To Store or Not: Online Cost Optimization for Running Big Data Jobs on the Cloud
为了降低云端大数据分析的成本，本文提出了确定性和随机性两种在线算法来动态决策中间数据的存储，并通过理论分析与真实负载实验验证了其显著的成本节约效果。
探索我的开源项目、学术论文与研究成果。
为了降低云端大数据分析的成本，本文提出了确定性和随机性两种在线算法来动态决策中间数据的存储，并通过理论分析与真实负载实验验证了其显著的成本节约效果。
为了解决实时视频分析中的延迟与算力限制问题，本文提出了一个名为DeepVA的云边协同框架，通过基于深度强化学习的算法动态决策视频帧的处理位置，从而显著降低了延迟并提升了分析准确率。
针对云环境下大数据任务中间结果缓存面临的成本权衡与未来需求不可知挑战，本文提出了确定性和随机性两种在线算法，在无需预知未来信息的情况下动态制定缓存决策，并从理论上证明了其竞争比性能，从而有效降低了总成本。