检索结果-内蒙古大学图书馆

软件学报 2025年第1期36卷 47-78页

作者：杨光刘杰曲慕子王帅叶丹钟华中国科学院大学北京100049 中国科学院软件研究所软件工程技术研究开发中心北京100190 计算机科学国家重点实验室(中国科学院软件研究所) 北京100190

服务器无感知计算是新兴的云计算模式,它基于“函数即服务(FaaS)”的范式,以函数为部署和调度的基本单位,为用户提供大规模并行和自动伸缩的函数执行服务,且无需用户管理底层资源.对于用户,服务器无感知计算能够帮助他们摆脱集群底层基... 详细信息

服务器无感知计算是新兴的云计算模式,它基于“函数即服务(FaaS)”的范式,以函数为部署和调度的基本单位,为用户提供大规模并行和自动伸缩的函数执行服务,且无需用户管理底层资源.对于用户,服务器无感知计算能够帮助他们摆脱集群底层基础设施管理的负担,专注于业务层的开发和创新;对于服务提供商,服务器无感知计算将应用分解为细粒度的函数,极大地提高了调度效率和资源利用率.显著的优势让服务器无感知计算迅速吸引了业界的注意,然而,服务器无感知计算与传统云计算迥然不同的计算模式以及对任务各方面的严格限制给应用的迁移带来了诸多障碍,各种越来越复杂的任务也对服务器无感知计算的性能提出了越来越高的要求,服务器无感知计算的性能优化成为一个重要的研究课题.从4个方面对服务器无感知计算系统性能优化技术的相关研究工作进行梳理和综述,并介绍现有的系统实现.(1)介绍面向典型任务的优化技术,包括任务适配和针对特定任务的系统优化;(2)综述沙箱环境的优化工作,包括沙箱方案和冷启动优化技术,它们是决定函数运行速度的核心;(3)概括I/O和通信技术的优化,它们是服务器无感知计算应用程序的主要性能瓶颈;(4)简述相关的资源调度技术,包括面向平台和面向用户的调度策略,它们决定着系统的资源利用率和任务的执行效率.最后,总结当前服务器无感知计算性能优化技术所面临的问题和挑战,并展望未来可能的发展方向.

关键词：服务器无感知计算函数即服务云函数云计算性能优化

来源：评论

学校读者我要写书评

暂无评论

面向服务器无感知计算的可定制函数调度

引用

中国科学:信息科学 2025年第3期55卷 481-499页

作者：张信民李星儒樊浩黄卓吴松姚德中金海余辰华中科技大学大数据技术与系统国家地方联合工程研究中心武汉430074 华中科技大学服务计算技术与系统教育部重点实验室武汉430074 华中科技大学集群与网格计算湖北省重点实验室武汉430074 华中科技大学计算机科学与技术学院武汉430074

服务器无感知计算凭借其弹性、高效和低成本的优势已成为下一代云计算的重要组成部分.随着服务器无感知应用的复杂度和多样性的增加,现有服务器无感知计算平台通常将不同应用的函数实例混合部署在统一服务器主机中,并使用统一的CPU调度... 详细信息

服务器无感知计算凭借其弹性、高效和低成本的优势已成为下一代云计算的重要组成部分.随着服务器无感知应用的复杂度和多样性的增加,现有服务器无感知计算平台通常将不同应用的函数实例混合部署在统一服务器主机中,并使用统一的CPU调度策略(如Linux完全公平调度)进行调度.由于不同应用对性能、延迟以及调度公平性等的要求都不尽相同,使得单一的全局调度策略,难以满足多样化的调度需求.此外,实验发现,函数实例的执行时间跨度较大,短任务占比高,且冷启动对任务完成时间影响显著.这使得现有调度策略难以兼顾任务的效率与公平性,尤其会增加了短任务的调度延迟.为解决上述问题,我们提出并实现了一种调度隔离机制,允许在同一服务器上为单个或多个应用使用独立的CPU调度策略.此外,我们设计了FaaSchedule,一种新的可定制调度策略,综合考虑函数的执行时间、启动时间和等待时间,并支持根据不同应用需求动态定制调度策略.在OpenWhisk平台上的实验表明, FaaSchedule显著降低了短任务的平均完成时间,并有效支持调度隔离与策略定制.

