Buchumschlag

Towards using Reinforcement Learning for Scaling and Data Replication in Cloud Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mokadem, Riad, Arar, Fahem, Zegour, Djamel Eddine
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Distributed, Parallel, and Cluster Computing Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Designing an Energy Aware Data Replication Strategy for Cloud Systems Using Reinforcement Learning
von: Najjar, Amir, et al.
Veröffentlicht: (2025)

Reinforcement Learning-driven Data-intensive Workflow Scheduling for Volunteer Edge-Cloud
von: Mounesan, Motahare, et al.
Veröffentlicht: (2024)

Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for and with Foundation Models
von: Chen, Daoyuan, et al.
Veröffentlicht: (2024)

DeF-DReL: Systematic Deployment of Serverless Functions in Fog and Cloud environments using Deep Reinforcement Learning
von: Dehury, Chinmaya Kumar, et al.
Veröffentlicht: (2021)

Deep Reinforcement Learning for Job Scheduling and Resource Management in Cloud Computing: An Algorithm-Level Review
von: Gu, Yan, et al.
Veröffentlicht: (2025)

iScheduler: Reinforcement Learning-Driven Continual Optimization for Large-Scale Resource Investment Problems
von: Hu, Yi-Xiang, et al.
Veröffentlicht: (2026)

Ensemble Method for System Failure Detection Using Large-Scale Telemetry Data
von: Mudgal, Priyanka, et al.
Veröffentlicht: (2024)

Scalable Cloud-Native Architectures for Intelligent PMU Data Processing
von: Chockalingam, Nachiappan, et al.
Veröffentlicht: (2025)

A Meta-Heuristic Load Balancer for Cloud Computing Systems
von: Sliwko, Leszek, et al.
Veröffentlicht: (2025)

Enhancing Kubernetes Automated Scheduling with Deep Learning and Reinforcement Techniques for Large-Scale Cloud Computing Optimization
von: Xu, Zheng, et al.
Veröffentlicht: (2024)

DGRAG: Distributed Graph-based Retrieval-Augmented Generation in Edge-Cloud Systems
von: Zhou, Wenqing, et al.
Veröffentlicht: (2025)

Intelligent Autonomous Orchestration for Distributed Cloud Resources using Complex-Stability Analysis
von: Shyam, Gopal Krishna, et al.
Veröffentlicht: (2026)

Distributed Inference on Mobile Edge and Cloud: A Data-Cartography based Clustering Approach
von: Bajpai, Divya Jyoti, et al.
Veröffentlicht: (2024)

MegaScale-Data: Scaling Dataloader for Multisource Large Foundation Model Training
von: Zhao, Juntao, et al.
Veröffentlicht: (2025)

CloudEval-YAML: A Practical Benchmark for Cloud Configuration Generation
von: Xu, Yifei, et al.
Veröffentlicht: (2023)

Towards Resource-Efficient Compound AI Systems
von: Chaudhry, Gohar Irfan, et al.
Veröffentlicht: (2025)

OpenTinker: Separating Concerns in Agentic Reinforcement Learning
von: Zhu, Siqi, et al.
Veröffentlicht: (2026)

Cloud-Based AI Systems: Leveraging Large Language Models for Intelligent Fault Detection and Autonomous Self-Healing
von: Ji, Cheng, et al.
Veröffentlicht: (2025)

MARLaaS: Multi-Tenant Asynchronous Reinforcement Learning as a Service
von: Yu, Timothy Tin Long, et al.
Veröffentlicht: (2026)

MLCommons Cloud Masking Benchmark with Early Stopping
von: Chennamsetti, Varshitha, et al.
Veröffentlicht: (2023)

HETHUB: A Distributed Training System with Heterogeneous Cluster for Large-Scale Models
von: Xu, Si, et al.
Veröffentlicht: (2024)

HFX: Joint Design of Algorithms and Systems for Multi-SLO Serving and Fast Scaling
von: Yousefijamarani, Zahra, et al.
Veröffentlicht: (2025)

Cloud Atlas: Efficient Fault Localization for Cloud Systems using Language Models and Causal Insight
von: Xie, Zhiqiang, et al.
Veröffentlicht: (2024)

An Advanced Reinforcement Learning Framework for Online Scheduling of Deferrable Workloads in Cloud Computing
von: Dong, Hang, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Fault-Adaptive Routing in Eisenstein-Jacobi Interconnection Topologies
von: Charrwi, Mohammad Walid, et al.
Veröffentlicht: (2026)

PeerFL: A Simulator for Peer-to-Peer Federated Learning at Scale
von: Luqman, Alka, et al.
Veröffentlicht: (2024)

Analytically-Driven Resource Management for Cloud-Native Microservices
von: Zhang, Yanqi, et al.
Veröffentlicht: (2024)

AI Factories: It's time to rethink the Cloud-HPC divide
von: Lopez, Pedro Garcia, et al.
Veröffentlicht: (2025)

The AI_INFN Platform: Artificial Intelligence Development in the Cloud
von: Anderlini, Lucio, et al.
Veröffentlicht: (2025)

Communication-Efficient Large-Scale Distributed Deep Learning: A Comprehensive Survey
von: Liang, Feng, et al.
Veröffentlicht: (2024)

AI-Driven Cloud Resource Optimization for Multi-Cluster Environments
von: Punniyamoorthy, Vinoth, et al.
Veröffentlicht: (2025)

Resource Allocation and Workload Scheduling for Large-Scale Distributed Deep Learning: A Survey
von: Liang, Feng, et al.
Veröffentlicht: (2024)

TAPAS: Thermal- and Power-Aware Scheduling for LLM Inference in Cloud Platforms
von: Stojkovic, Jovan, et al.
Veröffentlicht: (2025)

Adaptive AI-based Decentralized Resource Management in the Cloud-Edge Continuum
von: Li, Lanpei, et al.
Veröffentlicht: (2025)

Benchmarking of CPU-intensive Stream Data Processing in The Edge Computing Systems
von: Szydlo, Tomasz, et al.
Veröffentlicht: (2025)

CCL-D: A High-Precision Diagnostic System for Slow and Hang Anomalies in Large-Scale Model Training
von: Gu, Yida, et al.
Veröffentlicht: (2026)

Thousand-GPU Large-Scale Training and Optimization Recipe for AI-Native Cloud Embodied Intelligence Infrastructure
von: Guo, Yongjian, et al.
Veröffentlicht: (2026)

Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning
von: Saad, Zainab, et al.
Veröffentlicht: (2025)

SkyServe: Serving AI Models across Regions and Clouds with Spot Instances
von: Mao, Ziming, et al.
Veröffentlicht: (2024)

Why Do AI Agents Systematically Fail at Cloud Root Cause Analysis?
von: Kim, Taeyoon, et al.
Veröffentlicht: (2026)