CN111694636A - 一种面向边缘网络负载均衡的电力物联网容器迁移方法 - Google Patents

一种面向边缘网络负载均衡的电力物联网容器迁移方法 Download PDF

Info

Publication number
CN111694636A
CN111694636A CN202010392704.3A CN202010392704A CN111694636A CN 111694636 A CN111694636 A CN 111694636A CN 202010392704 A CN202010392704 A CN 202010392704A CN 111694636 A CN111694636 A CN 111694636A
Authority
CN
China
Prior art keywords
container
migration
edge
edge node
containers
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.)
Granted
Application number
CN202010392704.3A
Other languages
English (en)
Other versions
CN111694636B (zh
Inventor
周俊
陈冰冰
刘强
许洪华
邵苏杰
王徐延
辛辰
夏伟栋
马子童
吴冠儒
丁达成
孔玥
魏玲燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
State Grid Jiangsu Electric Power Co Ltd
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, State Grid Jiangsu Electric Power Co Ltd, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010392704.3A priority Critical patent/CN111694636B/zh
Publication of CN111694636A publication Critical patent/CN111694636A/zh
Application granted granted Critical
Publication of CN111694636B publication Critical patent/CN111694636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本申请公开了一种面向边缘网络负载均衡的电力物联网容器迁移方法，包括建立边缘网络的容器信息向量和容器部署矩阵；对边缘网络进行负载均衡检测，得到过载边缘节点列表；考虑资源利用均衡度、剩余资源均衡度、网络传输延迟以及容器迁移停机时间，建立负载均衡联合迁移代价的容器迁移模型；基于改进蚁群***算法，根据容器部署矩阵、过载边缘节点列表和容器迁移模型，进行容器迁移。本申请可有效解决边缘节点资源有限、边缘网络明显不均衡的业务请求时空分布导致边缘节点间业务繁忙程度差异化明显等问题。

Description

一种面向边缘网络负载均衡的电力物联网容器迁移方法
技术领域
本发明属于边缘网络负载均衡技术领域，涉及一种面向边缘网络负载均衡的电力物联网容器迁移方法。
背景技术
随着智能电网的建设发展、智慧城市中互联设备和传感器的日益普及，在逐步形成的大连接、广覆盖、实时化、智能化的新型电力物联业务需求下，海量的传输处理数据导致云中心计算和存储负荷大幅提升、网络传输压力加大、业务处理时延难以得到满足。边缘计算通过在更靠近用户终端的边缘侧部署边缘智能处理设备或服务器等具备通信接入、业务处理、数据存储等能力的边缘节点提供服务为缓解云中心计算、存储压力，保证电力物联业务的时延需求提供了有效的解决方案。终端设备通过有线、WiFi或4G/5G等方式与边缘节点通信，将任务请求发送到边缘节点而不是云平台，在减少了网络数据传输量的同时增加了终端侧的业务智能化能力。
然而，边缘计算架构下，电力物联网仍然面临着一系列的问题。边缘节点资源有限、边缘网络明显不均衡的业务请求时空分布导致边缘节点间业务繁忙程度差异化明显，部分边缘节点负载过大进而造成业务的连接和处理需求无法及时得到满足，而其余边缘节点处理能力空闲、资源没有得到充分利用。因此，需要实现边缘网络的负载均衡，从而优化边缘节点的资源利用。虚拟机实时迁移通过将运行中的虚拟机从一个物理机迁移到另一个物理机，同时保持客户端或应用程序的连接成为平衡边缘节点间负载、提高边缘节点资源利用率的有效技术。然而，虚拟机启动速度较慢，难以满足边缘计算环境下时延敏感型业务的QoS(Quality of Service，服务质量)需求。与此同时，随着边缘网络中虚拟机部署数量的增加，虚拟机的性能将显著下降。
为了克服虚拟机迁移的弊端，一种被称为容器的轻量级虚拟化技术已被广泛利用。与虚拟机相比，容器采用镜像层与数据层分离的分层存储，且容器通过控制组Cgroups(Control Groups)而非管理程序来实现隔离，从而支持快速启动、部署和释放。除此之外，容器是一种共享主机操作***内核的操作***级虚拟化技术，所以轻量、支持迁移。因此，提出一种面向边缘网络负载均衡的容器迁移机制，在满足电力物联网多类型业务需求的前提下，实现边缘网络的负载均衡，最小化容器迁移对用户的影响具有非常重要的现实意义。
为了解现有容器迁移技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：
技术方案1：公开号为CN110347498A的《一种容器和虚拟机混合云环境下的负载动态迁移方法》专利，涉及一种面向容器和虚拟机混合云负载均衡的动态迁移方法，主要通过三步完成：第一，运用静态阈值法选择出过载的服务器；第二，判断过载服务器上出现过载的原因：如果是虚拟机负载影响较大，则选择过载服务器上负载较高的虚拟机，将其加入待迁移虚拟机列表；否则，通过最小二乘法对容器的CPU利用率进行预测，选择容器负载处于上升态势的容器将其加入到待迁移容器列表中；第三，若引起过载的原因是虚拟机负载较高，则将待迁移虚拟机列表中虚拟机采用混合拷贝的方法迁移到目标服务器上；否则，判断目标服务器上有没有虚拟机：没有则创建虚拟机，将待迁移容器列表中的容器迁移到新创建的虚拟机上，有则直接将待迁移容器列表中的容器迁移到目标服务器的虚拟机上。
综上，技术方案1提供了一种面向容器和虚拟机混合云负载均衡的动态迁移方法，所述方法包括：运用静态阈值法选择出过载的服务器；判断过载服务器上出现过载的原因，选择待迁移容器和虚拟机；基于混合拷贝的方法将迁移目标迁移到目标服务器上。技术方案1通过利用余弦相关性对过载影响更大的虚拟机或容器资源进行迁移，使得服务器集群可以更好地达到负载均衡。但忽略了迁移目标服务器的选择，容易导致迁移之后重新出现负载失衡的现象。
技术方案2：公开号为CN107992353A的《一种基于最小迁移量的容器动态迁移方法及***》专利，涉及一种用于在服务器集群中最小化迁移量的容器动态迁移方法，主要通过五步完成：第一，基于静态阈值法判断服务器集群是否满足负载均衡，若不满足，则将负载超过CPU利用率阈值的服务器加入热点服务器列表；第二，在获取到的容器内存历史数据的基础上,基于最小三乘法得到每个容器的增长特性，并构建增长特性第一优先列表；第三，基于容器当前的内存占用率构建第二优先列表，并将两个优先列表按照一定的权值相加得到第三优先列表；第四，若当前的容器内存占有量大于某一设定阈值，则遵循最小迁移量原则，直接将该容器作为待迁移容器加入迁移列表；否则，对按优先级排列后的容器进行选择，将优先级最高的容器加入迁移列表；第五，将迁移列表中的容器按照预拷贝的方法迁移到目标服务器。
技术方案2提供了一种基于最小迁移量的容器动态迁移方法及***，首先判断服务器集群负载是否均衡，之后基于最小三乘法和最小迁移量原则对待迁移容器进行优先级排序，最后将迁移列表中的容器按照预拷贝的方法迁移到目标服务器。技术方案2通过拟合源服务器上容器的增长速率对容器进行迁移选择，在保证集群负载均衡的同时提高了资源利用率。但在追求最小迁移量的同时会导致迁移次数增加，进而导致迁移时间大大增加。
