电力物联网边缘计算终端的微服务建模与计算资源配置方法

2022-03-12 07:46:18岑伯维蔡泽祥武志刚胡凯强陈元榉杨剑文
电力系统自动化 2022年5期
关键词:计算资源时序资源配置

岑伯维,蔡泽祥,武志刚,胡凯强,陈元榉,杨剑文

(华南理工大学电力学院,广东省广州市 510641)

0 引言

随着电力物联网的发展,电力末端设备如传感器、智能电表等呈现出海量接入的态势[1-3]。异构多源的数据信息在爆发式增长的同时,也催生了电力物联网业务多元化、生态化的需求[4-6]。现有“主子站”架构的电力自动化系统存在可扩展性差、软硬件耦合性强、计算资源配置冗余等问题,将难以适应电力物联网的发展[7-8]。基于云-边融合的物联网平台应运而生,与现有电力自动化系统智慧联动运营[9-10],从而更好地满足增量接入对象的业务需求,将成为新一代电力自动化系统的发展方向之一[11-12]。

边缘计算终端是云-边融合系统中支撑海量异构信息深度感知和高效处理,实现电力物联网业务多元化、生态化的关键节点[13-15]。微服务是组织和构建电力物联网业务的关键技术[16-18],不同类型的微服务、同类型的微服务的不同组织形式均是影响计算资源需求、业务延时、资源利用率等的重要因素。边缘计算终端的微服务建模是分析这些影响因素和实现计算资源配置的前提,因此,电力物联网边缘计算终端的微服务建模具有重要意义。此外,受电网资产的地理分布、可利用空间等的限制,边缘计算终端的资源容量应根据所承担的电力物联网业务进行合理配置,避免资源和空间的冗余浪费,提高终端资源的利用率。为此,本文在建模的基础上进一步研究了边缘计算终端的计算资源配置方法。所研究问题包括考虑微服务时序逻辑、容器资源弹性分配、终端资源利用率、延时和成本、决策容器资源分配量和边缘计算终端计算资源容量。

目前,关于边缘计算终端建模的研究主要集中在云-边协同机制、功能设计和应用场景。文献[19]建立了云-边协同结构模型,常规业务由边缘计算平台完成,数据综合处理业务由云-边协同完成。文献[20]建立了云-端自主配电系统模型,云平台负责提供能源业务,终端通过应用软件向云获取能量服务。文献[21]分析了边缘计算节点的关键技术,提出了边缘计算节点在硬件和软件层面的实现方案,设计了其配电网应用场景。文献[22]提出了一种边缘计算终端架构,比较了不同虚拟化技术方案的优劣,探讨了支撑其实现的容器技术机制。然而,关于边缘计算终端的微服务建模研究和讨论在现有文献中仍然较少,在此基础上的计算资源配置研究更是处于空白状态。

本文提出了一种电力物联网边缘计算终端的微服务建模与计算资源配置方法,所研究的边缘计算终端的应用场景为配电网台区,面向配电网台区的新型自动化类业务,仿真中以电力物联网配电台区的新型自动化类业务验证了本文方法的有效性。

1 边缘计算终端的微服务建模

1.1 微服务架构

在电力物联网背景下,为了满足形态多样的业务需求,微服务成为组织和构建电力物联网业务的关键技术。微服务技术将单一应用程序分解为一组具有松散耦合和独立部署特点的微小服务,通过服务之间相互协调、相互配合完成业务[23-24]。

本文提出边缘计算终端的微服务架构如附录A图A1 所示。该架构自下而上包括接入层、网关层、基础设施层、平台层、支撑层、业务服务层共6 层。接入层表示业务计算需求,网关层表示可采用的通信方式,基础设施层为平台层提供了物理资源的支撑,平台层承载了边缘计算终端的操作系统及管理模块,支撑层为业务服务层提供了后台服务的支撑,业务服务层是微服务的核心层,也是后续微服务时序逻辑建模工作的研究重点。业务服务层可再细分为聚合服务层和基础服务层,因此,微服务依据这2 个层级分为了2 种类型,分别是基础服务和聚合服务。聚合服务是电力物联网业务的载体,聚合服务对一组基础服务进行聚合并组织基础服务的时序逻辑结构。当该组基础服务全部执行完成后,聚合服务随之完成,即业务完成。基础服务是容器提供计算资源的最小单元,考虑到容器运行的稳定性,每个容器中一般仅有一个基础服务。