关键词： CPU调度服务器无感知计算冷启动调度隔离定制化内核

来源：评论

学校读者我要写书评

暂无评论

服务器无感知计算场景下基于时空特征的函数调度

引用

计算机研究与发展 2023年第9期60卷 2000-2014页

作者：金鑫吴秉阳刘方岳章梓立贾云杉北京大学计算机学院北京100871 高可信软件技术教育部重点实验室(北京大学) 北京100871

服务器无感知计算是一种新兴的以函数为中心的云计算范式.服务器无感知计算向用户提供高层次的函数抽象在云计算平台开发和部署应用.服务器无感知计算以函数为粒度分配资源.函数调度对函数性能有重要影响,面临问题规模大和动态性强2个难... 详细信息

服务器无感知计算是一种新兴的以函数为中心的云计算范式.服务器无感知计算向用户提供高层次的函数抽象在云计算平台开发和部署应用.服务器无感知计算以函数为粒度分配资源.函数调度对函数性能有重要影响,面临问题规模大和动态性强2个难点.现有服务器无感知计算调度器使用先来先服务(FCFS)算法,容易受队头阻塞影响,导致函数完成时间较长.为了高效利用系统资源和降低函数完成时间,亟需对服务器无感知计算场景下的函数调度问题进行研究.首先,分析了服务器无感知计算场景下的函数调度问题,并定位了3个影响函数完成时间的因数,分别是排队时间、启动时间和执行时间.基于该分析,提出了数学模型对服务器无感知计算场景下函数调度问题进行形式化建模.其次,提出了基于函数时空特征的服务器无感知计算调度算法FuncSched.该算法在时间维度上考虑函数执行时间和函数启动时间,在空间维度上考虑函数资源占用量.最后,实现了原型系统,并使用了真实世界服务器无感知计算负载数据集进行实验.实验结果表明所提算法可以有效降低平均函数完成时间,从而有效提高了服务器无感知计算环境中函数的执行效率.

关键词：服务器无感知计算函数调度时空特征冷启动云计算

来源：评论

学校读者我要写书评

暂无评论

服务器无感知计算环境下热数据感知的缓存策略研究

服务器无感知计算环境下热数据感知的缓存策略研究

引用

作者：程超逸华中科技大学

学位级别：硕士

服务器无感知计算环境下,应用会被拆分为一系列云函数,并以容器为载体运行。服务器无感知计算实现了细粒度的资源按需分配,这也导致计算与存储完全解耦,使得云函数之间的数据共享依赖远端存储。有状态应用会被划分为多个执行阶段,跨越... 详细信息

服务器无感知计算环境下,应用会被拆分为一系列云函数,并以容器为载体运行。服务器无感知计算实现了细粒度的资源按需分配,这也导致计算与存储完全解耦,使得云函数之间的数据共享依赖远端存储。有状态应用会被划分为多个执行阶段,跨越执行阶段的数据共享和平台系统资源的限制导致数据读取间隔普遍较长。传统缓存策略会错误地驱逐这些数据,使得基于这类策略的远端存储方案无法同时取得高性能与低成本。通过实验发现,传统缓存策略的缺陷在于:第一,有状态应用中大量存在的冷数据会在被读取时直接缓存,导致较长读取间隔的次热数据被驱逐,降低了缓存命中率;第二,热数据会被并发云函数共享,它们被频繁读取后快速变冷,传统缓存策略无法立即驱逐它们,降低了内存利用率;第三,热数据之间具有相关性,它们会被周期性地读取,传统缓存策略无法有效预取这些数据。基于上述观察,提出了热数据感知的缓存替换策略MListCache,其设计原则是绕过被读取一次的冷数据,尽快地缓存热数据,同时减少对次热数据的驱逐。首先,MListCache通过记录不同数据的读取时间,绕过只被读取一次的冷数据,并在热数据第一次出现时直接缓存它们;其次,为了高效驱逐缓存中快速变冷的数据,MListCache基于数据读取间隔的变化预测缓存中数据继续被读取的概率,优先驱逐读取概率较低的数据,以减少驱逐较长读取间隔的次热数据;最后,MListCache建立数据之间的相关性,在某个数据的读取请求到来时,预取与它相关的数据。相比传统缓存策略,MListCache对命中率的提高可达174%,对远程读取延迟的降低可达80%,并且将95%分位的长尾延迟减少了60%。与原生的Min IO对象存储服务相比,MListCache使远程数据读取延迟降低了90%,同时仅引入13%的额外成本开销。与Redis相比,MListCache达到其90%的吞吐量,并且节省71%的成本。