技术方案3：公开号为CN110308973A的《一种基于能耗优化的容器动态迁移方法》专利，涉及一种最优化能耗的容器动态迁移方法，主要通过四步完成：第一，获取各节点的资源利用率信息；第二，基于CPU、内存、带宽、I/O组合资源利用率阈值判断容器迁移时机；第三，按照CPU利用率、内存利用率以及能耗对待迁移容器进行迁移排序；第四，根据CPU、内存、能耗进行升序排列，选择目标边缘节点。
技术方案3提供了基于能耗优化的容器动态迁移方法，所述方法包括：获取各节点的资源利用率信息，判断容器迁移时机，对待迁移容器进行迁移排序，对CPU、内存和能耗进行升序排列，选择目标边缘节点。技术方案3充分考虑了迁移时机、待迁移容器选择以及目标边缘节点选择。但考虑因素较为单一、优化目标只考虑一类资源，无法保证集群整体的负载均衡。
发明内容
为解决现有技术中的不足，本申请提供一种面向边缘网络负载均衡的电力物联网容器迁移方法。
为了实现上述目标，本申请采用如下技术方案：
一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
所述方法包括以下步骤：
步骤1：建立边缘网络的容器信息向量和容器部署矩阵；
步骤2：对边缘网络进行负载均衡检测，得到过载边缘节点列表；
步骤3：考虑资源利用均衡度、剩余资源均衡度、网络传输延迟以及容器迁移停机时间，建立负载均衡联合迁移代价的容器迁移模型；
步骤4：基于改进蚁群***算法，根据容器部署矩阵、过载边缘节点列表和容器迁移模型，进行容器迁移。
本发明进一步包括以下优选方案：
优选地，步骤1所述边缘网络区域内边缘节点的集合为
Figure BDA0002486429580000041
容器的集合为
Figure BDA0002486429580000042
每个边缘节点均包括多种类型的资源，电力物联网内资源的集合为
Figure BDA0002486429580000043
I、J、K分别为电力物联网区域内容器、边缘节点、资源类型的数量；
对任意边缘节点
Figure BDA0002486429580000044
其资源总量向量为
Figure BDA0002486429580000045
资源利用率向量为
Figure BDA0002486429580000046
其中，
Figure BDA0002486429580000047
表示nj可提供的最大rk类型资源量，
Figure BDA0002486429580000048
表示nj上rk的资源利用率；
所述边缘节点之间通过有线或无线的方式进行连接，nj与nj'之间的带宽，即最大传输速率为Bandj,j'。
优选地，步骤1中，对任意容器
Figure BDA0002486429580000049
其容器信息向量为
Figure BDA00024864295800000410
其中，
Figure BDA00024864295800000411
表示ci的资源需求向量，
Figure BDA00024864295800000412
表示ci开始运行的时间，
Figure BDA00024864295800000413
表示满足资源需求情况下的计算时延，Toli为可以忍受的时延门限；
容器的资源需求为标准化处理后的虚拟资源单元数目；
步骤1所述容器部署矩阵为容器到边缘节点映射的二维容器部署决策矩阵X＝[xi,j]I×J；
其中决策变量xi,j表示容器ci是否已经部署在边缘节点nj上，如果已部署，则xi,j＝1；否则xi,j＝0；
边缘节点nj上部署的容器集合为V(nj)。
优选地，步骤2包括以下步骤：
步骤2.1：计算所有边缘节点的各类型资源利用率；
步骤2.2：计算各边缘节点负载；
步骤2.3：计算边缘节点间的负载差异；
步骤2.4：构建边缘节点间的负载差异矩阵模型并确定容器迁移触发条件；
步骤2.5：判断是否触发容器迁移，若是则进行步骤2.6，否则返回步骤2.2；
步骤2.6：基于步骤2.4中的触发条件确定过载边缘节点，将过载边缘节点放入过载边缘节点列表中，得到过载边缘节点列表。
优选地，步骤2.1中，nj上rk的资源利用率
Figure BDA0002486429580000051
计算公式为：
Figure BDA0002486429580000052
优选地，步骤2.2中，边缘节点nj的负载计算公式为：
Figure BDA0002486429580000053
其中，ηk为rk之于nj负载的权重，且满足：
Figure BDA0002486429580000054
优选地，步骤2.3中，任意两个边缘节点nj和nj'之间负载差异的计算公式为：
Figure BDA0002486429580000055
优选地，步骤2.4构建的边缘节点间的负载差异化矩阵模块为HJ×J：
Figure BDA0002486429580000056
容器迁移触发条件为：
Figure BDA0002486429580000057
其中，σ为边缘节点间负载差异的上限，Thrk为各类型资源利用率的上限。
优选地，步骤3建立的容器迁移模型为：
Figure BDA0002486429580000061
其中：
Figure BDA0002486429580000062
Figure BDA0002486429580000063
Figure BDA0002486429580000064
其中：θ,γ分别为边缘网络负载均衡度和容器迁移代价的权重；
Figure BDA0002486429580000065
为迁移决策变量，xi,j'为迁移后容器ci是否部署在边缘节点nj上；如果xi,j＝1且xi,j'＝1，则有
Figure BDA0002486429580000066
表示容器ci从边缘节点nj迁移到了nj'，否则
Figure BDA0002486429580000067
Λi为ci在迁移过程中产生的传输数据量，
Figure BDA0002486429580000068
为给ci分配的内存资源，Bj,j'为nj与nj'之间的带宽，即最大传输速率；
Figure BDA0002486429580000069
表示迁移后边缘节点nj上rk的资源利用率，
Figure BDA00024864295800000610
表示rk在所有边缘节点上的平均资源利用率,
Figure BDA00024864295800000611
表示迁移完成之后nj上rk的剩余可用资源量，
Figure BDA00024864295800000612
是nj上rk的资源总量。
优选地，步骤4包括以下步骤：
步骤4.1：输入容器部署矩阵和过载边缘节点列表；
步骤4.2：计算过载边缘节点上的容器迁移优先级并进行排序；
步骤4.3：定义待迁移容器为当前过载边缘节点上具有最高优先级的容器，并认为待迁移容器已不再部署于该过载边缘节点上；
步骤4.4：将待迁移容器加入到待迁移容器列表；
步骤4.5：重新计算“释放”待迁移容器后过载边缘节点的负载，并基于容器迁移触发条件判断边缘网络负载是否失衡，若是，则返回步骤4.3，否则进行步骤4.6；
步骤4.6：根据容器迁移模型为待迁移容器选择目标边缘节点；
步骤4.7：基于改进蚁群***算法完成待迁移容器的迁移调度，输出迁移结果。
优选地，步骤4.2中，nj上ci的迁移优先级计算公式为：
Figure BDA0002486429580000071
其中：λ,μ,ψ分别为基于迁移时间、迁移次数和迁移数据量的权重因子，且满足：λ+μ+ψ＝1；
Figure BDA0002486429580000072
为边缘节点nj上容器ci基于迁移时间的迁移概率，计算公式为：
Figure BDA0002486429580000073
其中，ωcpu和ωmem是预先指定的容器CPU和内存利用率对迁移停机时间影响的权重，且满足ωcpu+ωmem＝1；
Figure BDA0002486429580000074
为边缘节点nj上容器ci基于迁移次数的迁移概率，计算公式为：
