UMS: Live Migration of Containerized Services across Autonomous Computing Systems
本研究提出UMS，一种跨自主计算系统的容器化服务实时迁移方案，支持不同权限级别，自动选择迁移方法，实现异构编排器及多云间的无缝迁移，并降低迁移开销与停机时间。
2023-09-06 cs.DC cs.NI
Evolution of Cloud Storage as Cloud Computing Infrastructure Service
企业正朝着更低的成本、更高的可用性、敏捷性和可控风险的方向发展-所有这些都在加速向云计算发展。云不是一种特定的产品，而是一种交付IT服务的方式，这些服务可按需消费，可根据需要灵活扩展和缩小，并遵循按使用付费的模式。在三种常见类型的云计算服务模型中，基础设施即服务（IaaS）是一种服务模型，其向其订户提供服务器、计算能力、网络带宽和存储容量作为服务。云可以与许多东西相关，但如果没有基本的存储部分，即云存储作为服务提供，其他应用程序都不可能。本文介绍了云存储，包括云计算和云存储的关键技术，云计算的管理见解，云服务的不同类型，云计算和云存储的驱动力，云存储的优势和挑战，并指出了云存储提供商需要解决的几个挑战。
2013-08-05 cs.DC
Load-balanced Service Function Chaining in Edge Computing over FiWi Access Networks for Internet of Things
服务功能链（SFC）有望为物联网（IoT）实现灵活且可扩展的虚拟网络基础设施。边缘计算被认为是处理大量物联网应用数据的有效解决方案。为了在分布式边缘计算节点（ECN）之间统一为物联网应用提供服务，提出了一种基于SDN和NFV协调的统一SFC编排框架，该框架通过利用FiWi接入网络的连接性提供协同边缘云平台。此外，我们研究的VNF部署问题在我们的协同框架下，我们制定了一个混合整数非线性规划（MINLP）问题，共同考虑负载均衡的网络和计算链VNF。我们还提出了两个近似的最优部署算法贪婪二分多路径（GBMP）和KSP多路径（KSMP）利用部署在ECN的多实例虚拟网络功能（VNF）和FiWi接入网络的多路径能力。在两种类型的物联网应用场景中进行了广泛的仿真，在EC over FiWi接入网络。数值结果表明，在两种典型场景下，我们提出的算法在负载均衡、业务接受率和网络利用率方面均优于单路径和基于ECMP的部署算法.
2020-06-15 cs.DC cs.NI
QoS Based Framework for Effective Web Services in Cloud Computing
技术的改进始终遵循消费者的要求。消费者需要最好的服务，尽可能减少不匹配和准时。当今许多可用的应用程序都基于Web服务和云计算。近年来，出现了许多具有相似功能特征的Web服务。对于服务消费者来说，从一组相似的Web服务中选择一个合适的服务是一项复杂的任务。在这种情况下，服务消费者可以使用Web服务的非功能属性（如QoS）来发现所需的Web服务。提出的分层架构和Web服务云，即WS云计算框架综合了非功能属性，包括可靠性，可用性，响应时间，延迟等服务消费者预计提供的QoS要求作为服务发现查询的一部分。该框架将发现和过滤来自云的Web服务，并根据服务消费者的偏好对它们进行排名，以促进服务的及时性。
2013-11-28 cs.DC
An economic perspective on major cloud computing providers
云计算可以定义为通过网络外包/租用资源。它被认为是一种基本的公用事业，类似于电力，水，电话和污水处理设施。多年来，出现了许多提供商，它们为云计算提供基本和高级形式的服务。然而，这些供应商使用自己的术语来营销他们的规格和他们提供的服务范围。这使得普通用户很难根据他们的需求选择平台。本文从经济角度对不同的云服务提供商进行了比较。它对提供商为不同场景提供的服务进行成本分析。在此基础上，本文得出了一些结论，并提出了进一步研究的方向。
2018-09-17 cs.DC cs.NI
Semantics of Data Mining Services in Cloud Computing
近年来，随着云计算的兴起，许多在云中提供服务的公司正在为其目录授权一系列新的服务，例如数据采掘和数据处理，以利用他们可用的大量计算资源。为了全面解决云计算中的服务描述问题，提出了不同的服务定义方案。请记住，每个提供商都有自己的服务逻辑定义，特别是数据采掘服务，应该指出的是，为了保持这种类型的云计算服务的可用性和可移植性，在提供商之间以灵活的方式描述服务的可能性是基本的。使用语义技术的基础上提供的建议，由关联数据的服务定义，允许设计和建模的数据采掘服务，实现高度的互操作性。在这篇文章中，数据挖掘服务的定义在云计算的模式，考虑到所有关键方面的服务，如价格，接口，软件级别协议，实例或数据采掘工作流，等等。新的模式基于关联数据，它重用了其他模式，从而获得了更好、更完整的服务定义。为了验证该方案的完整性，已经创建了一系列数据采掘服务，其中一组算法，如随机森林或K-Means被建模为服务。此外，还生成了一个数据集，其中包括几个实际的云计算数据采掘提供商的服务定义，证实了该模式的有效性。
2019-01-14 cs.DC
A Composite Design Pattern for Service Injection and Composition of Web Services for Peer-To-Peer Computing with Service Oriented Architecture
在本文中，我们提出了一个非结构化对等网络的服务注入和组合设计模式，这是设计与面向服务的设计模式，并融合了策略，工人对象和检查表设计模式用于设计自适应系统。它将动态地应用自重新配置平面，而无需管理员的中断或干预来处理服务器上的服务故障。当客户端请求一个复杂的服务时，应该进行服务组合来满足请求。如果一个服务在内存中不可用，它将作为方面特征模块代码注入。我们使用面向服务的体系结构（SOA）与Web服务在Java中实现的组合设计模式。据我们所知，目前还没有针对对等计算领域的设计模式组合的研究。该模式使用类和接口的类似java的符号来描述。描述了一个简单的UML类和序列图。
