文摘
物联网的各种应用程序和网络的车辆实施网络环境要求高,如带宽和延迟。以满足低延迟需求,引入了移动边界计算的概念。通过虚拟化技术,服务提供者可以租计算资源的基础设施网络的运营商,而网络运营商可以部署各种服务功能(SFs)边缘网络,以减少网络延迟。然而,如何适当部署SFs的边缘网络提出了一个问题。除了改善边缘计算服务部署的网络效率,如何有效降低服务部署的成本来实现性能的平衡也很重要。在本文中,我们提出一个新颖的科幻部署管理平台,允许用户动态地部署边缘计算服务应用程序网络延迟和服务部署成本最低的边缘计算网络环境。我们描述了平台详细设计和系统实现。核心平台组件是一个科幻部署模拟器,允许用户比较各种科幻部署策略。我们还设计和实现一个边缘计算遗传算法服务部署算法(GSDAE)在网络环境中。这种方法可以减少平均网络延迟一个客户访问一个特定的服务为多个租户租金计算资源,随后降低相关的科幻部署成本。 We evaluate the proposed platform by conducting extensive experiments, and experiment results show that our platform has a practical use for the management and deployment of edge computing applications given its low latency and deployment costs not only in pure edge computing environments but also in mixed edge and cloud computing scenarios.
1。介绍
人们已经进入了5 g的时代,物联网(物联网),和大数据。作为一个典型的物联网在交通领域的应用,互联网的车辆(IoV)可以集成传感技术,5 g电信网络,车辆大数据、人工智能技术等先进的技术。边缘计算(1是5 g网络的关键技术,支持IoV应用程序,如自主驾驶(2),车辆安全3),智能交通管理(4,5),和车载信息娱乐6,7]。使用边缘计算,各种应用服务可以在移动设备上部署靠近车辆,如基站和路边单元。通过本地数据处理和加密、实时和高可靠IoV服务可以实现。欧洲电信联盟已制定标准,建立多路存取边缘计算(MEC)工作组和加速建立MEC的生态系统。通过这些标准,5 g新兴(例如,增强/虚拟现实)和汽车服务(例如,IoV)可以广泛部署在网络的边缘8- - - - - -10]。
处理与云计算物联网/ IoV大数据是分不开的。尽管它的力量,云计算也有其局限性11,12]。例如,计算能力的及时性会导致延迟的数据反馈。这样的问题一直是主要归因于大规模数据传输。具体来说,有限的网络带宽将数据块传输和随后延长响应时间。另一个限制是计算能力的有效性。当所有数据传输到云数据中心,当这些数据缺乏任何使用或价值(由于缺乏预处理),这些数据将导致浪费的云计算能力。边缘计算提出了提高数据处理的及时性和有效性13]。表1显示了差异优势传统云计算和云计算的架构,计算资源和网络延迟。云计算和边缘之间的协同计算未来的物联网结构形式。
边缘的计算是一个复杂的生态系统。通过部署服务访问和核心网络之间在不同的位置,边缘计算可以减少网络的中间水平不同程度,简化网络架构,满足低延迟的业务需求(14]。当数据只在本地有价值,边缘计算可以处理和存储原始数据,从而避免网络处理延迟。当大量的数据需要处理,边缘计算减少发送到云数据中心的数据量通过当地的过滤和预处理,这不仅降低网络成本,而且储量有限的网络带宽进行处理数据包更重要。
边缘计算的部署是面向应用的,受到各种因素的影响,如延迟、带宽、数据安全以及优势的基础设施。一方面,边缘计算涉及平衡考虑会议业务指标和考虑投资效益和操作和维护的要求。部署边缘计算不应该盲目地满足网络性能指标,还需要实现网络性能之间的平衡和使用成本(15]。有效地减少用户网络使用成本也是一个重要因素,需要考虑在部署计算的优势。这个问题已经得到太多的关注最近的行业讨论如何计算广泛应用优势。
另一方面,服务功能(SF)部署或服务在云计算是一项成熟的技术,通过不同的应用程序实现,如OpenStack [16)和Kubernetes(美丽)17]。MEC部署服务平台允许低延迟服务来满足网络需求的云计算服务提供商和弥补的缺点。然而,在计算环境中,科幻部署仍在一个标准化的过程。鉴于这些环境的分散的架构,应该考虑用户的地理位置,这将增加功能部署的复杂性。边计算,许多微数据中心(mdc)部署在网络边缘提供本地化服务有限的计算资源,从而减少网络延迟的云。然而,鉴于其有限的计算资源,这种架构可能无法解决这种需求时突然对服务的需求达到高峰(18,19]。在这种情况下,数据量应该转移到附近的mdc或远程应利用云计算进一步处理。每个数据量传输增加了网络延迟,影响用户的服务质量20.,21]。部署SFs也会增加成本,选择效率和成本提出了一个问题。服务提供者必须决定哪些MEC平台他们应该部署和许多服务应该如何部署在这些平台上。因此,服务提供者应研究如何合理、有效地服务部署在网络边缘(22,23]。
