行调查。为此，该研究解决了诸如雾卸载是否可以准确建模以及哪些系统和网络相关参数影响卸载等问题。这些都是通过探索一个目录的21个不同的指标，在系统和过程的水平，被用作输入到四个估计技术，使用集体模型和个人模型来预测卸载所需的时间。这项研究收集了110多万个数据点，初步结果表明，可以准确地模拟卸载。
2019-09-11 cs.DC
Integration of FogBus2 Framework with Container Orchestration Tools in Cloud and Edge Computing Environments
目前，由于容器技术具有重量轻、部署简单、支持多环境、启动时间短、可扩展、易迁移等优点，在云计算和边缘/雾计算中得到了广泛应用，并解决了不同计算环境下的设备异构问题。在此基础上，作为最流行的容器编排和管理系统之一，Kubernetes几乎主导了云环境。但是，由于它主要是为计算资源充足的集中式资源管理场景而设计的，因此由于硬件限制，该系统在边缘环境中不稳定。因此，为了实现云和边缘/雾混合计算环境下的容器编排，提出了一种可行的基于K3 s构建混合集群的方法，解决了不同环境下虚拟实例因IP地址而无法连接的问题。我们还提出了将FogBus 2框架部署到混合环境中的三种设计模式，包括1）主机网络模式，2）代理服务器和3）环境变量。
2021-12-11 cs.DC
Annotation-Driven Migration of CUDA Programs to Tenstorrent Blackhole
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
本文提出一种基于MLIR的编译器，利用声明式注释将CUDA HPC内核迁移至Tenstorrent Blackhole，实现空间映射与核间协调，在多个基准上获得最高4.2倍加速。
2026-10-05 cs.DC
A Taxonomy of Live Migration Management in Cloud Computing
云数据中心已成为提供服务的骨干基础设施。随着新兴的边缘计算模式，计算和网络功能已从云推向边缘，以提供具有低端到端延迟的计算，智能和网络管理。边缘和云计算中跨不同计算节点的服务迁移对于保证动态环境中的服务质量至关重要。动态资源管理涉及到迁移虚拟机以实现各种目标，如负载均衡、整合、性能、节能和灾难恢复等。一些人已经研究了如何提高和预测VM和容器的单个实时迁移的性能。最近，一些研究服务迁移的边缘为中心的计算范式。然而，缺乏关注边缘和云计算环境中的实时迁移管理的调查。我们检查每个字段的特征，并进行以迁移管理为中心的分类和调查。我们还确定了差距和研究机会，以保证实时迁移的资源管理性能。
2021-12-05 cs.DC
Distributed Redundant Placement for Microservice-based Applications at the Edge
多访问边缘计算（MEC）作为一种将计算和通信资源从云推到网络边缘以提供服务和执行计算的有前途的范例正在蓬勃发展。通过容器技术，内存占用小的移动设备可以运行基于复合微服务的应用程序，而无需耗时的主干。边缘服务布局是MEC从理论走向实践的重要环节。然而，目前最先进的研究没有充分考虑到服务的复合属性。此外，尽管Kubernetes具有一定的修复容器故障的能力，但由于边缘站点的异构性和可变性，无法确保高可用性。针对这些问题，提出了一种分布式冗余布局框架SAA-RP和一种基于遗传算法的服务器选择（GASS）算法，用于具有顺序组合结构的微服务应用。我们在考虑微服务请求的不确定性的情况下制定了一个随机优化问题，然后为每个微服务决定如何部署它，有多少实例以及将它们放置在哪些边缘站点上。基准策略在两种情况下实现，分别是允许冗余和不允许冗余。基于真实世界数据集的数值结果验证了GASS显著优于所有基准策略。
2020-05-19 cs.DC cs.SE
Live Service Migration in Mobile Edge Clouds
移动边缘云（MEC）通过在网络边缘安装小型云基础设施，将云的优势更贴近用户。这使得新一代的实时应用成为可能，例如智能交通系统中的即时对象识别和安全辅助，这些应用需要非常低的延迟。邻近性带来的一个关键问题是如何确保用户在不同位置移动时始终获得良好的性能。在MEC之间迁移服务被视为实现这一目标的手段。本文提供了一个分层框架，用于迁移封装在虚拟机（VM）或容器中的主动服务应用程序。这种分层方法可以大幅减少服务停机时间。该框架很容易使用现成的技术实现，其关键优势之一是它支持容器，这是一种有前途的新兴技术，提供了虚拟机的切实好处。在该框架下，通过实验对各种实际应用的迁移性能进行了评估.从实验结果得出的见解进行了讨论。
2017-08-02 cs.DC cs.NI
