CN115022926A - 一种基于资源均衡度的多目标优化容器迁移方法 - Google Patents
一种基于资源均衡度的多目标优化容器迁移方法 Download PDFInfo
- Publication number
- CN115022926A CN115022926A CN202210532197.8A CN202210532197A CN115022926A CN 115022926 A CN115022926 A CN 115022926A CN 202210532197 A CN202210532197 A CN 202210532197A CN 115022926 A CN115022926 A CN 115022926A
- Authority
- CN
- China
- Prior art keywords
- container
- migration
- resource
- node
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/086—Load balancing or load distribution among access entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
- H04W28/0942—Management thereof using policies based on measured or predicted load of entities- or links
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于资源均衡度的多目标优化容器迁移方法,属于移动通信技术领域;具体为:首先,搭建包括边缘节点,以及在节点上部署各自初始容器的迁移网络场景;通过检测各边缘节点的负载,计算各节点的资源利用均衡度,得到需要进行容器迁移的初始节点;然后,根据容器迁移策略计算各初始节点的待迁移容器的优先级集合;接着,搭建综合考虑了资源均衡度、数据中心能耗和迁移成本的容器迁移模型,利用二进制灰狼优化算法求解,得到所有待迁移容器各自对应的迁移目标节点;最后,各初始节点按照优先级将各容器迁移到对应的迁移目标节点上,直到各初始节点实现资源均衡。本发明减小了移动边缘计算网络系统的能量消耗,均衡了边缘节点的资源。
Description
技术领域
本发明属于移动通信技术领域,具体涉及一种基于资源均衡度的多目标优化容器迁移方法。
背景技术
随着第五代移动通信技术(Fifth Generation Mobile CommunicationTechnology,5G)的持续发展,人类对自动化、人工智能、增强现实、智能家庭和城市、实时分析、游戏和各种其他工业和消费者应用的需求不断增加,连接到互联网上的事物数量正在持续增长,其产生的移动数据流量与日俱增。
在移动边缘计算网络中,由于边缘节点的资源有限、终端用户的业务请求分布不均衡,会导致边缘节点间的业务繁忙程度差异化明显,容器可以实现高资源利用率、资源隔离,因此,容器在移动边缘计算中扮演着重要角色。
为了降低服务提供商的运营成本,服务提供商面临的主要挑战之一是降低能耗问题,服务器、网络组件和冷却系统是数据中心的三大能源消耗者,其中服务器的能耗约占总能耗的50%。
容器迁移凭借容器的跨平台能力成为了降低数据中心能耗、平衡边缘节点负载和优化数据中心的资源利用的关键技术之一。运行大规模的数据中心会消耗大量的能量,研究表明,数据中心的服务器状态差异明显,一些服务器长期处于空闲状态或资源利用率较低,但能耗依旧很高,而一些服务器的资源利用率较高,服务器发生宕机的概率也变高。
传统的资源调度方式会导致高负荷、高能耗等问题。因此,研究如何通过容器整合,减少运行服务器的数量,提高数据中心的能源效率是十分必要和有意义的。
文献1中提出了三种基于状态复制和状态复制技术的零停机迁移技术,综合考虑迁移时间和迁移结果注入网络的流量负载,提出了一种最优迁移技术选择算法。
文献2中提出了一种流量感知容器迁移方法,是一种使用LXD和CRIU(用户空间中的检查点恢复)的流量感知容器迁移算法。
