Edge-as-a-Service: Towards Distributed Cloud Architectures
我们提出了一个边缘即服务（EaaS）平台，用于实现分布式云架构并将网络边缘集成到计算生态系统中。EaaS平台的基础是（i）一个轻量级的发现协议，用于识别边缘节点并使其在计算环境中公开访问，以及（ii）一个可扩展的资源配置机制，用于将工作负载从云卸载到边缘，以服务多个用户请求。我们在一个在线游戏用例上验证了EaaS的可行性，以突出在我们的云边缘平台上托管的应用程序的QoS的改进。在这个平台上，我们展示了（i）低于6%的低开销，（ii）减少了高达95%的云数据流量，（iii）最大限度地减少了40%-60%的应用程序延迟。
2017-10-27 cs.DC
A Framework for Energy-aware Evaluation of Distributed Data Processing Platforms in Edge-Cloud Environment
分布式数据处理平台（例如，Hadoop、Spark和Flink）被广泛用于在云的计算节点之间分布数据的存储和处理。云资源的集中化催生了边缘计算，它使数据的处理更接近数据源，而不是将其发送到云端。然而，由于能源限制等资源限制，边缘计算无法用于部署各种应用程序。因此，任务从边缘设备卸载到资源更丰富的云。以前的研究已经评估了隔离云和边缘环境中分布式数据处理平台的能耗。然而，在集成的边缘云环境中评估这些平台的能耗的研究很少，其中任务从资源受限的设备卸载到资源丰富的设备。因此，在本文中，我们首先提出了一个框架的分布式数据处理平台的能量感知评估。然后，我们利用所提出的框架来评估三个最广泛使用的平台（即，Hadoop、Spark和Flink）在由Raspberry Pi、边缘节点、边缘服务器节点、私有云和公共云组成的集成边缘云环境中运行。我们的评估表明，（i）Flink是最节能的，其次是Spark，Hadoop被发现是最不节能的（ii）将任务从资源受限的设备卸载到资源丰富的设备可以减少55.2%的能耗，（iii）带宽和客户端与服务器之间的距离是影响能耗的关键因素。
2022-01-06 cs.DC
Efficient Resources Distribution for an Ephemeral Cloud/Edge continuum
本文介绍了Ephemeral Cloud/Edge Continuum愿景背后的想法和概念，这是一种云/边缘计算环境，可以利用广泛分布的，动态的和上下文感知的资源集。Ephemeral Continuum满足了将大量异构设备（如今普遍嵌入人类环境）与云提供商联合会和位于边缘的资源相结合的需求。Ephemeral Continuum的目标是实现计算，数据和网络资源的上下文感知和个性化联合，能够在高度分布式部署中管理其异构性。
2021-07-15 cs.DC
Enoki: Stateful Distributed FaaS from Edge to Cloud
Enoki 提出一种边缘-云连续体上的有状态 FaaS 架构，通过集成复制键值存储与单节点 FaaS 系统，在不破坏 FaaS 抽象的前提下为函数提供低延迟本地数据访问，并验证了分布式有状态应用构建的可行性。
2023-09-07 cs.DC
MEDAL: An AI-driven Data Fabric Concept for Elastic Cloud-to-Edge Intelligence
当前的边缘计算云解决方案对于以数据为中心的应用程序来说效率低下，因为它们专注于IaaS/PaaS级别，而忽略了数据建模和操作的角度。因此，由于云到边缘连续体上的端到端部署的繁琐和数据资产不可知的过程，边缘计算机会丢失了。在本文中，我们介绍了MEDAL，这是一种智能的云到边缘数据结构，用于支持整个连续体的数据操作（DataOps），并在数据和资源层的组合视图上自动化管理和编排操作。MEDAL有助于在现有的灵活和可组合的数据服务之上构建和管理数据工作流，在不同的云和边缘环境中无缝利用和联合IaaS/PaaS/SaaS资源。我们将MEDAL平台描述为数据科学家和工程师的可用工具，包括我们的概念，并通过联网汽车用例说明其应用。
2021-02-25 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
At the Edge of a Seamless Cloud Experience
对于许多设备和用户来说，对低延迟的需求日益增长。传统的云计算范式无法满足这一要求，因此需要一种新的范式。边缘计算提出将计算能力移动到网络边缘，更接近数据的生产和消费。然而，边缘计算提出了新的挑战。在边缘，设备比数据中心更加异构，数据中心的一切都经过优化以实现规模经济。边缘设备可以是移动的，比如汽车，这使得动态拓扑的架构变得复杂。物联网设备产生了大量可以在边缘处理的数据。在本文中，我们讨论了边缘计算面临的主要挑战以及实现无缝云体验的解决方案。我们建议使用容器和WebAssembly等技术来管理应用程序在异构设备上的执行。
2021-11-11 cs.DC
