近年来,微服务架构软件以更接近用户的形式,部署在移动边缘计算(Mobile Edge of Computing,MEC)侧。由于部分服务对时延要求较高,且边缘侧资源有限。因此怎么保证时延敏感型微服务的服务质量,并充分利用有限的边缘计算资源十分重要。基...
详细信息
近年来,微服务架构软件以更接近用户的形式,部署在移动边缘计算(Mobile Edge of Computing,MEC)侧。由于部分服务对时延要求较高,且边缘侧资源有限。因此怎么保证时延敏感型微服务的服务质量,并充分利用有限的边缘计算资源十分重要。基于上述问题,本文研究内容如下:为保证时延敏感型微服务的服务质量,需提前预测服务负载,并扩容微服务实例。本文考虑微服务特征,基于边缘计算场景,提出了M-ED-MUL负载预测模型。预测流程首先对负载序列进行平稳性验证,针对平稳序列采用线性预测模型。对于非平稳序列,首先对存在微服务调用关系的上游微服务负载序列,进行相关度计算并排序筛选降维,得到相关度最高的几项。之后利用无抽取的小波变换算法,将待预测负载序列分解为更利于计算分析的近似信号与细节信号。最后将其这些序列联合输入到M-ED-MUL预测模型。M-ED-MUL预测模型利用长短期记忆编码-解码网络,对目标负载进行多时间步预测,并利用多头注意力机制,挖掘负载序列前后依赖关系。最终在阿里云的微服务数据集上,对本文提出的负载预测方法和其他方法进行充分实验对比,验证了本文方法的有效性。为高效利用有限的边缘侧资源,本文提出多边缘集群微服务优化部署系统。整个系统以保证时延敏感型微服务的服务质量、均衡高效利用边缘资源为优化目标,将不同边缘集群统一管理。在边缘集群内部,采用基于抢占式、定制化预选、优选等服务部署策略的Kubernetes平台统一管理。在不同的边缘集群之间,采用中心化系统统一管理。中心化系统能够预测微服务负载,跨集群迁移服务实例,高效利用多边缘集群资源。实验表明,多边缘集群调度系统能够最大化利用多个边缘集群资源。通过与Kubernetes固有部署策略相比,本文提出的部署策略有效保证了时延敏感型微服务的服务质量,降低了微服务的SLA违法率,有效降低了服务时延。
随着信息技术的发展,5G技术、物联网技术不断进步,新型应用服务层出不穷,如自动驾驶、实时游戏、高清视频等。这些新的应用服务通常具有大量计算密集型或延迟敏感型任务,然而,由于移动设备自身的计算能力有限,应用服务的处理和用户服务体验会受到影响。移动边缘计算(Mobile Edge Computing,MEC)是解决此问题的重要技术,它将更多的计算资源推向网络边缘,并使用边缘服务器来处理计算任务。通过这种方式,移动用户可以有效降低任务的服务时延,提高自身的服务质量。在动态网络场景下,由于用户的高移动性和业务的动态性,如何保证任务成功卸载和任务处理的连续性是一个值得探讨的问题。因此,在动态场景下,可靠高效的任务卸载仍然是一个挑战。针对以上问题,本文的研究内容有以下几点:1.基于移动预测的动态任务卸载与调度研究:在移动边缘计算网络场景下,针对动态网络场景中具有高速移动特性的用户,为降低系统中用户任务处理的总服务时延,提高任务卸载成功率,本文提出了一种基于移动预测的动态任务卸载与调度方案。本文提出了一种预测模型来预测高速用户在基站的停留时间,以辅助后续的优化,此预测模型基于长短时记忆(Long Short Term Memory,LSTM)网络。本文将时序依赖应用任务的卸载和调度问题建模为一个组合优化问题,使用遗传算法进行求解。通过仿真,验证了本文提出的方案在系统服务时延的优化方面以及任务卸载失败率的优化方面优于其他参考方案。2.基于双层遗传算法的动态任务卸载与调度研究:在移动边缘计算网络场景下,考虑到智能移动设备的任务动态性与处理连续性,本文提出了一种基于双层遗传算法的动态任务卸载决策和调度方案。为降低系统的网络成本,本文使用滚动窗口重调度策略和双层遗传算法相结合对动态任务的卸载和调度问题进行优化。首先,利用滚动窗口重调度策略,将复杂长时动态问题分解为一系列静态周期性优化问题。