Service Provisioning in Mobile Environments through Opportunistic Computing
抽象计算是完全自组织的普适网络的一个范例。用户的设备不再仅仅依赖于固定的基础设施，而是充当彼此的服务提供商。它们使用成对联系来收集关于所遇到的节点提供的服务和提供服务的时间量的信息。在每个节点处，在生成服务请求时，该信息用于基于本地知识选择满足该请求的最有效的服务或服务组合。智能计算可以在多种场景中使用，包括移动社交网络、物联网和互联网4.0。在本文中，我们提出了一个机会计算算法的分析模型的基础上，排名可用（组成）的服务，根据他们的预期完成时间。通过该模型，服务请求者选择预期最好的服务。实验表明，该算法能够准确地对服务进行排序，从而提供了一种有效的服务选择策略。与其他参考策略相比，这样的策略实现了显著更低的服务提供时间。它的性能进行了测试，在各种各样的情况下，不同的节点移动性，输入/输出参数的大小，资源拥塞的水平，服务执行的计算复杂性。
2022-05-27 cs.NI
LOAM: Low-latency Communication, Caching, and Computation Placement in Data-Intensive Computing Networks
针对分散计算网络中资源分配未综合考虑拓扑、弹性资源、计算复用及非线性拥塞目标的问题，提出低延迟联合通信、缓存与计算部署框架LOAM，通过离线和在线算法解决NP-hard成本最小化问题，性能优于多个基线。
2024-03-23 cs.DC cs.NI
A lightweight decentralized service placement policy for performance optimization in fog computing
针对雾计算服务放置问题，提出一种轻量级去中心化策略，在 iFogSim 中基于不同规模微服务应用验证，可使热门服务更靠近用户并降低其网络开销与延迟。
2024-01-23 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
MOMCC: Market-Oriented Architecture for Mobile Cloud Computing Based on Service Oriented Architecture
利用云计算来增强移动设备（尤其是智能手机）的计算能力的愿景很可能转变为现实。移动设备对云计算的利用催生了一个新的研究领域--移动云计算（MCC）。然而，像可移植性和互操作性的问题应该得到解决的移动增强，这是一个不平凡的任务，使用基于组件的方法。面向服务的架构（SOA）是一种很有前途的设计理念，被移动计算和云计算社区所接受，以使用称为服务的预制构建块来刺激可移植的复杂应用程序。利用远程云资源托管和运行服务受到长WAN延迟的阻碍。利用附近的移动设备会延长WAN延迟，同时会产生一系列新问题，如服务发布和发现以及客户端-服务器安全性、可靠性和服务可用性。在本文中，我们提出了一个面向市场的架构，基于SOA，以刺激发布，发现和托管服务附近的移动，这减少了长WAN延迟，并创造了一个商业机会，鼓励移动业主拥抱服务托管。一组手机模拟附近的云计算平台。我们通过使不熟练的移动所有者/用户能够托管由熟练的开发人员开发的服务来创建\textit{Service host}的新角色。显然，服务可用性、可靠性和面向服务的移动应用程序可移植性将在我们的移动云基础设施中朝着绿色普适计算的方向提高。
2012-06-27 cs.DC cs.NI cs.SE
Service Capacity Enhanced Task Offloading and Resource Allocation in Multi-Server Edge Computing Environment
边缘计算环境具有多个边缘服务器和多个服务客户端。在这种环境中，移动服务提供商可以将客户端侧计算任务从服务客户端的设备卸载到边缘服务器上，以减少客户端所经历的服务延迟和功耗。尚未妥善解决的一个关键问题是如何分配边缘计算资源以实现两个优化目标：1）最小化由服务延迟和服务客户端所经历的功耗衡量的服务成本;以及2）最大化由可以长期卸载其计算任务的服务客户端的数量衡量的服务容量。本文将这一长期问题归结为一个随机优化问题，并采用基于李雅普诺夫优化的在线算法求解。这个NP难问题被分解成三个子问题，然后用一套技术来解决。实验结果表明，我们的方法显着优于两个基线方法。
2019-03-12 cs.DC cs.NI
Joint Service Placement and Request Routing in Multi-cell Mobile Edge Computing Networks
增强现实、联网游戏和自动驾驶等创新移动服务的激增，刺激了对计算资源的低延迟访问的日益增长的需求，而这是现有的集中式云系统无法单独满足的。移动边缘计算（MEC）有望成为满足低延迟服务需求的有效解决方案，通过在网络外围执行计算任务，接近最终用户。虽然最近的一些研究已经解决了确定服务任务的执行和将用户请求路由到相应边缘服务器的问题，但重点主要集中在计算资源的有效利用上，忽略了需要存储大量数据以实现服务执行以及许多新兴服务表现出不对称带宽要求的事实。为了填补这一空白，我们研究的联合优化服务放置和请求路由MEC启用多细胞网络多维（存储-计算-通信）的约束。我们发现，这个问题概括了文献中的几个问题，并提出了一种算法，实现接近最佳性能，使用随机舍入。评估结果表明，我们的方法可以有效地利用可用资源，最大限度地提高低延迟边缘云服务器服务的请求数量。
