CN111432005B - 一种窄带弱连网络条件下服务迁移的方法 - Google Patents
一种窄带弱连网络条件下服务迁移的方法 Download PDFInfo
- Publication number
- CN111432005B CN111432005B CN202010234294.XA CN202010234294A CN111432005B CN 111432005 B CN111432005 B CN 111432005B CN 202010234294 A CN202010234294 A CN 202010234294A CN 111432005 B CN111432005 B CN 111432005B
- Authority
- CN
- China
- Prior art keywords
- service
- node
- edge
- access
- migration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种窄带弱连网络条件下服务迁移的方法,它包括以下步骤:(a)使每个边缘服务节点与其服务的末端用户通过周期性的信标信息彼此监测逻辑连接的状态;(b)当逻辑连接失效时,所述边缘服务节点向云中心或移动边缘服务节点集合内的虚拟主节点报告迁移需求,所述末端用户主动寻找其它可能的接入对象并在成功接入后委托其向所述云中心或所述虚拟主节点报告;(c)所述云中心或所述虚拟主节点根据获得的欲迁移服务的发起节点和期望接纳迁移服务的接收节点的地址后,依据其维护与更新的云‑边或边‑边融合网路由图,确定迁移路径并进行迁移。从而提升服务和数据的迁移效率,确保应用服务不间断。
Description
技术领域
本发明属于网络服务技术领域,涉及一种窄带弱连网络条件下服务迁移的方法,具体涉及一种在间歇断连与窄带弱连网络条件下提升迁移服务和数据效率的方法。
背景技术
多节点机动信息服务中心在管理跨节点数据时,针对特定环境(间歇弱连接特性和窄带弱连网络),需要实现多节点的版本同步更新,解决数据分发产生的版本一致性管理问题。张春明提出了面向海量数据的基于时间戳的副本一致性模型RCMTS,RCMTS模型通过时间戳技术对副本进行管理,并通过网格区域性的高度自治特点,将副本更新分为域外更新和域内更新两种策略,提高了更新的速度;并采用基于用户视图的访问策略,保证了用户访问逻辑文件的正确性,同时提出了一种动态可扩展的副本定位方法DSRL,使用索引信息节点来支持对同一数据多个副本的同时高效定位,通过使用本地索引节点来支持对本地的副本查询,进一步提出了一种动态映射技术,能够根据索引节点的机器性能而分配全局副本定位信息,并支持索引信息节点的动态加入和退出。
但是,当用户设备发生跨节点接入时,为保障服务不间断,有两种不间断服务保障模式。一种是基于容器的服务轻量化与数据单元化的思想,以用户为中心进行服务迁移,其目的是将服务和数据迁移到靠近用户设备的边缘服务节点上以获得就近服务;另一种是在新接入点与原接入点之间建立一条中继通道,将两者进行桥接,由新接入点充当用户与原接入点之间的中继。前者有利于避免业务响应超时,但服务和随行数据迁移时间可能较长。后者虽然无需迁移服务,但业务响应时间会受中继转发能力的制约。这两种基于迁移的保障模式都面临如何在间歇断连与窄带弱连网络条件下提升迁移服务和数据效率的问题。
发明内容
本发明目的是为了克服现有技术的不足而提供一种窄带弱连网络条件下服务迁移的方法。
为达到上述目的,本发明所采用的技术方案为:一种窄带弱连网络条件下服务迁移的方法,它包括以下步骤:
(a)使每个边缘服务节点与其服务的末端用户通过周期性的信标信息彼此监测逻辑连接的状态;
(b)当逻辑连接失效时,所述边缘服务节点向云中心或移动边缘服务节点集合内的虚拟主节点报告迁移需求,所述末端用户主动寻找其它可能的接入对象并在成功接入后委托其向所述云中心或所述虚拟主节点报告;
(c)所述云中心或所述虚拟主节点根据获得的欲迁移服务的发起节点和期望接纳迁移服务的接收节点的地址后,依据其维护与更新的云-边或边-边融合网路由图,确定迁移路径并进行迁移。
优化地,步骤(a)中,将末端用户的接入状态信息通过其接入的边缘服务节点周期性汇报到云中心或移动边缘服务节点集合内的虚拟主节点。
进一步地,步骤(a)中,所述接入状态信息包括末端用户标识号及末端用户当前位置、接入的边缘服务节点标识号及边缘服务节点当前位置以及成功接入次数,所述成功接入次数的信息内容中包括每次接入的逻辑连接维持时间并按请求接入的时间顺序列出。
