A Cloud-Edge Continuum Experimental Methodology Applied to a 5G Core Study
人们越来越有兴趣将传统的云原生技术（如Kubernetes）扩展到数据中心之外，以在边缘和边缘之间建立一个连续体。然而，传统的资源编排算法在这种情况下并不奏效，而且在没有实际构建的情况下，也很难测试异构云基础设施的应用程序。为了解决这些挑战，我们提出了一种新的方法来帮助部署，测试和分析异构云环境中微服务放置和调度的效果。通过这种方法，我们可以根据微服务在云边缘连续体中的位置来调查部署场景和监控指标的任何组合。边缘设备可能会被模拟，但当我们使用Kubernetes时，任何可以连接到Kubernetes集群的设备都可以使用。为了展示我们的方法，我们将其应用于开源5G核心实现的网络功能布局问题。
2023-01-26 cs.DC
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
ENTS: An Edge-native Task Scheduling System for Collaborative Edge Computing
协同边缘计算（CEC）是一种新兴的范例，能够在异构地理分布的边缘节点之间共享耦合的数据、计算和网络资源。最近，在CEC中编排和调度容器化应用程序工作负载的趋势已经出现，而Kubernetes已经成为工业界和学术界广泛采用的事实标准。然而，Kubernetes并不适合CEC，因为它的设计并不专用于边缘计算，并且忽略了边缘原生性的独特功能。更具体地说，Kubernetes主要确保工作负载的资源提供，而忽略边缘原生应用程序的性能要求，例如吞吐量和延迟。此外，Kubernetes忽略了边缘原生应用程序的内部依赖关系，没有考虑数据本地性和网络资源，导致性能低下。在这项工作中，我们设计并开发了第一个边缘原生任务调度系统ENTS，以管理分布式边缘资源，并促进有效的任务调度，以优化边缘原生应用程序的性能。ENTS扩展了Kubernetes的独特能力，通过综合考虑作业配置文件和资源状态来协同调度计算和网络资源。我们展示了优越的疗效的ENTS与数据流应用程序的案例研究。我们数学上制定了一个联合任务分配和流量调度问题，最大限度地提高工作吞吐量。我们设计了两个新的在线调度算法，以最佳地决定任务分配，带宽分配，和流路由策略。在实际边缘视频分析应用上的大量实验表明，与现有技术相比，ENTS的平均作业吞吐量提高了43%~ 220%。
2022-10-14 cs.DC cs.NI
Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud System
Tianjin University（天津大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Shenzhen University（深圳大学）；the University of British Columbia（不列颠哥伦比亚大学）
Kubernetes（k8s）有可能将分布式边缘和云合并，但缺乏专门针对边缘云系统的调度框架。此外，异构资源的层次分布以及请求和资源之间的复杂依赖关系使得面向k8s的边缘云系统的建模和调度尤为复杂。在本文中，我们介绍了KaiS，这是一个基于学习的调度框架，用于这种边缘云系统，以提高请求处理的长期吞吐率。首先，我们设计了一个协调的多代理Actor-Critic算法，以满足分散的请求调度和边缘集群内的动态调度空间。其次，针对不同的系统规模和结构，采用图神经网络嵌入系统状态信息，并将嵌入结果与多策略网络相结合，通过逐步调度降低编排维数。最后，我们采用双时间尺度的调度机制来协调请求分派和服务编排，并给出了部署上述算法与原生k8s组件兼容的实现设计。使用真实的工作负载跟踪的实验表明，KaiS可以成功地学习适当的调度策略，无论请求到达模式和系统规模。此外，与基线相比，KaiS可以将平均系统吞吐率提高14.3%，同时将调度成本降低34.7%。
2021-01-17 cs.AI cs.DC
ClusterSlice: A Zero-touch Deployment Platform for the Edge Cloud Continuum
ClusterSlice是一个开源零接触部署平台，通过声明式切片定义和按需基础设施，支持多异构域上的可组合Kubernetes部署及实验自动化，简化边缘云连续体的部署流程。
2024-03-16 cs.DC cs.NI
Enhancing Kubernetes Resilience through Anomaly Detection and Prediction
针对 Kubernetes 跨节点运行导致的故障监测难题，提出基于集群图结构特征与监督模型的异常检测框架，并在真实环境中评估多种模型组合。
2025-03-18 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
An Open-Source Experimentation Framework for the Edge Cloud Continuum
该框架为Kubernetes边缘云部署提供开源实验平台，通过微服务架构和抽象实现集群部署、配置及自动化，并在网络、编排和异常检测场景中验证了有效性。
2024-03-16 cs.DC cs.NI
NL-CPS: Reinforcement Learning-Based Kubernetes Control Plane Placement in Multi-Region Clusters