文献3提出了一种电力物联网中基于容器迁移的决策机制;结合局部信息素蒸发和全局信息素更新,提出了一种基于改进蚁群算法的迁移算法。
文献4通过合理的容器静态布局和动态迁移能力,提出一种容器规模布局算法,减少容器布局的碎片化,从而有效提高机器资源的利用率,达到节约成本的目的。
文献5在WAN环境中,利用单个直接路径上的多个TCP连接(也称为并行TCP)实现并行多容器迁移。应用程序迁移中间件框架利用一个反馈控制器,来根据网络带宽的变化确定适当的并行容器迁移数量(即并行窗口)。
以上的文章都对容器迁移问题提出了相关策略研究,引起容器迁移有以下两种原因:由用户的移动性引起以及当前系统负载不均衡引起。无论是哪一种原因引起的容器迁移,迁移过程中产生的迁移代价始终是学者研究的首要问题。
迁移代价主要有迁移时延、迁移过程中的SLA和迁移次数等。迁移时延主要是容器的停机时间,主要的研究分为冷迁移和热迁移两种,区别在于,冷迁移是先将容器停掉,待数据迁移完成,再重新启动容器;热迁移则是数据迁移的同时,容器不需要停机。
容器的特性使其更适用于移动边缘计算网络,现有的容器迁移策略忽略了当下边缘计算网络的整体网络状况,仅依赖静态阈值或线性回归预测容器的迁移时机。
为了解决负载均衡问题,仅从单一资源考虑容器的迁移决策,忽略了资源之间的相关性导致的资源碎片化问题,边缘计算网络中数据中心的能耗问题以及容器的迁移成本。
[1]T.Kim,M.Al-Tarazi,J.-W.Lin and W.Choi.Optimal Container Migrationfor Mobile Edge Computing:Algorithm,System Design and Implementation[J].IEEEAccess,2021,pp.158074-158090.
[2]Maheshwari S,Choudhury S,Seskar I,et al.Traffic-Aware DynamicContainer Migration for Real-Time Support in Mobile Edge Clouds[C]//IEEEInternational Conference on Advanced Networks and TelecommunicationsSystems.IEEE,2018.
[3]Ma Z,Shao S,Guo S,et al.Container Migration Mechanism for LoadBalancing in Edge Network Under Power Internet of Things[J].IEEE Access,2020,PP(99):1-1.
[4]Li K,Chang C,Yun K,Zhang J.Research on Container MigrationMechanism of Power Edge Computing on Load Balancing[C].2021IEEE 6thInternational Conference on Cloud Computing and Big Data Analytics(ICCCBDA),2021,pp.386-390.
[5]Thongthavorn W,Rattanatamrong P.Multi-Container ApplicationMigration with Load Balanced and Adaptive Parallel TCP[C]//2019InternationalConference on High Performance Computing&Simulation(HPCS).2019.
发明内容
为解决优化目标单一以及资源均衡度问题,本发明提出了一种联合考虑系统能耗、资源均衡度和时延的容器迁移方法;为了获得全局最优的容器迁移策略结果,设计了基于容器迁移策略的联合资源均衡与能耗的改进二进制灰狼优化(Binary Grey WolfOptimizer,BGWO)算法进行验证;即充分利用节点资源,又达到降低迁移成本的目的,利用容器迁移降低了移动边缘计算网络中的数据中心的能耗。
所述的联合考虑系统能耗、资源均衡度和迁移成本的容器迁移方法,具体步骤如下:
步骤一、搭建包括n个边缘节点和m个容器的容器迁移网络场景;每个边缘节点分别部署各自对应的初始容器;
边缘节点的集合为S={S1,S2,…Sj,...,Sn};容器的集合为C={C1,C2,…Ci,...,Cm};
步骤二、通过检测各边缘节点的负载,计算各节点的资源利用均衡度,得到需要进行容器迁移的初始节点;
资源利用均衡度Λj计算公式为:
Λj∈(0,1),边缘节点Sj资源利用越均衡,Λj越趋近为0,否则Λj越趋近为1;
步骤三、根据容器迁移策略计算初始节点上各部署容器迁移的概率,分别获取各初始节点的待迁移容器的优先级集合,将所有待迁移容器组成容器初始部署矩阵;
边缘节点Sj上待迁移容器Ci的优先级Pi,j,计算公式如下:
其中,η为基于迁移时间的权重,ρ为基于资源均衡度的权重,σ为基于迁移数据量的权重,满足η+ρ+σ=1;
其中,λ是对容器Ci的CPU利用率对迁移停机时间影响的权重因子,μ是对容器Ci的内存利用率对迁移停机时间影响的权重因子,满足λ+μ=1;
ti是容器Ci已执行的时间。
步骤四、搭建综合考虑了资源均衡度Balance、数据中心能耗En和迁移成本的容器迁移模型,利用二进制灰狼优化算法求解,得到容器初始部署矩阵中所有容器各自对应的迁移目标节点;
首先,容器迁移成本定义为容器迁移时间,包括迁移过程中数据的传输时间和容器停机时间两部分;计算公式如下:
Migcost为所有容器的总迁移时间;Mjj′为第i个容器是否从第j个边缘节点迁移到第j′个边缘节点上的容器迁移决策,如果是,则Mjj′=1,否则Mjj′=0。
然后,资源均衡度Balance包括资源负载均衡度和资源碎片化程度;计算公式为:
Balance=Ub+Vb
接着,系统在T时间内的系统能耗En,计算公式为:
最后,利用容器的总迁移时间,资源均衡度和系统能耗,建立QoS约束下的多目标优化问题P:
P:min{αMigcost+βBalance+γEn}
其中,α,β,γ分别为各项对应的权重系数,且满足α+β+γ=1;
约束C1规定部署在边缘节点上的容器,对某种类型资源的需求量的总和,低于该类型资源的最大容量;
约束C3规定一个容器只能映射到一个边缘节点上。
改进的二进制灰狼算法求解多目标优化问题P,得到目标边缘节点Sl;
Sl=argmin{αMigcost+βBalance+γEn}
s.t C1,C2,C3
改进的二进制灰狼算法,采用Piecewise映射函数进行种群初始化,函数如式下:
其中,P∈(0,1)为控制参数,x∈(0,1);
容器迁移决策Mjj′为0-1决策,借助转化函数实现狼群位置在0和1之间的转化,来解决离散问题;本发明采用的转化函数为式:
其中D表示灰狼个体与猎物之间的距离,A为系数向量。
步骤五、各初始节点按照优先级的迁移顺序将各容器迁移到对应的迁移目标节点上,直到各初始节点实现资源均衡。
本发明的优点在于:
1.一种基于资源均衡度的多目标优化容器迁移方法,减小了移动边缘计算网络系统的能量消耗,仿真结果表明,容器迁移前和容器迁移后的系统能耗做对比,可以最终实现整个系统能耗的最小化。
2.一种基于资源均衡度的多目标优化容器迁移方法,可以均衡移动边缘计算网络中边缘节点的资源均衡度。
3.一种基于资源均衡度的多目标优化容器迁移方法,在优化系统能耗、边缘节点资源均衡度和迁移时间之间实现了一个较好的平衡。
附图说明
图1为本发明一种基于资源均衡度的多目标优化容器迁移方法的原理图;
图2为本发明搭建的容器迁移网络场景模型图。
图3为本发明不同算法下的优化目标值和迭代次数的关系图。
图4为本发明容器迁移前后系统能耗图。
图5为本发明不同迁移策略下的容器迁移成本图。
图6为本发明不同迁移策略下的资源均衡度图。
图7为本发明不同迁移策略下的优化目标值图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细解释说明。