更进一步地,步骤(a)中,所述云中心或虚拟主节点为每个末端用户计算接入请求密度和平均接入维持时间的度量值,并用历史接入时序图表示;所述请求密度为给定时长内发现接入对象并发出请求的次数以用于衡量一个末端用户偶遇某个边缘服务节点的频度,所述平均接入维持时间为给定时长内所有成功接入的连接维持时长的均值以用于衡量连接的稳定性。
进一步地,步骤(a)中,所述云中心或虚拟主节点基于k-means聚类算法,以边缘服务节点数量为参数k,以边缘服务节点坐标为初始聚类中心,以末端用户到聚类中心的距离为度量值进行聚类,产生k个簇团。
优化地,步骤(c)中,所述迁移采用服务轻量级容器化封装迁移技术。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明窄带弱连网络条件下服务迁移的方法,通过将边缘服务节点与末端用户进行监测逻辑连接,当边缘服务节点有迁移需求时,由云中心或虚拟主节点确定欲迁移服务的发起节点和期望接纳迁移服务的接收节点的地址,并根据融合网路由图进行迁移,从而提升服务和数据的迁移效率,确保应用服务不间断。
附图说明
图1为本发明容器镜像分层框架的结构示意图;
图2为本发明用户、服务及数据互依赖关系图;
图3为本发明基于用户、服务、数据互依赖关系的数据权限管理图;
图4为本发明数据单元与轻量化服务迁移图;
图5为本发明无线通联环境下跨节点访问与迁移的智能决策框架图。
具体实施方式
下面将结合附图对本发明优选实施方案进行详细说明。
本发明窄带弱连网络条件下服务迁移的方法,它包括以下步骤:
(a)使每个边缘服务节点与其服务的末端用户通过周期性的信标信息彼此监测逻辑连接的状态。
每个末端用户的接入状态信息都通过它接入的边缘服务节点周期性汇报到云中心(简称为云)或移动边缘服务节点(简称为边)集合内的虚拟主节点。该类状态信息包括末端用户标识号(或地址)和当前位置、接入的边缘服务节点标识号(或地址)和当前位置、成功接入次数(包括每次接入的逻辑连接维持时间,按请求接入的时间顺序列出)。基于这类状态信息,云中心或虚拟主节点为每个末端用户计算如下度量值:接入请求密度(给定时长内发现接入对象并发出请求的次数,用于衡量一个末端用户偶遇某个边缘服务节点的频度)、平均接入维持时间(给定时长内所有成功接入的连接维持时长的均值,用于衡量连接的稳定性),并用历史接入时序图表示,即横坐标值为状态信息汇报时刻,纵坐标值为这两个状态值。
云中心或移动边缘服务节点集合内的虚拟主节点基于k-means聚类算法,以边缘服务节点数量为参数k,以边缘服务节点坐标为初始聚类中心,以末端用户到聚类中心的距离为度量值进行聚类,产生k个簇团。以簇团内边缘服务节点位置离中心点的距离值划分为“近”、“中”、“远”三级,以簇团内端设备数量划分为“小”、“中”、“大”三级,再以这两个维度综合衡量边缘服务节点的潜在接入负载。通过组合可以构成9种潜在接入负载等级,例如,若距离聚类后的中心为“近”的边缘服务节点所在的簇团的末端用户数量属于“大”,则该边缘服务节点的潜在接入负载可能最重。每个边缘服务节点的潜在接入负载也被表示为潜在负载时序图。
依据上述两类时序图,可以为服务迁移做决策。例如,当确定了迁移的源边缘服务节点和目的边缘服务节点后,是否真正实施迁移,需要做如下判断:首先查阅目的边缘服务节点的潜在负载时序图,若判断是负载大,则不宜接收迁移服务;若判断可以接收,则查阅迁移服务的服务对象(即某末端用户)关于目的边缘服务节点历史接入时序图,若判断请求接入密度极低或平均接入维持时间极短,则不宜迁移;若判断适宜迁移,则查阅末端用户关于源边缘服务节点历史接入时序图,若判断请求接入密度极低或平均接入维持时间极短,则不考虑留存服务副本。为了提高对时序图分析的准确性和时效性,可以使用主成分分析法、独立成分分析法、主特征分析法以及逻辑回归法进行组合分析。
(b)当逻辑连接失效时,边缘服务节点向云中心或移动边缘服务节点集合内的虚拟主节点报告迁移需求,末端用户主动寻找其它可能的接入对象并在成功接入后委托其向所述云中心或所述虚拟主节点报告;
(c)所述云中心或所述虚拟主节点根据获得的欲迁移服务的发起节点和期望接纳迁移服务的接收节点的地址后,依据其维护与更新的云-边或边-边融合网路由图,确定迁移路径并进行迁移。
