通过将模型无关的循环强化学习（Recurrent RL）代理与最先进的 PPO 算法相结合，我们研究了用于函数自动缩放的模型无关的 Recurrent RL 代理，并将其与基于阈值的函数自动缩放进行了比较，发现循环策略能够捕捉环境参数并在函数自动缩放方面显示出有希望的结果。除此之外，我们将基于 PPO 的自动缩放代理与商业使用的基于阈值的函数自动缩放进行了比较，并认为基于 LSTM 的自动缩放代理能够提高吞吐量 18％，函数执行速度 13％，并支持多出 8.4％的函数实例。

Aug, 2023

在动态云环境中，使用预测自动缩放来预测服务器的工作负载，并提前准备资源以确保服务水平目标（SLOs）。然而，在实践中，由于外部事件（例如销售促销活动和应用程序重新配置）导致的异常流量，其预测任务通常会遭受性能下降的影响。针对这个问题，我们提出了一种基于回放的持续学习方法，即基于密度的内存选择和基于提示的网络学习模型（DMSHM），只使用历史记录的一小部分来实现准确的预测。我们同时还展示了 DMSHM 在真实工业应用中杰出的实用性。

Jul, 2023

本研究使用长短时记忆模型 (LSTM) 和 TOPSIS 算法，基于关键的播放器、服务、架构和功能，识别并排名云 ERP 采纳特征。我们考虑了技术、创新和抵抗问题，对用户进行了定性调查，制定了关键采纳因素的假设。

Dec, 2022

本文提出一种联合自动扩展和负载均衡方案，不需要任何全局队列长度信息或系统参数的显式知识，并提供可证明近似最优的服务弹性，同时分布式地进行操作并仅涉及每个任务的常量通信开销，从而确保在大规模数据中心操作中具有可扩展性。

Mar, 2017

本文对自适应自感知云自适应系统 (SSCAS) 进行了全面的综述和分类，旨在提供更深入的分析和见解，以及未来工作中值得研究的方向，从而为云中更智能的自动缩放系统的工程奠定基础。

Sep, 2016

本文介绍了一种名为 Adaptive Balanced Capacity Scaling (ABCS) 的算法，该算法能够通过使用基于机器学习的预测来适应并减小数据中心的能耗和交换成本，同时保持足够的预测精度和竞争比率，相关的实验结果也证明了该算法的有效性。

Jan, 2021

提出了一种基于 A3C 和 R2N2 的边缘云环境实时调度器，允许分散式学习，同时跨多个代理并利用时间模式提供有效的调度决策，实验表明在实际数据集上相比现有算法的能耗、响应时间、服务级别协议和运行成本等方面都有显著改进。

Sep, 2020

基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

Feb, 2024

提出了一种名为 Full Scaling Automation (FSA) 的机制，该机制利用深度表征学习来动态适应大型云计算集群中的工作负载，实现数据中心集群保持所需的 CPU 利用率目标的同时提高能源效率，并且在 2022 年 “双 11” 购物节期间，使用 FSA 机制成功减少了 947 吨二氧化碳的排放，实现了我公司 2030 年碳中和的战略目标。

May, 2023

该研究介绍了将 Kubernetes 管理平台与备份和恢复工具集成的系统结构，实现在云环境中自动检测灾难并从另一个 kubernetes 集群中自动恢复应用程序，从而显著提高了云环境中数据管理和恢复效率。此外，该研究通过 Long Short-Term Memory（LSTM）预测集群的 CPU 利用率，证明了自动恢复系统在云环境中的高效性和必要性。

Feb, 2024