2012-11-22 cs.DC cs.NI cs.SE
A Cloud Computing Survey: Developments and Future Trends in Infrastructure as a Service Computing
云计算是一种基于通过互联网上的服务模型交付资源的概念的最新范例。尽管云计算是一种新的计算范式，但它的起源要归功于许多以前的范式。云计算这个术语已经有了很好的定义，不再需要严格的分类来提供定义。相反，这份调查报告考虑了云计算的过去、现在和未来。作为先前范例的演进，我们考虑云计算的前身以及它们对云服务的意义。此外，我们还研究了构成云计算的技术，以及这些技术的挑战和未来发展将如何影响该领域。最后，我们研究了限制云计算的增长、应用和发展的挑战，并提出了克服这些挑战所需的方向，以进一步推动云计算的成功。
2013-06-06 cs.DC
Platform Autonomous Custom Scalable Service using Service Oriented Cloud Computing Architecture
全球经济衰退和IT项目预算的缩减导致了以较低成本开发集成信息系统的需求。如今，新兴的云计算现象旨在通过提供软件应用和硬件资源作为服务来改变传统的计算方式。随着信息通信技术（ICT）的快速发展，政府、组织和企业正在寻找解决方案来改善其服务并整合其IT基础设施。近年来，SOA和云计算等先进技术已经发展到解决集成问题。云的巨大容量和相对较低的成本使其成为SOA部署的理想平台。本文论述了云和面向服务的架构的组合方法，以及案例研究和评论。
2016-03-01 cs.DC
Seeing Shapes in Clouds: On the Performance-Cost trade-off for Heterogeneous Infrastructure-as-a-Service
在不久的将来，FPGA将按小时提供，但是这种新的基础设施即服务（IaaS）使用模式既带来了机遇，也带来了挑战：机会是程序员可以在比以前更短的时间内以更大的规模交换资源以获得性能。面临的挑战是寻找和遍历异构IaaS的权衡，以确保增加的资源导致最大可能的性能提高。这种权衡是帕累托最优的。异构资源集群的帕累托最优权衡可以通过解决多个多目标优化问题来找到，从而将任务最优分配到可用平台。解决这些优化程序可以使用简单的启发式方法或正式的混合线性规划（MILP）技术。当在多核CPU、GPU和FPGA平台的异构集群上使用蒙特卡洛算法对128个金融期权进行定价时，MILP方法产生的权衡比启发式方法快110%，并且便宜50%以上。这些结果表明，异构IaaS的高质量性能资源权衡最好通过正式的优化方法来实现。
2015-08-27 cs.DC
Performance Measurement of Cloud Computing Services
云计算如今已经作为新技术和新商业模式不断发展。从分布式技术的角度来看，云计算最像基于Web或Web服务的客户端-服务器服务，但它使用虚拟资源来执行。目前，云计算依赖于使用弹性虚拟机和使用网络进行数据交换。我们进行了一个实验设置，以衡量云计算客户收到的服务质量。通过创建在云计算基础设施中运行的HTTP服务完成的实验性设置。我们有兴趣了解增加用户数量对用户收到的平均质量的影响。用户接收的质量由两个参数组成的平均响应时间和请求超时的数量。本研究的实验结果表明，增加用户的数量增加了平均响应时间。同样，请求超时的数量随着用户数量的增加而增加。这意味着用户所接受的服务质量也在下降。我们发现用户数量对服务质量的影响不再是线性趋势。本文的研究结果可作为网络运营商在执行服务时的参考模型，其中一定数量的用户，以获得最优的服务质量。
2012-05-08 cs.DC cs.NI cs.PF
Self-Adaptive Trade-off Decision Making for Autoscaling Cloud-Based Services
云中的弹性通常通过按需自动缩放来实现。在这种情况下，目标是优化基于云的服务的服务质量（QoS）和成本目标。然而，困难在于这些目标，例如，吞吐量和成本，可以自然地冲突，并且基于云的服务的QoS经常由于云中的共享基础设施而受到干扰。因此，在云中进行自动缩放的动态和有效的权衡决策是必要的，但具有挑战性。特别是，要实现良好的折衷就更难了，在这种情况下，决策在很大程度上改善了大多数目标，同时对其他目标造成相对较小的退化。在本文中，我们提出了一个自适应的决策方法，在云中的自动缩放。它能够自适应地产生自动缩放决策，从而在没有大量人为干预的情况下实现良好的折衷。我们利用蚁群启发的多目标优化来搜索和优化权衡决策，然后通过妥协优势来过滤结果，这是一种在权衡中提取具有平衡改进的决策的机制。我们实验比较我们的方法，以四个国家的最先进的自动缩放方法：规则，启发式，随机和多目标遗传算法为基础的解决方案。结果表明，我们的方法比其他方法更有效，包括更好的权衡质量和更小的违反要求。
2016-08-21 cs.DC cs.SE
Aqua Computing: Coupling Computing and Communications
作者介绍了为连接设备提供计算服务的新愿景。它基于以下关键概念：未来的计算资源将与通信资源耦合，以增强所连接的用户的用户体验，并且还用于优化提供商的基础设施中的资源。这种耦合通过联合/协作资源分配算法、通过集成计算和通信服务以及通过集成网络中的硬件来实现。这种类型的计算，其中计算服务不是独立提供的，而是依赖于网络服务，被称为水计算。作者认为Aqua Computing是一种将计算资源交付给终端设备的新方法，一旦连接到支持Aqua Computing的网络，设备的计算能力就会自动增强。资源耦合的过程称为计算溶解。然后，提出了一种用于移动边缘网络的水计算架构，其中计算和无线网络资源由移动云控制器联合或协作地分配，以利于最终用户和/或服务提供商。最后，展示了系统的工作原型，收集的结果显示了Aqua Computing原型的性能。
2015-10-25 cs.CY cs.DC cs.NI
Dynamic Service Migration in Mobile Edge Computing Based on Markov Decision Process
