AuctionWhisk: Using an Auction-Inspired Approach for Function Placement in Serverless Fog Platforms
功能即服务（FaaS）范式作为包括云和边缘节点的雾环境的计算模型具有很大的潜力，因为计算请求可以以细粒度的方式跨整个雾连续体进行调度。当请求速率超过资源受限边缘的容量限制时，一些功能需要向云卸载。在本文中，我们提出了一种拍卖启发的方法，其中应用程序开发人员对资源进行投标，而雾节点在本地决定执行哪些功能，哪些功能卸载，以最大限度地提高收入。与目前许多在雾中放置功能的方法不同，我们的方法可以以在线和分散的方式工作。我们还介绍了我们的概念验证原型AuctionWhisk，说明了如何在真正的FaaS平台中实现这种方法。通过大量的模拟运行和系统实验，我们表明，收入超载节点可以最大化，而不会丢弃功能请求。
2021-11-23 cs.DC
Genetic-based fog colony optimization hybridized with hierarchical clustering and its influence in the placement of fog services
University of Balearic Islands（巴利阿里群岛大学）
本文提出利用分层聚类定义雾簇布局，并结合遗传算法优化网络通信时间和算法执行时间，通过实验验证了遗传算法在雾服务部署中的有效性。
2022-09-13 cs.DC
Placement of Microservices-based IoT Applications in Fog Computing: A Taxonomy and Future Directions
本文提出了雾计算环境中基于微服务的物联网应用部署的全面分类法，分析了部署问题的主要方面、相关工作及研究空白，并探讨了未来研究方向。
2023-02-14 cs.DC
Cost-efficient, QoS and Security aware Placement of Smart Farming IoT Applications in Cloud-Fog Infrastructure
智能农业是农业领域最近的一项创新，它可以通过使用更智能、自动化和数据驱动的农场流程来提高农业产量，这些流程与农场上部署的物联网设备进行交互。云雾基础设施为执行物联网应用提供了有效的平台。雾计算通过使虚拟化服务更接近物联网设备来满足延迟敏感型物联网服务的实时处理需求，而云计算则允许执行具有更高计算要求的应用。物联网应用的部署是一个关键挑战，因为云和雾节点在资源可用性方面各不相同，并且使用不同的成本模型。此外，物联网应用的资源、服务质量（QoS）和安全要求的多样性使问题变得更加复杂。在本文中，我们将物联网应用程序放置建模为一个优化问题，旨在最大限度地降低成本，同时满足QoS和安全约束。该问题是制定使用非线性规划（ILP）。ILP模型进行评估的小规模的情况下。评估结果显示了QoS和安全需求对成本的影响。我们还研究了放松安全约束对布局决策的影响。
2021-07-29 cs.DC
FBase: A Replication Service for Data-Intensive Fog Applications
雾计算范式中边缘和云的结合实现了新一代数据密集型应用。然而，这些应用程序必须面对许多特定于雾的挑战，开发人员必须为每个应用程序重复解决这些挑战。在本文中，我们提出了一个复制服务，专门针对数据密集型雾应用程序的需求，旨在缓解或消除高度分布式和异构环境雾应用程序运行所带来的挑战。此外，我们提出了我们的原型概念验证实现FBase，我们已经作为开源。
2020-01-29 cs.DC
Multi-objective application placement in fog computing using graph neural network-based reinforcement learning
Universitat de les Illes Balears（巴利阿里群岛大学）
本文提出利用图神经网络强化学习解决雾计算中应用部署的多目标优化问题，通过实时训练模型优化服务依赖关系，实验显示其在毫秒级内获得与遗传算法相当的Pareto集结果。
2026-05-14 cs.DC
Performance and Security Aware Distributed Service Placement in Fog Computing
The Faculty of Information Technology, Monash University（蒙纳士大学信息技术学院）；School of Computer Science and Engineering, The University of New South Wales（新南威尔士大学计算机科学与工程系）；The Quantum Cloud Computing and Distributed Systems (qCLOUDS) Laboratory, School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息学系量子云计算与分布式系统实验室）