2019-01-25 cs.NI
Exploring the Effectiveness of Service Decomposition in Fog Computing Architecture for the Internet of Things
物联网（IoT）旨在将日常物理对象连接到互联网。这些对象将产生大量的数据。传统的云计算架构旨在在云中处理数据。因此，需要将大量数据传输到云。这产生了许多挑战，例如设备和云之间的高通信延迟，在频繁的数据上传到云期间设备的能耗增加，高带宽消耗，同时通过连续发送数据使网络繁忙，以及由于对传输到服务器的数据的控制较少而导致的隐私减少。雾计算已经被提出来对抗这些弱点。雾计算旨在在边缘处理数据，并大大消除将数据发送到云的必要性。然而，将面向服务的体系结构（SOA）与雾计算体系结构相结合仍然是一个开放的挑战。在本文中，我们建议分解服务以创建链接微服务（LMS）。链接微服务是在多个节点上运行的服务，但与其链接的合作伙伴密切相关。链接微服务允许在物联网架构中的不同计算节点上分配计算。使用四种不同类型的架构，即云，雾，混合和雾+云，我们探索和证明服务分解的有效性，通过应用四个实验，三种不同类型的数据集。对这四种架构的评估表明，将服务分解到节点可以将网络上的数据消耗减少10% -70%。总体而言，这些结果表明，在雾计算的上下文中分解服务以提高服务质量的重要性。
2019-03-31 cs.NI
In-Network Computing With Function as a Service at the Edge
将计算从用户设备卸载到网络边缘处具有处理能力的节点是当今网络/服务架构中的主要趋势。与此同时，无服务器计算在云计算技术中获得了巨大的吸引力，从而促进了功能即服务（FaaS）的采用。后者具有一些特性，使其通常适用于边缘应用程序，除了其对有状态应用程序的繁琐支持。这项工作旨在为支持有状态FaaS提供广泛的选项，这些选项被提炼成四个参考执行模型，这些模型在状态驻留的位置上有所不同。虽然需要进一步的调查，以提高我们的理解，通过有状态的FaaS网络内计算提供的机会，提供了初步的见解，通过定性分析的四个替代方案和定量比较模拟器。
2022-09-07 cs.NI
Heterogeneous Services Provisioning in Small Cell Networks with Cache and Mobile Edge Computing
在支持全双工（FD）的小型小区网络的领域中，在考虑高速缓存和移动边缘通信（MEC）方面已经进行了有限的工作。在本文中，一个虚拟的FD使能的小小区网络与缓存和MEC的两个异构服务，高数据速率服务和计算敏感的服务。在我们提出的方案中，内容缓存和FD通信紧密结合，提供高数据速率的服务，而无需回程资源的成本。通过计算卸载来保证用户的时延需求。然后，我们制定了一个虚拟的资源分配问题，其中用户关联，功率控制，缓存和计算卸载策略和资源分配共同考虑。由于原问题是一个混合的组合问题，必要的变量松弛和重新制定进行原问题转化为一个凸问题。采用交替方向乘子法（ADMM）算法求解最优解。最后，在不同的系统配置下进行了大量的仿真，以验证所提出的方案的有效性。
2017-06-29 cs.NI
A Composite Design Pattern for Service Injection and Composition of Web Services for Peer-To-Peer Computing with Service Oriented Architecture
在本文中，我们提出了一个非结构化对等网络的服务注入和组合设计模式，这是设计与面向服务的设计模式，并融合了策略，工人对象和检查表设计模式用于设计自适应系统。它将动态地应用自重新配置平面，而无需管理员的中断或干预来处理服务器上的服务故障。当客户端请求一个复杂的服务时，应该进行服务组合来满足请求。如果一个服务在内存中不可用，它将作为方面特征模块代码注入。我们使用面向服务的体系结构（SOA）与Web服务在Java中实现的组合设计模式。据我们所知，目前还没有针对对等计算领域的设计模式组合的研究。该模式使用类和接口的类似java的符号来描述。描述了一个简单的UML类和序列图。
2012-11-22 cs.DC cs.NI cs.SE
EaaS: A Service-Oriented Edge Computing Framework Towards Distributed Intelligence
边缘计算已经成为一种流行的模式，其中服务和应用程序部署在更接近数据源的网络边缘。它为应用程序提供了突出的优势，包括减少响应延迟和增强的隐私保护。对于新兴的高级应用，如自动驾驶汽车、工业物联网和虚拟世界，还需要进一步的研究。这是因为此类应用需要超低延迟、超连接以及动态可靠的服务提供，而现有方法不足以应对新的挑战。因此，我们设想，未来的边缘计算正朝着分布式智能方向发展，在分布式智能中，异构边缘节点协作，在大规模和地理分布的边缘基础设施中提供服务。因此，我们提出边缘即服务（EaaS）来实现分布式智能。EaaS共同管理大规模跨节点边缘资源，促进边缘自治，边缘到边缘协作和资源弹性。这些功能支持灵活的服务部署以及无处不在的计算和智能。我们首先概述了现有的边缘计算研究，并讨论了它们的局限性，以阐明提出EaaS的动机。然后，我们描述了EaaS的细节，包括物理架构，建议的软件框架和EaaS的好处。通过实时视频监控、智能建筑、虚拟实境等多种应用场景，说明了EaaS的重要性和潜力。最后，我们讨论了EaaS的几个具有挑战性的问题，以激励更多的研究对这个新的边缘计算框架。
2022-09-14 cs.NI
