基于資源預(yù)測負(fù)載均衡算法在分布式霧計(jì)算中的研究

◆甘衛(wèi)民

基于資源預(yù)測負(fù)載均衡算法在分布式霧計(jì)算中的研究

◆甘衛(wèi)民

（廣州軟件學(xué)院 廣東 510900）

隨著終端用戶與物聯(lián)網(wǎng)設(shè)備的增加，霧計(jì)算與云計(jì)算系統(tǒng)變得越發(fā)復(fù)雜，隨著網(wǎng)絡(luò)邊緣IoT設(shè)備大量上傳，面對(duì)如此龐大的數(shù)據(jù)流量和錯(cuò)綜復(fù)雜的連接，資源請求與計(jì)算任務(wù)是一項(xiàng)艱巨的任務(wù)。霧計(jì)算網(wǎng)絡(luò)設(shè)計(jì)人員如何確保有效地訪問分布廣泛的資源，是個(gè)嚴(yán)峻挑戰(zhàn)。用戶每次請求搜索資源務(wù)必使霧計(jì)算任務(wù)執(zhí)行延遲上升。一種基于資源預(yù)測的動(dòng)態(tài)負(fù)載均衡技術(shù)，在為每個(gè)任務(wù)進(jìn)行負(fù)載均衡時(shí)充分考慮任務(wù)的執(zhí)行時(shí)間、執(zhí)行成本和霧節(jié)點(diǎn)的可用資源等因素。網(wǎng)絡(luò)的動(dòng)態(tài)可伸縮性問題慢慢得到解決，同時(shí)大大地縮短了交互響應(yīng)的時(shí)間，提高了分布式霧集群的有效利用率。

霧計(jì)算；霧節(jié)點(diǎn)；負(fù)載均衡

1 引言

目前，分布式霧計(jì)算負(fù)載均衡相關(guān)技術(shù)研究方向相對(duì)稀缺。主要原因考慮到霧系統(tǒng)的復(fù)雜特性，資源選擇的問題也是當(dāng)前有關(guān)研究的一個(gè)難題。本文在分布式霧系統(tǒng)中著重提出霧資源選器的概念，將為每一個(gè)請求分配霧資源，使每個(gè)請求能得到一個(gè)最優(yōu)的霧節(jié)點(diǎn)。實(shí)時(shí)預(yù)測新任務(wù)需要消耗的資源數(shù)量和完成時(shí)間，從而降低系統(tǒng)的服務(wù)延遲。本文主要介紹霧計(jì)算中負(fù)載均衡的方案、霧資源預(yù)測與霧資源選擇。重點(diǎn)介紹基于資源預(yù)測負(fù)載均衡技術(shù)在分布式霧計(jì)算中的方案和仿真分析。

2 霧資源調(diào)度算法[2]

隨著5G、云計(jì)算和IoT的時(shí)代的到來，在萬物互聯(lián)背景下，大量客戶端設(shè)備的接入，使得在設(shè)備管理上變得越來越困難，超大規(guī)模連接將導(dǎo)致云服務(wù)中心服務(wù)壓力過大，核心網(wǎng)絡(luò)擁塞。為了降低核心網(wǎng)絡(luò)的負(fù)載，將中心計(jì)算能力遷移到網(wǎng)絡(luò)的邊緣迫在眉睫，分布式霧計(jì)算負(fù)載均衡正是解決了這個(gè)重要的研究難題。它不僅解決了云中心的壓力，同時(shí)也增加了移動(dòng)性支持。分布式霧計(jì)算通過若干個(gè)霧節(jié)點(diǎn)相互之間的協(xié)同合作，解決了單個(gè)霧節(jié)點(diǎn)的性能不足的問題。霧計(jì)算自動(dòng)化資源實(shí)時(shí)預(yù)測系在資源選擇、任務(wù)處理、故障分析和負(fù)載均衡等方向邁出了重要的一步。

圖1 霧資源調(diào)度算法

主霧節(jié)點(diǎn)由三大構(gòu)件組成：分別是任務(wù)調(diào)度器、任務(wù)管理器和資源選擇器。三大構(gòu)件主要資源調(diào)度算法如圖1所示。