关键词：服务器无感知计算数据共享缓存远端存储

来源：评论

学校读者我要写书评

暂无评论

服务器无感知计算中冷启动延迟问题研究

服务器无感知计算中冷启动延迟问题研究

引用

作者：李威江南大学

学位级别：硕士

在容器技术和微服务框架的普及背景下,服务器无感知计算为开发者提供了一种无需关注服务器操作以及硬件资源管理的云计算范式。相比于传统云计算,在服务器无感知计算架构中,通过弹性扩缩容实时地适应动态负载变化,能够有效降低请求响应... 详细信息

在容器技术和微服务框架的普及背景下,服务器无感知计算为开发者提供了一种无需关注服务器操作以及硬件资源管理的云计算范式。相比于传统云计算,在服务器无感知计算架构中,通过弹性扩缩容实时地适应动态负载变化,能够有效降低请求响应延时并且减少服务成本,满足了客户对于云服务成本按需付费的需求。本文针对服务器无感知计算中的冷启动延迟问题进行了研究。主要内容如下: (1)尽管提前预热函数实例能够有效地降低冷启动发生频率,但在云环境中流量突发问题极大地增加了预测预热函数实例数的难度。针对上述挑战,提出了一种基于概率分布的弹性伸缩算法(Probability Distribution Based Auto-scaling Algorithm,PDBAA),利用监控指标历史数据预测未来请求的概率分布,以最小化请求响应延时为目的计算预热函数实例的最佳数量,并且PDBAA能够有效地结合深度学习技术的强大预测功能进一步提升性能。在Knative框架中,通过NASA和WSAL数据集对算法进行了实验验证。仿真实验表明,相比于Knative弹性伸缩算法以及其他预测算法,所提出的算法在弹性性能上提升了31%以上,在平均响应时间方面降低了16%以上,能够更好地解决流量突发问题,有效地降低了服务器无感知计算请求的响应延时。 (2)虽然将函数实例重复利用能够有效地避免冷启动发生,但是函数实例复用难以避免地造成大量计算资源空闲,并且由于函数请求调用的触发器以及调用模式差异性较大导致难以预测下一次请求调用时间。针对上述挑战,提出了一种基于资源回收的函数实例复用算法(Resource Reduction Based Function Instance Reuse Algorithm,RFIR),通过构造请求调用间隔时间数据负指数分布的累计分布概率来计算函数实例预留时间,以确保下一次请求避免遭受冷启动延迟;通过构造请求调用间隔时间数据直方图回收函数实例的部分计算资源,以避免在请求调用概率较低时间段函数实例空闲资源的浪费。仿真实验表明所提的算法能够有效地降低请求响应时间,同时避免大量空闲计算资源浪费。 (3)尽管将函数依赖项预先缓存到工作节点上能够有效地降低冷启动延迟时间,但缓存任务面临缓存内容随时间变化以及与函数调度任务相互耦合导致负载不均衡等挑战,极大地增加了算法设计的难度。针对上述挑战,提出了一种面向服务器无感知计算的缓存优化和函数调度在线联合优化算法(Online Joint Optimization Algorithm for Cache Optimization and Function Scheduling,CPS),将缓存优化和函数调度联合优化问题解耦为缓存优化和函数调度两个子问题。针对缓存优化问题,提出了一种基于流行度的软件包缓存策略;针对函数调度问题,设计了基于深度强化学习的函数调度算法。仿真实验表明所提的联合优化机制能够有效地降低冷启动延迟,同时实现工作节点间负载均衡并适应软件包流行度变化。

