Preserving privacy for secure and outsourcing for Linear Programming in cloud computing
云计算是计算作为一种实用工具的长期梦想愿景，其中用户可以将他们的数据远程存储到云中，以便从可配置的计算资源的共享池中享受按需的高质量应用和服务。通过数据外包，用户可以从本地数据存储和维护的负担中解脱出来。本文利用基于公钥的同态映射技术，并将其与随机掩码技术相结合，实现了一个保护隐私的云数据存储安全公共审计系统。为了支持多个审计任务的有效处理，我们进一步探索了双线性聚合签名技术，将我们的主要结果扩展到多用户环境中，其中TPA可以同时执行多个审计任务，并调查广泛适用的线性规划（LP）计算的安全外包。为了达到实际的效率，我们的机制设计显式分解LP计算外包到公共LP求解器上运行的云和私人LP参数拥有的客户广泛的安全性和性能分析表明，所提出的方案是可证明的安全和高效的。
2012-11-07 cs.CR cs.DC
Cloud Service Matchmaking using Constraint Programming
技术知识有限的服务请求者应该能够在云服务市场中根据他们的服务质量（QoS）要求来比较服务。现有的服务匹配方法集中在离散的数值和间隔的QoS要求。现有的研究非功能属性的分析，揭示了两个改进的机会：列表类型的QoS属性以及明确的处理较低或较高的属性值的偏好。我们开发了一个概念和约束模型的服务匹配，有助于现有的方法，通过解决这些问题，使用约束求解器。该原型在标准化阶段使用API，并发现实施挑战。本文的结论是，约束求解器提供了一个有价值的工具来解决软约束的服务匹配问题，并能够覆盖所有的QoS属性类型在我们的分析。我们的方法是在云联盟的应用程序上下文中进行进一步研究。
2016-07-22 cs.DC cs.SE
GPU PaaS Computation Model in Aneka Cloud Computing Environment
由于产生的数据量的激增以及人工智能（AI）技术（如机器学习和深度学习）的快速发展，现有的传统计算模型已经不足以处理用于提取内在信息的巨大数据量和复杂的应用逻辑。诸如图形处理单元（GPU）的计算加速器已经成为许多大数据和机器学习应用的事实上的SIMD计算系统。另一方面，传统的计算模式也逐渐从传统的基于所有权的计算转向基于订阅的云计算模式。然而，缺乏以无缝方式开发云原生应用程序以利用云中的CPU和GPU资源的编程模型和框架已成为快速应用程序开发的瓶颈。为了支持这种应用程序对同时使用异构资源的需求，需要编程模型和新的框架来有效地管理底层资源。Aneka是一种流行的PaaS计算模型，用于在单个容器.NET平台中使用多个编程模型（如Thread，Task和MapReduce）开发云应用程序。由于Aneka解决了使用基于CPU的资源的MIMD应用程序开发问题，而GPU编程（如CUDA）是为SIMD应用程序开发而设计的，因此本章讨论了Aneka Cloud的GPU PaaS计算模型，以实现.NET平台的快速云应用程序开发。流行的开源GPU库被利用并集成到现有的Aneka任务编程模型中。扩展了调度策略，可以自动识别GPU机器并相应地调度相应的任务。最后，以图像处理为例，介绍了基于PaaS Aneka SDK和CUDA库构建的系统。
2018-08-20 cs.DC
Programming Scalable Cloud Services with AEON
设计低延迟的基于云的应用程序，以适应不可预测的工作负载并有效地利用现代云计算平台是很困难的。Actor模型是一种流行的范例，可用于开发分布式应用程序：Actor封装状态并通过发送事件相互通信。如果每个事件只访问单个参与者，则可以保证一致性，从而消除潜在的数据竞争和死锁。然而，为跨多个参与者的并发事件提供一致性并不简单。本文通过引入AEON来解决这个问题：一个提供以下属性的框架：（i）可编程性：程序员在推理多参与者事件导致的并发时，只需要推理顺序语义;（ii）可扩展性：AEON运行时协议保证多参与者事件的可串行化和无饥饿执行，同时最大化并行执行;（iii）弹性：AEON支持细粒度的弹性，使程序员能够透明地迁移单个参与者，而不会违反一致性或带来显着的性能开销。我们的实证结果表明，这是可能的，结合所有上述三个世界的最佳而不影响应用程序的性能。
2019-12-07 cs.DC
Stateful Entities: Object-oriented Cloud Applications as Distributed Dataflows
本文提出将有状态实体（Python命令式事务编程模型）编译为有状态流式数据流，通过编译器流水线屏蔽状态与故障管理复杂性，实验证明事务负载下延迟可低于100毫秒。
2023-09-03 cs.DB cs.DC
Ripple: A Practical Declarative Programming Framework for Serverless Compute