A Fragmentation-Aware Adaptive Bilevel Search Framework for Service Mapping in Computing Power Networks
University of Electronic Science and Technology of China（电子科技大学）
针对计算网络中的服务映射问题，提出一种基于图划分和双层优化的自适应双层搜索框架，通过碎片感知评估显著提升资源利用率和服务接受率。
2026-06-03 cs.NI
Performance Measurement of Cloud Computing Services
云计算如今已经作为新技术和新商业模式不断发展。从分布式技术的角度来看，云计算最像基于Web或Web服务的客户端-服务器服务，但它使用虚拟资源来执行。目前，云计算依赖于使用弹性虚拟机和使用网络进行数据交换。我们进行了一个实验设置，以衡量云计算客户收到的服务质量。通过创建在云计算基础设施中运行的HTTP服务完成的实验性设置。我们有兴趣了解增加用户数量对用户收到的平均质量的影响。用户接收的质量由两个参数组成的平均响应时间和请求超时的数量。本研究的实验结果表明，增加用户的数量增加了平均响应时间。同样，请求超时的数量随着用户数量的增加而增加。这意味着用户所接受的服务质量也在下降。我们发现用户数量对服务质量的影响不再是线性趋势。本文的研究结果可作为网络运营商在执行服务时的参考模型，其中一定数量的用户，以获得最优的服务质量。
2012-05-08 cs.DC cs.NI cs.PF
Cooperative Service Caching and Workload Scheduling in Mobile Edge Computing
移动边缘计算通过将云功能推到网络边缘，有利于减少服务响应时间和核心网络流量。边缘节点具备存储和计算能力，可以缓存资源密集型和延迟敏感型移动应用的服务，并处理相应的计算任务，而无需外包给中心云。然而，边缘节点资源能力的异构性以及边缘节点存储和计算能力的不一致性，使得在边缘节点之间缺乏协作的情况下，很难联合充分利用边缘节点的存储和计算能力。为了解决这个问题，我们考虑边缘节点之间的合作，并研究合作服务缓存和工作负载调度在移动边缘计算。该问题可以转化为一个混合整数非线性规划问题，具有非多项式的计算复杂性。为了克服子问题耦合，计算通信权衡，和边缘节点异构性的挑战，我们开发了一个迭代算法称为ICE。该算法是基于吉布斯抽样，它具有可证明的近最优结果，和注水的思想，它具有多项式计算复杂度的基础上设计的。仿真结果表明，与基准算法相比，该算法能够同时降低服务响应时间和外包流量。
2020-02-04 cs.NI
Optimal Dynamic Orchestration in NDN-based Computing Networks
命名数据网络（NDN）在分布式计算网络上部署下一代服务应用程序方面具有很大的优势。我们考虑的问题，动态编排在基于NDN的计算网络，其中节点可以配备通信，计算和数据生产资源。给定一组具有功能链结构的服务，我们解决了分布式在线算法的设计，该算法控制每个节点对流动的服务请求、提交功能实现和/或产生数据做出自适应决策。我们设计了一个服务发现辅助动态调度（SDADO）算法，减少了端到端（E2 E）的延迟交付服务，同时提供最佳的吞吐量性能。该算法混合了基于拓扑的灵活性和基于拓扑的纪律，其中的拓扑信息是不可用的，但通过我们提出的服务发现机制。我们提供的吞吐量最优分析SDADO，然后提供数值结果，证实了我们的分析，并表明减少往返E2 E延迟。
2022-08-08 cs.NI
SDFog: A Software Defined Computing Architecture for QoS Aware Service Orchestration over Edge Devices
本文提出SDFog面向服务中间件，融合云、雾、SDN与NFV，将边缘实体抽象为服务，以支持端到端QoS感知的服务编排和软件定义雾基础设施控制。
2016-09-05 cs.NI
Dynamic Regret of Randomized Online Service Caching in Edge Computing
本文研究了一个在线服务缓存问题，在边缘服务器，配备了一个预测窗口，未来的服务请求到达，需要决定哪些服务本地托管有限的存储容量。边缘服务器旨在最小化请求转发成本（即，将请求转发到远程数据中心进行处理的成本）和服务实例化成本（即，即检索和建立服务）。考虑到实际应用中请求模式的非平稳性，采用动态遗憾度来衡量边缘服务器的性能，并将总代价与动态最优离线解的总代价进行比较。为了解决这个问题，我们提出了一个低复杂度的随机在线算法，并从理论上推导出其预期动态后悔的上界。仿真结果表明，我们的算法显着优于其他国家的最先进的政策方面的运行时间和预期的总成本。
2023-01-10 cs.NI
Aqua Computing: Coupling Computing and Communications
作者介绍了为连接设备提供计算服务的新愿景。它基于以下关键概念：未来的计算资源将与通信资源耦合，以增强所连接的用户的用户体验，并且还用于优化提供商的基础设施中的资源。这种耦合通过联合/协作资源分配算法、通过集成计算和通信服务以及通过集成网络中的硬件来实现。这种类型的计算，其中计算服务不是独立提供的，而是依赖于网络服务，被称为水计算。作者认为Aqua Computing是一种将计算资源交付给终端设备的新方法，一旦连接到支持Aqua Computing的网络，设备的计算能力就会自动增强。资源耦合的过程称为计算溶解。然后，提出了一种用于移动边缘网络的水计算架构，其中计算和无线网络资源由移动云控制器联合或协作地分配，以利于最终用户和/或服务提供商。最后，展示了系统的工作原型，收集的结果显示了Aqua Computing原型的性能。