为解决持续优化目标单一以及资源均衡度问题,本发明提出了一种多目标联合优化的容器迁移策略。首先,考虑服务器的资源利用情况,建立资源均衡度模型和能耗模型来评估移动边缘计算网络的整体状态,并基于此寻找资源利用不均衡的边缘节点及该节点上部署的容器;其次,为了避免容器迁移产生的资源碎片化问题,建立节点互补度矩阵模型确定容器可迁移节点的选择;最后,根据迁移策略计算边缘节点上容器迁移的概率,从而得出需要优先迁移的容器,综合考虑了资源均衡度、数据中心能耗和迁移成本等多目标,按照容器迁移顺序将容器迁移到可迁移节点上,直到该节点上实现资源均衡,最后使用基于容器迁移策略的联合资源均衡与能耗的改进二进制灰狼优化(Binary Grey Wolf Optimizer,BGWO)算法进行仿真实验。
所述的基于资源均衡度的多目标优化容器迁移方法,如图1所示,具体步骤如下:
步骤一、搭建包括n个边缘节点和m个容器的容器迁移网络场景,每个边缘节点分别部署各自对应的初始容器;
搭建容器迁移的网络场景如下;
边缘节点的集合为S={S1,S2,…Sj,...,Sn};容器的集合为C={C1,C2,…Ci,...,Cm},每个容器承载一个任务;
将第j个边缘节点和第j′个边缘节点之间的无线的通信带宽表示为Bjj′。
步骤二、通过检测各边缘节点的负载,计算各节点的资源利用均衡度,得到需要进行容器迁移的初始节点,组成资源碎片化节点的集合Φ;
xi,j表示第i个容器Ci是否部署在边缘节点Sj上,如果是,则xi,j=1,否则,xi,j=0;
最后,利用边缘节点sj上的各种资源平均利用率,计算该节点的资源利用均衡度Λj;
Λj∈(0,1),边缘节点Sj资源越均衡,Λj越趋近为0,否则Λj越趋近为1;
步骤三、根据容器迁移策略计算初始节点上各部署容器迁移的概率,分别获取各初始节点的待迁移容器的优先级集合,将所有待迁移容器组成容器初始部署矩阵;
边缘节点Sj上待迁移容器Ci的优先级Pi,j,计算公式如下:
其中,η为基于迁移时间的权重,ρ为基于资源均衡度的权重,σ为基于迁移数据量的权重,满足η+ρ+σ=1;
其中,λ是对容器Ci的CPU利用率对迁移停机时间影响的权重因子,μ是对容器Ci的内存利用率对迁移停机时间影响的权重因子,满足λ+μ=1;
由于最小化容器迁移时间并不能改善边缘节点的资源均衡度,相反,可能会由于频繁的容器迁移导致总迁移停机时间增加。所以用容器与节点的资源互补度来衡量容器对边缘节点资源均衡的影响程度。
针对场景中的n个边缘节点和m个容器,构造N×M维互补度矩阵模型,确定容器可迁移节点的选择,避免容器迁移产生的资源碎片化;
corr(i,j)表示第i个容器和第j个边缘节点基于相似度的资源互补度;corr(i,j)的取值范围通常是介于0到1之间,corr(i,j)的值越接近于1,则表示第i个容器和第j个边缘节点的资源需求特性互补度高;反之,第i个容器和第j个边缘节点互补度越小,corr(i,j)越接近于0。计算公式为:
容器迁移包括业务数据的迁移,业务的执行进度影响需要传输的数据量,业务的执行进度越快,需要传输的数据量相对越小。
ti是容器Ci已执行的时间。
根据资源碎片化节点的集合Φ,得到每个节点上容器的初始部署矩阵X=[xij]I×J,其中,当容器Ci部署在边缘节点Sj上时,xi,j=1,否则为0,表达式为:
定义边缘节点Sj上部署的初始容器集合为V(Sj)。
步骤四、搭建综合考虑了资源均衡度Balance、数据中心能耗En和迁移成本的容器迁移模型,利用二进制灰狼优化算法求解,得到容器初始部署矩阵中所有容器各自对应的迁移目标节点;
首先,容器迁移成本定义为容器迁移时间,包括迁移过程中数据的传输时间和容器停机时间两部分;所有容器的总迁移时间为Migcost,即容器迁移成本计算公式如下:
Mjj′为第i个容器是否从第j个边缘节点迁移到第j′个边缘节点上的容器迁移决策,如果是,则Mjj′=1,否则Mjj′=0;即:
然后,资源均衡度Balance包括资源负载均衡度Ub和资源碎片化程度Vb;计算公式为:
Balance=Ub+Vb
接着,根据系统能耗模型,影响移动边缘计算网络的能耗主要因素是CPU利用率,所以系统在T时间内的系统能耗En,计算公式为:
最后,利用容器的总迁移时间,资源均衡度和系统能耗,为了减少容器迁移代价的同时降低系统能耗,将容器迁移问题描述为在QoS约束下的多目标优化问题P:
P:min{αMigcost+βBalance+γEn}
其中,α,β,γ分别为各项对应的权重系数,且满足α+β+γ=1;