本文提出SPA-DDRL框架，通过深度强化学习优化雾计算中服务响应时间和安全合规性，实验显示在响应时间和收敛速度上均优于现有方法。
2026-01-03 cs.DC
Managing Data Replication and Distribution in the Fog with FReD
本文提出雾计算数据复制中间件 FReD，通过通用数据访问接口和可控分发机制解决异构分布式环境下的数据管理问题，并用原型和三个案例验证其低延迟、高带宽及隐私敏感应用支持能力。
2023-07-11 cs.DC
FogStore: Toward a Distributed Data Store for Fog Computing
有状态应用和虚拟化网络功能（VNF）可以从状态外部化中受益，以提高其可靠性、可扩展性和互操作性。为了保持和共享外部化的状态，分布式数据存储（DDS）是一个强大的工具，允许在一致性，可用性和分区容差的传统权衡管理。随着雾计算和边缘计算的出现，有状态应用程序和VNF从数据中心推向网络边缘。这对为云数据中心部署量身定制的DDS提出了新的挑战。在本文中，我们提出了两个新的设计目标的DDS是专门为雾计算：（1）雾感知副本放置，（2）上下文敏感的差分一致性。为了在现有DDS的基础上实现这些设计目标，我们提出了FogStore系统。FogStore透明地管理副本放置和一致性管理中所需的调整，以便现有的DDS可以插入系统。为了展示FogStore的好处，我们使用Yahoo Cloud Serving Benchmark进行了一系列评估。
2017-09-22 cs.DC
Towards Auction-Based Function Placement in Serverless Fog Platforms
功能即服务（FaaS）范式作为包括云和边缘节点的雾环境的计算模型具有很大的潜力。当请求速率超过边缘的容量限制时，一些功能需要从边缘卸载到云。在这份立场文件中，我们提出了一种基于拍卖的方法，应用程序开发人员对资源进行投标。这允许雾节点在本地决定哪些功能要卸载，同时最大化收入。对于我们的方法的第一次评估，我们使用模拟。
2020-03-04 cs.DC cs.NI
How to Place Your Apps in the Fog -- State of the Art and Open Challenges
雾计算旨在将云扩展到物联网，以实现更高的QoS，并为延迟敏感和带宽需求的应用提供支持。雾呼吁新的模型和算法来分发多服务应用程序，以便根据功能和非功能需求，在最佳位置进行数据处理。本调查回顾了现有的方法来解决应用程序放置问题的雾，同时追求三个主要目标。首先，它提供了一个全面的概述，目前采用的算法，开源原型的可用性，以及测试用例的大小。其次，它根据可用模型捕获的应用程序和雾基础设施特征对文献进行分类，重点关注考虑的约束和优化的指标。最后，它确定了在雾中放置应用程序的一些开放的挑战。
2019-11-27 cs.DC
CRAFT: Latency and Cost-Aware Genetic-Based Framework for Node Placement in Edge-Fog Environments
本文提出CRAFT框架，基于遗传算法优化边缘-雾环境中的节点放置，以最小化延迟和成本，仿真显示延迟降低2.77%、成本降低31.15%。
2025-07-16 cs.AR cs.DC cs.NI
A Distributed Deep Reinforcement Learning Technique for Application Placement in Edge and Fog Computing Environments
The University of Melbourne（墨尔本大学）
雾/边缘计算是一种新的计算范式，通过将其任务放置在边缘和/或云服务器上来支持资源受限的物联网（IoT）设备。最近，已经在雾/边缘计算环境中提出了几种基于深度强化学习（DRL）的布局技术，这些技术仅适用于集中式设置。训练表现良好的DRL代理需要多方面的训练数据，而获得训练数据是昂贵的。因此，这些集中式的基于DRL的技术缺乏通用性和快速适应性，从而无法有效地解决应用程序放置问题。此外，许多物联网应用程序被建模为具有不同拓扑结构的有向非循环图（DAG）。满足基于DAG的物联网应用的依赖性会带来额外的约束，并增加放置问题的复杂性。为了克服这些挑战，我们提出了一个演员-评论家为基础的分布式应用程序放置技术，工作的重要性加权演员-学习者架构（IMPALA）的基础上。IMPALA以高效的分布式经验轨迹生成而闻名，它显著降低了代理的探索成本。此外，它使用了一个自适应的政策外校正方法，以更快地收敛到最优解。我们的技术使用递归层来捕获输入数据的时间行为，并使用重放缓冲区来提高样本效率。从仿真和测试平台实验中获得的性能结果表明，与同类技术相比，我们的技术显着提高了物联网应用程序的执行成本高达30%。
2021-10-24 cs.DC cs.LG
Availability Aware Continuous Replica Placement Problem