2015-10-25 cs.CY cs.DC cs.NI
A Novel Service Deployment Policy in Fog Computing Considering The Degree of Availability and Fog Landscape Utilization Using Multiobjective Evolutionary Algorithms
雾计算是实时和任务关键型物联网（IoT）应用的一个有前途的范例。考虑到雾资源的高度分布性、异构性和局限性，应用程序应该以分布式方式放置，以充分利用这些资源。在本文中，我们提出了一个线性公式，以确保不同的应用服务的可用性要求，同时最大限度地利用雾资源。我们还比较了三个多目标进化算法，即MOPSO，NSGA-II，和MOEA/D之间的权衡提到的优化目标。iFogSim模拟器中的评估结果证明了所有三种算法的效率以及MOPSO算法在获得的目标值、应用截止日期满意度和执行时间方面的普遍更好的行为。
2022-02-04 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
LIDC: A Location Independent Multi-Cluster Computing Framework for Data Intensive Science
Tennessee Tech（田纳西科技大学）
针对多组织协作中集中式计算放置的不足，提出基于语义名称的去中心化控制平面，实现位置无关的动态计算放置，使任何有足够资源的K8s集群均可执行任务。
2025-10-24 cs.DC cs.NI
RIPPLE: Lifecycle-aware Embedding of Service Function Chains in Multi-access Edge Computing
Hasso-Plattner Institute (HPI) , Digital Engineering Faculty, University of Potsdam（波茨坦大学数字工程学院哈索·普拉特纳研究所）
RIPPLE是一种面向多接入边缘计算的生命周期感知服务功能链嵌入方法，通过考虑生命周期和连接性不确定性，减少服务中断。
2026-02-03 cs.NI
SD-AETO: Service Deployment Enabled Adaptive Edge Task Offloading in MEC
近年来，边缘计算作为未来网络的重要支柱得到了快速发展。任务卸载是边缘计算的关键部分，可以为资源受限的设备提供计算资源，以运行计算密集型应用，加快计算速度并节省能源。一个高效可行的任务卸载方案，不仅可以大幅提升用户体验质量（QoE），还可以为5G/B5 G网络、工业物联网（IIoT）、计算网络等提供有力的支撑和帮助，为了实现这些目标，提出了一种基于服务部署的自适应边缘任务卸载方案（SD-AETO），该方案着眼于能量利用率的优化，EUR）和处理延迟。在SD-AETO方案的预实现阶段，考虑到每个服务的受欢迎程度，调用服务部署方案来帮助任务卸载。利用近似部署图（AD-图）得到最优服务部署方案。在此基础上，提出了一种基于任务优先级的任务调度和队列卸载设计方法，实现了SD-AETO方案。任务优先级由对应的服务流行度和任务卸载方向生成。最后，对SD-AETO方案进行了分析，并与相关方法进行了比较，结果表明，该方案在边缘网络中的大规模任务场景下具有更高的边缘卸载率和更低的资源消耗。
2022-05-06 cs.NI
JCSP: Joint Caching and Service Placement for Edge Computing Systems
在资源受限的情况下，在边缘缓存什么、在哪里以及如何缓存是边缘计算系统的关键挑战之一。缓存项不仅包括应用程序数据内容，还包括处理传入请求的边缘服务的本地缓存。然而，当前的系统将内容和服务分离，而没有考虑缓存和缓存的延迟相互作用。因此，在本文中，我们提出了一类新的随机模型，使内容缓存和服务放置决策的优化联合。我们首先解释了如何应用分层排队网络（LQNs）模型的边缘服务的位置，并表明，将其与遗传算法相结合，提供了更高的准确性，在资源分配比一个既定的基线。接下来，我们扩展LQNs与缓存组件，建立一个联合建模方法的内容缓存和服务放置（JCSP），并提出分析方法来分析所产生的模型。最后，我们模拟了真实的Azure跟踪来评估JCSP方法，发现JCSP在响应时间上比边缘缓存资源分配的基线算法提高了35%，内存使用量减少了500 MB。
2022-05-09 cs.NI cs.PF
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
Managing Cloud networking costs for data-intensive applications by provisioning dedicated network links
许多科学高吞吐量应用程序可以从云资源的弹性中受益，特别是在需要缩短完成时间时。成本考虑通常是此类努力的主要问题，网络通常是主要组成部分;对于数据密集型应用程序，出口网络成本可能超过计算成本。专用网络链路提供了一种降低网络成本的方法，但它们确实增加了复杂性。在本文中，我们描述了一个支持IceCube生产计算的100 fp 32 PFLOPS云突发，该云突发使用Internet 2 Cloud Connect服务从三个主要云提供商（即Amazon Web Services，Microsoft Azure和Google Cloud Platform）提供多个逻辑专用网络链路，这些链路总计实现了约100 Gbps的本地存储出口能力。它提供了有关配置过程的技术细节，这种设置的优点和限制以及所产生成本的分析。
