Sea: A lightweight data-placement library for Big Data scientific computing
最近大量的开放科学数据促使科学计算从计算密集型向数据密集型转变。虽然存在许多大数据框架,可以最大限度地降低数据传输的成本,但很少有科学应用程序集成这些框架或采用数据放置策略来降低成本。科学应用程序通常依赖于成熟的命令行工具,这些工具需要完整的重新配置才能整合现有的框架。我们开发Sea是为了实现在HPC集群上执行的科学应用程序的数据放置策略,而无需重新编写工作流。Sea利用GNU C库拦截来拦截应用程序进行的符合POSIX的文件系统调用。我们设计了一个性能模型,并评估了Sea在处理代表性神经成像数据集(Big Brain)的合成数据密集型应用程序上的性能。我们的研究结果表明,海显着提高性能,高达3 $\times$的一个因素。
2022-07-04 cs.DC
Towards a Distributed Federated Learning Aggregation Placement using Particle Swarm Intelligence
ÉTS Montréal / Université du Québec(蒙特利尔ÉTS/魁北克大学);Islamic Azad University of Bojnord(伊斯兰Azad大学波尼尔分校)
针对分层半去中心化联邦学习中的分布式聚合放置问题,提出基于粒子群优化的Flag-Swap方法,仅依据处理延迟优化放置,仿真与真实实验表明其性能优于随机和均匀放置策略。
2025-04-22 cs.DC cs.LG cs.NE
COSTREAM: Learned Cost Models for Operator Placement in Edge-Cloud Environments
DHBW Mannheim(曼海姆应用科学大学);TU Darmstadt(达姆施塔特工业大学);DFKI(德国人工智能研究中心)
该研究提出COSTREAM这一新型学习成本模型,用于分布式流处理系统中边缘云环境的算子放置,能准确预测执行成本并泛化到未知场景,优化后算子放置较基线实现约21倍中位数加速。
2024-03-13 cs.DB cs.DC cs.LG
Efficient Dynamic Pinning of Parallelized Applications by Distributed Reinforcement Learning
本文介绍了一个资源分配框架,专门为解决动态放置(或钉扎)的并行应用程序的处理单元的问题。在所提出的设置下,并行化应用程序的每个线程构成独立的决策器(或代理),其(基于其自己的先前性能测量和其自己的先前CPU亲和性)决定接下来运行哪个处理单元。决策由资源管理器/调度器针对每个线程递归地更新,该资源管理器/调度器与应用程序的线程并行运行,并定期记录它们的性能并向它们分配新的CPU亲和性。为了更新CPU亲和度,调度器使用分布式并行学习算法,其每个分支负责为每个线程分配新的放置策略。根据该算法,先前的分配将在未来按其先前的性能成比例地得到加强。所提出的资源分配框架是足够灵活的,以解决替代的优化标准,如最大的平均处理速度和最小的速度变化线程之间。我们分析表明,收敛到局部最优位置渐近实现。最后,通过在Linux平台上的实验验证了上述结果。
2016-06-27 cs.DC
Multilayer Resource-aware Partitioning for Fog Application Placement
雾计算成为部署物联网应用的关键平台。此类应用的复杂性要求处理雾设备的资源多样性和网络结构的方法,同时最大化服务放置并减少资源浪费。该领域的先前研究主要集中在优化特定的应用程序要求,未能解决网络拓扑结构与雾设备中遇到的不同类型的资源相结合的问题。为了克服这些问题,我们提出了一个多层的资源感知分区方法,以最大限度地减少资源浪费和最大限度地提高服务的位置和最后期限的满意率在雾基础设施与高多用户应用程序放置请求。我们的方法表示的异构雾资源作为一个多层网络图和分区的基础上,网络拓扑结构和资源功能。然后,它根据应用程序的需求确定适当的设备分区,这些设备分区需要在同一网络拓扑分区中重叠。仿真结果表明,我们的多层资源感知分区方法是能够放置两倍多的服务,满足三倍多的应用程序请求的最后期限,并减少资源浪费高达15-32倍相比,两个可用性感知和资源感知方法。
2021-05-23 cs.DC
Virtual Network Function Placement in Satellite Edge Computing with a Potential Game Approach
卫星网络作为地面网络的补充,可以为偏远地区的物联网用户提供有效的计算服务。由于卫星在计算、存储、能源等方面的资源限制,物联网用户的计算任务可以分为多个部分,由多颗卫星协同完成,以提高卫星网络的整体运行效率。网络功能虚拟化(NFV)被视为按需分配网络资源的新范例。卫星边缘计算与NFV技术相结合正在成为一个新兴的话题。在本文中,我们提出了一个潜在的游戏方法虚拟网络功能(VNF)的卫星边缘计算的布局。VNF放置问题旨在最大限度地增加分配的IoT用户数量,同时最大限度地降低整体部署成本。我们制定的VNF布局问题的最大网络支付作为一个潜在的游戏,并分析了问题的博弈论的方法。我们实现了一个分散的资源分配算法的基础上潜在的游戏(PGRA),以解决VNF放置问题,找到一个纳什均衡。最后,我们进行实验来评估所提出的PGRA算法的性能。仿真结果表明,PGRA算法能够有效解决卫星边缘计算中的VNF布局问题。
