Scalable distributed service migration via Complex Networks Analysis
随着社交网站提供越来越丰富的上下文，以用户为中心的服务（UCS）创建预计将爆炸式增长，类似于用户生成内容的成功路径。在这个新兴的高度以用户为中心的网络模式的主要挑战之一是如何使这些爆炸的数量，但个别地，消失的需求服务，以具有成本效益的方式提供。对后者来说，最重要的（也是本文的重点）是确定托管UCS的最佳位置。考虑到UCS的特殊性，我们制定的问题作为一个设施选址问题，并设计了一个分布式的和高度可扩展的启发式解决方案，它的关键是所提出的方法是引入一个新的度量复杂网络分析。给定UCS的当前位置，该度量有助于a）识别具有高容量的节点的小的子图以充当服务需求集中器; b）在它们上投射全球需求分布的简化但准确的视图，其保留对UCS的关键吸引力;以及，最终，c）朝向其在网络中的最佳位置铺设服务迁移路径。所提出的迭代UCS迁移算法（称为cDSMA）在合成和真实网络拓扑上进行了广泛评估。我们的研究结果表明，cDSMA实现了高精度，快速收敛，对网络的大小和直径显着的不敏感性，以及对整个网络中UCS需求的不准确估计的弹性。它也被证明是明显优于本地搜索的服务迁移，限制子图的直接邻居的节点目前托管UCS。
2010-08-02 cs.NI
Online Strategies for Intra and Inter Provider Service Migration in Virtual Networks
网络虚拟化允许构建动态分布式系统，其中资源可以动态地分配在它们最有用的位置。为了充分利用这种新技术的好处，需要设计出能够对需求变化做出有效反应的协议。本文认为，在线算法和竞争分析领域提供了有用的工具来处理和推理请求动态中的不确定性，并设计具有可证明性能保证的算法。作为案例研究，我们描述了一个系统（例如，游戏应用程序），其中网络虚拟化用于支持移动设备的瘦客户端应用程序，以提高它们的QoS。通过将服务与底层资源基础设施分离，可以将其迁移到更靠近当前客户机位置的位置，同时考虑迁移成本。本文确定了这种系统中的主要成本因素，并形式化了相应的优化问题。随机和确定性，重心为基础的在线算法，实现了良好的权衡改善QoS和迁移成本之间的最坏情况下，无论是在一个基础设施提供商的服务迁移，以及网络支持跨提供商迁移。本文报告了我们的模拟结果，并提出了一个明确的最佳离线算法的建设，例如，以实证方式评估竞争比率。
2011-03-04 cs.NI
UMS: Live Migration of Containerized Services across Autonomous Computing Systems
本研究提出UMS，一种跨自主计算系统的容器化服务实时迁移方案，支持不同权限级别，自动选择迁移方法，实现异构编排器及多云间的无缝迁移，并降低迁移开销与停机时间。
2023-09-06 cs.DC cs.NI
Graph-Aware Temporal Encoder Based Service Migration and Resource Allocation in Satellite Networks
本文提出基于图的时序编码器GATE，用于卫星网络中的服务迁移与资源分配问题，通过联合建模空间相关性和时间动态性，实现高效资源分配和持续服务保障。
2025-11-20 cs.NI
SLA-Aware Multiple Migration Planning and Scheduling in SDN-NFV-enabled Clouds
在支持软件定义网络（SDN）的云数据中心中，实时迁移是用于云服务中的虚拟机（VM）和服务功能链（SFC）中的虚拟网络功能（VNF）的重新分配的关键方法。使用实时迁移方法，云提供商可以在不中断用户服务的情况下解决其动态资源管理和容错目标。然而，在云数据中心中，以任意顺序执行多个实时迁移可能导致服务降级。因此，有效的迁移规划对于减少实时迁移开销的影响至关重要。此外，为了防止服务质量（QoS）降级和违反服务水平协议（SLA），有必要为具有各种紧急性的不同实时迁移请求设置优先级。在本文中，我们提出了SLARQs，一组算法，组成的最后期限感知的多迁移分组算法和在线迁移调度，以确定VM/VNF迁移的顺序。实验结果表明，该方法在合理的算法运行时间下，可以有效地减少截止期错过次数，并在总迁移时间、平均执行时间、停机时间和传输数据量等方面与逐个调度和两种最先进的算法相比，具有良好的迁移性能.我们还评估和分析多迁移规划和调度的QoS和能源消耗的影响。
2021-01-24 cs.DC cs.NI
MSDF: A Deep Reinforcement Learning Framework for Service Function Chain Migration
University of Science and Technology of China（中国科学技术大学）
在动态业务下，业务功能链迁移被认为是提高资源利用率的有效途径。然而，未来网络信息的缺乏导致非最优解，这促使我们从长远的角度研究基于强化学习的SFC迁移。在本文中，我们制定的SFC迁移问题作为一个最小化问题的目标下，总的网络运营成本的约束下，用户的服务质量。首先设计了一种基于深度Q网络的单SFC迁移算法，该算法可以在线调整迁移策略，而不需要知道未来的信息。此外，还提出了一种新型的多代理协作框架（称为MSDF），以解决在单个SFC迁移的基础上考虑多个SFC迁移的挑战。MSDF降低了复杂度，从而加快了收敛速度，特别是在大规模网络中。实验结果表明，MSDF优于典型的启发式算法在各种情况下。
2019-11-13 cs.AI cs.LG cs.NI
