CN115277416B - 工业互联网中边缘计算的容器部署方法及系统 - Google Patents

Abstract

本发明公开了工业互联网中边缘计算的容器部署方法及系统，方法包括：收集工厂中智能设备和边缘服务器的信息数据，并将服务容器化；通过收集到的信息数据构建边缘服务器资源利用率和容器部署成本模型；构建面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标；构建面向容错消耗优化的容错容器部署优化目标；使用改进的遗传模拟退火算法求解优化目标，得到容器的最优部署方案。本发明选择将边缘计算服务容器化，能在向边缘服务器部署容器时提高边缘服务器的资源利用率，并同时降低容器部署成本，而且本发明能进行低消耗的容错容器部署，可在提高工厂容错能力的同时降低容错消耗。

Description

工业互联网中边缘计算的容器部署方法及系统

技术领域

本发明涉及工业互联网技术领域，特别涉及工业互联网中边缘计算的容器部署方法及系统。

背景技术

随着工业互联网的快速发展，虚拟现实(VR)和增强现实(AR)等服务在工厂中的应用越来越广泛。例如，虚拟现实技术提供了对工业机器人进行编程、监控和协作的新方法，帮助用户在安装之前规划机器人的行动路线。这些服务通常对计算、存储和网络资源的需求较大。为了解决智能设备计算能力有限的问题，可将这些服务卸载到远程云端进行处理。然而，因传输距离较长，智能设备在从远程云端获取服务时需要等待的时延较大。在这种情况下，智能设备将获得低质量的服务，无法保证工业生产正常进行。

作为云计算的拓展，边缘计算克服了云计算的一些不足。边缘计算作为一种分布式计算架构，将边缘服务器分布在工业现场环境中，使得计算资源更靠近工厂智能设备，能为工厂智能设备提供低时延和高可靠的本地化计算资源。边缘计算的服务在进行部署时可将服务容器化，以降低边缘服务器的运营和维护成本。容器作为一种轻量级虚拟化方法，可在操作系统级别提供隔离的虚拟环境。在工业互联网中，服务可靠性至关重要，特别是对连续性生产过程。如果在工业制造过程中发生服务故障，会导致生产过程意外终止，轻则报废一批产品，重则损坏制造设备。因此，需要尽可能地提前识别并找出各种潜在的故障，并且在容器部署阶段充分考虑这些情况。可靠的容器部署能帮助服务稳定运行，并在遇到故障时及时响应，保证生产活动顺利进行。

现有方法大都考虑的是在智能设备将请求提交至边缘服务器后，查询边缘服务器上是否包含该请求所需的服务，如果没有，将从云端下载服务并部署在边缘服务器上。然而，这种部署方式并没有考虑整个系统的工作效率，同时也会间接增加请求的处理时间。此外，现有方法在部署容器时并未考虑容器出错的情况，无法保证工业生产的可靠性。

发明内容

本发明实施例提供了工业互联网中边缘计算的容器部署方法及系统，用以解决现有技术中仅将边缘服务器资源利用率或容器部署成本作为优化目标，且未考虑硬件故障的问题。

一方面，本发明实施例提供了工业互联网中边缘计算的容器部署方法，包括：

收集工厂中的信息数据，将服务容器化，其中信息数据包括智能设备和边缘服务器的信息数据；

通过收集的信息数据建立边缘服务器资源利用率和容器部署成本模型；

建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标；

根据收集的信息数据建立面向容错消耗优化的容错容器部署优化目标；

求解基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案。

另一方面，本发明实施例提供了工业互联网中边缘计算的容器部署系统，包括：

信息收集模块，用于收集工厂中的信息数据，其中信息数据包括智能设备和边缘服务器的信息数据；

容器化模块，用于将服务容器化；

模型建立模块，用于通过收集的信息数据建立边缘服务器资源利用率和容器部署成本模型；

第一目标建立模块，用于建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标；

第二目标建立模块，用于根据收集的信息数据建立面向容错消耗优化的容错容器部署优化目标；

目标求解模块，用于求解基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案。

本发明中的工业互联网中边缘计算的容器部署方法及系统，具有以下优点：

1、本发明建立了建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署模型。考虑到边缘服务器有限的计算、存储和网络资源，本发明为容器选择最优服务器部署位置以降低容器部署成本并实现边缘服务器资源的高效利用。