2021-04-06 cs.DC cs.NI
MoETuner: Optimized Mixture of Expert Serving with Balanced Expert Placement and Token Routing
Georgia Institute of Technology(佐治亚理工学院)
针对MoE模型分布式部署中令牌路由与专家激活不均衡、通信尾延迟等问题,提出MoETuner方案,通过ILP优化专家放置并利用层间令牌路由依赖,实现负载均衡与通信优化,单节点和多节点推理速度分别提升9.3%和17.5%。
2025-02-10 cs.DC cs.LG
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
Rethinking Storage Management for Data Processing Pipelines in Cloud Data Centers
Apache Beam和Apache Spark等数据处理框架用于广泛的应用,从日志分析到DNN训练的数据准备。因此,在优化这些框架(包括其存储管理)方面进行了大量工作也就不足为奇了。向云计算的转变需要对集群中同时运行的所有管道进行优化。在本文中,我们来看看这个问题的一个具体实例:在SSD和HDD上放置I/O密集型临时中间数据。有效的数据放置是具有挑战性的,因为在需要放置数据时,I/O密度通常是未知的。此外,负载可变性、作业抢占或作业优先级等外部因素可能会影响作业完成时间,从而最终影响工作负载中临时文件的I/O密度。在本文中,我们设想机器学习可以用来解决这个问题。我们分析来自Google数据中心的生产日志,以用于一系列数据处理管道。我们的分析表明,I/O密度可能是可预测的。这表明,如果精心设计,基于学习的策略可以提取各种转换中涉及的临时文件的I/O密度的预测特征,这些特征可以用于提高数据处理管道中存储管理的效率。
2022-11-04 cs.DC
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
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
Reducing energy consumption of cloud data centers using proper placement of virtual machines
本文针对云数据中心虚拟机放置问题,提出基于学习自动机的强化学习方法,以最小化能耗和资源浪费,仿真验证了其有效性。
2023-11-07 cs.DC cs.NI
An Enhanced Binary Particle-Swarm Optimization (E-BPSO) Algorithm for Service Placement in Hybrid Cloud Platforms
如今,混合云平台对于打算实施私有云和公共云应用程序的组织来说是一个有吸引力的解决方案,以满足其盈利能力要求。然而,这只能通过利用可用资源同时加快执行过程来实现。因此,部署新的应用程序需要将其中一些流程专用于私有云解决方案,而将其他流程分配给公共云。在这种情况下,目前的工作是为了帮助最大限度地减少相关成本,并提供有效的选择,在最短的执行时间内的最佳服务放置解决方案。一些进化算法已被应用于解决服务放置问题,并用于处理复杂的解决方案空间时,提供一个最佳的位置,往往产生一个很短的执行时间。标准的BPSO算法被发现显示一个显着的缺点,即,容易陷入局部最优,除了表现出显着缺乏鲁棒性,在处理服务放置问题。因此,为了克服与标准BPSO相关的关键缺点,提出了一种增强型二进制粒子群优化(E-BPSO)算法,该算法由粒子位置更新方程的修改组成,最初灵感来自连续PSO。我们提出的E-BPSO算法表现出优于国家的最先进的方法在成本和执行时间方面,使用一个真正的基准。
2021-12-16 cs.DC cs.NE
TCEP: Transitions in Operator Placement to Adapt to Dynamic Network Environments
分布式复杂事件处理(DCEP)是一种常用的范式,用于检测和处理许多应用程序(包括物联网(IoT))的情况变化。DCEP通过一个简单的数据流分析任务规范(称为操作符)及其在一组基础设施上的分布式执行来实现这一点。面对不断变化的服务质量需求,DCEP对物联网应用动态的适应性至关重要,也极具挑战性。在我们以前的工作中,我们通过启用转换来解决这个问题,这允许自适应地使用多个操作符放置机制。在这篇文章中,我们通过优化过渡成本和使用多个操作员放置机制分析行为来扩展过渡方法。此外,我们提供了一个广泛的评估运营商迁移和学习所施加的过渡的成本,因为它可以造成开销的性能,如果不协调操作。