微服务技术与边缘计算终端具有良好的适配性[25-27]。一方面,微服务具有轻量级独立部署、技术选型灵活等特点,提高了应用团队的开发效率;另一方面,边缘计算终端采用容器技术,可以构建多个具有计算并行性的容器以适配各个基础服务的计算资源需求。基于微服务的边缘计算终端模型如附录A图A2 所示。

1.2 基础服务时序逻辑模型

基础服务时序逻辑模型用于表征聚合服务下各基础服务间的时序逻辑关系,分为串行关系和并行关系2 种。由此,本文抽象出孤立型、串联型、并联型和复合型4 种支路。

每种支路的组成规则为:1)所有的单一基础服务可视为1 个孤立支路;2)并联支路由2 个及以上的孤立支路并联而成;3)串联支路只存在于复合支路中,且由2 个及以上的孤立支路串联而成;4)复合支路上至少存在1 个串联支路,可由串联支路和孤立支路并联而成。

按照本文定义的支路组成规则,以电价型负荷响应聚合服务为例绘制基础服务时序逻辑图,如附录A 图A3 所示。

1.3 聚合服务时序逻辑模型

聚合服务时序逻辑模型用于表征聚合服务的关联性和周期性。周期性是指聚合服务以一定时间间隔执行;关联性是指2 个及以上聚合服务之间具有先后执行顺序的关系。由此,聚合服务可分为4 种类型,包括非周期非关联型、非周期关联型、周期非关联型和周期关联型,各种类型的聚合服务如图1所示。

图1 中,聚合服务AS1构成了一个周期非关联型聚合服务,Tq,C和Δtq,C分别为第q个周期非关联型聚合服务的延时和周期间隔;聚合服务AS2和AS3构成了一个周期关联型聚合服务,Tu,D和Δtu,D分别为第u个周期关联型聚合服务的延时和周期间隔;聚合服务AS4构成了一个非周期非关联型聚合服务,TAS,4和tAS,4分别为延时和起始时间;聚合服务AS5和AS6构成了一个非周期关联型聚合服务,TAS,5+TAS,6为延时,tAS,5为起始时间;BSx,y表示第x个聚合服务中第y个基础服务。

用矩阵Q和矩阵W分别表征聚合服务的关联性和周期性的特点,以图1 为例阐述矩阵Q和W的列写方法。

矩阵Q每列表示一个聚合服务,矩阵第1 行元素表示聚合服务的组别号,具有相同组别号的聚合服务构成了一个关联型聚合服务,具有单独组别号的聚合服务构成了一个非关联型聚合服务。矩阵第2 行元素表示在一个组别内的聚合服务执行顺序。因此,根据图1 的聚合服务AS1至AS6,可得矩阵Q的表达式为:

图1 不同类型的聚合服务时序逻辑示意图Fig.1 Schematic diagram of time sequential logic for different types of aggregated services

2 基于微服务的边缘计算终端计算资源配置方法

2.1 边缘计算终端的计算资源供需模型

2.1.1 基础服务的计算资源需求模型基础服务的计算资源需求矩阵R的表达式为:

式中:ri,j,cpu和ri,j,ram分别为第i个聚合服务中第j个基础服务的中央处理器(central processing unit,CPU)资源和内存资源的需求量,i=1,2,…,m,j=1,2,…,n,其中m为聚合服务总数,n为基础服务总数。

2.1.2 容器的计算资源供给模型

容器的计算资源模型矩阵S的表达式为:

式中:si,j,cpu和si,j,ram分别为第i个聚合服务中第j个基础服务的容器CPU 资源和内存资源的供给量。

2.1.3 延时灵敏度模型

容器的计算资源供给量灵活可调,当计算资源供给量大于需求量时,基础服务的延时减少,反之则延时增加。容器供给的计算资源量与基础服务的计算资源需求量的偏差率表达式为:

式中:ξi,j,cpu和ξi,j,ram分别为第i个聚合服务中第j个基础服务的容器CPU 资源和内存资源的供需偏差率。

计算资源量的供需偏差将引起基础服务延时的变化,且CPU 资源和内存资源对延时的影响也不同。工程经验中,CPU 资源灵敏系数kcpu的取值范围为0.80~0.95,内存资源灵敏系数kram的取值范围为0.05~0.20。延时灵敏度模型表达式为:

式中:ti,j和t*i,j分别为第i个聚合服务中第j个基础服务在计算资源供给量调整前和调整后的延时。

2.1.4 边缘计算终端的计算资源供给模型

边缘计算终端容器与基础服务是一一对应关系,每个聚合服务包括多个基础服务。因此,聚合服务与容器间是一对多的关系,即边缘计算终端将采用一组容器为聚合服务供给计算资源。

