.png){kind=icon}
返回
Application Component Placement and Resource Optimization in Computing Continua
.png){kind=icon}
PRE
AI
DOI：10.1109/TSC.2025.3625265.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网、人工智能和实时数据处理应用的普及，推动了在计算连续体中跨越云、雾和边缘层的分布式计算架构的需求。这些架构必须解决组件放置和资源优化方面的关键挑战，以确保低延迟、成本效益以及符合服务质量（QoS）约束。本文介绍了一种新颖的优化框架，用于解决计算连续体中组件放置和资源优化的联合问题。该框架采用混合整数非线性规划模型，将应用组件建模为有向无环图，并使用分析模型预测其性能。采用基于Karush-Kuhn-Tucker条件的方法，计算给定组件放置的最优虚拟机实例数量。这种优化嵌入在强化学习循环中，以迭代方式根据工作负载波动优化放置决策。这种混合方法在遵守QoS约束的同时确保了成本效益。广泛的实验评估证明了我们框架的优越性。它优于包括BARON求解器、SPACE4AI-D、PPO_DLX和最小k分割基线在内的领先方法，在动态工作负载条件下分别实现了19%、60%、11%和6%的平均成本降低。这些结果表明了我们的方法在效率、可扩展性和适应性方面的优势，使其成为满足现代分布式系统需求的稳健解决方案。
Keyword:
Edge
cloud computing
component placement
resource optimization
reinforcement learning
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
Role of predictive modeling in cloud services pricing: A survey预测建模在云服务定价中的作用：一项综述.png)
2017 7th International Conference on Cloud Computing, Data Science & Engineering - Confluence
2017 7th International Conference on Cloud Computing, Data Science & Engineering - ConfluenceIF0
PREAI
分享收藏Adaptive Resource Efficient Microservice Deployment in Cloud-Edge Continuum云边缘连续体中的自适应资源高效微服务部署
PREAI
分享收藏分享收藏
查看更多内容