若云中心或接替其工作的虚拟主节点能洞察端设备(即末端用户)接入行为轨迹,则有利于制定合理的迁移后服务副本留存策略以及通用基础服务缓存部署策略。根据迁移目的地服务运行环境状况确定待迁移服务的差异化部分,并合理分割成适合传输的基本单元,捎带搭载在同向传输路径的IP分组流中以减少网络带宽占用。若决定留存服务副本,则应进行“瘦身”处理以减少资源占用,包括对服务进行拆分处理、记录服务组件清单与组装流程、保留差异化组件,删除可以本地复制的共性组件。
服务轻量化的目的是减少迁移时的传输量,以适应间歇断连与窄带弱连网络环境。同时,应具备快启动特点,以便于快速恢复因迁移而暂停的应用服务。借鉴容器技术,研究镜像分层机制与基础环境镜像预加载策略,采用适应边缘服务节点集合高度动态以及间歇断连与窄带弱连网络条件下服务轻量级容器化封装迁移方案(即服务轻量级容器化封装迁移技术,如图4),减少服务镜像的网络带宽消耗,提高迁移速度及快速恢复服务。
基于容器技术开发的可交付使用的软件产品可视为一个容器应用服务镜像,即一个基于层次关系构建的应用程序,从下到上依次包括引导文件***(如bootfs)、根文件***(如 rootfs)、开发环境工具(如emacs、apache)和应用程序。每个镜像层都有一份相应的json文件,其目的是提供在该镜像之上应该运行什么进程、应该为进程配置什么环境变量等信息。若要将容器应用服务镜像进行部署并提供服务,则需要容器守护进程依据镜像json文件创建相应的容器应用服务容器,即根据静态的镜像生成动态的容器。当容器启动时,在容器应用服务镜像的最上面会新增一个容器层,运行一个或多个进程,每个进程都占用相应的内存、 CPU、虚拟网络设备资源,以及容器镜像的镜像层文件提供的文件***资源。容器中的进程对一个任务文件的写操作遵循Copy-on-Write机制,即首先将此文件从容器镜像层中拷贝至最上层的容器层,然后相关进程再对容器层中的副本进行写操作。由此可见,新数据或被修改的数据都存放在最上面的容器层,而镜像层的数据保持不变。基于镜像的合理分层,构建一个新的应用镜像就简化成复用公共镜像,并添加应用相关的业务逻辑程序。结合镜像仓库的增量上传和下载机制,可以将新的应用快速地上传到镜像仓库,之后再快速地分发到其它节点。
本申请提出容器分层机制,容器公共镜像从下往上分为***内核层、操作***层、公共组件层、开发语言层和开发框架层等。开发人员可以根据需求选择图1中左边由下往上任意层数的镜像层作为其基础镜像,以此为基础开发应用服务镜像。这样便可以充分利用容器分层特性最大化公共镜像的利用率。对一个具体的应用服务容器来说,只有镜像最上层的应用逻辑层和服务容器层的内容是该服务特有的东西,其它下层镜像都可以认为是支撑该服务的公共镜像层。因此,当需要迁移一个应用服务时,应该事先了解目的地的公共基础镜像的适配情况。若完全适配,则仅需迁移该服务特有的应用逻辑层和服务容器层的内容,以减少迁移时的传输量(服务容器层的内容可能包括进程恢复信息、环境变量配置要求、应用业务的中间结果、随行数据等,在形式上可以是一个类似json的文件)。若存在不适配情况,则可以针对公共基础镜像进行增量同步操作,也可以基于末端用户随遇接入行为的大数据分析结果指导公共基础镜像的预迁移。同时通知目的地对公共基础镜像进行预加载。若公共基础镜像需要增量同步操作,则应优先于应用逻辑层和服务容器层的内容的迁移操作,以尽量确保预加载的及时完成(即在应用逻辑层和服务容器层的内容到达目的地之前完成),从而加快服务恢复速度。
为了满足随遇接入“服务随行、数据随身”的需求,需要对欲迁移的多类型数据进行有效管理,快速抽取必要数据,为尽快迁移并快速恢复服务奠定基础。欲迁移的多类型数据包括服务容器层进程恢复信息、环境变量配置要求、应用业务的中间结果、随身携带的各种类型和各种格式数据等,这增加了数据管理的难度。为满足以数据单元为载体的面向各类服务与数据迁移场景以及信息同步的要求,研究数据单元化管理及按需快速抽取技术,期望降低数据管理的难度。
数据单元的本质是一个用户、服务、数据之间的动态关联与挂载服务。根据数据单元包含的数据或数据集合的类型,可将数据单元划分为不同的类型,并在数据单元中记录对数据依赖程度(如强依赖、弱依赖等)。数据单元的构成可以是单一数据、单一文件、数据库表、对象等。数据单元也同时具有可聚合性及可嵌套性,例如,多个文件组成的目录、或多个数据库表加多个文件的数据单元集合可以构成一个新的数据单元。同一文件允许成为多个数据单元的构成元素。一个数据单元的内容被允许纵向动态变化,但不允许横向变化。若需要横向变化,则只能再创建一个基于这个数据单元的数据单元。文件***、关系型数据库、消息队列等存储服务也都可以由数据单元来管理。用户通过接入边缘信息服务***来获得各种应用服务。若发生随遇接入行为,为了更靠近的接入点提供服务,则服务需要被迁移。这涉及与之相关的多类型、多格式、多来源数据的迁移,都可以包含在一个数据单元中,便于服务与数据的统一打包、统一迁移、快速恢复。