S2CE: A Hybrid Cloud and Edge Orchestrator for Mining Exascale Distributed Streams
物联网和其他设备等分布式和异构节点生成的数据量、速度、种类和准确性的爆炸性增长，不断挑战着大数据处理平台和挖掘技术的最新水平。因此，它揭示了迫切需要解决这种预期的艾级数据生成和从这些数据中提取见解之间不断增长的差距。为了满足这一需求，本文提出了Stream to Cloud & Edge（S2CE），这是同类产品中第一个优化的多云和边缘编排器，易于配置，可扩展和可扩展。S2CE将支持在混合云和边缘环境上运行的大量异构数据流的机器和深度学习，同时提供实用和可扩展处理的必要功能：数据融合和预处理，采样和合成流生成，云和边缘智能资源管理以及分布式处理。
2020-07-02 cs.DC
Distributed Edge Analytics in Edge-Fog-Cloud Continuum
针对云中心物联网应用的高延迟、高负载与隐私问题，本文提出边缘-雾-云连续体下的分布式边缘分析，从无服务器数据流水线、分布式计算、联邦学习三个维度结合自研框架验证了该方案的可行性。
2024-07-11 cs.DC
A Qualitative Evaluation of Service Mesh-based Traffic Management for Mobile Edge Cloud
Service mesh正被广泛采用为基于微服务的应用程序中的流量管理的云原生机制，特别是对于托管在更集中的云环境中的通用IT工作负载。性能要求高的应用程序继续推动现代应用程序执行环境的去中心化，例如移动边缘云。本文对最先进的服务网格进行了系统的定性分析，以评估其设计是否适合解决移动边缘云环境中托管的性能要求苛刻的应用程序工作负载的流量管理需求。通过这种分析，我们认为，当今以可靠性为中心的服务网格设计无法满足不同类型的新兴移动边缘云工作负载的需求，并激励进一步研究高效的架构，更强的QoS保证和更高复杂性的云原生流量管理框架的抽象。
2022-05-12 cs.DC
KubeDSM: A Kubernetes-based Dynamic Scheduling and Migration Framework for Cloud-Assisted Edge Clusters
本文提出KubeDSM框架，通过批量调度与实时迁移机制减少云辅助边缘集群中的资源碎片化，提升边缘pod分配比率和服务质量保障能力。
2025-09-18 cs.DC
ECC-SNN: Cost-Effective Edge-Cloud Collaboration for Spiking Neural Networks
ECC-SNN 提出一种融合脉冲神经网络与联合训练的边云协作框架，通过设备端增量学习减少通信开销，在四个数据集上实现准确率提升 4.15%、能耗降低 79.4%、延迟降低 39.1%。
2025-05-27 cs.DC
Towards characterization of edge-cloud continuum
本文回顾并概括了边缘云连续体的现有文献，指出了其预期特征，并探讨了为下一代智能分布式应用实现该环境需解决的挑战。
2023-09-11 cs.DC
Unified Management and Optimization of Edge-Cloud IoT Applications
物联网（IoT）应用已经出现了惊人的增长，预计到2020年将增长到250亿美元的产业。随着物联网应用规模的增长和对延迟的更严格要求，边缘计算引起了人们对此类环境的兴趣。然而，该行业仍处于起步阶段，对在整个边缘云环境中运行的应用程序没有适当的支持，并且需要对每个应用程序进行一系列繁琐的手动优化。在这项工作中，我们提出了Steel，这是一个用于在边缘云中开发、部署和监控应用程序的统一框架。Steel支持在边缘和云之间动态调整和轻松来回移动服务。Steel是可扩展的，其中常见的优化（但对边缘至关重要）可以构建为可插入和可配置的模块。我们添加了两个非常常见的优化：放置和自适应通信，以应对工作负载和环境的短期和长期变化。
2018-05-07 cs.DC
Edge, Fog, and Cloud Computing : An Overview on Challenges and Applications
随着物联网（IoT）和各种移动设备的快速增长，传统的云计算范式面临着重大挑战（高延迟、带宽成本等）。受这些限制和对物联网未来的担忧的推动，现代架构正朝着将云计算资源分布到大多数终端设备所在的远程位置的方向发展。边缘和雾计算被认为是集中式云解决方案不适合的应用程序的关键推动因素。在本文中，我们回顾了边缘、雾、云计算的高级定义，以及它们在各种物联网场景中的配置。我们进一步讨论了它们在许多应用中的交互和协作，例如云卸载，智能城市，医疗保健和智能农业。虽然在开发这种分布式系统方面仍然存在挑战，但解决这些限制的早期研究也已经浮出水面。
2022-11-03 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
Cloud, Fog or Edge: Where to Compute?