先前的研究[23,24)主要集中在改善网络性能和资源利用率计算当部署服务优势。然而,只有少数的研究已经研究了如何提高服务部署效率,降低服务成本位置实现性能的平衡。同时考虑网络性能和使用成本的服务位置,提出了一种新的遗传算法服务部署算法边缘计算(GSDAE)和设计一种新型边缘计算服务部署管理平台,包括一个科幻部署管理系统。这个平台的核心采用高效GSDAE科幻部署算法,降低了客户的平均网络延迟访问服务多个租户的租金计算资源,因此降低了科幻部署成本。GSDAE也可以使用不仅在纯边计算环境,而且在混合边缘和云计算场景。
本文的主要贡献如下:(我)我们建议GSDAE有效服务应用程序之间实现平衡性能和网络成本当卸载服务在云计算和计算机网络边缘之间。GSDAE认为用户体验服务卸载和网络运营成本发展动态和灵活的服务部署管理方案。(2)我们开发一个遗传算法服务部署管理实验平台来实现一个动态的服务部署在一个计算机网络边缘。所涉及的设计问题整合各种服务位置管理组件来实现系统也详细解释。(3)验证了平台和算法的有效性和性能,我们在七个场景执行广泛的实验。实验结果表明,我们建议的方法提高了网络应用程序卸载的成本和效率的端到端延迟。
本文的其余部分组织如下。部分2讨论了相关工作。部分3介绍了系统模型,定义了研究的问题,并提出了GSDAE。第四部分介绍了系统架构,服务部署管理平台,系统实现的细节。部分5评估提议的平台和算法通过广泛的实验。部分6总结了纸和未来工作提出了一些建议。
2。相关的工作
5克时代的到来和边缘计算相关资源的优化管理,高效的服务部署方法的应用已经受到人们的关注。许多研究已经开始检查边缘计算的服务部署,包括其网络资源效率和延迟。例如,徐et al。24)提出了一个新颖的非耦合模型计算边缘计算基础设施提供者和服务提供者分开的优势。在耦合状态,服务提供商只在各自的基础设施提供服务。在这个前提下,共享资源的限制,和整体性能,包括服务响应时间、资源使用,成功率,减少。决策加权泰森多边形法图然后设计相关SFs的部署。在这个图中,一个数据处理中心与更高的工作量更小范围的责任。同时显示出一些价值,提出了资源分配方法忽略了上限的计算处理能力争取民主变革运动的边缘计算网络环境。当部署服务超过负载的MDC,这项服务是被迫被卸载到其他MDC,从而增加延迟。风扇和安萨里(25)提出了一个方法部署无线地铁网络的薄云。具体地说,他们设计了两种部署策略,即最重的接入点(AP)第一位置与卫生行动框架有关()和density-based集群放置(DBC),以减少总体服务部署网络延迟。与卫生行动框架有关的,旁边的MDC部署美联社,贪婪算法(GRE)收集请求率的APs之前进行省电排序根据请求率的水平。与此同时,DBC是一种高密度部署方法,假定当kSFs需要部署,部署决策需要k轮。科幻小说是部署在每一轮,每次重复以下步骤:(1)选择要部署一个密度最高的薄云科幻,(2)删除用户,这朵云,和(3)重复这个过程,直到完成部署。住宅和DBC提供令人印象深刻的贡献减少服务部署成本和延误。然而,这些方法可以确定哪些MDC是否应该用于部署服务和许多服务应该如何部署基于用户需求仍不清楚。当服务被部署到一个MDC高负载,该服务将被迫reoffloaded其他MDC,从而增加延迟。太阳和安萨里(26提出一个架构,利用薄云部署计算资源和软件定义网络技术在网络的边缘。他们还设计了一个机制来减少网络传输延迟和分配移动用户的应用程序工作负载(亩)一个合适的薄云。GRE-based领导机制,请求率的亩最初排序,然后,这些请求率高的亩优先在处理分布式负载最小化网络延迟。当领导,它使用古老的边缘GRE解决新问题计算服务部署,是值得称道的,这种机制忽略了mdc有限计算资源和服务部署方法是如何动态调整仍是未知的。毛等。27]发现,计算资源要求高的地区(如商业和金融领域)通常有大量的请求,当地的租金,和部署成本。因此,部署SFs时应考虑这些因素。王等人。28)提出项目,迭代算法,解决这一问题的社会虚拟现实(VR)应用程序部署边缘计算。他们建造了一个图表来说明虚拟现实应用程序部署相关的成本和费用优化问题转换为graph-cut问题。他们还评估项目的性能通过使用真实世界的数据,证明了该算法具有快速收敛性和优于基准方法。同时他们的理论的基本面强劲,固体,他们不详细讨论系统实现可能由于空间限制在他们的论文中。Marjanovic et al。29日)设计计算架构的优势促进大规模移动人群的部署。他们建议的体系结构介绍了基本服务开销和服务重组减少隐私威胁和允许用户控制他们的贡献的传感器数据流。同时使用他们的想法设计架构作为交易的边缘计算网络环境遥感数据和聚合或处理数据非常前瞻性,他们解释他们如何设计系统架构实现和评估其性能通过使用重要的服务部署在边缘计算相关评价指标,如成本和延迟。Wobker et al。30.提出Fogernetes,雾雾计算平台来管理和部署应用程序与特定的需求。这个平台包括一个标签系统与边缘匹配服务应用程序部署的要求计算设备的能力。详细描述他们的平台实现基于k8 GitHub上发表了他们的源代码和脚本(31日]。