CN114039980A - 面向边缘协同计算的低时延容器迁移路径选择方法及系统 - Google Patents
面向边缘协同计算的低时延容器迁移路径选择方法及系统 Download PDFInfo
- Publication number
- CN114039980A CN114039980A CN202111313391.9A CN202111313391A CN114039980A CN 114039980 A CN114039980 A CN 114039980A CN 202111313391 A CN202111313391 A CN 202111313391A CN 114039980 A CN114039980 A CN 114039980A
- Authority
- CN
- China
- Prior art keywords
- power
- edge
- node
- dynamic frequency
- edge node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005012 migration Effects 0.000 title claims abstract description 126
- 238000013508 migration Methods 0.000 title claims abstract description 126
- 238000010187 selection method Methods 0.000 title claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 102
- 230000017525 heat dissipation Effects 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 117
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及人工智能技术领域，具体涉及面向边缘协同计算的低时延容器迁移路径选择方法及系统。该方法首先接受各边缘节点的功率序列和温度序列，根据温度序列得到各边缘节点的动态降频时间，获取各边缘节点的散热系数。获取各边缘节点的功率序列中的峰值功率，由峰值功率和边缘节点的功率序列构建功率差值序列，计算功率差值序列和迁移节点的功率序列的关联系数和迁移损耗系数；根据各边缘节点的迁移损耗系数、散热系数和动态降频时间得到各边缘节点的边权重；根据边权重和各节点构建二向图，由二向图得到目标边缘节点。本发明实施例对各节点的功率和温度进行分析计算得到各边缘节点的边权重，提高了目标边缘节点选择的准确性和可靠性。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及面向边缘协同计算的低时延容器迁移路径选择方法及系统。
背景技术
在视频分析等重负载的边缘计算场景中设备的散热情况通常是比较差的，当一个设备无法满足散热需求时会导致设备温度较高，需要降低功率运行，因此需要将当前设备的计算负载迁移至其余的计算单元中。
目前，常用的节点迁移方法为根据节点的利用率的均值和标准差得到各节点之间相似度，根据该相似度选取合适的节点作为迁移节点，但是简单的进行负载迁移，有可能会导致另一个设备很快也出现无法满足散热需求导致设备温度过高的情况，使得负载需要来回迁移，导致计算延迟，可靠性低。
发明内容
为了解决上述技术问题，本发明的目的在于提供面向边缘协同计算的低时延容器迁移路径选择方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了面向边缘协同计算的低时延容器迁移路径选择方法，该方法包括以下步骤：
接收各边缘节点的功率和温度，得到每个所述边缘节点的功率序列；根据所述温度得到各所述边缘节点的多个动态降频时间；获取各所述边缘节点对应的散热系数；
获取各所述边缘节点对应的所述功率序列中的峰值功率，由所述峰值功率和所述边缘节点对应的功率序列构建功率差值序列，利用相关系数算法计算所述功率差值序列和迁移节点对应的功率序列的关联系数，由所述关联系数得到迁移损耗系数；
根据各所述边缘节点对应的所述迁移损耗系数、所述散热系数和动态降频时间得到各所述边缘节点对应的边权重；根据所述边权重和各所述边缘节点构建与所述迁移节点之间的二向图，由所述二向图得到目标边缘节点；
其中，所述散热系数的获取方法为：
计算各所述边缘节点对应的多个动态降频时间的亲缘性；所述亲缘性的倒数为动态降频时间距离，根据所述动态降频时间距离对所述动态降频时间进行聚类得到多个聚类类别，所述动态降频时间均值最小的聚类类别为目标类别；获取所述目标类别中各所述动态降频时间对应的功率序列的功率均值；所述功率均值和所述目标类别中多个动态降频时间对应的功率序列的最大极差和的比值为散热系数。
优选的，所述根据所述温度得到多个节点的动态降频时间，包括：
获取各所述边缘节点对应的温度序列；
基于所述温度序列，获取从预设动态降频温度到预设显著降频温度的时间作为所述动态降频时间。
优选的，所述计算各所述边缘节点对应的多个动态降频时间的亲缘性，包括：
计算所述边缘节点对应的任意两个动态降频时间差值的绝对值；
利用动态时间规整算法计算所述任意两个动态降频时间对应的所述功率序列的相似距离；
根据所述绝对值和所述相似距离计算各动态降频时间之间的亲缘性。
优选的，所述功率均值和所述目标类别中多个动态降频时间对应的功率序列的最大极差和的比值为散热系数，包括：