约束C1规定部署在边缘节点上的容器,对某种类型资源的需求量的总和,低于该类型资源的最大容量;
约束C3规定一个容器只能映射到一个边缘节点上。
改进的二进制灰狼算法求解多目标优化问题P,减少了容器迁移成本的同时降低系统能耗和减少资源碎片化程度,得到目标边缘节点Sl;
Sl=argmin{αMigcost+βBalance+γEn}
s.t C1,C2,C3
由于灰狼优化算法解决的是连续随机变量问题,而容器迁移过程中定义的模型是二进制形式,所以需要对灰狼优化算法进行改进,以适应离散问题的优化。一般在初始化种群的过程中,采取的是随机初始化的方法来产生初始种群,这种方法虽然能够很快获得初始解,但存在的问题是在解决复杂优化时,易于陷入局部最优解等缺陷。经过研究发现,混沌变量具有的不确定性、规则性和遍历性等特点。与随机序列相比,混沌序列能够对搜索空间实现遍历性的搜索,在一定程度上可以通过增加一定的搜索范围来避免陷入局部最优解。
本实施例采用Piecewise映射函数作为混沌函数进行种群初始化,函数如式下:
其中,P∈(0,1)为控制参数,x∈(0,1);
容器迁移决策Mjj′为0-1决策,1代表第i个容器从第j个边缘节点迁移到第j′个边缘节点上;0代表不迁移;在灰狼优化算法中,狼群利用全局搜索空间中连续位置围捕猎物,这种情况使用于处理连续问题。然而在二进制空间里,这种位置更新的方式不适用。为了能够更好的解决狼群算法在二进制中的适应问题,需要一种利用α,β,δ的位置信息实现狼群位置在0和1之间的转换,来解决离散问题;本发明采用的转化函数为式:
其中D表示灰狼个体与猎物之间的距离,A为系数向量。
步骤五、各初始节点按照优先级的迁移顺序将各容器迁移到对应的迁移目标节点上,直到各初始节点实现资源均衡。
移动边缘计算网络中由于容器体积小、部署迅速和容器环境的特点之一就是频繁的创建和毁坏。因此,合理的容器迁移,即充分利用节点资源,又可以达到节能的目的,本发明针对资源不均衡,利用容器迁移计算降低移动边缘计算网络中的数据中心的能耗;首先检测边缘服务器负载情况,计算当前边缘节点的资源均衡度,找出当前系统中需要进行容器迁移的边缘节点,然后对各边缘节点上的待迁移容器例如容器迁移策略计算优先级,搭建基于迁移成本、资源均衡度和能耗的多目标优化的容器迁移模型,利用节点互补度矩阵,寻找容器要迁移的目标边缘节点,要满足资源均衡度、迁移时间和系统能耗的约束条件后,按优先级进行容器的顺序迁移,实现各初始边缘节点的资源平衡,最后,利用减少了资源碎片化和能耗的改进的二进制灰狼优化算法进行验证,使得容器迁移适应0-1决策。
实施例:
在边缘计算网络中,容器承载的任务被卸到边缘节点上进行计算,为了均衡该网络中的资源平衡度和减少数据中心的能耗,需要将节点上的容器进行迁移,考虑迁移过程中产生的迁移代价,搭建如图2所示的容器迁移模型;边缘计算网络中有n个边缘节点,每个边缘节点拥有CPU,内存,硬盘多种类型的资源;定义m个容器中每个容器承载一个任务。
考虑当前场景中边缘节点资源不均衡和系统高耗能,容器迁移能够解决该问题,同时迁移过程中也会产生边缘节点与容器间信息的交互和容器的迁移代价。在迁移过程中,尽可能减少迁移时间的同时,降低系统能耗和平衡资源均衡度是主要研究目标。
需要建立一个基于迁移时间、资源均衡度、节点互补度以及能耗的多目标决策模型,达到降低迁移时间和系统能耗的多目标优化结果。将迁移问题分为以下几个子问题:①节点过载检测,选择需要进行容器迁移的主机。②负载不足节点的检测,待容器迁移结束,使该节点处于睡眠状态减少能耗。③从过载和负载不足的节点中选择需要迁移的容器。④利用不同的迁移策略进行多目标优化。⑤确定是否迁移容器,并把容器迁移到哪一个边缘节点上。
移动边缘计算中,边缘节点的资源维度是多维的,为了提高整个系统的资源利用率,除了考虑边缘节点的负载之外,还应考虑边缘节点的资源碎片化程度。当边缘节点的负载过高时,计算资源的匮乏会使得部署在该边缘节点的容器的应用性能下降,当边缘节点的负载过低的时候,边缘节点处于空闲状态,这会带来数据中心的能耗升高。资源碎片化度越高,代表越容易产生资源碎片。