一种数据放置（RP）方法，用于在分布式系统的节点上产生一组重复的数据项，以优化容错、可用性、系统性能和负载均衡。通常，RP公式采用动态的方法来改变系统中的副本放置潜在的用户请求配置文件。连续副本放置问题（CRPP）是副本放置问题的一种扩展，它考虑了分布式系统的当前复制状态以及用户请求配置文件，根据优化准则和约束条件定义新的复制方案。本文提出了一种替代技术，命名为可用性感知的连续副本放置问题（AACRPP）AACRPP可以被定义为：给定一个已经定义的副本放置方案，用户请求配置文件，和节点故障配置文件定义一个新的复制方案，受到优化标准和约束。在这项工作中，我们使用修改后的贪婪算法从CRPP和研究所提出的机制，使用跟踪驱动的Java为基础的模拟。
2016-05-13 cs.DC
Evaluation and Efficiency Comparison of Evolutionary Algorithms for Service Placement Optimization in Fog Architectures
本研究针对雾服务布局问题，对比WSGA、NSGA-II、MOEA/D三种进化算法，通过不同规模实验验证了NSGA-II的优化与解多样性优势、MOEA/D的时间效率优势。
2025-01-17 cs.DC cs.NE
Optimal Replica Placement in Tree Networks with QoS and Bandwidth Constraints and the Closest Allocation Policy
本文研究了完全同构树网络上的副本放置优化问题。客户端请求是事先已知的，而服务器的数量和位置是要确定的。我们调查后一个问题，使用最近的访问策略时，添加QoS和带宽限制。我们提出了一个优化算法，在两个通行证使用动态规划。
2007-06-28 cs.DC
Decentralized Edge-to-Cloud Load-balancing: Service Placement for the Internet of Things
物联网（IoT）需要一种新的处理范式，该范式继承了云的可扩展性，同时使用更接近网络边缘的资源来最大限度地减少网络延迟。在由异构计算资源的分布式网络生态系统组成的边缘到云连续体中建立这种灵活性是具有挑战性的。此外，物联网流量动态和对低延迟服务不断增长的需求促进了对最小化响应时间和平衡服务放置的需求。雾计算的负载均衡成为经济高效的系统管理和运营的基石。本文研究了两个优化目标，并制定了一个分散的负载均衡问题的物联网服务放置：（全球）物联网工作负载平衡和（本地）服务质量（QoS），在最大限度地减少最后期限违规，服务部署和非托管服务的成本。所提出的解决方案EPOS Fog引入了一个用于集体学习的分散式多代理系统，该系统利用边缘到云节点来联合平衡整个网络的输入工作负载，并最大限度地降低服务执行所涉及的成本。代理在本地生成可能的资源请求分配，然后合作选择分配，使得它们的组合最大化边缘利用率，同时最小化服务执行成本。在各种网络上对真实的Google集群工作负载进行了广泛的实验评估，结果表明，与First Fit和完全基于云的方法相比，EPOS Fog在工作负载平衡和QoS方面具有卓越的性能。实验结果表明，EPOS Fog将服务执行延迟降低了25%，网络节点的负载均衡率高达90%。研究结果还展示了如何通过收集集体智慧来更经济有效地利用边缘上的分布式计算资源。
2021-04-23 cs.DC
A Distributed Application Placement and Migration Management Techniques for Edge and Fog Computing Environments
雾/边缘计算模型允许利用物联网（IoT）设备附近的资源来支持各种类型的实时IoT应用。然而，由于用户的移动性和具有不同要求的广泛的物联网应用，满足这些应用的要求是一个具有挑战性的问题。由于资源有限，仅在一个雾/边缘服务器上执行IoT应用程序可能并不总是可行的，而在不同服务器上执行IoT应用程序需要服务器之间的进一步协作。此外，考虑到用户的移动性，每个物联网应用程序的某些模块可能需要迁移到其他服务器上执行，从而导致服务中断和额外的执行成本。在这篇文章中，我们提出了一个新的加权成本模型分层雾计算环境，在响应时间的物联网应用程序和物联网设备的能耗方面，以尽量减少成本运行物联网应用程序和潜在的迁移。此外，提出了一种分布式集群技术，使任务的协同执行，从应用程序模块，服务器之间发出。此外，我们提出了一种应用程序放置技术，以最大限度地减少以分布式方式在多个服务器上执行物联网应用程序的总体成本。此外，提出了一种分布式迁移管理技术，用于解决用户移动过程中应用程序模块向其他远程服务器迁移的问题，并在集群、应用程序放置和迁移管理技术中嵌入了故障恢复方法，用于从不可预测的故障中恢复。性能结果表明，我们的技术显着提高了其同行的位置部署时间，任务的平均执行成本，迁移总数，中断任务的总数，和累计迁移成本。
2021-08-05 cs.DC cs.PF
Efficient Fog Node Placement using Nature-Inspired Metaheuristic for IoT Applications