根据所述目标类别中各动态降频时间对应的所述功率序列计算各所述动态降频时间对应的平均相关系数；所述目标类别中各所述动态降频时间对应的平均相关系数和各动态降频时间对应的所述功率序列中的最大极差进行加权求和得到平均极差和；
所述功率均值和所述平均极差和的比值为散热系数。
优选的，所述根据所述目标类别中各动态降频时间对应的所述功率序列计算各所述动态降频时间对应的平均相关系数，包括：
基于所述目标类别中任意两个动态降频时间对应的所述功率序列，获取长度相同的两个目标功率序列；
利用相关系数算法计算所述两个目标功率序列的初始相似度；
由所述初始相似度得到各动态降频时间之间的初始相关系数；
将各动态降频时间对应的多个初始相关系数的均值作为所述动态降频时间对应的平均相关系数。
优选的，所述功率均值和所述平均极差和的比值为散热系数，包括：
所述散热系数的计算公式为：
其中，E为所述散热系数；PMEAN为所述功率均值；R1为所述目标类别中第1个动态降频时间对应的所述平均相关系数；Rn为所述目标类别中第n个动态降频时间对应的所述平均相关系数；
为所述目标类别中第1个动态降频时间对应的所述功率序列中的最大功率；
为所述目标类别中第1个动态降频时间对应的所述功率序列中的最小功率；
为所述目标类别中第n个动态降频时间对应的所述功率序列中的最大功率；
为所述目标类别中第n个动态降频时间对应的所述功率序列中的最小功率；
为所述平均极差和。
优选的，所述由所述峰值功率和所述边缘节点对应的功率序列构建功率差值序列，利用相关系数算法计算所述功率差值序列和迁移节点对应的功率序列的关联系数，包括：
计算所述峰值功率和所述边缘节点对应的功率序列中各元素的差值，得到功率差值序列；
利用相关系数算法计算迁移节点的功率序列和所述功率差值序列的相关性；
由所述相关性得到迁移节点和边缘节点的关联系数。
优选的，所述根据所述迁移节点和边缘节点对应的所述迁移损耗系数、所述散热系数和边缘节点对应的动态降频时间得到两个节点对应的边权重，包括：
所述边缘节点对应的散热系数和边缘节点对应的动态降频时间相乘得到边缘适配程度；
所述边缘适配程度、所述迁移节点和边缘节点对应的所述迁移损耗系数的比值为两个节点对应的所述边权重。
优选的，所述由所述二向图得到目标边缘节点，包括：
利用K-M算法由所述二向图中的多个所述边缘节点中获取目标边缘节点。
第二方面，本发明一个实施例提供了面向边缘协同计算的低时延容器迁移路径选择系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于面向边缘协同计算的低时延容器迁移路径选择方法。
本发明实施例至少具有如下有益效果：
本发明实施例利用人工智能技术，首先获取各边缘节点的功率序列和温度序列，根据温度序列得到各边缘节点对应的动态降频时间，该动态降频时间反映的是边缘节点的动态功率调节功能，可作为后续路径选择的参考指标，获取各边缘节点对应的散热系数，散热系数反映的节点的散热能力，节点的散热能力越强，后续因为满载或者过载而发生设备过热的情况就会减少。获取各边缘节点对应的功率序列中的峰值功率，由峰值功率和边缘节点对应的功率序列构建功率差值序列，利用皮尔逊相关系数计算功率差值序列和迁移节点对应的功率序列的关联系数，得到迁移损耗系数，关联系数可以反应了两个设备的互补能力，关联系数越小即两个节点的关联性或者说相似度越小，两个节点越关联，同时发生满载或者过载的概率越大，故关联系数越小越好；而该迁移损耗系数反映了迁移过程中可用资源的保存度，可用资源的保存度越大越好。根据各边缘节点对应的迁移损耗系数、散热系数和动态降频时间得到各边缘节点的边权重，根据边权重和边缘节点构建二向图，由二向图得到目标边缘节点。通过计算各边缘节点的动态降频时间、各节点的散热系数和迁移损耗系数三个数据，分别反映了节点的散热能力、动态功率调节功能和迁移过程中可用资源的保存度三个方面，从三个方面调节迁移节点对边缘节点路径选择时的边权重，不仅提高了边缘节点选择的准确性，还提高了该边缘节点的可靠性，使得后续将负载数据迁移至该边缘节点后，该边缘节点不会很快出现无法满足散热需求而需要再次转移的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的面向边缘协同计算的低时延容器迁移路径选择方法的方法流程图；
图2为本发明一个实施例所涉及的边缘节点对应的散热系数获取步骤的步骤流程图；
图3为本发明一个实施例所涉及的由功率均值和最大极差和计算边缘节点的散热系数的步骤流程图；
图4为本发明一个实施例所涉及的迁移节点和各边缘节点的关联系数获取步骤的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的面向边缘协同计算的低时延容器迁移路径选择方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了面向边缘协同计算的低时延容器迁移路径选择方法及系统的具体实施方法，该方法适用于低时延容器迁移路径选择场景。该低时延容器路径选择场景中为一个边缘协同系统，该边缘协同系统中有多个设备，每个设备即为一个低时延容器，每个设备均具有CPU模组单元。将每个设备作为一个节点，其中，节点包括迁移节点和边缘节点，迁移节点为发生满载或者负载的需要将负载数据进行转移，以避免过热情况发生的节点，边缘节点为除迁移节点外的其他节点。其中当节点发生满载和过载的情况不同，当满载时该节点仍然可以接近满功率的运行，当过载时该节点就会发生过热情况，此时就需要进行显著降频。为了解决在进行简单的负载迁移之后，另外一个节点也会很快出现无法满足散热需求导致该节点温度过高，而使得负载数据需要来回迁移的问题，本发明实施例通过计算各边缘节点的动态降频时间、各节点的散热系数和迁移损耗系数三个数据，分别反映了节点的散热能力、动态功率调节功能和迁移过程中可用资源的保存度三个方面，从三个方面调节迁移节点对边缘节点路径选择时的边权重，达到了提高了边缘节点选择的准确性和可靠性目的。
