CMI: An Online Multi-objective Genetic Autoscaler for Scientific and Engineering Workflows in Cloud Infrastructures with Unreliable Virtual Machines
云计算正在成为执行科学和工程工作流的领先范例。他们模拟的实验的大规模性质及其可变的工作负载使云成为理想的执行环境，因为它可以快速和弹性地访问大量的计算资源。自动缩放器是中间件级别的软件组件，其允许通过在调度工作流的任务时获取或终止虚拟机（VM）来缩放计算平台。在这项工作中，我们提出了一种新的在线多目标自动缩放命名为云多目标智能（CMI）的工作流，其目的是在最小化的完工时间，货币成本和潜在的影响，来自不可靠的虚拟机的错误。此外，这个问题还受到货币预算的限制。CMI负责定期解决工作流执行过程中遇到的自动缩放问题。四个著名的工作流程的模拟实验表明，CMI显着优于一个国家的最先进的autoscaler的类似特征，称为现场监测感知自动缩放（SIAA）。这些结果传达了一个坚实的基础，在其他Meta探试法的自动缩放工作流应用程序使用廉价的，但不可靠的基础设施的深入研究。
2018-11-02 cs.DC cs.NE
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
Engineering and Experimentally Benchmarking a Container-based Edge Computing System
虽然边缘计算被设想为出色地服务于延迟敏感的应用程序，但基于实现的基准测试其性能的研究却很少。为了解决这一差距，我们设计了一个模块化边缘云计算系统架构，该架构基于容器化技术的最新进展，包括用于数据流的Kafka，作为应用程序平台的Docker和作为实时数据库系统的Firebase Cloud。我们通过比较三种场景：仅云，仅边缘和组合边缘云，在可扩展性，资源利用率和延迟方面对系统的性能进行基准测试。测量结果表明，仅边缘解决方案只有在部署仅位于一个边缘的数据时才优于其他场景，即，而无需边缘计算宽数据同步。在需要通过云进行数据同步的应用程序的情况下，边缘云的扩展比纯云好10倍左右，直到系统中有一定数量的并发用户，并且超过这一点，纯云的扩展效果更好。在资源利用率方面，我们观察到，虽然平均利用率随着用户请求的数量线性增加，但随着数据量的增加，内存和网络I/O的最大值会大幅增加。
2020-02-10 cs.DC cs.NI
Cloud Performance Decomposition for Long-Term Performance Engineering: A Case Study
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；University of Delaware（特拉华大学）
本文提出两种云性能分解方法，通过11个无服务器函数案例展示其能揭示长期趋势和季节性周期，提升性能预测和资源分配效果。
2026-05-10 cs.DC cs.PF
Usage of Cloud Computing Simulators and Future Systems For Computational Research
云计算是一种基于互联网的计算，其中共享资源、软件和信息按需提供给计算机和设备，如电网。目前，IaaS（基础设施即服务）、PaaS（平台即服务）和SaaS（软件即服务）被用作云计算的商业模式。如今，云计算的采用和部署正在各个领域中增加，迫使研究人员在全球范围内进行云计算领域的研究。发展中国家的科研人员要评价科研成果，就必须营造良好的科研环境。目前，建模、仿真技术和对各高校数据中心资源的访问已经成为云计算研究的有力工具。多所大学专门开发了几个云模拟器来进行云计算研究，包括CloudSim、SPECI、Green Cloud和Future Systems（印第安纳大学的机器India、Bravo、Delta、Echo和Foxtrot），支持前沿数据科学研究和广泛的计算教育，以及云和HPC系统的集成。本文对现有的云计算模拟器和未来系统的特点、适用性、适应性和学习曲线进行了回顾和分析。
2016-04-30 cs.DC
Quantum Clouds: A future perspective
量子计算和云计算是未来计算的两大巨人。这两种技术是相辅相成的。因此，量子云是在云环境中部署量子计算资源，以解决当前经典云计算模型所面临的挑战和问题。云所面临的最新挑战，如虚拟机迁移、数据安全、流量管理等，都可以通过量子原理来解决。但这两种技术的融合也有其自身的挑战，需要在向前迈进之前加以解决。这些挑战是什么？量子计算机如何解决云计算问题？量子平行性、叠加性与闪光拥挤效应之间的关系;朗道原理与能量管理;光子偏振原理与数据安全;这些有趣的问题在本文中得到了解决。
2014-10-05 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
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
Workflow-Based Big Data Analytics in The Cloud Environment Present Research Status and Future Prospects