针对物联网场景下雾节点部署需兼顾连通性与覆盖度的多目标优化难题，提出基于海洋捕食者算法（MPA）的部署方案，在多基准测试中性能优于现有前沿方法。
2023-02-12 cs.DC cs.NI
Predicting Temporal Aspects of Movement for Predictive Replication in Fog Environments
TU Berlin（柏林工业大学）；ECDF（欧洲分布式计算中心）
本文针对雾环境中数据局部性管理问题，提出一种基于Holt-Winter指数平滑的时间预测模型，结合用户运动的序列与周期模式进行预测性复制，在真实轨迹仿真中实现冗余数据减少15%且数据可用性仅降1%。
2024-02-19 cs.DC cs.LG
Foggy: A Platform for Workload Orchestration in a Fog Computing Environment
在本文中，我们提出了雾，一个架构框架和软件平台的基础上开源技术。Foggy可为多层、分布式、异构和分散式云计算系统协调应用工作负载、协商资源并支持物联网操作。Foggy是为5G网络和物联网等新兴领域量身定制的，这些领域需要遵循雾计算范式，将资源和服务分布并靠近数据源和用户。Foggy为基础设施所有者和租户提供了一个平台（即，应用程序提供商）提供协商、调度和工作负载放置的功能，同时考虑传统要求（例如基于RAM、CPU、磁盘）和非传统要求（例如基于联网）以及对位置和访问权的多样化约束。在不久的将来，Foggy模型也可以考虑资源的经济和定价。通过视频监控和车辆跟踪环境中的三个用例，Foggy能够在基础设施所有者和租户的需求之间找到平衡，在有效和优化使用基础设施的同时满足应用程序的要求。
2018-09-29 cs.DC
Optimizing Server Placement for Vertical Federated Learning in Dynamic Edge/Fog Networks
Department of Electrical and Computer Engineering, Purdue University（普洛威斯顿大学电子工程与计算机科学系）
本文研究动态边缘/雾网络中垂直联邦学习的控制与优化，提出SC-DN方法，通过联合优化服务器部署、传输功率、处理器频率和本地训练迭代数，提升模型性能与资源利用率。
2026-05-10 cs.DC cs.LG cs.NI
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
ElfStore: A Resilient Data Storage Service for Federated Edge and Fog Resources
随着物联网部署的广泛应用，边缘和雾计算越来越受欢迎。虽然正在探索这些资源上的应用程序组合和调度，但在边缘和雾层上的分布式数据存储服务中存在差距，而仅仅依赖于云来实现数据持久化。这样的服务应该可靠地存储和管理雾和边缘设备上的数据，即使在出现故障的情况下也是如此，并提供透明的发现和对数据的访问，以供边缘计算应用程序使用。在这里，我们介绍了Elfstore，这是第一个用于数据块流的边缘本地联合存储。它使用可靠的雾设备作为超级对等覆盖来监控边缘资源，使用Bloom过滤器提供联合元数据索引，在2跳内定位数据，并维护有关边缘可靠性和存储容量的近似全局统计数据。边缘托管实际的数据块，我们使用一个独特的差异复制方案来选择边缘上复制块，以保证最低的可靠性和平衡存储利用率。我们在20台和272台设备的两个物联网虚拟部署上进行的实验表明，ElfStore具有低开销，仅受网络带宽限制，具有可扩展的性能，并提供可调的弹性。
2019-05-22 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
Algorithms for Replica Placement in High-Availability Storage
提出了一种新的因果失效模型，并用于解决数据中心中的一个新的副本放置问题。该模型将系统组件之间的依赖关系描述为有向图。副本放置被定义为这样的图中的顶点的子集。形式化和解释了优化副本放置的标准。在这项工作中，优化的目标是避免选择放置在一个单一的故障事件可能会消灭多个副本。利用该准则，给出了依赖模型为树的情况下的快速算法。本文的主要贡献是一个$O(n + ρ\log ρ)$动态规划算法放置$ρ$副本的树与$n$顶点。该算法具有一个有趣的性质，即在每个阶段只需要递归地考虑两个子问题。文中还简要介绍了一个$O(n^2 ρ)$贪心算法。
2015-05-22 cs.DC cs.DS
Edge-Mapping of Service Function Trees for Sensor Event Processing
针对雾计算中物联网资源受限问题，本文提出将事件处理流水线改造为含服务功能链的服务功能树架构，并设计算法将其映射到雾网络，通过仿真验证其有效性，克服单服务部署瓶颈。
2024-07-16 cs.DC