无服务器计算已经成为基础设施（IaaS）和平台即服务（PaaS）云平台的一种有前途的替代方案，适用于具有足够并行性和间歇性活动的应用程序。无服务器承诺更大的资源弹性、显著的成本节约和简化的应用程序部署。包括亚马逊、谷歌和微软在内的所有主要云提供商都已将无服务器引入其公共云产品。为了使无服务器发挥其潜力，迫切需要将部署复杂性从用户身上抽象出来的编程框架。这包括简化为无服务器环境编写应用程序的过程，自动化任务和数据分区，以及处理调度和容错。我们介绍了Ripple，这是一个编程框架，专门用于为单机执行编写的应用程序，并允许它们利用无服务器的任务并行性。Ripple提供了一个简单的界面，用户可以利用它来表达各种应用程序的高级流程，包括机器学习（ML）分析，基因组学和蛋白质组学。Ripple还自动化资源配置，满足用户定义的QoS目标，并通过急切地检测落后的任务来处理容错。我们将Ripple移植到AWS Lambda上，并展示了在一组不同的应用程序中，它提供了一个富有表现力和可推广的编程框架，可以简化在无服务器上运行数据并行应用程序，并且与IaaS/PaaS云相比，可以将性能提高高达80倍。
2020-01-01 cs.DC
Aneka: A Software Platform for .NET-based Cloud Computing
Aneka是一个部署云的平台，在其上开发应用程序。它提供了一个运行时环境和一组API，允许开发人员构建.NET应用程序，这些应用程序可以在公共云或私有云上利用其计算。Aneka的关键特性之一是支持多种编程模型的能力，这些模型是通过使用特定抽象来表达应用程序执行逻辑的方法。这是通过创建一个可定制和可扩展的面向服务的运行时环境来实现的，该环境由连接在一起的软件容器的集合表示。通过利用这些体系结构，实现了包括资源预留、持久性、存储管理、安全性和性能监控在内的高级服务。在此基础设施之上，可以插入不同的编程模型，以支持工程、生命科学和行业应用所展示的不同场景。
2009-07-26 cs.CE cs.DC cs.NI
Practical Evaluation of the Lasp Programming Model at Large Scale - An Experience Report
用于构建大规模分布式应用程序的编程模型有助于开发人员对一致性和分布进行推理。然而，许多弱一致性的编程模型，承诺最大的可扩展性增益，几乎没有评估的方式来证明承诺的可扩展性。我们提出了一个经验报告，这些模型之一，Lasp，最初在PPDP `15，它提供了一个声明式的，功能性的编程风格的分布式应用程序的实施和大规模的评估。我们展示了Lasp的原型运行时实现的可扩展性高达1024个节点在亚马逊云计算环境。它通过独特地将混合流言与基于收敛计算的编程模型相结合来实现高可扩展性。我们报告了这种实施及其评估的工程挑战，特别是与生产云环境中的运营研究原型相关的挑战。
2017-08-21 cs.DC
Radon: a Programming Model and Platform for Computing Continuum Systems
本文提出 Radon 编程模型与平台，以基于 WebAssembly 的 atom 实体和消息传递机制解决边缘到云连续体中的异构性与延迟挑战，并通过分布式键值存储案例验证其可扩展性和性能优势。
2025-04-14 cs.DC cs.SE
Collaborative State Machines: A Better Programming Model for the Cloud-Edge-IoT Continuum
针对云-边-物联网应用现有编程模型难管理动态有状态特性的问题，提出支持状态机自主协作的CSM编程模型，配套运行时系统经多场景测试验证，在吞吐量、处理速度和开发效率上均显著优于现有基准系统。
2025-07-29 cs.DC
Analyzing Web Application Log Files to Find Hit Count Through the Utilization of Hadoop MapReduce in Cloud Computing Environment
MapReduce已广泛应用于数据和计算密集型应用的各个领域，是云计算的重要编程模型。Hadoop是MapReduce的一个开源实现，它使用商用硬件处理TB级的数据。我们已经应用了Hadoop MapReduce编程模型来分析Web日志文件，以便我们可以获得特定Web应用程序的点击数。该系统使用Hadoop文件系统来存储日志文件，并使用Map和Reduce函数对结果进行评估。实验结果显示了日志文件中每个字段的命中次数。另外，由于MapReduce运行时并行化，响应时间减少了。
2014-11-27 cs.DC
Decentralized Overlay for Federation of Enterprise Clouds
