本篇论文讨论了云计算资源分配的核心问题，对计算资源、网络资源、能源消耗等多方面因素进行细致分析与探讨，为构建全面的、高效的、绿色可持续的云计算数据中心提供了参考。

Sep, 2013

通过学习为基础的资源配置方法，实现了云计算中的低成本、高效能需求的资源调配方案。通过综合评估，我们的方法有效地满足了大多数需求，并且受到了性能目标的支持。

Sep, 2023

本文通过使用机器学习优化技术，提出了一种创新的方法来解决云计算资源调度和管理中的复杂问题，通过对云环境中低资源利用率和负载不平衡等挑战的深入研究，本研究提出了包括深度学习和遗传算法等优化方法在内的全面解决方案，以提高系统性能和效率，从而在云计算资源管理领域带来新的突破和进展。合理分配资源在云计算中起着至关重要的作用。

Feb, 2024

本文研究了云计算的经济收益，同时关注安全和信任问题，特别是数据保护，并讨论了各种高级安全威胁。

Aug, 2013

本研究综述了基于人工智能的各种优化分配方法，涵盖云计算、车辆雾计算、物联网、5G 网络、点对点网络、深度强化学习等各种计算环境，并介绍了基于深度学习的资源分配方法。

Mar, 2022

提出了一种基于模糊逻辑的基于代理的自动协商资源调度系统，通过引入综合性协商游戏，根据协商结果对资源进行调度，从而达到更高效地利用资源的目的，并成功使用机器学习模型替代模糊协商系统以提高处理速度。

Feb, 2024

本文提出了一种云计算工作负载管理范式的概念框架，通过虚拟化创建计算机系统的虚拟实例来共享资源并保证数据安全性，包括资源管理单元、安全的虚拟机管理单元和工作量分析器单元等部分。

Dec, 2022

O-RAN 和 O-Cloud 构成了一个重要的范式转变，可以带来前所未有的性能提升，并提出了一系列试验来评估 O-Cloud 的能耗成本以及其依赖性，同时提出了一种基于能效的计算策略和一种基于射频的策略，以实现在服务器和用户之间公平地平衡能源节约和性能。

Feb, 2024

云原生微服务的资源管理主题引起了广泛关注。我们提出了一种轻量级资源管理系统 Ursa，通过将服务级别协议分解为每个服务级别协议，并将每个服务级别协议映射到每个微服务层的单个资源分配，来解决机器学习驱动方法面临的挑战。与其他机器学习驱动的方法相比，Ursa 具有显着优势：它将数据收集过程缩短了 128 倍以上，控制平面比机器学习驱动的方法快 43 倍，同时不损失资源效率和服务级别协议。

Jan, 2024

介绍了一种安全的云计算架构，描述了如何在保持数据、逻辑和计算在传输过程中的安全、使用和静止状态的情况下，实现工作流打包和调度。

May, 2023