计算连续体通过靠近位于网络边缘的数据源的高能效和低延迟设备扩展了高性能云数据中心。然而，计算连续体的异构性提出了与应用程序管理相关的多个挑战。其中包括在哪里卸载应用程序-从云到边缘-以满足其计算和通信需求。为了支持这些决策，我们在本文中提供了一个详细的性能和碳足迹分析的用例应用程序的选择与互补的资源需求，在整个计算连续在现实生活中的评估测试平台。
2021-01-25 cs.DC
HybridFlow: Resource-Adaptive Subtask Routing for Efficient Edge-Cloud LLM Inference
The Hong Kong Polytechnic University（香港理工大学）；Zhejiang University（浙江大学）
HybridFlow通过动态资源适应的子任务路由框架，提升边缘-云LLM推理的效率与准确性。
2026-08-11 cs.DC
Leasing the Cloud-Edge Continuum, à la Carte
本文提出一种基于Prolog的声明式资源选择策略，用于在云边连续体中确定满足应用需求的基础设施部分，并在逼真场景中验证其有效性。
2023-08-30 cs.DC
Armada: A Robust Latency-Sensitive Edge Cloud in Heterogeneous Edge-Dense Environments
边缘计算通过利用数据邻近性并将延迟敏感和计算密集型工作负载卸载到附近的边缘服务器来实现大量新兴边缘应用程序。然而，由于有限的接入点边缘站点和受限的弹性，在广域环境中大规模支持边缘应用用户带来了挑战。在本文中，我们介绍了Armada：一个密集分布的边缘云基础设施，它探索了在异构环境中使用专用和志愿者资源为地理分布的用户提供服务。我们描述了轻量级的Armada架构和优化技术，包括性能感知的边缘选择，边缘上的自动扩展和负载均衡，容错和原位数据访问。我们在真实世界的志愿者环境和模拟平台上评估了Armada，以展示常见的边缘应用程序，即实时目标检测和人脸识别，可以轻松地部署在Armada上，以低延迟的方式为分布式用户提供大规模服务。
2021-11-23 cs.DC
Administrative Decentralization in Edge-Cloud Multi-Agent for Mobile Automation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；International School Beijing University of Posts and Telccommunication（北京邮电大学国际学院）
本文提出AdecPilot，通过将行政去中心化原则应用于边缘-云多智能体框架，实现边缘代理的重新定义，提升任务成功率并降低云资源消耗与延迟。
2026-04-09 cs.DC
SurveilEdge: Real-time Video Query based on Collaborative Cloud-Edge Deep Learning
海量监控视频数据的实时的【形】查询在公共安全、智能交通等各类智慧城市应用中发挥着基础性作用。传统的基于云的方法由于高传输延迟和高昂的带宽成本而不适用，而边缘设备由于资源有限，通常无法执行具有低延迟和高精度的复杂视觉算法。鉴于仅云和仅边缘解决方案的不可行性，我们提出了SurveilEdge，一个协作的云边缘系统，用于大规模监控视频流的实时的【形】查询。具体而言，我们设计了一个卷积神经网络（CNN）训练方案，以减少训练时间并提高精度;设计了一个智能任务分配器，以平衡不同计算节点之间的负载，实现实时的【形】查询的延迟-精度折衷。我们在具有多个边缘设备和公共云的原型上实现了SurveilEdge，并使用真实世界的监控视频数据集进行了广泛的实验。评估结果表明，SurveilEdge的带宽成本比仅云解决方案低7倍，查询响应时间快5.4倍;与仅边缘方法相比，查询准确率可提高43.9%，速度可提高15.8倍。
2020-04-06 cs.DC
Energy-Efficient Offloading in Mobile Edge Computing with Edge-Cloud Collaboration
多址移动边缘计算是一种新兴的技术，使计算资源接近终端移动用户。通过在WiFi接入点或蜂窝基站部署边缘服务器，可以扩展移动用户的计算能力。现有的工作大多假设远程云服务器可以被视为一个特殊的边缘服务器或边缘服务器愿意合作，这是不切实际的。在这项工作中，我们提出了一个边缘云合作架构，边缘服务器可以租用远程云服务器，以加快移动用户的任务计算。在此架构下，计算卸载问题被建模为一个具有延迟约束的混合整数规划问题，这是NP-难的。目标是最小化移动设备的总能耗。我们提出了一个贪心算法以及模拟退火算法来有效地解决这个问题。大量的仿真结果表明，所提出的贪心算法和模拟退火算法可以达到接近最优的性能。平均而言，所提出的贪心算法仅需31%的额外能量开销就能达到与Brute Force可选算法相同的应用程序完成时间预算性能。模拟退火算法可以达到与贪心算法相似的性能。