本章介绍Aneka-Federation，这是一个分散的分布式系统，它结合了企业云、覆盖网络和结构化对等技术，为高吞吐量计算创建可扩展的计算节点广域网络。Aneka-Federation集成了许多小规模的Aneka企业云服务和节点，这些服务和节点分布在多个控制和企业域中，作为单个协调资源租赁抽象的一部分。该系统的设计目标是使分布式企业云资源整合和应用编程灵活、高效、可扩展。该系统的设计，使它：使现有的Aneka企业云的无缝集成的一部分，单一的广域资源租赁联邦;自组织的系统组件的基础上结构化的对等路由方法;并提出了一个分布式的应用程序组合环境，可以支持各种编程和执行模型的最终用户。本章描述了一种新颖的，可扩展的和分散的对等技术的设计和实现，该技术有助于发现，连接和提供Aneka企业云的服务，用户可以使用不同的编程模型来组成他们的应用程序。这里描述了对系统的评估，其中应用程序是在Aneka企业云的覆盖之上使用任务和线程执行模型编程的。
2008-11-16 cs.DC cs.NI
An Elastic Job Scheduler for HPC Applications on the Cloud
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；IBM Research（IBM研究院）
提出基于优先级的弹性作业调度器，利用Charm++可迁移对象特性在Kubernetes上动态调整HPC作业规模，最大化集群利用率并减少高优先级作业响应时间，相比静态调度器性能显著提升。
2025-10-16 cs.DC
Neuromorphic Programming: Emerging Directions for Brain-Inspired Hardware
CogniGron Center（CogniGron中心）；Bernoulli Institute（伯努利研究所）；University of Groningen（格罗宁根大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文分析神经形态计算语境下的编程问题，挑战传统编程范式，提出贴合神经形态硬件物理特性的编程框架，围绕五项基本特征展开研究，倡导未被充分利用的技术并呼吁构建更丰富的抽象层以释放这类硬件的潜力。
2024-10-15 cs.AI cs.DC cs.ET
Big Data Computing and Clouds: Trends and Future Directions
本文讨论了在大数据应用程序的云上执行分析的方法和环境。它围绕着分析和大数据的四个重要领域，即（i）数据管理和支持架构;（ii）模型开发和评分;（iii）可视化和用户交互;以及（iv）商业模式。通过详细的调查，我们确定了技术上可能存在的差距，并就云支持的大数据计算和分析解决方案的未来方向为研究社区提供了建议。
2014-08-22 cs.DC
Quantum Cloud Computing: A Review, Open Problems, and Future Directions
本文对新兴的量子云计算领域展开综述，梳理了最新进展、相关模型平台与技术用例，探讨了资源管理等多方面问题，明确了开放问题并提出未来方向与潜在机遇。
2024-04-17 cs.DC cs.ET
Sector and Sphere: Towards Simplified Storage and Processing of Large Scale Distributed Data
云计算已经证明，只要给出正确的编程模型和基础设施，就可以在商品集群上处理非常大的数据集。在本文中，我们描述了Sector存储云和Sphere计算云的设计和实现。与现有的存储和计算云相比，Sector不仅可以在数据中心内管理数据，还可以跨地理分布的数据中心管理数据。同样，Sphere计算云支持数据中心内和跨数据中心的用户定义函数（UDF）。作为一种特殊情况，MapReduce风格的编程可以在Sphere中通过使用Map UDF和Reduce UDF来实现。我们描述了一些实验研究比较部门/球体和Hadoop使用Terasort基准。在这些研究中，Sector的速度大约是Hadoop的两倍。Sector/Sphere是开源的。
2009-01-17 cs.DC
NumS: Scalable Array Programming for the Cloud
University of California, Berkeley（加州大学伯克利分校）
科学家们越来越依赖Python工具，使用丰富的、类似NumPy的表达式来执行可扩展的分布式内存阵列操作。然而，这些工具中的许多依赖于针对抽象任务图优化的动态调度器，由于次优数据和操作员放置决策，这些动态调度器经常遇到与存储器和网络带宽相关的瓶颈。基于消息传递接口（MPI）构建的工具（如ScaLAPACK和SLATE）具有更好的伸缩属性，但这些解决方案需要专业知识才能使用。在这项工作中，我们提出了NumS，一个数组编程库，它优化了基于任务的分布式系统上的NumPy表达式。这是通过一个新的调度称为负载模拟分层调度（LSHS）。LSHS是一种局部搜索方法，它通过最小化分布式系统中任何给定节点上的最大内存和网络负载来优化操作符的放置。再加上负载平衡数据布局的启发式，我们的方法能够在一些常见的数值运算上达到通信下限，我们的实证研究表明，LSHS通过将网络负载降低2倍，减少4倍内存，并将逻辑回归问题的执行时间减少10倍来提高Ray的性能。在TB级数据上，NumS在DGEMM上实现了与SLATE竞争的性能，在张量因子分解的关键操作上比Dask加速高达20倍，在逻辑回归上比Dask ML和Spark的MLlib加速2倍。