2021-04-14 cs.DC cs.NI
Edge Federation: Towards an Integrated Service Provisioning Model
边缘计算是将云服务推向网络边缘的一种有前途的计算范例。为此，边缘基础设施提供商（EIP）需要将计算和存储资源带到网络边缘，并允许边缘服务提供商（ESP）为用户提供延迟关键型服务。目前，EIP更倾向于建立一系列私有边缘计算环境来满足用户的特定需求。这种资源配置机制严重限制了边缘计算的发展和传播，以满足不同的用户需求。为此，我们提出了一个集成的资源供应模型，命名为边缘联邦，无缝地实现跨独立的边缘计算提供商和云的资源合作和服务提供。为了有效地调度和利用跨多个EIP的资源，我们系统地将供应过程描述为一个大规模线性规划（LP）问题，并将其转化为一个容易解决的形式。因此，我们设计了一个动态的算法来处理不同的服务需求的用户。我们在多伦多市的基站网络进行了广泛的实验。与现有的固定契约模型和多宿主模型相比，边缘联盟可以分别降低EIP的总体成本23.3%至24.5%和15.5%至16.3%。
2020-03-27 cs.NI
Base Station Selection and Task Offloading of the Mobile Edge Computing System
基于服务位置和基站选择这两个决策变量，构建移动边缘计算系统在各个时间范围内的切换时延、通信时延和排队时延模式的计算模型，最小化非切换时延，得到初始时间范围内的服务部署和基站选择决策;根据前一时间范围的判决计算当前时间范围的切换时延和非切换时延，并根据非切换时延容限较大的原则确定当前时间范围。如果服务未被重新分配，则当前时隙的决策与前一时隙的决策保持相同;如果服务被重新分配，则使当前时隙的未到达时间最小化，并获得当前时隙的服务分配和基站选择决策;迭代计算所有时隙的服务分配和基站选择决策。为用户提供低延迟的处理和服务质量，以满足用户移动的随机性。
2022-12-06 cs.NI
SAMI: Service-Based Arbitrated Multi-Tier Infrastructure for Mobile Cloud Computing
移动云计算（MCC）是旨在缓解移动设备资源匮乏的最新移动计算技术。最近，已经提出了若干方法和技术来通过利用云计算来增强移动设备。然而，长WAN延迟和信任仍然是MCC的两个主要问题，阻碍了其愿景。本文对MCC进行了分析，并对其存在的问题进行了讨论。我们利用面向服务的架构（SOA），提出了一个仲裁的多层基础设施模型命名为SAMI MCC。我们的体系结构由三个主要层组成，即SOA、仲裁器和基础设施。该架构的主要优势在于其多层基础设施层，该层利用来自云、移动网络运营商（MNO）和MNO授权经销商这三个主要来源的基础设施。在基础设施层之上，仲裁器层被设计为基于诸如资源需求、延迟和安全性等多个度量对服务进行分类并为其分配合适的资源。利用SAMI可以促进基于服务的平台中立移动应用程序的开发和部署。
2012-06-27 cs.DC cs.NI
Vehicular Edge Computing via Deep Reinforcement Learning
智能汽车构成互联网汽车，可以执行各种智能服务。虽然车辆的计算能力有限，但多种类型的边缘计算节点为车辆服务提供了异构的资源，在将复杂的服务卸载到车辆边缘计算节点时，需要考虑多种因素，卸载决策工作主要是将决策归结为具有单个或多个目标函数和约束条件的资源调度问题，并探索定制的调度算法。然而，卸载服务中的多个数据依赖性任务是一个困难的决定，因为最佳解决方案必须了解资源需求、接入网络、用户移动性，以及重要的数据依赖性。受机器学习最新研究成果的启发，提出了一种基于知识驱动的车辆服务卸载决策框架，直接从环境中获取最优策略。我们将服务中多任务的卸载决策制定为长期规划问题，并探索最近的深度强化学习以获得最优解。它考虑了未来的数据依赖性的后续任务时，从学习卸载知识的当前任务的决策。此外，该框架支持在强大的边缘计算节点上进行预训练，并在执行车辆服务时持续在线学习，从而能够适应环境变化并学习事后明智的策略。仿真结果表明，KD业务卸载决策收敛速度快，适应性强，性能优于贪婪卸载决策算法。
2020-02-11 cs.NI
Availability-aware Service Placement Policy in Fog Computing Based on Graph Partitions
针对雾计算应用的服务放置问题，提出基于社区与传递闭包的双重图分区策略，在节点故障下提升应用可用性和QoS。
2024-01-23 cs.NI
Quality of Service (QoS) Modelling in Federated Cloud Computing
