Architectural Partitioning and Deployment Modeling on Hybrid Clouds
混合云的想法正日益获得动力，因为它作为复杂软件系统的托管平台带来了独特的优势。然而，在混合托管变得普遍和渗透之前，需要克服几个挑战。一个主要问题是在架构上跨可行的云和非云部署选择的排列划分工作负载，以产生最适合的托管组合。另一个是预测交付这种有利的混合部署的工作量估计。在本文中，我们描述了一种启发式解决方案，以解决上述障碍，并根据寻求托管的工作负载的属性和特征，汇聚在理想的混合云部署架构上。接下来，我们将提出一个模型来表示这种混合云部署，并演示一种方法来估计实现和维持该部署所需的工作量。我们还通过跨越多个行业垂直领域的数十个案例研究来验证我们的模型，并记录了与软件系统的行业分组如何影响上述混合部署模型有关的结果。
2022-05-09 cs.DC cs.SE
Declarative Modeling for Building a Cloud Federation and Cloud Applications
该文件说明了我们如何建立一个联邦云计算平台，致力于意大利研究界。构建云平台是一项艰巨的任务，需要协调许多服务的部署，这些服务相互关联且相互依赖。平台的配置、服务和维护必须自动化。对于我们的部署，我们选择了一个声明式建模工具，它允许描述组成系统的部分及其特定接口的供应商/消费者关系。该工具通过转换系统的状态，直到达到满足所有约束的配置，来安排使部署收敛的步骤。我们选择了一种声明式服务建模方法来协调管理员对平台的部署和用户对应用程序的部署。云平台的设计使其可以通过这种自动化进行管理，从而促进任何希望加入并向联邦贡献资源的人部署联邦区域。联合资源集成到单个云平台中，可供联合的任何用户使用。联合还可以无缝地包括公共云。我们描述了架构选择，我们如何调整OpenStack的基本设施，以满足多个独立组织的联合会的需求，我们如何根据承诺的计划控制资源分配，以及相应地我们如何处理资源使用的会计和计费。除了提供传统的IaaS服务外，云还支持云应用的自助部署。因此，云解决了科学的长尾问题，允许任何学科的研究人员，在没有系统或云管理专业知识的情况下，部署随时可用的应用程序供他们阅读。
2017-06-16 cs.DC
Proposal of Optimum Application Deployment Technology for Heterogeneous IaaS Cloud
近来，已经增加了由异构硬件组成的云系统以利用进步的硬件能力。然而，在异构硬件上编写应用程序以实现高性能需要很多技术技巧，对用户来说是困难的。因此，为了轻松实现高性能，本文提出了一种PaaS，该PaaS在用户将应用程序部署到云时自动分析应用程序逻辑并将计算卸载到GPU和FPGA。
2016-11-29 cs.DC
Optimizing Cloud Deployment: Blending of IaaS and FaaS for Microservice Architecture
Indian Institute of Technology Delhi（印度德里理工学院）
提出一种指标驱动方法，通过自动化框架分析性能指标，将微服务从纯IaaS迁移至IaaS+FaaS混合模型，以优化资源利用和可扩展性。
2026-06-11 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
Green by Design: Constraint-Based Adaptive Deployment in the Cloud Continuum
Politecnico di Milano（米兰理工大学）
本文提出了一种基于约束的自适应部署方法，通过绿色约束优化云连续体中的能源效率和环境影响。
2026-02-20 cs.DC
CernVM Online and Cloud Gateway: a uniform interface for CernVM contextualization and deployment
在虚拟化环境中，情境化是根据各种部署用例的需要配置VM实例的过程。在云上运行CernVM时，可以通过将手写上下文传递到云API的用户数据字段来完成CernVM中的上下文化，或者在本地运行VM时使用CernVM Web界面来完成。CernVM Online是一个可公开访问的Web界面，它统一了这两个过程。用户可以使用CernVM Online定义、存储和共享CernVM上下文，然后使用CernVM Cloud Gateway在云中应用它们，或者使用单步配对机制在本地VM上应用它们。CernVM Cloud Gateway是一个分布式系统，它提供了一个单一的接口来使用多个不同的云（按位置或类型，私有或公共）。云网关目前已与OpenNebula、CloudStack和EC2工具接口集成。可以访问多个云的用户可以运行CernVM云代理，这些代理将使用其接口与这些云进行通信，然后使用一个接口部署和扩展CernVM集群。CernVM集群在CernVM Online中定义，由一组上下文化的CernVM实例组成，这些实例可以相互通信。
2014-04-07 cs.DC
