论文部分内容阅读
边缘计算技术的出现,使得服务能够部署在更靠近用户的边缘端,大量数据因此从云端向边缘端分流。这一新型的服务架构,既能够减轻云服务平台与日俱增的负载压力,又可以降低网络传输基础设施的带宽压力。因用户端至边缘端的通信距离短,经过的通信节点设备少,且网络性能相对稳定的特点,边缘计算给依托其运行的应用带来了显著的时延降低效益。边缘计算平台的出现改变了应用运行的基础物理架构,那么应用的研发和部署就必须适应边缘计算平台这一新型框架。为谋求应用性能的提升,投入精力在应用向边缘计算平台的移植研发工作上,必然是大势所趋。基于机器学习算法的人工智能应用越来越多,这类应用的一大特点是数据量大,服务资源耗费高。目前,机器学习应用往往部署在云服务器上,利用云服务器的丰富资源进行模型训练和数据预测。本文以基于Inception模型的图像识别服务作为人工智能应用的代表,探索其在边缘计算平台这一新型基础架构上的部署方式,初步形成了图像识别服务依托云服务器进行图像识别模型训练任务,边缘端部署模型进行图像预测服务的工作模式。本文重点研究了边缘计算平台的设计与实现过程以及基于Inception模型的图像识别服务部署方式。首先,论文对虚拟化技术和容器编排技术的基本概念和工作原理进行了深入研究,最终选择了行业领先的Docker容器虚拟化工具和Kubernetes容器编排工具作为边缘计算平台的技术支撑;然后,论文研究了图像识别微服务化方法,并借助Socket通信接口实现客户与边缘计算平台服务的通信,在服务过程中,结合自主设计的基于流水线原理的内容分发算法,对服务性能进行进一步的优化。最后,通过搭建面向图像识别服务的边缘计算平台进行了仿真实验,并对实验结果进行了统计分析,验证了图像识别服务在边缘计算平台上部署的可行性和优越性。