他们补充说,他们提出的平台可以Fodeo (FogVideo),监视应用程序部署雾计算。同时这些作者可以开源系统实现方法,文章只是一个简短的会议论文,因此不提供系统性能评估证明其方法的实用性。马丁佩雷兹et al。23)设计了一个核心的斥力泊松模型来帮助网络运营商灵活部署MEC基础设施和为他们的用户提供低延迟的多媒体服务。通过这种模式,运营商可以确定有多少MEC的存在(pop)和基站和识别那些MEC的位置需要持久性有机污染物的基站分配。他们不仅说明他们的严格模型推导过程,还描述了如何设计模型可以应用在真实的场景中。不过,他们模拟只专注于一个合理规划MEC持久性有机污染物的空间位置来改善接收信号强度而间接地减少多媒体服务的延迟。Poularakis et al。32)认为,最近的许多研究解决问题的执行服务任务和服务请求路由到相应的边缘服务器通过改善边缘计算资源的利用效率。然而,他们的解决方案可能会引入许多新兴服务的非对称带宽需求,如增强现实、网络游戏、和自动驾驶。为了解决这些问题,他们应用联合服务位置和请求路由和设计了一个随机舍入算法实现接近最佳的性能。他们还深入分析了三种特殊情况的复杂性和两个一般情况下然后用linear-relaxation相比他们的算法和格蕾丝检查其存储、计算能力和带宽容量性能。然而,他们没有评估算法的性能的成本和服务部署在边缘计算网络的延迟。陈等人。33)提出了一个边缘认知计算(ECC)体系结构,应用认知计算在网络的边缘。选举投诉委员会架构采用动态服务迁移机制来实现一个弹性,节能,和高质量的认知计算服务部署。他们还设计了一个实用的平台来评估他们的提出的机制,和实验结果表明,这种机制表明低延迟和优秀的用户体验。同时集通信、计算、存储和应用程序在网络认知计算实现数据和资源认知被认为是有价值的,并承诺,上述文章不提供任何实验结果计算网络服务部署的成本优势。Salaht et al。34)全面检查在雾和边缘计算网络中各种服务部署问题并总结相关工作资源管理、雾和边缘计算系统架构,每个系统的主要特征。他们还提供了一个服务分类放置的问题,讨论了最常见的策略和方法,主要的设计目标,在文献中报道和评价工具,并强调了一些开放的挑战和未来的研究方向。服务部署控制计划设计是最重要的一个主题中描述他们的服务位置分类。两个控制平面模型,即集中和分布式协调,广泛采用决策相关的物联网应用程序的部署在雾和边缘计算基础设施。此外,两种控制方式,即离线和在线配售,旨在解决在雾和边缘计算服务部署问题。作者认为,研究动态和在线服务部署控制方法是一种有价值的研究领域。翟et al。35)认为,正确部署服务在资源受限的边缘服务器有可能减少边缘计算延迟。应用强化学习,深入学习技术,来预测用户请求模式和用户的资源约束,然后达到一个最佳的服务部署5 g移动计算基础设施。他们还描述了系统模型作为一个马尔可夫决策过程,解决了这个问题通过使用Dueling-Deep Q-network算法,可以学习从用户请求服务部署。他们比较该算法与其他常见的服务部署算法来评价其性能的响应边缘服务器数量和总响应时间在训练和测试阶段。同时使用人工智能深度学习技术来解决边界问题的计算网络服务部署是小说,他们没有透露的性能设计的算法在实际生产环境中部署。周et al。36)认为,复杂的物联网应用程序可以实现为一个轻量级容器之间microservices和分布式的移动计算网络边缘。他们还提出了一个近似latency-aware microservice mashup的方法(LMM)实现microservices适合应用程序的最佳搭配。他们描述服务访问延迟使用M / M / 1排队模型,制定一个方程计算延迟和网络资源消耗。评估其性能,他们LMM通过使用Java实现并进行了广泛的实验。尽管队列模型被认为是一种古老的技术,作者使用了这种技术价值的方式来解决现代问题。
大多数以前的研究设计新的网络体系结构或算法改善边缘计算服务部署的网络性能。但是,与这些研究,本文试图平衡效率和优势的科幻部署成本计算网络。我们所知,本文是第一个检查边缘的管理效率和科幻部署成本计算和管理平台来实现实践。一个科幻部署管理平台的设计和实现,帮助用户选择一个最佳科幻部署策略。
3所示。系统模型
我们描述一个服务部署边缘计算网络N由一组连接SFs MDCs和部署了。我们制定N作为N= (年代,V,E),年代表示部署SFs的集合,V表示组MDCs在网络边缘,和E表示所有两个MDCs之间的直接联系。与此同时,|V|表示mdc的数量而|E|表示链接的数量。每个争取民主变革运动都有自己的计算能力,SFsK类型的服务部署,每个MDC与部署服务的服务部署延迟和成本我。
3.1。服务部署成本模型
当一个服务功能部署云计算的网络边缘计算网络,我们定义服务部署的成本C如果如下数据传输和计算成本的总和: 在哪里p我是部署的数据传输电荷科幻小说吗我。d我科幻的数据传输能力吗我。e我计算的吗jth科幻类型的部署我。t我,j是jth科幻类型的部署我,分别。
3.2。服务部署延迟模型