2、解决了因硬件故障导致的容器部署失败和部署速度下降等问题。在基础容器部署模型的基础上，本发明建立了容错消耗优化的容错容器部署，在降低容错消耗的前提下可使得边缘计算系统在容器部署失败的情况下仍可正常提供服务，提高服务的可靠性。

3、部署问题被转化为如何部署容器以最大化边缘服务器资源利用率和最小化容器部署成本的NP难问题。由于问题的解空间较大，本发明提出了一种改进的遗传模拟退火算法进行求解。仿真结果表明，该算法收敛速度要比其他算法更快。

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，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地介绍，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他的附图。

图1为本发明实施例提供的工业互联网中边缘计算的容器部署方法的流程图；

图2为本发明实施例提供的工业互联网中边缘计算的容器部署系统的组成示意图；

图3为本发明实施例提供的多种求解算法的性能对比示意图；

图4为本发明实施例提供的不同算法需要开启的服务器的数量对比示意图；

图5为本发明实施例提供的权值参数对模型的影响示意图；

图6为本发明实施例提供的容错容器的容错消耗示意图；

图7为本发明实施例提供的失效服务器的数量对容错容器数量的影响示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的工业互联网中边缘计算的容器部署方法的流程图。本发明实施例提供了工业互联网中边缘计算的容器部署方法，包括：

S100，收集工厂中的信息数据，将服务容器化，其中信息数据包括智能设备和边缘服务器的信息数据。

S110，通过收集的信息数据建立边缘服务器资源利用率和容器部署成本模型。

示例性地，S110具体包括：建立边缘服务器资源利用率模型；建立容器部署成本模型。

当基础容器部署在边缘服务器上时，边缘服务器需要为其分配相应的资源。以计算边缘服务器j的资源利用率为例，边缘服务器j的资源利用率与部署在该边缘服务器上的基础容器所需的计算资源有关。边缘服务器j的资源包括计算、存储和带宽资源，三种资源的资源利用率分别定义如下：

待部署的容器数量为n，如果基础容器i部署在边缘服务器j上，则x_i,j＝1。否则，x_i,j＝0。系统中边缘服务器的计算、存储和带宽资源的平均利用率定义如下：

其中，s_j表示边缘服务器j是否处于空闲状态。当

时，s_j＝0。否则，s_j＝1，X为容器部署方案。

因此，系统中边缘服务器资源利用率为：

由于边缘服务器的资源异构性，导致在将基础容器部署到边缘服务器上所需要支付的费用不同，而这一费用相当于租赁资源的开销。本发明定义对于资源容量较大的边缘服务器所需要租赁的费用越高。因此将基础容器的部署成本定义为租赁边缘服务器所需要支付的费用：

其中，r_j表示为租赁边缘服务器j所需要支付的费用。

S120，建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标。

示例性地，将基础容器部署到边缘服务器上的一个关键问题是如何使得容器部署成本不超过预期。从边缘服务器的角度出发，因为不同服务器的计算、存储和带宽资源是不同的，所以服务器上所能放置的容器数量也是不同的，如何使得边缘服务器资源利用率最大化也是一个亟待解决的关键问题。如果仅仅只考虑最小容器部署成本或最大边缘服务器资源利用率是不符合工厂实际需求的，需要优化容器部署成本和边缘服务器资源利用率之间的平衡。针对这两个优化目标，本发明利用加权值将最大化边缘服务器资源利用率转换为最小化问题，提出一种面向边缘服务器资源利用率和容器部署成本优化的边缘计算容器部署方案，使得目标函数值达到最小。优化目标可以表示为：

s.t:

x_i,j∈{0,1} (10)