MicroFog: A Framework for Scalable Placement of Microservices-based IoT Applications in Federated Fog Environments
微服务架构（MSA）在开发大规模物联网应用程序以部署在分布式和资源受限的雾计算环境中方面正在迅速普及。作为一种云原生应用架构，微服务的真正力量来自于其松散耦合、可独立部署和可扩展的性质，从而实现跨联合雾和云集群的分布式放置和动态组合。因此，有必要开发新的微服务放置算法，利用这些微服务特性来提高应用程序的性能。然而，现有的雾计算框架由于在多个领域存在不足而缺乏对集成此类放置策略的支持，包括跨多雾多云环境的MSA应用放置和部署，跨多个分布式集群的动态微服务组合，框架的可扩展性，对部署异构微服务应用的支持等。为此，我们设计并实现了MicroFog，一个雾计算框架，提供一个可扩展的、易于配置的控制引擎，该引擎在联合的雾环境中执行布局算法和部署应用程序。此外，MicroFog提供了对容器编排和动态微服务组合的充分抽象。该框架使用多个用例进行评估。结果表明，MicroFog是一个可扩展、可扩展且易于配置的框架，可以集成和评估新的放置策略，以便在多雾多云环境中部署基于微服务的应用程序。我们集成了多个微服务放置策略，以展示MicroFog支持水平缩放放置的能力，从而将应用程序服务的响应时间减少了54%。
2023-02-14 cs.DC
Harmonia: Enhancing Data Placement and Migration in Hybrid Storage Systems via Multi-Agent Reinforcement Learning
ETH Zürich（苏黎世联邦理工学院）；AMD Research（AMD研究）
针对混合存储系统中数据放置与迁移策略相互依赖导致性能次优的问题，提出基于多智能体强化学习的协同优化方法Harmonia，显著提升系统性能。
2026-05-26 cs.AR cs.DC cs.LG
VUPIC: Virtual Machine Usage Based Placement in IaaS Cloud
高效的资源分配是基础设施即服务（IaaS）云中的关键性能挑战之一。虚拟机（VM）放置和迁移决策方法是这些资源分配机制的组成部分。我们提出了一种新的虚拟机布局算法，该算法在考虑布局决策时考虑了虚拟机之间的性能隔离及其连续的资源使用情况。性能隔离是对基本低级硬件资源（CPU、内存、存储和网络带宽）感兴趣的虚拟机之间的资源争用形式。多个共同托管的相邻VM之间的资源竞争形成了所提出的新方法的基础。实验结果显示，不同类别的应用程序和性能隔离和资源竞争的影响。一个每虚拟机的3维资源利用率向量（RUV）已连续计算和用于放置决策，同时考虑到冲突的资源利益的虚拟机。使用新的布局算法VUPIC的实验表明，虚拟机的性能以及云的整体资源利用率的有效改善。
2012-12-01 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
Combining Declarative and Linear Programming for Application Management in the Cloud-Edge Continuum
University of Pisa（比萨大学）
EdgeWiseCR通过连续推理优化云边连续体中的应用部署，实现更快的执行速度和更稳定的部署性能。
2025-04-16 cs.DC
On Optimizing Replica Migration in Distributed Cloud Storage Systems
随着大规模互联网服务和大数据的广泛采用，云已经成为满足不断增长的存储需求的理想环境，这要归功于其看似无限的容量，高可用性和更快的访问时间。在这种情况下，数据复制被吹捧为提高数据可用性和减少访问时间的最终解决方案。然而，副本放置系统通常需要随着时间的推移在数据中心之间和数据中心内迁移和创建大量的数据副本，在网络负载和可用性方面产生了很大的开销。本文提出了一种有效的分布式云存储迁移方案CRANE。CRANE通过有效地管理地理分布式基础设施中的副本创建来补充任何副本放置算法，通过（1）最小化将数据复制到新副本位置所需的时间，（2）避免网络拥塞，以及（3）确保数据的最小可用性。我们的研究结果表明，与swift（用于管理数据存储的OpenStack项目）相比，CRANE能够最大限度地减少高达30%的副本创建时间和25%的数据中心间网络流量，同时确保数据的最低可用性。
2015-09-04 cs.DC cs.NI
Interference-Aware Cross-Application Placement: A Multi-Objective Optimization Approach for Microservice Clusters