数据单元的创建时间不受限,可以在数据生命周期的任何时刻按需发起。例如,在数据采集期,采集者可以根据数据来源、数据时空属性、数据采集手段等方式划分数据单元;在数据存储期,存储发起者可以根据数据落地的目的位置,如某个目录、某个库、某个表来划分数据单元,因而增加了数据存储管理的灵活性;在数据处理期,处理者可以在数据处理过程中对数据集合声明为一个数据单元,然后将各种算子运用在该数据单元上,加快数据处理过程的速度;在数据分发共享期,所有者以数据单元为单位进行数据分发、数据共享和数据订阅过程。因此当需求迁移服务时,首先要根据应用逻辑层与服务容器层的内容特点,采用各自适合的内容保存形式(例如,能够适应快速恢复服务的保存形式),并以当前业务处理中间结果的状态模式确定其保存形式;然后依据应用业务逻辑快速抽取必要的随行数据或数据集合;最后基于已确定的各种类型数据保存形式创建数据单元来承载上述各类迁移数据。
用户、服务及数据互依赖关系如图2所示。具有合法身份的用户可以仅凭通过认证的身份标识获得“非数据访问型服务”的访问权,例如,发送自己的信息、提交感知的环境信息、询问非涉密信息等。但是,当它需要访问“数据访问型服务”时,必须凭借通过认证的身份标识与获得的授权令牌。“数据访问型服务”会涉及对数据的操作,因此,必须通过身份与权限验证才能被允许。首先,使用某个“数据访问型服务”的某用户身份是合法的,且有使用该“数据访问型服务”的权限,然后,该“数据访问型服务”的身份也是合法的,且有对某类型数据(例如,用户采集数据、服务处理数据、***储存数据等)进行操作或处理的权限。
如图3所示,通过请求注册,提交审核信息,获得审核通过的反馈后,用户便具有了在边缘信息服务***的合法身份。基于用户的合法身份以及它提交的应用服务请求,***通过分析其应用业务逻辑后,会为它授予合适的权限,确保它既能获得满意的服务,又不会造成对其他用户或***权限的侵犯。与用户一样,任何应用程序若要部署到***中,都要事先被认证,以确保来源的可追溯性。同时,需要为其授予合适的数据权限,以确保数据被安全使用。进入***的数据根据其来源,由其采集者或发布者给出数据被应用服务访问的权限要求,***的数据权限管理服务会对数据进行统一的权限设置、更新、发布等操作。针对用户采集的数据,用户会按采集的时间、地点、采集手段等进行数据的单元化处理,并相应附上数据访问策略,供数据权限管理服务进行处理时参考。应用服务在运行过程中,若产生的中间结果需要共享给相关协作伙伴,也可基于共享内容创建数据单元,并相应附上数据访问策略,供数据权限管理服务进行处理时参考。***本身储存的数据也由数据权限管理服务进行管理,依照应用服务对数据类型、数据格式、数据处理手段等要求,进行数据单元化处理,并设置合理的被访问权限,在满足应用服务对数据访问需求的前提下,保障数据本身的安全。
在确保网络连通和不确定的无线网络条件这两类网络条件下,研究服务与数据跨节点访问与迁移技术,使用“计算密集型”、“数据密集型”、“时延敏感型”、“容错控制型”、“交互频繁型”等五个维度的特征对机动环境下的应用服务特点进行表征,然后,阐述典型组合场景下服务与数据跨节点访问与迁移技术的技术途径。
“计算密集型”应用的主要特点:需要消耗大量CPU资源;通常一个计算任务同时占用大量计算节点;CPU的核心数应匹配并发子任务数量;典型应用有高清视频解码、深度学习训练过程等。
“数据密集型”应用的主要特点:大量独立的数据分析处理任务被分布在松耦合的不同计算节点上处理;具有高度密集的海量数据I/O吞吐需求;通常具有数据流驱动流程;典型应用有Web应用、软件即服务型云设施、对海量和高速变化的数据的获取、管理、分析、理解能力有很高需求的信息***等。这类应用需要依赖数据密集型计算能力,包括高性能计算能力、数据分析与挖掘能力等。
“时延敏感型”应用的主要特点:大多数应用都对时延有一定要求,且通常有个能容忍的阈值。当这个阈值很小时,就需要高优先级的资源配置来保障。由于资源的有限性,保障的难度增大,不能得到有效保障的概率增大,用户的应用体验就很差。“时延敏感型”应用是指需要将时延阈值设置得很小才能满足业务要求的应用。具有“时延敏感型”特点的服务对逻辑连接的暂时中断也很敏感。