其中w₁,w₂分别是边缘服务器资源利用率的权值和容器部署成本的权值，设置为常数，且w₁+w₂＝1。S_max为租赁所有边缘服务器所需要支付的最大费用。约束(10)表示不同的部署位置。约束(11)表示部署在边缘服务器上的所有基础容器的计算资源请求总量不得超过边缘服务器的总计算资源容量。约束(12)表示部署在边缘服务器上的所有基础容器的存储资源请求总量不得超过边缘服务器的总存储资源容量。约束(13)表示部署在边缘服务器上的所有基础容器的带宽资源请求总量不得超过边缘服务器的总带宽资源容量。约束(14)表示任意一个基础容器只能部署到一台边缘服务器上。

S130，根据收集的信息数据建立面向容错消耗优化的容错容器部署优化目标。

示例性地，还包括；确定容错容器的资源需求量；根据容错容器的资源需求量以及在部署基础容器后边缘服务器剩余的资源量，确定容错容器的消耗函数；以消耗函数值最小为目标，求解消耗函数，获得相应的容错容器部署方案；按照容错容器部署方案将容错容器部署在边缘服务器上。

容器部署不仅需要考虑提供服务的容器，即基础容器，还需要考虑容错容器。通过部署容错容器可以避免出现单点故障，从而能够使整个系统具有较高的容错能力。假设提供服务的基础容器数量为n，其中有一部分容器对于整个系统的稳定性是重要的，它们的比例为β，则需要部署容错容器的数量为r＝n·β。当容错容器部署在边缘服务器上时，该边缘服务器资源利用率也会随着容错容器的资源需求量而变化。边缘服务器j上的容错消耗表示为：

其中，

分别表示容错容器k部署在边缘服务器上需要为其分配计算、存储和带宽资源，/>

分别表示边缘服务器j的计算、存储和带宽资源，

分别表示基础容器i部署到边缘服务器上需要为其分配的计算、存储和带宽资源，二进制数x_i,j表示基础容器的部署位置，x_i,j＝1表示基础容器i部署到边缘服务器j上，x_i,j＝0表示不将基础容器i部署到边缘服务器j上。当出现因硬件故障导致的基础容器部署失败和部署速度下降等问题时，需要部署容错容器的消耗函数为：

s.t:

x_i,j∈{0,1} (17)

x_k,j+x_n+k,j≤1,1≤k≤r (22)

约束(17)表示容错容器的不同部署位置。约束(18)表示部署在边缘服务器上的所有容错容器的计算资源请求总量不得超过边缘服务器部署n个基础容器之后剩余的总计算资源容量。约束(19)表示部署在边缘服务器上的所有容错容器的存储资源请求总量不得超过边缘服务器部署n个基础容器之后剩余的总存储资源容量。约束(20)表示部署在边缘服务器上的所有容错容器的带宽资源请求总量不得超过边缘服务器部署n个基础容器之后剩余的总带宽资源容量。约束(21)表示任意一个容错容器只能部署到一台边缘服务器上。约束(22)表示需要容错放置的基础容器和其对应的容错容器不能部署在同一台边缘服务器上。

S140，求解基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案。

示例性地，求解优化目标时，可以采用改进的遗传模拟退火算法。

受限于计算、存储和带宽等资源，单台边缘服务器往往只能部署部分基础容器。基础容器的批量部署是在边缘服务器性能的约束条件下，根据既定的优化目标，为基础容器选择恰当的目标边缘服务器。基础容器的批量部署过程可以看成一种多维的0-1背包问题，而背包问题又是一种NP难问题，很难在多项式时间内获得问题的最优解。