边缘计算终端为非周期非关联型聚合服务供给计算资源的模型表达式为:

式中:ε(t−ti,j,ini)和ε(t−ti,j,ini−t*i,j)均为阶跃函数;Ai,cpu(t)和Ai,ram(t)分别为边缘计算终端为第i个非周期非关联型聚合服务供给CPU 资源和内存资源的时序曲线;ti,j,ini为该聚合服务中的第j个基础服务的起始时间。

边缘计算终端为非周期关联型聚合服务供给计算资源的模型表达式为:

式中:Du,cpu(t)和Du,ram(t)分别为边缘计算终端为第u个周期关联型聚合服务供给CPU、内存资源的时序曲线;Bu,v,cpu,D(t−kTu,D−kΔtu,D)和Bu,v,ram,D(t−kTu,D−kΔtu,D)分别为构成第u个周期关联型聚合服务的第v个非周期关联型聚合服务的CPU 和内存资源时序曲线;U为周期执行累计次数。

边缘计算终端的总供给计算资源模型的表达式为:

式中:Pcpu(t)和Pram(t)分别为边缘计算终端的CPU资源和内存资源供给时序曲线;N1、N2、N3和N4分别为非周期非关联型、非周期关联型、周期非关联型和周期关联型聚合服务的数量。

2.2 边缘计算终端的计算资源配置模型

边缘计算终端的计算资源容量配置以最小化总成本CECT为目标。其中包括计算资源投资成本Cinv、容器运行成本Cope和聚合服务延时越限惩罚成本Cpen,相关表达式为:

式中:Ecpu和Eram分别为边缘计算终端的CPU 资源和内存资源的配置量;ccpu和cram分别为单位CPU 资源和内存资源的配置成本;Cope,cpu和Cope,ram分别为容器CPU 资源和内存资源的运行调用成本,其大小由容器运行时间、容器供给的CPU 资源、内存资源量共同决定;αcpu和αram分别为单位时间供给单位CPU资源和内存资源的成本系数;TAS,i和T*AS,i分别为第i个聚合服务的延时和最大容忍延时;M为惩罚系数;N为聚合服务总数。

本文计算资源配置模型考虑了计算资源投资成本、容器运行成本和聚合服务延时越限惩罚成本。其中,资源投资成本是需要考虑边缘计算终端的实际部署受电网资产的地理分布、可利用空间等的限制及资源配置投资等因素制定的投资综合性指标,会影响本文边缘计算终端的计算资源配置量。容器运行成本是考虑计算资源使用的发热损耗、能耗开销等因素制定的运行综合性指标,会影响本文计算资源供给曲线和容器资源供给量。聚合服务延时越限惩罚成本是根据业务服务质量的要求制定的延时指标。

计算资源配置模型的约束条件需要考虑容器资源垂直弹性伸缩约束、边缘计算终端的计算资源容量约束和计算资源期望利用率约束,表达式为:

式中:ξver,cpu和ξver,ram分别为容器的CPU 资源和内存资源的垂直弹性伸缩率;θcpu和θram分别为边缘计算终端的CPU 资源和内存资源的期望利用率;Δtsim为仿真步长;σ为时段内Δtsim的总数。

在实际中,边缘计算终端服务商所提供的容器技术具备弹性伸缩触发器的机制,为本文容器资源垂直弹性伸缩的实现提供了技术支撑。依靠目前物联网技术,垂直弹性伸缩率能做到动态可调,其值的设定既与服务相关,也与边缘计算终端的可用资源相关。本文工作为分析容器资源垂直弹性伸缩率对计算资源配置的影响提供了手段。

2.3 求解算法

求解算法流程如图2 所示。该算法分为左侧与右侧2 个部分。在左侧部分算法流程中,采用第2.2 节计算资源配置模型中的决策变量Ecpu、Eram、si,j,cpu和si,j,ram。计算资源配置模型中的TAS,i、Pcpu(t)和Pram(t)需要根据图2 中右侧部分的算法流程进行求解,求解后将结果返回至左侧部分的算法流程。

基础服务和聚合服务的时间变量需要满足时序逻辑关系。求解时间戳和延时的过程无法用数学的显示公式直接表达,求解过程在图2 算法流程的右侧部分完成,通过调用编写的函数进行实现。

图2 基于时序逻辑的边缘计算终端计算资源配置算法Fig.2 Algorithm for computing resource configuration of edge computing terminals based on time sequence logic