在移动边缘计算中，本地边缘服务器可以托管基于云的服务，这减少了网络开销和延迟，但需要在用户移动到新位置时进行服务迁移。由于这种动态云环境中的不确定性，因此最佳地做出迁移决策具有挑战性。在本文中，我们制定的服务迁移问题作为一个马尔可夫决策过程（MDP）。我们的配方捕捉一般的成本模型，并提供了一个数学框架来设计最佳的服务迁移政策。为了克服与计算最优策略相关的复杂性，我们通过用户和服务位置之间的距离来近似底层状态空间。我们表明，所得到的MDP是准确的均匀一维用户移动性，而它提供了一个紧密的近似均匀的二维移动性与恒定的附加误差。我们还提出了一个新的算法和数值计算技术的最优解，这是显着快于传统的方法的基础上，标准值或政策迭代。我们说明了我们的解决方案在实际情况下，许多理论假设放松的应用。我们基于旧金山出租车的真实移动轨迹进行的评估显示，与基线解决方案相比，拟议解决方案的性能优越。
2019-05-08 cs.DC cs.NI math.OC
Micro Service Cloud Computing Pattern for Next Generation Networks
传统电话服务收入的下降趋势吸引了人们对新的基于IP的服务的关注。IP多媒体系统（IMS）是一个关键的体系结构，它为新的多媒体业务提供了必要的平台。然而，IMS的当前实现没有为越来越多的客户提供自动可伸缩性或弹性。虽然云计算范式已经显示出许多有前途的特性，Web应用程序，它仍然无法满足电信应用程序的要求。在本文中，我们提出了一些相关的云计算模式，并讨论了他们的IMS或其他电信系统的实施适应。
2015-09-20 cs.DC
Fog Function: Serverless Fog Computing for Data Intensive IoT Services
雾计算可以通过将计算从云移动到边缘设备来支持具有快速响应时间和低带宽使用的物联网服务。然而，现有的雾计算框架具有有限的灵活性，以支持动态服务组合与面向数据的方法。FaaS（Function-as-a-Service）是一种很有前途的雾计算编程模型，可以增强灵活性，但目前基于事件或主题的功能触发设计以及数据管理和功能执行的分离导致数据密集型物联网服务效率低下。为了实现灵活性和效率，我们提出了一个以数据为中心的编程模型，称为雾函数，并介绍了其底层的编排机制，利用三种类型的上下文：数据上下文，系统上下文和使用上下文。此外，我们还展示了一个智能停车的具体用例，其中Fog Function允许服务开发人员轻松地对其服务逻辑进行建模，与静态服务拓扑相比，减少了学习工作量。我们的性能评估结果表明，雾功能可以扩展到数百个雾节点。雾功能可以通过云功能节省95%的内部数据流量来提高系统效率，并且可以通过边缘功能减少30%的服务延迟。
2019-07-18 cs.DC
Service Level Agreement (SLA) in Utility Computing Systems
近年来，在公用计算系统的服务水平协议（SLA）领域进行了广泛的研究。SLA是一个正式的合同，用来保证消费者的服务质量期望可以实现。在公用事业计算系统中，客户满意度是至关重要的，使得SLA在这些环境中非常重要。SLA的管理是一个基本问题，包括SLA自治管理或多个服务质量（QoS）参数之间的权衡。许多SLA语言和框架已经被开发为解决方案;然而，这些广泛的工作没有总体分类。因此，本章的目的是全面调查如何在效用计算环境中创建、管理和使用SLA。我们讨论了现有的使用情况下，从网格和云计算系统，以确定SLA实现的水平，在国家的最先进的系统和未来的研究面临的挑战。
2010-10-14 cs.DC
PI-Edge: A Low-Power Edge Computing System for Real-Time Autonomous Driving Services
为了在经济实惠的嵌入式系统上同时实现多个自动驾驶服务，我们设计并实现了π-Edge，这是一个用于自动驾驶机器人和车辆的完整边缘计算框架。本文的贡献有三个方面：首先，我们开发了一个运行时层，以充分利用低功耗边缘计算系统的异构计算资源;其次，我们开发了一个极其轻量级的操作系统，以管理多个自动驾驶服务及其通信;第三，我们开发了一个边缘云协调器，以动态地将任务卸载到云端，以优化客户端系统的能耗。据我们所知，这是第一个完整的自动驾驶汽车边缘计算系统。此外，我们成功地在Nvidia Jetson上实现了π-Edge，并证明我们可以成功地支持多种自动驾驶服务，仅需11 W的功耗，从而证明了所提出的π-Edge系统的有效性。
2018-12-29 cs.DC
Cloud Infrastructure Service Management - A Review
新的计算时代称为云计算，允许用户随时随地通过Internet动态访问云服务。云由数据和资源组成;云服务包括基于用户需求通过互联网在互联网上交付软件、基础设施、应用程序和存储。简而言之，云计算是一种商业和经济模式，允许用户利用高端计算和存储，而在他们的终端上使用最少的基础设施。云有三种服务模式，即云软件即服务（SaaS）、云平台即服务（PaaS）和云计算结构即服务（IaaS）。本文深入讨论了云基础设施服务管理。
2012-05-30 cs.DC
Status of Serverless Computing and Function-as-a-Service(FaaS) in Industry and Research
本白皮书总结了2017年6月5日举行的2017年第一届无服务器计算国际研讨会（WoSC）期间提出的问题，特别是在研讨会结束时的小组讨论和相关讨论中提出的问题。我们还包括来自主题演讲和提交的论文的评论。最后的术语表（第8节）定义了本报告中使用的许多技术术语。
2017-08-27 cs.DC
Joint Service Caching and Task Offloading for Mobile Edge Computing in Dense Networks
