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

KERMIT 是一种自主架构，可以自动调整 Apache Spark 和 Hadoop，并能识别和分类复杂的多用户工作负载，以达到比人工管理员的启发式调优快 30％，并且比通过对调优参数空间进行透彻搜索获得的最快调优结果快高达 92％。

Mar, 2023

ALOJA 项目是一个开放的、供应商中立的存储库，配备了超过 40,000 个 Hadoop 作业执行及其性能细节。该存储库配备一个测试台和工具，部署和评估不同硬件配置、参数和云服务的成本效益。ALOJA-ML 是一个预测性分析扩展，通过对观察执行的环境进行建模，提供了一个自动化系统，可以预测新配置和硬件选择的执行时间，基于模型的异常检测或高效的基准测试指导也有可能。

Nov, 2015

扩大数据聚合方法的效果，提出一种利用问题之间的聚类结构的新型基于聚类的缩小 SAA 方法，证明该方法对问题数量的增长有额外的益处，探讨了不同距离度量对方法性能的影响，验证了聚类型数据聚合方法相较于现有方法在小数据大规模情景中的优势。

Nov, 2023

大型语言模型与模型并行化的信息系统架构（SPASE）降低了模型选择运行时间。

Sep, 2023

本文研究在线碳感知资源伸缩问题，并将其应用于执行计算工作负载的碳感知资源伸缩，以减少云数据中心的碳排放。通过提出的 LACS 算法，本研究实现了对未知作业长度的在线碳感知执行，并与基线算法进行了比较，展示了 LACS 相对于理想的作业长度信息和准确的碳强度预测算法的平均碳足迹减少。

Mar, 2024

本文提出了一种用于大数据分析的高效聚类框架 ——SkeVa family，它包括基于 k 均值聚类和核函数聚类的算法，并使用随机采样和一致性 (RANSAC) 思想进行降维和集合简化。此外还引入了一种基于离散度准则的算法。通过在大规模数据集上的实验，发现这些算法与最先进的随机投影方案相比，具有非常良好的竞争性能。

Jan, 2015

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

提出一种基于预测模型的算法配置方法，利用算法在先前基准测试的性能信息来对新类型的基准测试进行热启动配置，实验证明相较于现有的算法配置方法，该方法在优化硬组合问题求解器时可大幅提升速度（最高可达 165 倍），同时可以在相同的计算预算下找到更好的配置。

Sep, 2017

AnalySIM 是一个集群模拟器，可通过跟踪驱动的集群工作负载模拟，以各种性能指标（如 GPU 资源利用率）测试和分析各种调度策略，具有物理拓扑和逻辑分区两种基于集群计算资源的模拟方式。

Jan, 2022