School of Computing, Engineering, and the Built Environment Edinburgh Napier University（爱丁堡纳皮尔大学计算、工程与建造环境学院）
本文提出基于神经上下文老虎机的强化学习框架，用于多区域集群中Kubernetes控制平面节点的智能部署，通过实验验证了该方法在提升集群性能方面的显著优势。
2026-04-09 cs.DC
GreenPipe: Power Modeling for Containerized DNN Inference on Kubernetes Edge Nodes
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）；University of Oslo（奥斯陆大学）
针对ARM边缘节点无硬件功耗计数器的DNN推理功耗估计难题，提出GreenPipe流水线构建多资源回归模型，在Raspberry Pi 4上评估显示MAPE优于基线，同时揭示性能-能耗权衡。
2026-09-07 cs.DC cs.PF
Learning to Remember: Attentive Reinforcement Learning for Edge Serverless Autoscaling
Department of Engineering, University of Perugia（佩鲁贾大学工程学院）；Consorzio Nazionale Interuniversitario per le Telecomunicazioni (CNIT)（国家大学间电信联盟（CNIT））
本文提出一种结合工作负载预测与控制的稳定性感知自动扩展框架，通过注意力增强的双堆叠LSTM架构与PPO智能体，有效降低边缘环境中的时间盲区，减少延迟和副本波动。
2026-09-24 cs.DC cs.LG
Extensions for Shared Resource Orchestration in Kubernetes to Support RT-Cloud Containers
由于当前网络延迟的改进以及雾和边缘计算的出现，行业正在考虑采用云计算进行实时应用。为了创建能够托管实时应用程序的RT云，改进整个堆栈变得越来越重要，包括应用程序的容器化以及跨节点的部署和编排。然而，最先进的管弦乐队（例如，Kubernetes）和底层容器引擎是为通用应用程序设计的。它们忽略了对共享资源（例如，内存带宽、缓存、共享互连）的编排和管理，使得它们不适合与RT云一起使用。从现有的多核节点资源管理架构（如ACTORS）和分布式混合关键度系统（如DREAMS）中汲取灵感，我们提出了一系列扩展，以通过Kubernetes编排共享资源并通过底层Linux层进行管理。我们的方法允许细粒度的监控和分配节点上的低级别共享资源，以提供更好的隔离实时容器，并支持动态编排和平衡的基础上的可用性和需求的共享资源的节点上的容器。
2023-01-18 cs.DC cs.OS
Computing Without Borders: The Way Towards Liquid Computing
尽管云计算和边缘计算范式促进了事实上的技术统一性，但孤立集群之间的资源碎片阻碍了应用程序放置的动态性，导致性能和操作复杂性不佳。在此基础上，并扩展这些范例，我们提出了一种新的方法，设想一个透明的连续的资源和服务的基础上，分散的基础设施，称为液体计算。完全去中心化，面向多所有权和意图驱动，它可以实现一个总体抽象，以改善应用程序的执行，同时为新的场景开放，包括资源共享和代理。根据上述愿景，我们提出了liqo，这是一个开源项目，通过创建动态和无缝的Kubernetes多集群拓扑来实现这种方法。广泛的实验评估表明，它在不同的环境中都是有效的，无论是在Kubernetes开销方面，还是与其他开源替代方案相比。
2022-12-23 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
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
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
Mutating etcd Towards Edge Suitability
本研究针对边缘环境中 Kubernetes 等编排平台因键值存储不适配的问题，提出 etcd 的两种变异（mergeable-etcd 和 dismerge），采用基于 CRDT 的因果一致性，实现本地优先、网络分区下可靠且高性能的存储。
2023-11-16 cs.DC
SynergAI: Edge-to-Cloud Synergy for Architecture-Driven High-Performance Orchestration for AI Inference
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
SEIFER: Scalable Edge Inference for Deep Neural Networks
边缘推理通过其从零售到可穿戴技术的应用变得越来越普遍。联网的资源受限边缘设备的集群正变得越来越普遍，但是没有生产就绪的编排系统用于在这种边缘网络上部署深度学习模型，该边缘网络采用云的鲁棒性和可扩展性。我们提出了SEIFER，这是一个框架，利用独立的Kubernetes集群来划分给定的DNN，并将这些分区以分布式方式放置在边缘网络中，目标是最大化推理吞吐量。该系统具有节点容错能力，并根据模型版本的更新自动更新部署。我们提供了一个初步评估的分区和布局算法，在这个框架内工作，并表明，我们可以提高推理流水线吞吐量的200%，利用足够数量的资源受限的节点。我们已经在开源软件中实现了SEIFER，该软件可供研究社区公开使用。