当一个服务部署发出请求时,服务包通过基站位置和SDN-based细胞核心网络和发送到计算边缘层。因此,服务部署延迟包括边缘的处理天计算节点,传播,传播延迟服务位置的请求。处理延迟是指边缘服务器的平均时间花在处理用户请求。与此同时,传播和传输延迟是指平均时间,服务部署请求通过网络链接,传播和传播。如果D如果表示部署的服务延迟科幻我,然后D如果可以制定 在哪里一个我,j计算边缘节点的平均处理时间吗我处理科幻j和X我,j和Y我,j网络的传播和传输延迟从云服务器吗我到边缘服务器j,分别。
3.3。问题的定义
优势计算服务平台应该分配请求服务部署到边缘服务器在一个MDC可以最小化服务延迟和安置成本。尽管服务运营商可以添加边计算服务器来提高计算能力,从而减少延迟,这样做也会增加运营商的服务成本。此外,边缘服务器面临资源约束的有限硬件计算能力。因此,我们需要设计一个最优边缘计算服务部署方法优化服务位置之间的权衡成本和服务延迟。为了满足这种需求,我们建议GSDAE,旨在减少部署SFs的服务放置成本和延迟。GSDAE可以制定
mdc在边缘计算网络位于不同区域,这可能是城市、郊区或农村地区。服务部署时,传输和处理的数据和传输数据的成本从云端数据中心到边缘计算MDCs每个地区不同。如图1,边缘计算网络包含10个mdc,分布在城市,郊区和农村地区。当数据中心节点在云中需要部署一个服务的MDC边缘计算网络,GSDAE执行计算和分析的成本和延迟这些服务节点部署到每个争取民主变革运动。GSDAE也计算MDC带来最少的服务部署部署该服务延迟和成本(例如,部署xMDC M4,yMDC M7和zMDC M8)。
3.4。GSDAE
GSDAE使用的网络拓扑作为它的输入。如图2,网络拓扑结构由五个mdc和八个网络连接链接。红色的字母表示一个MDC的ID,而数字显示的链接相应的网络延迟。拟议的科幻假设管理平台为服务提供者提供“基础架构即服务”(IaaS)的租赁服务,需要低延迟。我们假设边缘计算网络平台提供网络性能监控工具实时跟踪网络性能参数,如在MDCs网络延迟。SFs的低延迟和高带宽的网络需求,争取民主变革运动在网络边缘认为有限的计算资源和已部署的服务。每一个MDC还可以收集一定数量的用户请求。鉴于其耗时的本性,SFs不应该经常部署。部署的结果将会保持在一段时间内被重新部署之前根据接下来的服务需求。
(一)
(b)
(一)
(b)
基于最小网络延迟在mdc GSDAE处理不断的形式遗传算法。遗传算法GSDAE最初进行种群初始化步骤中,它对应于一个服务部署场景,包括决策关于哪种类型的服务和许多服务应该如何部署到网络边缘。这一步初始化一个人口c矩阵。的人口GSDAE用人口c,这是一个二维数组。表2礼物GSDAE人口的一个例子。两种类型的SFs (SF1和SF2)部署在这个例子。人口c计算通过使用(4),我是mdc的数量K是功能服务类别的数量需要部署,基因本土知识的数量是k类型需要部署在功能服务我th争取民主变革运动,V是mdc的拓扑信息的集合。我范围从1到我,而k范围从1到K:
鉴于遗传算法随机生成人口,这些人口的存活率很低。GSDAE经历七个特殊矩阵转换和计算提高生存率和改善其效率和收敛速度。七个矩阵转换描述如下:(1)GSDAE创建SFMatrix,商店SFs部署相关的重要信息,包括所需的计算资源,用户请求的最大数量,可以由一个科幻小说,和所需的SFs的数量。表3显示了一个示例SFMatrix格式,两个SFs部署。(2)GSDAE分解的SFMatrix和生成科幻小说能力子矩阵。科幻小说能力转置存储所需的计算能力部署科幻。图3提出了一种矩阵转换的例子科幻小说能力。(3)为了避免产生初始种群的资源需求,无法满足部署科幻,人口矩阵需要正常化。如图4(一),尽管租户想部署20 1型服务(SF1)到网络边缘,GSDAE的初始种群矩阵(人口c (limit_region)在图435)随机生成SF1部署的MDCs边缘网络,因此不满足需求部署1型服务。在这种情况下,人口矩阵是正常使用方程(5)以满足科幻部署需求。图4 (b)提出了人口正常化的一个例子人口c(归一化)。通过矩阵变换在方程(5),在GSDAE后代的存活率提高: (4)GSDAE使用MDC生成的信息CapMatrix计算资源,它记录了属于每个争取民主变革运动。图5展示了一个示例CapMatrix,第一行存储每个MDC在异构计算资源信息网络。(5)GSDAE不断使用人口c和(科幻小说能力)T生成消费c矩阵,记录计算资源被使用的数量人口c在每个MDC部署策略。消费c计算通过使用方程(6),和图6展示了一个示例消费c: (6)虽然人口归一化步骤3中生成矩阵满足所需数量的SFs租户部署,我们不保证所有SFs争取民主变革运动有足够的计算资源。图7提供了一个示例所需的计算资源,超过争取民主变革运动的限制。部署SF1和SF2需要40单位的计算资源,超过限制的MDC 3。为了解决这个问题,GSDAE验证每个科幻部署利用方程(7)。通过这个方程,GSDAE检查是否争取民主变革运动有足够的计算资源SFs的部署: (7)GSDAE使用MDC GRE解决超载,这是重定向到邻近的争取民主变革运动进行处理。GSDAE使用网络资源监控工具安装在边缘计算网络平台获取网络连接延迟和负载信息网络中每个MDC的优势。