TAOT: Topology-Aware Optimal Transport for Dynamic Expert Replica Placement in MoE Training
Baidu, Inc.（百度公司）
针对MoE训练中动态路由引发的负载不平衡问题，提出TAOT拓扑感知最优传输方法，可实现1.43倍训练加速，平衡质量优异且通信成本降幅最高达74%。
2026-08-05 cs.DC
Strategies for Replica Placement in Tree Networks
在本文中，我们讨论和比较几种政策，把副本树网络，服务器容量和QoS的限制。客户端请求是事先已知的，而服务器的数量和位置是要确定的。文献中的标准方法是强制客户端的所有请求都由树中最近的服务器提供服务。我们提出并研究了两项新政策。在第一个策略中，来自给定客户端的所有请求仍然由同一服务器处理，但该服务器可以位于从客户端到根路径上的任何位置。在第二种策略中，给定客户端的请求可以由多个服务器处理。本文的一个主要贡献是评估这些新政策对总复制成本的影响。另一个重要的目标是从理论和实践的角度评估服务器异构性的影响。在本文中，我们建立了几个新的复杂性结果，并提供了几个有效的多项式算法的NP完全的情况下的问题。这些proketistics相比，一个绝对的下限所提供的问题的整数线性规划的解决方案的制定。
2006-11-08 cs.DC
Accelerating MoE Training through Expert Placement and Replica Coordination
School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）计算机科学与技术学院）；Hong Kong University of Science and Technology（香港科技大学）
PlaceMoE通过联合优化专家布局与令牌-副本映射，结合梯度同步与注意力反向传播重叠技术，在32-GPU和64-NPU集群上，使MoE模型训练的A2A通信提速最高6.94倍、端到端训练提速1.74-2.33倍，优于VeOmni框架。
2026-10-14 cs.DC
Distributed genetic algorithm for application placement in the compute continuum leveraging infrastructure nodes for optimization
University of Balearic Islands（巴利阿里群岛大学）
针对雾计算资源优化，本文提出三种分布式程度递增的 GA 设计，并基于 NSGA-II 的雾服务放置实验表明，三者在解质量、多样性与网络负载之间形成不同权衡。
2024-06-13 cs.AI cs.DC cs.NE
Algorithms for Optimal Replica Placement Under Correlated Failure in Hierarchical Failure Domains
在数据中心，数据复制是用于确保客户数据可用性的主要方法。为了避免相关故障，云存储基础设施提供商使用树来对分层故障域进行建模，并且避免将大量数据副本放置在同一故障域内（即，在树的同一分支上）。典型的最佳实践确保副本分布在故障域，但相对较少的是已知的关于分布数据副本的优化算法。使用一个层次模型，我们回答如何跨故障域的副本最佳分配。我们制定了一个新的优化问题，在数据中心的副本放置。作为我们的问题的一部分，我们正式和解释一个新的标准，优化副本的位置。我们的总体目标是选择相关故障禁用尽可能少的副本的位置。我们提供了两个优化算法的依赖模型表示的树。我们首先提出了一个$O(n + ρ\log ρ)$时间动态规划算法放置$ρ$副本的一个单一的文件上的叶子（代表服务器）的树与$n$顶点。接下来我们考虑放置$m$数据块的副本的问题，其中每个块可能具有不同的复制因子。对于这个问题，我们给出了一个精确的算法，它运行在多项式时间时的偏斜，最大和最小的数据块之间的副本数量的差异，是常数。
2017-04-20 cs.DC cs.DM cs.DS
A Decade of Research in Fog computing: Relevance, Challenges, and Future Directions
本文综述雾计算十年研究，系统梳理其技术、非功能与经济挑战及相关学术和产业贡献，并结合联邦学习、量子计算等趋势提出未来方向。
2023-07-07 cs.DC
E2LLM: Towards Efficient LLM Serving in Heterogeneous Edge/Fog Environments
University of California, Berkeley（加州大学伯克利分校）
提出E2LLM框架，通过复制模型到多设备组并采用模型并行，结合遗传算法聚类和动态规划分区，在资源受限的异构边缘/雾环境中实现高效LLM部署，相比Splitwise基线在高需求下平均等待时间降低50%以上。
2026-08-25 cs.AI cs.DC
Data Replication Meets Function Scheduling in the Edge-Cloud Continuum
