.png){kind=icon}
返回
Adaptive Resource Scheduling in Multi-Cloud Computing Using Recurrent Neural Forecasting and Memory-Based Metaheuristic Optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s10723-025-09812-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在异构多云计算环境中，高效智能的任务调度因能源消耗、延迟最小化、服务级别协议（SLA）合规性以及主机利用率等相互冲突的目标而面临复杂挑战。本文提出了一种混合框架，该框架整合了用于时序工作负载预测的长短期记忆（LSTM）网络，以及用于多目标任务-主机分配的带记忆的大象群优化（EHOM）。该框架在OpenStack Yoga私有云中以容器化微服务形式实现，集成了Prometheus遥测、Kafka流、TensorFlow Serving用于LSTM预测，并通过OpenStack编排的Python基EHOM优化器。性能对比测试对象包括Trust-Aware Spring Swarm Optimization（TSSO）、Auto Clipped Double Deep Q-Learning（Auto-CDDQL）、基于自适应性花授粉的RSA（SA-FPRSA）、大象群狮优化（EHLO）以及基于马尔可夫的调度器。针对200–1000任务的工作负载实验结果表明，所提方法可降低12–22%的总能源消耗，减少8–15%的归一化延迟，提高2.5–5.3个百分点的事务截止时间满足率（DSR），同时始终将可用性和可靠性维持在97%以上。这些改进验证了所提框架在SLA敏感型多云计算环境中的鲁棒性、可扩展性及实时适用性。该系统通过闭环方式将LSTM预测与大EHOM分配器相连接。
Keyword:
Multi-cloud scheduling
Energy-aware task allocation
Recurrent neural networks
Metaheuristic optimization
SLA compliance
Trust-aware resource management
期刊
IF:
2.9
论文数:
763
被引数:
1.2K
机构
引用论文
分享收藏Enhanced novelty approaches for resource allocation model for multi-cloud environment in vehicular Ad-Hoc networks.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏AmazonAICloud: proactive resource allocation using amazon chronos based time series model for sustainable cloud computingCOMPUTING
COMPUTINGIF2.8
PREAI
分享收藏A hybrid forecasting system using convolutional-based extreme learning with extended elephant herd optimization for time-series predictionSOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏
查看更多内容