关键词：服务器无感知计算弹性伸缩函数复用缓存优化强化学习

来源：评论

学校读者我要写书评

暂无评论

服务器无感知计算环境下资源优化管理研究

服务器无感知计算环境下资源优化管理研究

引用

作者：陈思江南大学

学位级别：硕士

在云计算的基础设施即服务(Iaa S)中,客户支付的资源与实际资源使用之间存在差距,这导致了云客户资源的浪费和成本的增加。为了解决这个问题,服务器无感知计算(Serverless Computing)应运而生。服务器无感知计算因其对变化需求的弹性可... 详细信息

在云计算的基础设施即服务(Iaa S)中,客户支付的资源与实际资源使用之间存在差距,这导致了云客户资源的浪费和成本的增加。为了解决这个问题,服务器无感知计算(Serverless Computing)应运而生。服务器无感知计算因其对变化需求的弹性可伸缩性而成为部署应用程序和服务的新范式。它基于容器虚拟化,描述了一种更精细的部署模型,将传统应用程序划分为细粒度的函数。每个函数在工作节点上实例化该类型的容器以处理特定请求,并根据实际请求弹性地调整容器数量。然而,由于工作负载的多样性,当服务器无感知计算平台启动新容器来处理用户请求时,需要进行初始化步骤,例如设置运行时环境、加载相关函数代码和依赖等,然后才能服务请求。这个过程产生了一个称为冷启动的时间开销。对于执行时间特别短的函数,冷启动延迟对其影响巨大,导致性能下降。因此,在服务器无感知计算环境下,如何合理地管理资源以使得冷启动对函数性能的影响最小化是非常重要的。基于此,本文主要研究了服务器无感知计算环境下的资源优化管理策略,以实现其应用程序及函数性能的最优化,主要贡献如下: (1)最小化冷启动的请求调度和容器预热联合方法。专注于优化减少服务器无感知计算中冷启动延迟的策略,提出了一种基于一致性哈希亲和调度算法(CHAS),该算法优先分配函数实例给最优的计算节点,增加了重用容器的概率。此外,提出了一种容器预热策略(LSTM-NB)分析请求调用规则,构建时间序列预测模型,并根据预测值提前预测或驱逐容器。使用Python的Sim Py离散事件仿真框架实现了一个服务器无感知计算环境模拟器,并进行了仿真实验。结果表明,所提出的方法显著减少了冷启动延迟。 (2)最小化整体延迟时间的函数调度方法。为了应对启发式调度器手动调整的挑战,提出了一种基于深度强化学习(DRL)Actor-Critic的调度方法(A2C-DS)。这是一种自学习算法,适用于Faa S平台中的函数调度。该方法利用神经网络根据高层目标自动学习最佳的函数调度策略。它评估各个工作节点的资源利用指标和传入函数调用的信息,并对所有工作节点进行排名,然后选择最佳的工作节点来调度函数。 (3)权衡冷启动和资源消耗的自适应调整容器保温窗口方法。为了减少冷启动延迟并考虑资源消耗,提出了一种混合强化学习策略。该策略旨在减少冷启动调用的次数,并最小化资源浪费。它能自适应地权衡冷启动和资源消耗,通过调整容器预热窗口和保温窗口的长度,根据历史函数调用确定窗口的长短,并在保温窗口的时间内保持容器温暖,以便后续请求直接重用,从而减少冷启动的发生率。

