面向边缘计算的服务资源分配问题研究

杨世欣

(西安医学院 卫生管理学院， 西安 710021)

0 引言

边缘计算的概念是在云计算技术发展一段时间后才提出的，目前边缘计算和云计算技术相辅相成，作为构建万物互联环境的技术基础。

云计算模型[1-3]是一种服务提供模型，通过网络访问数据中心的计算资源、网络资源和存储资源等等；为应用提供可伸缩的分布式计算能力。云计算利用现有资源，使用虚拟化技术[4-5]构建由大量计算机组成的共享资源池，不仅具有功能强大的计算和监管能力，而且可以动态的分割和分配计算资源，以满足用户的不同需求，提供高效的交付服务。

边缘计算是指在网络边缘执行计算的一种新型计算模式，具体对数据的计算包括两部分：下行的云服务和上行的万物互联服务。边缘计算的“边缘”是相对概念，是指从数据源到云计算中心路径之间的任意计算、存储和网络资源[6]。根据应用的具体需求和实际场景，边缘可以是这条路径上的一个或多个资源节点。边缘计算模型,如图1所示。

万物互联背景下，应用服务需要低延时、高可靠性以及数据安全，而传统的云计算模式在实时性、隐私保护和能耗等问题上无法满足需求。边缘计算模型充分挖掘网络中边缘终端的计算能力，在边缘终端处执行部分计算或全部计算、处理隐私数据，降低云计算中心的计算、传输带宽负载及能源消耗。

1 边缘计算服务资源分配问题概述

无论是云计算还是边缘计算，服务资源的分配都是非常关键的问题。由于服务器存储和计算硬件资源限制以及用户分布的不均匀性，导致可以同时运行的服务数量很有限，在服务分配时存在着网络延迟高，各服务器间负载不均衡的问题。针对边缘计算环境下的服务资源调度与配置，只有高效、低负载地实现资源动态调度，才能保障计算的实时性和有效性。在传统云端环境下常用的服务资源调度与配置模式只是在云中心收到用户请求后实时响应，却无法及时准确预测出用户未来的应用请求、难以确定需求资源的部署位置、难以在海量实时请求下选择高效的转发链路。因此，如何突破上述局限，设计一种低负载高能效的服务资源按需调度的方法，以实现资源需求的准确预测和高效调度，是值得研究的问题。

2 现有边缘计算服务资源分配策略

现有方法多集中在缓存置换技术的研究上，核心在于如何根据服务器缓存空间、任务存储需求、请求时间和频次等优化缓存空间。常用的传统的策略有最近最少使用算法LRU(Least recency used)[7]，即移除最近一段时间内被请求数最少的服务，近期最少使用法LFU(least frequency used)[8]，即移除最近一段时间内最长时间未被请求的服务，还有先进先出算法FIFO(First in first out)[9]。在此基础上，Aarwal[10]提出基于LRU的改进算法，通过在边缘层执行资源分配和调度，实现了更高的响应速度、更低的传输成本；Dimokas N[11]根据边缘设备的缓存特点，提出了PCICC的缓存置换策略，通过优化数据请求与置换次序，提高了边缘缓存利用率。然而，这些方法无法根据应用的变换进行自适应调节，且多是针对同一边缘节点进行优化，由于用户的移动性，若资源均部署在同一边缘节点，难以持续保障低时延的服务。

其他较先进的服务分配策略有基于偏好的分配策略，即对各个服务的用户历史请求数据进行了分析，从而可以知道用户对不同服务的不同偏好；基于学习的分配策略，可以对用户请求数据进行分析学习，提升动态调整的能力；还有非协作式的分配策略、协作式的分配策略等。尽管不同于云计算，边缘计算有低延迟、本地化等优势，但边缘计算服务的资源相对于云中心要小很多；所以出于成本因素，不可能在每个网络边缘部署大量用来进行技术计算和存储的服务器集群，从而不能将数据中心的所有应用都下放给某个边缘服务器。

3 一种新的服务资源分配策略

现有的服务资源分配方案，存在资源需求预测难、调度负载均衡难等问题。所以本文提出一种新的低负载高能效的按需服务资源分配方案，通过一种场景和需求感知的服务资源预测模型实现服务资源的高效分配目的。

这种新的服务资源分配策略的具体方案是：建立用户行为的预测模型，在预测出用户行为的基础上，才能据此进行所需服务资源的预测。由于现今用户的移动性增强，仅考虑历史数据、属性信息等是不够的，若能进一步考虑所处场景对于用户行为的影响，将有效提高预测的准确度。由于行为预测的过程可以看作是样本分类的过程，即判断行为与场景数据、历史数据等关联程度，将相符的行为分类到相应的行为集合中。所以可将多维特征数据，通过特征融合、投影变换，在最佳鉴别矢量空间通过Fisher判别准则融合用户的多维特征，并求解最优投影方向，也即是具有最佳推荐效果的分类方向，具体流程如图2所示。

图2 预测流程图

(1)

那么在给定高维样本空间上，各分类样本中的类间离散度Sb，类内离散度Sw和总的离散度St的定义分别如式(2)、式(3)、式(4)。

(2)

(3)

(4)

可得出St=Sb+Sw，各离散度矩阵可转换为如式(5)。

(5)

同理可知,Sw与St可被转换为如式(6)、式(7)。

(6)

(7)

基于离散度矩阵的性质，各矩阵的迹可表示分类样本的样本结构，以及各样本空间与总体样本中心(类间离散度)间的偏差程度，定义如式(8)。

(8)

如果GT∈Rl×m表示任意的线性变换, 基于各离散度的定义, 在样本空间Rl中, 那么投影变换后的各离散度定义形式如式(9)、式(10)、式(11)。

(9)

(10)

(11)

(12)

(13)

在用户行为预测模型的基础上，通过将行为与所需资源进行关联，进而确定需要预先放置的资源；实现边缘计算的服务资源分配的更优化。

4 总结

本文首先介绍了云计算与边缘计算的概念，指出边缘计算是万物互联背景下对云计算不足方面的一种技术补充；然后对已有的边缘计算的服务资源分配方法进行对比，发现不足；最后提出了一种新的低负载高能效的按需服务资源分配方案。