GSDAE那么贪婪地分析所有MDCs并决定哪些服务适合部署。的健身价值人口c根据计算的平均网络延迟分数延迟分数和总体部署成本取得成本分数通过方程计算(8)和(9),分别。DeploymentDelayc代表了延迟后生成部署服务,延迟租户代表最高的延迟容忍的租户当部署一个服务,DeploymentCostc代表了成本当部署一个服务,能力代表计算资源的数量需要部署一个服务和价格马克斯和价格最小值代表IaaS的最大和最小费用由租户租来的资源服务部署。延迟分数范围从0(最长)到1(最短),而成本的分数范围从0(最高)到1(最低)。c1和c2在方程(10这两个分数)表示的系数。这些参数可调,可以反映的程度降低网络延迟和部署成本部署SFs时都是很有价值的。c1和c2有一笔1,见方程(10):
GSDAE算法总结1。我们第一次初始化矩阵人口c(即。,step 1) to store the information of SFs to be deployed and MDCs. The人口c矩阵包含预期数量的特定类型的服务部署在每个MDC,和K代表服务类型的总数。当迭代发生时,该算法生成的SFMatrix存储部署的每种类型的科幻的信息,包括其所需的计算能力,最大的用户请求,所需的数量和服务(步骤4)。GSDAE然后按顺序执行矩阵变换,分解和子矩阵生成,然后确定是否适合一个特定类型的服务部署在一个MDC(步骤5到16)。后来,GSDAE计算的健身价值人口c在每个迭代中(步骤17日至21日),最终决定哪种类型的服务部署争取民主变革运动的最小的延迟和部署成本。
|
在完成上述计算,GSDAE使用三个邻接矩阵表达的关键属性信息边缘计算网络的拓扑结构对于服务部署。把图8作为一个例子,(a)提出了一种边缘计算网络与10个节点,(b)是网络连接对应的邻接矩阵计算边缘网络拓扑(1表示节点之间的网络连接,0表示没有连接),(c)是服务部署延迟的邻接矩阵对应边缘计算网络拓扑(数字代表最低服务部署的节点之间的延迟,和正代表了节点之间缺乏任何网络连接;即服务部署延迟时间是无限的),和(d)是服务部署成本对应的邻接矩阵边缘计算网络拓扑(数字代表服务部署成本最低的节点之间,正表明缺乏任何节点之间的网络连接;即服务部署成本是无限的)。以节点5和9例。鉴于存在这些节点之间的网络连接,网络连接的对应值邻接矩阵(b)是1。服务部署延迟邻接矩阵的值(c)节点之间的5和9是0.8秒,这是为部署服务的最小延迟时间x。服务部署成本价值的邻接矩阵(d)节点之间的5和9是73台,代表部署服务的成本最低x。
(一)
(b)
(c)
(d)
4所示。系统架构和实现
本文设计一种新型科幻部署管理平台边缘计算。这个平台包括一个科幻部署管理系统,为租户提供最合适的科幻部署策略,同时考虑用户服务请求的数量和有限的计算资源的mdc边缘。我们描述了该系统的体系结构和实现在以下部分。
4.1。系统架构
我们的系统包括一个代理服务器、计算机服务器和边缘协调器,这被认为是主要的组件服务部署管理。这个系统的架构如图9,可以同时减少网络传输延迟造成服务部署和部署的成本。提出了科幻小说的网络基础设施部署管理系统是基于OpenFlow vSwitch (ov) [37),这是作为一个数据平面控制数据流。扫描仪不同的网络和应用程序监视工具集还广泛应用于云计算平台和服务提供者,包括软件、工具、和公用事业,不断跟踪和测量不同的计算资源服务和监控系统的性能。在我们提出的服务部署管理平台边缘计算,我们安装了一些用于Linux的开源工具获取各种指标。主要的工具集地铁、高层,在htop,目光,这允许我们的平台,收集重要数据,包括各种服务所需的计算资源,平均最小值,和最大网络延迟,内存和CPU使用率和边缘计算服务器加载信息(例如,本地卷和I / O活动)。
4.2。系统实现
来验证我们的有效性提出了边缘计算科幻部署管理系统,设计科幻XEN服务器上管理平台实施。表4和5的硬件和软件规范提出遗传科幻部署管理平台。
由于实验资源有限,我们实现了我们的设计平台两个XEN服务器的硬件规格如表所示4。具体地说,我们的平台使用两个戴尔R415服务器AMD Opteron处理器4386,32 GB的内存和2 TB硬盘存储空间。我们使用Citrix XEN服务器的hypervisor解决方案(38)建立一个虚拟机(VM)平台,并为上层提供各种服务。每个程序都有其虚拟网络提供给虚拟机通过上层网络连接,所有虚拟机与物理网络桥接通过L2桥和均匀分配虚拟(私人)和公共内部动态主机配置协议/ IP地址的网络地址转换服务器允许公共IP转发内部VM和访问互联网服务。
我们实现ov作为租户IaaS服务器虚拟机监控程序和虚拟机建立网络拓扑环境边计算,如图10。由于虚拟机监控程序内存和CPU资源有限,我们的平台系统环境由5 ov 5代理服务器,和13个vm,代表租户的IaaS服务器。我们也计算任务服务器模块实现租户IaaS服务器上模拟边缘计算环境,并提供SFs消费系统计算资源。计算任务服务器模拟用户访问系统资源,然后为这些用户执行各种服务。我们模拟的计算任务作为一个典型的HTTP get请求。计算任务服务器的实现是基于Japronto HTTP服务器(39由squeaky-pl开发。Japronto服务器用于我们的平台,因为它的多进程管道和更好的性能相比其他HTTP服务器。