2021-06-23 cs.DB cs.DC
Exploring Task Placement for Edge-to-Cloud Applications using Emulation
越来越多的物联网应用将物理设备(如科学仪器、技术设备、机器和摄像头)连接到从边缘到云端的异构基础设施上,以提供响应式智能服务,同时符合隐私和安全要求。然而,异构物联网、边缘和云技术的集成以及跨多个层和类型的基础设施无缝工作的端到端应用程序的设计是具有挑战性的。一个重要的问题是资源管理,以及确保在每一层上分配正确类型和规模的资源以满足应用程序的处理需求。随着边缘层和云计算层的集成越来越紧密,不平衡的资源分配和次优任务可能会迅速降低整体系统性能。本文提出了一种仿真方法的调查跨边缘云连续的任务放置。我们证明,仿真可以解决问题的复杂性和许多自由度,使我们能够调查基本的部署模式和权衡。我们使用基于机器学习的工作负载来评估我们的方法,通过比较仿真和真实世界的实验来证明其有效性。此外,我们还表明,正确的任务放置策略对性能有显着影响--在我们的实验中,根据场景的不同,影响范围在5%到65%之间。
2021-04-07 cs.DC
Tetris: An SLA-aware Application Placement Strategy in the Edge-Cloud Continuum
Institute of Computing, Federal University of Bahia(巴伊亚联邦大学计算学院)
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
Performance Optimization for Edge-Cloud Serverless Platforms via Dynamic Task Placement
我们提出了一个使用动态任务放置的无服务器边缘云平台性能优化框架。我们专注于智能边缘设备的应用,例如智能相机或扬声器,这些设备需要对输入数据执行实时到接近实时的处理任务。我们的框架允许用户为每个应用程序任务指定成本和延迟要求,并且对于每个输入,它确定是在边缘设备上还是在云中执行任务。此外,对于云执行,框架识别满足性能目标所需的容器资源配置。我们使用从AWS Lambda和AWS Greengrass中的无服务器应用程序收集的测量结果在模拟中评估了我们的框架。此外,我们已经实现了在这些相同平台上运行的框架原型。在我们的原型实验中,我们的模型可以预测平均端到端延迟,误差小于6%,与仅边缘执行相比,我们在端到端延迟方面获得了近三个数量级的减少。
2020-05-19 cs.DC cs.NI
Towards application-specific query processing systems
数据库系统使用查询处理子系统来实现高效的基于查询的数据检索。设计任何查询密集型应用程序的一个基本方面是调优查询系统,以适应应用程序的需求和工作负载特征。然而,由传统数据库系统提供的配置参数不涵盖由用户和数据的地理分布引起的设计决策和权衡。在本文中,我们提出了一种新的类型的查询系统架构,使查询系统的设计和部署在每个用例的基础上,解决了这一挑战的愿景。我们提出了一个分布式的抽象称为查询处理单元,封装原始的查询处理任务,并展示了它如何可以用作组装查询系统的构建块。使用这种方法,应用程序架构师可以通过控制查询系统的体系结构及其状态的放置来构造专门针对其用例的查询系统。我们证明了这种方法的表现力,通过将其应用到查询系统的设计,可以灵活地将其状态在数据中心或边缘,并显示状态放置决策影响查询响应时间和查询结果新鲜度之间的权衡。
2020-09-21 cs.DB cs.DC cs.IR
Power Aware Container Placement in Cloud Computing with Affinity and Cubic Power Model
Dept. of CSE, IIT Guwahati(印度阿萨姆邦古瓦哈提印度理工学院计算机科学与工程系)
针对数据中心异构机器上容器放置问题,提出三种策略(PAP、AAP、CPAAP),在最小化电费(基于CPU使用量三次方)的同时最大化亲和性,相比最先进方法,亲和性满足率提升4%,成本降低26%,收益比提升37%。
2024-08-02 cs.DC
Celeritas: Fast Optimizer for Large Dataflow Graphs
University of Science and Technology of China(中国科学技术大学);Capital Medical University(首都医科大学)
快速扩大的神经网络模型在单个设备上运行变得越来越具有挑战性。因此,多个设备上的模型并行对于保证训练大型模型的效率至关重要。最近的提案要么处理时间长,要么性能差。因此,我们提出了一个快速的框架,用于优化大型模型的器件放置。在标准评估中,Materitas采用了一种简单而有效的模型并行化策略,并通过一系列调度算法生成布局策略。我们进行实验,在许多大型模型上部署和评估mathitas。实验结果表明,与现有的方法相比,该方法不仅使布局策略的生成时间减少了26.4%,而且使模型的运行时间提高了34.2%.