本发明选择改进的遗传模拟退火算法进行求解，从而得到部署问题的最优解。改进的遗传模拟退火算法是对遗传算法的执行步骤进行了相关改进和优化的一种全局启发式搜索算法，弥补了模拟退火算法全局搜索能力差和遗传算法“早熟”等缺点，从而达到“全局寻优，快速收敛”，以适用于边缘计算环境下基础容器的部署问题。

设有n个基础容器和m个边缘服务器，v代表种群的大小，T_max表示迭代总次数。每进行一轮迭代，选择算子中计算适应度函数的时间复杂度为O(v*n)。由于每轮迭代过程都需要根据适应度值对染色体进行归并排序，因此排序操作的时间复杂度为O(v*logv)。选择操作的总时间复杂度为O(v*(n+logv))。交叉操作的时间复杂度为O(v*n²)。变异操作的时间复杂度为O(s*m)。因此整个算法的总时间复杂度为O(T_max*v*(n²+n+logv+m))。

编码操作：在容器部署过程中，编码方式是否恰当，会在一定层面上影响算法的执行效果，本发明选择实数编码方式。编码操作包括：将基础容器部署方案作为染色体，将基础容器的部署位置作为基因，对染色体进行编码。在表1中，染色体集合代表一个解空间，一条染色体即代表一种基础容器部署方案，染色体的长度表示待部署基础容器的总数。每条染色体上有一定数量的基因，基因的位置编号即基础容器的编号，对应位置上的数值即为该基础容器所部署的边缘服务器编号。编码与解码结果一致，故省略解码过程。

表1染色体编码

初始化：在初始化时，引入染色体差异度，当染色体的差异度值大于设定值时使染色体进入种群。

适应度函数：遗传算法中以个体适应度的大小来确定各个个体的优劣程度，从而决定其遗传机会的大小。本发明需要优化的目标是边缘服务器资源利用率和基础容器部署的成本，通过归一化处理，最终根据目标函数F(X)确定适应度函数f为：

选择操作：根据适应度函数确定染色体的选择概率，根据选择概率选择染色体。选择操作主要实现优胜劣汰，依据染色体的适应度函数值，以较大的概率保留适应度函数值较大的染色体进入子代，较小的概率保留适应度函数值较低的染色体。每个染色体被选中的概率与适应度函数成正比，可以表示为：

首先根据适应度函数值降序排列所有染色体，将适应度函数值前10％的染色体复制替代后10％的染色体，接着通过(24)计算每个染色体被选中的概率，同时去除较差染色体，保留更多的优质染色体，提高种群质量，加快最优解的求解速度。

交叉操作：交叉操作是将选中的两个父代染色体的部分基因根据某一概率进行互换，生成一对新的子代染色体，有利于扩大查找的范围，更快找到最优解。为了让精英染色体得到更好的遗传，交叉概率应该和进化的过程一起改变，并且不断趋于一定的值，减少不收敛的风险。交叉概率P_c为

其中，F_max是所有染色体的最大适应度函数值，F_l是交叉的染色体对中适应度函数最大的数值，F_avg是所有染色体适应度函数值的平均值，m₁,m₂是两个随机变化的调节参数，且m₁,m₂∈(0,1)。

变异操作：对交换基因后的染色体中的基因进行突变处理。

在本发明的实施例中，选择操作和交叉操作主要实现局部搜索，即在当前位置的邻域范围内寻优，而变异操作是算法跳出局部搜索，找到全局最优解。染色体上的基因会以一定的概率发生突变。突变后，结合模拟退火算法的思想，检查新染色体的可行性，对不可行的染色体选择以某一概率接受。公式为：