Deployment of ML Models using Kubeflow on Different Cloud Providers
该项目旨在探索使用名为Kubeflow的开源工具在Kubernetes上部署机器学习模型的过程[1] -一个端到端ML Stack编排工具包。我们以管道的形式在Kubeflow上创建端到端的机器学习模型，并分析各种要点，包括该工具的易于设置、部署模型、性能、限制和功能。我们希望我们的项目几乎像一个研讨会/介绍性报告，可以帮助对Kubeflow一无所知的普通云/Kubernetes用户使用Kubeflow部署ML模型。从在不同云上的设置到通过互联网提供我们的训练模型-我们提供了详细说明Kubeflow性能的细节和指标。
2022-06-27 cs.DC cs.LG
Efficient image deployment in cloud environments
在云基础架构中，虚拟机实例化的最大开销是将虚拟机映像传输到执行它的物理节点所花费的时间，对于由多个虚拟机组成的请求并发启动，这一开销会变得更大，通常与云计算模型相关的灵活性和弹性的错觉可能会消失。这给资源提供者和软件开发者都带来了问题，因为处理这些开销不是一个微不足道的问题。在这项工作中，我们实现并评估了云基础设施中虚拟机映像分发问题的几项改进，并提出了一种基于BitTorrent和虚拟机映像本地缓存的方法，该方法可以减少大请求时的传输时间
2017-11-21 cs.DC
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
Hyper Heterogeneous Cloud-based IMS Software Architecture: A Proof-of-Concept and Empirical Analysis
由3GPP定义的IP多媒体子系统（IMS）主要由电话供应商在供应商专用硬件上开发和部署。网络功能虚拟化（NFV）技术的最新进展为虚拟化硬件和电话功能弹性铺平了道路。因此，电信供应商已经开始接受云作为部署平台，通常选择特权虚拟化平台。运营商希望在其现有的IT云平台上部署电信功能。实现这种灵活性需要电信供应商采用允许在许多云平台甚至异构云平台上部署的软件架构。我们提出了一个分布式软件架构，使一个单一的软件版本部署在多个云平台，从而允许基于解决方案的部署。我们还提出了一个原型，我们开发的研究这种架构的特点。
2015-09-18 cs.DC
Failure-Resilient and Carbon-Efficient Deployment of Microservices over the Cloud-Edge Continuum
University of Pisa（比萨大学）；University of Bologna（博洛尼亚大学）；Politecnico di Milano（米兰理工大学）
FREEDA工具链通过自动化部署优化，在云边连续体上实现微服务的故障容忍和碳效率平衡。
2026-01-07 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
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
Closing the HPC-Cloud Convergence Gap: Multi-Tenant Slingshot RDMA for Kubernetes
本文针对融合 HPC-Cloud 环境中 HPE Slingshot 网络栈不支持多租户安全访问的问题，设计并实现了基于 Kubernetes 的扩展，以极低开销提供安全、容器粒度的多租户 Slingshot RDMA 访问能力。
2025-08-13 cs.DC cs.NI
Virtual Machine Migration: A Resource Intensive Outsourcing Mechanism for Mobile Cloud Computing
在移动云计算（MCC）中，基于虚拟机（VM）迁移的进程卸载是增强智能移动设备（SMD）的主要方法。VM部署的一个挑战性方面是在VM的部署和管理中使用额外的计算资源，这迫使计算资源用于VM创建和配置。虚拟机的管理包括虚拟机全生命周期监控中的计算资源开发和SMD上虚拟机的物理资源管理。因此，基于VM迁移的应用卸载需要额外的计算资源。因此，计算资源需求和应用程序的执行时间分别增加。在本文中，我们经验审查的影响，虚拟机的部署和管理的应用程序的执行时间在不同的情况下。我们调查虚拟机部署和管理的应用程序处理在模拟环境中采用CloudSim：一个模拟工具包，提供了一个可扩展的模拟框架，模拟虚拟机部署和管理的应用程序处理在云基础设施。这项工作的重要性在于确保VM部署和管理需要SMD上的额外计算资源，以实现应用程序卸载。我们通过分析不同场景下的关键性能参数（KPPs）来评估应用程序处理中的VM部署和管理;例如VM部署，应用程序的执行时间和模拟的总执行时间。我们使用KPPs来评估不同实验方案结果的偏差。实证分析的结论是，虚拟机的部署和管理需要额外的资源上的计算主机，使其成为一个重量级的方法，在智能移动终端的进程卸载。
2012-11-30 cs.DC