围绕具有潜在的大量定制资源的大规模服务器基础设施的思想构建，这些定制资源能够交互以促进服务的部署、适配和支持，云计算需要频繁地重新调度和管理各种应用任务，以便适应广泛范围和数量的用户的请求。云计算的挑战之一是通过设计用于在用户和云虚拟资源之间分配任务以及将虚拟资源分配给云物理资源的有效技术来支持和管理服务质量（QoS）。虚拟资源跨物理资源的迁移是另一个需要相当关注的挑战;特别是在联合云计算环境中，其中，提供商可能愿意将其未使用的资源作为服务提供给联合（合作分配），并在需要时收回这些资源供其自己使用（竞争分配）。本文重新审视了云计算中的QoS问题，通过制定和提出i）一个多QoS任务分配模型的任务分配到虚拟机和ii）一个虚拟机迁移模型的联合云计算环境中考虑的情况下，资源提供商是在合作或竞争模式下操作。针对联邦云环境中的QoS支持问题，提出了一种新的基于差分进化的任务分配绑定策略和一种新的虚拟机模型.实验结果表明，所提出的解决方案提高了云计算环境中的服务质量，并揭示了在联合云环境中操作混合合作和竞争模型的相对优势。
2019-11-08 cs.DC cs.NI
An Actor-Critic Reinforcement Learning Method for Computation Offloading with Delay Constraints in Mobile Edge Computing
在本文中，我们考虑了一个移动边缘计算系统，云服务器和边缘服务器协同提供计算服务。移动边缘计算既可以减少服务延迟，又可以减轻核心网的负载。我们将不同优先级服务的平均延迟约束下的系统平均收益最大化问题建模为一个约束半马尔可夫决策过程（SMDP）。我们提出了一个行动者-评论家算法的资格痕迹，以解决有约束的SMDP。利用神经网络对策略参数和状态值函数的参数进行训练，不断提高系统性能。
2019-01-30 cs.NI
Toward A Generic Vehicular Cloud Network Architecture: A Case of Virtual Vehicle As A Service
本文提出了一种通用的车载云网络架构，整合多种车载云模型以提供全面服务，并创新性地提出了“虚拟车辆”服务，通过虚拟机迁移为消费者提供与物理车辆相同的服务。
2023-11-18 cs.NI
Fog Computing& IoT: Overview, Architecture and Applications
本文对雾计算与物联网进行全面调查，介绍了雾计算作为云计算延伸的架构、优势及应用，并分析了其在数据通信系统中的安全问题。
2023-04-14 cs.NI
Optimal Accuracy-Time Trade-off for Deep Learning Services in Edge Computing Systems
随着对诸如深度学习任务之类的计算密集型服务的需求不断增加，诸如边缘计算（EC）系统之类的新兴分布式计算平台正变得越来越流行。与传统云系统相比，边缘计算系统在延迟减少方面表现出了良好的效果。然而，它们有限的处理能力在潜在的延迟减少和计算密集型服务（诸如基于深度学习的服务）中实现的准确性之间强加了权衡。在本文中，我们专注于寻找在三层EC平台中运行深度学习服务的最佳准确性-时间权衡，其中有几个具有不同准确性级别的深度学习模型可用。具体来说，我们投的问题作为一个线性规划，最佳的任务调度决策，以最大限度地提高整体用户满意度的准确性和时间的权衡。我们证明了我们的问题是NP难的，然后提供了一个多项式常数时间的贪心算法，称为GUS，这是达到接近最优的结果。最后，在通过数值实验和与一组算法的比较来审查我们的算法解决方案后，我们将其部署在一个测试平台上，以测量真实世界的结果。数值分析和实际应用的结果都表明，GUS在满意用户的平均百分比方面至少可以超过50%。
2020-11-17 cs.DC cs.NI
Achieving Deterministic Service in Mobile Edge Computing (MEC) Networks
移动边缘计算（MEC）被提出来促进高效和时间敏感的5G应用。然而，即使在轻负载的情况下也可能发生“微突发”，这导致不确定的服务延迟（即，不可预测的延迟或延迟变化），因此阻碍了MEC的部署。确定性IP网络（DIP）已经被提出，可以提供大规模网络中的延迟限制和高可靠性。然而，DIP直接迁移到MEC网络中是不平凡的，因为它最初是为具有同构设备的以太网设计的。同时，DIP也面临着网络吞吐量和调度灵活性的挑战。在本文中，我们深入研究了采用DIP的MEC网络和一些相关方面。提出了确定性MEC（D-MEC）网络来递送确定性服务（即，提供具有有限服务等待时间的MEC服务）。在D-MEC网络中，包括周期映射和周期移位的两种机制被设计为实现：（i）利用异构底层资源的无缝和确定性传输;以及（ii）边缘上的业务整形以提高资源利用率。我们还制定了一个联合配置，以最大限度地提高网络吞吐量与确定性的QoS保证。大量的仿真验证了所提出的D-MEC网络可以实现确定性MEC服务，即使在高负载的情况下。
2021-09-06 cs.NI
Optimal Control of Wireless Computing Networks
增强信息（AgI）服务允许用户消费由处理源信息以创建实时增强价值的服务功能链的执行产生的信息。应用包括遥感数据的实时分析、实时计算机视觉、个性化视频流和增强现实等。我们考虑的问题，AgI服务的最佳分布在无线计算网络中，其中节点都配备了通信和计算资源。我们的无线计算网络容量区域的特点和设计一个联合流调度和资源分配算法，稳定底层排队系统，同时实现网络成本任意接近最小值，在网络延迟的权衡。我们的解决方案捕获AgI服务的独特链接和流量缩放方面，同时利用无线信道上的广播方法编码方案的使用。
2017-10-27 cs.NI
The Dual Horizon: A Rendezvous of Computing and Communication Services at the Optical Layer in Optical Computing-Communication Integrated Network