下面结合附图具体的说明本发明所提供的面向边缘协同计算的低时延容器迁移路径选择方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的面向边缘协同计算的低时延容器迁移路径选择方法的步骤流程图，该方法包括以下步骤：
步骤S100，接收各边缘节点的功率和温度，得到每个边缘节点的功率序列；根据温度得到各边缘节点的多个动态降频时间；获取各边缘节点对应的散热系数；
在视频分析等重负载的边缘计算场景中，如V2X的路侧边缘计算，在重负载情况下路侧边缘系统中各设备的散热情况是比较恶劣的。
V2X的路侧边缘计算中，由于设备需要运行深度神经网络从而对视频信息进行感知，设备的部分处理过程中目标越大，计算负载越大，设备则容易满载，但设备满载时并不一定意味着会发生过热，当设备满载时该设备会开启动态降频，使得在满载之后设备达到过载的时间尽量向后时延，过载则会产生设备过热的情况。
一个边缘协同系统中通常包含多个设备，将一个设备作为一个节点，该节点在固定时间片段内的平均负载与节点的平均功率有关。由于各节点的工作不同，在本发明实施例中选取与负载有关联的工作区域进行分析，由于各节点的负载分析通常较为复杂，对节点功率进行记录是直接分析其负载的最佳方式。在本发明实施例中是将迁移节点的负载数据迁移至其他边缘节点中。
对于迁移节点在接收各边缘节点的功率的同时，接收各节点的工作温度，且获取迁移节点本身的功率和温度，得到迁移节点对应的功率序列和温度序列，在本发明实施例中功率和温度的采集均为每隔1s采集一次，且使用CPU的晶圆温度作为各节点的温度，在其他实施例中实施者可根据实际情况测量被动散热片、GPU、内存模组、光通信等模块的温度作为各节点的温度。
接收各边缘节点的功率和温度，得到各边缘节点对应的功率序列和温度序列。在本发明实施例中每2分钟获取一次功率序列和温度序列，以2分钟为时间段，长期记录每个边缘节点每2分钟的功率序列和温度序列。由于该过程是不断累加的，因此可以将功率序列和温度序列作为一个连续的、不断更新的序列。
由于当下大多节点的芯片都带有动态功率调节功能，在节点的温度已经超过预设的温度临界值后仍保持一段时间接近满功率的运行，但本身还是降低了一定的功率，使其不超过运行的极限温度，极限温度也即显著降频保护温度。在本发明实施例中通过温度临界值判断节点的满载情况，在其他实施例中实施者可根据实际情况调整判断节点是否满载的方法。
基于温度序列，获取从预设动态降频温度到预设显著降频温度的时间作为动态降频时间。该预设动态降频温度即预设的温度临界值，预设显著降频温度即极限温度。在本发明实施例中预设动态降频温度为94℃，预设显著降频温度为96℃。
如一个节点在达到94℃之后经过了15s才达到96℃触发过热保护，则此时该节点对应的动态降频时间为15。
由于每个边缘节点发生满载的情况不仅只有一次，故每个边缘节点应该对应多个动态降频时间。记录每个边缘节点的多个动态降频时间。
选取历史数据中节点满载时的动态降频时间和动态降频时间对应的功率序列，计算边缘节点的散热系数。其中动态降频时间对应的功率序列为，如一个边缘节点的历史数据中第一个动态降频时间为20s，该动态降频时间对应一个功率序列，因为动态降频时间为20s，故这个功率序列的长度应为20，该长度为20的功率序列即为第一个动态降频时间为20s所对应的功率序列，将动态降频时间对应的功率序列记为P。
基于历史数据中各节点满载时所记录的动态降频时间，根据边缘节点对应的动态降频时间和功率序列计算散热系数。
请参阅图2，边缘节点对应的散热系数的获取步骤，具体的：
步骤S110，计算各边缘节点对应的多个动态降频时间的亲缘性。
计算任意边缘节点对应的任意两个动态降频时间的差值的绝对值。
利用动态时间规整算法计算该任意两个动态降频时间对应的功率序列的相似距离。
根据绝对值和相似距离计算各动态降频时间之间的亲缘性。
计算边缘节点中任意两个动态降频时间的亲缘性。
该任意两个动态降频时间Wi和Wj之间的亲缘性Corr(Wi,Wj)的计算公式为：
其中，Wi为边缘节点对应的第i个动态降频时间；Wj为边缘节点对应的第j个动态降频时间；abs(Wi-Wj)为动态降频时间Wi和Wj的差值的绝对值；α为预设容忍时间；Pi为动态降频时间Wi对应的功率序列；Pj为动态降频时间Wj对应的功率序列；DTW(Pi,Pj)为功率序列Pi和功率序列Pj经过动态时间规划(DTW)算法处理之后的两个功率序列的相似距离。
在本发明实施例中预设容忍时间的取值为1，在其他实施例中实施者可根据实际情况调整该取值。预设容忍时间的目的是当两个动态降频时间的差值较小时，若该差值小于预设容忍时间，通过预设容忍时间这个确定值来降低历史数据中的噪声。
在该亲缘性的计算公式中，DTW为动态时间规整算法，用于确定两个动态降频时间对应的功率序列的相似度，DTW(Pi,Pj)越大，亲缘性越低。需要说明的是，动态时间规整算法可以处理非定长的样本，确定两个动态降频时间对应的功率序列在动态降频时的幅度和波动特征是否相似，当两个动态降频时间相差较多时，会进一步扩大两个动态降频时间对应的功率序列的距离，从而显著降低亲缘性。
得到两个动态降频时间之间的亲缘性，将亲缘性的倒数作为动态降频时间距离，即由亲缘性得到动态降频时间距离