Cloud, Edge, or Split? Profiling Onboard and Split Vision-Language Model Deployment for Drone AI
University of Klagenfurt（克拉根福大学）；TU Wien（维也纳科技大学）
本文以SmolVLM-256M为轻量级VLM代表，系统剖析机载、云端和拆分三种部署范式，发现无普遍最优策略，首选方案取决于网络条件与图像分辨率的交互。
2026-09-23 cs.DC
Workflow-as-a-Service Cloud Platform and Deployment of Bioinformatics Workflow Applications
工作流管理系统（WMS）支持在分布式计算环境中组合和部署面向工作流的应用程序。它们隐藏了管理大规模应用程序的复杂性，包括控制任务之间的数据流水线，确保应用程序的执行，以及编排分布式计算资源以获得合理的处理时间。随着科学工作流采用趋势的增加，使用第三方服务部署它们的需求开始增加。工作流即服务（WaaS）是一个术语，代表为需要在第三方云管理服务上部署工作流应用程序的用户提供服务的平台。这一概念推动现有的WMS技术向WaaS云平台发展。基于这一需求，我们扩展了CloudBus WMS功能，以处理多个工作流的工作负载，并开发了WaaS云平台原型。我们实现了弹性预算约束的多工作流资源配置和调度算法（EBPSM）算法，该算法能够调度多个工作流，并使用两个生物信息学工作流对平台进行了评估。我们的实验结果表明，该平台是能够有效地处理多个工作流的执行，并获得其目的，以最大限度地减少完工时间，同时满足预算。
2020-06-02 cs.DC
Cloud Deployment Tradeoffs for the Analysis of Spatially-Distributed Systems of Internet-of-Things
在物理世界中运行的支持互联网的事物和设备越来越多地集成在现代分布式系统中，支持需要确保整个系统满足某些关键要求的功能。在这里，我们专注于空间分布式物联网系统，如智能环境，其中系统中实体的空间分布动态对于满足需求至关重要。在系统运行时，分析技术需要到位，以确保满足要求。这可以通过在运行时保持系统的模型、监视导致空间环境中的变化的事件以及执行分析来实现。这种计算密集型的运行时保证方法无法得到填充空间的资源受限设备的支持，并且必须卸载到云。然而，在资源分配和成本方面出现了挑战，特别是当工作负载在系统设计时是未知的时。因此，可能难以甚至不可能保证应用服务级别协议，例如，响应时间。为此，我们实例化空间验证流程，将其集成到基于微服务的物联网云架构的服务层。我们提出了几个云部署这样的架构，以保证空间需求-基于虚拟机，容器，和最近的功能作为一个服务的范例。然后，我们评估部署的弹性，性能和成本方面的权衡，通过使用一个工作负载的情况下，从一个已知的数据集的出租车漫游在北京举行。我们认为，这种方法可以复制在类似的空间分布的物联网系统的设计过程中。
2020-04-23 cs.DC cs.MA cs.NI
Cloud Computing -- Everything As A Service
由云提供商托管的计算基础设施允许应用程序无限制地扩展。应用程序开发人员不再需要担心为最坏情况负载场景配置的服务器场的前期投资。但是，管理云部署需要一个复杂的框架，可以自动扩展基础设施并保证运行容器映像的正常运行时间。本文调查了解决云部署的管理和编排以及建模框架的现有研究，以抽象出主机基础设施的低级别细节。我们调查了区块链分布式账本、量子计算和物联网应用堆栈，以展示它们如何利用云部署。
2022-05-25 cs.DC cs.SE
Deep Learning Model Deployment in Multiple Cloud Providers: an Exploratory Study Using Low Computing Power Environments
Cloud Plarform Engineering, Wildlife Studios（云平台工程，野生动物工作室）；Technology, State University of Feira de Santana（技术，费亚尔德萨桑塔纳州立大学）；Computer Engineering, Federal University of Vale do São Francisco（计算机工程，巴伊亚州联邦大学）
本研究探讨了在多个云服务提供商中部署深度学习模型的可行性，发现无GPU的CPU部署在成本上更具优势，尤其适用于资源受限的用户。
2026-01-11 cs.AI cs.DC cs.PF
Deployment of Elastic Virtual Hybrid Clusters Across Cloud Sites
