CN114077498A - 面向移动边缘计算的计算负载选择及迁移方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术领域，具体涉及一种面向移动边缘计算的计算负载选择及迁移方法及系统。该方法采集初始工作容器的功率数据和温度数据。当温度数据出现异常时，根据其他工作容器的功率数据筛选出可迁移工作容器。根据可迁移工作容器在容器迁移前的功率数据与初始工作容器的功率数据的相关性判断互补关联度。根据可迁移工作容器在容器迁移后的功率数据与初始工作容器的功率数据的判断互斥关联度。根据互补关联度和互斥关联度共同筛选出最优可迁移工作容器。本发明实全面分析了工作容器之间的互补性和互斥性，提供科学有效的容器迁移策略。

Description

面向移动边缘计算的计算负载选择及迁移方法及系统

技术领域

本发明涉及人工智能技术领域，具体涉及一种面向移动边缘计算的计算负载选择及迁移方法及系统。

背景技术

在视频分析等重负载的边缘计算场景中，如V2X的路侧边缘计算等设备的散热情况是比较恶劣的，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，因此需要将当前节点的计算负载迁移至其余的计算单元中。

目前容器化的开发和项目较为成熟，为容器化的计算负载迁移提供了较佳的便利。容器化的迁移手段与虚拟化的虚拟机迁移手段类似，但软件运行时的基础二进制文件是相同的，因此只需将输入的数据、运行时的暂存数据迁移至另一个容器即可，无需转移所有的运行所需的大量数据，因此具有传统虚拟化无可比拟的迁移效率。

容器迁移策略和技术较多，边缘计算节点的容器迁移目的主要是为了对容易过热的设备进行减负。但是在容器迁移策略中容易出现一个容器节点接受一个新的负载后导致内部硬件的总线瓶颈、设备上下文切换等待造成的其他瓶颈等等问题，导致被迁移的容器节点功率并没有达到理想目标，即迁移容器节点与被迁移容器节点并不匹配。不匹配的容器迁移节点对会极大程度的降低设备的总体性能，降低服务质量。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种面向移动边缘计算的计算负载选择及迁移方法及系统，所采用的技术方案具体如下：

本发明提出了一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述方法包括：

在预设第一采样时间段内获得初始工作容器的第一功率序列和第一温度序列；当所述第一温度序列中的元素大于预设迁移温度阈值时，获得其他工作容器在预设第二采样时间段内的第二功率序列；根据所述第二功率序列中数据间的差异评判容器质量指标，将低于预设质量指标阈值的所述容器质量指标对应的所述其他工作容器剔除，获得多个可迁移工作容器；

获得所述可迁移工作容器在所述第一采样时间段内的第三功率序列；根据所述第一功率序列和所述三功率序列的第一线性相关性获得所述初始工作容器和每个所述可迁移工作容器的互补关联度；

将所述初始工作容器的负载迁移至所述可迁移工作容器中，获得所述可迁移工作容器的第四功率序列和第二温度序列；根据所述第四功率序列和所述第二温度序列获得散热系数序列；所述初始工作容器和所述可迁移工作容器的负载变化的线性序列；获得所述线性序列和所述第四功率序列的第二线性相关性；根据所述第四功率序列、第一功率序列、第二线性相关性和所述散热系数序列获得所述初始工作容器和每个所述可迁移工作容器的互斥关联度；

根据所述互补关联度和所述互斥关联度筛选出最优可迁移工作容器。

进一步地，所述根据所述第二功率序列中数据间的差异评判容器质量指标包括：

获取所述第二功率序列的第二功率均值、最大第二功率和最小第二功率，根据容器质量指标公式获得所述容器质量指标；所述容器质量指标公式包括：

其中，C为所述容器质量指标，α第一拟合系数，P_H为所述最大第二功率，P_L为所述最小第二功率，P_Mean为所述第二功率均值，trunc()为截断函数。

进一步地，所述根据所述第一功率序列和所述三功率序列的第一线性相关性获得所述初始工作容器和每个所述可迁移工作容器的互补关联度包括：

获得所述第三功率序列中的最大第三功率；获得所述第三功率序列和所述最大第三功率的差异序列；以所述差异序列和所述第一功率序列的皮尔逊相关系数作为所述第一线性相关性；将所述第一线性相关性经过截断函数处理后，获得所述互补关联度。