2018-11-09 cs.DC
GMB-ECC: Guided Measuring and Benchmarking of the Edge Cloud Continuum
本文提出GMB-ECC框架，用于在边缘云连续体的软硬件层进行能源消耗测量与基准测试，通过精度参数适应异构系统，并在自主内部物流用例中验证了其在保持性能的同时优化能源效率的能力。
2025-03-11 cs.DC
EdgeKV: Decentralized, scalable, and consistent storage for the edge
边缘计算使计算更接近数据，数据更接近用户，以克服云计算的高延迟通信。边缘存储允许高速数据访问，从而支持自动驾驶和智能电网等领域的延迟敏感型应用程序。然而，一些分布式服务通常是为云设计的，并且由于边缘的分布式和异构性及其有限的资源，构建一个高效的边缘支持存储系统是具有挑战性的。在本文中，我们提出了EdgeKV，这是一种为网络边缘设计的分散式存储系统。EdgeKV提供快速可靠的存储，利用具有强大一致性保证的数据复制。通过位置透明和基于接口的设计，EdgeKV可以扩展边缘节点的异构系统。我们在Golang中实现了EdgeKV模块的原型，并在Grid'5000测试平台上的边缘和云设置中对其进行了评估。我们使用Yahoo！Cloud Serving Benchmark（YCSB）分析系统在实际工作负载下的性能。我们的评估结果表明，EdgeKV优于云存储设置与本地和全局数据访问的平均写响应时间和吞吐量的提高26%和19%，在相同的设置下分别。我们的评估还表明，EdgeKV可以随着客户端的数量而扩展，而不会牺牲性能。最后，我们讨论了使用EdgeKV而不是集中式云来利用边缘资源时的能效改进。
2020-06-28 cs.DC
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
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
FlexSpec: Frozen Drafts Meet Evolving Targets in Edge-Cloud Collaborative LLM Speculative Decoding
Baidu Inc.（百度公司）；School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机学院）；Department of Information Science and Engineering, KTH Royal Institute of Technology（皇家理工学院信息与工程学院）；Shenzhen Research Institute of Big Data（深圳大数据研究院）
FlexSpec通过共享骨干架构和通道感知机制，提升边缘-云协作大语言模型推测解码的效率与可扩展性。
2026-01-02 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
GeoFaaS: An Edge-to-Cloud FaaS Platform
本文提出 GeoFaaS，一种利用实时客户端位置信息在最近边缘节点透明执行请求并在过载时卸载至云端的边缘到云 FaaS 平台，具有模块化去中心化架构，实验验证了其性能与容错能力。
2024-07-25 cs.DC
The Hidden cost of the Edge: A Performance Comparison of Edge and Cloud Latencies
边缘计算已经成为运行延迟敏感应用程序的流行范例，因为它能够为最终用户提供较低的网络延迟。在本文中，我们认为，尽管边缘的网络延迟较低，但与云数据中心相比，边缘的资源受限性质可能导致更高的端到端延迟，特别是在更高的利用率下。我们研究这个边缘的性能反演问题，通过分析比较边缘和云laundry和分析的条件下，边缘可以产生比云更差的性能。为了验证我们的分析结果，我们使用真实的应用程序和真实的云工作负载对边缘和云计算进行了详细的实验比较。我们的分析和实验结果都表明，即使在适度的利用率下，边缘排队延迟也会抵消较低网络延迟的好处，甚至导致性能反转，其中在云中运行将提供卓越的延迟。最后，我们讨论了我们的研究结果的实际意义，并提供了应用程序设计人员和服务提供商应该如何设计边缘应用程序和系统，以避免这些陷阱的见解。