针对分布式机器学习需求，提出光计算-通信一体化网络，利用光层干扰进行计算，并解决路由、波长和计算分配问题，仿真显示相比光旁路模式有显著光谱效率提升。
2025-05-24 cs.NI
Design, Implementation and Simulation of a Cloud Computing System for Enhancing Real-time Video Services by using VANET and Onboard Navigation Systems
Research Institute on Embedded Electronic Systems (IRSEEM)（嵌入式电子系统研究所（IRSEEM））；ESIGELEC School of Engineering（ESIGELEC高等工程学院）；University of the Basque Country（巴斯克大学）；IKERBASQUE Basque Foundation for Science（IKERBASQUE巴斯克科学基金会）
在本文中，我们提出了一个新的和实验性的云计算系统的设计。该系统旨在通过融合几种独立的技术，即基于视觉的嵌入式导航系统，突出的云计算系统（CCS）和车辆自组织网络（VANET），以提高道路导航服务的计算，通信和分析能力。这项工作介绍了我们的初步调查，通过描述一个全球通用系统的设计。所设计的系统已经过各种基于视频的道路服务方案的实验。此外，相关的架构已实现的一个小规模的模拟器的车载嵌入式系统。所实现的架构已经在模拟道路服务的情况下进行了实验，以帮助警察机构。这项服务的目标是在远程连接到移动汽车的实时的【形】监控系统中识别和跟踪被搜索的个人和车辆。所提出的工作表明，我们的系统有效地提高和多样化的实时的【形】视频服务在道路环境中的潜力。
2014-11-25 cs.CV cs.NI
Product-form solutions for integrated services packet networks and cloud computing systems
本文迭代地导出了具有多个服务站的优先级多类排队网络的平稳分布的乘积形式解。网络是马尔可夫指数到达间隔和服务时间分布。这些解决方案可用于进行性能分析，或作为具有多处理器共享内存交换机的大规模网络和具有并行服务器站的云计算系统的近似和模拟研究的比较标准。与现有的布朗近似模型的数值比较表明，我们的算法的有效性。
2013-09-03 cs.IT cs.NI cs.PF
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
Load-balanced Service Function Chaining in Edge Computing over FiWi Access Networks for Internet of Things
服务功能链（SFC）有望为物联网（IoT）实现灵活且可扩展的虚拟网络基础设施。边缘计算被认为是处理大量物联网应用数据的有效解决方案。为了在分布式边缘计算节点（ECN）之间统一为物联网应用提供服务，提出了一种基于SDN和NFV协调的统一SFC编排框架，该框架通过利用FiWi接入网络的连接性提供协同边缘云平台。此外，我们研究的VNF部署问题在我们的协同框架下，我们制定了一个混合整数非线性规划（MINLP）问题，共同考虑负载均衡的网络和计算链VNF。我们还提出了两个近似的最优部署算法贪婪二分多路径（GBMP）和KSP多路径（KSMP）利用部署在ECN的多实例虚拟网络功能（VNF）和FiWi接入网络的多路径能力。在两种类型的物联网应用场景中进行了广泛的仿真，在EC over FiWi接入网络。数值结果表明，在两种典型场景下，我们提出的算法在负载均衡、业务接受率和网络利用率方面均优于单路径和基于ECMP的部署算法.
2020-06-15 cs.DC cs.NI
Monetizing Edge Service in Mobile Internet Ecosystem
在移动互联网生态系统中，移动用户（MU）从互联网服务提供商（ISP）购买无线数据服务以接入互联网并获取感兴趣的内容服务（例如，在线游戏）从内容提供方（CP）。智能功能的普及（例如，人工智能和3D建模）增加了内容服务的计算强度，导致MU资源有限的设备的计算压力越来越大。为此，边缘计算服务正在成为一种有前途的方法，通过将MU的一些计算任务卸载到部署在本地网络边缘的边缘（计算）服务器来减轻MU的计算压力，同时保持其服务质量。因此，部署边缘服务器并提供边缘计算服务的边缘服务提供商（ESP）成为生态系统中即将到来的新利益相关者。在这项工作中，我们研究了在具有边缘计算服务的新生态系统中MU，ISP，CP和ESP的经济互动，其中MU可以获得计算密集型内容服务（由CP提供），并通过ISP将一些计算任务以及必要的原始输入数据卸载到边缘服务器（由ESP部署）。我们首先研究了MU的联合内容获取和任务卸载（J-CATO）问题，其目的是最大限度地提高他的长期回报。我们得出离线解决方案的关键见解，在此基础上，我们设计了一个在线策略，可证明的性能。然后，我们研究了ESP的边缘服务货币化问题。我们提出了一种定价策略，可以实现一个恒定的比例的事后最优收入与额外的恒定损失的ESP。数值结果表明，边缘计算服务可以刺激MU的内容获取和提高MU，ISP和CP的收益。
2020-09-16 cs.GT cs.NI
An economic perspective on major cloud computing providers