边缘节点资源碎片化是指节点不同种类的资源利用率相差巨大,当某种资源消耗量巨大导致该资源剩余量极少,而另一种资源消耗小,资源剩余多,由于没有了某种资源导致这个边缘节点不可再部署新的容器从而导致剩余资源不可用,造成资源浪费的现象。所以资源碎片化发生在容易发生在资源边缘节点过载的情况。
相似性度量是综合评定两个事物之间相近程度的一种度量,常用的计算相似度的方法有计算距离和角度这两种。本实施例采用欧式距离作为计算容器所需资源和边缘节点所剩资源的相似度大小。
集群的能量优化可以分为硬件和软件两个层次。硬件级优化,例如合并流量、休眠空闲交换机或链路,热数据集中,适用于云服务任务,但不适用于高性能计算任务的功率模拟。基于软件方法的集群能量优化主要是基于虚拟机和容器的调度和迁移。
影响系统能耗的因素有很多,在边缘计算网络中,数据中心的能耗主要取决于CPU、内存、磁盘等因素。
在本实施例中,模拟的一个部署了10个边缘服务器和有50~200个容器的边缘计算场景;具体参数如下表1所示:
表1
基于本发明提出的基于移动边缘网络资源平衡度的以减少容器迁移代价,降低边缘网络的数据中心能耗的容器迁移策略(CMS),将改进的灰狼优化算法(Binary Grey WolfOptimizer,BGWO)和其他经典启发式算法--遗传算法(Genetic Algorithm,GA)和蚁群算法(Ant Colony Algorithm,ACA)做对比;如图3所示,比较了不同算法下的优化目标值和迭代次数之间的关系。优化目标值越小,算法性能越好,该图体现了三种算法随着迭代次数的增加,算法的性能特点,从图中可以看出来,ACA和GA的收敛速度较慢,BGWO算法收敛得比较快,这也侧面证明了灰狼优化算法具有收敛较快的特性。在这三种算法中,BGWO算法通过改变引入混沌序列初始化,能够有效避免局部最优问题,在优化目标值时,BGWO算法性能比AG和ACA较好。
如图4所示,从移动边缘计算网络的能耗进行比较分析,移动边缘计算网络的能耗与边缘节点CPU利用率成比例系数关系,从图中可以看出,容器迁移前,系统能量呈上轻微的升趋势,因为随容器数量的增多,边缘节点CPU利用率也在增加,本实施例通过容器迁移对系统中的容器进行整合,将容器迁移到能耗增长最小的边缘节点,使的整个系统能耗变小。
如图5所示,描述了不同迁移策略下,容器迁移的迁移成本,随着容器数量的增多,边缘节点的资源利用率增加、移动边缘计算网络资源均衡度变差,导致从而导致更多的容器需要迁移到相对空闲的边缘节点,以保证容器所承载业务的时延约束。从图中可以看出,本实施例所提的迁移策略,比基于最小迁移时间(MMT)、资源均衡度(RB)和随机迁移(RS)策略的迁移成本要小。
如图6所示,描述了不同迁移策略下的资源均衡度。资源均衡度由移动边缘计算网络中边缘节点的剩余资源的均衡度和边缘节点之间的负载均衡来衡量,从图中可以看出,本发明所提的策略,在减少容器迁移成本和降低系统能耗的同时,也在平衡节点的资源均衡。
如图7所示,描述了不同迁移策略下的优化目标值,优化目标是对迁移成本、系统能耗、资源均衡度的加权影响。从图中可以看出来,本发明提出的迁移策略,比基于最小迁移时间(MMT)、资源均衡度(RB)和随机迁移(RS)策略的性能要好。
Claims (6)
1.一种基于资源均衡度的多目标优化容器迁移方法,其特征在于,具体步骤如下:
首先,搭建包括n个边缘节点和m个容器的容器迁移网络场景;每个边缘节点分别部署各自对应的初始容器;通过检测各边缘节点的负载,计算各节点的资源利用均衡度,得到需要进行容器迁移的初始节点;
然后,根据容器迁移策略计算初始节点上各部署容器迁移的概率,分别获取各初始节点的待迁移容器的优先级集合,将所有待迁移容器组成容器初始部署矩阵;
接着,搭建综合考虑了资源均衡度、数据中心能耗和迁移成本的容器迁移模型,利用二进制灰狼优化算法求解,得到容器初始部署矩阵中所有容器各自对应的迁移目标节点;
最后,各初始节点按照优先级的迁移顺序将各容器迁移到对应的迁移目标节点上,直到各初始节点实现资源均衡。
4.如权利要求1所述的一种基于资源均衡度的多目标优化容器迁移方法,其特征在于,所述边缘节点Sj上待迁移容器Ci的优先级Pi,j,计算公式如下:
其中,η为基于迁移时间的权重,ρ为基于资源均衡度的权重,σ为基于迁移数据量的权重,满足η+ρ+σ=1;