Multitier Service Migration Framework Based on Mobility Prediction in Mobile Edge Computing
本文针对移动边缘计算中用户移动导致的服务中断问题，提出一种基于地图数据且无需用户轨迹先验知识的在线移动性预测方法，并构建多层服务迁移框架以最小化中断时间并减少冗余流量。
2024-02-21 cs.DC cs.NI
Improving Quality of Service and Reducing Power Consumption with WAN accelerator in Cloud Computing Environments
云计算服务的广泛使用预计将恶化服务质量并增加ICT设备的功耗，因为到服务器的距离变得比以前更长。虚拟机在广域上的迁移可以解决云计算环境中的负载均衡和节能等许多问题。本文提出当虚拟机移动到远程中心时，在网络内动态应用WAN加速器，以防止虚拟机在广域范围内实时迁移后性能下降。为了使用当前可用的WAN加速器，提出了在迁移之前和之后使用不同的TCP连接的基于MSCTP的数据传输。本文没有考虑实时迁移本身的性能下降。然后，提出了降低ICT设备功耗的方法，包括主动安装WAN加速器作为云资源的一部分，并暂时提高通信链路的数据包传送率。实验结果表明，采用广域网加速器后，系统的功耗可以降低到不采用广域网加速器时的十分之一。
2013-02-08 cs.NI
Mobility-aware Seamless Service Migration and Resource Allocation in Multi-edge IoV Systems
College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院）；University of Exeter（埃克塞特大学）；School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications（重庆邮电大学通信与信息工程学院）；Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系）；University of Oslo（奥斯陆大学）
针对动态多边缘车联网中的服务连续性与资源分配问题，提出SR-CL框架，结合异步actor-critic深度强化学习与凸优化，实现移动性感知的无缝迁移和最优资源分配，并通过真实轨迹与测试平台验证其收敛和时延优势。
2025-03-11 cs.AI cs.NI
Dynamic Service Migration in Mobile Edge Computing Based on Markov Decision Process
在移动边缘计算中，本地边缘服务器可以托管基于云的服务，这减少了网络开销和延迟，但需要在用户移动到新位置时进行服务迁移。由于这种动态云环境中的不确定性，因此最佳地做出迁移决策具有挑战性。在本文中，我们制定的服务迁移问题作为一个马尔可夫决策过程（MDP）。我们的配方捕捉一般的成本模型，并提供了一个数学框架来设计最佳的服务迁移政策。为了克服与计算最优策略相关的复杂性，我们通过用户和服务位置之间的距离来近似底层状态空间。我们表明，所得到的MDP是准确的均匀一维用户移动性，而它提供了一个紧密的近似均匀的二维移动性与恒定的附加误差。我们还提出了一个新的算法和数值计算技术的最优解，这是显着快于传统的方法的基础上，标准值或政策迭代。我们说明了我们的解决方案在实际情况下，许多理论假设放松的应用。我们基于旧金山出租车的真实移动轨迹进行的评估显示，与基线解决方案相比，拟议解决方案的性能优越。
2019-05-08 cs.DC cs.NI math.OC
Online Service Migration in Mobile Edge with Incomplete System Information: A Deep Recurrent Actor-Critic Learning Approach
University of Exeter（埃克塞特大学）
多访问边缘计算（MEC）是一种新兴的计算范例，其将云计算扩展到网络边缘以支持移动设备上的资源密集型应用。业务迁移是移动环境中的一个关键问题，它需要解决当用户在有限的覆盖范围和容量下漫游时，如何迁移用户业务以保证服务质量的问题。然而，由于动态MEC环境和用户移动性，找到最佳迁移策略是棘手的。现有的许多研究都是基于完整的系统级信息进行集中的迁移决策，这不仅耗时，而且缺乏理想的可扩展性。为了解决这些挑战，我们提出了一种新的学习驱动的方法，这是以用户为中心，可以利用不完整的系统级信息，使有效的在线迁移决策。具体来说，服务迁移问题被建模为一个部分可观测马尔可夫决策过程（POMDP）。为了解决POMDP，我们设计了一个新的编码器网络，它结合了长短期记忆（LSTM）和嵌入矩阵，用于有效提取隐藏信息，并进一步提出了一个定制的非策略演员-评论家算法，用于有效训练。基于真实世界移动轨迹的大量实验结果表明，这种新方法始终优于启发式和最先进的学习驱动算法，并且可以在各种MEC场景下实现接近最优的结果。
2023-01-04 cs.DC cs.LG cs.NI
Migration in the Stencil Pluralist Cloud Architecture
多年来，研究界一直在讨论一个问题：大规模的互联网服务应该是集中式的还是分散式的？如今，常见的集中式云和Web服务的缺点--用户锁定、隐私和数据控制的丧失--越来越明显。然而，他们的去中心化同行一直在努力获得采用，遭受自己的可扩展性和信任问题，最终可能导致他们想要防止的完全相同的锁定。在本文中，我们探讨了一个多元化的云架构的设计，Stencil，一个可以作为一个狭窄的腰部面向用户的服务，如社交媒体。我们的目标是通过一组统一的抽象来实现多元化，这些抽象支持从一个服务迁移到一个竞争服务。我们发现，迁移链接数据引入了许多挑战，在源和目标服务的链接被切断。我们展示了Stencoder如何在服务之间实现正确和高效的数据迁移，它如何支持新服务的部署，以及Stencoder如何增量部署。