2022-11-17 cs.DC cs.NI
LMEdge: QoS-Aware LLM Inference Orchestration on Edge Clusters
Vienna University of Technology（维也纳工业大学）；University of Klagenfurt（克拉根福大学）；University of Messina（墨西拿大学）
研究在边缘集群上进行QoS感知的LLM推理编排问题，提出LMEdge服务。通过BILP优化并结合五个轻量级ML模型预测相关指标，设计轻量级启发式方法。在边缘测试平台评估，结果显示其降低延迟、保持准确性、提高资源利用率及服务比率。
2026-07-21 cs.DC
Edge-Cloud Continuum Orchestration of Critical Services: A Smart-City Approach
针对智慧城市MEC环境中现有云原生编排工具隔离、实时性和边缘适配不足的问题，本文扩展Kubernetes，提出位置资源定义、自定义调度、持续监控与负载均衡机制，实现关键与非关键云边服务的无缝编排。
2024-07-24 cs.DC
Evaluating Container Orchestration for Neuromorphic Workloads in Virtual Edge Environments
本文研究了在虚拟边缘环境中使用Kubernetes部署和编排SNN工作负载的可行性，探讨了资源限制对端到端延迟、吞吐量和分类准确率的影响，揭示了容器编排配置的重要性。
2026-05-15 cs.DC
Model-driven Cluster Resource Management for AI Workloads in Edge Clouds
由于物联网（IoT）分析和增强现实等新兴边缘应用具有严格的延迟限制，最近提出了硬件AI加速器来加速这些应用运行的深度神经网络（DNN）推理。资源受限的边缘服务器和加速器往往会在多个物联网应用程序中进行复用，这可能会在延迟敏感的工作负载之间引入性能干扰。在本文中，我们设计了分析模型来捕获DNN推理工作负载在不同复用和并发行为下在共享边缘加速器（如GPU和edgeTPU）上的性能。在使用广泛的实验验证了我们的模型之后，我们使用它们来设计各种集群资源管理算法，以智能地管理边缘加速器上的多个应用程序，同时尊重它们的延迟限制。我们在Kubernetes中实现了我们系统的原型，并表明与传统的背包托管算法相比，我们的系统可以在异构多租户边缘集群中托管2.3倍以上的DNN应用程序，并且没有延迟违规。
2022-01-18 cs.DC cs.SY eess.SY
A Commodity SBC-Edge Cluster for Smart Cities
商用单板的计算机（SBC）的功能越来越强大，可以执行标准操作系统和主流工作负载。在基于云的智慧城市应用的背景下，SBC可以用作边缘计算设备，减少网络通信。在本文中，我们研究了智能停车应用程序的SBC为基础的边缘集群（SBC-EC）框架的设计和实现。由于SBC是资源受限的设备，因此我们设计了一个基于容器的框架，以减少占用空间。Kubernetes被用作编排工具来编排框架中的各种容器。为了验证我们的方法，我们为智能停车应用程序实现了基于SBC的边缘集群的概念验证，作为一个可能的物联网用例。我们的实现表明，在基于云的智能停车应用的边缘使用SBC设备是一种具有成本效益和低能耗的绿色计算解决方案。所提出的框架可以扩展到智能城市背景下类似的基于云的应用程序。
2019-01-31 cs.CY cs.DC
Conflict-Aware Autonomous Resource Orchestration for 5G Edge Slicing Using Multi-Agent Systems and LLMs
Federal University of Rio Grande do Sul (UFRGS)（南里奥格兰德联邦大学）；Federal University of Viçosa (UFV)（维索卡联邦大学）；University of São Paulo (USP)（圣保罗大学）；University of Minho (UMinho)（米尼奥大学）
该研究针对5G边缘切片的资源编排问题，提出双时间尺度架构，结合LLM与MAS的确定性拍卖机制，在真实边缘集群上验证了其可实现意图转化、资源差异化分配与需求适应。
2026-10-14 cs.DC cs.MA cs.NI
Multitenant Containers as a Service (CaaS) for Clouds and Edge Clouds
针对云和边缘云中CaaS多租户隔离开销大的问题，提出原生多租户框架，租户共享集群，通过节点级切片实现隔离与定制，已开源并用于EdgeNet。
2023-04-21 cs.DC cs.NI
CRAWO: Custom Resources for Adaptive Workload Orchestration
Federal University of Rio Grande do Norte（巴西里约热内卢州联邦大学）；IMD（信息管理与决策研究所）；DIMAP（应用数学与统计系）
针对异构边缘基础设施部署AI管道的挑战，提出CRAWO架构框架，采用基于控制回路模型，结合硬件感知分配器等，在车辆监控场景评估显示其能改善工作负载分布，减少对集中式云处理的依赖。
2026-07-24 cs.AI cs.DC cs.ET
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