其中,λ是对容器Ci的CPU利用率对迁移停机时间影响的权重因子,μ是对容器Ci的内存利用率对迁移停机时间影响的权重因子,满足λ+μ=1;
ti是容器Ci已执行的时间。
5.如权利要求1所述的一种基于资源均衡度的多目标优化容器迁移方法,其特征在于,所述容器迁移模型的搭建过程为:
首先,容器迁移成本定义为容器迁移时间,包括迁移过程中数据的传输时间和容器停机时间两部分;计算公式如下:
描述了第i个容器从第j个边缘节点迁移到第j′个边缘节点的迁移时间,其中Datai为容器迁移过程中需要迁移的数据量,为第i个容器的内存,Bjj′为第j个边缘节点和第j′个边缘节点之间的通信带宽;Migcost为所有容器的总迁移时间;Mjj′为第i个容器是否从第j个边缘节点迁移到第j′个边缘节点上的容器迁移决策;
然后,资源均衡度Balance包括资源负载均衡度和资源碎片化程度;计算公式为:
Balance=Ub+Vb
接着,系统在T时间内的系统能耗En,计算公式为:
最后,利用容器的总迁移时间,资源均衡度和系统能耗,建立QoS约束下的多目标优化问题P:
P:min{αMigcost+βBalance+γEn}
其中,α,β,γ分别为各项对应的权重系数,且满足α+β+γ=1;
约束C1规定部署在边缘节点上的容器,对某种类型资源的需求量的总和,低于该类型资源的最大容量;
约束C3规定一个容器只能映射到一个边缘节点上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532197.8A CN115022926A (zh) | 2022-05-09 | 2022-05-09 | 一种基于资源均衡度的多目标优化容器迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532197.8A CN115022926A (zh) | 2022-05-09 | 2022-05-09 | 一种基于资源均衡度的多目标优化容器迁移方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115022926A true CN115022926A (zh) | 2022-09-06 |
Family
ID=83069711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532197.8A Pending CN115022926A (zh) | 2022-05-09 | 2022-05-09 | 一种基于资源均衡度的多目标优化容器迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115022926A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981781A (zh) * | 2022-12-16 | 2023-04-18 | 之江实验室 | 基于多模态网络的容器迁移方法、装置和计算机设备 |
CN116991978A (zh) * | 2023-09-26 | 2023-11-03 | 杭州今元标矩科技有限公司 | 一种cms碎片特征提取方法、系统、电子设备及存储介质 |
-
2022
- 2022-05-09 CN CN202210532197.8A patent/CN115022926A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981781A (zh) * | 2022-12-16 | 2023-04-18 | 之江实验室 | 基于多模态网络的容器迁移方法、装置和计算机设备 |
CN116991978A (zh) * | 2023-09-26 | 2023-11-03 | 杭州今元标矩科技有限公司 | 一种cms碎片特征提取方法、系统、电子设备及存储介质 |
CN116991978B (zh) * | 2023-09-26 | 2024-01-02 | 杭州今元标矩科技有限公司 | 一种cms碎片特征提取方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Migration modeling and learning algorithms for containers in fog computing | |