进一步地，所述根据所述第四功率序列和所述第二温度序列获得散热系数序列包括：

根据散热系数计算公式获得所述散热系数序列；所述散热系数计算公式为：

其中，E为所述散热系数，P为所述第四功率序列中的瞬时第四功率，T_Max为预设的极限温度，T为所述第二温度序列的瞬时第二温度。

进一步地，所述获得所述线性序列和所述第四功率序列的第二线性相关性包括：

以所述线性序列和所述第四功率序列的皮尔逊相关系数作为所述第二线性相关性。

进一步地，所述根据所述第四功率序列、第一功率序列、第二线性相关性和所述散热系数序列获得所述初始工作容器和每个所述可迁移工作容器的互斥关联度包括：

根据所述互斥关联度获取公式获得所述互斥关联度；所述互斥关联度获取公式包括：

其中，Z为所述互斥关联度，P_MeanB为所述第四功率序列的第四功率均值，P_MeanA为第一功率序列的第一功率均值，β为第二拟合系数，V为所述第二相关性，E_B为所述可迁移工作容器的散热系数序列，trunc()为截断函数。

进一步地，所述根据所述互补关联度和所述互斥关联度筛选出最优可迁移工作容器包括：

以所述互补关联度和所述互斥关联度的乘积作为匹配指标，根据所述匹配指标筛选出所述最优可迁移工作容器。

进一步地，所述根据所述匹配指标筛选出所述最优可迁移工作容器包括：

根据所述匹配指标采用KM算法对所述初始工作容器和所述可迁移工作容器进行匹配，获得所述最优可迁移工作容器。

本发明还提出了一种面向移动边缘计算的计算负载选择及迁移系统，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任意一项所述一种面向移动边缘计算的计算负载选择及迁移方法的步骤。

本发明具有如下有益效果：

1.本发明实施例通过可迁移工作容器在迁移前的第三功率序列和初始工作容器的第一功率序列分析工作容器之间的互补关联度。然后根据迁移后的可迁移工作容器的第四功率序列分析工作容器之间的互斥关联度。根据互补关联度和互斥关联度共同筛选出最优可迁移工作容器，从互斥和互补的关系全面分析了两个工作容器的关联性可在设备的工作容器中选择最合适的工作容器进行迁移，保证了设备的性能，提高了整体工作效率。

2.本发明实施例根据其他工作容器在迁移之前的第二采样时间内第二功率序列的数据对其他工作容器的质量进行评估，筛选出可迁移工作容器，大大减少不适用与做容器迁移节点的工作容器，保证了后续匹配过程的准确性。

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一种面向移动边缘计算的计算负载选择及迁移方法流程图。

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一种面向移动边缘计算的计算负载选择及迁移方法及系统，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。

下面结合附图具体的说明本发明所提供的一种面向移动边缘计算的计算负载选择及迁移方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种面向移动边缘计算的计算负载选择及迁移方法流程图，该方法包括：

步骤S1：在预设第一采样时间段内获得初始工作容器的第一功率序列和第一温度序列；当第一温度序列中的元素大于预设迁移温度阈值时，获得其他工作容器在预设第二采样时间段内的第二功率序列；根据第二功率序列中数据间的差异评判容器质量指标，将低于预设质量指标阈值的容器质量指标对应的其他工作容器剔除，获得多个可迁移工作容器。

对于进行边缘计算任务的容器来说各个单元较为复杂，因此在本发明实施例中以初始工作容器的总功率作为分析数据，获得预设第一采样时间段内初始工作容器的第一功率序列。同时记录当前初始工作容器的温度，在本发明实施例中以CPU的晶圆温度作为分析数据，在其他实施例中可以选取与负载有关联的其他发热区域数据，如被动散热片、GPU、内存模组、光通信模块温度等。

在本发明实施例中，第一采样时间段设置为两分钟，并设置采样频率为1秒，即第一功率序列和第一温度序列的长度为120。

需要说明的是，工作容器中一般的路测单元需要运行深度神经网络从而实现对图像或者视频数据进行感知处理，实现边缘分析。在处理过程中，目标数据越多即计算负载越大，随着目标数据的增多，此时的工作容器容易满载，导致温度升高，在满载过程中工作容器会通过散热系统调整温度，因此本发明实施例不需要考虑负载信息内容，仅分析温度变化情况。

在实际工作中，会存在一个极限温度，当工作容器的温度达到极限温度后，为了保护硬件，会降低工作效率从而起到降温的作用。因此需要在小于极限温度的范围设定迁移温度阈值，使得初始工作容器能够及时进行容器迁移，防止工作效率受到影响。即当初始工作容器的第一温度序列达到迁移温度阈值时，认为此时初始工作容器达到满载，需要进行容器迁移。