2022-07-13 cs.DC cs.LG cs.MS
Large-scale workflow placement in serverless computing using integer nonlinear programming
Technische Universität Dortmund（多特蒙德工业大学）；Technische Universität Berlin（柏林工业大学）
针对无服务器计算中大规模工作流部署的成本与时间优化问题，提出基于整数非线性规划的模型及分解策略，实验显示其比简单部署启发式算法平均提升10%。
2026-08-27 cs.DC
Cloud based Big Data Analytics: A Survey of Current Research and Future Directions
数字时代的到来导致了不同类型的数据与日俱增。事实上，预计到2016年，总数据的一半将在云上。这些数据很复杂，需要存储、处理和分析，以获得可供组织使用的信息。云计算为大数据分析提供了一个合适的平台，以满足后者的存储和计算需求。这使得基于云的分析成为一个可行的研究领域。然而，在实际应用这种协同模式之前，有几个问题需要解决，风险需要减轻。本文探讨了该领域的现有研究、面临的挑战、存在的问题和未来的研究方向。
2015-08-18 cs.DC
A Taxonomy and Future Directions for Sustainable Cloud Computing: 360 Degree View
云计算范例通过互联网提供按需服务并支持各种各样的应用。随着最近基于物联网（IoT）的应用的增长，云服务的使用呈指数级增长。下一代云计算必须是节能和可持续的，以满足不断变化的最终用户需求。目前，云计算提供商面临着确保其服务的能源效率和可持续性的挑战。大量云计算中心的使用增加了成本和碳足迹，这进一步影响了云服务的可持续性。在本文中，我们提出了一个全面的分类可持续的云计算。分类法是用来调查现有的技术，可持续发展，需要仔细的关注和调查所提出的几个学术和工业团体。此外，目前对可持续云计算的研究分为几个类别：应用程序设计，可持续性指标，容量规划，能源管理，虚拟化，热感知调度，冷却管理，可再生能源和废热利用。对现有技术进行了比较，并根据共同的特点和性质进行了分类。提出了可持续云计算的概念模型，并讨论了未来的研究方向。
2018-07-09 cs.DC
Carbon-aware Resource Management for Latency-Sensitive Cloud Computing Environments: A Taxonomy and Future Directions
University of Melbourne（墨尔本大学）；University of Amsterdam（阿姆斯特丹大学）
本文针对延迟敏感型云计算环境的碳感知资源管理问题，对相关最新文献进行分类分析，指出现有研究差距并提出未来研究方向，助力平衡延迟约束与碳减排目标。
2026-10-22 cs.DC
Replication-Aware Placement of Functions and Data in the Edge-Cloud Continuum
Politecnico di Milano（米兰理工大学）
针对边缘-云连续体中的FaaS，提出BLP模型与拓扑感知贪心启发式，联合调度函数与数据放置并考虑复制一致性，以最小化客户端延迟，实现近最优且计算高效。
2026-09-17 cs.DC
Next Generation Cloud Computing: New Trends and Research Directions
云计算的格局在过去十年中发生了重大变化。不仅有更多的提供商和服务产品占据了这个空间，而且传统上仅限于单一提供商数据中心的云基础设施现在也在不断发展。在本文中，我们首先讨论了不断变化的云基础设施，并考虑了使用来自多个提供商的基础设施以及将计算从数据中心分散开来的好处。这些趋势导致了对未来云基础设施将提供的各种新计算架构的需求。这些架构预计将影响多个领域，例如连接人与设备、数据密集型计算、服务空间和自学系统。最后，我们列出了实现下一代云系统潜力所需解决的挑战路线图。
2017-09-08 cs.DC
Software-Defined Multi-Cloud Computing: A Vision, Architectural Elements, and Future Directions