Figure BDA0002486429580000075
Figure BDA0002486429580000076
为容器负载和边缘节点负载之间的欧氏距离，计算公式为：
Figure BDA0002486429580000077
其中，
Figure BDA0002486429580000081
分别为边缘节点nj和容器ci上rk的资源利用率；
Figure BDA0002486429580000088
为rk对nj负载影响的权重，且满足：
Figure BDA0002486429580000082
Figure BDA0002486429580000083
为边缘节点nj上容器ci基于迁移数据量的迁移概率，计算公式为：
Figure BDA0002486429580000084
其中，
Figure BDA0002486429580000085
分别为容器ci的已执行时间和满足业务资源需求的计算时延。
优选地，步骤4.6中，目标边缘节点的选择方式为：
Figure BDA0002486429580000086
优选地，步骤4.7中，蚁群***通过模拟蚂蚁觅食过程来完成容器的迁移调度，具体包括：
(1)将蚂蚁Antl随机部署在一个待迁移的容器ci上；
(2)Antl根据信息素τi,j和启发式信息ηi,j，选择一个映射关系元组＜ci,nj＞，即将ci部署到nj上；然后将ci放入Antl的禁忌表Tabul中；
(3)Antl返回到待迁移容器集合Cmig中的下一个待迁移容器，重复步骤(2)完成接下来的迁移分配，得到一个迁移方案，所有的蚂蚁均完成一次待迁移容器分配视为一次迭代，算法在达到最大迭代次数后终止。
优选地，步骤(2)中，初始信息素τ0的值为：
Figure BDA0002486429580000087
其中，|Cmig|为待迁移容器的个数；
在选择一个新的映射关系元组＜ci,nj＞后，蚂蚁基于以下局部信息素更新规则更新此次遍历映射关系的信息素级别：
τi,j＝(1-ρl)τi,j (19)
其中，ρl为局部信息素蒸发系数，且满足ρl∈[0,1]，ρl的值越大，＜ci,nj＞上剩余的信息素越少。
优选地，步骤(2)中，启发式信息ηi,j的计算公式为：
Figure BDA0002486429580000091
Figure BDA0002486429580000092
为针对将ci迁移至nj所产生的迁移代价的启发式信息，
Figure BDA0002486429580000093
为：
Figure BDA0002486429580000094
Figure BDA0002486429580000095
为针对容器迁移之后对目标边缘节点nj的影响的启发式信息，
Figure BDA0002486429580000096
为：
Figure BDA0002486429580000097
其中，
Figure BDA0002486429580000098
是ci对rk的资源需求。
优选地，步骤(2)中，蚂蚁根据以下伪随机比例规则选择映射关系元组进行遍历：
Figure BDA0002486429580000099
其中，q0是介于区间[0,1]之间的预定义参数，q是产生于[0,1]之间的随机数；
当q≤q0时，蚂蚁直接选择使得信息素的指数α与启发式信息的指数β乘积最大的nj作为ci的目标边缘节点；否则，基于式(25)的轮盘赌规则选择目标边缘节点：
Figure BDA00024864295800000910
其中，pi,j代表ci选择nj作为其目标边缘节点的概率，Θl(i)为满足约束条件的Antl的一组有效边缘节点的集合，Θl(i)为：
Figure BDA0002486429580000101
优选地，步骤(3)中，在所有蚂蚁完成构建迁移方案后，根据目标函数F评估当前构建的所有迁移方案的质量，并选择其中最佳的一种执行以下的全局信息素更新规则以保留全局最优解的经验：
Figure BDA0002486429580000102
其中，ρg为全局信息素更新系数，且满足ρg∈[0,1]，Δτ为额外信息素的增量，X+为一次迭代中的全局最优解。
本申请所达到的有益效果：
本申请将面向边缘网络负载均衡的容器迁移问题表述为QoS约束下的多目标组合优化问题，考虑资源利用均衡度、剩余资源均衡度、网络传输延迟以及容器迁移停机时间，建立负载均衡联合迁移代价的容器迁移模型，用以在平衡边缘网络负载的同时最小化容器迁移所带来的影响。
从资源相关性和业务相关性两个角度确定容器的迁移优先级，并设计了一种基于容器迁移决策方案CMDM(Container Migration-Based Decision-Making)的改进蚁群***迁移算法(CMDM_MACS,Container Migration-Based Decision-Making Modified AntColony System)，用以解决电力物联网场景下面向边缘网络负载均衡的容器迁移问题。通过引入伪随机比例规则，同时将局部信息素蒸发与全局信息素更新相结合，在增强算法探索能力的同时确保收敛速度。
可有效解决边缘节点资源有限、边缘网络明显不均衡的业务请求时空分布导致边缘节点间业务繁忙程度差异化明显等问题。
附图说明
图1是本申请一种面向边缘网络负载均衡的电力物联网容器迁移方法的流程图；
图2是本申请改进蚁群***算法的示意图；
图3是本申请实施例中容器迁移前后各边缘节点负载对比图；
图4是本申请实施例中容器迁移前后边缘网络负载程度对比图；
图5是本申请实施例中容器迁移代价。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本申请的一种面向边缘网络负载均衡的电力物联网容器迁移方法，包括以下步骤：
步骤1：建立边缘网络的容器信息向量和容器部署矩阵；
本申请具体实施例时，所述边缘网络区域内边缘节点的集合为
Figure BDA0002486429580000111
容器的集合为
Figure BDA0002486429580000112
每个边缘节点均包括CPU、内存和存储等多种类型的资源，电力物联网内资源的集合为
Figure BDA0002486429580000113
I、J、K分别为电力物联网区域内容器、边缘节点、资源类型的数量；
对任意边缘节点
Figure BDA0002486429580000114
其资源总量向量为
Figure BDA0002486429580000115
资源利用率向量为
Figure BDA0002486429580000116
其中，
Figure BDA0002486429580000117
表示nj可提供的最大rk类型资源量，
Figure BDA0002486429580000118
表示nj上rk的资源利用率；
所述边缘节点之间通过有线或无线的方式进行连接，nj与nj'之间的带宽，即最大传输速率为Bandj,j'。
步骤1中，对任意容器
Figure BDA0002486429580000119
其容器信息向量为
Figure BDA00024864295800001110
其中，
Figure BDA00024864295800001111
表示ci的资源需求向量，
Figure BDA00024864295800001112
表示ci开始运行的时间，
Figure BDA00024864295800001113
表示满足资源需求情况下的计算时延，Toli为可以忍受的时延门限；
容器的资源需求为标准化处理后的虚拟资源单元数目；
步骤1所述容器部署矩阵为容器到边缘节点映射的二维容器部署决策矩阵X＝[xi,j]I×J；
其中决策变量xi,j表示容器ci是否已经部署在边缘节点nj上，如果已部署，则xi,j＝1；否则xi,j＝0。定义边缘节点nj上部署的容器集合为V(nj)。
步骤2：对边缘网络进行负载均衡检测，得到过载边缘节点列表，包括以下步骤：
步骤2.1：同时计算所有边缘节点的各类型资源利用率，nj上rk的资源利用率
Figure BDA0002486429580000121
计算公式为：
Figure BDA0002486429580000122
步骤2.2：计算各边缘节点负载，边缘节点nj的负载计算公式为：