虚拟集群是广泛使用的计算平台，可以部署在多个云平台中。动态增加和减少节点数量的能力为高性能计算和高吞吐量计算工作负载的定制弹性计算铺平了道路。然而，弹性通常限于单个云站点，因此阻碍了从多个地理上分布的云站点提供计算资源的能力。为此，本文介绍了一种开源组件的架构，该架构在多个云站点上一致地部署虚拟弹性集群以执行大规模计算。这些混合虚拟弹性群集使用基础架构即代码（IaC）方法在分布式混合测试平台上自动部署和配置，该测试平台跨越不同的组织，包括内部部署和公共云，支持跨具有高级VPN拓扑的群集节点的自动隧道通信。结果表明，基于集群的并行作业计算可以受益于混合虚拟集群，该集群聚合来自多个云后端的计算资源，并将它们聚集到一个专用的虚拟网络中。本文中介绍的工作部分由欧盟（EU）Horizon 2020研究项目DEEP Hybrid-DataCloud（资助协议编号777435）资助。
2021-02-17 cs.DC
Cost-Based Assessment of Partitioning Algorithms of Agent-Based Systems on Hybrid Cloud Environments
分发基于代理的模拟器揭示了在混合云基础设施上部署它们时面临的许多挑战。事实上，研究人员通过在混合云上运行模拟的主要动机是实现更具可扩展性的系统以及降低货币成本。事实上，尽管混合云环境提供了对适当数据的可扩展性和有效控制，但它需要一种有效的部署策略，将有效的分区机制和成本节约结合起来。在本文中，我们提出了一个成本部署模型专用于分布式基于代理的仿真系统。这种成本模型，结合一般的性能划分标准，以及货币成本，用于评估集群和网格的混合云环境中的分区算法。第一个实验结果表明，对于一个给定的基于代理的模型，一个好的分区方法与合适的混合云环境使用，导致一个有效的和经济的部署。
2017-09-17 cs.DC
Resilience Evaluation of Kubernetes in Cloud-Edge Environments via Failure Injection
本文提出一种结合 Chaos Mesh、Gremlin、ChaosBlade 等故障注入工具与自动化负载生成的框架，系统评估云边 Kubernetes 弹性，并基于 11,965 个故障场景构建首个混合云边弹性数据集，定量揭示云边与纯云部署在不同故障下的弹性差异。
2025-07-21 cs.DC
Streamlining Cloud-Native Application Development and Deployment with Robust Encapsulation
本文提出 OaaS 无服务器范式，将业务逻辑、数据和非功能需求封装为单一部署包，并通过 Oparaca 平台实现，显著提升应用性能与可靠性，简化云原生开发部署。
2024-10-21 cs.DC cs.PL
Achieving Operational Scalability Using Razee Continuous Deployment Model and Kubernetes Operators
云计算领域的最新进展已经导致在简化针对不同需求的硬件和软件的采购方面取得了巨大进步。通过将企业工作负载迁移到托管云产品（私有云、公共云、混合云），客户可以委派与网络连接、云资源采购、应用程序部署、软件补丁和升级等相关的日常任务和劳动密集型维护活动，这通常会转化为高可用性和降低成本等优势。容器和基于微服务的部署的流行使Kubernetes成为交付应用程序的事实标准。然而，即使使用Kubernetes编排，云服务提供商也经常遇到操作可扩展性问题，因为缺乏持续集成和持续部署（CICD）自动化，并且在管理跨多个数据中心/可用性区域的大量软件部署时对人工操作员的需求增加。Kubernetes通过使用Operators创建和管理自定义应用程序，以一种新颖的方式解决了这个问题。敏捷方法论提倡增量式CICD，被云提供商采用。然而，具有讽刺意味的是，正是这种应用程序更新、Kubernetes集群升级等的持续交付功能，这也是云提供商的祸根。在本文中，我们将演示如何使用IBM开源项目Razee作为可扩展的持续部署框架来部署开源RStudio和Nginx Operator。我们将讨论IBM Watson SaaS应用程序操作员，区块链应用程序和Kubernetes资源更新等，可以类似地部署和使用Operator来执行应用程序生存周期管理。我们断言，将Razee与Kubernetes上的Operators结…
2020-12-18 cs.DC cs.SE
SpotKube: Cost-Optimal Microservices Deployment with Cluster Autoscaling and Spot Pricing
SpotKube是一个基于Kubernetes的开源方案，利用遗传算法和竞价定价动态扩缩微服务集群，在保障性能的同时实现公有云部署成本最优。
2025-02-07 cs.DC
Cloud2Edge Elastic AI Framework for Prototyping and Deployment of AI Inference Engines in Autonomous Vehicles
Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）；Elektrobit Automotive（易特驰汽车）；University of Southampton（南安普顿大学）