“容错控制型”应用的主要特点:这里的容错控制是特指当信息***中某些功能部件失效时,信息***仍能按期望的性能或在可接受的性能损失情况下提供服务。具有“容错控制型”特点的服务将更能容忍逻辑连接的暂时中断。
“交互频繁型”应用的主要特点:通常涉及网络传输、磁盘IO等IO密集型任务的执行,但对CPU资源的消耗很少,任务的大部分时间都在等待IO操作完成,典型的应用有Web应用等。
机动环境下的应用业务可能包括从云中心获取综合情报数据和接收任务指令、将复杂计算任务推送到云中心执行、将海量数据支撑的服务部署在云中心而在边缘平台提供就近接入访问、边缘平台整合多个端上数据以便共享与综合决策、云中心执行计算密集型的智能训练任务而边缘基于训练模型做推断来满足“时延敏感型”应用的需要、遵循端、边、云顺序对数据进行由粗到精的分级处理以缓解传输压力,依照云、边、端顺序对服务进行逐级缓存以减少访问延时。
鉴于机动环境下的业务应用特点,实际的服务类型具有丰富多样性,网络条件又具有高度动态变化的特性。因此,需要适应不同网络条件下不同服务特点的服务与数据跨节点访问与迁移技术,构建对相关接入请求方透明的一体化跨节点访问与迁移机制。重点突破云-边和边-边通联条件下自适应服务特点透明跨节点访问与迁移框架、不确定网络条件下自适应服务特点透明跨节点访问与迁移框架。
在无线通联环境下跨节点访问与迁移的智能决策框架如图5所示(选择与其它连通子网机会性连通概率最大的边缘节点替代云中心行使协调职责,主要是为了在端设备跨越了非连通的两个子网时,便于其利用比其它边节点更高的机会连通概率进行接入认证与元信息同步。在这种间歇性弱连接环境下,需要对服务与数据在隔离的子网之间进行预同步。因此,功能组件化与数据单元化、以及基础性的共性功能组件与共性数据单元的准确预置极为重要。这有助于构建轻量化的迁移服务容器镜像,同时,也便于迁移服务仅携带个性化的增量数据单元以避免不必要的冗余迁移)。在该框架下,设置于边缘计算平台的边缘处理引擎负责接纳端设备的服务请求。无论是边缘计算平***立决定为端设备建立服务,还是请求云中心协作共建服务,都会重定向服务请求到云中心的云处理引擎,借助云中心的海量数据支撑以及强大的计算能力进行智能分析与决策,以便得到连接维护策略。例如,若端设备离开当前接入的边节点,而随遇接入其它边节点,是使用基于边-边协作的服务迁移或数据迁移,还是采用云 -边协同服务与数据迁移,需要通过智能决策来定夺。智能分析与决策模块基于已训练好的机器学***台以缩小响应延时。端设备也会委托当前接入的边节点向云中心反馈随遇接入体验。云中心根据接收的各种反馈,结合服务特点、网络条件的动态变化等执行机器学习训练决策模型。
采用Q-Learning方法对机器学习过程进行建模。该方法包括reward表和Q表,它们都可以表示为以状态为行和以行动为列的二维矩阵,但reward表的值为给定状态中采取某一行动的收益,而Q表的值记录了行动的偏好。针对具有“计算密集型”、“数据密集型”、“时延敏感型”、“容错控制型”和“交互频繁型”等特点的服务,分别分析它们在基于边-边服务迁移保持有效接入环境下的逻辑连接的性能、基于边-边数据迁移保持有效接入环境下的逻辑连接的性能、基于云-边协同保持有效接入环境下的逻辑连接的性能。分析结果作为Q-Learning 中reward表的初始值。该性能值即为逻辑连接上时延约束的端到端传输的应用性能吻合度,从端设备体验角度,使用不吻合、基本吻合、吻合来进行定性度量。
Q-Learning中状态集合可考虑“计算密集型”、“数据密集型”、“时延敏感型”、“容错控制型”和“交互频繁型”等反映服务特点的维度,以及请求服务的端设备跨节点接入的频度 (如频繁跨节点接入、偶尔跨节点接入、不跨节点接入)等进行组合得到。Q-Learning中行动类型包括采用边-边服务迁移保障接入有效性的策略、采用边-边连接中继保障接入有效性的策略、采用云-边协同保障接入有效性的策略,以及不采用任何保障接入有效性的策略。
当云中心收到边缘处理引擎重定向的服务请求后,通过智能分析与决策模块得出所请求服务的特点,用五个类型维度之一或其组合进行表征,再根据端设备接入行为的历史数据利用典型数据挖掘方法进行挖掘分析,得出跨节点接入的频度类别,由此得出端设备的当前状态。基于已训练的Q表,搜寻可行路径,将当前状态转换到能满足逻辑连接时延约束端到端传输应用性能吻合度的状态,而触发到达满意状态的行动即为期望找到的连接维护策略。端设备实际体验的及时反馈以及Q值更新函数的设计也关系到逻辑连接时延约束端到端传输应用性能的稳定性。