2021-04-29 cs.DC cs.PF
Pico-Cloud: Cloud Infrastructure for Tiny Edge Devices
本文提出构建于超精简硬件的微边缘云架构Pico-Cloud，可在设备层提供轻量云原生能力，验证其为边缘轻量分布式负载提供高性价比去中心化平台的可行性。
2025-11-17 cs.DC cs.SE
Accelerator Virtualization in Fog Computing: Moving From the Cloud to the Edge
云上的硬件加速器可用于增强分析。下一代云的目标是使用加速器将增强的分析功能更接近网络边缘的用户设备，通过最小化端到端延迟和响应时间来提高服务质量。在包括云、边缘和用户设备的多层层次结构中利用云边缘连续体处的资源的集体计算模型被称为雾计算。本文确定了使加速器在边缘可访问的挑战和机遇。雾架构的整体视图是在这一领域进行有意义的研究的关键。
2018-10-14 cs.DC cs.NI
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
An Efficient Split Fine-tuning Framework for Edge and Cloud Collaborative Learning
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
为了使预先训练的模型能够在边缘设备上使用本地数据进行微调，而无需与云共享数据，我们设计了一个用于边缘和云协作学习的高效分割微调（SFT）框架。在这个框架中，我们提出了三种新的技术。首先，我们提出了一种基于矩阵分解的方法来压缩神经网络的中间输出，以减少边缘设备和云服务器之间的通信量。其次，我们消除了模型中的特定环节，而不影响微调的收敛性能。第三，我们在PyTorch上实现了我们的系统，允许用户轻松扩展现有的培训脚本，以享受高效的边缘和云协作学习。在9个NLP数据集上的实验结果表明，该框架可以减少96倍的通信量，而对模型精度的影响很小。
2022-11-30 cs.AI cs.DC
PECCO: A Profit and Cost-oriented Computation Offloading Scheme in Edge-Cloud Environment with Improved Moth-flame Optimisation
随着智能设备产生的数据量快速增长，以及物联网（IoT）时代的处理需求呈指数级激增，资源丰富的云中心已被用于应对这些挑战。为了减轻云中心的负担，边缘云计算卸载成为一种有前途的解决方案，因为通过将计算任务从云卸载到边缘设备来缩短数据源和计算之间的距离可以提高性能和服务质量（QoS）。已经提出了几种边缘云计算卸载的优化模型，这些模型考虑了计算成本和异构通信成本。然而，本文提出的面向收益和成本的计算卸载优化模型PECCO没有综合考虑任务的异构性、节点间的负载均衡以及计算任务的收益等因素。考虑到该模型是硬的，优化目标是不可微的，我们提出了一个改进的蛾火焰优化器PECCO-MFI，解决了原有的蛾火焰优化器的一些不足，并集成在边缘云环境下。综合实验进行了验证，所提出的方法优化提出的任务卸载模型在边缘云环境下的优越性能。
2022-08-09 cs.DC cs.NE
AI-oriented Medical Workload Allocation for Hierarchical Cloud/Edge/Device Computing
在分层结构的云/边缘/设备计算环境中，工作负载分配会极大地影响整体系统性能。本文讨论了大都市地区急诊室（ER）或重症监护室（ICU）中产生的面向AI的医疗工作量。目标是优化AI工作负载分配到云集群、边缘服务器和终端设备，以便在挽救生命的紧急应用中实现最短的响应时间。特别是，我们为分布式云/边缘/设备计算系统中的AI工作负载开发了一种新的工作负载分配方法。一个有效的调度和分配策略，以减少整体响应时间，以满足多病人的需求。我们应用了来自综合边缘计算基准Edge AIBench的几个ICU AI工作负载。涉及的医疗AI应用包括呼吸短促警报、患者表型分类和生死威胁。我们的实验结果表明，在现实生活中的医疗保健和紧急应用的高效率和有效性。
2020-02-10 cs.DC cs.PF
DGRAG: Distributed Graph-based Retrieval-Augmented Generation in Edge-Cloud Systems
Zhejiang University（浙江大学）
DGRAG是一种面向边缘-云计算系统的分布式图驱动检索增强生成框架，通过边缘设备本地知识图和云端轻量级索引实现隐私保护和高效检索。