自动驾驶汽车和自动驾驶汽车正在彻底改变汽车行业，共同塑造移动出行的未来。尽管人工智能（AI）和云/边缘计算等新技术的集成为改进自动驾驶应用提供了绝佳机会，但仍需要相应地对AI组件的整个原型设计和部署周期进行现代化改造。本文提出了一种新的框架，用于基于深度学习模块为自动驾驶应用开发所谓的AI推理引擎，其中训练任务在云和边缘资源上弹性部署，旨在减少所需的网络带宽，并减轻隐私问题。基于我们提出的数据驱动的V-Model，我们为AI组件开发周期引入了一个简单而优雅的解决方案，其中原型设计根据软件在环（SiL）范式在云中进行，而目标ECU（电子控制单元）的部署和评估则作为硬件在环（HiL）测试进行。该框架的有效性证明了使用两个真实世界的用例的AI推理引擎的自动驾驶汽车，即环境感知和最可能的路径预测。
2020-09-23 cs.AI cs.DC cs.SE
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
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
Resource- and Message Size-Aware Scheduling of Stream Processing at the Edge with application to Realtime Microscopy
虽然可以利用云边缘的计算资源来改善延迟并降低各种移动，Web和IoT应用程序的云服务成本，但这些资源自然受到限制。对于分布式流处理应用程序，将一些处理工作卸载到云边缘有明显的优势。许多最先进的流处理应用程序，如Flink和Spark Streaming，被设计为专门在云中运行，不适合这种混合边缘/云部署设置，尤其是因为它们的制造商对这种部署中的异构硬件考虑有限。特别地，它们的路由器广泛地假设同构网络拓扑（除了数据局部性考虑，例如，HDFS/Spark）。专门用于这种混合部署场景的流处理框架，特别是物联网应用程序，允许开发人员手动将管道中的特定运营商分配给云边缘的节点。在本文中，我们研究了在混合云/边缘部署环境中对CPU成本和消息大小敏感的调度流处理，目的是最大化有限边缘资源的吞吐量。我们演示了电子显微镜图像流的实时边缘处理，并根据我们的方法与资源不可知的基线调度程序，在基准测试下，测量端到端延迟的一致减少。
2019-12-19 cs.DC
Optimizing Infrastructures for Testing Using Virtualization
虚拟化技术和云计算为我们利用、部署和管理计算机资源的方式带来了范式转变。它们允许将多个操作系统快速部署为物理机器上的容器，这些容器可以在使用后丢弃，也可以检查以供以后重新部署。在欧洲核研究组织（CERN），我们一直在使用虚拟化技术为我们的开发人员快速设置虚拟机，并预先配置软件，使他们能够快速测试/部署给定应用程序的新版本软件补丁。本文报告了用于在商用硬件上设置私有云的技术，并介绍了我们用于消除部署特定性能瓶颈的优化技术。
2012-10-28 cs.DC cs.NI
Dynamic Resource Manager for Automating Deployments in the Computing Continuum
针对计算连续体中异构资源带来的软件部署挑战，提出无缝资源管理器框架，利用跨边缘-云资源自动化部署并监控SLOs，实验证明其能有效自动化部署且以低开销检测SLO违规。
2024-11-10 cs.DC
Reproducible and Portable Workflows for Scientific Computing and HPC in the Cloud
科学领域越来越多的云计算服务改变了科学代码的开发、部署和运行方式。许多现代科学工作流能够在云计算资源上运行。因此，科学计算社区对能够将应用程序移动到云并简化过程并减少获得有意义的科学结果的时间的方法、工具和实现越来越感兴趣。在本文中，我们将可移植性容器化和多云自动化部署的概念与行业标准工具应用于三个科学工作流程。我们展示了我们的实现如何降低应用程序本身的可移植性的复杂性，以及它们在私有云和公共云中的部署。每个应用程序都已打包在Docker容器中，其中包含其依赖项和必要的环境设置，以供生产运行。Terraform和Ansible已被用于自动配置计算资源和在多VM集群中部署每个科学应用程序。每个应用程序都已部署在AWS和Aristotle Cloud Federation平台上。数据管理约束的变化，多虚拟机MPI通信，以及并行实例部署都进行了探索和报告。因此，我们提出了一个科学工作流的样本，可以使用的工具和我们提出的实现，部署和运行在各种云环境中简化。
2020-06-09 cs.DC cs.SE
DeF-DReL: Systematic Deployment of Serverless Functions in Fog and Cloud environments using Deep Reinforcement Learning
University of Tartu（塔尔图大学）；University of Hyderabad（海得拉巴大学）
针对雾计算资源有限且未充分利用云环境的问题，提出DeF-DReL算法，利用深度强化学习优化雾与云间的请求分配比例，实验证明其优于现有算法。
2022-04-18 cs.AI cs.DC