云计算在过去十年中已经出现，以实现基于实用程序的计算资源管理，而无需购买硬件设备。云提供商在不同的位置运行多个数据中心，以管理和为客户提供云资源。最近，软件定义网络（SDN）和网络功能虚拟化（NFV）的引入在云中打开了更多的机会，这使得能够在云数据中心中动态和自主地配置和供应资源。本文提出了可编程网络云的架构框架和原则，托管SDN和NFV的地理分布的多云计算环境。成本和SLA感知的资源配置和调度，最大限度地减少运营成本，而不违反协商的SLA的调查和讨论的技术自主和及时的VNF组成，部署和管理跨多个云。我们还讨论了使用分析和监控技术创建用于VNF性能优化的自动扩展解决方案的开放挑战和方向，用于可扩展流量和部署管理的SDN控制器算法。仿真平台和概念验证原型的初步评估结果。
2018-05-28 cs.DC
Sustainable Cloud Computing: Foundations and Future Directions
微软、谷歌、Facebook和亚马逊等主要云计算提供商严重依赖云计算中心来支持对其计算和应用服务不断增长的需求。然而，运行这种大型基础设施的财务和碳足迹相关成本对云服务的可持续性产生了负面影响。大多数现有的努力主要集中在最小化服务器的能耗。在本文中，我们设计了一个概念模型和实用的设计指南，用于全面管理所有资源（包括服务器，网络，存储，冷却系统），以提高能源效率并减少云数据中心（CDC）的碳足迹。此外，我们讨论了能源和可持续云计算的可靠性之间的相互交织的关系，我们强调相关的研究问题。最后，我们提出了该领域未来的研究方向，并为进一步的实际发展奠定了基础。
2018-05-02 cs.DC
Big Data Analytics-Enhanced Cloud Computing: Challenges, Architectural Elements, and Future Directions
云计算的出现使得弹性容量的动态配置成为可能。云数据中心包含数千台物理服务器，托管数量级更多的虚拟机，这些虚拟机可以按需分配给按需付费的用户。然而，并非所有系统都能够通过添加更多虚拟机来扩展。因此，即使对于可扩展的系统，也必须提前规划工作负载，而不是使用纯粹的反应式方法。考虑到生成实时的监控信息的现代云基础设施的规模，以及操作系统和应用程序生成的所有信息，这些数据带来了大数据方法所解决的数量、速度和多样性问题。在本文中，我们研究如何利用大数据分析有助于增强云计算环境的操作。我们讨论了大数据分析在云中的各种应用，通过大数据分析增强云操作的开放问题，以及云异常检测和预防的架构以及未来的研究方向。
2015-10-22 cs.DC
NavP: Enabling Navigational Programming for Science Data Processing via Application-Initiated Checkpointing
科学数据系统（SDS）处理从采集到处理再到分发的科学数据。它们现在部署在云中，云实例利用率的效率对于成功至关重要。传统的SDS无法利用具有成本效益的Amazon EC2现货市场，特别是对于长期运行的任务。在NASA/JPL目前的实践中发现的一些困难是：缺乏应用程序程序员保存有价值的部分结果以供未来处理继续的机制，使用基于容器（奇点）的沙箱超过200，000个操作系统级文件的沉重负担;以及在笔记本电脑上开发算法/程序的科学家和在云计算或超级计算中部署软件的SDS专家之间的差距。我们提出了第一个证明的原则，这使用NavP（导航编程）和容错计算（FTC）在SDS中，采用程序状态迁移促进检查点重启（C/R）。NavP为应用程序员提供了一个新的分布式计算导航视图。我们开发的DHP（DMTCP Hop and Publish）工具使应用程序员能够通过在应用程序代码中插入hop（destination）语句来导航实例或节点之间的计算，并选择何时发布他们认为值得将来继续的算法阶段的部分结果。使用DHP的结果是，并行分布式SDS变得更容易编程和部署，从而可以更有效地利用Amazon EC2 Spot市场。本技术报告描述了一个高层次的设计和初步实施。
2021-12-20 cs.DC
Cppless: Single-Source and High-Performance Serverless Programming in C++
本文提出Cppless框架，基于LLVM和两个编译器扩展，实现C++应用向无服务器工作节点的单源高效卸载，实验表明仅需少量代码修改即可获得最高59倍加速。
2025-09-22 cs.DC
Automated Synthesis of Cloud Emulators
University of Michigan（密歇根大学）；The University of Hong Kong（香港大学）；University of California, Berkeley（加州大学伯克利分校）
针对DevOps程序测试中云模拟器构建难的问题，提出基于神经符号代码合成的CloudEmu方法，其在AWS、GCP服务上的覆盖率与准确性优于手动开发的LocalStack。