2021-02-08 cs.CY cs.NI cs.SI
Mobility-Induced Service Migration in Mobile Micro-Clouds
移动微云是分布式计算中的一种新兴技术，旨在当集中式服务可能遭受连接性差和延迟长的问题时，为网络边缘提供无缝的计算/数据访问。与传统云不同，移动微云更小，部署更接近用户，通常连接到蜂窝基站或无线网络接入点。由于每个基站或接入点的覆盖区域相对较小，当用户跨越由附接到不同微云的不同基站或接入点覆盖的区域移动时，服务性能和服务迁移的问题变得重要。在本文中，我们考虑这样的移民问题。我们建模的一般问题作为一个马尔可夫决策过程（MDP），并表明，在移动用户遵循一维非对称随机游走移动模型的特殊情况下，服务迁移的最佳策略是一个阈值策略。我们得到了由任意阈值引起的代价的解析解，然后提出了一种寻找最佳阈值的算法。所提出的算法是更有效的解决MDPs的标准机制。
2015-03-17 cs.DC cs.NI math.OC
Live Service Migration in Mobile Edge Clouds
移动边缘云（MEC）通过在网络边缘安装小型云基础设施，将云的优势更贴近用户。这使得新一代的实时应用成为可能，例如智能交通系统中的即时对象识别和安全辅助，这些应用需要非常低的延迟。邻近性带来的一个关键问题是如何确保用户在不同位置移动时始终获得良好的性能。在MEC之间迁移服务被视为实现这一目标的手段。本文提供了一个分层框架，用于迁移封装在虚拟机（VM）或容器中的主动服务应用程序。这种分层方法可以大幅减少服务停机时间。该框架很容易使用现成的技术实现，其关键优势之一是它支持容器，这是一种有前途的新兴技术，提供了虚拟机的切实好处。在该框架下，通过实验对各种实际应用的迁移性能进行了评估.从实验结果得出的见解进行了讨论。
2017-08-02 cs.DC cs.NI
E2E Migration Strategies Towards 5G: Long-term Migration Plan and Evolution Roadmap
在冻结了第五代无线网络（5G）标准化的第一阶段之后，它现在终于上线了，商业推出（大多数是固定5G宽带服务）和迁移已经开始。然而，一些挑战出现在部署，集成的每种技术，并在网络中的通信服务提供商（CSP）的互操作性。与此同时，5G的演进并不明确，出现了许多问题，例如5G是否有长期演进，或者5G何时会转变为下一代。本文提供了向5G的长期迁移选择和路径，考虑了许多关键因素，如成本，本地/国家数据流量，营销以及无线接入网（RAN），传输网（TN），核心网（CN）和E2 E网络的标准化趋势。此外，我们还概述了一些5G演进路线图，重点是技术、标准和服务时间线。拟议的迁移路径可以解决一些CSP对如何长期迁移到5G及更高版本的担忧。
2020-02-20 cs.NI eess.SP
Bandwidth management VMs live migration in wireless fog computing for 5G networks
动态虚拟机迁移旨在实现虚拟化数据中心的网络/计算物理资源的动态平衡使用，从而降低能耗。在这里，我们分析的特点，原型软件和测试的最佳带宽管理器的虚拟机在无线信道中的实时迁移。在本文中，我们提出了最佳的可调复杂度带宽管理器（TCBM）的QoS实时迁移的虚拟机下的无线信道从智能手机到接入点。我们的目标是在服务水平协议（SLA）引起的总迁移时间，停机时间和整体可用带宽的硬约束下，迁移引起的通信能量最小化。
2017-01-22 cs.NI
Multi-microservice migration modelling, comparison, and potential in 5G/6G mobile edge computing: A non-average parameter values approach
针对5G/6G移动边缘计算中多微服务迁移问题，本文提出基于非平均值参数的数学模型，对比分析MiGrror与预拷贝实时迁移方法，实验证明MiGrror能以最小带宽开销实现低于10毫秒停机时间，显著提升服务连续性。
2023-05-18 cs.DC cs.NI
AI-Driven Vehicle Condition Monitoring with Cell-Aware Edge Service Migration
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)（西班牙巴塞罗那通信技术研究中心）；Forescout Technologies（荷兰埃因霍温Forescout Technologies公司）；Optare Solutions（西班牙维戈Optare Solutions公司）；Idneo Technologies（西班牙莫利特德瓦莱斯Idneo Technologies公司）；Nearby Computing（西班牙巴塞罗那Nearby Computing公司）；Cellnex Telecom（西班牙巴塞罗那Cellnex电信公司）
本文提出一种AI驱动的车辆状态监测服务及闭环服务编排框架，通过基于网络指标动态触发跨边缘节点的服务迁移，在真实5G赛道环境中验证了低延迟AI推理和自适应服务放置的有效性。
2025-06-03 cs.AI cs.NI