2026-01-28 cs.AI cs.DC
CIDERS: Cloud-Edge LLM Collaborative Learning via Accelerating Personalized Bilevel Optimization
针对云边LLM协作中全局共识与本地个性化难以平衡的问题，提出个性化双层优化框架及高效求解器CIDERS，通过共识变量校正实现协同演进，在数学推理和代码生成上分别提升3.1倍和1.7倍。
2026-09-15 cs.AI cs.DC
CE-CoLLM: Efficient and Adaptive Large Language Models Through Cloud-Edge Collaboration
Florida International University（佛罗里达国际大学）
本文提出 CE-CoLLM 云边协同框架，通过延迟感知早退、云上下文管理和双自适应推理模式降低通信与云端负载，在不损失精度的前提下提升边缘 LLM 推理效率。
2025-06-08 cs.DC cs.LG
EdgeMatrix: A Resources Redefined Edge-Cloud System for Prioritized Services
边缘云系统有潜力结合异构设备的优势，真正实现无处不在的计算。然而，复杂的网络环境给服务提供商提供服务等级协议（SLA）优先级的保证带来了多资源异构、资源竞争和网络系统动态性等内在挑战。在本文中，我们设计了一个框架的边缘云系统，即EdgeMatrix，以最大限度地提高吞吐量，同时保证各种SLA优先级。首先，EdgeMatrix引入了网络化多智能体Actor-Critic（NMAC）算法，将物理资源重新定义为逻辑上隔离的资源组合，即，资源细胞。然后，我们使用聚类算法将具有相似特征的细胞分组为各种集合，即，资源通道，对于不同的通道可以提供不同的SLA保证。此外，设计了一种多任务机制来解决边缘云集群间的联合服务编排和请求分发（JSORD）问题，较传统方法大大减少了运行时间。为了确保稳定性，EdgeMatrix采用了两个时间尺度的框架，即，在大的时间尺度上协调资源和服务，并且在小的时间尺度上分派请求。基于真实痕迹的实验结果验证了EdgeMatrix在复杂网络环境下能够提高系统吞吐量，减少SLA违规，并比传统方法显著降低运行时间。
2022-03-20 cs.DC cs.NI
Meeting QoS of Users in a Edge to Cloud Platform via Optimally Placing Services and Scheduling Tasks
本文研究了在三层边缘到云平台上，用户请求必须在一定期限内得到满足时的服务放置和任务调度问题。对时间敏感的应用程序（例如，增强现实、游戏、实时视频分析）具有必须满足的严格约束。在多个可能的计算中心的情况下，解决这些请求的“地点”和“时间”在满足其最后期限时变得至关重要。我们将满足用户的最后期限同时最小化边缘到云服务提供商的总成本的问题表述为线性规划（ILP）问题。我们展示了这个问题的NP-硬度，并提出了两个基于局部与全局尺度上的决策的算法。我们改变了用户数量、QoS约束以及远程云和小云（边缘云）之间的成本差异，并对每种情况运行多个Monte-Carlo运行。我们的仿真结果表明，所提出的算法在降低复杂度的同时，性能接近最优。
2019-08-13 cs.DC cs.NI
HierTrain: Fast Hierarchical Edge AI Learning with Hybrid Parallelism in Mobile-Edge-Cloud Computing
Sun Yat-sen University（中山大学）
如今，深度神经网络（DNN）是许多新兴边缘AI应用的核心推动力。训练DNN的传统方法通常在中央服务器或云中心实现，用于集中式学习，由于大量数据样本从设备传输到远程云，这通常是耗时且需要资源的。为了克服这些缺点，我们考虑在移动边缘云计算（MECC）范式上加速DNN的学习过程。在本文中，我们提出了HierTrain，一个分层的边缘AI学习框架，它有效地将DNN训练任务部署在分层的MECC架构上。我们开发了一种新的\textit{hybrid parallelism}方法，这是HierTrain的关键，可以在边缘设备，边缘服务器和云中心三个级别上自适应地分配DNN模型层和数据样本。然后，我们制定了在层粒度和样本粒度上调度DNN训练任务的问题。解决这个优化问题使我们能够实现最小的训练时间。我们进一步实现了一个由边缘设备、边缘服务器和云服务器组成的硬件原型，并在其上进行了大量的实验。实验结果表明，HierTrain与基于云的分层训练方法相比，可以实现高达6.9倍的加速比。