2022-07-30 cs.AI 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
Optimizing Service Placement in Edge-to-Cloud AR/VR Systems using a Multi-Objective Genetic Algorithm
针对边缘到云AR/VR系统中服务放置的延迟与可靠性挑战,提出多目标遗传算法(MOGA),最小化响应时间并最大化系统可靠性,实验表明响应时间平均降低67%,可靠性达97%硬件和95%软件。
2024-03-19 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
Resource Allocation Strategies for In-Network Stream Processing
在本文中,我们考虑的运营商映射问题,在网络流处理应用。网络内流处理包括将稳态操作符树应用于在网络上的各个位置处不断更新的多个数据对象。网络内流处理的示例包括传感器网络中的数据处理,或分布式关系数据库上的连续查询。我们在一个"构造性"场景中研究算子映射问题,即,在这种情况下,构建专用于购买具有各种成本和能力的处理服务器的应用的平台。目标是最小化平台的成本,同时确保应用程序实现最小的稳态吞吐量。本文的第一个贡献是一组相关的运营商安置问题的线性规划的形式化,并证明,即使是简单的版本的问题是NP-完全的。我们的第二个贡献是设计了几个多项式时间算法,通过大量的模拟和理论界的最优解进行评估。
2008-07-10 cs.DC
A Dynamic Vertical Scaling Strategy for Distributed Stream Processing Applications in Edge Computing
Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德天主教大学)
针对边缘流处理资源受限问题,提出基于近端策略优化的动态垂直扩展策略,联合调整任务分配并满足p95延迟目标,实验表明违规率低于对比方法且CPU使用更少。
2026-09-14 cs.DC
Pilot-Data: An Abstraction for Distributed Data
依赖于处理大量数据的科学问题需要克服多个领域的挑战:管理大规模数据分布,控制数据与计算资源的协同放置和调度,以及存储,传输和管理大量数据。虽然存在多种方法来解决这些挑战中的每一个,但缺少一种综合方法;此外,扩展现有功能或实现互操作能力充其量仍然很困难。我们提出了试点数据的概念,以解决在异构和分布式环境中的数据和计算的协同放置和调度的基本挑战,互操作性和可扩展性作为第一顺序的关注。Pilot-Data是Pilot-Job抽象的扩展,用于支持与计算任务相结合的数据管理。Pilot-Data将逻辑数据单元与物理存储分离,从而为高效的计算/数据放置和调度提供基础。在本文中,我们讨论了试点数据原型的设计和实施,演示了它的使用数据密集型应用程序在多个生产分布式网络基础设施,并说明了试点数据启用灵活的执行模式所带来的优势。我们的实验利用一个可扩展的Pilot-Job(BigJob)结合Pilot-Data的实现来建立可以通过使用Pilot-Data来实现的应用程序性能。我们展示了Pilot-Data的概念如何为构建工具和支持功能(如亲和力)提供基础,而亲和力又可用于高级数据计算协同布局和调度。
2013-11-19 cs.DC
Exploring Multi-Reader Buffers and Channel Placement during Dataflow Network Mapping to Heterogeneous Many-core Systems
本文针对数据流应用在众核平台上的内存开销与执行周期权衡问题,提出选择性使用多读者缓冲区并联合探索执行单元与通道映射的多目标设计空间探索方法,实验表明其Pareto前沿质量显著优于参考方法。
2023-11-29 cs.DC
Gang-GC: Locality-aware Parallel Data Placement Optimizations for Key-Value Storages
许多云应用程序依赖于快速和非关系存储来帮助处理大量数据。托管运行时现在被广泛用于支持NoSQL运动的几种存储解决方案的执行,特别是在处理大数据键值存储驱动的应用程序时。然而,这些运行时的好处可能受到现代并行面向吞吐量的GC算法的限制,其中相关对象可能分散在内存中,无论是在同一代还是不同代。从长远来看,这会导致更多的页面错误和系统级内存缓存的局部性下降。我们建议,Gang-CG,现代堆布局和并行GC算法的扩展,以促进相关对象组之间的局部性。这是在不对应用程序进行大量剖析的情况下完成的,并且以对程序员透明的方式完成,而不需要使用专门的数据结构。堆布局和算法扩展是在HotSpot JVM的Parallel Scavenge垃圾收集器上实现的。使用微基准测试,捕捉几个键值存储数据库的体系结构,我们在频繁的操作,如新对象的分配和数据的访问速度的提高,支持系统级内存缓存中的较低的未命中率可以忽略不计的开销。总的来说,我们显示了6%的读取和更新操作的平均时间的改善和平均减少12.4%的页面错误。