云计算可以定义为通过网络外包/租用资源。它被认为是一种基本的公用事业，类似于电力，水，电话和污水处理设施。多年来，出现了许多提供商，它们为云计算提供基本和高级形式的服务。然而，这些供应商使用自己的术语来营销他们的规格和他们提供的服务范围。这使得普通用户很难根据他们的需求选择平台。本文从经济角度对不同的云服务提供商进行了比较。它对提供商为不同场景提供的服务进行成本分析。在此基础上，本文得出了一些结论，并提出了进一步研究的方向。
2018-09-17 cs.DC cs.NI
Follow Me at the Edge: Mobility-Aware Dynamic Service Placement for Mobile Edge Computing
School of Data and Computer Science, Sun Yat-sen University（中山大学数据科学与计算机学院）
移动边缘计算是一种新的计算范式，它将云计算能力从集中式云推向网络边缘。然而，随着计算能力的下沉，用户移动性带来的新挑战出现了：由于最终用户通常不规则地移动，因此服务应该在多个边缘之间动态迁移以保持服务性能，即，用户感知的延迟。解决这个问题并不容易，因为频繁的服务迁移会大大增加运营成本。为了解决这一挑战的性能-成本权衡，在本文中，我们研究了长期成本预算约束下的移动边缘服务性能优化问题。为了解决用户移动性通常是不可预测的，我们应用李亚普诺夫优化分解成一系列的实时优化问题，不需要先验知识，如用户的移动性的长期优化问题。由于分解问题是NP难的，我们首先设计了一个基于Markov逼近的近似算法来寻求近优解。为了使我们的解决方案具有可扩展性并适用于未来具有大规模用户设备的5G应用场景，我们进一步提出了一种基于最佳响应更新技术的分布式近似方案，该方案具有大大降低的时间复杂度。严格的理论分析和广泛的评估表明，所提出的集中式和分布式方案的有效性。
2018-09-14 cs.AI cs.DC cs.MM
Security modeling and efficient computation offloading for service workflow in mobile edge computing
资源有限的移动设备在执行各种复杂、高能耗的移动应用时面临着巨大的挑战。边缘计算（MEC）作为一种新的计算模式，可以提供丰富的计算资源来执行MD的全部或部分任务，从而大大降低MD的能耗，提高应用的服务质量。然而，将工作流任务卸载到MEC服务器容易受到外部安全威胁（例如，窥探、改变）。提出了一种MEC环境下服务工作流的安全节能计算卸载（SEECO）策略，其目标是在风险概率和截止期限约束下优化能耗.首先，我们建立了一个安全开销模型来度量安全服务的执行时间。然后，我们制定了计算卸载问题，结合安全性，能源消耗和执行时间的工作流应用程序。最后，基于遗传算法，从任务执行顺序、位置和安全服务选择等方面设计了SEECO的编码策略。实验结果表明，SEECO策略能够有效地实现移动应用的安全性和节能性。
2019-07-04 cs.CR cs.DC cs.NI
Hierarchical Fog-Cloud Computing for IoT Systems: A Computation Offloading Game
雾计算在网络边缘提供低延迟计算服务，是新兴物联网（IoT）系统的推动者。在本文中，我们研究了雾计算资源的物联网用户在一个分层的计算范式，包括雾和远程云计算服务的分配。我们制定了一个计算卸载游戏来模拟物联网用户之间的竞争，并有效地分配雾节点的有限处理能力。每个用户的目标是最大化其自身的体验质量（QoE），这反映了其在计算能量和延迟的减少方面对使用计算服务的满意度。利用潜在的博弈方法，我们证明了一个纯纳什均衡的存在性，并提供了一个上限的无政府代价。由于达到均衡的时间复杂度随着用户数量的增加而呈指数级增加，因此我们进一步提出了一种接近最优的资源分配机制，并证明了在具有$N$ IoT用户的系统中，它可以在$O(N/ε)$时间内实现$ε$ -纳什均衡。通过数值研究，我们评估用户的QoE以及均衡效率。我们的研究结果表明，通过利用所提出的机制，更多的用户受益于计算服务相比，现有的卸载机制。我们进一步表明，我们提出的机制显着降低了计算延迟，并为延迟敏感的物联网应用提供低延迟雾计算服务。
2017-10-17 cs.DC cs.GT cs.NI
Leveraging the Power of Prediction: Predictive Service Placement for Latency-Sensitive Mobile Edge Computing
移动边缘计算（MEC）正在兴起，以支持移动网络边缘的延迟敏感型5G应用。当用户在多个MEC节点之间不规则地移动时，如何动态地迁移其服务以维持服务性能（即，用户感知的延迟）出现。然而，频繁的服务迁移会显著增加运营成本，导致提高性能和降低成本之间的矛盾。为了解决这些错位的目标，本文研究了长期成本预算约束下的移动边缘服务放置的性能优化。它具有挑战性，因为预算涉及未来的不确定信息（例如，用户移动性）。为了克服这一困难，我们致力于利用预测的力量，并倡导预测服务放置与预测不久的将来的信息。利用双时标李雅普诺夫优化方法，提出了一种基于帧设计的T时隙预测服务放置（PSP）算法，该算法结合了用户移动性预测。我们从理论上描述了PSP的性能界限。此外，我们提出了一个新的权重调整方案，在每帧命名为PSP-WU队列利用历史队列信息，大大减少了队列的长度，同时提高了用户感知的延迟质量。严格的理论分析和广泛的评估，使用现实的数据跟踪表明所提出的预测方案的优越性能。
2020-06-17 cs.DC cs.NI cs.SI