2020-03-22 cs.DC cs.LG cs.NI
A Distributed Virtual Network Function Placement Approach in Satellite Edge and Cloud Computing
卫星边缘计算已成为为偏远地区的物联网设备提供计算服务的一种很有前途的方式，这些地区不在地面网络的覆盖范围内，但由于卫星资源的限制，它不适合大规模的物联网设备。云计算可以为物联网设备提供足够的可用资源，但由于网络延迟高，无法满足延迟敏感型用户的服务需求。协作边缘和云计算是通过结合边缘和云计算的优势，为众多物联网设备提供灵活的服务。研究了协同卫星边缘和云计算环境下，以最小化卫星网络带宽使用率和服务端到端延迟为目标的虚拟网络功能（VNF）配置问题.我们制定的VNF布局问题作为一个整数非线性规划问题，并提出了一个分布式VNF布局（D-VNFP）算法来解决它，因为VNF布局问题是NP-难的。通过实验验证了该算法的有效性。实验结果表明，该算法在解决卫星边缘和云计算环境下的VNF布局问题时，性能优于已有的Greedy和Viterbi算法.
2021-04-06 cs.DC cs.NI
EdgeWeaver: Accelerating IoT Application Development Across Edge-Cloud Continuum
University of North Texas（北德克萨斯大学）；Argonne National Laboratory and University of Chicago（阿贡国家实验室和芝加哥大学）
EdgeWeaver平台通过统一的对象抽象自动化边缘和云的类部署，提升开发效率31%，实现强一致性与高可用性。
2026-03-04 cs.DC cs.OS
AI-Driven Confidential Computing across Edge-to-Cloud Continuum
随着技术的飞速发展，个人和组织正在广泛采用云服务来减轻维护负担。尽管云服务具有可扩展性和易用性，但由于保密性问题，许多拥有敏感数据的用户不会充分利用云服务。保持静态和传输中数据的数据机密性已被广泛探索，但数据在使用时在云中仍然很脆弱。一旦计算范围跨越边缘到云的连续统一体，这种漏洞就会进一步加剧。因此，本论文的目标是通过在连续体中采用机密计算来实现数据机密性。为了实现这一目标，我们探索的一种方法是将数据处理的智能方面与模式匹配方面分开。我们提出了我们的方法，使云上的机密数据聚类，然后开发跨边缘到云的非结构化文本数据的机密搜索服务。我们提出的聚类解决方案名为CumberPr，执行基于主题的静态和动态数据集的聚类，提高聚类一致性高达30%-60%，与其他基于主题的聚类技术相比。我们值得信赖的企业搜索服务SAED可对整个连续体中的机密数据提供上下文感知和个性化的语义搜索。我们意识到，实现边缘到云的机密计算需要边缘层做出重大贡献，特别是同时运行多个深度学习（DL）服务。这会引起边缘层上的内存争用。为了解决这个问题，我们开发了Edge-MultiAI框架来管理DL应用程序的神经网络（NN）模型，以便它可以满足DL应用程序的延迟约束，而不会影响推理精度。
2023-01-03 cs.CR cs.DC
Tetris: An SLA-aware Application Placement Strategy in the Edge-Cloud Continuum
提出感知 SLA 的应用放置策略 Tetris，利用启发式算法在边缘与云间分发计算服务，相比基线减少约 76% 的 SLA 违规，有效提升用户 QoS。
2025-10-31 cs.DC cs.NI
Umbilical Choir: Automated Live Testing for Edge-To-Cloud FaaS Applications
本文提出 Umbilical Choir 框架，为无服务器边缘到云 FaaS 应用提供兼容多平台的自动化实时测试能力，支持地理感知金丝雀发布、A/B 测试和渐进式发布，并通过复杂混合部署场景验证其有效性。
2025-03-07 cs.DC cs.SE
Cost-Driven Offloading for DNN-based Applications over Cloud, Edge and End Devices