步骤S120，根据动态降频时间距离对动态降频时间进行聚类得到多个聚类类别，动态降频时间均值最小的聚类类别为目标类别。
对各边缘节点对应的多个动态降频时间进行聚类，从得到的多个聚类类别中选取最劣化的聚类类别，也即动态降频时间均值最小的聚类类别作为目标类别。需要说明的是，动态降频时间反映该边缘节点在超过预设动态降频温度后达到预设显著降频温度所用的时间，该时间越短则说明该边缘节点的动态功率调节效果越差，动态功率调节效果越差则越不适合将迁移节点的负载数据迁移到该边缘节点。
对动态降频时间进行聚类的过程，具体的：
使用DBSCAN聚类算法，将D设为各动态降频时间之间的距离，即为各动态降频时间之间的时间间隔。本发明实施例中聚类半径设置为5，在其他实施例中实施者可根据实际情况调整该聚类半径。
通过DBSCAN聚类得到多个聚类类别，选取动态降频时间均值最小的聚类类别作为目标类别。
步骤S130，获取目标类别中各动态降频时间对应的功率序列的功率均值；功率均值和目标类别中多个动态降频时间对应的功率序列的最大极差和的比值为散热系数。
基于动态降频时间均值最小的目标类别，计算边缘节点的散热系数。因为动态降频时间均值最小的目标类别中的动态降频时间是边缘节点所包含的最劣化的数据，根据最劣化的数据计算边缘节点的散热系数，即为该边缘节点最小的散热系数，该边缘节点的散热能力不会再低于该散热系数。由功率均值和最大极差和计算边缘节点的散热系数，具体的：
步骤S131，根据目标类别中各动态降频时间对应的功率序列计算各动态降频时间对应的平均相关系数。
基于目标类别中任意两个动态降频时间对应的功率序列，获取长度相同的两个目标功率序列。在本发明实施例中获取长度相同的两个目标功率序列的方法为，将两个功率序列的末端对齐，将功率序列从对应的温度为预设动态降频温度附近的功率样本进行截断，得到两个目标功率序列，使得两个目标功率序列的长度相同，将目标功率序列记为P′。
计算目标类别中所有动态降频时间的平均相关系数，计算相关系数可以将该目标类别中不符合大体分布的异常的降功率样本的置信度降低，即不符合大体分布的动态降频时间的置信度降低，从而得到能够准确的反映散热系数的动态降频时间。计算平均相关系数的步骤，具体的：
利用皮尔逊相关系数算法计算目标类别中动态降频时间对应的任意两个目标功率序列的初始相似度。
由初始相似度得到各动态降频时间之间的初始相关系数；
该任意两个目标功率序列P′z和P′c的初始相关系数Rzc′的计算公式为：
其中，P′z为目标类别中动态降频时间Wz对应的目标功率序列；P′c为目标类别中动态降频时间Wc对应的目标功率序列；PPMCC(P′z,P′c)为目标功率序列P′z和目标功率序列P′c的皮尔逊相关系数。
若目标类别中共有n个动态降频时间，则每个动态降频时间对应n-1个初始相关系数。
将各动态降频时间对应的多个初始相关系数的均值作为动态降频时间对应的平均相关系数，得到每个动态降频时间对应的平均相关系数。
得到目标类别中所有动态降频时间的平均相关系数序列R＝{R1,…,Rn}，其中n为目标类别中的动态降频时间的数量，对平均相关系数序列中的平均相关系数进行归一化处理，更新平均相关系数序列，使得平均相关系数序列中的所有平均相关系数的和为1。将平均相关系数作为各动态降频时间的置信度，使得异常的动态降频时间的置信度较低。
步骤S132，目标类别中各动态降频时间对应的平均相关系数和各动态降频时间对应的功率序列中的最大极差进行加权求和得到平均极差和。功率均值和平均极差和的比值为散热系数。
计算目标类别中各动态降频时间对应的功率序列的最大极差，将目标类别中各动态降频时间对应的平均相关系数作为调节权重，将最大极差和平均相关系数进行加权求和得到平均极差和。
计算目标类别中所有动态降频时间对应的功率序列中的功率的均值，作为功率均值。
功率均值和平均极差和的比值为散热系数。
该散热系数E的计算公式为：
其中，PMEAN为功率均值；R1为目标类别中第1个动态降频时间对应的平均相关系数；Rn为目标类别中第n个动态降频时间对应的平均相关系数；
为目标类别中第1个动态降频时间对应的功率序列中的最大功率；
为目标类别中第1个动态降频时间对应的功率序列中的最小功率；
为目标类别中第n个动态降频时间对应的功率序列中的最大功率；
为目标类别中第n个动态降频时间对应的功率序列中的最小功率；
为平均极差和。
功率均值越大，平均极差和越小，则散热系数越大，反映边缘节点的极限散热能力越强。
基于散热系数可以确定迁移节点和各边缘节点的散热性能，从而在多个节点同时遇到极限工况或者同时发生满载时仍能准确得到最优的可迁移的目标边缘节点。
步骤S200，获取各边缘节点对应的功率序列中的峰值功率，由峰值功率和边缘节点对应的功率序列构建功率差值序列，利用相关系数算法计算功率差值序列和迁移节点对应的功率序列的关联系数，由关联系数得到迁移损耗系数。
因为节点的功率序列和温度序列均是时间长度为2分钟的序列，首先先计算每2分钟内的迁移节点和各边缘节点的功率相似度：
对于每个边缘节点，选取迁移节点和边缘节点在同一时刻的2分钟的功率序列。
由于迁移节点和边缘节点的功率序列越不相似且越呈负相关关系则意味着两个节点之间的容器可以迁移。因为迁移节点和边缘节点的功率序列越相似则两个节点同时发生满载情况的概率越大，则两个节点之间不适合进行负载数据迁移；迁移节点和边缘节点之间的功率序列越不相似，如迁移节点的功率持续满载，而边缘节点的功率则较小，则能够将迁移节点的负载数据迁移到边缘节点的概率越大。