工作流是一个常用术语，用于描述需要执行以解决问题的任务的系统分解。这一概念在科学和商业应用中得到了最好的利用，以精简和改善旨在实现成果的基本进程的业绩。大数据分析问题的日益复杂性促使人们使用科学工作流来执行特定领域应用程序的复杂任务。这项研究调查了基于工作流的大数据分析在云环境中的有效性，对该领域已经进行的研究以及该领域未来可能的研究方向提供了见解。
2017-11-04 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
KubeEdge-Sedna v0.3: Towards Next-Generation Automatically Customized AI Engineering Scheme
本文首次定义边云协同终身学习问题并发布开源方案KubeEdge-Sedna v0.3，通过多任务迁移、增量学习、知识库记忆和边云协同架构解决边缘小样本、数据异构、安全合规与离线自主等挑战。
2023-03-08 cs.AI cs.DC
Governing Cloud Data Pipelines with Agentic AI
IEEE Senior Member, USA（IEEE高级会员，美国）；Independent Researcher, USA（独立研究者，美国）；Albertsons, USA（Albertsons公司，美国）；Amtrak, USA（Amtrak公司，美国）；Cato, USA（Cato公司，美国）
本文提出Agentic Cloud Data Engineering，通过智能体AI实现云数据管道的治理，显著提升恢复效率、降低成本并减少人工干预。
2025-12-24 cs.DC cs.LG
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
Big Data Computing Using Cloud-Based Technologies, Challenges and Future Perspectives
设备和基于互联网的来源定期生成的大量数据构成了大数据。这些数据可以被处理和分析，为特定领域开发有用的应用程序。一些数学和数据分析技术在这一领域得到了应用。这导致了大数据计算的计算模型和工具的发展。然而，对于传统系统和技术来说，存储和处理要求是压倒性的。因此，需要能够根据变化的数据维度来调整存储和处理能力的基础设施。云计算是解决这一问题的一个潜在方案。然而，云中的大数据计算有其自身的一系列挑战和研究问题。本章概述了大数据的概念，讨论了可用于大数据的数学和数据分析技术，并对现有的工具、框架和平台进行了分类，这些工具、框架和平台可用于不同的大数据计算模型。此外，它还评估了基于云的大数据计算的可行性，研究了现有的挑战和机遇，并提供了该领域未来的研究方向。
2017-11-24 cs.DC
CloudSim 7G: An Integrated Toolkit for Modeling and Simulation of Future Generation Cloud Computing Environments
本文提出CloudSim 7G，通过重构架构和标准化接口，减少代码量并提升性能（内存分配减少25%），以支持下一代云计算环境的多扩展集成仿真。
2025-01-20 cs.DC
Reproducing Scientific Experiment with Cloud DevOps
科学实验的可重复性对于基于先前工作的学科进步至关重要。为了实现这一目标，许多研究者关注于复杂的方法论和自行发明的工具，但这些工具在实际使用中存在困难。在本文中，我们将介绍来自软件工程社区的Cloud DevOps基础设施，并展示如何有效地将其用于异构代理，以重现计算机科学相关学科的实验。DevOps可以使用免费提供的云计算机器进行中型实验和自托管计算引擎进行大规模计算，从而使研究人员能够以更可靠的方式与他人分享他们的实验结果。
2020-12-28 cs.DC
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
Overbook in Advance, Trade in Future: Computing Resource Provisioning in Hybrid Device-Edge-Cloud Networks
分布式物联网（IoT）系统中的大数据处理需要创新的计算架构和资源配置技术来支持实时和经济高效的计算服务。本文介绍了一种新的超额预订促进的远期交易机制，称为提前超额预订，未来交易（OATF），其中计算资源可以在具有不确定性（例如，“没有节目”）。更重要的是，OATF鼓励可行的超额预订率，其允许边缘服务器向多个最终用户超额预订资源（例如，超过资源供应），同时从云服务器购买备份资源，通过分析历史统计数据（例如，网络、资源动态）。这种机制可以大大提高时间效率和资源利用率由于超额预订和预先签署的远期合同。本文对超售率设计和风险管理等关键问题进行了深入研究，并给出了一个有趣的案例分析。综合模拟表明，与传统交易方法相比，OATF为不同方（云、边缘和最终用户）实现了互利的效用，以及大量的资源使用和值得称赞的时间效率。
2022-08-25 cs.DC
A Survey on Scheduling Techniques in the Edge Cloud: Issues, Challenges and Future Directions