Migration from Copper to Fiber Access Network using Passive Optical Network for Green and Dry Field Areas of Pakistan
无源光网络（PON）技术带来了电信行业的发展，用于提供高速互联网（HSI）和三重播放捆绑服务，包括世界各地的语音、数据和视频流。在巴基斯坦，自2000年以来，大多数服务提供商都在传统的铜线OSP（外部工厂）网络上提供宽带服务。对高速互联网和宽带的需求正在迅速增长，迫切需要从传统的基于铜的OSP网络迁移到PON _ FTTx（光纤到X）基础设施。考虑到巴基斯坦的地理要求，需要一个可扩展的光纤网络，可以根据用户的要求和需求进行优化，具有高速带宽效率，涉及最小的损失和理想的资本支出（CAPEX）。在这项工作中，从铜到光纤接入网络的可扩展和优化PON _ FTTx基础设施在巴基斯坦的绿色领域和干旱领域的迁移平台已经提出了使用地理信息系统（GIS）。在任何发展中国家，如巴基斯坦，具有相同的文化和地理拓扑结构，该平台可以用于从铜迁移到光纤接入网络，以提供基于PON的电信服务。已经对开发的从铜缆迁移到PON光纤的平台进行了研究、规划，然后在巴基斯坦选定的地理区域进行了模拟，并进行了实际执行，结果显示出更好、更有效的结果，同时减少了资本和运营支出。一个没有歧义的事实计划有助于巴基斯坦的运营商分析和预测一个地区的带宽需求，优化网络规划以及及时有效的部署。
2015-09-20 cs.NI
Dynamic Service Provisioning in the Edge-cloud Continuum with Provable Guarantees
我们认为一个层次化的边缘云架构，其中提供给移动用户的服务链的虚拟网络功能。每个服务都有特定的计算需求和目标延迟性能，这就需要适当地放置相应的链并分配适量的计算资源。此外，链迁移可能是满足服务的目标延迟所必需的，或者便于保持服务供应成本较低。我们解决这些问题，通过形式化的最佳链放置和资源分配的边缘云连续体的问题，考虑到迁移，带宽和计算成本。具体来说，我们首先设想一个算法，利用资源增加，解决上述问题，并提供了一个上限的资源量所需的找到一个可行的解决方案。我们使用该算法作为一个积木设计一个有效的方法，针对最低成本的解决方案，同时最大限度地减少所需的资源增加。我们的结果，通过跟踪驱动的，大规模的模拟，表明我们的解决方案可以提供一个可行的解决方案，使用一半的资源所需的国家的最先进的替代品。
2022-02-17 cs.NI
Orchestrating Service Migration for Low Power MEC-Enabled IoT Devices
本文研究如何利用Kubernetes和S1切换为低功耗MEC物联网设备实现反应式服务迁移，通过WebRTC视频后处理场景验证其在降低端到端时延和UE功耗方面的优势。
2019-05-30 cs.NI cs.SE
On the Cost-Optimality Trade-off for Service Function Chain Reconfiguration
虚拟网络功能（VNF）在虚拟化数据中心中的最佳放置增强了服务功能链（SFC）的整体性能并降低了移动网络运营商的运营成本。在变化的负载下维持VNF的最佳放置需要动态重新配置，其包括添加或移除VNF实例、改变VNF的资源分配以及重新路由对应的服务流。然而，这样的重新配置可能导致显著的服务中断并且对VNF基础设施施加额外的开销，特别是当重新配置需要状态或VNF迁移时。另一方面，不改变现有布局可能导致运营成本高。在本文中，我们调查之间的权衡重新配置的SFC和最优的结果放置和服务流（重）路由。我们对与有状态VNF的迁移相关的不同重新配置成本进行建模，并解决了一个联合优化问题，该问题旨在最小化VNF放置的总成本和修复次优放置所需的重新配置成本。数值结果表明，少量的重新配置操作可以显着降低VNF基础设施的运营成本，但是，太多的重新配置可能不会带来回报，应该涉及沉重的成本。
2019-10-04 cs.NI
Rational Agent-Based Decision Algorithm for Strategic Converged Network Migration Planning
为了跟上用户对具有更高质量和带宽要求的服务的不断增长的需求，电信运营商被迫升级其网络。这种网络升级或迁移到新技术是一个复杂的战略网络规划问题，涉及多个时间段的技术经济评估。最先进的方法考虑迁移到具体的架构，而不考虑不确定性，如用户流失。这导致了对迁移成本的低估和对盈利能力的高估。在本文中，我们提出了一个通用的迁移算法，来自基于搜索的理性代理决策过程，可以处理不确定性，并提供迁移路径使用最大化的效用函数。该算法最大化迁移项目的盈利能力，衡量累计净现值（NPV）。这种灵活和通用的方法已被评估的例子迁移从现有的铜网络的未来证明无源光网络（PON）架构。我们提出的灵活的迁移算法在纯住宅和融合的情况下，在一个完全可重复的案例研究进行了验证。结果表明，迁移的灵活性是利润最大化的关键。
2020-03-27 cs.NI
DOSM: Demand-Prediction based Online Service Management for Vehicular Edge Computing Networks
本文提出DOSM框架，结合GRU需求预测与深度强化学习，在线决策车载边缘计算网络中的服务横向扩展、迁移和缩减，以优化延迟和网络性能。
2023-04-12 cs.NI
Virtual Machine Migration Planning in Software-Defined Networks
