REE-TM：适用于多样化云工作负载的可靠且节能的流量管理模型

《IEEE Transactions on Cloud Computing》：REE-TM: Reliable and Energy-Efficient Traffic Management Model for Diverse Cloud Workloads

云计算中多样化工作负载对资源分配提出挑战，REVTM通过分类异构任务并动态选择虚拟节点与物理节点，结合量子神经网络优化负载预测，有效提升30.25%可靠性和23%能效。

　　

摘要：

工作负载需求的多样性对云服务的资源高效分配和管理具有重要影响。现有文献要么对来自各种互联网服务用户的作业请求的异构特性考虑不足，要么完全忽略了这一特性。为了解决这一问题，提出了一种名为“可靠且节能的流量管理”（Reliable and Energy Efficient Traffic Management，REE-TM）的方法，该方法利用了互联网流量的多样性，包括资源需求的变化和预期的复杂性。具体而言，REE-TM通过对异构作业请求进行分类，并在云基础设施中选择最合适的虚拟节点（如虚拟机或容器）和物理节点（实际的硬件服务器或计算主机）来执行这些请求。为了应对基于资源竞争的资源故障和性能下降问题，提出了一种新的工作负载估计器——“基于Toffoli门的量子神经网络”（Toffoli Gate-based Quantum Neural Network，TG-QNN），该网络通过使用量子版本的BlackHole（QBHO）算法来实现学习过程或互连权重的优化。通过主动估计的工作负载，可以对即将到来的互联网流量进行熵计算，并通过分析不同的流量状态来检测可能的资源拥塞。使用基准数据集对REE-TM进行了广泛的仿真评估，并将其与不采用REE-TM的版本进行了比较。性能评估和比较显示，与不采用REE-TM的情况相比，REE-TM在确保可靠性方面提高了多达30.25%，在能效方面提高了多达23%。

引言

基于云的异构服务，包括物联网（IoT）、信息物理系统（cyber-physical systems）和边缘计算（edge computing），已经改变了企业、社交网络和科学研究等领域的互联网服务[1]。这些技术使得各种设备（如智能物联网应用和工业机器）能够无缝通信和交换信息[2]。这些设备配备了嵌入式传感器，可以捕获现实世界的数据（文本、音频、多媒体）并智能响应[3]、[4]。将云计算与大数据分析和预测建模相结合，可以优化性能并提升服务交付能力。在物联网基础设施中，来自智能设备的数据通过云节点进行处理，以生成洞察并支持决策制定。这种互联系统被称为“多样化云服务环境”（Diverse Cloud Services Environment），它利用云计算实现高效的数据存储、处理和传输。通过互联网连接的服务器提供的云服务为设备的连接、监控和安全建立了标准。然而，由于物理资源容量有限以及来自不同来源的工作负载动态波动，云中心中的实时数据处理面临挑战。多样化的互联网流量具有不同的资源需求、优先级和执行时间，因此需要动态管理以减少延迟并确保高质量的服务[5]。由于云工作负载需求的多样性，主要挑战包括：

多样化的资源需求：不同的工作负载需要不同级别的计算、存储和网络资源，这使得流量优化变得复杂，既要避免过度配置，又要防止资源利用率不足。

•

动态流量模式：工作负载的多样性导致流量波动，需要采取适应性策略来管理突然的峰值或下降，同时不牺牲性能或能效。

•

延迟敏感性：实时应用对延迟非常敏感，因此需要精确的流量路由和优先级分配以满足严格的性能要求。

•

复杂的管理：由于优先级不同，保持多样工作负载之间的一致服务质量（Quality of Service，QoS）具有挑战性，需要智能的流量管理来平衡各种竞争需求。