采用差分进化算法的原因在于目前的求解器、工具箱等无法提供向外调用函数取返回值的接口,而差分进化算法能提供接口,从而实现本文模型的求解,且考虑到差分进化算法是当前较有实力的全局搜索优化算法,充分利用种群提供的局部信息与全局信息,使得种群逐步收敛到最优解。本文在差分进化的每次迭代中采用了保留各代最优种群的机制,保证迭代过程朝着优化方向进行,并通过设置收敛条件为达到一定迭代次数且目标函数的变化值满足收敛精度来保证收敛性。

3 算例分析

3.1 算例设置

本文以配电网台区新型自动化类业务为例进行验证,依托中国广东省重点研发项目示范工程和考虑配电网台区业务需求选取边缘计算终端的配电网台区聚合服务,相关参数如附录A 表A1 和表A2 所示,其他参数如附录A 表A3 所示。

首先,采用附录A 表A1 中的电价型负荷响应聚合服务参数分析容器资源垂直弹性伸缩率、聚合服务最大容忍延时和资源灵敏系数对计算资源配置的影响。然后,采用附录A 表A2 中的配电网台区聚合服务参数求解多类型聚合服务场景的边缘计算终端从而计算资源配置结果。其中,仿真时段10 s内共有8 个即插即用和拓扑识别聚合服务、1 个回路阻抗监测和断线故障定位聚合服务、3 个线损分析聚合服务、1 个光伏并网管控聚合服务和1 个电动汽车充电聚合服务。

3.2 容器资源垂直弹性伸缩率的影响分析

在聚合服务的最大容忍延时为0.75 s,CPU 资源灵敏系数为0.85,内存资源灵敏系数为0.15 的条件下,求解容器资源垂直弹性伸缩率分别为0%、10%、15%和20%时的边缘计算终端计算资源配置结果,如图3 和表1 所示。

图3 容器的计算资源供给曲线Fig.3 Curves of computing resource supply for containers

表1 垂直弹性伸缩率对计算资源配置结果的影响Table 1 Effect of vertical elastic scaling rate on computing resource configuration results

由图3 和表1 可知,随着资源弹性伸缩率的增加,计算资源供给曲线在横向和纵向上都有减少的趋势。横向看,聚合服务延时从0.75 s 减少至0.71 s。纵向看,CPU 资源从0.250 GHz 减少至0.201 GHz,内存资源从65.0 MB 减少至52.1 MB。说明容器资源垂直弹性伸缩率的增加,可使各容器供给资源能在更大范围内灵活调整,有利于节省计算资源、降低聚合服务延时和提高计算资源利用率。

由附录A 图A4 可知,与其余容器相比,容器4和5 的CPU 资源和内存资源供给量随着容器资源垂直弹性伸缩率的上升反减少,这一现象说明容器4 和5 是决定计算资源供给曲线峰值的主要因素。容器1、6 和7 的CPU 资源和内存资源供给量随着容器资源垂直弹性伸缩率的上升而增加,这一现象说明容器1、6 和7 是决定聚合服务延时的主要因素。

3.3 聚合服务最大容忍延时影响分析

在容器资源垂直弹性伸缩率为10%和20%、CPU 资源灵敏系数为0.85、内存资源灵敏系数为0.15 的条件下,求解不同最大容忍延时的边缘计算终端计算资源配置结果,如附录A 表A4 所示。

在容器资源垂直弹性伸缩率为10%和20%的情况下,聚合服务最大容忍延时的最小值可以分别设置为0.73 s 和0.70 s。当延时要求更高时,则无可行解。说明在一定的垂直弹性伸缩率下,容器通过对资源供给量的灵活调节以适应一定程度聚合服务最大容忍延时的变化,且垂直弹性伸缩率的增加也有助于降低延时。

3.4 计算资源灵敏系数影响分析

在容器资源弹性伸缩率为10%和20%、聚合服务延时约束为0.75 s 的条件下,求解不同取值计算资源灵敏系数下的边缘计算终端计算资源配置结果,如附录A 表A5 所示。

由配置结果可知,CPU 资源灵敏系数和内存资源灵敏系数在一定范围内变化,对聚合服务的延时和计算资源配置结果影响较小。其原因是在一定垂直弹性伸缩率下,容器利用资源的调节空间能适应计算资源灵敏系数在一定程度的波动,且垂直弹性伸缩率的增加也有助于提高计算资源利用率。

3.5 考虑多类聚合服务的边缘计算终端计算资源配置结果

本文构建了非并发和并发2 种聚合服务的仿真场景,求解这2 种场景的边缘计算终端计算资源配置结果如表2 所示。非并发场景:在仿真时段内,用随机数为非周期型聚合服务生成其起始时间,构造共50 个样本,所得结果取期望值。并发场景:在仿真时段内,设置一次所有聚合服务同时执行,所得结果取峰值。