在本文中，我们研究的问题，如何安排迁移，以及如何分配网络资源的迁移时，多个虚拟机需要在同一时间进行迁移。我们认为，在软件定义网络（SDN）的上下文中的问题，因为它提供了灵活的控制路由。更具体地说，我们提出了一种方法，计算最佳的迁移序列和网络带宽用于每次迁移。我们制定这个问题作为一个混合整数规划，这是NP-难。为了使其在计算上适用于大规模数据中心，我们提出了一种线性近似加完全多项式时间近似的近似方案，并得到了其理论性能界。通过大量的仿真，我们证明了我们的完全多项式时间近似（FPTA）算法具有良好的性能相比，最优解和两个国家的最先进的算法。也就是说，我们提出的FPTA算法接近最优解小于10%的变化和更少的计算时间。同时，与最先进的算法相比，它将总迁移时间和服务停机时间分别减少了40%和20%。
2014-12-16 cs.NI
Transcoder Migration For Real Time Video Streaming Systems
实时的超高清视频服务的增加对当前网络基础设施提出了挑战性的问题，因为其高带宽使用率使网络链路饱和。所需的带宽与数字媒体的严格QoS要求有关。目前有一些系统可以帮助减少这些问题，例如代码转换器和应用层多播。然而，这些方法是有限的，因为它们通常被实现为静态资源。相比之下，通过使用本文中提出的基于OpenFlow的系统，可以提供使用动态资源的更有效的方法-通过在网络中最佳地放置转码器，以及通过在流传输发生时将它们迁移到不同的位置。这种迁移机制提供了一种近乎无缝的数据交换，对客户端的中断最小。
2015-09-27 cs.NI
Online VNF Placement and Chaining for Value-added Services in Content Delivery Networks
增值服务（VAS）（例如，动态站点加速、媒体管理）在内容分发网络（CDN）中起着关键作用。网络功能虚拟化（NFV）实现了VAS的敏捷配置。在NFV设置中，VAS被提供为虚拟网络功能（VNF）的有序集合，形成部署在CDN基础设施中的VNF转发图（VNF-FG）。CDN VAS VNF-FG具有特定的特性：它们具有一个端点（对应于内容服务器），该端点在它们的放置之前是未知的。到目前为止，CDN VAS VNF-FG放置的提案仅考虑了离线放置，其中VNF-FG在最终用户流量转向网络之前放置。然而，在具体情况下，可能发生服务使用模式的变化，这种情况可能需要以在线方式放置VNF-FG。本文解决了CDN中VAS的在线VNF-FG放置问题，考虑到已部署VNF的最终重用和迁移。考虑成本模型，包括多个成本;即，新的VNF实例化、迁移、托管和路由成本。目标是最佳地放置VNF-FG，使得在满足QoS的同时最小化总重新配置成本。一个非线性规划（ILP）制定和评估在一个小规模的情况下。
2018-05-24 cs.NI
Zero-Instrumentation Dependency Discovery for Guided Microservice Migration Using eBPF
1Independent researcher, San Francisco, USA, 2Independent researcher, Dubai, UAE
该研究使用eBPF内核级网络追踪无插装发现微服务依赖，生成ROI排序的迁移计划，可减少27%跨VM流量暴露，但采集开销存在明显性能代价。
2026-08-06 cs.DC cs.NI
A new model for virtual machine migration in virtualized cluster server based on Fuzzy Decision Making
在本文中，我们表明，虚拟化集群服务器的性能可以提高通过智能决策的虚拟机迁移时间跨异构的物理节点的集群服务器。该集群提供从Web服务到文件服务的各种服务。虚拟化技术具有硬件成本低、散热成本低、可扩展性强等优点。其中一个主要好处是通过在主机之间使用VM迁移来实现更好的负载均衡。要进行迁移，我们必须知道需要迁移哪个虚拟机，何时必须进行重新定位，而且必须指定哪个主机。为了将虚拟机从过载的服务器重新定位到欠载的服务器，我们需要从最高容量到最低容量对节点进行排序。目前已有一些模型来寻找最大负载节点，但都存在一些不足。本文的重点是提出了一种新的方法来迁移集群节点之间的虚拟机使用TOPSIS算法-一个最有效的多准则决策技术-作出更有效的决策，在整个集群的活动服务器，并找到负载最高的服务器，为了评估该模型的性能提高，我们使用集群响应时间和不平衡因子。
2010-02-17 cs.NI cs.OS
AI Sessions for Network-Exposed AI-as-a-Service
Sabancı University（萨班奇大学）；Ericsson Research（爱立信研究）
本文提出面向网络暴露的AI即服务，通过AI会话原语实现计算与服务质量的绑定，解决尾延迟保证、移动性连续性等关键问题。
2026-02-18 cs.NI
An SMDP-based Resource Management Scheme for Distributed Cloud Systems
本文研究了地理分布云系统中的资源管理问题。采用Follow Me Cloud概念，实现跨联合数据中心（DC）的服务迁移。因此，有两种类型的服务请求到DC，即，在本地服务区域中发起的新请求（NR）和当移动用户跨服务区域移动时生成的迁移请求（MR）。提出了一种新的资源管理方案，帮助资源管理器决定是否接受服务请求（NR或MR），并确定多少资源应分配给每个服务（如果接受）。优化目标是最大化系统平均回报，并保持服务请求的拒绝概率在一定的阈值之内。数值结果表明，与其他资源管理方案相比，该方案能显著提高系统的整体效用和用户体验.