ov交通控制代理模块的所有OVSs平台系统上实现。这个模块直接与ov内核通信交通控制管理网络带宽和数据包排队规则。与此同时,OpenFlow控制模块中实现OpenFlow控制平面负责连接底层的网络基础设施。这个模块有两个子功能,即流规则生产和流修改功能,这两种实施基于Ryu SDN框架(40)开发和维护由日本电报电话公司在日本。这个框架是在Python编程语言开发允许SDN网络控制。在实验中,OpenFlow规则生成的流动法则生产函数转换成OpenFlow协议,底层ov盒子命令发布,这命令是由OpenFlow每个相应的ov开关控制模块,它支持OpenFlow的网络环境。通过这种方式,所有网络数据包OpenFlow控制模块管理,包括ARP和IP数据包。
代理服务器,实现隧道模块主要用于处理接口的mdc和负责交通流重定向。当用户服务需求超过一个MDC的负载,一个重载。因此,隧道与GRE立即成立41]或VXLAN [42根据多媒体和nonmultimedia服务应用程序为了管理请求重定向发行的科幻卸载模块。这条隧道可以指定所使用的网络接口卡和IP地址的MDC隧道通信。
健康检查模块也在代理服务器中实现检测的服务状态计算任务服务器每秒钟。这个服务器有上下状态,前者表明服务器正常运行,后者表明服务器不工作。请求重定向模块也在代理服务器实现了将科幻部署。这个模块根据服务器负载减轻了SFs医疗模块检测到的状态并使用GSDAE的部署策略。MDC即将超载时,请求重定向模块重定向的SFs不能处理其他MDCs附近。
边缘协调器实现管理与科幻部署相关的核心功能。该协调器由一个代理配置模块、交通控制配置模块,和一个科幻位置实现GSDAE模拟器。科幻小说放置模拟器的核心组件边缘协调器和通过使用c++开发。这个模拟器可以适应不同的网络拓扑,使部署决策相关的分配计算资源在不同的mdc和不同SFs的计算资源需求。部署决策时,必须选择应该部署在哪个科幻MDC和确定SFs的数量需要部署在争取民主变革运动。每个MDC可以执行科幻建筑和SF-oriented设置。边缘计算的网络拓扑是转化为一个无向图,其中节点代表MDCs和边缘代表物理线路在这些mdc的网络延迟。这个无向图加载相关的各种信息的数量计算资源的争取民主变革运动和科幻配置需要部署。SFs放置模拟器,各种科幻部署策略,如GRE, DBC, GSDAE,实现了,他们的表演比较在不同的场景。
5。系统评价和结果
七个实验基于系统管理平台,实现和GSDAE与性能的两个最先进的科幻小-和大规模部署管理算法边缘与中等和高载荷,计算网络。
5.1。实验1:科幻压力测试通过使用流媒体的应用程序
通过实时视频流服务为例,实验1的目的是确认每个科幻小说都有其请求处理限制。如图11,实时音频和视频流服务的主要来源是直播应用,如数字电视、视频、生活和网络广播。音频和视频内容通过网络传输到直播广播传播。网络文件系统协议,它允许不同的机器和操作系统通过一个网络共享单个文件,采用的实验。通过这个协议,音频和视频内容的视频资源服务器传输到直播广播。直播广播和视频资源服务器有相同的视频传输后的视频和音频内容。后收到的音频和视频内容直播广播,这些内容是切成几帧在时间和发送到直播服务器通过实时消息协议(RTMP)供用户观看。用户可以连接到实时流媒体服务网站直播服务器上访问实时音频和视频内容通过任何类型的连接网络。图12显示,用户可以登录到流媒体网站实时观看流媒体内容在实验中,我们的服务部署管理平台可以同时监控在后台服务用户的最大数量。
在这个流媒体服务部署压力测试实验中,我们使用了Nginx RTMP模块版本1.1.4建立一个实时的流媒体服务的web服务器。这个模块有三个可调视频播放对应的比特率低(200 kbps - 400 kbps),标准(401 kbps - 1000 kbps)和高分辨率(1001 kbps - 2200 kbps)。测试的最大用户数量由我们的服务部署管理平台可接受的视频回放质量的条件下,我们将播放视频比特率设置为202 kbps(低分辨率)和937 kbps(标准分辨率)在测试4 k的部署和2 k视频流服务,分别。这些参数被设置为测试平台的的最大用户数量,而不会影响视频播放质量。
压力测试软件Flazr [43)是用来模拟一个场景,一般用户访问3840×2160 (4 k)高质量和1080 p实时音频和视频流在一个直播服务器。如图13,这个服务部署管理平台可以容纳1013个用户同时观看1080 p直播。鉴于4 k图像质量要求高的编码操作和传输能力,的最大用户数量看4 k直播744,如图14。
5.2。实验2:响应时间科幻部署
实验2的目的是验证的实用性和可行性,提出了平台的部署。GSDAE的响应时间比其他两个先进的服务部署方法,即GRE和DBC。图15介绍了网络拓扑结构包括五个MDCs。下面每一个MDC是OVS-implemented路由器负责网络数据包的传输。绿线在图15代表了物理拓扑中,而数字在每一行表示设定的网络延迟物理线路。大量用户访问每个MDC的服务,使服务请求通过ov争取民主变革运动。