Hasso Plattner Institute（哈索·普拉特纳研究所）
针对微服务集群中跨应用干扰问题，提出基于因果效应的时空数据结构，结合多目标优化器Optuna进行服务部署优化，显著降低干扰并提升响应性能。
2026-06-25 cs.DC
Next-generation O-RAN Edge: Energy-aware Joint Placement and Migration of Cloud-Native Functions
Concordia University（康科迪亚大学）；Ericsson（爱立信）
针对O-RAN边缘云，本文研究云原生功能的节能联合部署与迁移，提出MILP模型与k-means启发式算法，Multi-CU场景可降5.7%能耗，启发式算法能效接近MILP且计算更高效。
2026-08-26 cs.DC cs.ET cs.IT
A Secure and Multi-objective Virtual Machine Placement Framework for Cloud Data Centre
为了向云用户提供具有成本效益和弹性的计算优势，虚拟机（VM）的节能和安全分配在数据中心发挥着重要作用。虚拟机部署（VM Placement，VMP）效率低下，多个用户共享公共物理机，导致资源浪费、功耗过高、通信成本增加和安全漏洞。为了解决上述挑战，提出了一种新的安全和多目标虚拟机放置（SM-VMP）框架，具有高效的VM迁移。建议的框架，确保能源效率的物理资源之间的虚拟机，强调安全和及时执行的用户应用程序，通过减少相互通信延迟的分布。VMP进行应用建议鲸鱼优化遗传算法（WOGA），启发鲸鱼进化优化和非支配排序的遗传算法。静态和动态VMP的性能评估以及与最新技术水平的比较观察到共享服务器、内部通信成本、功耗和执行时间分别显著降低28.81%、25.7%、35.9%和82.21%，并且资源利用率提高30.21%。
2021-07-28 cs.DC
Memory Profiling and Migration for Heterogeneous Memory Architectures
Institute of Computer Science Foundation for Research and Technology - Hellas (FORTH)（希腊基础研究基金会计算机科学研究所）
提出SHAMBLES内核集成框架，通过低开销剖析和策略驱动迁移，在无需修改应用的情况下将热数据集中于HBM，在HPCG、DGEMM和Himeno上分别维持高达93.75%、99%和优于固定放置的性能，实现分层内存性能可移植性。
2026-09-11 cs.DC cs.PF
HEATS: Heterogeneity- and Energy-Aware Task-based Scheduling
云提供商通常为用户提供各种类型的硬件。客户利用此选项部署具有GPU、FPGA、x86以外的架构（例如，ARM、IBM Power8），或具有某些特定扩展（例如Intel SGX）。在这项工作中，我们考虑了客户用于部署容器的实例，现在容器是微服务的事实标准，或者用于执行计算任务。在这样做时，底层容器编排器（例如，Kubernetes）的设计应该考虑并利用这种硬件多样性。此外，除了不同机器提供的功能范围外，硬件异构性引入的能源需求的多样性经常被忽视，默认容器编排器的放置策略简单地忽略了这一点。我们介绍了HEATS，一个新的面向任务的和能源感知的编排容器化应用程序的目标异构集群。HEATS允许客户在性能与能源需求之间进行交易。我们的系统首先学习物理主机的性能和能量特征。然后，它监视主机上任务的执行，并适时地将它们迁移到不同的集群节点上，以匹配客户需要的部署权衡。我们的HEATS原型在Google的Kubernetes中实现。在我们的集群中使用合成跟踪进行的评估表明，我们的方法可以节省大量的能源（高达8.5%），并且对部署任务的整体运行时间的影响很小（最多7%）。HEATS是开源的。
2019-06-26 cs.DC
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
Performance Optimization for Edge-Cloud Serverless Platforms via Dynamic Task Placement