2015-03-18 cs.DC cs.NI
Scaling Migrations and Replications of Virtual Network Functions based on Network Traffic Forecasting
虚拟网络功能（VNF）的迁移和复制是在互联网服务提供商（ISP）边缘网络中面对动态资源请求的公知机制。它们不仅用于重新分配运营商网络中的资源，而且在流量过度波动的情况下，还可以将VNF卸载到第三方云提供商。我们建议研究如何流量预测可以帮助减少所需的迁移和复制的数量时，流量动态变化的网络。我们分析和比较VNF迁移和复制的三种场景：（i）仅当前观察到的流量需求，（ii）过去观察到的特定最大流量需求值，或（iii）预测流量值。对于交通需求值的预测，我们使用LSTM模型，该模型被证明是时间序列预测问题中最准确的方法之一。在流量预测模型的基础上，采用混合线性规划（MILP）模型和贪心算法来求解考虑VNF迁移和复制的优化问题。结果表明，当有足够的可用资源分配副本时，基于LSTM的流量预测可以将迁移次数减少45%，而与过度配置相比，基于云的卸载需要更少。
2021-05-11 cs.NI
Digital Twin-Empowered Deep Reinforcement Learning for Intelligent VNF Migration in Edge-Core Networks
North Carolina State University（北卡罗来纳州立大学）；The George Washington University（乔治华盛顿大学）；University of Electro-Communications（电子通信大学）；Nagoya University（名古屋大学）
本研究提出一种基于数字孪生和深度强化学习的智能VNF迁移框架，通过模拟环境动态和生成高质量合成经验，实现低延迟和节能的VNF迁移优化。
2026-01-21 cs.NI
Checkpointing and Migration of IoT Edge Functions
无服务器和功能即服务（FaaS）模式目前在云提供商中流行，现在越来越多地应用于网络边缘和物联网（IoT）设备。好处包括减少通信延迟，减少网络流量和增加数据处理的隐私。然而，存在挑战，因为物联网设备具有有限的资源来运行多个同时的容器化功能，并且FaaS通常不支持长时间运行的功能。我们的实现利用Docker和CRIU来执行检查点和挂起长时间运行的阻塞函数。结果显示，检查点比常规Docker暂停稍慢，但它节省了内存，并允许在物联网设备上运行更多长时间运行的函数。此外，生成的检查点文件很小，因此它们适合于实时迁移和备份有状态功能，从而提高系统的可用性和可靠性。
2021-03-21 cs.NI
Flocking Virtual Machines in Quest for Responsive IoT Cloud Services
我们建议弗洛克;一种简单且可扩展的协议，支持跨异构边缘和传统云平台实时迁移虚拟机（VM），以提高云服务的响应能力。Flock的设计具有适合物联网（IoT）用例的属性。我们描述了正则化延迟测量的属性，Flock可以用于异步和自主迁移决策。这样的决策允许通信的VM遵循类似群集的行为，该行为由三个简单的规则组成：分离、对齐和内聚。使用博弈论，我们推导出分析界的羊群的无政府代价价格（PoA），并证明群集虚拟机收敛到一个纳什均衡，同时解决最好的云平台。我们通过模拟验证了Flock的有效性，并讨论了如何简单地调整其通用目标以实现其他目标，如云负载均衡和能耗最小化。
2016-10-02 cs.DC cs.NI
Efficient Twin Migration in Vehicular Metaverses: Multi-Agent Split Deep Reinforcement Learning with Spatio-Temporal Trajectory Generation
针对车辆元宇宙中VT迁移效率低的问题，提出多智能体分裂DRL框架结合时空轨迹生成，实现高效迁移决策，提升QoE 29%并减少25%参数。
2025-03-30 cs.NI
Green Energy Aware Avatar Migration Strategy in Green Cloudlet Networks
我们提出了一种绿色小云网络（\emph{GCN}）架构，以向用户设备（\emph{UE} s）提供具有低延迟的无缝移动云计算（\emph{MCC}）服务，其中每个小云由绿色和棕色能量供电。充分利用绿色能源可以显著降低云服务提供商的运营成本。然而，由于能源需求和绿色能源产生的空间动态性，网络中不同云团之间的能量差距是不平衡的，即，一些微云的能量需求可以完全由绿色能量提供但是其他微云需要利用并网能量（即，布朗能源）来满足他们的能源需求。提出了一种基于绿色能源的化身迁移（\emph{GEAR}）策略，通过化身迁移在云节点间的能量需求重新分配，根据云节点的绿色能源产生量，最大限度地减少GCN的上网能耗。此外，GEAR通过避免将化身托管在远程cloudlet中，确保服务水平协议（\emph{SLA}）中的最大化身传播延迟。我们制定的GEAR战略作为一个混合整数线性规划问题，这是NP-难的，因此应用分支定界搜索找到它的次优解。仿真结果表明，与旨在最小化UE与其化身之间的传播延迟的跟随我化身（\emph{FAR}）迁移策略相比，GEAR可以显著节省上网能耗。
2015-09-11 cs.DC cs.NI
VNF Migration with Fast Defragmentation: A GAT-Based Deep Learning Method
