无服务器计算的容错垫片
Faaslets 是一种高性能服务器计算的隔离抽象，它使用 WebAssembly 提供的软件故障隔离来隔离已执行函数的内存，同时允许在相同的地址空间中共享内存区域，从而避免产生昂贵的数据移动。与标准容器平台的比较表明，Faasm 能够在训练机器学习模型时实现 2 倍的加速和 10 倍的内存减少，在提供机器学习推理方面，Faasm 将吞吐量提高了一倍，并将尾延迟降低了 90%。
Feb, 2020
本文研究了近似不动点理论的非确定性运算符的三个进一步贡献：定义和研究非确定性运算符的极限近似，给出了 Amendola 等人的半平衡语义的代数公式，将联合逻辑程序的表征推广到带有聚合的联合逻辑程序。
May, 2023
本研究以 Azure Functions 的 FaaS 工作负载为例，深入分析了其执行特征，并提出了一种实用性的资源管理策略，该策略显著减少了函数的冷启动次数，同时比现有策略花费更少的资源。
Mar, 2020
提出一种新的建模方法 DeepFT，通过优化任务调度和迁移决策，采用深度代理模型和基于自我监督学习的协同模拟，来预测和诊断系统中的故障，从而在资源有限的边缘计算中实现高可靠性
Dec, 2022
利用传统的 AFT 理论难以定义依赖于稳定修订之前计算得到的信息的近似器，本文提出了一种类似 AFT 的方法，能够利用先前计算得到的上界更精确地捕捉语义，并通过扩展最先进的近似器展示了该框架在混合 MKNF 知识库上的应用性。
Jul, 2023
本文提出了一种新颖实用的故障感知原子提交协议（FLAC），能够动态适应不同的操作环境以提高响应时间和吞吐量，通过对三个不同类型的环境进行分类，有效地处理分布式环境下的节点崩溃和网络失效，使用强化学习进行参数调整，并在基于 Google Percolator 的分布式键值存储系统上进行了性能测试，结果表明 FLAC 在高争用工作量下实现了高达 2.22 倍的吞吐量提高和 2.82 倍的延迟加速。
Feb, 2023
Apodotiko 是一种为无服务器联邦学习设计的新型异步训练策略，通过评估每个客户端的硬件能力和数据集大小，智能地优先选择客户端，并最小化系统性能受到策略影响的慢速客户端，实验结果表明，Apodotiko 优于其他 FL 训练策略，平均加速比达到 2.75 倍，最大加速比达到 7.03 倍，同时有效减少冷启动。
Apr, 2024
本文提出了一种利用循环神经网络（RNN）预测边缘资源使用情况和触发主动节点复制和任务迁移的智能主动容错（IPFT）方法，同时使用创新的混合贝叶斯进化策略（HBES）算法自动适应资源使用模型，实验结果表明该方法可显著提高可靠性和可维护性。
Feb, 2023