Figure BDA0002486429580000123
其中，ηk为rk之于nj负载的权重，且满足：
Figure BDA0002486429580000124
步骤2.3：计算边缘节点间的负载差异，任意两个边缘节点nj和nj'之间负载差异的计算公式为：
Figure BDA0002486429580000125
步骤2.4：构建边缘节点间的负载差异矩阵模型并确定容器迁移触发条件，构建的边缘节点间的负载差异化矩阵模块为HJ×J：
Figure BDA0002486429580000126
容器迁移触发条件为：
Figure BDA0002486429580000127
其中，σ为边缘节点间负载差异的上限，Thrk为各类型资源利用率的上限。
步骤2.5：判断是否触发容器迁移，若是则进行步骤2.6，否则因为边缘网络中边缘网络的负载是周期性变化的，返回步骤2.2重新计算负载，实现对边缘网络状态的监视；
步骤2.6：基于步骤2.4中的容器迁移触发条件确定过载边缘节点，将过载边缘节点放入过载边缘节点列表中，得到过载边缘节点列表。
步骤3：考虑资源利用均衡度、剩余资源均衡度、网络传输延迟以及容器迁移停机时间，建立负载均衡联合迁移代价的容器迁移模型；
定义迁移决策变量
Figure BDA0002486429580000131
xi,j'为迁移后容器ci是否部署在边缘节点nj上；迁移之后容器到边缘节点映射的二维容器部署决策矩阵
Figure BDA0002486429580000132
如果xi,j＝1且xi,j'＝1，则有
Figure BDA0002486429580000133
表示容器ci从边缘节点nj迁移到了nj'，否则
Figure BDA0002486429580000134
迁移代价主要由两部分组成：在两个边缘节点之间传输中间结果数据和最终结果数据所造成的网络延迟以及容器自身的迁移时间，即停机时间。故当容器ci由边缘节点nj迁移到nj'时，产生的迁移代价可表示为：
Figure BDA0002486429580000135
其中，Λi为ci在迁移过程中产生的传输数据量，
Figure BDA0002486429580000136
为给ci分配的内存资源，Bj,j'为nj与nj'之间的带宽，即最大传输速率。
总迁移代价为：
Figure BDA0002486429580000137
在所有待迁移容器完成迁移操作之后，从同一类资源在边缘节点之间的资源利用均衡度和边缘节点上不同类型资源的剩余资源均衡度两个方面衡量边缘网络的负载均衡程度。
Figure BDA0002486429580000138
其中，
Figure BDA0002486429580000139
表示迁移后边缘节点nj上rk的资源利用率，
Figure BDA00024864295800001310
表示rk在所有边缘节点上的平均资源利用率,
Figure BDA00024864295800001311
表示迁移完成之后nj上rk的剩余可用资源量，
Figure BDA00024864295800001312
是nj上rk的资源总量。
为了确保可靠的容器迁移，一些涉及资源和时延等QoS约束必不可少。
Figure BDA0002486429580000141
综上所述，为了权衡迁移之后边缘网络的负载均衡程度和容器在迁移过程中产生的迁移代价，本专利将电力物联网场景下面向边缘网络负载均衡的容器迁移问题描述为Qos约束下的多目标优化问题并给出容器迁移模型：
Figure BDA0002486429580000142
θ,γ分别为边缘网络负载均衡度和容器迁移代价的权重。
步骤4：基于改进蚁群***算法，根据容器部署矩阵、过载边缘节点列表和容器迁移模型，进行容器迁移，包括以下步骤：
步骤4.1：输入容器部署矩阵和过载边缘节点列表；
步骤4.2：计算过载边缘节点上的容器迁移优先级并进行排序；
容器的CPU和内存大小是影响迁移停机时间和资源损失的直接因素。CPU和内存的利用率越小，容器迁移停机时间越短，从而对性能以及业务QoS的影响越小。故边缘节点nj上容器ci基于迁移时间的迁移概率
Figure BDA0002486429580000143
可表示为：
Figure BDA0002486429580000144
其中，ωcpu和ωmem是预先指定的容器CPU和内存利用率对迁移停机时间影响的权重，且满足ωcpu+ωmem＝1。
然而，最小化迁移时间并不能很好地改善边缘网络的负载状态。相反，会由于频繁的容器迁移导致总的迁移停机时间增加。因此，本专利在考虑单次容器迁移时间的同时通过计算容器负载和边缘节点负载之间的欧氏距离
Figure BDA0002486429580000145
来减少迁移次数。
Figure BDA0002486429580000151
其中，
Figure BDA0002486429580000152
分别为缘节点nj和容器ci上rk的资源利用率；
Figure BDA0002486429580000153
为rk对nj负载影响的权重，且满足：
Figure BDA0002486429580000154
故边缘节点nj上容器ci基于迁移次数的迁移概率
Figure BDA0002486429580000155
可表示为：
Figure BDA0002486429580000156
从容器所承载的业务角度考虑，容器迁移必然会产生基于业务执行结果数据在任意两个边缘节点之间传输的网络开销。而传输数据量的大小主要受业务执行进度的影响，即业务的执行进度越多，产生的相对数据量越小。
故边缘节点nj上容器ci基于迁移数据量的迁移概率
Figure BDA0002486429580000157
可表示为：
Figure BDA0002486429580000158
其中，
Figure BDA0002486429580000159
分别为容器ci的已执行时间和满足业务资源需求的计算时延。
综上所述：nj上ci的迁移优先级可表示为：
Figure BDA00024864295800001510
其中，λ,μ,ψ分别为基于迁移时间、迁移次数和迁移数据量的权重因子，且满足：λ+μ+ψ＝1。
步骤4.3：定义待迁移容器为当前过载边缘节点上具有最高优先级的容器，并认为待迁移容器已不再部署于该过载边缘节点上；
步骤4.4：将待迁移容器加入到待迁移容器列表；
步骤4.5：重新计算“释放”待迁移容器后过载边缘节点的负载，并基于容器迁移触发条件判断边缘网络负载是否失衡，若是，则返回步骤4.3，否则进行步骤4.6；
步骤4.6：根据容器迁移模型为待迁移容器选择目标边缘节点；
目标边缘节点的选择方式为：
Figure BDA0002486429580000161
步骤4.7：基于改进蚁群***算法完成待迁移容器的迁移调度，输出迁移结果。
为了得到全局最优容器迁移决策结果，本专利基于CMDM方案设计了一种针对离散问题的优化蚁群***算法。
蚁群***通过模拟蚂蚁觅食过程来完成容器的迁移调度，如图2所示，具体包括：
(1)将蚂蚁Antl随机部署在一个待迁移的容器ci上；
(2)Antl根据信息素τi,j和启发式信息ηi,j，选择一个映射关系元组＜ci,nj＞，即将ci部署到nj上；然后将ci放入Antl的禁忌表Tabul中；
初始信息素τ0的值为：
Figure BDA0002486429580000162
其中，|Cmig|为待迁移容器的个数；
对于蚁群***(Ant Colony System,ACS)算法中的信息素更新，本申请提出了一种结合局部和全局的信息素更新规则。
在选择一个新的映射关系元组＜ci,nj＞后，蚂蚁基于以下局部信息素更新规则更新此次遍历映射关系的信息素级别：
τi,j＝(1-ρl)τi,j (19)
其中，ρl为局部信息素蒸发系数，且满足ρl∈[0,1]，ρl的值越大，＜ci,nj＞上剩余的信息素越少。
基于本专利提出的CMDM方案，启发式信息ηi,j主要根据将ci迁移至nj的迁移代价以及迁移后nj的剩余资源来计算获得。
启发式信息ηi,j的计算公式为：
Figure BDA0002486429580000171
Figure BDA0002486429580000172