在机动环境下,随着环境的恶化,网络在同一时刻完全互联的可能性会逐渐下降。任一时刻都存在孤立的一个或若干个边-边互联子网,甚至完全孤立的边缘节点的可能性逐渐增大。同时,孤立的边-边互联子网或完全孤立的边缘节点也显现高度动态性,随时间时而聚合互联时而分离断连。一方面,采用不同移动模型(如随机路点、随机游走、随机方向、随机旅行、平滑随机移动、高速公路移动、曼哈顿网格移动)在不同节点规模场景下的网络拓扑动态变化趋势,探讨云边子网和边边子网维持通联的网络条件、建模机会连通概率模型,指导不确定无线环境下跨节点访问与迁移的智能决策框架设计。另一方面,采用“虚拟心跳线”机制,要求云-边融合网中每对节点之间彼此监测连通信息。为节省网络带宽,充分利用应用业务数据包进行捎带,前述的基于机会捎带搭载的流式迁移技术和面向业务特征与机会捎带的元信息同步负荷最小化技术也可以被利用来传输心跳信息包。基于心跳信息包交互的信息,与云隔离的边缘节点可以互相连接组成独立的连通子网,并选择与其它连通子网机会性连通概率最大的边缘节点替代云中心的角色,协调本连通子网内端设备的跨节点随遇接入连接工作,即在本连通子网内,为跨节点接入的端设备提供连通当前接入点与因移动而断链的接入点之间的路由,协助进行接入认证与元信息同步。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种窄带弱连网络条件下服务迁移的方法,其特征在于,它包括以下步骤:
(a)使每个边缘服务节点与其服务的末端用户通过周期性的信标信息彼此监测逻辑连接的状态;将末端用户的接入状态信息通过其接入的边缘服务节点周期性汇报到云中心或移动边缘服务节点集合内的虚拟主节点;所述接入状态信息包括末端用户标识号及末端用户当前位置、接入的边缘服务节点标识号及边缘服务节点当前位置以及成功接入次数,所述成功接入次数的信息内容中包括每次接入的逻辑连接维持时间并按请求接入的时间顺序列出;所述云中心或虚拟主节点为每个末端用户计算接入请求密度和平均接入维持时间的度量值,并用历史接入时序图表示;所述请求密度为给定时长内发现接入对象并发出请求的次数以用于衡量一个末端用户偶遇某个边缘服务节点的频度,所述平均接入维持时间为给定时长内所有成功接入的连接维持时长的均值以用于衡量连接的稳定性;所述云中心或虚拟主节点基于k-means聚类算法,以边缘服务节点数量为参数k,以边缘服务节点坐标为初始聚类中心,以末端用户到聚类中心的距离为度量值进行聚类,产生k个簇团;
(b)当逻辑连接失效时,所述边缘服务节点向云中心或移动边缘服务节点集合内的虚拟主节点报告迁移需求,所述末端用户主动寻找其它可能的接入对象并在成功接入后委托其向所述云中心或所述虚拟主节点报告;
(c)所述云中心或所述虚拟主节点根据获得的欲迁移服务的发起节点和期望接纳迁移服务的接收节点的地址后,依据其维护与更新的云-边或边-边融合网路由图,确定迁移路径并进行迁移。
2.根据权利要求1所述的窄带弱连网络条件下服务迁移的方法,其特征在于:步骤(c)中,所述迁移采用服务轻量级容器化封装迁移技术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234294.XA CN111432005B (zh) | 2020-03-30 | 2020-03-30 | 一种窄带弱连网络条件下服务迁移的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234294.XA CN111432005B (zh) | 2020-03-30 | 2020-03-30 | 一种窄带弱连网络条件下服务迁移的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111432005A CN111432005A (zh) | 2020-07-17 |
CN111432005B true CN111432005B (zh) | 2022-07-29 |
Family