移动边缘计算（MEC）将计算功能从集中式云推到网络边缘，从而满足许多新兴移动应用的延迟要求并节省回程网络带宽。虽然许多现有的作品已经研究了计算卸载策略，服务缓存是一个同样的，如果不是更重要的，MEC的设计主题，但得到的关注少得多。服务缓存是指在边缘服务器（例如，MEC使能的BS）中缓存应用服务及其相关数据库/库，从而使得能够执行相应的计算任务。由于资源有限的边缘服务器只能同时缓存少量的应用服务，因此必须明智地决定缓存哪些服务，以最大限度地提高边缘计算性能。在本文中，我们调查了非常引人注目的，但少得多的研究问题，在MEC启用密集蜂窝网络的动态服务缓存。我们提出了一种高效的在线算法，称为OREO，它联合优化动态服务缓存和任务卸载，以解决MEC系统中的一些关键挑战，包括服务异构性，未知的系统动态，空间需求耦合和分散协调。我们的算法是基于李雅普诺夫优化和吉布斯采样，在线工作，不需要未来的信息，并实现可证明的接近最优性能。仿真结果表明，该算法可以有效地减少计算延迟的终端用户，同时保持低能耗。
2018-01-17 cs.DC
Cloud Computing Avoids Downfall of Application Service Providers
企业已经变得依赖于不断增加的电子信息量和快速的交易速度。Diffie等专家推测，孤立计算即将结束，在未来十年内，大多数企业将转向实用计算。为了在实施日益复杂的信息技术服务的同时降低成本，许多公司转向应用服务提供商（ASP）。由于糟糕的商业模式，过度竞争，以及互联网可用性和带宽差，许多ASP都因dot com崩溃而失败。然而，其他接受Web服务架构和真正的互联网交付的ASP作为早期云采用者处于有利地位。随着当今互联网服务的渗透率和带宽的扩大，更好的商业计划和广泛的产品多样化，云计算正在避免ASP的垮台，并将成为计算领域的一个持久范例
2015-11-30 cs.CR cs.DC
Evolution of as-a-Service Era in Cloud
如今，科学领域正在发生范式转变，重点逐渐转向云环境，以获得适当、强大且负担得起的服务来应对大数据挑战（Sharma et al. 2014，2015a，2015b）。云计算避免了在本地维护过度扩展的计算基础设施的任何需要，这些计算基础设施不仅包括专用空间，而且还包括昂贵的硬件和软件。在本文中，我们研究的演变作为一个服务的形式，刺激了云计算，并探讨了最完整的库存的新成员超越传统的云计算堆栈。
2015-06-29 cs.DC
Efficient Location-Based Service Discovery for IoT and Edge Computing in the 6G Era
University of Klagenfurt（克拉根福大学）
本文提出一种基于位置的DNS方法，通过动态分配边缘节点服务以降低延迟，为6G时代的物联网和边缘计算提供高效服务发现框架。
2025-04-01 cs.DC
Mapping Cloud Computing onto Useful e-Governance
在网格和云计算的上下文中看到的大多数服务大多局限于可用于智力目的的服务。网格或云计算是大规模的分布式系统。大规模分销的本质只有在服务于普通人的情况下才能实现，唯一与几乎每一个居民都有联系的组织是各国政府。随着人口规模的增加，因此需要更大的权限。大规模的在线服务网格可以解决大权限的问题。政府服务可以通过完全定制的面向服务的云来提供。在本文中，我们提出了紧密的相似性之间的通用政府职能和面向服务的网格/云的方法。同时，我们也将讨论建立面向服务的政府组织网格的主要问题。
2010-09-13 cs.DC
InterCloud: Utility-Oriented Federation of Cloud Computing Environments for Scaling of Application Services
云计算提供商已经在互联网上的不同地理位置设置了多个数据中心，以便最佳地满足其全球客户的需求。然而，现有系统不支持用于在不同的基于云的数据中心之间动态地协调负载分布以便确定用于托管应用服务的最佳位置以实现合理的QoS水平的机制和策略。此外，云计算提供商不能预测消费其服务的用户的地理分布，因此负载协调必须自动发生，并且服务的分布必须响应于负载的变化而变化。为了解决这个问题，我们提倡创建联邦云计算环境（InterCloud），以促进应用服务的及时、机会和可扩展的供应，在可变的工作负载、资源和网络条件下始终如一地实现QoS目标。总体目标是创建一个支持动态扩展或收缩功能（VM、服务、存储和数据库）的计算环境，以处理服务需求的突然变化。本文介绍了面向实用程序的云计算环境联邦的InterCloud的愿景、挑战和架构元素。建议的InterCloud环境支持跨多个供应商云的应用程序扩展。我们已经验证了我们的方法进行了一系列严格的性能评估研究，使用CloudSim工具包。结果表明，联邦云计算模型具有巨大的潜力，因为它提供了显着的性能增益方面的响应时间和成本节约动态工作负载的情况下。
2010-03-20 cs.DC
Service Level Driven Job Scheduling in Multi-Tier Cloud Computing: A Biologically Inspired Approach
云计算环境通常必须处理随机到达的计算工作负载，这些计算工作负载在资源需求方面变化并且要求高服务质量（QoS）义务。通常采用服务级别协议（SLA）来管理云计算服务提供商对客户端的QoS义务。服务提供商每天面临的一个典型挑战是在可用于计算的有限资源与变化的随机需求的高QoS要求之间保持平衡。在管理这些相互冲突的目标方面的任何不平衡都可能导致客户不满意和潜在的重大商业处罚，或者导致资源过剩的云计算环境，其获取和运营成本可能非常高。因此，在客户端到达环境时调度客户端的工作负载以确保其及时执行已经成为云计算中的中心问题。在文献中已经报道了各种方法来解决这个问题：最短队列，加入空闲队列，循环，最小最小，最大最小和最小连接，仅举几例。然而，这些方法的优化策略未能捕获QoS义务及其相关的商业处罚。本文提出了一种在多层环境中实现服务级驱动的负载调度和平衡的方法。采用联合调度和平衡操作来在资源之间分配和调度作业，使得客户端作业的总等待时间最小化，并且因此减轻了由服务提供商招致的惩罚的可能性。一个惩罚模型被用来量化惩罚的服务提供商招致的作业的总等待时间的函数。一个虚拟队列抽象，提出了促进最佳的作业调度在层次上。该问题是NP完全问题，提出了一种求解作业调度问题的遗传算法。
2020-04-12 cs.DC