需要说明的是，当温度高于迁移温度时，虽然仍然可以继续工作，但是温度问题并没有得到解决，最终会导致温度上升至极限温度，实现过热保护，通过控制下降功率的方式来降温，对整体工作性能形成影响，因此需要找到合适的其他工作容器节点进行容器迁移，保证工作效率。

在本发明实施例中，极限温度设置为95度，迁移温度阈值设置为80度，在其他实施例中可根据工作容器类型和工作任务类型进行具体设置，在此不做限定。

为了在容器迁移过程中避免在过多不合适的工作容器中进行迁移导致的无用功，需要对其他工作容器进行初次筛选，筛选出质量较差的工作容器，避免在后续过程中在其身上浪费效率，具体包括：

获取其他工作容器在预设第二采样时间段内的第二功率序列，即获得其他容器在要进行容器迁移时刻之前的第二采样时间段内的总功率数据。第二功率序列的波动性反应了当前其他工作容器的工作稳定性，当第二功率序列出现较为明显的波动，代表着该其他工作容器也在进行着工作任务或者也在进行容器迁移等策略调整功率，因此波动性越大越不适合进行容器迁移，即波动性越大容器质量指标越差。可根据第二功率序列中数据间的差异表示数据波动性，即利用数据间的差异评判容器质量指标，具体包括：

获取第二功率序列的第二功率均值、最大第二功率和最小第二功率，根据容器质量指标公式获得容器质量指标；容器质量指标公式包括：

其中，C为容器质量指标，α第一拟合系数，P_H为最大第二功率，P_L为最小第二功率，P_Mean为第二功率均值，trunc()为截断函数。容器质量指标公式中利用最大第二功率和最小第二功率的差异与第二功率均值的比值表示数据波动性；通过第一拟合系数作为波动性的权重，调整波动性的数值；截断函数用于规范容器质量指标的数值，方便数据分析。

在本发明实施例中，第二采样时间段设置为一分钟，采样频率设置为一秒，即第二功率序列的长度为60。α设置为2，截断函数将小于0的数值截断为0，在其他实施例中可根据具体的数据分析具体设置，在此不做限定。

将低于预设质量指标阈值的容器质量指标对应的其他工作容器剔除，减小数据量，获得多个可迁移工作容器。需要说明的是，质量指标阈值需要根据设备的型号，执行的任务类型等具体设置，在此不做限定。

步骤S2：获得可迁移工作容器在第一采样时间段内的第三功率序列；根据第一功率序列和三功率序列的第一线性相关性获得初始工作容器和每个可迁移工作容器的互补关联度。

为了分析初始工作容器与可迁移工作容器的匹配关系，数据的长度需要统一，即获得可迁移工作容器在第一采样时间段内的第三功率序列。需要说明的是，在容器迁移过程之前，初始工作容器与可迁移工作容器的工作数据越不相关证明两个工作容器之间的工作内容和工作状态越不同，即越适合进行容器迁移。因此根据第一功率序列和三功率序列的第一线性相关性获得初始工作容器和每个可迁移工作容器的互补关联度，即第一线性相关性越大则互补关联度越大，两个工作容器越不适合迁移，具体包括：

获得第三功率序列中的最大第三功率；获得第三功率序列和最大第三功率的差异序列；以差异序列和第一功率序列的皮尔逊相关系数作为第一线性相关性；将第一线性相关性经过截断函数处理后，获得互补关联度。通过差异序列与第一功率序列的皮尔逊相关系数可以更好的体现出互补关系。

步骤S3：将初始工作容器的负载迁移至可迁移工作容器中，获得可迁移工作容器的第四功率序列和第二温度序列；根据第四功率序列和第二温度序列获得散热系数序列；初始工作容器和可迁移工作容器的负载变化的线性序列；获得线性序列和第四功率序列的第二线性相关性；根据第四功率序列、第一功率序列、第二线性相关性和散热系数序列获得初始工作容器和每个可迁移工作容器的互斥关联度。

初始工作容器的负载为工作数据量，将初始工作容器的负载迁移至可迁移工作容器中。需要说明的是对于负载而言可分为计算密集型、存储密集型和内存密集型三种负载的混合负载，因此不管此时负载为哪一个类型，只要某一类负载出现了瓶颈就会导致整个工作容器的工作遇到瓶颈，即功率变化出现异常。因此需要获得经过容器迁移后可迁移工作容器的第四功率序列进行分析。