Towards Seamless Serverless Computing Across an Edge-Cloud Continuum
本文基于 Knative 构建支持边缘-云无缝部署的无服务器平台，提出边缘编排与动态卸载策略，实验证明其可降低延迟并提升吞吐量。
2024-01-04 cs.DC
KupenStack: Kubernetes based Cloud Native OpenStack
OpenStack是一个开源私有云，用于运行虚拟机及其相关的云服务。OpenStack部署、管理和升级需要大量的工作和手动故障排除。此外，OpenStack提供的工作负载和服务不能在故障时自我修复。我们展示了KupenStack，一个构建在Kubernetes堆栈之上的云原生OpenStack即代码模型，作为自定义资源。KupenStack是一个控制器，它在Kubernetes和OpenStack之间进行交互，并自动化复杂的操作，如扩展，LCM，零停机，自我修复，版本升级，配置管理，并通过代码提供OpenStack作为服务。KupenStack构建了云原生价值，如不可变的基础设施，用于OpenStack的声明式API，而无需更改任何OpenStack代码。如果VM工作负载由于某种原因下降，KupenStack会处理它并自动启动一个新实例。KupenStack在Kubernetes部署上使用OpenStack来管理OpenStack的生命周期。
2021-06-05 cs.DC
Fog Computing in IoT Aided Smart Grid Transition- Requirements, Prospects, Status Quos and Challenges
由于IT领域的发展，即智能交通和信息技术，现代智能电网（SG）系统与智能设备和实体一起利用。当这些基础设施被赋予物联网（IoT）和传感器网络时，它们会使对象的宇宙变得活跃和在线。传统的云部署屈服于满足分析和计算需求分散，动态和资源时间关键SG生态系统。本文概括性地考察了云计算实用程序在多大程度上可以满足SG生态系统的关键任务需求，以及哪些子域和服务需要基于雾的计算原型。这项工作的目的是了解雾计算算法的适用性，以与核心为中心的云计算支持相互作用，从而能够提出一种新的实时和无延迟的SG服务。这项工作还强调了基于雾的SG部署带来的机遇。相应地，我们还强调了挑战和研究重点阐明了雾计算成功SG过渡的可行性。
2018-02-06 cs.DC cs.ET
Workflow Partitioning and Deployment on the Cloud using Orchestra
构建面向服务的工作流通常基于一种设计模型，该模型通过单一点（集中式工作流引擎）路由数据和控制。这会导致可伸缩性问题，包括不必要的网络带宽消耗，服务之间传输数据的高延迟和性能瓶颈。当编排由分散在遥远地理位置的服务组成的工作流时，这些问题非常突出。本文提出了一种新的工作流划分方法，试图提高编排大规模工作流的可扩展性。它允许工作流计算向提供数据的服务移动，以获得最佳性能结果。这是通过将工作流分解为用于并行执行的较小子工作流，并确定这些子工作流被传输并随后执行的最合适的网络位置来实现的。本文使用一组在Amazon EC2和多个地理网络区域上编排的实验性工作流来演示我们方法的效率。
2014-09-29 cs.DC
RoboECC: Multi-Factor-Aware Edge-Cloud Collaborative Deployment for VLA Models
School of Computer Science, Peking University, Beijing, China（北京大学计算机科学学院）；School of Computer Science, South China University of Technology, Guangzhou, China（华南理工大学计算机科学学院）；School of Artificial Intelligence, Beijing Normal University, Beijing, China（北京师范大学人工智能学院）；School of EECS, Peking University, Beijing, China（北京大学电子工程与科学学院）
本文提出RoboECC框架，通过模型-硬件协同分割策略和网络感知部署调整方法，解决VLA模型在边缘-云计算协同部署中的分割点识别和网络波动问题，实验显示其在效率提升与资源消耗之间取得良好平衡。
2026-04-27 cs.DC cs.LG cs.RO
kube-volttron: Rearchitecting the VOLTTRON Building Energy Management System for Cloud Native Deployment