2026-08-26 cs.AI cs.DC cs.SE
Energy and Thermal-aware Resource Management of Cloud Data Centres: A Taxonomy and Future Directions
University of Melbourne（墨尔本大学）
本文研究了云数据中心现有的资源管理方法，以提高能源和热效率。它确定了在资源管理系统中集成计算和冷却系统管理以及基于学习的解决方案的需求。在对文献进行深入分析的基础上，提出了数据中心节能和热高效资源管理的分类方法。此外，根据分类法对现有方法进行了详细的调查，并讨论了最近的进展，包括基于机器学习的资源管理方法和冷却管理技术。
2021-07-06 cs.DC cs.LG cs.NI
VM Image Repository and Distribution Models for Federated Clouds: State of the Art, Possible Directions and Open Issues
联合云模型的新兴趋势将虚拟化作为一个重要概念，为最终用户提供大规模分布式基础设施即服务协作范例。虚拟化利用从标记为VM映像（VMI）的用户特定模板实例化的虚拟机（VM）。从这个意义上说，快速调配具有不同用户请求的虚拟机，确保跨多个云提供商的服务质量（QoS）在很大程度上取决于映像存储库架构和分发策略。我们讨论了VMI存储库和分发机制中可能的最新技术，以在联合云中实现高效的VM配置。此外，我们还介绍和比较了这一领域的各种代表性系统。此外，我们定义了一个设计空间，确定当前的限制，挑战和开放趋势的VMI存储库和分布技术在联邦基础设施。
2019-06-21 cs.DC
Machine Learning (ML)-Centric Resource Management in Cloud Computing: A Review and Future Directions
University of Electronic Science and Technology of China（电子科技大学）；University of Melbourne（墨尔本大学）
云计算已经迅速成为用于提供基于互联网的效用计算服务的模型。在云计算中，基础设施即服务（IaaS）是最重要和发展最快的领域之一。云提供商在此服务模型中提供用户/机器资源，例如虚拟机、原始（块）存储、防火墙、负载均衡器和网络设备。IaaS的云计算最重要的方面之一是资源管理。可扩展性、服务质量、最佳效用、降低开销、增加吞吐量、减少延迟、专业化环境、成本效益和简化界面是云计算中IaaS资源管理的一些优势。传统上，资源管理是通过静态策略来完成的，这在各种动态场景中施加了一定的限制，促使云服务提供商采用数据驱动的、基于机器学习的方法。机器学习正被用于处理各种资源管理任务，包括工作负载估计、任务调度、VM整合、资源优化和能量优化等。本文详细介绍了基于ML的资源管理在当前研究中面临的挑战，以及当前解决这些挑战的方法，以及它们的优点和局限性。最后，我们提出了潜在的未来研究方向的基础上确定的挑战和局限性，在目前的研究。
2021-05-09 cs.DC cs.LG
Predictive Autoscaling in Cloud-Native and Federated Cloud-Edge Computing Environments: A Taxonomy and Future Directions
The University of Melbourne（墨尔本大学）；Banaras Hindu University（贝拿勒斯印度教大学）
本文系统综述了云原生与联邦云边环境中的预测性自动缩放技术，提出了基于触发器、目标、预测模型和评估指标的分类法，并探讨了CRD、MAPE控制环及联邦学习等机制，最后指出了未来研究方向。
2026-06-05 cs.DC
New technological trajectories and research directions in Cloud Computing Technology, 2004-2021
本研究的目标是探索云计算技术的新兴趋势，以支持经济和社会变革。我们应用实体链接的方法，从知识库中的单词串链接到实体，提取云计算从2004年到2021年的累积出版物中的主要关键词。结果表明，在云计算研究中，物联网与其他主题相比具有加速的技术和科学增长。支持云计算发展的其他关键研究领域是数学优化和虚拟机。这些发现揭示了云系统基础设施、硬件开发方以及计算和软件开发之间的技术竞争在云计算的技术演进中发挥主要作用。此外，这项研究表明，虚拟机和计算设备的技术发展对促进许多部门的经济和技术变革至关重要。然而，云计算的实施必须得到技能发展、组织变革和采用者参与的支持，以促进云技术的管理和传播，并利用基于云的基础设施，使企业在快速变化的市场中获得竞争优势。这项研究可以提供主要信息，以扩展知识具有理论意义，解释科学和技术在这一领域的研究和创新管理的实际意义，为适当分配资源的新技术轨迹在云计算具有增长潜力和有益的影响，在社会上的演变特点。