我们提出了一个使用动态任务放置的无服务器边缘云平台性能优化框架。我们专注于智能边缘设备的应用，例如智能相机或扬声器，这些设备需要对输入数据执行实时到接近实时的处理任务。我们的框架允许用户为每个应用程序任务指定成本和延迟要求，并且对于每个输入，它确定是在边缘设备上还是在云中执行任务。此外，对于云执行，框架识别满足性能目标所需的容器资源配置。我们使用从AWS Lambda和AWS Greengrass中的无服务器应用程序收集的测量结果在模拟中评估了我们的框架。此外，我们已经实现了在这些相同平台上运行的框架原型。在我们的原型实验中，我们的模型可以预测平均端到端延迟，误差小于6%，与仅边缘执行相比，我们在端到端延迟方面获得了近三个数量级的减少。
2020-05-19 cs.DC cs.NI
ContinuumBench: Benchmarking Joint Autoscaling and Placement Across Evaluation Regimes in the Cloud-Edge Continuum
Institute of Information Science and Technologies “Alessandro Faedo” (ISTI), National Research Council of Italy (CNR)（意大利国家研究委员会信息科学与技术研究所（ISTi））；Department of Computer Science, University of Pisa（比萨大学计算机科学系）；Department of AI, Data and Decision Sciences, LUISS University（LUISS大学人工智能、数据与决策科学系）
ContinuumBench基准测试通过完成感知记账和统一协议，在容量受限机制下评估九个控制器，发现弹性容量和自动缩放策略决定完成率，放置质量仅在容量耗尽时起作用。
2026-09-09 cs.DC
Towards Efficient VM Placement: A Two-Stage ACO-PSO Approach for Green Cloud Infrastructure
针对云数据中心能耗高的问题，提出两阶段混合ACO-PSO算法HAPSO，通过初始放置与迁移优化实现节能，仿真显示其性能优于多种对比算法，可显著降低能耗与SLA违规。
2025-10-01 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
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
Scheduling Parallel-Task Jobs Subject to Packing and Placement Constraints
受现代并行计算应用的启发，我们考虑在一个机群中调度具有异构资源需求的并行任务作业的问题。每个作业由一组可以并行处理的任务组成，然而，只有当所有任务都完成处理时，作业才被认为完成，我们称之为“同步”约束。此外，向机器分配任务受到“放置”约束，即，每个任务可以仅在机器的子集上处理，并且处理时间也可以取决于机器。一旦任务在机器上被调度，它就需要在其处理期间从该机器获得一定量的资源。一台机器可以同时处理（“打包”）多个任务，但是任务的累积资源需求不应该超过机器的容量。我们的目标是最小化工件的加权平均完工时间。问题，同步，包装和布局的限制，是NP难的，和以前的理论结果只关心更简单的模型。对于允许任务在布局可行机器之间迁移的情况，我们提出了一种近似比为$(6+ε)$的抢占式算法。在一台机器只能处理一个任务的特殊情况下，我们设计了一个改进的近似比的算法$4$。最后，在不允许迁移（和抢占）的情况下，我们设计了一个近似比为$24$的算法。我们的算法使用线性规划松弛和贪婪包装技术相结合。我们提出了广泛的模拟结果，使用一个真正的交通跟踪，表明我们的算法产生显着的收益比以前的方法。
2020-04-02 cs.DC cs.DM cs.DS
Simple Destination-Swap Strategies for Adaptive Intra- and Inter-Tenant VM Migration
本文探讨了自适应虚拟机（VM）迁移的机会和限制，以减少虚拟化环境中的通信成本。我们引入了一个新的形式化模型来解决两种情况下的虚拟机在线迁移问题：（1）虚拟机可以在底层网络中任意迁移;例如，私有云提供商可能具有降低网络中的总体通信成本的动机。(2)VM只能在给定租户内迁移;例如，被分配了一组物理机器的用户可以交换这些机器上的VM的功能。我们提出了一类简单的目的地交换算法，它是基于一个积极的搭配策略（灵感来自splay datastructures），并保持最小和本地量的每节点（摊销成本）的信息，以决定在哪里迁移VM，以及如何，因此，该算法的反应迅速的负载变化。这些算法有两种主要的风格，一种是间接和分布式的变体，它使现有的VM放置保持在本地，另一种是直接的变体，它使受影响的VM的数量保持很小。我们表明，自然，租户间优化产生更大的优化潜力，但一般也租户本身可以提高其嵌入。此外，直接和间接策略之间存在一个有趣的权衡：间接变体由于其局部性而在倾斜和稀疏的通信模式下更可取。
