[发明专利]一种面向智能制造场景的边云协同服务编排方法

说明书

本发明公开了一种面向智能制造场景的边云协同服务编排方法，本发明通过搭建测试平台获取多组件应用的延迟样本，深入分析多跳延迟特点，设计基于机器学习的延迟预测方法LPML，基于上游数目的不同，得到不同回归模型，并提出延迟感知的边云协同编排算法LaECP。并且通过实验结果表明，LPML的延迟预测标准RMSE比基于排队论的数学模型低10倍；基于LPML的LaECP算法所得系统总延迟比基于排队论的LaECP算法快30倍。解决了多跳应用的延迟难精确刻画问题和在应用延迟约束下，如何使所有应用延迟之和最小化的问题。

技术领域

本发明属于智能制造领域，具体涉及一种面向智能制造场景的边云协同服务编排方法。

背景技术

随着电子电气技术，信息技术和先进制造技术的快速发展，制造企业的生产方式正在从数字化向智能化转变。万物互联的工业4.0时代已经到来！智能终端和各类传感器产生的数据正以指数级爆发增长。在这种情况下，考虑到网络带宽和延迟限制导致的性能限制，云计算不再是支持这些智能工厂应用程序的适当平台。边缘计算应运而生，它将计算移向网络边缘以减少响应延迟，同时避免了边缘到核心的网络带宽限制。最小化延迟是边缘计算系统的热门研究课题，尤其在工业4.0场景下，整个工厂系统数据流的实时性，直接影响系统的生产效率和正常运行。资源编排是确保应用实时的重要视角。如何编排这些异构资源以满足智能工厂应用的延迟约束是当前亟待解决的问题。针对边缘计算的资源编排已有多方面的工作然而这些工作集中于优化编排策略，忽略了精确刻画服务延迟对于编排结果的重要性。延迟主要由通信和计算两方面组成，当前的数学模型方法无法对延迟(尤其多跳延迟)精确建模，主要原因如下：(1)通信和计算过程都可能出现排队，而排队论无法建模多跳延迟；(2)通信时间不只简单的与通信量和带宽相关，还与链路的可靠性、链路总通信量等信息有密切关联；(3)同样地，微服务的需求/设备的总量也不能精确刻画计算时间，设备性能，CPU利用率，消息中心数据量也是影响计算时间的重要因素。

发明内容

本发明的目的在于克服上述不足，提供一种面向智能制造场景的边云协同服务编排方法，解决了多跳应用的延迟难精确刻画和在应用延迟约束下，如何使所有应用延迟之和最小化。

为了达到上述目的，本发明包括以下步骤：

一种面向智能制造场景的边云协同服务编排方法，包括以下步骤：

步骤1，搭建基于容器的测试平台，然后对应用的流程进行容器化封装；

步骤2，通过分析应用的流程，生成微服务的放置方案；

步骤3，通过工具CRF(容器资源获取)和工具LSF(获取样本延迟)来获取多跳应用在不同编排方案下的延迟样本；

步骤4，对延迟样本进行分析，并送入基于机器学习的延迟预测算法LPML中得到回归模型，并预测设备上的微服务延迟；

步骤5，将微服务优先放在边缘设备上以减少延迟，其他放至云端减少延迟，完成边云协同服务编排。

进一步的，步骤1中，对应用的流程进行容器化封装时，是将每个应用的微服务封装在docker(一个开源的应用容器引擎)容器中，微服务间采用轻量级发布/订阅信息传输协议MQTT进行信息交互。

进一步的，步骤3中，工具CRF(容器资源获取)用于自动获取测试平台中每个容器在在运行过程中的资源需求；工具LSF(获取样本延迟)用于使多跳应用自动运行内置的所有放置方案，并从中获取多跳应用的延迟样本。

进一步的，步骤4中，分析每个延迟样本，并从中提取当前微服务及微服务上游的所有特征，将延迟样本分为训练集和测试集，并送入基于机器学习的延迟预测算法LPML中得到回归模型，再通过以下公式来预测微服务的延时l_v；