本文针对NFV网络中的多维资源碎片化问题，提出基于多跳图注意力网络（MHGAT）的深度学习方法，通过快速碎片整理优化VNF迁移，显著提升了接受率并降低了过载率与迁移损失。
2024-10-14 cs.NI
Follow-Me Cloud: When Cloud Services Follow Mobile Users
3GPP LTE移动网络架构的云化趋势和联合云基础设施的出现要求替代的服务交付策略，以改善用户体验和有效的资源利用。我们提出了Follow-Me Cloud（FMC），这是一种针对这种环境量身定制的设计，但具有更广泛的适用性，它允许移动用户始终通过最佳数据锚点和移动网关进行连接，而基于云的服务则遵循它们，并通过云基础设施内的最佳服务点进行交付。FMC采用基于马尔可夫决策过程的算法进行成本效益，性能优化的业务迁移决策，而两种替代方案，以确保业务的连续性和无中断操作提出，无论是基于软件定义网络技术或标识符/标识符分离协议。从我们的FMC的分析模型的数值结果，以及我们已经开发的两个替代FMC实现的测试台实验，定量和定性地证明了它可以带来的优势。
2022-01-05 cs.NI
Defending Against Network Attacks for Secure AI Agent Migration in Vehicular Metaverses
本文针对车载元宇宙中AI智能体在RSU间迁移时面临的DDoS攻击和恶意RSU攻击，提出基于POMDP与多智能体近端策略优化的防御方法及信任评估机制，将迁移总延迟降低约43.3%。
2024-12-28 cs.NI
A Machine Learning-Based Migration Strategy for Virtual Network Function Instances
Western University（韦仕敦大学）
随着对数据连接的需求不断增长，网络服务提供商面临着减少资本和运营费用的任务，同时提高网络性能并满足不断增长的需求。虽然网络功能虚拟化（NFV）已被确定为有前途的解决方案，但必须解决若干挑战以确保其可行性。在本文中，我们通过开发VNF神经网络实例迁移（VNNIM）来解决虚拟网络功能（VNF）迁移问题，VNNIM是VNF实例的迁移策略。通过粒子群优化算法对学习率超参数进行优化，进一步提高了VNNIM的性能。结果表明，VNNIM是非常有效的预测迁移后的服务器表现出99.07%的二进制精度和延迟差异分布，是集中在平均值为零时相比，优化模型。然而，VNNIM的最大优势是通过运行时分析突出显示的运行时效率。
2020-06-15 cs.LG cs.NI
Deadline-Driven Hierarchical Agentic Resource Sharing for AI Services and RAN Functions in AI-RAN
Smart Internet Lab, Faculty of Science and Engineering, University of Bristol（布里斯托大学科学与工程学部智能互联网实验室）
本文提出了一种分层代理框架，结合大语言模型用于慢速时间尺度的AI服务和RAN功能放置，以及基于截止期限的凸优化算法用于快速时间尺度的GPU/CPU分配，以提高AI-RAN的资源利用率和SLA满足率。
2026-05-08 cs.DC cs.NI cs.SY
AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience
Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）
随着多接入边缘计算（MEC）在第五代（5G）移动网络中的广泛部署，虚拟网络功能（VNF）可以在不同位置之间灵活地迁移，并且由此显著增强网络弹性以对抗由于网络功能中断而导致的服务质量（QoS）的降级。必须在VNF迁移减少的损失和由此产生的运营成本之间仔细权衡。为了在具有真实用户行为的实际场景中实现这一点，它需要成本和用户移动性的模型。本文提出了一种新的成本模型和AI授权的方法，用于有状态VNF的合理迁移，该方法最小化了运营成本和停机造成的潜在损失之和，并且能够处理复杂的现实用户移动模式。
2021-01-22 cs.AI cs.NI
Network Migration Problem: A Logic-based Benders Decomposition Approach Driven by Column Generation and Constraint Programming
针对电信网络迁移问题，提出首个基于逻辑的Benders分解精确方法，结合约束规划列生成与子问题约束规划，适用于类似整数规划，在六个真实网络上验证高效。
2021-11-08 cs.NI math.OC
Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation
Ayandegan Institute of Higher Education（阿扬德甘高等教育学院）；Islamic Azad University（伊斯兰阿扎德大学）
云计算服务模式已经经历了快速的增长，并且低效率的资源使用被认为是云数据中心高能耗的最大原因之一。旨在减少能耗的云数据中心中的资源分配已经使用虚拟机（VM）的实时迁移及其合并到少量物理机（PM）中来进行。然而，选择适当的VM进行迁移是一个重要的挑战。为了解决这个问题，可以根据用户请求的模式将VM分类为对延迟敏感或不敏感的类别，然后可以选择合适的VM进行迁移。在本文中，卷积神经网络（CNN）和门控递归单元（GRU）的组合用于Microsoft Azure数据集中的VM分类。由于该数据集中的大多数VM都被标记为对延迟不敏感，因此迁移该组中的更多VM不仅可以降低能耗，还可以减少违反服务水平协议（SLA）的情况。实证结果表明，该模型的预测准确率为95.18，明显优于其他模型。