获取边缘节点和迁移节点同一时间段内，边缘节点对应的功率序列中的峰值功率PH，即同一时间段内的时间长度为2分钟的功率序列的峰值功率。
利用皮尔逊相关系数算法根据峰值功率、边缘节点的功率序列和迁移节点的功率序列计算与各边缘节点的关联系数。具体的，
步骤S210，计算峰值功率和边缘节点对应的功率序列中各元素的差值，得到功率差值序列。
例如对于边缘节点B的两分钟功率序列
因为功率数据为每秒采集一次，故两分钟功率序列中共有120的元素。设PHB为边缘节点B的功率序列的峰值功率，故边缘节点B对应的功率差值序列为
步骤S220，利用相关系数算法计算迁移节点的功序列差值序列的相关性。由相关性得到迁移节点和边缘节点的关联系数。
利用皮尔逊相关系数算法系数计算迁移节点对应的功率序列和边缘节点对应的功率差值序列的相关性。该相关性即为PPMCC(PA″,PHB-PB″)，其中PA″为迁移节点对应的功率序列，PHB-PB″为边缘节点对应的功率差值序列，PPMCC(PA″,PHB-PB″)为迁移节点A对应的功率序列和边缘节点B对应的功率差值序列的皮尔逊相关系数。
由相关性计算得到迁移节点和边缘节点的功率在同一时间段内的关联系数。
迁移节点A和边缘节点B的关联系数QAB的计算公式为：
QAB＝trunc(PPMCC(PA″,PHB-PB″))
其中，trunc为截断函数，截断相关性PPMCC(PA″,PHB-PB″)小于0的值为0；PPMCC(PA″,PHB-PB″)为相关性；PA″为迁移节点对应的功率序列，PHB-PB″为边缘节点对应的功率差值序列。
计算迁移节点和边缘节点之间的关联系数，从而得到基础的迁移关系，关联系数越小意味着两个样本之间的互补能力越好，则迁移节点的负载数据越适合迁移到边缘节点。
由关联系数得到迁移损耗系数。
迁移节点A和边缘节点B的迁移损耗系数U(A,B)为：
其中，QAB为迁移节点A和边缘节点B的关联系数。
步骤S300，根据各边缘节点对应的迁移损耗系数、散热系数和动态降频时间得到各边缘节点对应的边权重。根据边权重和各边缘节点构建与迁移节点之间的二向图，由二向图得到目标边缘节点。
根据步骤S100～步骤S200得到迁移损耗系数、散热系数和动态降频时间获取最优的目标边缘节点进行数据迁移。
其中，动态降频时间反映边缘节点的动态降频能力，动态降频时间越大越好；
散热系数反映边缘节点的可靠程度，即该边缘节点的整体散热能力，散热系数越大越好；
迁移损耗系数则反映迁移节点和边缘节点的负载情况的相关性，迁移损耗系数越大，在迁移过程中可用资源的保存度越低；迁移损耗系数越小，迁移过程中可用资源的保存度越高，故迁移损耗系数越小越好。
根据各边缘节点对应的迁移损耗系数、散热系数和动态降频时间得到各边缘节点相对于迁移节点的边权重。具体的，边缘节点对应的散热系数和边缘节点对应的动态降频时间相乘得到边缘适配程度。边缘适配程度、迁移节点和边缘节点对应的迁移损耗系数的比值为两个节点对应的边权重。
迁移节点A和边缘节点B对应的边权重Z(A,B)的计算公式为：
其中，U(A,B)为迁移节点A和边缘节点B的迁移损耗系数；WB为边缘节点B的动态降频时间；EB为边缘节点B的散热系数；WB*EB为边缘适配程度。
动态降频时间越大，散热系数越大，迁移损耗系数越小，边权重越小。边权值越小则反映迁移节点和边缘节点之间越适合，越可以顺利迁移。
根据边权重、迁移节点和各边缘节点构建二向图。
利用K-M算法由二向图中的多个边缘节点中获取目标边缘节点。利用K-M算法可以基于最大分配实时选择最优的目标边缘节点进行迁移节点的迁移，并通过历史数据更新各节点的散热系数、负载等相关信息，保证节点发生故障或者老化时仍能够起作用。
综上所述，本发明实施例利用人工智能技术，首先获取各边缘节点的功率序列和温度序列，根据温度序列得到各边缘节点对应的动态降频时间，获取各边缘节点对应的散热系数。获取各边缘节点对应的功率序列中的峰值功率，由峰值功率和边缘节点对应的功率序列构建功率差值序列，利用皮尔逊相关系数计算功率差值序列和迁移节点对应的功率序列的关联系数，得到迁移损耗系数。根据各边缘节点对应的迁移损耗系数、散热系数和动态降频时间得到各边缘节点的边权重，根据边权重和边缘节点构建二向图，由二向图得到目标边缘节点。通过计算各边缘节点的动态降频时间、各节点的散热系数和迁移损耗系数三个数据，分别反映了节点的散热能力、动态功率调节功能和迁移过程中可用资源的保存度三个方面，从三个方面调节迁移节点对边缘节点路径选择时的边权重，不仅提高了边缘节点选择的准确性，还提高了该边缘节点的可靠性，使得后续将负载数据迁移至该边缘节点后，该边缘节点不会很快出现无法满足散热需求而需要再次转移的情况。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，应用于迁移节点，该方法包括以下步骤：
接收各边缘节点的功率和温度，得到每个所述边缘节点的功率序列；根据所述温度得到各所述边缘节点的多个动态降频时间；获取各所述边缘节点对应的散热系数；
获取各所述边缘节点对应的所述功率序列中的峰值功率，由所述峰值功率和所述边缘节点对应的功率序列构建功率差值序列，利用相关系数算法计算所述功率差值序列和迁移节点对应的功率序列的关联系数，由所述关联系数得到迁移损耗系数；
根据各所述边缘节点对应的所述迁移损耗系数、所述散热系数和动态降频时间得到各所述边缘节点对应的边权重；根据所述边权重和各所述边缘节点构建与所述迁移节点之间的二向图，由所述二向图得到目标边缘节点；
其中，所述散热系数的获取方法为：
