研究冗余请求的延迟性能，旨在确定在什么情况下发送冗余请求有助于减少延迟，以及设计最优的请求冗余策略。

Nov, 2013

本文分析了使用简单复制或擦除编码技术以减少中间结果 straggler 对任务执行时间的影响，通过代价和延迟的比较，发现擦除编码技术在处理长尾延迟任务时比简单复制技术更加有效，提供了实验证明。

Oct, 2017

本文研究分布式计算中冗余任务分配和批处理对计算时间的影响，并发现在拥有固定任务数量的系统中，均匀复制非重叠批次的计算任务可以实现最小化的计算时间。

Aug, 2018

本文提供了一个分析云计算任务并行执行框架中任务复制对延迟和计算资源成本的权衡的框架，通过回答设计问题，如何在什么时候复制滞后的任务，启动多少副本等。我们的分析表明，对于某些执行时间分布，少量任务复制可以显著降低延迟和计算资源的成本，并提出一种基于任务执行时间的经验分布估计延迟和成本的算法。与 MapReduce 中使用的现有复制策略相比，使用 Google Cluster Trace 中的样本进行评估揭示了进一步的延迟和成本降低。

Mar, 2015

本文研究大规模分布式计算中任务复制对响应时间和资源使用的影响，并提出了一些高效的算法来寻找最优的调度策略。

Apr, 2014

提出了一种使用 Collage-CNN 模型结合 MLaaS 平台的低成本冗余框架来降低 Inference 的尾延迟，并降低推理延迟的变异性的方法。实验表明，相对于以复制为基础的方法，可以将推理的 99-percentile 尾延迟降低 1.47 倍，同时保持高准确性。

Jun, 2019

本文提出了一种分布式优化框架，通过将数据编码为过完备表示，并动态地在每次迭代中舍弃整个计算中的掉队节点，从而减少了延迟和通信传输的负担，结果表明在数据被编码的情况下，对于几种流行的优化算法，包括梯度下降、L-BFGS、在数据并行性下的近端梯度以及在模型并行性下的坐标下降，当掉队者被视为纠删码时，它们都会收敛到原始问题的近似或精确解，收敛结果是确定性的，并且与掉队分布的尾部行为无关，本研究还提出了一种用于大规模数据编码的高效机制，以及证明了用等角紧框架作为编码矩阵的理想性质，并与未编码、异步和数据复制策略进行了比较。

Mar, 2018

研究了在延迟和可靠性限制下，在雾计算网络中分配和主动缓存计算任务的基本问题，提出了一种聚类方法来对空间上的用户设备进行分组，并将它们的任务分发到服务云，通过主动缓存计算结果来最小化计算延迟。模拟结果表明，相比基线方案，该方案可以保证可靠计算，其减少了高达 91％的计算延迟。

Apr, 2017

本文研究了如何优化在存储云中并行下载线程的调度策略，以使数据检索延迟最小化，提出了低复杂度的线程调度策略，并证明了其为满足最优或次优需求的策略。

Jan, 2015

在多用户移动边缘计算场景下，考虑延迟和可靠性约束，提出了一种概率约束方法，使用了极值理论来解决低概率事件的问题，旨在最小化计算和传输功率，并使用 Lyapunov 随机优化工具解决。模拟结果表明该方法的有效性，同时研究了不同计算强度所需的功率延迟权衡和计算资源。

Oct, 2017