ID=71549890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010234294.XA Active CN111432005B (zh) | 2020-03-30 | 2020-03-30 | 一种窄带弱连网络条件下服务迁移的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111432005B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112751924B (zh) * | 2020-12-29 | 2022-09-02 | 北京奇艺世纪科技有限公司 | 一种数据推送方法、***及装置 |
CN113489787B (zh) * | 2021-07-06 | 2023-01-17 | 北京邮电大学 | 一种移动边缘计算的服务与数据协同迁移的方法和装置 |
US11770305B2 (en) | 2021-08-09 | 2023-09-26 | International Business Machines Corporation | Distributed machine learning in edge computing |
CN113852693B (zh) * | 2021-09-26 | 2023-05-02 | 北京邮电大学 | 一种边缘计算服务的迁移方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015034435A1 (en) * | 2013-09-03 | 2015-03-12 | Nanyang Technological University | A method for managing a data center network |
CN107864055A (zh) * | 2017-10-31 | 2018-03-30 | 云宏信息科技股份有限公司 | 虚拟化***的管理方法及平台 |
CN110275758A (zh) * | 2019-05-09 | 2019-09-24 | 重庆邮电大学 | 一种虚拟网络功能智能迁移方法 |
-
2020
- 2020-03-30 CN CN202010234294.XA patent/CN111432005B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015034435A1 (en) * | 2013-09-03 | 2015-03-12 | Nanyang Technological University | A method for managing a data center network |
CN107864055A (zh) * | 2017-10-31 | 2018-03-30 | 云宏信息科技股份有限公司 | 虚拟化***的管理方法及平台 |
CN110275758A (zh) * | 2019-05-09 | 2019-09-24 | 重庆邮电大学 | 一种虚拟网络功能智能迁移方法 |
Non-Patent Citations (1)
Title |
---|
一种车载服务的快速深度Q学习网络边云迁移策略;彭军,等;《电子与信息学报》;20200131;正文第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111432005A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111432005B (zh) | 一种窄带弱连网络条件下服务迁移的方法 | |
Alizadeh et al. | Task scheduling approaches in fog computing: A systematic review | |
Lakshmanan et al. | Placement strategies for internet-scale data stream systems | |
Torabi et al. | Data replica placement approaches in fog computing: a review | |
CN107615792B (zh) | 用于mtc事件的管理方法与*** | |