CN108182115B (zh) | 一种云环境下的虚拟机负载均衡方法 | |
CN111694636B (zh) | 一种面向边缘网络负载均衡的电力物联网容器迁移方法 | |
Zhang et al. | Network-aware virtual machine migration in an overcommitted cloud | |
CN113515351B (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
CN115022926A (zh) | 一种基于资源均衡度的多目标优化容器迁移方法 | |
CN111611062B (zh) | 云边协同分层计算方法及云边协同分层计算系统 | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN107566535B (zh) | 基于Web地图服务并发访问时序规则的自适应负载均衡方法 | |
CN111176784B (zh) | 一种基于极限学习机和蚁群系统的虚拟机整合方法 | |
Zhou et al. | Deep reinforcement learning-based methods for resource scheduling in cloud computing: A review and future directions | |
Supreeth et al. | Hybrid genetic algorithm and modified-particle swarm optimization algorithm (GA-MPSO) for predicting scheduling virtual machines in educational cloud platforms | |
Gu et al. | A multi-objective fog computing task scheduling strategy based on ant colony algorithm | |
Dong et al. | Quantum particle swarm optimization for task offloading in mobile edge computing | |
CN108845886A (zh) | 基于相空间的云计算能耗优化方法和系统 | |
CN113965569B (zh) | 一种高能效、低时延的边缘节点计算迁移配置系统 | |
CN117032902A (zh) | 一种基于负载的改进离散粒子群算法的云任务调度方法 | |
CN111506431A (zh) | 一种云服务器在能耗约束下感知负载性能优化方法 | |
Salehnia et al. | SDN-based optimal task scheduling method in Fog-IoT network using combination of AO and WOA | |
CN110768827B (zh) | 一种基于群智能算法的任务卸载方法 | |
Cheng et al. | A novel task provisioning approach fusing reinforcement learning for big data | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
Medhat et al. | An Ant Algorithm for cloud task scheduling | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN113672372A (zh) | 一种基于强化学习的多边缘协同负载均衡任务调度方法 |
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 |