Politecnico di Milano（米兰理工大学）
研究边缘-云连续体中函数调度与数据放置的联合优化问题，提出全局视图和聚合视图两种启发式方法，实验表明数据放置比函数调度影响更大。
2026-07-15 cs.DC
Data Placement and Replica Selection for Improving Co-location in Distributed Environments
在许多应用领域中，对大规模数据分析的需求不断增加，导致分布式数据管理系统的数量急剧增加，包括并行关系数据库和支持MapReduce等替代框架的系统。因此，对稀缺的数据中心资源（如网络带宽）的竞争日益增加;此外，为计算设备供电的能量需求也急剧增长。正如我们经验表明，通过在大量机器上分散数据来增加执行并行性可以实现减少查询延迟的预期目标，但在大多数情况下，可能会显着增加总资源和能源消耗。然而，对于许多分析工作负载，最小化查询延迟通常并不重要;在这种情况下，我们认为我们应该专注于最小化平均查询跨度，即，通过将经常一起访问的数据项托管在一起，参与处理查询的平均机器数量。在这项工作中，我们利用的事实，大多数分布式环境需要使用复制的容错，我们设计的工作负载驱动的副本选择和放置算法，试图尽量减少平均查询跨度。我们建模的历史查询工作量跟踪一组数据项的超图，并制定和分析的问题，通过绘制连接到几个研究良好的图论概念的副本放置。我们开发了一系列的算法来决定哪些数据项进行复制，以及在哪里放置副本。我们通过展示一系列合成和真实工作负载的结果来展示我们提出的方法的有效性。我们的实验表明，仔细的数据放置和复制可以显着减少平均查询跨度，从而显着减少资源消耗。
2013-02-18 cs.DB cs.DC
Application Management in Fog Computing Environments: A Taxonomy, Review and Future Directions
物联网（IoT）模式正在迅速被用于在各个领域创建智能环境。与智慧城市、医疗保健、工业4.0和Agtech相关的物联网网络物理系统（CPS）处理大量数据，并需要来自不同类型应用程序的实时数据处理服务。物联网应用程序的以云为中心的执行几乎无法满足这些要求，因为云计算中心与物联网设备之间存在多跳距离。\textit{Fog computing}是云在边缘网络上的扩展，可以在更靠近数据源的地方执行这些应用程序。因此，雾计算可以提高应用服务的交付时间，抵抗网络拥塞。然而，雾节点是高度分布，异构和大多数的资源和空间共享的限制。因此，有效管理应用程序是充分利用雾节点功能的必要条件。在这项工作中，我们调查了雾计算中现有的应用程序管理策略，并在架构，放置和维护方面对其进行了审查。此外，我们提出了一个全面的分类，并强调了基于雾的应用程序管理的研究差距。我们还讨论了一个前景模型，并提供了未来的研究方向，进一步改善雾计算中的应用程序管理。
2020-05-21 cs.DC eess.SP
MegaFlux: Skew-Resilient MoE Megakernels via Pipelined Expert Replication
Princeton University（普林斯顿大学）；NVIDIA（英伟达）
MegaFlux通过运行时专家复制和流水线通信，在MoE超级内核中缓解路由偏斜，实现前向1.45倍、后向1.28倍的几何平均加速。
2026-10-02 cs.DC
AI Augmented Edge and Fog Computing: Trends and Challenges
本文综述了AI增强的边缘、雾和云资源管理技术演进、最新趋势及未来研究方向，重点探讨AI驱动的自主系统如何优化QoS和资源管理。
2023-04-14 cs.DC
A Language for Programming Edge Clouds for Next Generation IoT Applications
为了在物联网应用程序中有效使用边缘计算，我们需要将应用程序划分为任务，并将其映射到云、雾（边缘服务器）和设备级别，以便以最佳方式使用不同级别的资源，以满足整体服务质量要求。在本文中，我们考虑了应用程序到雾映射的四个问题：不同级别的任务放置，限制网络负载的数据过滤，雾故障转移和数据一致性，以及对边缘热点的反应。我们描述了我们为边缘计算创建的程序设计语言和中间件，它们解决了上述四个问题。该语言具有分布式节点编程模型，允许为组织成云，雾，设备层次结构的节点集合编写程序。本文描述了语言的主要设计元素，并解释了原型实现。该语言中体现的独特分布式节点编程模型支持新的面向边缘的编程模式，非常适合认知或数据密集型边缘计算工作负载。本文介绍了语言原型的初步评估结果，以及使用程序设计语言开发的分布式外壳和智能停车应用程序。
2019-06-21 cs.DC
PrefixPlace: Provable Prefix Key-Value Placement for Large Language Model Serving under Heterogeneous Compute and Transfer Costs
The University of Melbourne（墨尔本大学）