其中，c₂是染色体c₁发生突变后的新的染色体，getfitness(c₁)是染色体c₁的适应度函数值，T是初始化温度。

本发明实施例还提供了工业互联网中边缘计算的容器部署系统，包括：

信息收集模块，用于收集工厂中的信息数据，其中信息数据包括智能设备和边缘服务器的信息数据；

容器化模块，用于将服务容器化；

模型建立模块，用于通过收集的信息数据建立边缘服务器资源利用率和容器部署成本模型；

第一目标建立模块，用于建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标；

第二目标建立模块，用于根据收集的信息数据建立面向容错消耗优化的容错容器部署优化目标；

目标求解模块，用于求解基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案。

示例性地，如图2所示，在工业互联网工厂的环境中，整个系统的框架分为三层：终端层、边缘层和云端层，智能设备处在终端层，边缘服务器和边缘计算控制节点处在边缘层，容器则处在云端层。系统中有m个边缘服务器，记为集合h＝{h₁,h₂,L,h_m}。每个边缘服务器均具有一定的计算、存储和带宽等资源。考虑到服务器资源的异构性，不同服务器的可用资源大小可能不同。对于每个边缘服务器的资源容量

分别表示服务器j的计算、存储和带宽资源。具有服务需求的用户可能需要请求的服务类型共有n种，由容器进行创建存放在远程云端，即每个容器代表一种服务类型，记为集合c＝{c₁,c₂,L,c_n}。每个容器具有特定的资源容量需求，部署到边缘服务器上需要为其分配一定的计算、存储和带宽资源使其能够运行并处理请求。对于每个容器的资源容量/>

分别表示为容器i部署到边缘服务器上需要为其分配的计算、存储和带宽资源。边缘服务器的计算、存储和带宽资源是有限的，不能放置所有的容器。因此，制定合理的容器部署方案不仅可以提升边缘服务器资源利用率，而且还能够降低部署的总成本。

实验证明

下面将评估模型的合理性和改进算法的有效性。主要参数如表2所示。实验模拟结果和分析如下。

表2主要参数

下面将改进的遗传模拟退火算法(Improved Genetic-simulated AnnealingAlgorithm,IGSAA)与遗传算法(Genetic Algorithm,GA)、模拟退火算法(SimulatedAnnealingAlgorithm，SA)、爬山算法(Hill Climbing，HC)和随机算法(RandomizedAlgorithm，RA)进行对比。在本次实验中，边缘服务器的数量为20，基础容器数量为40，种群大小为100，最大迭代次数为1000次。

图3和图4表示基础容器部署中五种算法的性能。如图3所示，随着迭代次数的增加，所提算法(IGSAA)相较于其他四种算法收敛速度最快，全局最优解最小。五种算法中，随机算法的性能最差，主要是因为随机算法没有选择策略，搜索能力较差。模拟退火算法和爬山算法都属于贪心搜索算法，但是模拟退火算法在搜索过程中引入了随机因素，因此模拟退火的算法的性能优于爬山算法。遗传算法采用种群进行进化，进化过程中通过选择、交叉和变异操作产生新个体，因此它的性能优于模拟退火算法。在图4中，所提算法相较于其他四种算法使用服务器数量是最少的。

在本次实验中，不仅要验证所提算法有效性，得出改进算法的优点，而且还要评估所建模型的合理性。

在图5中，本发明研究了IGSAA算法下权值参数对边缘服务器资源利用率和容器部署成本的影响。具体地，在图5中，边缘服务器资源利用率权值w₁＝w。而又因为w₁+w₂＝1，因此，容器部署成本的权值w₂＝1-w。从图中可以看出，随着w的增加，目标值呈现下降趋势。当w越小，容器部署对容器部署成本更加敏感。w越大，则对边缘服务器资源利用率更敏感。实验中，本发明通过改变w来调节边缘服务器资源利用率和容器部署成本之间的权衡关系。

在图6和图7中，研究了失效服务器数量对于容错容器部署模型的影响。如图所示，随着失效服务器数量的增加，容错容器的容错消耗和数量呈现上升趋势，这是由于提供服务的容器不能与其相对应的容错容器部署在同一服务器上，所以部署容错容器时需要开启新的服务器来进行部署。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.工业互联网中边缘计算的容器部署方法，其特征在于，包括：