Abdulazeez et al. | Offloading mechanisms based on reinforcement learning and deep learning algorithms in the fog computing environment | |
CN112631725A (zh) | 一种基于云边端协同的智慧城市的管理***及方法 | |
Hussain et al. | Fog computing model for evolving smart transportation applications | |
CN103581332A (zh) | HDFS架构及HDFS架构中NameNode节点的压力分解方法 | |
Singh et al. | Load balancing aware scheduling algorithms for fog networks | |
Taghizadeh et al. | An efficient data replica placement mechanism using biogeography-based optimization technique in the fog computing environment | |
Diallo et al. | AutoMigrate: a framework for developing intelligent, self-managing cloud services with maximum availability | |
da Silva Barbosa et al. | A platform for cloudification of network and applications in the Internet of Vehicles | |
US11658878B2 (en) | Systems and methods for automated network state and network inventory tracking | |
US11228516B1 (en) | Edge computing management using multiple latency options | |
Dou et al. | Architecture of virtual edge data center with intelligent metadata service of a geo-distributed file system | |
Zhang et al. | An optimal container update method for edge‐cloud collaboration | |
CN116755867B (zh) | 一种面向卫星云的计算资源调度***、方法及存储介质 | |
Zeydan et al. | A multi-criteria decision making approach for scaling and placement of virtual network functions | |
Huai et al. | CROWN: A service grid middleware with trust management mechanism | |
KR102476271B1 (ko) | 자율 관리(semi-managed) DHT 구성 방법 및 시스템 | |
Midya et al. | An adaptive resource placement policy by optimizing live VM migration for ITS applications in vehicular cloud network | |
CA3208182A1 (en) | Edge-based artificial intelligence enablement | |
Chang et al. | Adaptive edge process migration for iot in heterogeneous cloud-fog-edge computing environment | |
Curiel et al. | Wireless grids: Recent advances in resource and job management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |