BottleNet: A Deep Learning Architecture for Intelligent Mobile Cloud Computing Services
University of Southern California(南加州大学)
最近的研究表明,通过在移动终端和云之间拆分网络,可以显着改善深度神经网络的延迟和能耗。本文介绍了一种新的深度学习架构,称为BottleNet,用于减少需要发送到云端的特征大小。此外,我们提出了一种训练方法,用于补偿由于在将特征传输到云之前对特征进行有损压缩而导致的潜在准确性损失。与仅使用云的方法相比,BottleNet在端到端延迟方面平均提高了30倍,在移动能耗方面平均提高了40倍,准确性损失可以忽略不计。
2019-02-04 cs.DC cs.LG
Resource Slicing through Intelligent Orchestration of Energy-aware IoT services in Edge-Cloud Continuum
针对边云环境中 IoT 应用的能耗与性能优化难题,提出将应用分解为 nanoservices,并结合资源与网络切片进行能耗感知的智能编排部署。
2024-12-04 cs.DC
From SLA to vendor-neutral metrics: An intelligent knowledge-based approach for multi-cloud SLA-based broker
Madrid Open University(马德里开放大学);Jordan University of Science and Technology(约旦科技大学)
本文提出基于智能知识系统的方法,自动将多云环境中的高层SLA翻译为供应商中立指标,解决提供商锁定问题,并通过IaaS和PaaS用例验证其有效性。
2025-10-24 cs.DC
Intelligent Service Selection in a Multi-dimensional Environment of Cloud Providers for IoT stream Data through cloudlets
Amirkabir University of Technology(阿米尔卡比尔理工大学)
物联网(IoT)服务的扩展和不同传感器生成的大量数据,意味着存储即服务等云计算服务的重要性比以往任何时候都要高。物联网流量对云存储服务施加了额外的限制,例如传感器数据预处理能力以及数据中心和每个数据中心中的服务器之间的负载平衡。此外,它还应符合服务质量(QoS)。混合MWG算法已被提出在这项工作中,它考虑了不同的目标,如能量,处理时间,传输时间,和负载均衡在雾和云层。使用MATLAB脚本来模拟和实现我们的算法,并考虑了不同服务器的服务,例如Amazon,Dropbox,Google Drive等。与MOWCA、KGA和NSGAII相比,MWG的间距指标分别提高了7%、13%和25%。此外,与MOWCA、KGA和NSGAII相比,MWG在质量度量方面分别具有4%、4.7%和7.3%的优化。整体优化结果表明,在考虑不同目标的情况下,与MOWCA、KGA和NSGAII相比,MWG算法的性能分别提高了7.8%、17%和21.6%。
2021-01-26 cs.AI cs.DC cs.NI
JointDNN: An Efficient Training and Inference Engine for Intelligent Mobile Cloud Computing Services
University of Southern California(南加利福尼亚大学)
深度学习模型被部署在许多移动智能应用中。智能个人助理、自动驾驶汽车和灵巧家庭服务等端侧服务通常采用移动设备上的简单本地模型或云上的复杂远程模型。然而,最近的研究表明,在移动设备和云之间划分DNN计算可以增加延迟和能源效率。在本文中,我们提出了一个有效的,自适应的,实用的引擎,JointDNN,用于移动终端和云之间的协同计算DNN在推理和训练阶段。JointDNN不仅为移动端提供了一种节能和高效的DNN查询方法,而且与仅使用云的方法相比,通过减少其工作负载和通信量,使云服务器受益。给定DNN架构,我们研究了在移动终端上处理某些层和在云服务器上处理某些层的效率。我们在层粒度上为DNN中的前向和后向传播提供了优化配方,可以适应移动电池限制和云服务器负载约束以及服务质量。与现状方法相比,JointDNN在查询DNN的延迟和移动能耗方面分别减少了18倍和32倍。
2020-02-04 cs.AI cs.DC cs.LG
An AI-driven intelligent traffic management model for 6G cloud radio access networks
这封信提出了一种新的云无线电接入网络(C-RAN)流量分析和管理模型,估计可能的RAN流量拥塞,并通过采用合适的处理机制来减轻其影响。引入了一种计算方法,以基于各种作业请求的带宽消耗和执行时间将异构RAN业务分类为不同的业务状态。此外,采用基于云的流量管理来根据相关的流量状态在用户作业请求之间调度和分配资源,以最大限度地减少延迟并最大限度地提高带宽利用率。实验结果表明,该模型能有效地降低网络拥塞对系统性能的影响,提高网络带宽利用率,并将作业执行延迟分别降低17.07%和18%。
2023-03-25 cs.DC
Edge service resource allocation strategy based on intelligent prediction
人工智能是工业应用的重要技术之一,但需要大量的计算资源和传感器数据来支持,随着边缘计算和物联网的发展,人工智能在边缘服务领域发挥着越来越重要的作用。因此,如何让智能算法为物联网的发展提供更好的服务,成为一个越来越重要的课题。本文重点研究了边缘服务分发策略的应用,提出了一种基于智能预测的边缘服务分发策略,降低了边缘服务提供商的带宽消耗,使边缘服务提供商的成本最小化。另外,本文利用网宿科技公司提供的实际数据,采用改进的长短期记忆预测方法动态改变带宽,与实际工业应用相比,实现了更好的资源优化分配,仿真结果表明,我们的智能预测能够取得良好的效果,该机制能够实现更高的资源利用率.
2021-07-27 cs.DC
Intelligent Autonomous Orchestration for Distributed Cloud Resources using Complex-Stability Analysis
Department of Computer Science \& Engineering Presidency University, Bengaluru, India Email;Department of Computer Science \& Engineering REVA University, Bengaluru, India Email
本文提出C-SAS框架,利用复分析方法实现系统均衡,通过实时计算稳定性指数抑制振荡,实验显示其在VM波动和资源效率方面优于传统PID和ML方法。
2026-05-02 cs.AI cs.DC
Cloud-Based AI Systems: Leveraging Large Language Models for Intelligent Fault Detection and Autonomous Self-Healing
Siebel School of Computing and Data Science(计算与数据科学学院);College of Computing and Information Science(计算与信息科学学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Cornell University(康奈尔大学)
针对云环境故障检测难题,本文提出结合机器学习与LLM语义理解的多层智能框架,可预测故障并自动自愈,实验显示其在准确率、停机减少和恢复速度上显著优于传统系统。
2025-05-16 cs.AI cs.DC
Analytical Insight of Earth: A Cloud-Platform of Intelligent Computing for Geospatial Big Data
本文介绍AI Earth,一个基于阿里云的遥感智能计算平台,提供公开数据集、计算工具、深度学习模型及大视觉分割模型,支持用户训练和部署模型,以应对海量地球观测数据处理的挑战。
2023-12-27 cs.DC
EISim: A Platform for Simulating Intelligent Edge Orchestration Solutions
针对现有仿真器难以支持智能边缘编排研究的问题,本文提出基于 PureEdgeSim 扩展的 EISim 平台,支持深度强化学习方案、多种控制拓扑及任务卸载与资源定价场景。
2023-11-02 cs.DC cs.MA
SplitPlace: Intelligent Placement of Split Neural Nets in Mobile Edge Environments
近年来,深度学习模型在工业界和学术界都变得无处不在。现代深度神经网络可以解决当今最复杂的问题之一,但需要付出大量计算和存储需求的代价。这使得在移动边缘计算范例中部署这种大规模神经网络具有挑战性,其中边缘节点是资源受限的,因此限制了这种框架的输入分析能力。用于分布式处理的神经网络的语义和分层分裂在这个方向上显示了一些希望。然而,没有智能算法将这种模块化分割放置到边缘节点以获得最佳性能。这项工作提出了一种新的放置策略,SplitPlace,用于在移动边缘主机上放置这种神经网络分割片段,以实现高效和可扩展的计算。
2021-10-10 cs.DC
DECICE: Device-Edge-Cloud Intelligent Collaboration Framework
Universität Göttingen(哥廷根大学);GWDG(GWDG(哥廷根科学计算数据中心));E4 Computer Engineering S.p.A.(E4计算机工程股份公司);KTH Royal Institute of Technology(KTH皇家理工学院);HLRS(HLRS(斯图加特高性能计算中心));Huawei Technologies Düsseldorf GmbH(华为技术杜塞尔多夫有限公司);Forschung Burgenland GmbH(布尔根兰研究有限公司);SYNYO GmbH(SYNYO有限公司);Marmara University(马尔马拉大学);Consorzio TOP-IX(TOP-IX联盟);Alma Mater Studiorum - Università di Bologna(博洛尼亚大学);Numerical Algorithms Group Limited(数值算法集团有限公司);BigTRI Bilisim A.S.(BigTRI信息技术股份公司)
本文介绍了Horizon Europe项目DECICE这款面向计算连续体的AI赋能开放可移植管理框架及其架构,同时给出了智能交通路口、磁共振成像、应急响应三类评估用例。
2023-05-04 cs.AI cs.DC
6G White Paper on Edge Intelligence
University of Oulu(奥卢大学);Capobianco(卡波比安科公司);Huawei(华为);TU Delft(代尔夫特理工大学);University of Vigo(维戈大学);VTT Technical Research Centre of Finland(芬兰技术研究中心);Poznan University of Technology(波兹南理工大学);University of Helsinki(赫尔辛基大学);Pengcheng Laboratory(鹏城实验室)
在本白皮书中,我们提供了6 G边缘智能的愿景。迈向5G和未来的6 G网络,利用数据驱动的机器学习和人工智能的智能解决方案对于几个现实世界的应用变得至关重要,包括但不限于更高效的制造、新颖的个人智能设备环境和体验、城市计算和自主交通设置。我们将边缘计算与其他6 G引擎一起作为建立未来2030年智能互联网技术的关键组成部分,如本系列6 G白皮书所示。在本白皮书中,我们重点关注边缘计算基础设施和平台,数据和边缘网络管理,边缘软件开发,ML/AI算法的实时和分布式训练,以及安全,隐私,定价和最终用户方面。我们讨论了关键的推动因素和挑战,并确定了智能边缘服务开发的关键研究问题。作为本白皮书的主要成果,我们设想了从物联网到智能物联网的过渡,并为6 G智能边缘的发展提供了路线图。
2020-04-30 cs.AI cs.DC cs.NI
An Intelligent Cloud Storage Gateway for Medical Imaging
从历史上看,医学成像存储库一直由室内基础设施支持。然而,在过去的几十年中,诊断成像程序的数量不断增加,带来了与存储量、数据冗余和可用性相关的若干挑战。云平台专注于通过互联网提供硬件和软件服务,成为存储库外包的一个有吸引力的解决方案。虽然这一备选办法可能带来财政和技术利益,但也提出了新的挑战。在医学成像场景中,通信延迟是一个关键问题,仍然阻碍着这种范式的采用。本文提出了一种优化数据访问时间的智能云存储网关。这是通过一个新的高速缓存架构,结合静态规则和模式识别的驱逐和预取。通过对真实世界数据集的模拟获得的评估结果表明,缓存命中率可以达到80%左右,图像检索时间减少了60%以上。结合使用驱逐和预取的政策提出可以显着减少通信延迟,即使使用一个小的缓存相比,总大小的存储库。除了提升服务表现外,拟议的系统亦能配合不同院校的特定工作流程。
2017-07-27 cs.DC
Vehicular Edge Cloud Computing: Depressurize the Intelligent Vehicles Onboard Computational Power
近年来,随着自动驾驶汽车和互联汽车的快速发展,车载计算的需求不断增长。我们注意到,恒定的和有限的车载计算能力很难跟上车辆系统和软件应用程序在其长期寿命期间不断增长的需求,同时,车辆车载计算导致车辆能耗越来越高。因此,我们假设建立一个车辆边缘云计算(VECC)框架来解决这样的车辆计算困境。在这个框架中,潜在的车辆计算任务可以在其时间延迟限制内在边缘云中远程执行。同时,有效的无线网络资源分配方案也是VECC上服务质量(服务质量)的关键和基础因素之一。在本文中,我们采用了随机公平分配(SFA)算法随机分配所需的最小资源块,以接纳车辆用户。数值结果表明,VECC的能量有效性。
2019-01-11 cs.DC
Intelligent Resource Allocation Technique For Desktop-as-a-Service in Cloud Environment
桌面即服务云计算的特点是用户可以访问他们的桌面,并可以在远程服务器上的虚拟桌面中执行应用程序。资源管理和资源利用在桌面即服务(云计算)领域中最为重要;然而,以最有效的方式处理大量客户端构成了重要的挑战。特别是决定在一台服务器上处理多少客户端,以及每次在哪里执行用户应用程序非常重要。这是因为我们必须确保最大的资源利用率以及用户数据机密性、客户满意度、可扩展性、最低服务级别协议(SLA)违规等。将太多用户分配到一台服务器会导致客户不满,而分配太少则会导致更高的投资成本。因此,我们也考虑到这两种情况。我们研究不同的方面,以优化资源使用和客户满意度。在本文中,我们提出了智能资源分配(IRA)技术,确保上述参数,如最小的SLA违规。为此,根据SLA因素为用户请求分配优先级,以保持其机密性。本文的研究结果表明,通过将IRA技术应用于现有的超订机制,将提高系统的性能,显着减少SLA违规。
2014-04-29 cs.DC
A Cost-Driven Fuzzy Scheduling Strategy for Intelligent Workflow Decision Making Systems in Uncertain Edge-Cloud Environments
工作流决策是执行许多实际工作流应用的关键。边缘云环境下的调度可以解决工作流应用程序的高复杂性问题,同时减少云和终端设备之间的数据传输延迟。然而,由于边缘云环境中的异构资源和工作流中任务之间复杂的数据依赖关系,工作流调度仍然存在重大挑战,包括从可能的众多组合中选择最佳的任务-服务器解决方案。现有的研究主要是在没有波动的严格条件下进行的,忽略了工作流调度通常存在于不确定环境中的事实。在这项研究中,我们专注于减少主要由任务计算和数据传输引起的工作流应用程序的执行成本,同时满足不确定的边缘云环境中的工作流截止日期。采用三角模糊数来表示任务处理时间和数据传输时间。提出了一种基于自适应离散粒子群优化(ADPSO)算法的成本驱动模糊调度策略,该算法采用了遗传算法(GA)的算子。该策略引入了遗传算法的随机两点交叉算子、邻域变异算子和自适应多点变异算子,有效地避免了陷入局部最优。实验结果表明,与其他基准解决方案相比,该策略能有效降低不确定边缘云环境下的工作流执行代价.
2022-10-28 cs.DC
Task-Adaptive Incremental Learning for Intelligent Edge Devices
卷积神经网络(CNN)用于广泛的图像相关任务,例如图像分类和目标检测。然而,考虑到特定于任务的边缘应用,大型预训练的CNN模型包含大量冗余。此外,静态预训练的模型不能有效地处理真实世界应用中的动态数据。以增量方式收集CNN训练数据及其标签。为了解决上述两个挑战,我们提出了TeAM,这是一个用于智能边缘设备中CNN的任务自适应增量学习框架。给定一个预训练的大型模型,TeAM可以将其配置为专用边缘应用程序的任何专用模型。专用模型可以使用本地数据快速微调,以实现非常高的准确性。此外,通过我们的全局聚合和增量学习方案,可以将专用的CNN模型协作聚合为具有新训练数据的增强的全局模型。
2019-10-07 cs.DC
Energy and Network Aware Workload Management for Geographically Distributed Data Centers
云服务提供商正在地理上分布数据中心,以通过智能工作负载分配来最大限度地降低能源成本。随着新兴云工作负载中的数据量不断增加,将跨数据中心传输工作负载的网络成本考虑在内至关重要。对于地理分布的数据中心,许多研究人员一直在探索能源成本最小化和智能数据中心间的工作负载分配策略。然而,现有的工作并没有全面和同时考虑数据中心的能源成本,数据传输成本和数据中心的部署延迟。在本文中,我们提出了一种新的基于博弈论的工作负载管理框架,采取整体的方法来云运营成本最小化问题,通过智能调度决策,了解数据传输成本和数据中心的延迟。我们的框架执行智能工作负载管理,考虑数据中心计算能力的异构性,冷却能力,服务器中任务协同定位的干扰影响,使用时间电价,可再生能源,净计量,峰值需求定价分配和网络定价。我们的模拟表明,所提出的博弈论技术可以更有效地减少云运营成本比现有的方法。
2021-05-31 cs.DC cs.GT cs.NI
Performance Cost Tradeoffs in Intelligent Load Balancing for Multi Data Center Cloud Systems: From Static Policies to Adaptive Resource Distribution
Urmia University of Technology(乌尔米耶理工大学);Harrisburg University of Science and Technology(哈里斯堡科学与技术大学)
本研究比较了三种负载均衡策略的性能与成本,发现不同策略在高需求下各有优劣,强调智能资源分配和自适应负载均衡的重要性。
2026-02-10 cs.DC
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
Scalable Cloud-Native Architectures for Intelligent PMU Data Processing
本文提出了一种可扩展的云原生架构,结合人工智能与边缘云计算,用于高效处理大规模智能PMU数据,提升电网监控的实时性和可靠性。
2025-12-23 cs.AI cs.DC
Intelligent Cloud Orchestration: A Hybrid Predictive and Heuristic Framework for Cost Optimization
G H Patel College of Engineering and Technology(G H Patel工程技术学院)
本文提出结合LSTM预测与启发式方法的混合框架,以在保持快速响应时间的同时降低云资源管理成本。
2026-04-02 cs.AI cs.DC cs.LG
an intelligent security centered resource-efficient resource management model for cloud computing environments
本文提出了一个概念模型,在云环境中的安全和性能高效的工作负载管理模型。在该模型中,采用资源管理单元来进行虚拟机的能量和性能优化分配,同时通过实时防御由于对虚拟机的未授权访问而导致的数据泄露来确保用户应用程序的安全处理。资源管理单元由安全虚拟机管理单元引导,该安全虚拟机管理单元被设计为生成关于活动虚拟机之间的未授权访问或相互通信链路的信息。此外,工作负载分析器单元同时操作以估计资源利用信息,以帮助资源管理单元进行虚拟机的性能高效分配。与先前的工作,从事访问控制机制,加密和解密的数据之前的传输和隧道的使用,以防止未经授权的访问虚拟机,从而提高了额外的计算成本开销,所提出的模型操作diligence有效地服务于相同的目的。
2022-10-29 cs.DC
An Intelligent Resource Reservation for Crowdsourced Live Video Streaming Applications in Geo-Distributed Cloud Environment