Market-Oriented Cloud Computing: Vision, Hype, and Reality for Delivering IT Services as Computing Utilities
本主旨文件：提出了21世纪的计算愿景;确定了有望实现计算实用程序愿景的各种计算范例;定义了云计算，并提供了利用虚拟机等技术创建面向市场的云的体系结构;提供了基于市场的资源管理策略的思想，这些策略包括客户驱动的服务管理和计算风险管理，以维持面向SLA的资源分配;介绍了几种典型的云计算平台，特别是工业领域的云计算平台，以及利用第三代Aneka企业网格技术实现面向市场的云计算资源分配的研究现状，揭示了我们对云计算互连的初步设想，并指出了未来的研究方向;并总结了为实现我们的21世纪愿景，需要融合相互竞争的IT范式。
2008-08-26 cs.DC
PDMA: Probabilistic Service Migration Approach for Delay-aware and Mobility-aware Mobile Edge Computing
作为5G时代的关键技术，移动边缘计算（MEC）近年来发展迅速。MEC旨在减少移动用户的业务延迟，同时减轻核心网的处理压力。MEC可以看作是云计算在用户端的延伸，可以部署边缘服务器并将计算资源更接近移动用户，提供更高效的交互。然而，由于用户的动态移动性，用户与边缘服务器之间的距离将动态地改变，这可能导致服务质量（QoS）的波动。因此，当移动用户在MEC环境中移动时，需要某些方法来调度部署在边缘服务器上的服务以确保用户体验。在本文中，我们在MEC场景中的服务调度模型，并提出了一种基于简洁的概率方法的延迟感知和移动性感知的服务管理方法。该方法具有较低的计算复杂性，能有效降低业务延迟和迁移成本。此外，我们利用多个现实数据集进行实验，并使用iFogSim来评估算法的性能。实验结果表明，该方法可以优化服务延迟性能，在高峰时段与基线相比，服务延迟性能提高了8%~ 20%，迁移成本降低了75%以上.
2021-06-10 cs.DC
RescureService: A Benchmark Microservice System for the Research of Mobile Edge and Cloud Computing
云和边缘计算的巨大发展通过在云和边缘服务器上部署服务，在许多场景中实现了更好的服务质量（QoS）。在这些场景中还采用了微服务技术，将复杂的业务逻辑分解为许多小的独立服务。同时，随着微服务系统的不断发展，在这些系统中提供稳定的QoS成为一个挑战，已经提出了许多不同的方法来实现稳定的QoS。然而，这些工作的实验中使用的微服务系统存在服务数量少和服务类型单一等问题。因此，我们开发了开源基准微服务系统RescureService，包含20+服务，包括数据库、前端、业务逻辑、数据处理，以及救灾场景下的人工智能服务。提供了测量工具来测量服务属性，以帮助研究人员准备实验数据，并提供了预先测量的服务属性。同时，详细介绍了基准测试需求的实现，结果表明RescureService满足研究中基准测试系统的需求。最后，以服务计算为例说明了系统的应用.
2022-10-28 cs.DC
Security modeling and efficient computation offloading for service workflow in mobile edge computing
资源有限的移动设备在执行各种复杂、高能耗的移动应用时面临着巨大的挑战。边缘计算（MEC）作为一种新的计算模式，可以提供丰富的计算资源来执行MD的全部或部分任务，从而大大降低MD的能耗，提高应用的服务质量。然而，将工作流任务卸载到MEC服务器容易受到外部安全威胁（例如，窥探、改变）。提出了一种MEC环境下服务工作流的安全节能计算卸载（SEECO）策略，其目标是在风险概率和截止期限约束下优化能耗.首先，我们建立了一个安全开销模型来度量安全服务的执行时间。然后，我们制定了计算卸载问题，结合安全性，能源消耗和执行时间的工作流应用程序。最后，基于遗传算法，从任务执行顺序、位置和安全服务选择等方面设计了SEECO的编码策略。实验结果表明，SEECO策略能够有效地实现移动应用的安全性和节能性。
2019-07-04 cs.CR cs.DC cs.NI
JClarens: A Java Framework for Developing and Deploying Web Services for Grid Computing
高能物理（High Energy Physics，HEP）和其他科学团体已经采用面向服务的体系结构（Service Oriented Architectures，SOA）作为更大的网格计算工作的一部分。这项工作涉及到将许多遗留应用程序和编程库集成到SOA框架中。网格分析环境（GAE）是一个基于Clarens网格服务框架的面向服务的体系结构，正在开发中，作为欧洲粒子物理实验室（CERN）大型强子对撞机（LHC）紧凑型μ子螺线管（CMS）实验的一部分。Clarens提供了一组授权、访问控制和发现服务，以及对所有已部署服务的XMLRPC和SOAP访问。Clarens Web Services Framework的两个实现（Python和Java）为广泛的程序设计语言提供了集成的可能性。本文描述了名为JClarens的Clarens Web服务框架的Java实现。以及科学界和网格社区感兴趣的几个Web服务，它们都是使用JClarens部署的。
2005-04-11 cs.DC
XaaS: Acceleration as a Service to Enable Productive High-Performance Cloud Computing
XaaS通过共享执行平台和性能可移植容器统一架构，结合HPC与云计算优势，支持资源密集型工作负载并解除FaaS分配限制，实现高效灵活的资源利用。
2024-01-09 cs.DC
Hierarchical Fog-Cloud Computing for IoT Systems: A Computation Offloading Game