针对异构计算与传输成本下LLM前缀KV放置的次优问题，提出PrefixPlace规划器，其性能接近最优且效率高，可提升RAG等场景的成本节省效果。
2026-08-04 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
Optimizing API Gateway Placement in Multi-Cloud Kubernetes
针对多云Kubernetes集群的API网关部署，本文提出MILP模型与贪心算法，权衡成本、资源与延迟，贪心算法加速比高且成本接近最优，但部分场景无法满足延迟要求。
2026-08-28 cs.DC
Joint Data Purchasing and Data Placement in a Geo-Distributed Data Market
本文研究了地理分布的云数据市场所面临的两个设计任务：购买哪些数据（数据购买）和在哪里放置/复制数据交付（数据放置）。我们表明，在云数据市场的数据购买和数据放置的联合问题可以被视为一个设施的位置问题，因此是NP难的。然而，我们给出了一个可证明的最佳算法的情况下，由一个单一的数据中心组成的数据市场，然后概括的结构，从单一的数据中心设置，以开发一个接近最佳的，多项式时间算法的地理分布的数据市场。由此产生的设计，基准，分解成两个子问题，一个数据采购和数据放置，使用底层带宽成本的转换的联合采购和放置问题。我们表明，通过案例研究，基准是接近最佳的（在1.6%）在实际环境中。
2016-04-09 cs.DC
On Optimizing Replica Migration in Distributed Cloud Storage Systems
随着大规模互联网服务和大数据的广泛采用，云已经成为满足不断增长的存储需求的理想环境，这要归功于其看似无限的容量，高可用性和更快的访问时间。在这种情况下，数据复制被吹捧为提高数据可用性和减少访问时间的最终解决方案。然而，副本放置系统通常需要随着时间的推移在数据中心之间和数据中心内迁移和创建大量的数据副本，在网络负载和可用性方面产生了很大的开销。本文提出了一种有效的分布式云存储迁移方案CRANE。CRANE通过有效地管理地理分布式基础设施中的副本创建来补充任何副本放置算法，通过（1）最小化将数据复制到新副本位置所需的时间，（2）避免网络拥塞，以及（3）确保数据的最小可用性。我们的研究结果表明，与swift（用于管理数据存储的OpenStack项目）相比，CRANE能够最大限度地减少高达30%的副本创建时间和25%的数据中心间网络流量，同时确保数据的最低可用性。
2015-09-04 cs.DC cs.NI
How Machine Learning-Data Driven Replication Strategies Enhance Fault Tolerance in Large-Scale Distributed Systems
Kabarak University（卡巴拉克大学）；Carnegie Mellon University（卡内基梅隆大学）
针对传统静态配置复制方法难以适应动态负载与故障的问题，本研究提出集成预测分析和强化学习的自适应复制机制，通过对比评估证明其能提升系统弹性与自优化能力，为分布式系统容错提供新方向。
2025-11-13 cs.DC
LEGOStore: A Linearizable Geo-Distributed Store Combining Replication and Erasure Coding
我们设计并实现了LEGOStore，一个基于擦除编码（EC）的线性化数据存储在地理分布的公共云数据中心（DC）。对于这样的数据存储，以下因素的汇合为EC提供了与复制竞争延迟的机会：（a）与远程DC通信以容忍整个DC故障并实现线性化的必要性;以及（b）在大多数大型人口中心附近出现DC。LEGOStore采用了一个优化框架，对于给定的对象，仔细选择复制和EC，以及各种DC放置，以最大限度地降低整体成本。为了处理工作负载的动态性，LEGOStore采用了一种新的敏捷重新配置协议。我们使用跨越9个Google Cloud Platform DC的LEGOStore原型进行的评估证明了我们的想法的有效性。我们观察到成本节省范围从中等（5-20\%）到显著（60\%），超过代表最先进水平的基线，同时满足尾部延迟SLO。我们的重新配置协议能够在3到4个DC间RTT（在我们的实验中为$<$ 1）中转换关键位置，从而允许灵活适应动态条件。
2022-07-04 cs.DC cs.PF
ADASCALE: An Adaptive Scaling and Placement Framework for Microservices Under Dynamics
The University of Melbourne（墨尔本大学）
研究云边缘环境下微服务面临的多维度动态问题，提出ADASCALE框架，通过MAPE循环联合扩展和放置微服务副本，经实验验证能满足SLO目标，有效提升延迟和吞吐量。
2026-07-20 cs.DC cs.NI