任務(wù)調(diào)度器主要負(fù)責(zé)將來自網(wǎng)絡(luò)邊緣的任務(wù)映射到霧層的最佳可用資源節(jié)點(diǎn)上。任務(wù)管理器從任務(wù)調(diào)度器接收任務(wù)描述，并在執(zhí)行日志中查找相似的任務(wù)以獲得執(zhí)行任務(wù)所需的資源。找到相似任務(wù)后下一步是為上傳的任務(wù)提供資源需求和執(zhí)行時(shí)間的實(shí)時(shí)預(yù)測。資源選擇器通過進(jìn)行實(shí)時(shí)預(yù)測來執(zhí)行霧資源選擇，同時(shí)資源選擇器也會(huì)從資源中選擇最合適的資源完成任務(wù)[3]。

3 分布式霧計(jì)算中的負(fù)載均衡算法

3.1 靜態(tài)負(fù)載均衡算法

靜態(tài)負(fù)載均衡算法主要有系統(tǒng)物理硬件能力決定，例如CPU、內(nèi)存處理性能等，與系統(tǒng)當(dāng)前狀態(tài)信息沒有關(guān)系。該算法基于事先已知了所有節(jié)點(diǎn)及其屬性進(jìn)行工作。有關(guān)平衡負(fù)載的所有決策在編譯時(shí)就已經(jīng)確定了，適合于負(fù)載變化較小的系統(tǒng)。最常見的靜態(tài)負(fù)載均衡算法有輪詢算法。

3.2 動(dòng)態(tài)負(fù)載均衡算法

與靜態(tài)負(fù)載均衡算法相反，與當(dāng)前系統(tǒng)狀態(tài)信息有關(guān)，所有決策在系統(tǒng)運(yùn)行過程中動(dòng)態(tài)獲取每個(gè)節(jié)點(diǎn)的當(dāng)前狀態(tài)，有關(guān)平衡負(fù)載通過不同的策略算法實(shí)現(xiàn)。它不僅可以動(dòng)態(tài)調(diào)整過重與過輕的節(jié)點(diǎn)實(shí)時(shí)負(fù)載均衡分配。也可以動(dòng)態(tài)考慮節(jié)點(diǎn)狀態(tài)的變化。動(dòng)態(tài)負(fù)載均衡算法主要有最小連接數(shù)算法。

3.3 基于資源預(yù)測的負(fù)載均衡算法[2]

基于資源預(yù)測的負(fù)載均衡算法符號(hào)描述如下：用ki表示任務(wù)集，di（ti，ci，mi，Pi）表示任務(wù)描述，K表示任務(wù)集，D表示任務(wù)描述集，F(xiàn)表示霧節(jié)點(diǎn)集，F(xiàn)pre表示初步霧資源，F(xiàn)opt表示最優(yōu)霧資源。

圖2 基于資源預(yù)測的負(fù)載均衡算法

在IoT與霧計(jì)算網(wǎng)絡(luò)，數(shù)據(jù)流量與服務(wù)倍增，導(dǎo)致負(fù)載壓力過大，加之霧計(jì)算網(wǎng)中用戶任務(wù)的多樣化使霧節(jié)點(diǎn)出現(xiàn)負(fù)載過重或不足等問題。為了降低服務(wù)延遲，提高服務(wù)集群的利用率，提供服務(wù)質(zhì)量等。一種基于資源預(yù)測的負(fù)載均衡算法可以解決此問題。如圖2所示。該算法的目標(biāo)是為每個(gè)任務(wù)預(yù)測最優(yōu)的霧資源，全方位考慮每個(gè)任務(wù)的響應(yīng)時(shí)間與執(zhí)行成本等因素。每次任務(wù)響應(yīng)結(jié)束后，動(dòng)態(tài)更新舊的數(shù)據(jù)，以便到達(dá)更好的預(yù)測效果。

4 算法性能分析

仿真時(shí)，設(shè)置參數(shù)如表1，設(shè)備在服務(wù)平面500m*500m上隨機(jī)分布，設(shè)備發(fā)送的請求服從離散概率分布，每個(gè)霧節(jié)點(diǎn)的帶寬、計(jì)算能力和存儲(chǔ)能力設(shè)置不同，體現(xiàn)霧服務(wù)器集群中每個(gè)霧節(jié)點(diǎn)的差異。

表1 仿真參數(shù)