Hamad Bin Khalifa University(哈马德·本·哈利法大学);Qatar University(卡塔尔大学);Comsats Institute of Information Technology(COMSATS信息技术学院)
Facebook Live、YouNow、斗鱼和Twitch等众包视频直播服务最近正获得更大的发展势头。以具有成本效益的方式分配有限的资源,同时通过实时传送和为所有观众提供适当的表示来最大化服务质量(QoS)是一个具有挑战性的问题。在我们的论文中,我们介绍了一个基于机器学习的预测资源分配框架的地理分布的云站点,考虑延迟和质量约束,以保证最大的QoS观众和最小的成本为内容提供方。首先,我们提出了一个离线优化,决定所需的转码资源在分布式区域附近的观众与QoS和整体成本之间的权衡。其次,我们使用机器学习来构建预测模型,该模型可以提前预测每个云站点要保留的近似转码资源。最后,我们开发了一个贪婪的最近和Chestion算法(GNCA)执行的资源分配的实时广播视频租用的资源。大量的模拟表明,GNCA优于众包直播流媒体的最先进的资源分配方法,在系统成本方面实现了超过20%的增益,同时以相对较低的延迟为观众提供服务。
2021-06-04 cs.DC cs.LG cs.MM
Under Water Waste Cleaning by Mobile Edge Computing and Intelligent Image Processing Based Robotic Fish
由于水污染是对水下资源的严重威胁,我们致力于保护水下植物和物种的资源,通过清洁水中的不可生物降解的废物。废物可以回收再利用。本文设计的机器鱼主要由光学传感器、摄像模块、活塞模块和无线收发模块组成。通过利用LTE和5G网络架构,鱼将有关水下垃圾的信息存储在最近的移动边缘计算服务器以及集中式云服务器中。最后,当鱼清除水下废物时,它将捕获的定位对象的图像卸载到移动边缘计算服务器或有时卸载到云服务器以做出决定。服务器采用智能图像处理技术和自适应学习过程来做出决定。然而,如果服务器无法做出决定,那么鱼就会利用其光学生物传感器。通过该方案,用于清理任何水体的时间延迟被最小化,并且鱼的废物收集能力被最大化。该技术可以有效地帮助政府或市政人员在没有人工的情况下制造清洁水。
2020-08-31 cs.DC cs.NI eess.SP
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
Leveraging Cloud-Fog Automation for Autonomous Collision Detection and Classification in Intelligent Unmanned Surface Vehicles
Deakin University(德克萨斯大学);University of Birmingham(伯明翰大学);RMIT University(皇家墨尔本理工学院);VinUniversity(文大学);Swinburne University of Technology(斯威本技术大学);University of Tasmania(塔斯马尼亚大学)
本文提出了一种针对智能无人水面舰艇的分布式云-边缘-IoT架构,通过云雾自动化范式解决海上ICPS的实时数据处理和预测建模限制问题,提升了计算效率、响应性和可扩展性。
2025-06-22 cs.DC cs.RO
Leveraging Large Language Model for Intelligent Log Processing and Autonomous Debugging in Cloud AI Platforms
Siebel School of Computing and Data Science(塞比尔计算与数据科学学院);College of Computing and Information Science(计算与信息科学学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Cornell University(康奈尔大学)
针对云AI平台日志处理与调试难题,提出基于LLM的智能调试框架LLM-ID,通过多阶段语义推理和强化学习恢复规划,将故障定位准确率提升16.2%。
2025-06-22 cs.AI cs.DC
KCES: A Workflow Containerization Scheduling Scheme Under Cloud-Edge Collaboration Framework
针对云边协同场景下工作流容器化调度的资源协调与应用协同难题,提出KubeEdge云边调度方案KCES,通过设计调度引擎、资源混合管理算法及水平漫游与垂直卸载策略,有效提升资源利用率并优化调度性能。
2024-01-02 cs.DC
When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
Sun Yat-sen University(中山大学);Auburn University(奥本大学)