2022-07-09 cs.DC
Power-Aware Allocation of Graph Jobs in Geo-Distributed Cloud Networks
在大数据时代，提交到云的作业呈现出由图表示的复杂结构，其中节点表示每个子任务可以容纳在服务器中的插槽中，而边表示子任务之间的通信约束。我们开发了一个框架，用于在地理分布式云网络（GDCN）中有效地分配图形作业，明确考虑了计算中心（DC）的功耗。我们解决了图作业分配中出现的以下两个挑战：i）分配问题属于NP-难非线性整数规划; ii）分配需要解决NP-完全子图同构问题，这在大规模GDCN中特别麻烦。我们为各种规模的GDCN开发了一套有效的解决方案。对于小规模的GDCN，我们提出了一种基于凸规划的分析方法。对于中等规模的GDCN，我们开发了一个分布式分配算法，利用DC的处理能力并行。之后，我们提供了一种新的低复杂度（分散式）子图提取方法，在此基础上，我们引入云爬虫，旨在为大规模GDCN提取良好潜力的分配。鉴于这些建议的策略，我们进一步研究固定和自适应DC定价方案下的策略选择，并提出了一个在线学习算法。
2019-11-14 cs.DC
A Survey on Scheduling Techniques in the Edge Cloud: Issues, Challenges and Future Directions
Hongik University（弘益大学）
本文综述边缘云中的调度技术，分类启发式与元启发式算法，评估其优劣、QoS与容错性，并指出问题、挑战及未来方向。
2025-10-18 cs.DC
Resource Management for GPT-based Model Deployed on Clouds: Challenges, Solutions, and Future Directions
本文针对云端部署 GPT 类大模型带来的资源管理挑战，分析其独特特征并提出资源管理框架、调度算法及未来研究方向。
2023-08-05 cs.DC
A Comprehensive Vision on Cloud Computing Environment: Emerging Challenges and Future Research Directions
云计算已成为计算行业的支柱，并提供基于订阅的按需服务。通过虚拟化，产生在抽象硬件层中运行的计算机系统的虚拟实例，它使我们能够在许多用户之间共享资源。与早期的分布式计算模型相反，它通过其庞大的云计算中心保证了无限的计算资源，并且由于其不断扩展的基础设施，用户群和托管数据量，近年来它非常受欢迎。这些庞大而复杂的工作负载带来了许多问题，包括资源使用、功耗、可扩展性、运营费用、安全性等问题。在此背景下，本文全面概述了各种规模的组织中最普遍的共享和通信问题。讨论了安全分类、负载均衡以及在保护敏感数据时遇到的主要困难。需要对当前最先进的贡献、资源管理分析方法、负载均衡解决方案、授权物流和基于多目标学习的方法进行全面检查。在最后一节中，本文检查，审查，并建议未来的研究方向，在该地区的安全虚拟机安置。
2022-07-16 cs.DC
Reinforcement Learning based Workflow Scheduling in Cloud and Edge Computing Environments: A Taxonomy, Review and Future Directions
本文综述云与边缘环境中基于DRL的工作流调度，提出分类体系并评估现有研究优劣，指出多目标、维度灾难等挑战及未来方向。
2024-08-06 cs.DC
Partisan: Enabling Cloud-Scale Erlang Applications
在这项工作中，我们为Erlang提供了一个替代的分发层，名为Partisan。Partisan是一个与拓扑无关的分布式编程模型和分发层，支持用于不同应用场景的多种网络拓扑：全网状，对等，客户端-服务器和网络订阅。Partisan允许应用程序开发人员在运行时指定网络拓扑，而不是将特定于拓扑的关注点编码到应用程序代码中。Partisan还增加了对更多通道的支持，使用户能够在多个通道上分发消息，有时是并行的。我们在Erlang程序设计语言中实现和评估Partisan，并在三个场景的评估中使用它。第一个场景比较了Distributed Erlang和Partisan之间的原始性能，并显示Partisan的性能与Distributed Erlang相当或更好。第二个场景演示了通过多个连接分发流量使Partisan在正常情况下的性能提高了18倍，在网络拥塞和高并发的情况下提高了30倍。第三个场景使用现有的应用程序演示，在运行时配置拓扑可以使应用程序的性能提高13.5倍，或者扩展到通用运行时分发层上的数千个节点的集群。
2018-02-07 cs.DC