为针对将ci迁移至nj所产生的迁移代价的启发式信息，
Figure BDA0002486429580000173
为：
Figure BDA0002486429580000174
Figure BDA0002486429580000175
为针对容器迁移之后对目标边缘节点nj的影响的启发式信息，
Figure BDA0002486429580000176
旨在避免nj资源过载的同时平衡nj中不同类型资源的剩余。故
Figure BDA0002486429580000177
为：
Figure BDA0002486429580000178
其中，
Figure BDA0002486429580000179
是迁移完成之后nj上rk的剩余可用资源，
Figure BDA00024864295800001710
是ci对rk的资源需求，
Figure BDA00024864295800001711
是nj上rk的资源总量；
步骤(2)中，蚂蚁倾向于选择具备最大信息素和启发式信息的元组。但是，为了避免陷入局部最优，蚂蚁根据以下伪随机比例规则选择映射关系元组进行遍历：
Figure BDA00024864295800001712
其中，q0是介于区间[0,1]之间的预定义参数，q是产生于[0,1]之间的随机数；
当q≤q0时，蚂蚁直接选择使得信息素的指数α与启发式信息的指数β乘积最大的nj作为ci的目标边缘节点；否则，基于式(25)的轮盘赌规则选择目标边缘节点：
Figure BDA00024864295800001713
其中，pi,j代表ci选择nj作为其目标边缘节点的概率，Θl(i)为满足约束条件的Antl的一组有效边缘节点的集合，Θl(i)为：
Figure BDA0002486429580000181
(3)Antl返回到待迁移容器集合Cmig中的下一个待迁移容器，重复步骤(2)完成接下来的迁移分配，得到一个迁移方案，所有的蚂蚁均完成一次待迁移容器分配视为一次迭代，算法在达到最大迭代次数后终止。
步骤(3)中，在所有蚂蚁完成构建迁移方案后，根据目标函数F评估当前构建的所有迁移方案的质量，并选择其中最佳的一种执行以下的全局信息素更新规则以保留全局最优解的经验：
Figure BDA0002486429580000182
其中，ρg为全局信息素更新系数，且满足ρg∈[0,1]，Δτ为额外信息素的增量，X+为一次迭代中的全局最优解。
本发明的实施例如下：
本专利提出数值结果以验证所提出的方案的性能。在仿真中，假设异构边缘网络环境是一个10kmx5km的长方形区域，边缘设备的个数为10，容器的数量为30～210，待部署容器的位置在给区域内随机生成。考虑边缘节点的资源类型分别为：计算、内存与存储资源。其中，边缘设备的CPU核数为32，内存和存储资源容量的取值范围分别为[16,32]、[100,300]GB，边缘设备之间的传输速率的取值范围为[100,300]Mb/s。容器的资源需求随机生成且容器的CPU资源需求、内存资源需求以及存储资源需求的取值范围分别为[1,3]core，[1,4]、[5,15]GB,容器所承载业务的服务延迟约束从50ms到500ms随机设置。
图3显示了各边缘节点在容器迁移前后的负载变化。从图3中可以看出，在执行容器迁移之前，边缘节点EN7的负载已超过80％，而EN1，EN2，EN6的负载只有不到30％。在这种边缘网络负载严重失衡情况下，由于电力物联网场景下的终端业务请求具有一定的规律性和可预测性，随着时间的推移，负载较大边缘节点的容器虚拟化层会出现拥塞，排队延迟大大增加，进而导致部分容器内业务的QoS需求无法得到满足，而负载较小边缘节点的能力无法得到充分利用。执行CMDM_MACS后，边缘网络中个边缘节点的负载相对均衡，在减轻个别繁忙边缘节点的执行压力、减少业务QoS需求不满足的可能性的同时优化了空闲边缘节点的资源利用。
图4展示了容器迁移前后边缘网络负载均衡程度的对比。其中，负载均衡度具体包括：不同边缘节点之于任意资源的利用均衡度以及任意边缘节点内不同类型资源的剩余资源均衡度。负载均衡度的值越小代表着边缘网络中各边缘节点的负载越均衡。从图4中可以看出，随着容器数量的不断增加，本申请的CMDM策略在改善***迁移代价的同时保证了边缘网络的负载均衡。
图5展示了CMDM迁移选择策略下的容器迁移代价。总的来说，在边缘节点资源总量固定的情况下，随着容器数量的不断增加，边缘节点的资源占用率也会随之增高，边缘网络负载差异程度明显，进而导致有更多的容器需要迁移到相对空闲的边缘节点从而保证容器内业务的时延约束。因此，随着容器数量的增多，***中迁移代价成线性的增长趋势。本专利所提出的基于QoS感知的容器选择策略在考虑缩小单次迁移时间的同时倾向于迁移可以明显降低负载的容器，故随着容器数量的增加，CMDM迁移策略表现出较好的性能。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (17)

1.一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
所述方法包括以下步骤：
步骤1：建立边缘网络的容器信息向量和容器部署矩阵；
步骤2：对边缘网络进行负载均衡检测，得到过载边缘节点列表；
步骤3：考虑资源利用均衡度、剩余资源均衡度、网络传输延迟以及容器迁移停机时间，建立负载均衡联合迁移代价的容器迁移模型；
步骤4：基于改进蚁群***算法，根据容器部署矩阵、过载边缘节点列表和容器迁移模型，进行容器迁移。
2.根据权利要求1所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤1所述边缘网络区域内边缘节点的集合为
Figure FDA0002486429570000011
容器的集合为
Figure FDA0002486429570000012
每个边缘节点均包括多种类型的资源，电力物联网内资源的集合为
Figure FDA0002486429570000013
I、J、K分别为电力物联网区域内容器、边缘节点、资源类型的数量；
对任意边缘节点
Figure FDA0002486429570000014
其资源总量向量为
Figure FDA0002486429570000015
资源利用率向量为
Figure FDA0002486429570000016
其中，
Figure FDA0002486429570000017
表示nj可提供的最大rk类型资源量，
Figure FDA0002486429570000018
表示nj上rk的资源利用率；
所述边缘节点之间通过有线或无线的方式进行连接，nj与nj'之间的带宽，即最大传输速率为Bandj,j'。
3.根据权利要求2所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤1中，对任意容器
Figure FDA0002486429570000019
其容器信息向量为
Figure FDA00024864295700000110
其中，
Figure FDA00024864295700000111
表示ci的资源需求向量，
Figure FDA00024864295700000112
表示ci开始运行的时间，
Figure FDA00024864295700000113
表示满足资源需求情况下的计算时延，Toli为可以忍受的时延门限；
容器的资源需求为标准化处理后的虚拟资源单元数目；
步骤1所述容器部署矩阵为容器到边缘节点映射的二维容器部署决策矩阵X＝[xi,j]I×J；
其中决策变量xi,j表示容器ci是否已经部署在边缘节点nj上，如果已部署，则xi,j＝1；否则xi,j＝0；
边缘节点nj上部署的容器集合为V(nj)。
4.根据权利要求3所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤2包括以下步骤：
步骤2.1：计算所有边缘节点的各类型资源利用率；
步骤2.2：计算各边缘节点负载；
步骤2.3：计算边缘节点间的负载差异；
步骤2.4：构建边缘节点间的负载差异矩阵模型并确定容器迁移触发条件；
