论文部分内容阅读
随着云计算、物联网技术的不断发展,推动了各类智能系统在物流、交通、医疗等场景中的广泛应用。此类智能系统利用工作流技术实现用户任务或服务的自动化执行,满足了部分用户的服务质量需求。然而,当前主流智能系统大多基于传统云计算环境架构设计。虽然云计算环境具有海量的计算能力,但是其所具有的计算资源大多集中于距离用户较远、访问延时较高的云数据中心。用户在享受云服务所带来的强大计算能力的同时,需要忍受因较高的服务响应时间而导致的用户服务体验较差的问题。其次,随着物联网技术的不断发展,海量的终端设备开始接入并能够访问云计算环境中的各类计算资源,这使得用户接入的网络信道日益拥挤,越来越多的服务请求得不到及时的处理。同时,各类智能系统的实时性需求则进一步激化了云计算环境中不断增长的服务响应延时与实时性需求之间的矛盾。因此,目前基于云计算环境架构的智能系统均在不同程度上面临服务质量不够稳定、带宽拥挤、服务响应延时过高等问题,进而严重影响到智能系统中工作流任务的处理效率以及用户的服务质量需求。近几年来,一种全新的计算范型—边缘计算开始兴起。在边缘计算环境中,通过将各类计算资源下沉至更靠近用户的边缘侧,使得边缘计算环境具有低延时、分布式等优点。工作流技术因其能够实现计算任务的自动化执行与高效管理,被广泛应用于各类智能系统。目前针对工作流任务与计算资源的管理方法大多面向基于云计算环境的智能系统,主要解决通用型工作流任务与计算资源的管理问题,具有工作流任务与计算资源类型单一、网络结构简单、算法动态适应性较差等特点。然而,边缘计算环境具有资源异构性、工作流任务多样性、网络结构复杂性与环境动态性的特点,这使得传统云计算环境中面向工作流任务的计算资源管理方法已不再适用于边缘计算环境。因此,如何在边缘计算环境中根据智能系统的各类工作流任务属性为其选择最为合适的计算资源,以实现边缘计算环境中智能系统的资源高效管理成为了目前亟待解决的问题。本文主要关注边缘计算环境中的各类智能系统所面临的工作流任务与计算资源的管理问题与挑战。首先,针对边缘计算环境中计算资源的异构性、分布式等特点,结合工作流技术的优势,面向各类智能系统场景,设计出一种高效且易用的边缘计算资源管理框架与实验平台。其次,针对边缘计算环境中智能系统的终端设备特点、工作流任务属性以及计算与网络资源特点,构建出合适的边缘计算环境模型与资源管理问题模型。最后,针对现有边缘计算环境中的资源管理策略大多停留在算法层面,没有与工作流技术、真实场景需求相结合的缺陷,综合考虑工作流实例在执行过程中所面临的卸载、调度等问题,设计并实现面向真实智能系统场景的边缘计算资源管理一体化解决方案。因此,本文以边缘计算环境中智慧物流与智慧医疗系统为例,考虑终端设备的静止与移动两种状态,研究边缘计算环境中基于工作流技术的智能系统资源管理框架、实验平台与方法,主要包括以下三个方面:边缘计算环境中基于工作流技术的智能系统资源管理框架与实验平台;边缘计算环境中面向静止终端的工作流计算卸载与调度问题的模型与方法;边缘计算环境中面向移动终端的工作流计算卸载与调度问题的模型与方法;1.在边缘计算环境中基于工作流技术的智能系统资源管理框架与实验平台方面,本文针对现有智能系统大多基于云计算环境设计,受限于终端设备自身电池容量较低、计算能力较弱以及高延时等缺点,无法满足各类智能系统与应用对计算与数据资源的高性能要求。本文以智慧物流系统中无人机最后一公里配送系统的实际场景为例,首先在边缘计算环境中使用工作流以及区块链技术,设计了边缘计算环境中基于工作流技术的智能系统资源管理框架(An Framework for Workflow and Blockchain based Smart Systems in Edge Computing Environment,EXPRESS)。该资源管理框架针对边缘计算环境中智能系统所面临的两大资源管理难题,计算资源与数据资源管理问题,设计了对应基于工作流技术的计算资源管理模块与基于区块链技术的数据资源管理模块。其次,结合EXPRESS资源管理框架中基于工作流技术的计算资源管理模块,实现了边缘计算环境中面向智能系统的工作流实验平台(Edge Workflow)。Edge Workflow为边缘计算环境中智能系统的工作流任务管理问题研究提供了一种高效且易用的算法实验平台。2.在边缘计算环境中面向静止终端的工作流计算卸载与调度问题的模型与方法方面,针对目前传统计算卸载技术往往只考虑单一类型计算资源的问题,即仅考虑将计算任务卸载到边缘服务器或云服务器,没有综合考虑边缘计算环境中所存在的不同类型计算资源,如终端设备、边缘服务器与云服务器。本文在边缘计算环境中根据工作流任务的实际执行情况改进了传统计算卸载模型,并提出了计算卸载与任务调度能耗及时间模型。然后设计出适用于评价边缘计算环境中计算任务卸载与调度方案执行能耗的适应度计算方法。最后提出了边缘计算环境中能耗优化的静态计算卸载与调度策略(Energy Efficient Multi-Resource Computation Offloading and Scheduling Strategy,EMO),EMO策略能够充分考虑计算卸载时终端设备、边缘服务器与云服务器的负载情况,生成最优卸载决策方案。在考虑响应时间约束与工作流任务各类特征的情况下,优化工作流任务的卸载与调度方案,降低终端设备能耗。通过实验表明,EMO策略与其他四种计算卸载策略相比,EMO策略所对应的任务卸载与调度方案,在保证用户响应时间约束的条件下,终端设备能耗值优于其它四种卸载策略,且算法性能稳定。3.在边缘计算环境中面向移动终端的工作流计算卸载与调度问题的模型与算法方面,针对终端设备的移动性因素可能对其计算任务的卸载与调度方案所带来的影响,进而会增加计算任务的执行与能耗开销的问题。本文考虑终端设备在移动条件下的计算卸载、调度与迁移等问题,首先以智慧医疗系统中医疗数据监控与分析场景为例,结合边缘计算环境中终端设备、边缘服务器、云服务器的三层计算资源,建立了基于智慧医疗场景的终端设备的位置与移动路径模型。接着,考虑实际无线信道对工作流计算任务数据传输的影响,构建边缘计算环境中终端设备的工作流任务执行能耗与时间模型。最后,提出了移动感知的动态计算卸载与调度策略(Mobility-Aware Workflow Offloading and Scheduling Strategy,MAWOSS)。MAWOSS策略在对边缘计算环境中计算资源、网络资源以及终端设备信息进行全面考虑的前提下,分别对工作流计算任务在边缘计算环境中执行时的卸载阶段、调度阶段与迁移阶段提出了一体化解决方案。实验从终端设备能耗、任务响应时间等方面进行了方案的可行性验证。结果表明,MAWOSS策略能够在满足边缘计算工作流任务响应时间约束的条件下,充分优化工作流任务执行能耗。本文在更好的满足工作流任务响应时间约束的前提下,能够将边缘计算环境中基于工作流技术的智能系统资源管理框架与策略的相关理论和技术应用于解决终端设备所发起的计算任务管理和优化问题上,获得能耗最低的任务管理方案。因此,本文对提高边缘计算平台的使用效率与智能系统的服务质量,降低终端设备能耗与服务响应时间都具有十分重要的意义。