计算各所述边缘节点对应的多个动态降频时间的亲缘性；所述亲缘性的倒数为动态降频时间距离，根据所述动态降频时间距离对所述动态降频时间进行聚类得到多个聚类类别，所述动态降频时间均值最小的聚类类别为目标类别；获取所述目标类别中各所述动态降频时间对应的功率序列的功率均值；所述功率均值和所述目标类别中多个动态降频时间对应的功率序列的最大极差和的比值为散热系数。
2.根据权利要求1所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述根据所述温度得到多个节点的动态降频时间，包括：
获取各所述边缘节点对应的温度序列；
基于所述温度序列，获取从预设动态降频温度到预设显著降频温度的时间作为所述动态降频时间。
3.根据权利要求1所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述计算各所述边缘节点对应的多个动态降频时间的亲缘性，包括：
计算所述边缘节点对应的任意两个动态降频时间差值的绝对值；
利用动态时间规整算法计算所述任意两个动态降频时间对应的所述功率序列的相似距离；
根据所述绝对值和所述相似距离计算各动态降频时间之间的亲缘性。
4.根据权利要求1所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述功率均值和所述目标类别中多个动态降频时间对应的功率序列的最大极差和的比值为散热系数，包括：
根据所述目标类别中各动态降频时间对应的所述功率序列计算各所述动态降频时间对应的平均相关系数；所述目标类别中各所述动态降频时间对应的平均相关系数和各动态降频时间对应的所述功率序列中的最大极差进行加权求和得到平均极差和；
所述功率均值和所述平均极差和的比值为散热系数。
5.根据权利要求4所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述根据所述目标类别中各动态降频时间对应的所述功率序列计算各所述动态降频时间对应的平均相关系数，包括：
基于所述目标类别中任意两个动态降频时间对应的所述功率序列，获取长度相同的两个目标功率序列；
利用相关系数算法计算所述两个目标功率序列的初始相似度；
由所述初始相似度得到各动态降频时间之间的初始相关系数；
将各动态降频时间对应的多个初始相关系数的均值作为所述动态降频时间对应的平均相关系数。
6.根据权利要求4所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述功率均值和所述平均极差和的比值为散热系数，包括：
所述散热系数的计算公式为：
其中，E为所述散热系数；PMEAN为所述功率均值；R1为所述目标类别中第1个动态降频时间对应的所述平均相关系数；Rn为所述目标类别中第n个动态降频时间对应的所述平均相关系数；
为所述目标类别中第1个动态降频时间对应的所述功率序列中的最大功率；
为所述目标类别中第1个动态降频时间对应的所述功率序列中的最小功率；
为所述目标类别中第n个动态降频时间对应的所述功率序列中的最大功率；
为所述目标类别中第n个动态降频时间对应的所述功率序列中的最小功率；
为所述平均极差和。
7.根据权利要求1所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述由所述峰值功率和所述边缘节点对应的功率序列构建功率差值序列，利用相关系数算法计算所述功率差值序列和迁移节点对应的功率序列的关联系数，包括：
计算所述峰值功率和所述边缘节点对应的功率序列中各元素的差值，得到功率差值序列；
利用相关系数算法计算迁移节点的功率序列和所述功率差值序列的相关性；
由所述相关性得到迁移节点和边缘节点的关联系数。
8.根据权利要求1所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述根据所述迁移节点和边缘节点对应的所述迁移损耗系数、所述散热系数和边缘节点对应的动态降频时间得到两个节点对应的边权重，包括：
所述边缘节点对应的散热系数和边缘节点对应的动态降频时间相乘得到边缘适配程度；
所述边缘适配程度、所述迁移节点和边缘节点对应的所述迁移损耗系数的比值为两个节点对应的所述边权重。
9.根据权利要求1所述的面向边缘协同计算的低时延容器迁移路径选择方法，其特征在于，所述由所述二向图得到目标边缘节点，包括：
利用K-M算法由所述二向图中的多个所述边缘节点中获取目标边缘节点。
10.面向边缘协同计算的低时延容器迁移路径选择系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1～9所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313391.9A CN114039980B (zh) | 2021-11-08 | 2021-11-08 | 面向边缘协同计算的低时延容器迁移路径选择方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313391.9A CN114039980B (zh) | 2021-11-08 | 2021-11-08 | 面向边缘协同计算的低时延容器迁移路径选择方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114039980A true CN114039980A (zh) | 2022-02-11 |
| CN114039980B CN114039980B (zh) | 2023-06-16 |
Family