雾计算在网络边缘提供低延迟计算服务，是新兴物联网（IoT）系统的推动者。在本文中，我们研究了雾计算资源的物联网用户在一个分层的计算范式，包括雾和远程云计算服务的分配。我们制定了一个计算卸载游戏来模拟物联网用户之间的竞争，并有效地分配雾节点的有限处理能力。每个用户的目标是最大化其自身的体验质量（QoE），这反映了其在计算能量和延迟的减少方面对使用计算服务的满意度。利用潜在的博弈方法，我们证明了一个纯纳什均衡的存在性，并提供了一个上限的无政府代价。由于达到均衡的时间复杂度随着用户数量的增加而呈指数级增加，因此我们进一步提出了一种接近最优的资源分配机制，并证明了在具有$N$ IoT用户的系统中，它可以在$O(N/ε)$时间内实现$ε$ -纳什均衡。通过数值研究，我们评估用户的QoE以及均衡效率。我们的研究结果表明，通过利用所提出的机制，更多的用户受益于计算服务相比，现有的卸载机制。我们进一步表明，我们提出的机制显着降低了计算延迟，并为延迟敏感的物联网应用提供低延迟雾计算服务。
2017-10-17 cs.DC cs.GT cs.NI
QEdgeProxy: QoS-Aware Load Balancing for IoT Services in the Computing Continuum
针对计算连续体中IoT数据交付与负载均衡挑战，提出自适应感知QoS的QEdgeProxy框架，无缝集成Kubernetes，在真实K3s集群实验中优于内置机制且开销极小。
2024-05-17 cs.DC
Leveraging the Power of Prediction: Predictive Service Placement for Latency-Sensitive Mobile Edge Computing
移动边缘计算（MEC）正在兴起，以支持移动网络边缘的延迟敏感型5G应用。当用户在多个MEC节点之间不规则地移动时，如何动态地迁移其服务以维持服务性能（即，用户感知的延迟）出现。然而，频繁的服务迁移会显著增加运营成本，导致提高性能和降低成本之间的矛盾。为了解决这些错位的目标，本文研究了长期成本预算约束下的移动边缘服务放置的性能优化。它具有挑战性，因为预算涉及未来的不确定信息（例如，用户移动性）。为了克服这一困难，我们致力于利用预测的力量，并倡导预测服务放置与预测不久的将来的信息。利用双时标李雅普诺夫优化方法，提出了一种基于帧设计的T时隙预测服务放置（PSP）算法，该算法结合了用户移动性预测。我们从理论上描述了PSP的性能界限。此外，我们提出了一个新的权重调整方案，在每帧命名为PSP-WU队列利用历史队列信息，大大减少了队列的长度，同时提高了用户感知的延迟质量。严格的理论分析和广泛的评估，使用现实的数据跟踪表明所提出的预测方案的优越性能。
2020-06-17 cs.DC cs.NI cs.SI
A Taxonomy and Survey on eScience as a Service in the Cloud
云计算最近已经发展为用于许多应用的流行计算基础设施。以前主要托管在私有集群和网格中的科学计算已经开始将开发和部署迁移到公共云环境。eScience即服务是科学计算的一个新兴和有前途的方向。我们回顾了最近在云中开发和部署科学计算应用程序的努力。特别是，我们介绍了一个专门为科学计算在云中设计的分类，并进一步审查了分类与四个主要类型的科学应用，包括生命科学，物理科学，社会和人文科学，气候和地球科学。我们的主要发现是，尽管现有的努力在发展基于云的eScience，eScience仍然有很长的路要走，以充分释放云计算范例的力量。因此，我们提出了基于云的eScience服务未来发展的挑战和机遇，并呼吁科学界和计算机系统界的合作和创新，以应对这些挑战。
2014-07-28 cs.DC
Managing Service-Heterogeneity using Osmotic Computing
随着不断提出服务请求的设备数量的增加以及最近对延迟敏感的应用程序（如流媒体和实时数据处理）的大量占用，更接近用户的计算资源供应变得越来越重要。雾计算通过包含“雾”层来弥合用户和公共/私有云基础设施之间的差距，从而为此类应用提供了解决方案。这种方法能够减少总体处理延迟，但是在利用这种计算基础设施和基于其特性的差异处理服务时的冗余、成本效益的问题仍然存在。这种由于计算资源和流程需求的变化而导致的服务特性差异称为服务异构性。这些问题的一个潜在解决方案是使用渗透计算-最近引入的范例，允许基于资源使用的服务划分，基于数据中心与网络边缘资源的能量，负载，处理时间等参数。然后，服务供应可以跨计算基础设施的不同层进行划分，从边缘设备，在途节点和数据中心，并通过Osmotic软件层提供支持。为了更有效地利用现有的雾服务器资源，为渗透计算提供支持，提出了一种基于适应度的Osmosis算法。所提出的方法是能够有效地分配和分配服务的渗透的原则。结果使用数值模拟展示收益在较低的分配时间和较高的概率的服务被处理的高资源利用率。
2017-04-13 cs.DC
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
The Open Cloud Testbed: A Wide Area Testbed for Cloud Computing Utilizing High Performance Network Services
最近，已经开发了许多用于数据密集型计算的云平台和服务，包括Hadoop，Sector，CloudStore（以前的KFS），HBase和Thrift。为了对这些系统的性能进行基准测试，研究它们的互操作性，并基于灵活的计算节点和网络配置功能试验新服务，我们设计并实现了一个名为开放云测试床（OCT）的大规模测试床。目前，OCT在四个数据中心拥有120个节点：巴尔的摩、芝加哥（两个地点）和圣地亚哥。与其他云测试平台相比，这些云测试平台位于较小的地理区域，并且基于商品互联网服务，OCT是一个广域测试平台，四个数据中心与基于专用光路基础的高性能10 Gb/s网络连接。该测试平台可以满足对其他类型的分布式基础设施提出挑战的超大数据流的要求。我们还开发了几个实用程序来支持云计算系统和服务的开发，包括新型节点和网络供应服务、监控系统和RPC系统。在本文中，我们描述了OCT的架构和监控系统。我们还描述了一些基准，我们开发和一些互操作性的研究，我们使用这些基准进行。
2009-07-28 cs.DC
Composite Design Pattern for Feature Oriented Service Injection and Composition of Web Services for Distributed Computing Systems with Service Oriented Architecture
