综述:一种结合残差块与LSTM的多尺度卷积神经网络,用于电力负荷的多步预测
《Computers》:A Multi-Scale Convolutional Neural Network with Residual Blocks and LSTM for Multi-Step Forecasting of Electricity Load
【字体:
大
中
小
】
时间:2026年07月20日
来源:Computers 5.2
摘要
随着云边计算的快速发展,容器化应用需要在高度异构且资源受限的环境中实现动态扩展。作为容器编排的事实标准,Kubernetes(简称K8s)严重依赖其调度子系统来管理这些复杂的分布式环境。然而,默认的调度方法原本是为同构的云数据中心设计的,在边缘架构中使用会带来诸多部署难题。尽管已有许多定制化的调度器、插件和扩展试图弥补这一缺陷,但仍有必要对现有技术进行综述,以评估现有方法并把握最新发展趋势。在本综述中,我们全面梳理了2023年1月至2026年1月间发布的关于Kubernetes调度策略的研究成果。我们构建了一个多维分类体系,根据共同目标、修改方式、优化方法、目标工作负载、评估方法、调度范围以及性能指标对各种调度方法进行分类。同时,我们分析了不同计算范式中存在的开放性问题,并指出了Kubernetes调度领域当前的趋势及未来研究的可能方向。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号