在实验中,我们模拟一个大规模用户访问系统通过使用狙击手HTTP负载生成器(44),通过发送HTTP请求通过ov MDCs。共有6500个HTTP请求MDCs 5日收到并随机分布,如图16。GSDAE当时的性能比GRE和DBC部署的科幻的平均响应时间。GRE考试是一个贪婪算法,最高的服务请求选择部署,而DBC执行multiround迭代部署根据请求的数量。鉴于13请求部署在这个实验中,共有13个迭代进行。图17介绍了三种部署策略的结果。
在实验中,服务请求被传送到争取民主变革运动在ov基于图中指定的请求数量16。大量的服务访问被发送到系统。性能比较结果如图18,横轴表示不同的部署策略,和纵轴表示6500个请求所需的平均响应时间。GSDAE优于其他两个算法的响应时间,因为该算法不仅请求的数量,而且考虑网络延迟造成的重定向服务。GSDAE约为12.77%的平均响应时间短于GRE。
5.3。实验3:科幻部署在小规模的网络中网络延迟
边缘的计算是一个多租户环境,许多服务提供商希望部署SFs边缘网络。在实验3中,我们模拟了多租户情况和部署各种SFs在小规模的边缘计算环境中。三种类型的SFs部署,每个函数需要不同的计算资源。例如,SF1 microservice需要一个单位的计算资源,SF2是一个音频和视频流服务,需要两个单位的计算资源,和SF3需要八个单位的计算资源。在这个实验中计算资源的配置是基于Amazon EC2实例类型的建议(45]。亚马逊提供了不同的实例类型对各种服务的建议。例如,microservices使用实例的T2系列,需要至少1个vCPU计算资源,视频和游戏使用C5一系列实例,需要至少2个vCPU计算资源,和机器学习使用P3一系列实例,需要8个vCPU计算资源。
这个实验由8中的网络拓扑mdc和14物理网络连接线路构成一个小规模的网络拓扑。每个MDC在这个拓扑都有32个单位的计算资源,和连接的网络延迟范围从10 ms到90 ms。表6显示了小规模的边缘计算网络的配置在这个实验。
中等和高加载场景分别研究了在实验中。在方程(11),负载级别定义为所需的总计算资源部署的科幻小说。如果负载水平(即50%。,at least 50% of the total computing resources are required), then moderate loading is observed. Meanwhile, if the load level is 75% (i.e., at least 75% of the total computing resources are required), then a high loading is observed. This SF deploying network delays for the three deployment strategies were compared under these two situations. Table7显示了中等和高载荷的各种类型的科幻部署在一个小规模的边缘计算网络:
图19介绍了性能比较结果。纵轴显示所需的额外的网络延迟科幻部署。与其他两种策略相比,GSDAE可以显著减少网络延迟造成的SFs的部署。在温和的网络加载条件下,GSDAE经历最短的科幻部署网络延迟和优于其他的部署策略。GSDAE还可以减少大约38.20%的网络延迟而GRE。在高网络负载的情况下,GSDAE优于GRE和DBC的科幻部署网络延迟了约43.99%和22.01%,分别。
5.4。实验4:科幻小说在小规模的网络中部署成本
城市地区,商业领域和金融地区经常有大量的请求和倾向于本地租金和部署成本高据Porambage et al。15]。因此,这些因素应该被考虑当部署SFs。在这个实验中,计算资源的部署单位成本是20到50个单位。更高的请求数量对应于一个更高的MDC部署成本,而较低的请求数量对应于一个降低部署成本。
图20.介绍了性能比较结果。纵轴显示部署SFs所需额外的部署成本。一个较低的价值这个轴对应于一个更大的降低科幻部署成本。高和适度的网络载荷在这个实验检查。在一个小规模的网络环境,是否高或中等负载下,部署GSDAE等于成本的其他策略和没有任何明显的改善迹象。
5.5。实验5:科幻小说在大规模网络中部署网络延迟
上述策略的性能相比,大规模计算边缘网络实验5。大规模网络拓扑包含20个mdc和40物理网络连接线路。大规模边缘计算网络也有更多的节点和更复杂的物理线路相比,小型网络。三个部署策略的科幻部署网络延迟高和适度的网络加载条件下进行了比较。表8显示各种科幻的高和中等加载配置部署在一个大型网络。
图21介绍了性能比较结果。纵轴显示所需的额外的网络延迟科幻部署。网络延迟的数量越低,相应的服务部署管理方法更好的性能,和更少的服务部署延迟造成的这种方法。大规模网络的网络延迟是比这长得多的小规模网络由于前者的拓扑和SFs的要求和部署服务的数量在前者比后者更高的加载条件。大型网络的网络延迟也远高于在小规模的网络。尽管mdc在大规模网络环境下的数量增加到20日的三种类型的服务部署在大规模网络也增加了450 (SF2 SF1: 200 > 500: 150 > 250,和SF3: 25 > 75)。然而,在实际网络环境中,各种服务部署管理算法结合更高端的硬件和资源管理可以显著降低服务部署的延迟时间。