2013-09-23 cs.DC cs.DS
QONNECT: A QoS-Aware Orchestration System for Distributed Kubernetes Clusters
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
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
A Combination of Host Overloading Detection and Virtual Machine Selection in Cloud Server Consolidation based on Learning Method
在云数据中心（CDC）中，降低能耗同时保持性能一直是热点问题。在服务器整合中，传统的解决方案是将问题分解为多个小问题，如主机过载检测，虚拟机（VM）选择和VM放置，并逐步解决它们。然而，主机过载检测策略和VM选择策略的设计不能直接与降低能耗和保证性能的最终目标联系起来。本文提出了一种基于学习的虚拟机选择策略，选择适当的虚拟机迁移没有直接的主机过载检测。从而减少了SLAV的产生，保证了CDC的性能，降低了能耗。仿真结果表明，该方法在减少SLAV生成和CDC能耗方面优于现有方法。
2022-06-28 cs.DC
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
Efficient Resource Management in Cloud Environment
在云计算中，资源管理在数据中心中扮演着重要的角色，它直接依赖于应用程序的工作负载。诸如基础设施即服务（IaaS）、平台即服务（PaaS）和软件即服务（SaaS）的各种服务由云计算提供，以利用按使用付费的方法向云用户提供计算、网络和存储能力。资源分配是解决各种苛刻情况的现有解决方案，这些苛刻情况例如欠载/过载处理、资源浪费、负载均衡、服务质量（QoS）违规、VM迁移等等。虚拟机放置（VMP）的主要目的是将虚拟机（VM）映射到物理机（PM），使得PM可以被利用到它们的最大效率，其中已经活动的VM不会被中断。它提供了一个必须完成的实时VM迁移列表，以获得最佳解决方案并在更大程度上降低能耗。低效的VMP导致资源浪费、过度的能源消耗，并且还增加了数据中心的整体运营成本。在此背景下，本文对云环境中的资源管理方案进行了广泛的调查。分析了资源管理的概念方案、当前基于机器学习的资源分配策略的分组以及物理资源无效分配的基本问题。此后，解释了在云资源管理领域中基于机器学习的机制中的现有技术的完整调查。最后，本文探讨并总结了云环境下资源管理面临的挑战和未来的研究方向。
2022-06-24 cs.DC
Page Table Management for Heterogeneous Memory Systems
现代企业服务器越来越多地采用分层存储器系统，该系统结合了低延迟DRAM和大容量但高延迟的非易失性主存储器（NVMM），例如英特尔的Optane DC PMM。先前的工作集中在分层存储器系统上的数据的有效放置和迁移上，但是没有研究页表的最佳放置。页表的显式和有效放置对于具有高TLB未命中率的大内存占用应用程序至关重要，因为当页表页放置在NVMM中时，它们会导致显着更高的页遍历延迟。我们表明，（i）页表页可以结束在NVMM上，即使有足够的DRAM内存可用，以及（ii）页表页溢出到NVMM由于DRAM内存压力不迁移回来后，当内存在DRAM中可用。我们研究了分层存储器系统中页表放置的性能影响，并提出了一种高效透明的页表管理技术，该技术（i）对数据和页表页应用不同的放置策略，（ii）通过将页表的小但关键的部分放置在DRAM中来引入页表页的区分策略，以及（iii）通过在DRAM和NVMM之间透明地迁移页表页来动态地和明智地管理页表的其余部分。我们在一个配备了运行Linux的英特尔Optane NVMM的真实系统上的实现将页表遍历周期平均减少了12%，总周期平均减少了20%。与各种默认的Linux内核技术相比，对于一组合成的和真实世界的大内存占用应用程序，这将运行时平均提高了20%。
2021-03-16 cs.DC cs.OS cs.PF
Ember: Making Unified Virtual Memory Practical for Discrete-Memory GPUs
Technical University of Munich（慕尼黑工业大学）
Ember是一款UVM管理框架，通过混合地址空间、计数器驱动区域提升等技术，在不修改应用的情况下，使GPU显存过度订阅性能大幅优于原生UVM及性能分析引导方案。
2026-10-12 cs.DC cs.OS
