本文提出了基于 SLA 的资源管理的构想、挑战和架构元素，支持市场提供策略和虚拟化技术的集成，用于灵活地为应用程序分配资源。通过我们的工作原型系统获得的性能结果显示了基于 SLA 的资源提供的可行性和有效性。

Jan, 2012

本篇论文讨论了云计算资源分配的核心问题，对计算资源、网络资源、能源消耗等多方面因素进行细致分析与探讨，为构建全面的、高效的、绿色可持续的云计算数据中心提供了参考。

Sep, 2013

本研究综述了基于人工智能的各种优化分配方法，涵盖云计算、车辆雾计算、物联网、5G 网络、点对点网络、深度强化学习等各种计算环境，并介绍了基于深度学习的资源分配方法。

Mar, 2022

本文通过使用机器学习优化技术，提出了一种创新的方法来解决云计算资源调度和管理中的复杂问题，通过对云环境中低资源利用率和负载不平衡等挑战的深入研究，本研究提出了包括深度学习和遗传算法等优化方法在内的全面解决方案，以提高系统性能和效率，从而在云计算资源管理领域带来新的突破和进展。合理分配资源在云计算中起着至关重要的作用。

Feb, 2024

提出了一种 RAPID 框架，它能够在高度动态的操作环境中实现快速的、完全在线的资源分配策略学习，从而有效地共享资源，提高服务利用率和降低所有权成本。RAPID 利用轻量级的 QoS 预测，通过启用领域知识启发技术来实现样本效率和偏差降低，以比先前的工作快几个数量级的速率来指导策略学习，从而实现学习稳定的资源分配策略，提高 QoS 9 倍，并提高了 19-43% 的最佳努力工作性能。

Apr, 2023

本研究提出一种基于上下文的在线算法，称为 COERR，用于边缘资源租赁问题，以在预算有限的情况下最大化 ASP 的效用，并通过一系列实验检验了其可行性。

Mar, 2019

O-RAN 和 O-Cloud 构成了一个重要的范式转变，可以带来前所未有的性能提升，并提出了一系列试验来评估 O-Cloud 的能耗成本以及其依赖性，同时提出了一种基于能效的计算策略和一种基于射频的策略，以实现在服务器和用户之间公平地平衡能源节约和性能。

Feb, 2024

当 Exascale 计算成为现实时，云数据中心的计算节点能源需求将继续增长。在系统其他方面经历瓶颈时，降低硬件组件的功耗是减少能源需求的常见方法之一。然而，设计一个能够实时检测和限制功耗的资源控制器是一个复杂的问题，可能会对应用性能产生不利影响。本文中，我们探索使用强化学习（RL）设计云计算节点上的功耗限制策略，利用当前功耗和瞬时应用性能（心跳）的观测。通过将 Argo Node Resource Management（NRM）软件堆栈与 Intel Running Average Power Limit（RAPL）硬件控制机制相结合，设计一个代理程序来控制处理器的最大供电功率，而不会影响应用性能。利用 Proximal Policy Optimization（PPO）代理程序在计算节点的数学模型上学习最优策略，我们使用 STREAM 基准测试演示和评估了在实际硬件上运行的经过训练的代理程序如何通过平衡功耗和应用性能来采取行动。

Aug, 2023

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

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