步骤2.5：判断是否触发容器迁移，若是则进行步骤2.6，否则返回步骤2.2；
步骤2.6：基于步骤2.4中的触发条件确定过载边缘节点，将过载边缘节点放入过载边缘节点列表中，得到过载边缘节点列表。
5.根据权利要求4所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤2.1中，nj上rk的资源利用率
Figure FDA0002486429570000021
计算公式为：
Figure FDA0002486429570000022
6.根据权利要求5所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤2.2中，边缘节点nj的负载计算公式为：
Figure FDA0002486429570000023
其中，ηk为rk之于nj负载的权重，且满足：
Figure FDA0002486429570000024
7.根据权利要求6所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤2.3中，任意两个边缘节点nj和nj'之间负载差异的计算公式为：
Figure FDA0002486429570000031
8.根据权利要求7所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤2.4构建的边缘节点间的负载差异化矩阵模块为HJ×J：
Figure FDA0002486429570000032
容器迁移触发条件为：
Figure FDA0002486429570000033
其中，σ为边缘节点间负载差异的上限，Thrk为各类型资源利用率的上限。
9.根据权利要求3所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤3建立的容器迁移模型为：
Figure FDA0002486429570000034
其中：
Figure FDA0002486429570000035
Figure FDA0002486429570000041
Figure FDA0002486429570000042
Figure FDA0002486429570000043
其中：θ,γ分别为边缘网络负载均衡度和容器迁移代价的权重；
Figure FDA0002486429570000044
为迁移决策变量，xi,j'为迁移后容器ci是否部署在边缘节点nj上；如果xi,j＝1且xi,j'＝1，则有
Figure FDA0002486429570000045
表示容器ci从边缘节点nj迁移到了nj'，否则
Figure FDA0002486429570000046
Λi为ci在迁移过程中产生的传输数据量，
Figure FDA0002486429570000047
为给ci分配的内存资源，Bj,j'为nj与nj'之间的带宽，即最大传输速率；
Figure FDA0002486429570000048
表示迁移后边缘节点nj上rk的资源利用率，
Figure FDA0002486429570000049
表示rk在所有边缘节点上的平均资源利用率,
Figure FDA00024864295700000410
表示迁移完成之后nj上rk的剩余可用资源量，
Figure FDA00024864295700000411
是nj上rk的资源总量。
10.根据权利要求9所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤4包括以下步骤：
步骤4.1：输入容器部署矩阵和过载边缘节点列表；
步骤4.2：计算过载边缘节点上的容器迁移优先级并进行排序；
步骤4.3：定义待迁移容器为当前过载边缘节点上具有最高优先级的容器，并认为待迁移容器已不再部署于该过载边缘节点上；
步骤4.4：将待迁移容器加入到待迁移容器列表；
步骤4.5：重新计算“释放”待迁移容器后过载边缘节点的负载，并基于容器迁移触发条件判断边缘网络负载是否失衡，若是，则返回步骤4.3，否则进行步骤4.6；
步骤4.6：根据容器迁移模型为待迁移容器选择目标边缘节点；
步骤4.7：基于改进蚁群***算法完成待迁移容器的迁移调度，输出迁移结果。
11.根据权利要求10所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤4.2中，nj上ci的迁移优先级计算公式为：
Figure FDA0002486429570000051
其中：λ,μ,ψ分别为基于迁移时间、迁移次数和迁移数据量的权重因子，且满足：λ+μ+ψ＝1；
Figure FDA0002486429570000052
为边缘节点nj上容器ci基于迁移时间的迁移概率，计算公式为：
Figure FDA0002486429570000053
其中，ωcpu和ωmem是预先指定的容器CPU和内存利用率对迁移停机时间影响的权重，且满足ωcpu+ωmem＝1；
Figure FDA0002486429570000054
为边缘节点nj上容器ci基于迁移次数的迁移概率，计算公式为：
Figure FDA0002486429570000055
Figure FDA0002486429570000056
为容器负载和边缘节点负载之间的欧氏距离，计算公式为：
Figure FDA0002486429570000057
其中，
Figure FDA0002486429570000058
分别为边缘节点nj和容器ci上rk的资源利用率；
Figure FDA0002486429570000059
为rk对nj负载影响的权重，且满足：
Figure FDA0002486429570000061
Figure FDA0002486429570000062
为边缘节点nj上容器ci基于迁移数据量的迁移概率，计算公式为：
Figure FDA0002486429570000063
其中，
Figure FDA0002486429570000064
分别为容器ci的已执行时间和满足业务资源需求的计算时延。
12.根据权利要求10所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤4.6中，目标边缘节点的选择方式为：
Figure FDA0002486429570000065
13.根据权利要求10所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤4.7中，蚁群***通过模拟蚂蚁觅食过程来完成容器的迁移调度，具体包括：
(1)将蚂蚁Antl随机部署在一个待迁移的容器ci上；
(2)Antl根据信息素τi,j和启发式信息ηi,j，选择一个映射关系元组＜ci,nj＞，即将ci部署到nj上；然后将ci放入Antl的禁忌表Tabul中；
(3)Antl返回到待迁移容器列表Cmig中的下一个待迁移容器，重复步骤(2)完成接下来的迁移分配，得到一个迁移方案，所有的蚂蚁均完成一次待迁移容器分配视为一次迭代，算法在达到最大迭代次数后终止。
14.根据权利要求13所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤(2)中，初始信息素τ0的值为：
Figure FDA0002486429570000071
其中，|Cmig|为待迁移容器的个数；
在选择一个新的映射关系元组＜ci,nj＞后，蚂蚁基于以下局部信息素更新规则更新此次遍历映射关系的信息素级别：
τi,j＝(1-ρl)τi,j (19)
其中，ρl为局部信息素蒸发系数，且满足ρl∈[0,1]，ρl的值越大，＜ci,nj＞上剩余的信息素越少。
15.根据权利要求13所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤(2)中，启发式信息ηi,j的计算公式为：
Figure FDA0002486429570000072
Figure FDA0002486429570000073
为针对将ci迁移至nj所产生的迁移代价的启发式信息，
Figure FDA0002486429570000074
