[发明专利]在容器化边缘计算中自动分配资源的方法及系统

说明书

本发明提供了一种在容器化边缘计算中自动分配资源的方法及系统，包括：步骤S1：监视器收集数据，在消息代理上发布容器资源利用率和应用程序性能状态统计信息；步骤S2：分析规划器接收通过消息代理获得的监控器发送的信息，通过机器学习的方式建立模型，基于模型推理生成扩展操作；步骤S3：执行器接受分析规划器传输的数据生成分配资源的扩展指令。本发明提供了一种在容器化边缘计算中根据系统运行情况自动分配资源的方法，采用监视‑分析规划器‑执行闭环来自适应调整资源分配，分析规划支持采用机器学习手段的系统建模方法。本发明方法兼顾了多个目标的组合优化，能够在平衡资源利用、提高能源效率的同时保障边缘计算应用的实时性等需求。

技术领域

本发明涉及边缘计算技术领域，具体地，涉及一种在容器化边缘计算中自动分配资源的方法及系统。

背景技术

近年来，随着信息技术的不断进步，智能端系统不断泛在普及，以及移动互联网、物联网智能应用的飞速发展，面向云中心、边缘节点、端设备的智能化应用引起了业界的广泛关注。智能化应用采用基于弹性服务的基础设施支撑架构，即是指运行在云计算环境中的虚拟机或容器集群，支持用户自由调度计算资源，不受传统硬件设备的限制。弹性服务具有良好的可拓展性，支持用户随时在线对服务器的内存、系统盘和带宽进行灵活调整；凭借集群部署的成本优势，极大程度降低了IT部署与业务运维成本；由于服务分散在多台主机、所以不容易彻底宕机，抗灾容错能力强，能够确保长时间在线，让计算运行更加安全、可靠。弹性服务早期采用虚拟机技术，目前采用容器技术更加流行。容器化技术只虚拟一个小规模的隔离环境，而且轻量级、启动速度很快，除了运行其中应用以外，基本不消耗额外的系统资源。Kubernetes和Docker Swarm等即为工业界著名的基于容器技术的分布式架构领先方案。基于容器技术的分布式弹性计算系统将物理资源整合为一个整体，上层通过容器镜像，对外提供弹性计算服务。每个容器包含两个重要资源：计算资源和存储资源，指CPU、内存、带宽等资源，资源虚拟化后，统一再分配给容器化云服务器使用。

随着边缘感知数据爆炸式的增长，基于云计算中心的传统数据处理框架逐渐产生局限性。为了应对数据增长云中心负载的持续压力，一种可行的方案是基于多个边缘云的协同。边缘计算与云计算各有所长，云计算擅长全局性、非实时、长周期的大数据处理与分析；边缘计算更适用局部性、实时、短周期数据的处理与分析，能更好的支撑本地业务的实时智能化决策与执行。边缘计算同样采用基于容器化技术的云边端一体化的智能计算架构，屏蔽边缘节点的资源异构性，构建层次化的计算模型。华为的Kubeedge等容器化边缘计算框架就实现了对异构、跨平台的边缘资源进行统一抽象建模和管理。

目前技术架构中对容器使用资源的分配采用固定的方法。考虑容器集合的初始位置提供相匹配的资源，之后为提供能力的自适应功能，在配置文件中设置门限值，以便对资源进行相应的横向扩展或纵向扩展。横向扩展即为增强容器数量，纵向扩展即为为每个容器分配更多的资源。另一方面，采用门限策略需要对如何设置门限参数有综合化的知识，需要预先了解容器中应用负载等情况。而在边缘计算场景中，容器是在异构的云和边缘服务器上进行负载均衡，进一步实现多个目标的组合优化，如改进计算性能，保障应用实时性，平衡资源利用、提高能源效率，并减少部署成本等，因此简单实用门限方法不能满足资源自适应分配的需求。

引入机器学习对容器化边缘计算采用自适应资源分配方式是非常重要的设计考量，但是目前的软件平台缺少对这方面的考虑。本发明即提出一种在容器化边缘计算中利用机器学习自动分配资源的方法。

目前技术架构中对容器使用资源的分配采用固定的方法。考虑容器集合的初始位置提供相匹配的资源，之后为提供能力的自适应功能，在配置文件中设置门限值，以便对资源进行相应的横向扩展或纵向扩展。横向扩展即为增强容器数量，纵向扩展即为为每个容器分配更多的资源。另一方面，采用门限策略需要对如何设置门限参数有综合化的知识，需要预先了解容器中应用负载等情况。而在边缘计算场景中，容器是在异构的云和边缘服务器上进行负载均衡，进一步实现多个目标的组合优化，如改进计算性能，保障应用实时性，平衡资源利用、提高能源效率，并减少部署成本等，因此简单实用门限方法不能满足资源自适应分配的需求。