管理建筑环境的能源消耗是灵活负荷和脱碳的重要来源，使建筑管理者和公用事业公司能够安排消耗，以避免昂贵的需求费用和电网发电碳排放最高的高峰时间。建筑物能源管理的一个关键技术组成部分是建筑物能源管理系统。Eclipse VOLTTRON是一个支持建筑能源管理的传统软件平台。它是为美国能源部（DOE）在太平洋西北国家实验室（PNNL）开发的，用Python编写，基于单片构建-配置-运行-就地系统架构，早于云原生架构概念。然而，软件架构是组件化的，可以预期模块化容器化应用程序，软件代理处理数据存储，Web访问以及通过特定的物联网协议（如BACnet和Modbus）与物联网设备通信等功能。代理之间通过消息总线进行通信。本文描述了一个概念验证原型，将VOLTTRON重新架构为适合在Kubernetes云原生容器编排平台上部署的微服务集合。代理被打包在可再分发的容器中，这些容器执行特定的功能，并且可以在部署时进行配置。部署架构由单个Kubernetes集群组成，其中包含一个中央节点，名义上位于基于云的虚拟机中，其中包含数据库代理的微服务（称为“历史记录器”）和用于服务运行的网站代理，以及在建筑物中的站点上运行的网关节点，其中包含IoT协议特定代理的微服务处理去往和来自设备的控制和数据汇集，并将信息传回中央节点。
2023-02-27 cs.CY cs.DC cs.SE
An Edge-Cloud Integrated Framework for Flexible and Dynamic Stream Analytics
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
随着物联网（IoT）、边缘计算和云计算的普及，越来越多的流分析应用正在开发中，包括在IoT传感数据之上的实时趋势预测和目标检测。一种流行的流分析类型是基于时间序列或序列数据预测和预报的递归神经网络（RNN）深度学习模型。与传统的分析不同，传统的分析假设数据提前可用并且不会改变，流分析处理的是不断生成的数据，并且数据趋势/分布可能会发生变化（也就是说，概念漂移），这将导致预测/预报准确性随时间下降。另一个挑战是为流分析找到最佳资源配置，以实现良好的整体延迟。在本文中，我们研究了如何最好地利用边缘和云资源，使用一种称为长短期记忆（LSTM）的RNN模型来实现更好的流分析准确性和延迟。我们提出了一种新的边缘云集成框架，用于混合流分析，支持边缘上的低延迟推理和云上的高容量训练。为了实现灵活的部署，我们研究了不同的方法来部署我们的混合学习框架，包括以边缘为中心，以云为中心和边缘云集成。此外，我们的混合学习框架可以动态地组合基于历史数据预训练的LSTM模型和基于最新数据定期重新训练的另一个LSTM模型的推理结果。使用真实世界和模拟流数据集，我们的实验表明，所提出的边缘云部署在延迟方面是所有三种部署类型中最好的。对于准确性，实验表明，我们的动态学习方法在所有三种概念漂移情况下的所有学习方法中表现最好。
2022-08-13 cs.DC cs.LG cs.NI
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
Optimization and Evaluation of a Multimedia Streaming Service on Hybrid Telco cloud
随着云计算的最新发展，从相当静态的资源部署到更动态的按需实践的范式转变意味着更大的灵活性和更好的资源利用率。这需要新的方法来有效地配置网络。在本文中，我们将描述一类有竞争力的云服务，电信运营商可以提供基于电信基础设施的特点，通过一个适用的流服务架构。然后，我们将这种架构建模为基于成本的数学模型。该模型提供了一个工具，以评估和比较不同的电信网络拓扑结构和部署策略的软件服务的成本。此外，对于每个拓扑，它都可以作为一种手段来表征在整个网络上产生最低资源使用的部署解决方案。通过数值分析说明了这些应用。最后，部署了一个概念验证原型，展示了上述体系结构和模型中服务的动态特性。
2011-09-07 cs.DC cs.MM
SAGE -- A Tool for Optimal Deployments in Kubernetes Clusters
本文提出 SAGE 工具，依据应用约束与云资源计算 Kubernetes 最优部署计划，可辅助默认及自定义调度器，并在多类测试场景中持续取得优于其他调度器的方案。
2023-07-12 cs.DC
Seamless Deployment of Machine Learning Inference at the Far Edge: An Empirical AWS IoT Greengrass Architecture for Industrial Predictive Maintenance
Kwame Nkrumah University of Science and Technology（科瓦梅·恩克鲁玛科技大学）
本文针对工业预测性维护的需求，提出基于AWS IoT Greengrass v2的混合云-边缘架构，通过实验验证其可大幅降低带宽与延迟，解决现有相关研究的四大空白。
2026-10-14 cs.AI cs.DC
Design and Deployment of Photo2Building: A Cloud-based Procedural Modeling Tool as a Service
Purdue University（普渡大学）