为：
Figure FDA0002486429570000075
Figure FDA0002486429570000076
为针对容器迁移之后对目标边缘节点nj的影响的启发式信息，
Figure FDA0002486429570000077
为：
Figure FDA0002486429570000078
其中，
Figure FDA0002486429570000079
是ci对rk的资源需求。
16.根据权利要求13所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤(2)中，蚂蚁根据以下伪随机比例规则选择映射关系元组进行遍历：
Figure FDA00024864295700000710
其中，q0是介于区间[0,1]之间的预定义参数，q是产生于[0,1]之间的随机数；
当q≤q0时，蚂蚁直接选择使得信息素的指数α与启发式信息的指数β乘积最大的nj作为ci的目标边缘节点；否则，基于式(25)的轮盘赌规则选择目标边缘节点：
Figure FDA0002486429570000081
其中，pi,j代表ci选择nj作为其目标边缘节点的概率，Θl(i)为满足约束条件的Antl的一组有效边缘节点的集合，Θl(i)为：
Figure FDA0002486429570000082
17.根据权利要求13所述的一种面向边缘网络负载均衡的电力物联网容器迁移方法，其特征在于：
步骤(3)中，在所有蚂蚁完成构建迁移方案后，根据目标函数F评估当前构建的所有迁移方案的质量，并选择其中最佳的一种执行以下的全局信息素更新规则以保留全局最优解的经验：
Figure FDA0002486429570000083
其中，ρg为全局信息素更新系数，且满足ρg∈[0,1]，Δτ为额外信息素的增量，X+为一次迭代中的全局最优解。
CN202010392704.3A 2020-05-11 2020-05-11 一种面向边缘网络负载均衡的电力物联网容器迁移方法 Active CN111694636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010392704.3A CN111694636B (zh) 2020-05-11 2020-05-11 一种面向边缘网络负载均衡的电力物联网容器迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010392704.3A CN111694636B (zh) 2020-05-11 2020-05-11 一种面向边缘网络负载均衡的电力物联网容器迁移方法

Publications (2)

Publication Number Publication Date
CN111694636A true CN111694636A (zh) 2020-09-22
CN111694636B CN111694636B (zh) 2022-08-23

Family

ID=72477138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010392704.3A Active CN111694636B (zh) 2020-05-11 2020-05-11 一种面向边缘网络负载均衡的电力物联网容器迁移方法

Country Status (1)

Country Link
CN (1) CN111694636B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112445573A (zh) * 2020-11-04 2021-03-05 许继集团有限公司 一种基于备用机制的边缘物联代理资源调度方法及装置
CN113259469A (zh) * 2021-06-02 2021-08-13 西安邮电大学 智能制造中边缘服务器部署方法、***及存储介质
CN113760541A (zh) * 2021-07-29 2021-12-07 国网河南省电力公司信息通信公司 边缘资源分配的方法及装置
CN113847926A (zh) * 2021-09-18 2021-12-28 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN114039980A (zh) * 2021-11-08 2022-02-11 郑州轻工业大学 面向边缘协同计算的低时延容器迁移路径选择方法及***
CN114077498A (zh) * 2021-11-20 2022-02-22 郑州轻工业大学 面向移动边缘计算的计算负载选择及迁移方法及***
CN114095358A (zh) * 2021-11-23 2022-02-25 南方电网深圳数字电网研究院有限公司 一种面向动态网络的虚拟网络功能部署方法及设备
CN114599072A (zh) * 2022-02-14 2022-06-07 东南大学 时变需求驱动的密集wlan终端关联管理方法
CN114723236A (zh) * 2022-03-17 2022-07-08 广州汉光电气股份有限公司 一种电网边缘计算分界方法
US11388106B2 (en) * 2020-10-30 2022-07-12 EMC IP Holding Company LLC Method, device, and computer program product for edge resource aggregation
CN115118729A (zh) * 2022-06-28 2022-09-27 中国电信股份有限公司 容器迁移方法、***和存储介质
CN116991580A (zh) * 2023-07-27 2023-11-03 上海沄熹科技有限公司 一种分布式数据库***负载均衡的方法及装置
CN117032996A (zh) * 2023-10-09 2023-11-10 湖南中青能科技有限公司 一种电力元数据管理方法及***
CN117896384A (zh) * 2024-03-18 2024-04-16 深圳市精极工业互联网有限公司 物联网通信方法、装置、设备及存储介质
CN117896384B (zh) * 2024-03-18 2024-05-14 深圳市精极工业互联网有限公司 物联网通信方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019007420A1 (zh) * 2017-07-07 2019-01-10 中兴通讯股份有限公司 负载均衡调度方法、装置及计算机可读存储介质
CN109600269A (zh) * 2019-01-21 2019-04-09 云南电网有限责任公司信息中心 一种基于dcos的云管理平台
CN109714400A (zh) * 2018-12-12 2019-05-03 华南理工大学 一种面向容器集群的能耗优化资源调度***及其方法
US20190253490A1 (en) * 2016-10-31 2019-08-15 Huawei Technologies Co., Ltd. Resource load balancing control method and cluster scheduler
CN110457131A (zh) * 2019-07-31 2019-11-15 华中科技大学 基于Docker容器的电力***超算平台任务调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190253490A1 (en) * 2016-10-31 2019-08-15 Huawei Technologies Co., Ltd. Resource load balancing control method and cluster scheduler
WO2019007420A1 (zh) * 2017-07-07 2019-01-10 中兴通讯股份有限公司 负载均衡调度方法、装置及计算机可读存储介质