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
Transformative effects of IoT, Blockchain and Artificial Intelligence on cloud computing: Evolution, vision, trends and open challenges
云计算在现代社会中发挥着至关重要的作用，并支持从基础设施到社交媒体的一系列应用。此类系统必须应对变化的负载和不断变化的使用，反映社会对自动计算系统的交互和依赖，同时满足服务质量（QoS）保证。使这些系统成为可能的是一组概念性技术，它们被综合起来以满足不断发展的计算应用的需求。为了了解这种系统当前和未来的挑战，有必要确定实现未来应用的关键技术。在这项研究中，我们的目标是探索三个新兴的范式（区块链，物联网和人工智能）将如何影响未来的云计算系统。此外，我们确定了几种驱动这些模式的技术，并邀请国际专家讨论云计算的现状和未来方向。最后，我们提出了一个云未来学的概念模型，以探讨新兴的范式和技术对云计算的演变的影响。
2019-10-21 cs.DC
Recent Advances in Mobile Grid and Cloud Computing
网格和云计算系统已被广泛用于解决科学和工程领域中的大型和复杂问题。这些系统包括通过高速网络连接的强大计算资源。由于移动计算和联网技术的最新进展，将诸如机器人、飞行器、传感器和智能电话的各种移动设备与网格和云计算系统集成已经变得可行。这种集成使下一代应用程序的设计和开发，通过在移动环境中的资源共享，也引入了一些挑战，由于动态和不可预测的网络。本文讨论了移动网格和云计算系统的设计和开发中的应用、研究挑战以及该领域的最新进展。
2018-10-16 cs.DC
Research On Mobile Cloud Computing: Review, Trend, And Perspectives
移动云计算（MCC）结合了移动计算和云计算，自2009年以来已成为行业流行语之一，也是IT界的主要讨论话题。由于MCC仍处于发展初期，因此有必要对该技术进行透彻的了解，以便为未来的研究指明方向。本文从微控制器的产生背景、原理、特点、研究现状和发展趋势等方面对微控制器的研究进行了综述。首先简要介绍了移动计算的背景：从移动计算到云计算，然后讨论了移动计算的特点和研究现状。然后分析了移动云计算的特点和基础设施。文章最后分析了移动云计算面临的挑战，总结了相关的研究项目，并指出了未来的研究方向。
2012-06-06 cs.DC
The Cloud's Cloudy Moment: A Systematic Survey of Public Cloud Service Outage
服务可用性不足是采用云计算时的首要问题。人们认识到，大规模互联网服务不可能实现零停机时间。然而，通过从以前和其他人的错误中学习，云供应商可以最大限度地减少未来停机的风险，或者至少保持停机时间较短。为了便于云提供商总结经验教训，我们对公共云服务中断事件进行了系统调查。本文报告了这次调查的结果。除了一组调查结果，我们的工作通过对中断根本原因进行分类，生成了一个经验教训框架。该框架可以反过来用于安排中断教训，供云提供商参考。通过纳入潜在的新根源，这一经验教训框架将在我们今后的工作中顺利扩大。
2013-12-23 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
Easily implementable time series forecasting techniques for resource provisioning in cloud computing
云计算中的云预测显然是一个重要的话题。大多数现有出版物采用了各种可能难以实施的时间序列技术。我们在这里建议另一条路线，它已经成功地用于金融工程和光伏能源。不需要数学建模和机器学习过程。我们的计算机模拟，通过现实的数据，这是相当令人信服的，表明设置混合代数估计技术和日常的季节性表现得更好。最后给出了虚拟机在计算资源分配中的应用。
2019-03-11 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
Enhancing Regression Models for Complex Systems Using Evolutionary Techniques for Feature Engineering
本文提出一种结合语法进化与经典回归的自动化方法，用于特征工程和符号回归，在真实云应用中实现功耗预测平均误差3.98%，为数据中心能效优化提供支持。
2024-03-14 cs.AR cs.DC
Bridge the Present and Future: A Cross-Layer Matching Game in Dynamic Cloud-Aided Mobile Edge Networks
本文针对云辅助移动边缘网络中的跨层资源供给问题，提出融合期货与现货交易的混合匹配机制，通过OA-CLM和OS-CLM实现稳定、高效且满足多种经济性质的资源分配，并在仿真中验证其显著提升效率与社会福利。
2024-06-08 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
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