收集工厂中的信息数据，将服务容器化，其中所述信息数据包括智能设备和边缘服务器的信息数据；

通过收集的所述信息数据建立边缘服务器资源利用率和容器部署成本模型；

建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标；

根据收集的所述信息数据建立面向容错消耗优化的容错容器部署优化目标；

求解所述基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案；

所述通过收集的所述信息数据建立边缘服务器资源利用率和容器部署成本模型，包括：

建立边缘服务器资源利用率模型；

建立容器部署成本模型；

其中，所述边缘服务器资源利用率由边缘服务器的计算、存储和带宽资源利用率构成，表示为：

其中，

分别为所述边缘服务器的计算、存储和带宽资源的平均利用率，X为容器部署方案；

所述容器部署成本由租赁边缘服务器所需支付的费用构成，表示为：

其中，s_j表示边缘服务器j是否处于空闲状态，r_j表示租赁边缘服务器j所需要支付的费用，m表示边缘服务器的数量；

所述建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标，包括：

将所述容器部署成本模型进行归一化处理，并通过加权值将所述边缘服务器资源利用率模型和容器部署成本模型转化为一个，表示为：

其中，w₁,w₂分别是边缘服务器资源利用率的权值和容器部署成本的权值，且w₁+w₂＝1，S_max为租赁所有边缘服务器所需要支付的最大费用；

所述根据收集的所述信息数据建立面向容错消耗优化的容错容器部署优化目标，包括：

根据所述信息数据建立容错消耗函数，将部署容错容器带来的消耗表示为：

其中，

分别表示容错容器k部署在边缘服务器上需要为其分配的计算、存储和带宽资源，/>

分别表示边缘服务器j的计算、存储和带宽资源，

分别表示基础容器i部署到边缘服务器上需要为其分配的计算、存储和带宽资源，二进制数x_i,j表示基础容器的部署位置，x_i,j＝1表示基础容器i部署到边缘服务器j上，x_i,j＝0表示不将基础容器i部署到边缘服务器j上；

根据所述容错消耗函数建立面向容错消耗优化的容错容器部署优化目标：

所述求解所述基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案，包括：

利用改进的遗传模拟退火算法求解所述基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案；

在利用改进的遗传模拟退火算法求解所述基础容器部署优化目标以及容错容器部署优化目标时，包括：

编码操作：将容器部署方案作为染色体，将容器的部署位置作为基因，对所述染色体进行编码；

初始化：对种群进行初始化；

适应度函数：根据目标函数确定每个所述染色体的适应度函数；

选择操作：根据所述适应度函数确定所述染色体的选择概率，根据所述选择概率选择所述染色体；

交叉操作：将被选择的所述染色体的部分基因进行交换；

基于模拟退火的变异操作：对染色体上的基因以一定的概率进行突变处理，形成新的染色体，检查所述新染色体的可行性，以一定的概率接受不可行的所述新的染色体；

更新染色体，获得最优解。

2.根据权利要求1所述的工业互联网中边缘计算的容器部署方法，其特征在于，在初始化时，引入染色体差异度，当染色体的差异度值大于设定值时使染色体进入种群。

3.一种应用权利要求1-2任一项所述的工业互联网中边缘计算的容器部署方法的系统，其特征在于，包括：

信息收集模块，用于收集工厂中的信息数据，其中所述信息数据包括智能设备和边缘服务器的信息数据；

容器化模块，用于将服务容器化；

模型建立模块，用于通过收集的所述信息数据建立边缘服务器资源利用率和容器部署成本模型；

第一目标建立模块，用于建立面向边缘服务器资源利用率和容器部署成本优化的基础容器部署优化目标；

第二目标建立模块，用于根据收集的所述信息数据建立面向容错消耗优化的容错容器部署优化目标；

目标求解模块，用于求解所述基础容器部署优化目标以及容错容器部署优化目标，得到容器的最优部署方案。

Images