An Experimental Evaluation of Performance of A Hadoop Cluster on Replica Management
Hadoop是MapReduce框架在分布式处理领域的开源实现。Hadoop集群是一种独特的计算集群，旨在跨工作站集群存储和分析大型数据集。为了处理大规模数据，Hadoop利用了Hadoop分布式文件系统，称为HDFS。与大多数分布式文件系统类似，HDFS在计算节点之间的数据共享和可用性方面存在一个常见的问题，这通常会导致性能下降。本文是一个实验评估Hadoop的计算性能，这是通过设计一个机架感知集群，利用Hadoop的默认块放置策略，以提高数据的可用性。此外，还采用了一种依赖于使用Langange插值的访问计数预测的自适应数据复制方案来适应该场景。为了证明这一点，在机架感知集群设置上进行了实验，该集群设置显着减少了任务完成时间，但是一旦处理的数据量增加，由于更新成本，计算速度就会大幅降低。此外，更新成本和复制因子之间的平衡的阈值水平被确定并以图形方式呈现。
2014-11-07 cs.DC
Reliable Data Storage in Distributed Hash Tables
分布式哈希表为不稳定的分布式环境提供了弹性查找服务。然而，弹性数据存储需要额外的数据复制和维护算法。这些算法可以对系统的性能和可扩展性产生影响。在本文中，我们描述了这些复制算法的目标和设计空间。我们研究了现有的复制算法，并提出了一个新的分析其可靠性。然后，我们提出了一个新的动态复制算法，可以在不稳定的环境中运行。我们给出了几种可能的副本放置策略，该算法，并显示它们如何影响可靠性和性能。最后通过仿真比较了各种复制算法，定量地显示了它们在带宽利用率、容错能力和性能上的差异。
2005-08-02 cs.DC cs.NI
Lion: Minimizing Distributed Transactions through Adaptive Replica Provision (Extended Version)
Lion通过自适应副本供给和LSTM预测，将多数分布式事务转为单节点处理，避免迁移阻塞和超级节点瓶颈，实现高达2.7倍吞吐量和76.4%可扩展性提升。
2024-03-17 cs.DB cs.DC
A Cloud Continuum Research Infrastructure for Distributed CPS Experimentation
Università degli Studi di Messina（墨西拿大学）；CINI: National Interuniversity Consortium for Informatics（国家跨大学信息学联盟）；Università degli Studi di Bologna（博洛尼亚大学）；Institute of ICAR CNR（意大利国家研究委员会ICAR研究所）
本文提出基于 SLICES 云 continuum 蓝图的两级参考架构，用于支持分布式 CPS 实验，通过可再生能源社区管理和 AirWatch 两个用例验证，可在同一可编程基础设施上部署、定制和比较不同控制与监控策略。
2026-07-31 cs.DC
Placement Semantics for Distributed Deep Learning: A Systematic Framework for Analyzing Parallelism Strategies
Adobe Inc（Adobe公司）
本文提出放置语义框架，通过分析不同并行策略在设备上的状态放置方式，统一了多种分布式训练方法，实现了对内存和通信成本的准确预测。
2026-01-05 cs.AI cs.DC
Cost-Effective Data Feeds to Blockchains via Workload-Adaptive Data Replication
向区块链提供外部数据，也就是数据馈送是实现区块链互操作性和支持新兴跨域应用程序（特别是稳定币）的一项重要任务。考虑到现实生活中的数据密集型提要（例如，高频价格更新）和使用区块链（即Gas）的高成本，降低数据馈送的Gas成本势在必行。受金融和其他应用程序中不断变化的工作负载的影响，这项工作的重点是设计一种动态的、工作负载感知的方法，以提高Gas的成本效益。这种设计空间在现有的区块链研究中没有得到充分研究，目前为止，区块链研究主要集中在静态数据放置上。这项工作提出了GRuB，这是一种具有成本效益的数据馈送，可以在区块链和链下云存储之间动态复制数据。GruB的数据复制通过监控当前工作负载并在线做出决策来适应工作负载。数据复制提出了一系列在线算法，以实现区块链Gas中的有界最坏情况成本。GruB在不受信任的云链下运行决策组件，以降低Gas成本，并采用安全协议来验证区块链和云之间传输的数据。整个GRuB系统可以随着工作负载的变化自动实现低Gas成本。我们构建了一个GruB原型，可以使用以太坊和Google LevelDB，并支持稳定币中的实际应用程序。在从以太坊合约调用历史收集的实际工作负载和YCSB的混合工作负载下，我们系统地评估了GRuB的成本，与静态数据放置的基线相比，Gas节省了10% ~ 74%。
2020-09-14 cs.CR cs.DB cs.DC