我们提出了一个Photo 2Building工具来创建一个合理的3D模型的建筑物，只有一张照片。我们的工具是基于以前的桌面版本，如本文所述，转换成一个客户端-服务器模型，与作业排队，网页支持，并支持并发使用。据报道，基于云的网络访问工具平均可以在40秒内重建一座建筑物，目前的价格仅为0.60美元。这提供了一个非常可扩展和可能广泛的工具，用于创建城市设计和规划应用中使用的建筑模型。随着快速城市化对天气和气候以及资源可用性的影响越来越大，获得这种服务预计将有助于世界各地的城市规划者、城市气象学家等广泛的用户，以改善对城市天气的预测，并设计未来具有气候抗御力的城市。
2020-08-04 cs.CV cs.DC cs.GR
AgentWare: Automating the Lifecycle of Agentic Applications across the Edge-to-Cloud Continuum
University of Cyprus（塞浦路斯大学）
AgentWare提出AgenticOps框架，自动化边缘到云环境中智能体应用的配置、部署、可观测性与评估，显著降低人工成本。
2026-09-29 cs.DC cs.LG
Cost-Aware Logging: Measuring the Financial Impact of Excessive Log Retention in Small-Scale Cloud Deployments
本研究通过成本效益视角分析日志保留策略，发现减少保留时间可显著降低存储成本，同时保留大部分有用日志。
2026-01-01 cs.DC cs.PF
Brewing Analytics Quality for Cloud Performance
云计算已经变得越来越流行。云部署的许多选项都可用。测试云性能将使我们能够根据需求选择云部署。在本文中，我们提出了一个创新的过程，在软件中实现，使我们能够评估云性能数据的质量。该过程结合了来自多台机器的性能数据，跨越了用户体验数据、工作负载性能指标和随时可用的系统性能数据。此外，我们还讨论了将原始数据转换为整洁的数据格式以进行后续分析的主要挑战，并描述了我们的过程如何进行多层评估以验证数据处理过程的质量。我们提出了一个案例研究，以证明我们提出的过程的有效性，并结束我们的论文与几个未来的研究方向值得调查。
2015-08-31 cs.DC cs.PF stat.AP
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
ML-EXray: Visibility into ML Deployment on the Edge
得益于不断扩大的云基础设施，如今的深度神经网络（DNN）在云端训练时具有越来越高的性能。研究人员花了几个月的时间来争取额外的几个百分点的模型准确性。然而，当这些模型实际部署在边缘设备上时，通常情况下，性能会突然下降10%以上，而没有明显的原因。关键的挑战是，对边缘设备上的ML推理执行没有太多的可见性，并且对边缘部署过程中的潜在问题知之甚少。我们提出了ML-EXray，这是一个端到端框架，它提供了ML执行的层级细节的可见性，并帮助开发人员分析和调试云到边缘部署问题。通常情况下，边缘性能次优的原因不仅在于模型本身，还在于整个数据流和部署过程中的每个操作。评估表明，ML-EXray可以有效地捕获部署问题，例如预处理错误，量化问题，次优内核等，使用ML-EXray，用户只需编写不到15行代码即可全面检查边缘部署管道。ML-EXray可以消除这些问题，将模型性能校正高达30%，精确定位易出错的层，并指导用户将内核执行延迟优化两个数量级。代码和API将作为开源多语言工具库和Python部署验证库发布。
2021-11-08 cs.AI cs.DC cs.LG
Transformation of Python Applications into Function-as-a-Service Deployments
新的云编程和部署模型给软件应用程序工程师带来了挑战，他们正在寻找工具来自动化任何必要的代码调整和转换，但往往是徒劳的。考虑到大多数云应用程序都是用非函数式语言实现的，函数式服务接口是一个特别重要的目标。这些语言中使用最广泛的是Python。这个起始位置需要一种自动化的方法，通过部分自动化的分解将单片Python代码转换为模块化的FaaS单元。因此，本文介绍并评估了Lambada，这是一个Python模块，可以动态分解，转换和部署未修改的Python代码到AWS Lambda函数中。除了工具的形式测量的开源原型实现，本文还提供了一个算法和代码重写规则的描述，作为其他脚本语言转换的蓝图。
2017-05-23 cs.DC cs.SE
ReviveMoE: Fast Recovery for Hardware Failures in Large-Scale MoE LLM Inference Deployments
Huawei Technologies Canada（华为技术有限公司加拿大分公司）；Simon Fraser University（西蒙菲莎大学）；Huawei Technologies China（华为技术有限公司中国）
ReviveMoE通过无需重启服务实例实现大规模MoE大语言模型部署中的快速故障恢复，基于华为的xDeepServe平台和XCCL通信库。
2026-02-24 cs.DC