根據(jù)上面三種負(fù)載均衡算法，根據(jù)不同任務(wù)數(shù)量所耗費(fèi)的總時(shí)間分析結(jié)果如圖3所示。隨著總?cè)蝿?wù)數(shù)量的增加，任務(wù)的總執(zhí)行延遲在不斷上升，從圖分析直觀對(duì)比，在任務(wù)數(shù)量越多的情況下，總耗時(shí)延遲越發(fā)明顯，如在任務(wù)數(shù)為2500時(shí)，資源預(yù)測負(fù)載方案總耗時(shí)比基于輪詢的負(fù)載均衡方案提高了14.8%。動(dòng)態(tài)負(fù)載均衡方案在延遲上比靜態(tài)負(fù)載均衡方要低得多，資源預(yù)測負(fù)載均衡方案動(dòng)態(tài)考慮霧集群中每臺(tái)機(jī)器的計(jì)算與存儲(chǔ)能力，實(shí)時(shí)為每個(gè)任務(wù)分配最優(yōu)的霧資源。

圖3 任務(wù)數(shù)對(duì)總執(zhí)行延遲的影響

同樣根據(jù)不同霧節(jié)點(diǎn)帶寬分析結(jié)果如圖4所示。在霧節(jié)點(diǎn)帶寬越小的情況下，總耗時(shí)延遲越發(fā)明顯，如上圖如在霧節(jié)點(diǎn)帶寬為500Mb/s時(shí)，資源預(yù)測負(fù)載方案任務(wù)執(zhí)行時(shí)間最短總耗時(shí)比基于輪詢的負(fù)載均衡方案提高了約20%。當(dāng)霧節(jié)點(diǎn)帶寬不足的情況下資源預(yù)測負(fù)載方案能夠快速響應(yīng)，根據(jù)當(dāng)前任務(wù)數(shù)據(jù)量、每個(gè)霧節(jié)點(diǎn)的網(wǎng)絡(luò)狀況和任務(wù)總數(shù)據(jù)大小為任務(wù)分配最優(yōu)霧資。

圖4 網(wǎng)絡(luò)帶寬對(duì)任務(wù)總延遲的影響

5 總結(jié)

本章簡單介紹了霧計(jì)算是云計(jì)算概念的延伸，利用云服務(wù)到網(wǎng)絡(luò)邊緣計(jì)算以減少延遲和網(wǎng)絡(luò)擁塞，減輕云集群服務(wù)中心的壓力，考慮了分布式霧計(jì)算中霧節(jié)點(diǎn)服務(wù)的動(dòng)態(tài)性，大量邊緣設(shè)備上傳任務(wù)的隨機(jī)性及用戶任務(wù)的多樣性，將會(huì)造成網(wǎng)絡(luò)空間負(fù)載過?；虿蛔愕膯栴}，分布式霧計(jì)算提出一種基于資源預(yù)測的負(fù)載均衡方案，該方案綜合考慮任務(wù)的響應(yīng)延遲、每項(xiàng)任務(wù)的執(zhí)行成本、硬件消耗、不同霧節(jié)點(diǎn)的網(wǎng)絡(luò)狀況、計(jì)算資源等因素，為每個(gè)任務(wù)分配最優(yōu)的霧資源。通過分析本文提出的方案在任務(wù)數(shù)量越多和霧節(jié)點(diǎn)網(wǎng)絡(luò)帶寬資源不足的情況下，總執(zhí)行延遲比其他負(fù)載均衡算法得出延遲要低得多，大大縮短了服務(wù)的響應(yīng)時(shí)間和執(zhí)行成本。

[1]董春利，王莉.霧計(jì)算系統(tǒng)架構(gòu)與資源分配淺析[J].電子測試，2020（18）.

[2]孫永源.分布式霧計(jì)算中任務(wù)卸載與負(fù)載均衡方案研究[D].南京郵電大學(xué)，2020.

[3]Liu J，Mao Y，Zhang J，et al.Delay-optimal computation task scheduling for mobile-edge computing systems. IEEE International Symposium on Information Theory，2016.

[4]DASTJERDI A V，BUYYA R. Fog Computing：Helping the Internet of Things Realize Its Potential. Computer，2016.

[5]范凌敏.霧工作流系統(tǒng)中任務(wù)管理策略的研究與實(shí)現(xiàn)[D].安徽大學(xué)，2020.

[6]謝人超，廉曉飛，賈慶民，等.移動(dòng)邊緣計(jì)算卸載技術(shù)綜述[J].通信學(xué)報(bào)，2018（11）.

華為路由交換進(jìn)階實(shí)驗(yàn)教程項(xiàng)目（項(xiàng)目編碼：JPJC202102）