随着面向服务的编程（FOP）等新的编程模型的出现，我们认为将新的服务调用功能作为一个特征模块包含在服务提供服务器中，可以更灵活地实现自适应分布式系统。复合设计模式显示了一种协同作用，使组合不仅仅是其部分的总和，这导致了现成的软件架构。在本文中，我们描述了访问者和基于案例的推理设计模式的融合，通过SOA的服务调用和Web服务组合的开发与JWS技术和FOP的帮助。据我们所知，目前还没有针对自适应分布式计算领域的设计模式组合的研究。我们提供了为应用程序开发的示例代码，并使用简单的UML类图来描述体系结构。
2012-08-19 cs.DC cs.PL cs.SE
Dynamic Service Scheduling and Resource Management in Energy-Harvesting Multi-access Edge Computing
University of Leeds（利兹大学）；Southern University of Science and Technology (SUSTech)（南方科技大学）；University of Thessaly（色萨利大学）；Research Institute of Trustworthy Autonomous Systems (RITAS), SUSTech（南方科技大学可信自主系统研究院）
本文提出了一种基于能量收集的MEC系统在线策略，通过动态任务调度和实时能耗管理，实现高效能量利用与低延迟服务的平衡。
2025-10-31 cs.DC
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
Securing Software as a Service Model of Cloud Computing: Issues and Solutions
毫无疑问，云计算已经成为当今IT行业的流行语。看看它对众多商业应用程序以及我们日常生活的潜在影响，可以肯定地说，这种颠覆性技术将继续存在。使云计算具有吸引力的许多功能不仅挑战了现有的安全系统，而且还揭示了新的安全问题。本文在对云计算安全问题进行深入调研的基础上，对云计算安全问题的现状进行了深入分析。最后，对云计算的软件即服务（SaaS）模式下的安全问题进行了分析，并提出了未来的安全研究方向。
2013-09-10 cs.CR cs.DC
Machine Learning Algorithms for Active Monitoring of High Performance Computing as a Service (HPCaaS) Cloud Environments
Pacific Northwest National Laboratory（西北太平洋国家实验室）
云计算提供了对可以满足任何计算需求的大量可重构资源的无处不在和按需访问。许多服务模型都是可用的，但是基础设施即服务（IaaS）模型通过联网大量的云计算节点而特别适合作为高性能计算（HPC）平台来操作。我们使用太平洋西北国家实验室（PNNL）的云计算环境来执行我们的实验。许多云计算提供商（如Amazon Web Services、Microsoft Azure或IBM Cloud）都提供灵活且可扩展的计算资源。本文探讨的可行性识别类型的工程应用程序上运行的云基础设施配置为HPC平台使用隐私保护功能作为输入到统计模型。在这项工作中考虑的工程应用程序包括MCNP 6，由洛斯阿拉莫斯国家实验室开发的辐射传输代码，OpenFOAM，一个开源的计算流体动力学代码，和CADO-NFS，用于素数分解的一般数域筛算法的数值实现。我们的实验使用OpenStack云管理工具来创建一个云HPC环境和隐私保护Ceilometer计费表作为分类功能，以证明这些应用程序的识别。
2020-09-26 cs.DC cs.LG
Agri-Info: Cloud Based Autonomic System for Delivering Agriculture as a Service
云计算已经成为在互联网上有效地管理和交付服务的重要范例。云计算与诸如无线传感器网络和移动计算的技术的融合提供了云服务的新应用，但是这需要管理服务质量（QoS）参数以有效地监视和测量所交付的服务。本文提出了一种基于云的自主式信息系统，通过使用最新的云技术来管理基于不同域的各种类型的农业相关数据，以提供农业相关信息作为服务。该系统通过预先配置的设备收集来自不同用户的信息，并自动管理和提供所需的信息给用户。此外，布谷鸟优化算法已用于基础设施级的有效资源分配，以有效利用资源。我们已经评估了所提出的方法在云环境中的性能和实验结果表明，所提出的系统执行更好的资源利用率，执行时间，成本和计算能力以及其他QoS参数。
2015-11-29 cs.DC
GRAPLEr: A Distributed Collaborative Environment for Lake Ecosystem Modeling that Integrates Overlay Networks, High-throughput Computing, and Web Services
GLEON研究和PRAGMA湖探险- GRAPLE -是计算机科学和湖泊生态学研究人员之间的合作努力。它旨在提高我们对淡水资源水质威胁的理解和预测能力，包括气候变化。本文介绍了GRAPLEr，一个分布式计算系统，用于解决GRAPLE研究人员的建模需求。GRAPLEr以一种新颖的方式集成和应用了覆盖虚拟网络、高吞吐量计算和Web服务技术。首先，其用户级IP-over-P2P（IPOP）覆盖网络允许将分布在独立管理的机构（包括私有云和公共云）中的计算和存储资源聚合到一个公共虚拟网络中，尽管存在防火墙和网络地址转换器。第二，由IPOP虚拟网络聚合的资源运行未经修改的高吞吐量计算中间件（HTCondor），以使大量模型仿真能够跨分布式计算资源并发执行。第三，Web服务接口允许最终用户使用与R统计计算环境集成的客户端库向系统提交作业请求。本文介绍了GRAPLEr架构，描述了它的实现，并报告了它在三个云基础设施（佛罗里达大学，CloudLab和Microsoft Azure）上批量进行通用湖模型（GLM）模拟的性能。