目前，深度神经网络（DNN）在各种应用中取得了巨大的成功。在云中对DNN的传统部署可能在将输入数据从终端设备传输到云中时引起极其严重的延迟。为了解决这个问题，采用由云、边缘和终端设备组成的混合计算环境，通过将云中的较大层（更多数据量）与边缘和终端设备处的较小层（更少数据量）相结合来卸载DNN层。混合计算环境中的一个关键问题是如何在完成具有截止期约束的卸载层的同时最小化系统成本。为了减少数据传输和分层执行带来的系统开销，提出了一种基于遗传算法（GA）算子的自适应离散粒子群优化（PSO）算法。这种方法考虑了DNN分区的特性以及云、边缘和终端设备上的层卸载。采用遗传算法的变异算子和交叉算子来避免粒子群算法的早熟收敛，通过增强粒子群算法的种群多样性，显著降低了系统代价。将所提出的卸载策略与基准解决方案进行比较，结果表明，相对于基准，我们的策略可以有效地降低基于DNN的应用程序在云，边缘和终端设备上的卸载成本。
2019-07-31 cs.DC eess.SP
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
AVEC: Accelerator Virtualization in Cloud-Edge Computing for Deep Learning Libraries
边缘计算提供了一个独特的优势，即利用位于网络边缘的资源上的计算能力来运行相对较弱的用户设备的工作负载。这是通过将计算密集型工作负载（例如深度学习）从用户设备卸载到边缘来实现的。使用边缘减少了应用程序的整体通信延迟，因为工作负载可以在更靠近用户设备上生成数据的地方进行处理，而不是将它们发送到地理上遥远的云。专用硬件加速器，如云边缘网络中可用的图形处理单元（GPU），可以增强从设备卸载到边缘的计算密集型工作负载的性能。促进这一点所需的底层方法是GPU的虚拟化。因此，本文着手研究GPU加速器虚拟化在云边缘环境中提高深度学习工作负载性能的潜力。AVEC加速器虚拟化框架的建议，招致最小的开销，不需要源代码修改的工作负载。AVEC拦截对设备上GPU的本地调用，并将其无缝转发到边缘资源。AVEC的可行性在现实世界的应用程序上得到了证明，即使用Caffe深度学习库的OpenPose。据观察，在基于实验室的实验测试台上，AVEC提供了高达7.48倍的加速，尽管由于数据传输而产生的通信开销。
2021-03-08 cs.DC cs.NI
Ecomap: Sustainability-Driven Optimization of Multi-Tenant DNN Execution on Edge Servers
School of Electrical, Computer and Biomedical Engineering, Southern Illinois University（南伊利诺伊大学电气、计算机与生物医学工程学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出可持续性驱动框架Ecomap，通过动态调整功率阈值、采用混合质量模型替换重负载DNN及transformer估计器优化工作负载映射，在保证延迟和功耗效率的同时显著降低边缘服务器碳排放。
2025-03-06 cs.DC cs.LG cs.PF
A Game-theoretic Framework for Revenue Sharing in Edge-Cloud Computing System
我们引入了一个博弈理论框架来探讨边缘-云计算系统中的收入共享，其中位于互联网边缘的计算服务提供商（边缘提供商）和位于云的计算服务提供商（云提供商）共存，并共同向客户端提供计算资源（例如，终端用户或应用程序）。与传统的云计算不同，边缘云系统中的提供者是独立的、自利的。为了实现高的系统级效率，系统的管理者采用任务分配机制来最大化从客户端接收的总收入，并且还采用收入共享机制来在计算服务器（以及因此服务提供者）之间分割接收的收入。在这些系统级机制下，服务提供商试图与系统博弈，以便通过战略性地分配其资源（例如，计算服务器）。我们的框架将边缘云系统中提供商之间的竞争建模为非合作博弈。我们的模拟和仿真系统上的实验表明，纳什均衡在这样的游戏的存在。研究发现，收益分享机制对纳什均衡下的系统效率有显著影响，基于实际贡献的收益分享机制的系统效率显著低于Shapley值分享机制和Ortmann比例分享机制。我们的框架提供了一个有效的经济学方法来理解和设计高效的边缘云计算系统。
2018-10-05 cs.DC cs.GT cs.NI
ECLM: Efficient Edge-Cloud Collaborative Learning with Continuous Environment Adaptation
Shanghai Jiao Tong University（上海交通大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对动态边缘环境下的模型适应问题，提出边云协同学习框架ECLM，通过块级模型分解设计派生任务子模型并实现知识回传，显著提升了模型性能与资源效率。
2023-11-18 cs.AI cs.DC cs.LG
