Mar, 2017

大规模分布式系统中的最优服务弹性

PDF
TL;DR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。
auto-scalingload balancingdistributed systemsenergy consumptionuser-perceived performance
发现论文，激发创造
  • OptScaler: 云中稳健自适应扩展的混合主动 - 被动框架

    OptScaler 是一个混合自动扩缩容框架，将预测性和反应性方法相结合，通过工作负载预测和资源优化来稳定 CPU 利用率，实现在线服务的可靠自动扩缩容。

    Oct, 2023

  • 基于长短期记忆循环神经网络的自动云资源缩放算法

    该研究提出了一种基于机器学习和神经网络的动态阈值自动扩展算法，以实现云计算中资源的自适应扩展，实验结果表明该算法优于其他算法。

    Jan, 2017

  • 网络容量扩展辅以不可靠机器学习预测

    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

  • 自我感知和自适应云自动扩展系统的调查和分类

    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

  • 大型局部队列系统中的稀疏均场负载平衡

    利用稀疏均场理论中的最新进展，以可处理的方式学习稀疏连接队列网络中的近似最佳负载平衡策略，从而在高度局部化网络中获得可行的负载平衡方法。

    Dec, 2023

  • 在线学习弱耦合的 MDP 策略用于负载均衡和自动缩放

    该研究介绍了一种针对具有突发流量的有限队列的负载均衡和自动缩放的新模型和算法，通过线性规划解决了弱耦合的马尔可夫决策过程问题，进一步将其放松为可操作的松弛线性规划，并基于线性规划的拉格朗日函数提出了一个两时间尺度算法来解决在线参数学习和策略优化的问题。

    Jun, 2024

  • 分布式基础设施的高效资源调度利用协商能力

    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

  • 云网络融合 5G 以后的服务预测和编排的 QoS 感知

    本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法，解决了网络云集成环境中的服务放置和资源分配问题，从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。

    Sep, 2023

  • 队列学习：一种提供服务质量的强化学习方法

    本文介绍了一种基于强化学习的服务速率控制器，该控制器通过使用深度确定性策略梯度 (DDPG) 算法作为函数，将服务速率 (行动) 学习为串联服务系统中队列长度 (状态) 的函数，并提供关于系统端到端延迟的概率性保证。

    Jan, 2021

  • 一种智能无服务器函数的深度递归强化学习方法

    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