2015-09-29 cs.DC
Quality of Service (QoS)-driven Edge Computing and Smart Hospitals: A Vision, Architectural Elements, and Future Directions
物联网（IoT）范式正在通过使日常物品成为互联网的一个组成部分来彻底改变我们的世界。这种转变越来越多地被医疗保健行业所采用，智能医院现在依靠物联网技术来跟踪医院内外的员工、患者、设备和设备。这种模式为新的创新打开了大门，以更智能的方式在对象，服务和人员之间创建新型交互，以提高患者服务的质量和资源的有效利用。然而，医疗保健中实时物联网应用的实现以及最终智能医院的发展受到当前基于云的计算环境的限制。边缘计算作为一种新的计算模型出现，它利用基于边缘的资源以及云来实现实时物联网应用。它有助于利用物联网模式每年11万亿美元的潜在经济影响，到2025年将部署1万亿物联网设备来实时感知、管理和监控医院系统。这份愿景文件提出了新的算法和软件系统，以应对边缘计算支持的智能医院的重要挑战，包括如何管理和执行各种实时物联网应用，以及如何满足医院环境中各种严格的服务质量（QoS）要求。我们概述的愿景可以帮助及时应对医院日益面临的挑战。
2023-03-13 cs.DC
Models of Computing as a Service and IoT: an analysis of the current scenario with applications using LPWAN
这项工作提供了理解和选择云计算模型的基础，用于使用低功耗广域网（LPWAN）开发物联网解决方案。云计算模式通过共享IT基础架构的商品化，改变了行业实施解决方案的方式。大规模物联网（IoT）和相关工作负载的出现为这种需要可延展配置的场景带来了新的挑战，其中资源分布得更靠近数据源。我们介绍了对现有解决方案架构的分析，以及一个说明性案例，从中我们获得了将这些技术组合为新一代云原生解决方案的经验教训、挑战和机遇。
2021-05-13 cs.DC
μ-DDRL: A QoS-Aware Distributed Deep Reinforcement Learning Technique for Service Offloading in Fog computing Environments
针对雾计算中复杂服务卸载的随机动态环境，提出基于APPO的分布式深度强化学习技术μ-DDRL，结合PPO裁剪与V-trace加速收敛，实现QoS感知的快速、可扩展服务卸载，显著改善异构服务执行时间。
2023-10-13 cs.DC
Runtime QoS service for application-driven adaptation in network computing
在工作站网络（NOW）上执行的分布式应用程序需要知道资源状态以可能相应地自适应，以便在其整个生命周期内保持满足期望的服务质量（QoS）需求。我们实现了一个QoS服务，使应用程序驱动的适应性能和容错在运行时。该服务与监视所有应用实体（例如，机器、任务和逻辑网络链路）。此外，它通过匿名且易于使用的QoS API使其服务可用于应用程序任务。我们提出了一个管理员-工人应用程序，使用我们的容错QoS API，以适应工人的故障，以避免应用程序在运行时死锁。此外，我们展示了一个动态的应用程序级调度程序可以很容易地利用QoS API找到有效的时间表。此外，我们量化了QoS中间件在各种场景中的开销，以证明它对它所服务的应用程序的性能影响很小。
2019-07-30 cs.DC
Service Composition Design Pattern for Autonomic Computing Systems using Association Rule based Learning and Service-Oriented Architecture
K L University（K L 大学）；National Institute of Technology, Warangal（瓦朗加尔国家理工学院）
在本文中，我们提出了一个非结构化对等网络的服务注入和组合设计模式，这是设计与面向服务的设计模式，并融合了策略，工人对象和检查表设计模式用于设计自适应系统。它将动态地应用自重新配置平面，而无需管理员的中断或干预来处理服务器上的服务故障。当客户端请求一个复杂的服务时，应该进行服务组合来满足请求。如果一个服务在内存中不可用，它将作为方面特征模块代码注入。我们使用面向服务的体系结构（SOA）与Web服务在Java中实现的组合设计模式。据我们所知，目前还没有针对对等计算领域的设计模式组合的研究。该模式使用类和接口的类似java的符号来描述。描述了一个简单的UML类和序列图。
2012-11-22 cs.DC cs.LG cs.SE
Smart Contract-based Computing ResourcesTrading in Edge Computing
近年来，出现了一种新兴趋势，即一些计算服务正在从云移动到网络边缘。与云计算相比，边缘计算可以提供响应更快、费用更低、安全性更高的服务。接近边缘的大量闲置计算资源也增强了边缘服务的部署。边缘计算为人们提供了一个积极加入计算资源市场的绝佳机会，而不是使用一些主要提供商的云服务。然而，边缘计算也有一些我们必须克服的关键障碍。在本文中，我们设计了一个边缘计算服务平台，可以接收和分发计算资源的最终用户在一个分散的方式。在没有集中式交易控制的情况下，我们提出了一种新的基于分层智能合约的去中心化技术来建立用户之间的交易信任，并提供灵活的智能合约接口来满足用户的需求。我们的系统还考虑并解决了各种安全和隐私的挑战时，利用加密和分布式访问控制机制。我们实现了我们的系统，并进行了广泛的实验，以显示我们所提出的系统的可行性和有效性。
2020-06-29 cs.CR cs.DC
Redundancy Management for Fast Service (Rates) in Edge Computing Systems
本文研究边缘计算中冗余资源分配问题，以平均系统计算时间和阻塞概率为指标，提出两种优化算法，并通过仿真证明其在不同服务时间分布下显著优于基准方法。
2024-11-25 cs.DC cs.IT math.IT