ID=80143334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111313391.9A Active CN114039980B (zh) | 2021-11-08 | 2021-11-08 | 面向边缘协同计算的低时延容器迁移路径选择方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114039980B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101101504A (zh) * | 2007-08-16 | 2008-01-09 | 中国科学院计算技术研究所 | 一种处理器及其降频装置和方法 |
| CN106844051A (zh) * | 2017-01-19 | 2017-06-13 | 河海大学 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
| US20170329651A1 (en) * | 2016-05-16 | 2017-11-16 | Dell Products L.P. | Systems and methods for load balancing based on thermal parameters |
| CN108509276A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
| CN109918195A (zh) * | 2019-01-18 | 2019-06-21 | 华南理工大学 | 基于热感知动态任务迁移的众核系统处理器资源调度方法 |
| CN110851429A (zh) * | 2019-11-21 | 2020-02-28 | 嘉兴学院 | 一种基于影响力自适应聚合的边缘计算可信协同服务方法 |
| US20200296155A1 (en) * | 2020-03-27 | 2020-09-17 | Intel Corporation | Method, system and product to implement deterministic on-boarding and scheduling of virtualized workloads for edge computing |
| CN111694636A (zh) * | 2020-05-11 | 2020-09-22 | 国网江苏省电力有限公司南京供电分公司 | 一种面向边缘网络负载均衡的电力物联网容器迁移方法 |
-
2021
- 2021-11-08 CN CN202111313391.9A patent/CN114039980B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101101504A (zh) * | 2007-08-16 | 2008-01-09 | 中国科学院计算技术研究所 | 一种处理器及其降频装置和方法 |
| US20170329651A1 (en) * | 2016-05-16 | 2017-11-16 | Dell Products L.P. | Systems and methods for load balancing based on thermal parameters |
| CN106844051A (zh) * | 2017-01-19 | 2017-06-13 | 河海大学 | 一种边缘计算环境中功耗优化的负载任务迁移算法 |
| CN108509276A (zh) * | 2018-03-30 | 2018-09-07 | 南京工业大学 | 一种边缘计算环境中的视频任务动态迁移方法 |
| CN109918195A (zh) * | 2019-01-18 | 2019-06-21 | 华南理工大学 | 基于热感知动态任务迁移的众核系统处理器资源调度方法 |
| CN110851429A (zh) * | 2019-11-21 | 2020-02-28 | 嘉兴学院 | 一种基于影响力自适应聚合的边缘计算可信协同服务方法 |
| US20200296155A1 (en) * | 2020-03-27 | 2020-09-17 | Intel Corporation | Method, system and product to implement deterministic on-boarding and scheduling of virtualized workloads for edge computing |
| CN111694636A (zh) * | 2020-05-11 | 2020-09-22 | 国网江苏省电力有限公司南京供电分公司 | 一种面向边缘网络负载均衡的电力物联网容器迁移方法 |
Non-Patent Citations (3)
| Title |
|---|
| K. LI ET AL: "Research on Container Migration Mechanism of Power Edge Computing on Load Balancing" * |
| 刘通;唐伦;何小强;陈前斌;: "融合区块链与雾计算系统中基于网络时延和资源管理的优化任务卸载方案" * |
| 邱晓杰;安虹;陈俊仕;迟孟贤;金旭;: "功耗受限情况下多核处理器能效优化方案" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114039980B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
| CN111401744B (zh) | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 | |
| JP2020504382A (ja) | コンピュータリソースのための予測的資産最適化 | |
| CN113938488B (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
| CN107708152B (zh) | 异构蜂窝网络的任务卸载方法 | |
| US11831708B2 (en) | Distributed computation offloading method based on computation-network collaboration in stochastic network | |
| Henderson et al. | Performance evaluation and policy selection in multiclass networks | |
| CN110213327A (zh) | 一种基于边缘计算的资源调度方法、装置及系统 | |
| CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
| CN113259968A (zh) | 基于信息新鲜度的配电网设备智能计算方法 | |
| Fragkos et al. | Artificial intelligence enabled distributed edge computing for Internet of Things applications | |
| CN116126130A (zh) | 一种可信边缘服务器的选择与能耗优化的任务卸载方法 | |
| CN112231085A (zh) | 一种协同环境下基于时间感知的移动终端任务迁移方法 | |
| CN111459662A (zh) | 移动边缘计算中的迁移管理方法、装置和存储介质 | |
| CN111836284A (zh) | 基于移动边缘计算的能耗优化计算、卸载方法和系统 | |
| CN116366576A (zh) | 算力网络资源调度方法、装置、设备及介质 | |
| CN114039980A (zh) | 面向边缘协同计算的低时延容器迁移路径选择方法及系统 | |
| KR20230032754A (ko) | Mec 기반 무선 네트워크의 태스크 오프로딩 장치 및 방법 | |
| CN116225575B (zh) | 针对移动边缘计算的任务卸载方法、装置、设备及介质 | |
| JP2021005387A5 (zh) | ||
| CN113553188B (zh) | 一种基于改进天牛须算法的移动边缘计算卸载方法 | |
| CN116302404A (zh) | 面向资源解耦合数据中心的服务器无感知计算调度方法 | |
| Hwang et al. | Offloading optimization with delay distribution in the 3-tier federated cloud, edge, and fog systems | |
| CN114742166A (zh) | 一种基于时延优化的通信网现场维护模型迁移方法 | |
| Sharkh et al. | A quest for optimizing the data processing decision for cloud-fog hybrid environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230517 Address after: No. 173, 17th Floor, No. 105 Zijingshan South Road, Guancheng District, Zhengzhou City, Henan Province, 450002 Applicant after: Eurasia hi tech digital technology Co.,Ltd. Address before: No.136, science Avenue, high tech Zone, Zhengzhou City, Henan Province, 450000 Applicant before: Zhengzhou University of light industry |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Low latency Container Migration Path Selection Method and System for Edge Collaborative Computing Effective date of registration: 20231128 Granted publication date: 20230616 Pledgee: China Construction Bank Corporation Zhengzhou Railway Sub Branch Pledgor: Eurasia hi tech digital technology Co.,Ltd. Registration number: Y2023410000002 |