IFCIoT: Integrated Fog Cloud IoT Architectural Paradigm for Future Internet of Things
我们提出了一种新的集成雾云物联网（IFCIoT）架构范例，承诺提高性能，能源效率，降低延迟，更快的响应时间，可扩展性，以及更好的本地化精度为未来的物联网应用。雾节点（例如，边缘服务器、智能路由器、基站）从各种IoT设备接收计算卸载请求和感测数据。为了提高应用程序的性能，能源效率和实时响应能力，我们提出了一个可重构和分层的雾节点（边缘服务器）架构，分析应用程序的特性和重新配置的架构资源，以更好地满足峰值工作负载的需求。提出的雾节点架构的层包括应用层、分析层、虚拟化层、重配置层和硬件层。分层架构促进雾计算范例的抽象和实现，雾计算范例在本质上是分布式的，并且其中多个供应商（例如，应用、服务、数据和内容提供方）。我们还详细阐述了IFCIoT架构的潜在应用，如智慧城市、智能交通系统、本地化天气地图和环境监测，以及实时农业数据分析和控制。
2017-01-30 cs.DC
From Zero to Fog: Efficient Engineering of Fog-Based Internet of Things Applications
在物联网数据处理中，由于延迟约束、带宽限制和隐私问题，单独的云计算是不够的。通过引入更靠近网络边缘的中间节点，在物联网设备附近提供计算服务，雾计算可以减少网络压力和应用服务的高访问延迟。虽然这是实现高效物联网应用的唯一可行方法，但雾中云和中间节点之间的组件放置问题为系统设计增加了一个新的维度。这个问题的最先进的解决方案依赖于模拟或通过启发式算法解决形式化的分配问题，这两者都是不准确的，并且无法随着解空间呈指数级增长而扩展。在本文中，我们提出了一个设计实用的基于雾的物联网应用程序的三步过程，该过程使用最佳实践，模拟和测试床分析来收敛到一个高效的系统架构。然后，我们将此流程应用于智能工厂案例研究中。通过部署过滤选项的物理测试平台，我们表明，我们的过程中的每一步收敛到更有效的应用程序设计。
2021-07-02 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
Evaluating the Overhead of the Performance Profiler Cloudprofiler With MooBench
本研究针对云原生架构的可观测性开销问题，通过MooBench评估C++实现的性能分析器Cloudprofiler的开销，其通过进程外置、缓冲块和压缩线程优化，带ZSTD的缓冲ID处理程序平均执行时间2.28微秒，比非缓冲非压缩处理程序快6.15倍。
2024-11-26 cs.DC cs.SE
Cloud BI: Future of Business Intelligence in the Cloud
云计算由于其相对于自托管IT基础设施的明显优势，正逐渐在企业中流行起来。商业智能（BI）是一个高度资源密集型的系统，需要大规模的并行处理和大量的存储容量来托管数据仓库。在自托管环境中，人们担心BI最终将面临资源短缺的情况，因为公司不可能不断增加资源来托管数据仓库的无休止扩展和对底层网络的在线分析处理（OLAP）需求。云计算为商业智能的未来前景带来了新的希望。然而，BI将如何在云上实施，流量和需求概况将如何？这项研究试图回答这些关于将BI带到云端的关键问题。借助OPNET上的模拟演示了BI的云托管，该模拟包括一个云模型，其中多个OLAP应用程序服务器在托管关系数据库的服务器阵列上应用并行查询负载。仿真结果反映了云上数据库服务器真正的、可扩展的并行处理能够有效地处理云计算上的OLAP应用需求。因此，BI设计人员需要计划在大规模并行数据库服务器上运行的高度分区的数据库，其中每个服务器托管至少一个服务于OLAP需求的底层数据库分区。
2019-01-23 cs.DC cs.NI
Possible Futures for Cloud Cost Models
本文探讨了云成本模型的过去、现状与未来可能形态，指出当前面向AI/ML优化的模型不适合科学计算，旨在为持续支持科学发现提供解决思路。
2025-10-11 cs.CY 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
Ready for Rain? A View from SPEC Research on the Future of Cloud Metrics
在过去的十年中，云计算已经从对服务驱动的信息和通信技术（ICT）的追求中脱颖而出，成为ICT市场的重要组成部分。为了应对市场的增长，许多替代云服务及其底层系统目前正在争夺云用户和提供商的注意力。因此，需要对它们进行基准测试，以使云用户能够做出明智的选择，并使系统DevOps能够调整，设计和评估他们的系统。这需要关注新旧系统属性，可能导致重新设计经典的基准测试指标，例如将性能表示为吞吐量和延迟（响应时间），以及设计新的特定于云的指标。为了满足这一要求，在这项工作中，我们重点关注四个系统属性：（i）云服务的弹性，以适应所请求的服务量的巨大变化，（ii）共享云系统租户之间的性能隔离，（iii）云服务和系统的可用性，以及（iv）在云环境中运行生产系统的操作风险。对于这些属性中的每一个，我们回顾最新技术，然后选择或提出新的度量以及测量方法。我们将这些指标视为即将到来的行业标准云基准的基础。保留字：云计算;（c）测量;（b）基准化;弹性;隔离;业绩;服务水平目标;可用性;运营风险。