为有效求解每个滚动窗口的最优卸载和调度方案,进一步将静态优化问题分解为任务卸载决策和任务调度顺序两个子问题,并利用双层遗传算法进行求解。仿真结果表明,本文提出的方案可以有效降低系统的网络开销,在性能改善方面优于其他对比方案。3.移动边缘计算业务动态卸载系统设计与验证:本文基于MATLAB的GUI界面搭建了移动边缘计算业务动态卸载系统,分为动态用户的移动边缘计算卸载部分和动态业务的移动边缘计算卸载部分。系统分别对上述两个方案进行了功能验证与界面结果输出,验证结果表明,本文设计的系统功能清晰,操作简便,可以辅助动态场景下的任务卸载调度,帮助使用者更好的理解方案,从而实现系统优化与资源的合理分配。
随着移动互联网的蓬勃发展,日益增长的海量数据处理需求,使得如何减少计算任务的时延和能耗成为了研究热点问题。移动边缘计算(Mobile Edge Computing,MEC)应运而生,计算卸载作为MEC的关键支撑技术,其实现过程包括终端层的任务感知、边端间的任务卸载、边缘层的任务调度。然而,受限于终端用户的隐私性、计算资源的有限性、任务拓扑的复杂性等因素,导致MEC系统难以实时获取终端层的位置信息而影响用户服务质量、难以合理协调边端间的任务卸载需求而加剧边缘负载压力、难以快速协同边缘层的任务间调度而引发计算服务中断。同时,由于MEC场景丰富多样,不同场景中的优化目标需求不尽相同,且多个优化目标之间也存在相互制约。基于上述原因,本文面向MEC中计算卸载及多目标优化,具体针对WLAN位置感知、细粒度部分卸载、并行任务调度、串行任务调度四个方面问题展开研究。主要贡献如下:
(1)针对终端层WLAN位置感知问题,研究了无指纹库定位及接入点(Access Point,AP)筛选方法。为了增强无指纹库下算法对于异构AP的适应性,提出了一种基于信号强度排序(RSSI Rank-based,RRB)的低开销定位算法。同时为了提高算法的AP异常检测及全局筛选能力,提出了一种基于多模型组合的AP选择算法。最后分别设计了实验室场景和真实场景两类实验,结果验证了所提算法对于无指纹库定位和AP筛选问题的有效性。
(2)针对边端间细粒度的部分卸载问题,建立了考虑边缘资源匹配的细粒度部分卸载模型,更好地平衡了用户服务质量和服务商成本。考虑到该模型为非耦合型混合整数多目标优化问题,设计了多目标混合整数规划框架进行求解。同时为了进一步提高算法逼近真实Pareto前沿的能力,提出了基于多策略差分进化的分解多目标进化算法(MOEA/D based on multi-strategy differential evolution,MOEA/D-MSDE)。最后仿真结果表明所提方法能够平衡细粒度部分卸载下用户服务质量(时延、能耗)和服务商成本。
(3)针对边缘层并行数据流拓扑的任务调度问题,构建了联合考虑本地侧和边缘侧的双边协同模型,优化了用户和边缘的资源协同配置。为了分解该耦合型混合整数多目标优化问题,设计了多目标两阶段优化框架。同时为了进一步增强算法对于混合决策空间的深度搜索能力,提出了基于动态多种群并行的非支配多目标进化算法(NSGA-II based on Dynamic multigroup parallelism,DMP-NSGAII)。最后仿真结果表明所提方法能够提高对于并行数据流任务的调度性能。
(4)针对边缘层串行异构拓扑的任务调度问题,以总延误、总时延、总能耗和剩余电量均衡程度为优化目标,构建了一个高维多目标柔性调度问题模型,进一步延长了终端系统的生存周期。为了提高算法对于高维目标空间的全局搜索和局部搜索能力,提出了基于多目标分解的合作协同进化算法(CC based on multi-objective decomposition,MOCC/D)。同时考虑串行异构拓扑调度特性,设计了柔性调度策略,以更好的求解该模型。最后仿真结果表明所提方法能够提高对于串行异构任务的调度性能。
综上所述,本文从终端层感知、边端间卸载、边缘层调度三个层面为MEC计算卸载技术的落地应用提供了可行的解决思路,有利于MEC与通信感知一体化的融合发展。
暂无评论