2017-04-11 cs.DC cs.PL
Harmonia: Enhancing Data Placement and Migration in Hybrid Storage Systems via Multi-Agent Reinforcement Learning
ETH Zürich(苏黎世联邦理工学院);AMD Research(AMD研究)
针对混合存储系统中数据放置与迁移策略相互依赖导致性能次优的问题,提出基于多智能体强化学习的协同优化方法Harmonia,显著提升系统性能。
2026-05-26 cs.AR cs.DC cs.LG
SplitPlace: AI Augmented Splitting and Placement of Large-Scale Neural Networks in Mobile Edge Environments
Imperial College London(伦敦帝国理工学院);Loughborough University(拉夫堡大学)
近年来,深度学习模型在工业界和学术界都变得无处不在。深度神经网络可以解决当今一些最复杂的模式识别问题,但需要付出大量计算和内存需求的代价。这使得在资源受限的移动边缘计算平台中部署这种大规模神经网络的问题具有挑战性,特别是在监控和医疗保健等关键任务领域。为了解决这个问题,一个很有前途的解决方案是将资源密集的神经网络拆分成轻量级的不相交的较小组件,以进行流水线分布式处理。目前,有两种主要的方法来做到这一点:语义和逐层分裂。前者将神经网络划分为并行的不相交模型,这些模型产生一部分结果,而后者则划分为产生中间结果的顺序模型。然而,没有智能算法来决定使用哪种拆分策略,并将这种模块化拆分放置到边缘节点以获得最佳性能。为了解决这个问题,这项工作提出了一种新的人工智能驱动的在线策略,SplitPlace,它使用多武装强盗智能地决定层和语义之间的分裂策略的基础上输入任务的服务期限的要求。SplitPlace使用决策感知强化学习将此类神经网络分割片段放置在移动边缘设备上,以实现高效和可扩展的计算。此外,SplitPlace还微调了其布局引擎,以适应多变的环境。我们在具有真实工作负载的物理移动边缘环境中进行的实验表明,SplitPlace可以显着提高平均响应时间,截止日期违规率,推理准确性和总回报率,分别高达46%,69%,3%和12%。
2022-05-21 cs.AI cs.DC cs.PF
Decentralized Task Offloading in Edge Computing: A Multi-User Multi-Armed Bandit Approach
Huazhong University of Science and Technology(华中科技大学);Huawei Technologies Co., Ltd(华为技术有限公司);The Chinese University of Hong Kong(香港中文大学)
移动边缘计算方便用户将计算任务卸载到边缘服务器,以满足其严格的延迟要求。以前的工作主要探索任务卸载时,系统侧的信息是给定的(例如,服务器处理速度、蜂窝数据率)或系统不确定性下的集中卸载。但是,这两种方法通常都不足以处理在动态和不确定的环境中涉及许多共存用户的任务放置。在本文中,我们开发了一个多用户卸载框架,考虑未知但随机的系统侧信息,使分散的用户发起的服务放置。具体来说,我们制定了一个在线的多用户多臂强盗过程的动态任务放置,并提出了一个分散的基于时代的卸载(DEBO),以优化用户的奖励,受到网络延迟。我们表明,DEBO可以推断出最佳的用户-服务器分配,从而实现接近最佳的服务性能和紧O(log T)卸载遗憾。此外,我们推广DEBO各种常见的情况下,如未知的回报差距,动态进入或离开的客户端,公平的奖励分配,同时进一步探讨当用户卸载的任务需要异构的计算资源。特别是,我们完成了一个次线性的遗憾,为每一个这些情况。基于真实测量的评估证实了我们的卸载方案在优化延迟敏感奖励方面优于最先进的方法。
2021-12-28 cs.DC cs.LG
Next-generation O-RAN Edge: Energy-aware Joint Placement and Migration of Cloud-Native Functions
Concordia University(康科迪亚大学);Ericsson(爱立信)
针对O-RAN边缘云,本文研究云原生功能的节能联合部署与迁移,提出MILP模型与k-means启发式算法,Multi-CU场景可降5.7%能耗,启发式算法能效接近MILP且计算更高效。
2026-08-26 cs.DC cs.ET cs.IT