2016-04-12 cs.DC cs.PF
Self-Organizing Interaction Spaces: A Framework for Engineering Pervasive Applications in Mobile and Distributed Environments
Rochester Institute of Technology（罗切斯特理工学院）
本文提出自组织交互空间（SOIS）框架，利用移动节点的动态与异构特性形成自适应组织结构，通过关键抽象和机制支持普适应用建模，有效提升效率并减少对传统云模型的依赖。
2025-02-03 cs.AI cs.DC cs.LG
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
Towards Rigorous Selection and Configuration of Cloud Services: Research Methodology
云计算最近已经成为分布式计算的主要趋势。我们提出了一个平台，用于自动选择和配置一个合适的云环境，满足一组消费者和提供商的要求。它可以很容易地调整其行为，无论是在设计时还是运行时，以适应环境在位置，时间，活动，交互能力和通信限制方面的变化。该平台基于动态软件生产线（SPL）、面向Agent的软件工程和MAPE-k参考模型的原则。我们依据设计科学的研究方法论来进行这项工作。在这篇文章中，我们提出了我们的研究步骤遵循这种方法的指导方针。
2021-04-02 cs.DC cs.SE
Fog Robotics: A Summary, Challenges and Future Scope
人机交互对于使机器人更接近人类起着至关重要的作用。机器人通常受到自身能力的限制。因此，他们利用云机器人来提高他们的灵活性。它的能力包括共享地图、图像和处理能力等信息。整个过程涉及到分发数据，这些数据将大幅增长。可能出现新的问题，例如带宽、回程和前传系统处的网络拥塞，从而导致高延迟。因此，它可以对机器人、用户和云之间的无缝连接产生影响。此外，机器人可能无法在规定的时间内成功完成其目标。因此，Cloud Robotics无法处理机器人带来的流量。相反，即将到来的Fog Robotics可以通过解决Cloud Robotics的主要问题来解决问题。因此，为了检查其可行性，我们在本文中讨论了雾机器人的需求和架构。为了评估这些架构，我们使用了Fog Robotics的真实场景，并将其与Cloud Robotics进行了比较。接下来，选择延迟作为验证系统有效性的主要因素。此外，我们使用Pepper机器人，Fog机器人服务器和Cloud服务器来利用实时延迟。实验结果表明，与Cloud Robotics相比，Fog Robotics显著降低了延迟。此外，雾机器人系统的优势，挑战和未来的范围进行了进一步讨论。
2019-08-14 cs.DC cs.RO
Data science and Machine learning in the Clouds: A Perspective for the Future
TCS Research（塔塔咨询服务公司研究院）
随着科学领域范式转变的开始，数据驱动科学（所谓的第四科学范式）将成为研究和创新的驱动力。从医学到生物多样性，从天文学到地质学，所有这些术语都将在某种程度上受到这种范式转变的影响。在这种新模式下处理的大量数据将是未来的主要问题，并且在这些计算的所有方面（从存储到计算和其他服务）都强烈需要基于云的服务。另一个方面将是在这样一个科学范式中预测工作和任务的能耗和性能，这将改变人们看待计算的方式。数据科学已经严重影响或触发了机器学习、信号/图像/视频处理相关算法、人工智能、机器人技术、健康信息学、地理信息学以及更多感兴趣的领域的出现。因此，我们设想一个数据科学可以在现有的基于云的平台和服务的帮助下实现其承诺的时代，并增加新的服务。在这篇文章中，我们讨论了数据驱动科学和机器学习，以及它们在未来如何通过基于云的服务联系起来。它还讨论了近似计算，量子计算等范例的兴起，以及它们在云环境中的大数据处理，数据科学，分析，预测和机器学习中的适用性。
2021-09-02 cs.DC cs.LG cs.PF
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
Concept of Feedback in Future Computing Models to Cloud Systems
Moscow Technological Institute «WTU»（莫斯科技术学院（WTU））
本文探讨了未来计算模型在云系统中反馈机制的重要性，提出反馈模型作为分布式计算过程的新基础，并用于评估分布式数据库的结构复杂性和混合云系统的动态特性。
2014-02-19 cs.DC cs.NI cs.SY
ABACUS: A FinOps Service for Cloud Cost Optimization
SentinelOne Inc.（森蒂内尔一号公司）
本文提出ABACUS，一种通过预算设定、强制阻止超预算部署及超支告警来优化云成本的FinOps服务，并利用基础设施即代码预判部署成本，同时展望了未来研究方向。
2024-12-22 cs.AI cs.DC cs.NI