在容器迁移过程中，可迁移容器内的负载会随着容器迁移过程逐渐增加，初始工作容器的负载会随着容器迁移过程逐渐减小，可以获得二者负载变化的线性序列。对于良好的容器迁移策略，可迁移容器内的功率会随着容器迁移过程增加负载逐渐增加，并且同样可视为线性关系，即在良好的容器迁移策略中，第四功率序列与线性序列应呈现同样的线性相关性，以线性序列和第四功率序列的皮尔逊相关系数作为第二线性相关性。

为了保证容器迁移后可迁移工作容器的稳定性，还需要监控可迁移工作容器的温度信息，即获得第二温度序列。根据第二温度序列呈现的温度序列，保证可迁移工作容器的工作状态。根据第四功率序列和第二温度序列获得散热系数序列，即第四功率越大，热量堆积的风险越大，则可迁移容器的散热性能越差，散热系数越小；第二温度越小则说明散热性能较好，系统的裕量较大，散热系数越大。具体的，获得散热系数序列包括：

根据功率温度和散热系数的关系可以通过数学建模的方法拟合出散热系数计算公式，根据散热系数计算公式获得散热系数序列；散热系数计算公式为：

其中，E为散热系数，P为第四功率序列中的瞬时第四功率，T_Max为预设的极限温度，T为第二温度序列的瞬时第二温度。

散热系数可以表示工作容器的散热能力，在良好的容器迁移策略中，可迁移工作容器的散热系数应该较大，且第二线性相关性应体现的更相关，因此进一步结合第四功率序列和第一功率序列的数据分析初始工作容器和每个可迁移工作容器的互斥关联度，互斥关联度越大则工作容器之间越不适合迁移，具体包括：

根据互斥关联度和各个系数之间的关系，并引入第四功率均值和第一功率均值的差值表示功率相关程度，通过数学建模方法拟合获得互斥关联度获取公式，根据互斥关联度获取公式获得互斥关联度。互斥关联度获取公式包括：

其中，Z为互斥关联度，P_MeanB为第四功率序列的第四功率均值，P_MeanA为第一功率序列的第一功率均值，β为第二拟合系数，V为第二相关性，E_B为可迁移工作容器的散热系数序列，trunc()为截断函数。

在互斥关联度获取公式中，第四功率均值和第一功率均值的差异表示了两个工作容器在启用后的相似程度，如果存在差异，则互斥关联度会较大，意味着出现排斥问题，会导致总线瓶颈，可迁移工作容器的功率反而会随着负载转移降低。

第二拟合系数的意义在于放大或者缩小第四功率均值和第一功率均值的差异，用于调整数据，当第二拟合系数小于一时，如果差异过大仍可以通过第二拟合系数缩小数值保证分母的取值范围；反之当第二拟合系数大于一时可以放大数值保证分母的取值范围，在具体的实施情况中可以根据需要来设置第二拟合系数的值，在此不作过多限定，在本发明实施例中，第二拟合系数取值为1。

经过截断函数处理过第二相关性的取值范围为[0,1]，当接近于1时，意味着在容器迁移后的启动过程中，可迁移工作容器的功率变化和负载变化是完全线性的，因此意味着可迁移工作容器的启动过程是平滑的，不容易出现总线瓶颈；反之，当接近于0时，意味着可迁移工作容器的功率变化和负载变化并非是线性的，功率会出现突发的异常变化，不规律的异常功率很有可能导致可迁移工作容器内部遇到总线瓶颈，并使得功率不稳定，影响工作效率。

步骤S4：根据互补关联度和互斥关联度筛选出最优可迁移工作容器。

因此互补关联度和互斥关联度越大，则说明两个工作容器越不适合迁移，但是仍然可以解决初始工作容器的过热问题，因此需要找到互补关联度和互斥关联度都最小的可迁移工作容器作为最优可迁移工作容器进行容器迁移，具体包括：

以互补关联度和互斥关联度的乘积作为匹配指标，根据匹配指标采用KM算法对初始工作容器和可迁移工作容器进行匹配，以匹配指标最小的可迁移工作容器作为最优可迁移工作容器。可根据最优可迁移工作容器执行容器迁移过程。

综上所述，本发明实施例采集初始工作容器的功率数据和温度数据。当温度数据出现异常时，根据其他工作容器的功率数据筛选出可迁移工作容器。根据可迁移工作容器在容器迁移前的功率数据与初始工作容器的功率数据的相关性判断互补关联度。根据可迁移工作容器在容器迁移后的功率数据与初始工作容器的功率数据的判断互斥关联度。根据互补关联度和互斥关联度共同筛选出最优可迁移工作容器。本发明实施例全面分析了工作容器之间的互补性和互斥性，提供科学有效的容器迁移策略。