一个遴选则被交给人际关系广泛加载条件下,GSDAE达到最低的科幻部署延迟策略相比在所有。造成的延迟部署GSDAE大约10.75%短GRE所致。GSDAE中等载荷作用下也优于其他策略。具体来说,科幻部署GSDAE 25.62%和9.26%较短的延迟比GRE DBC,分别。
总之,在这两个小型和大型计算机网络边缘,GSDAE科幻部署网络延迟较低比其他两个部署策略无论加载条件。
5.6。实验6:科幻小说在大规模网络中部署成本
在实验6中,我们比较不同的部署成本科幻在大规模网络中部署策略。计算资源的部署单位成本在这个实验中年龄在20 - 50单位。更高的请求数量对应于一个更高的MDCs部署成本,反之亦然。
图22给出了实验结果。纵轴显示了科幻的额外成本部署。额外的部署成本较低表明一个更大的降低部署成本通过GSDAE来实现。实验是在高收入和moderate-network加载条件下进行的。在策略相比,GSDAE所部署的部署成本最低的SFs的加载条件。
5.7。实验七:科幻小说在混合云部署延迟和成本和边缘计算
在实验7中,我们比较了科幻部署的性能GSDAE在混合边缘和云计算环境。表9介绍了网络环境配置。这个实验的网络节点分为数据中心(DC)和争取民主变革运动拟写的。直流代表了云计算的网络基础设施,尽管大量的计算资源,有一个小的节点数量。同时,争取民主变革运动代表了网络计算和基础设施优势,尽管一些计算资源,有大量的节点。三种类型的SFs被部署在这个实验中,与每个科幻要求不同的计算资源和多个请求。表10显示的配置部署SFs的实验。
GSDAE的性能与其他部署策略的网络延迟和部署成本。图23介绍了性能比较结果。图的纵轴23日(一)表明科幻部署所需的额外的网络延迟。在混合和边缘计算网络环境中,GSDAE优于其他两个策略和实现最低的网络延迟。具体来说,科幻部署的网络延迟GSDAE短大约26.11%和22.76%的GRE和DBC,分别。与此同时,图的纵轴23日(b)显示了科幻部署所需的成本。GSDAE也优于其他两个部署策略的部署成本和节省大约10%与GRE相比更大的成本。
(一)
(b)
部署策略的性能在相同数量的要求部署SFs在混合云计算和边缘计算网络环境相比。表11显示的配置部署SFs在实验中,要求每个类型的SFs有相同的号码。
图24介绍了性能比较结果。图的纵轴(24日)显示了科幻部署所需的额外网络延迟。GSDAE优于其他两个策略和可以减少科幻部署网络延迟大约48.97%和17.90%与GRE和DBC相比,分别。与此同时,图的纵轴24 (b)显示了科幻部署所需的额外成本。GSDAE可以节省大约18.68%和15.55%大科幻部署成本与GRE和DBC相比,分别。总之,GSDAE演示了一个杰出的表现在降低科幻部署网络延迟和成本每一种科幻小说都有相同数量的请求。
(一)
(b)
6。结论和未来的工作
本文设计和实现了一个基于软件定义网络的科幻部署管理平台和网络虚拟化功能。这个平台可以模拟科幻部署在一个计算机网络,和它的内核模块可以模拟网络延迟在不同OpenFlow交换机和用户访问mdc的服务使用。该平台还可以建立各种科幻部署场景计算环境的优势。
提出了一种遗传算法GSDAE部署策略,表达了科幻部署过程通过进化种群的遗传算法,实现了request-oriented科幻,不断实现人口的自然选择的进化过程的遗传算法。GSDAE可以提高科幻部署效率随着越来越多的进化迭代。广泛的实验进行验证GSDAE的性能,结果表明,无论是纯或混合边缘计算和云计算网络,GSDAE显著减少网络延迟和服务部署成本和优于其他两个先进的科幻部署策略。总之,GSDAE可以应用在实际的计算环境。提出了遗传科幻部署管理平台还可以降低整体服务部署的响应时间,提高用户体验。5 g时代的到来,新形式的网络服务将在物联网设计和部署,和服务提供者即将迎来一个复杂和动态的物联网时代。因此,这些提供者应该设计高度灵活和多样化的服务部署充电方法。我们希望边缘网络服务部署管理策略提出了工作可以提供这些服务提供商提供一个参考工具评估服务部署成本,指导他们在设计服务部署云计算和边缘计算网络充电模型。
在未来的研究中,提出了科幻部署管理平台将其他虚拟化架构上实现的,比如OpenStack。备份相关的问题,高可用性、动态自动控制机制,也将检查和维护管理。同时提议的平台提供服务租户在考虑有限的计算资源的mdc的带宽需求MDCs不考虑。如何隔离和保护不同的SFs利用虚拟网络切片技术提供定制5 g网络服务在提供服务部署带来另一个挑战。
数据可用性
由于商业机密对数据的访问是受限制的。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作由科技部支持台湾的民国,合同108 - 2221 - e - 008 - 033 - my3和105 - 2221 - e - 008 - 071 - my3。