表2 考虑多类聚合服务的边缘计算终端计算资源配置结果Table 2 Results of computing resource configuration for edge computing terminals considering multiple types of aggregation services

由表2 可知,在非并发场景中,容器资源垂直弹性伸缩率为20%,相比于0%时所配置的CPU 资源和内存资源分别可以节省约40.00% 和35.86%,CPU 资源和内存资源的利用率分别有效提升了约18.0%和15.4%。在并发仿真场景中,CPU 资源和内存资源分别可以节省约17.44%和7.90%,CPU资源和内存资源的利用率分别有效提升了约7.89%和8.80%。因此,垂直弹性伸缩率的提升可以带来计算资源节省和资源利用率的提升。按照并发场景的结果配置边缘计算终端的计算资源能适应非并发场景,但有可能陷入保守配置。

3.6 算法稳定性、精度和速度的实验分析

本文对所提算法进行了稳定性、精度和速度的实验分析,实验结果如附录A 表A6 所示,算法收敛曲线如附录A 图A5 和图A6 所示。

将表中数据进行分组对比可知,当差分进化算法的交叉概率在0.1 至0.3 变化时,对平均目标函数值影响微小,最大求解波动均小于1%,收敛限值均可达到0.5×10−6。当种群维数从20 增加至50 时,求解单个聚合服务时间增加为原来的约2.5 倍,求解多聚合服务流时间增加为原来的约2 倍。本文研究的计算资源配置方法属于资源规划层面问题,对于算法求解的实时性没有严苛的要求,因此求解时间不是本文关注的主要方面。

本文通过多次实验和观察收敛曲线设置合适的最大迭代次数。由附录A 图A5 和图A6 可知,在近200 代、400 代时解的情况不再有更新,因此,设置最大迭代次数分别为2 倍于200 代、2 倍于400 代,保证前面“更新过程”和后面“稳定过程”具有相近代数,从而确保解的稳定收敛。

4 结语

本文在提出的微服务架构基础上,建立了基础服务和聚合服务的时序逻辑模型。接着,提出了基于微服务的边缘计算终端计算资源配置方法。本文所提出模型与方法旨在为电力物联网边缘计算终端和微服务的工程设计提供分析手段和参考依据。

本文研究的是一款面向配电网台区的新型自动化类业务、具有微服务和计算功能的终端。所提出的微服务建模和边缘计算资源配置可以在网关、集中器、台区总表等设备上改造实施,也可以独立在新的终端上部署实施。

下面对本文研究工作的局限性和未来可深入研究的方向进行讨论。

本文以配电网台区的电力物联网自动化类业务开展算例,但本文边缘计算终端的微服务建模方法仍然适用于其他具有时序逻辑的业务类型。边缘计算终端在电力系统中面向的业务类型是多元化的,涉及调度、保护、自动化、营销等方面,如何针对不同业务类型的实时性、可靠性、安全性等需求,构建边缘计算终端、微服务等模型,研究其计算资源配置和调度问题是电力物联网边缘计算终端研究方向上值得进一步研究的课题。

本文研究的问题属于资源规划配置层面,因此在优化模型中考虑微服务时序逻辑、容器资源弹性分配、终端资源利用率、延时和成本等因素。而边缘计算终端面向实时计算和不同类型业务场景时所关注的指标和建立的模型有所差别,应针对不同场景的研究问题展开建模工作。

本文边缘计算终端的计算资源配置方法为确定性研究,而未来电力物联网中,在数据融合、数据安全、通信网络等各方面条件完备支撑下,微服务数量和需求将呈现出不断增加、动态变化的特点,如何通过微服务的不确定性建模分析未来电力物联网发展态势将是后续的重要研究方向。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx),扫英文摘要后二维码可以阅读网络全文。

猜你喜欢
计算资源时序资源配置
基于时序Sentinel-2数据的马铃薯遥感识别研究
基于Sentinel-2时序NDVI的麦冬识别研究
基于模糊规划理论的云计算资源调度研究
改进快速稀疏算法的云计算资源负载均衡
我国制造业资源配置概述
基于Wi-Fi与Web的云计算资源调度算法研究
耦合分布式系统多任务动态调度算法
一种毫米波放大器时序直流电源的设计
电子制作(2016年15期)2017-01-15 13:39:08
把资源配置到贫困人口最需要的地方
中国卫生(2016年3期)2016-11-12 13:23:18
刑事侦查资源配置原则及其影响因素初探