本发明还提出了一种面向移动边缘计算的计算负载选择及迁移系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现任意一项一种面向移动边缘计算的计算负载选择及迁移方法的步骤。

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 (9)

1.一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述方法包括：

在预设第一采样时间段内获得初始工作容器的第一功率序列和第一温度序列；当所述第一温度序列中的元素大于预设迁移温度阈值时，获得其他工作容器在预设第二采样时间段内的第二功率序列；根据所述第二功率序列中数据间的差异评判容器质量指标，将低于预设质量指标阈值的所述容器质量指标对应的所述其他工作容器剔除，获得多个可迁移工作容器；

获得所述可迁移工作容器在所述第一采样时间段内的第三功率序列；根据所述第一功率序列和所述三功率序列的第一线性相关性获得所述初始工作容器和每个所述可迁移工作容器的互补关联度；

将所述初始工作容器的负载迁移至所述可迁移工作容器中，获得所述可迁移工作容器的第四功率序列和第二温度序列；根据所述第四功率序列和所述第二温度序列获得散热系数序列；所述初始工作容器和所述可迁移工作容器的负载变化的线性序列；获得所述线性序列和所述第四功率序列的第二线性相关性；根据所述第四功率序列、第一功率序列、第二线性相关性和所述散热系数序列获得所述初始工作容器和每个所述可迁移工作容器的互斥关联度；

根据所述互补关联度和所述互斥关联度筛选出最优可迁移工作容器。

2.根据权利要求1所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述根据所述第二功率序列中数据间的差异评判容器质量指标包括：

获取所述第二功率序列的第二功率均值、最大第二功率和最小第二功率，根据容器质量指标公式获得所述容器质量指标；所述容器质量指标公式包括：

其中，C为所述容器质量指标，α第一拟合系数，P_H为所述最大第二功率，P_L为所述最小第二功率，P_Mean为所述第二功率均值，trunc()为截断函数。

3.根据权利要求1所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述根据所述第一功率序列和所述三功率序列的第一线性相关性获得所述初始工作容器和每个所述可迁移工作容器的互补关联度包括：

获得所述第三功率序列中的最大第三功率；获得所述第三功率序列和所述最大第三功率的差异序列；以所述差异序列和所述第一功率序列的皮尔逊相关系数作为所述第一线性相关性；将所述第一线性相关性经过截断函数处理后，获得所述互补关联度。

4.根据权利要求1所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述根据所述第四功率序列和所述第二温度序列获得散热系数序列包括：

根据散热系数计算公式获得所述散热系数序列；所述散热系数计算公式为：

其中，E为所述散热系数，P为所述第四功率序列中的瞬时第四功率，T_Max为预设的极限温度，T为所述第二温度序列的瞬时第二温度。

5.根据权利要求1所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述获得所述线性序列和所述第四功率序列的第二线性相关性包括：

以所述线性序列和所述第四功率序列的皮尔逊相关系数作为所述第二线性相关性。

6.根据权利要求4所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述根据所述第四功率序列、第一功率序列、第二线性相关性和所述散热系数序列获得所述初始工作容器和每个所述可迁移工作容器的互斥关联度包括：

根据所述互斥关联度获取公式获得所述互斥关联度；所述互斥关联度获取公式包括：

其中，Z为所述互斥关联度，P_MeanB为所述第四功率序列的第四功率均值，P_MeanA为第一功率序列的第一功率均值，β为第二拟合系数，V为所述第二相关性，E_B为所述可迁移工作容器的散热系数序列，trunc()为截断函数。

7.根据权利要求1所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述根据所述互补关联度和所述互斥关联度筛选出最优可迁移工作容器包括：

以所述互补关联度和所述互斥关联度的乘积作为匹配指标，根据所述匹配指标筛选出所述最优可迁移工作容器。

8.根据权利要求6所述的一种面向移动边缘计算的计算负载选择及迁移方法，其特征在于，所述根据所述匹配指标筛选出所述最优可迁移工作容器包括：

根据所述匹配指标采用KM算法对所述初始工作容器和所述可迁移工作容器进行匹配，获得所述最优可迁移工作容器。

9.一种面向移动边缘计算的计算负载选择及迁移系统，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1～8任意一项所述方法的步骤。

Images