CN109714400A (zh) * 2018-12-12 2019-05-03 华南理工大学 一种面向容器集群的能耗优化资源调度***及其方法
CN109600269A (zh) * 2019-01-21 2019-04-09 云南电网有限责任公司信息中心 一种基于dcos的云管理平台
CN110457131A (zh) * 2019-07-31 2019-11-15 华中科技大学 基于Docker容器的电力***超算平台任务调度方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11388106B2 (en) * 2020-10-30 2022-07-12 EMC IP Holding Company LLC Method, device, and computer program product for edge resource aggregation
CN112445573A (zh) * 2020-11-04 2021-03-05 许继集团有限公司 一种基于备用机制的边缘物联代理资源调度方法及装置
CN113259469A (zh) * 2021-06-02 2021-08-13 西安邮电大学 智能制造中边缘服务器部署方法、***及存储介质
CN113259469B (zh) * 2021-06-02 2022-10-14 西安邮电大学 智能制造中边缘服务器部署方法、***及存储介质
CN113760541A (zh) * 2021-07-29 2021-12-07 国网河南省电力公司信息通信公司 边缘资源分配的方法及装置
CN113760541B (zh) * 2021-07-29 2023-06-30 国网河南省电力公司信息通信公司 边缘资源分配的方法及装置
CN113847926A (zh) * 2021-09-18 2021-12-28 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN113847926B (zh) * 2021-09-18 2024-01-19 上海电机学院 一种基于边缘微服务协作的实时路径规划方法
CN114039980A (zh) * 2021-11-08 2022-02-11 郑州轻工业大学 面向边缘协同计算的低时延容器迁移路径选择方法及***
CN114077498A (zh) * 2021-11-20 2022-02-22 郑州轻工业大学 面向移动边缘计算的计算负载选择及迁移方法及***
CN114077498B (zh) * 2021-11-20 2023-03-28 郑州轻工业大学 面向移动边缘计算的计算负载选择及迁移方法及***
CN114095358A (zh) * 2021-11-23 2022-02-25 南方电网深圳数字电网研究院有限公司 一种面向动态网络的虚拟网络功能部署方法及设备
CN114599072A (zh) * 2022-02-14 2022-06-07 东南大学 时变需求驱动的密集wlan终端关联管理方法
CN114599072B (zh) * 2022-02-14 2024-02-06 东南大学 时变需求驱动的密集wlan终端关联管理方法
CN114723236A (zh) * 2022-03-17 2022-07-08 广州汉光电气股份有限公司 一种电网边缘计算分界方法
CN115118729A (zh) * 2022-06-28 2022-09-27 中国电信股份有限公司 容器迁移方法、***和存储介质
CN116991580A (zh) * 2023-07-27 2023-11-03 上海沄熹科技有限公司 一种分布式数据库***负载均衡的方法及装置
CN117032996B (zh) * 2023-10-09 2023-12-22 湖南中青能科技有限公司 一种电力元数据管理方法及***
CN117032996A (zh) * 2023-10-09 2023-11-10 湖南中青能科技有限公司 一种电力元数据管理方法及***
CN117896384A (zh) * 2024-03-18 2024-04-16 深圳市精极工业互联网有限公司 物联网通信方法、装置、设备及存储介质
CN117896384B (zh) * 2024-03-18 2024-05-14 深圳市精极工业互联网有限公司 物联网通信方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111694636B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111694636B (zh) 一种面向边缘网络负载均衡的电力物联网容器迁移方法
CN105491138B (zh) 一种基于负载率分级触发的分布式负载调度方法
Bezerra et al. A load balancing scheme for massively multiplayer online games
CN110445866A (zh) 一种移动边缘计算环境中任务迁移和协作式负载均衡方法
Ma et al. Container migration mechanism for load balancing in edge network under power Internet of Things
CN104618406A (zh) 一种基于朴素贝叶斯分类的负载均衡算法
CN107220108A (zh) 一种实现云数据中心负载均衡的方法和***
Sedaghat et al. Decentralized cloud datacenter reconsolidation through emergent and topology-aware behavior
WO2020134133A1 (zh) 一种资源配置方法、变电站及计算机可读存储介质
CN113342409A (zh) 多接入边缘计算***时延敏感型任务卸载决策方法及***
CN108089918B (zh) 一种面向异构服务器结构的图计算负载均衡方法
CN113382074A (zh) 一种基于动态反馈的微服务负载均衡优化方法
CN110597598B (zh) 一种云环境中的虚拟机迁移的控制方法
Sapkota et al. Multi-controller placement optimization using naked mole-rat algorithm over software-defined networking environment
CN115022926A (zh) 一种基于资源均衡度的多目标优化容器迁移方法
Dziurzanski et al. Value-based allocation of docker containers
CN111176784A (zh) 一种基于极限学习机和蚁群***的虚拟机整合方法
Hayat et al. Efficient energy utilization in cloud fog environment
CN112954012B (zh) 基于负载的改进模拟退火算法的云任务调度方法
CN113360245A (zh) 基于移动云计算深度强化学习的物联网设备任务下载方法
CN113329432A (zh) 一种基于多目标优化的边缘服务布置方法和***
CN113535397A (zh) 一种智能车辆边缘计算网络的资源分配方法
CN110308965B (zh) 云数据中心的基于规则的启发式虚拟机分配方法及***
CN110430236A (zh) 一种部署业务的方法以及调度装置
Naik et al. Developing a cloud computing data center virtual machine consolidation based on multi-objective hybrid fruit-fly cuckoo search algorithm

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