超密集边缘计算(UDEC)具有巨大的潜力,特别是在5G时代,但其当前的解决方案仍然面临挑战,例如缺乏:i)多个5G资源的有效利用(例如,计算、通信、存储和服务资源); ii)低开销卸载决策和资源分配策略;以及iii)隐私和安全保护方案。因此,我们首先提出了一个智能超密集边缘计算(I-UDEC)框架,它将区块链和人工智能(AI)集成到5G超密集边缘计算网络中。首先,我们展示了框架的架构。然后,为了实现实时和低开销的计算卸载决策和资源分配策略,我们设计了一种新的双时标深度强化学习(\textit{2Ts-DRL})方法,分别由一个快速时标和一个慢速时标的学习过程。主要目标是通过联合优化计算卸载、资源分配和服务缓存放置来最小化总卸载延迟和网络资源使用。我们还利用联邦学习(FL)以分布式方式训练\textit{2Ts-DRL}模型,旨在保护边缘设备的数据隐私。仿真结果证实了I-UDEC框架中的\textit{2Ts-DRL}和FL的有效性,并证明我们提出的算法可以减少任务执行时间高达31.87%。
2020-09-22 cs.AI 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
AlertGuardian: Intelligent Alert Life-Cycle Management for Large-scale Cloud Systems
Sun Yat-sen University(中山大学);Tencent(腾讯)
AlertGuardian通过结合LLMs和图模型,优化大规模云系统的警报生命周期管理,显著减少警报疲劳并提升故障诊断效率。
2026-01-21 cs.DC cs.SE
Intelligent Load Balancing in Cloud Computer Systems
本文研究云中动态任务分配与节点过载问题,提出调度器分类、资源利用抽象模型、迁移流量公式、高保真模拟器,并比较集中式元启发式与去中心化智能体负载均衡方法。
2025-09-22 cs.AI cs.DC cs.SE
Intelligent Offloading in Vehicular Edge Computing: A Comprehensive Review of Deep Reinforcement Learning Approaches and Architectures
Department of Electrical and Computer Engineering, University of Windsor(滑铁卢大学电气与计算机工程系)
本文综述了基于深度强化学习的车辆边缘计算卸载方法,分类比较了学习范式、系统架构和优化目标,并分析了马尔可夫决策过程的应用及未来研究方向。
2026-05-25 cs.AI cs.DC cs.LG
Pilot-Edge: Distributed Resource Management Along the Edge-to-Cloud Continuum
许多科学和工业物联网应用需要跨边缘到云连续体进行数据处理,以满足性能、安全性、成本和隐私要求。然而,需要各种抽象和基础设施来管理边缘到云场景中的资源和任务。我们提出Pilot-Edge作为跨边缘到云连续体的资源管理的通用抽象。Pilot-Edge基于试点抽象,它简化了资源和工作负载管理,并为应用程序级任务提供了功能即服务(FaaS)接口。这种抽象允许应用程序将公共功能封装在高级任务中,然后可以跨连续体配置和部署这些任务。我们使用机器学习工作负载(例如,k-means和自动编码器)。我们的实验演示了Pilot-Edge如何管理分布式资源,并允许应用程序基于多个因素(例如,模型复杂性、吞吐量和等待时间)。
2021-04-07 cs.DC
Edge-Fog Cloud: A Distributed Cloud for Internet of Things Computations
物联网通常涉及大量智能传感器,从环境中感知信息并将其共享给云服务进行处理。已经提出了各种架构抽象,如雾和边缘计算,以将一些处理定位在传感器附近,远离中央云服务器。在本文中,我们提出了边缘雾云,它分布在网络中的参与云资源的任务处理。我们开发的最小处理成本第一(LPCF)的方法分配的处理任务,提供最佳的处理时间和接近最佳的网络成本的节点。我们评估LPCF在各种情况下,并证明其有效性,找到处理任务分配。
2017-03-07 cs.DC
Intelligently-automated facilities expansion with the HEPCloud Decision Engine
下一代高能物理实验预计将产生艾字节的数据-比当前一代大两个数量级。为了可靠地满足高峰需求,设施必须计划提供足够的资源来满足预测的需求,或者找到弹性扩展其计算能力的方法。商业云和基于分配的高性能计算(HPC)资源都有显式和隐式成本,在决定何时配置这些资源以及选择适当的规模时必须考虑这些成本。为了支持这种供应的方式符合组织的业务规则和预算限制,我们已经开发了一个模块化的智能决策支持系统(IDSS),以帮助自动配置的资源-跨越多个云提供商,多个HPC中心,和网格计算联合会。
2018-06-11 cs.DC
Distributed and Application-aware Task Scheduling in Edge-clouds