2021-06-23 cs.DC cs.LG cs.NI
MOFCO: Mobility- and Migration-Aware Task Offloading in Three-Layer Fog Computing Environments
针对三层雾计算中UE移动性导致服务迁移代价高的问题，提出MOFCO算法，将任务卸载与资源分配建模为MINLP问题并用启发式辅助演化博弈论求解，使系统成本平均降低19%，最高达43%。
2025-07-16 cs.AR cs.DC cs.NI
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
Multi-Agent Deep Reinforcement Learning for Cost- and Delay-Sensitive Virtual Network Function Placement and Routing
Beijing University of Posts and Telecommunications（北京邮电大学）；SUTD（新加坡科技设计大学）；Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织（CSIRO））；NTU（南洋理工大学）
提出了一种基于多智能体深度强化学习（MADRL）的联合虚拟网络功能（VNF）布局和路由（P&R）方法，该方法可以同时提供多个具有差异化需求的服务请求。服务请求的不同要求反映在对延迟和成本敏感的因素上。我们首先构造一个VNF P&R问题，以联合最小化服务延迟和资源消耗成本的加权和，这是NP完全的。然后，联合VNF P&R问题被解耦为两个迭代子任务：布局子任务和路由子任务。每个子任务由多个并发并行顺序决策过程组成。通过引入深度确定性策略梯度方法和多智能体技术，设计了一个MADRL-P&R框架来完成这两个子任务。新的联合奖励和内部奖励机制，提出了匹配的布局和路由子任务的目标和约束。我们还提出了基于参数迁移的模型再训练方法来处理不断变化的网络拓扑结构。通过实验验证，建议MADRL-P&R框架是优于其替代品的服务成本和延迟，并提供了更高的灵活性，个性化的服务需求。基于参数迁移的模型再训练方法在网络拓扑结构变化不大的情况下能有效地加速收敛。
2022-06-24 cs.AI cs.LG cs.NI
FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations
Information Systems and Technology and Design Pillar, Singapore University of Technology and Design（新加坡科技设计大学信息系统与技术与设计学院）；Electrical and Computer Engineering department, Carnegie Mellon University（卡内基梅隆大学电气与计算机工程系）；Shanghai Key Laboratory of Multidimensional Information Processing, School of Communications and Electronics Engineering, East China Normal University（华东师范大学通信与电子工程学院多维信息处理上海市重点实验室）；School of Information Engineering, Northwest A&F University（西北农林科技大学信息工程学院）；Roblox
针对边缘计算迁移中罕见服务器故障导致训练数据不足的问题，提出数字孪生驱动的FIRE框架及基于重要性采样的ImRE等算法，并证明其有界收敛、降低故障场景成本。
2025-10-19 cs.LG cs.NI cs.SY
Communication-Aware Consistent Edge Selection for Mobile Users and Autonomous Vehicles
School of Computing, University of Georgia（佐治亚大学计算机学院）；School of ECE, University of Georgia（佐治亚大学电气与计算机工程学院）
本文针对车辆移动导致的接入点切换与任务迁移联合问题，提出基于DDPG的深度强化学习框架及通信计算联合分配方法，以降低时延和中断并最大化QoS。
2024-08-06 cs.AI cs.NI cs.RO
EASE: Energy-Aware Job Scheduling for Vehicular Edge Networks With Renewable Energy Resources
Department of Information Engineering, University of Padova（帕多瓦大学信息工程系）；Department of Mathematics “Tullio Levi-Civita”, University of Padova（帕多瓦大学“图利奥·莱维-奇维塔”数学系）
EASE通过集中优化和分布式共识步骤，实现车辆边缘网络中任务调度的能源效率与服务质量的优化，接近碳中和。
2022-08-12 cs.NI cs.SY eess.SY