Deep Reinforcement Learning-based Methods for Resource Scheduling in Cloud Computing: A Review and Future Directions
本文综述了基于深度强化学习的云计算资源调度方法，回顾其应用并探讨挑战与未来方向，以提升服务质量、降低成本与能耗。
2024-11-21 cs.DC
HyperNAT: Scaling Up Network AddressTranslation with SmartNICs for Clouds
网络地址转换（NAT）是云网关中的基本功能。随着云租户引入的流量和流量数量的增加，NAT网关需要在服务器集群上实现。我们建议扩大网关服务器，这可以减少服务器的数量，从而减少资本支出和运营支出。我们设计了HyperNAT，它利用智能路由器来提高服务器的处理能力。在HyperNAT中，NAT功能分布在多个NAT上，并相应地划分和分配流空间。HyperNAT通过将规则克隆到一个连接的两个方向的数据路径上，克服了一个连接的两个方向上的数据包需要由相同的NAT规则（称为双向一致性，TDC）处理的挑战。我们对HyperNAT的实现和评估表明，HyperNAT能够以较低的开销有效地扩展云网关。
2021-11-16 cs.DC cs.NI
A Manifesto for Future Generation Cloud Computing: Research Directions for the Next Decade
在过去的十年中，云计算范式彻底改变了计算机科学的视野，并使计算成为第五种实用工具。它引起了学术界、工业界和政府机构的极大关注。现在，它已经成为现代经济的支柱，通过提供基于订阅的服务，随时随地按现收现付模式。这促使（1）初创企业的建立时间更短，（2）创建可扩展的全球企业应用程序，（3）科学和高性能计算应用程序的成本-价值关联性更好，以及（4）普适和无处不在的应用程序的不同调用/执行模型。最近的技术发展和范例，如无服务器计算，软件定义网络，物联网和网络边缘处理正在为云计算创造新的机会。然而，它们也带来了一些新的挑战，并需要新的方法和研究策略，以及重新评估为解决可扩展性，弹性，可靠性，安全性，可持续性和应用模型等问题而开发的模型。拟议的宣言通过确定云计算中的主要开放挑战、新兴趋势和影响领域来解决这些问题。然后，它提供了未来十年的研究方向，从而有助于实现下一代云计算。
2018-08-24 cs.DC
Energy Efficiency in Cloud-Based Big Data Processing for Earth Observation: Gap Analysis and Future Directions
University of Twente（特温特大学）
针对云基地球观测大数据处理能效受关注不足的问题，分析现有平台在能源监测、数据管理等方面的差距，提出能源感知框架、基础设施优化等方向，以降本减碳且尽量不影响性能。
2025-10-03 cs.DC
Collaborative Learning of On-Device Small Model and Cloud-Based Large Model: Advances and Future Directions
Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
本文综述了端侧小模型与云端大模型的协同学习范式，从硬件、系统、算法和应用四层梳理进展，并展望未来研究方向。
2025-04-17 cs.DC cs.LG cs.MA
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
Architecture of a Flexible and Cost-Effective Remote Code Execution Engine
通常，在设计软件应用时，需要试验不同的程序设计语言和技术。这样的实验必须是可复制的，并在团队工作场所内共享，并且应该最大限度地减少设置/拆除所述实验的手动工作。本文解决了这个问题，提出了一个基于云的Web服务的远程代码执行，这是很容易扩展到支持任何数量的程序设计语言和库。该服务为小型软件实验提供了快速、可复制的解决方案，并且适合在工作场所进行协作（通过可共享的永久链接）。该服务被设计为分布式系统，可可靠地支持大量用户，并通过预测性自动扩展有效地管理云托管成本，同时最大限度地减少SLA违规。
2021-05-04 cs.DC
Is Intelligence the Right Direction in New OS Scheduling for Multiple Resources in Cloud Environments?
Beihang University（北京航空航天大学）
本文提出OSML+，一种基于多模型协作学习的云环境多资源调度机制，能同时调度缓存、内存带宽和计算核心，快速收敛并适应动态负载，实验证明其支持更高负载且开销更低。
2025-04-21 cs.DC cs.LG cs.PF