边缘计算是一种新兴技术,它将计算置于网络边缘以提供超低延迟。计算卸载是一种将计算从移动设备迁移到远程服务器的范例,现在可以通过将计算卸载到边缘云中的云来使用边缘计算的力量。然而,边缘云计算卸载的任务调度面临着双重挑战。首先,由于微云在地理上是分布式的,因此在没有集中控制的情况下,每个微云很难执行负载均衡。第二,由于计算卸载的任务具有多种类型,因此在任务类型方面保证用户体验质量(QoE)是具有挑战性的。在本文中,我们提出了Petrel,一个分布式和应用程序感知的边缘云任务调度框架。Petrel实现了基于样本的负载均衡技术,并根据任务类型采用自适应调度策略。这种应用感知调度不仅提供了QoE保证,而且提高了整体调度性能。跟踪驱动的模拟表明,Petrel实现了显着的改善,现有的调度策略。
2019-02-12 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
Intelligent Model Update Strategy for Sequential Recommendation
Zhejiang University(浙江大学)
针对边云协同序列推荐中频繁参数更新造成的资源浪费,本文提出边缘侧 IntellectReq,通过分布外检测、统计映射与不确定性量化自适应决定参数请求,显著提升效率与泛化性。
2024-12-01 cs.AI cs.DC cs.IR
ABEONA: an Architecture for Energy-Aware Task Migrations from the Edge to the Cloud
本文介绍了我们使用ABEONA的初步结果,ABEONA是一种边缘到云架构,允许将任务从边缘上的低能耗,资源受限的设备迁移到云端。我们对人工和真实世界数据集的初步结果表明,通过在边缘水平扩展,可以以更有效的方式执行工作负载,而不会对执行运行时产生负面影响。
2019-10-08 cs.DC
Pico-Cloud: Cloud Infrastructure for Tiny Edge Devices
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
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
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
The state-of-the-art in web-scale semantic information processing for cloud computing
Nanjing University(南京大学);Wuhan University(武汉大学)
云计算是基于分布式环境下资源共享和计算的集成基础设施,通过Internet提供可动态扩展的虚拟化资源服务。这些应用也带来了大规模的异构和分布的信息,这对语义的模糊性提出了很大的挑战。在云计算环境下,应用服务为用户提供智能服务和精确信息至关重要。语义信息处理可以通过合适的语义模型和语义信息处理技术帮助用户有效地处理语义歧义和信息过载。语义信息处理已成功应用于知识表示、自然语言理解、智能Web搜索等多个领域。本文旨在概述云计算环境下的现有语义信息处理技术,提出了一个新的利用语义信息解决分布式语义推理和并行语义计算的研究方向在云计算环境中可用。
2013-05-18 cs.AI 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
Intelligent Proactive Fault Tolerance at the Edge through Resource Usage Prediction
Harokopio University of Athens(雅典哈罗科皮奥大学);National Technical University of Athens(雅典国立技术大学);Ecole de technologie superieure(高等技术学院)
要求苛刻的应用程序和边缘计算的激增需要对底层计算基础设施进行有效管理,促使提供商重新考虑其运营方法。在本文中,我们提出了一种智能主动容错(IPFT)的方法,利用边缘资源使用预测,通过递归神经网络(RNN)。更具体地说,我们专注于过程故障,这是与基础设施无法提供服务质量(QoS)在可接受的范围内,由于缺乏处理能力。为了应对这一挑战,我们提出了一种复合深度学习架构,该架构预测边缘节点的资源使用指标,并触发主动节点复制和任务迁移。考虑到边缘计算基础设施也是高度动态和异构的,我们提出了一种创新的混合贝叶斯演化策略(HBES)算法,用于自动适应资源使用模型。所提出的资源使用预测机制已被实验评估,并与其他国家的最先进的方法相比,显着改善的均方根误差(RMSE)和平均绝对误差(MAE)。此外,利用资源使用预测的IPFT机制已在CloudSim Plus中进行了广泛的模拟评估,结果显示与反应式容错方法相比,在可靠性和可维护性方面有显着改善。
2023-02-09 cs.AI 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