关键词：服务器无感知计算冷启动请求调度容器预热启发式保温

来源：评论

学校读者我要写书评

暂无评论

一种基于动态可寻址会话的服务器无感知计算

引用

中国科学：信息科学 2024年第3期54卷 582-602页

作者：李子俊赵一龙陈全过敏意上海交通大学电子信息与电气工程学院新兴并行计算中心上海200240

服务器无感知计算作为云原生范式中快速发展的新兴技术,因其按需付费、自动资源伸缩和底层环境屏蔽等特点而受到越来越多的开发人员欢迎.FaaS(函数即服务)作为Serverless架构的主要实现方式,以函数粒度对应用进行解耦和执行.大多数云服... 详细信息

服务器无感知计算作为云原生范式中快速发展的新兴技术,因其按需付费、自动资源伸缩和底层环境屏蔽等特点而受到越来越多的开发人员欢迎.FaaS(函数即服务)作为Serverless架构的主要实现方式,以函数粒度对应用进行解耦和执行.大多数云服务提供商也为应用开发人员提供了基于Serverless架构的应用搭建服务,这些服务允许开发人员以函数的形式部署代码,并根据实际的请求量进行自动扩缩容.然而,在部署有状态函数时,由于Serverless架构的无状态特性,管理其中的有状态数据变得复杂,往往无法满足Serverless中函数对有状态数据的访问性能要求.因此,本文提出了一种基于有状态和动态可寻址会话机制的服务器无感知计算系统XFaaS,实现了低开销的有状态数据访问和更高的应用吞吐.实验结果表明,通过采用XFaaS系统部署有状态函数的方式,可以降低有状态数据访问时延3个数量级,并提高2倍以上的函数最大吞吐量.

关键词：服务器无感知计算函数即服务有状态函数粘滞会话容器

来源：评论

学校读者我要写书评

暂无评论

FineFlow:FaaS工作流部署优化与执行系统

引用

软件学报 2025年第2期36卷 488-510页

作者：刘璐高浩城陈伟吴国全魏峻中国科学院软件研究所北京100190 中国科学院大学北京100049 计算机科学国家重点实验室(中国科学院软件研究所) 北京100190 中国科学院大学南京学院江苏南京211135

FaaS(function-as-a-service,函数即服务)工作流由多个函数服务编排而成,通过对多个函数的协调控制来实现复杂的业务应用.当前FaaS工作流系统主要基于集中式的数据存储实现函数间的数据传递,导致FaaS函数间的数据传输开销大,显著影响应... 详细信息

FaaS(function-as-a-service,函数即服务)工作流由多个函数服务编排而成,通过对多个函数的协调控制来实现复杂的业务应用.当前FaaS工作流系统主要基于集中式的数据存储实现函数间的数据传递,导致FaaS函数间的数据传输开销大,显著影响应用性能.在高并发情况下,频繁的数据传输还会产生严重的网络带宽资源争用,导致应用性能下降.针对上述问题,基于函数服务间的细粒度数据依赖分析,提出一种基于关键路径的函数部署优化方法,设计了依赖敏感的数据存取与管理机制,有效减少函数间数据传输,从而降低FaaS工作流应用执行的数据传输时延和端到端时延.设计实现了FaaS工作流系统FineFlow,并基于5个真实FaaS工作流应用开展实验评估.实验结果表明,相比于基于集中式数据存储函数交互机制的FaaS工作流平台,FineFlow能够有效降低FaaS工作流应用的数据传输时延:最高降低74.6%,平均降低63.8%;平均降低应用端到端执行时延19.6%.特别地,对于具有明显细粒度数据依赖的FaaS工作流应用,相比于现有的基于数据本地性的优化方法,FineFlow能够使数据传输时延和端到端时延进一步分别降低28.4%和13.8%.此外,FineFlow通过减少跨节点的数据传输,能够有效缓解网络带宽波动对FaaS工作流执行性能的影响,提升应用性能受网络带宽影响的鲁棒性.

关键词： FaaS工作流函数即服务服务器无感知计算数据本地性有向无环图关键路径部署优化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：