[發明專利]一種面向實時數據處理應用的邊緣協同存儲方法

有效

• 申請號: 201910687788.0
• 申請日: 2019-07-29
• 公開（公告）號: CN110471621B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 金嘉暉;楊豐赫;羅軍舟;李云昊
• 申請（專利權）人: 東南大學
• 主分類號: G06F3/06
• 分類號: G06F3/06;H04L29/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

本發明公開了一種異構邊緣計算環境下面向實時數據處理應用的邊緣協同存儲方法，該方法首先確定鄰居服務器集合；然后為所有邊緣服務器計算每個應用對應的模型數據相對于存儲在云端的存儲效益，生成初始存儲效益矩陣，該存儲效益主要體現在時延的降低上；從存儲效益矩陣中尋找具有最大存儲效益的存儲候選方案；如果對應的邊緣服務器還有足夠的空間容納模型數據，則進行存儲并更新其剩余存儲空間與受本次存儲操作影響的其他模型數據的存儲效益，否則將該效益值設置為無窮小，不再考慮該存儲候選方案；重復上述兩個步驟，直到所有邊緣服務器的存儲空間都不足以容納新的模型數據為止。

技術領域

本發明涉及邊緣計算平臺及邊緣服務器管理領域，尤其涉及一種異構邊緣計算環境下面向實時數據處理應用的邊緣協同存儲方法。

背景技術

隨著移動互聯網、物聯網等技術的進一步發展，手機和可穿戴設備等智能終端快速普及，成為日常生活中不可或缺的一部分。與此同時，運行在智能終端上的實時數據處理應用層出不窮。比如，智能語音助手能夠理解用戶發出的語音指令，了解用戶習慣；智能相機應用能夠智能識別拍攝場景，優化相機參數；在這類應用中，一張圖片的識別、一個場景的渲染、一次語音文本轉換等操作均可視為一個實時數據處理任務。這些任務擁有計算密集、數據密集和時延敏感三大特性，執行這些任務需要額外的模型數據輸入，如預先訓練好的深度學習模型和渲染材料等。

為了保證終端應用的同時提升服務質量，學術界提出了邊緣計算，通過給予網絡邊緣設備一定的計算和存儲能力，形成“端—邊緣—云”三層的系統架構，在網絡的邊緣提供通信和IT服務、存儲和計算資源，以降低應用的處理延遲以及更有效地利用移動網絡。這些具有一定計算、存儲和通信能力的網絡邊緣設備被稱為邊緣服務器。相比于云服務器而言，在邊緣計算模式下，邊緣服務器離終端距離較近，終端和邊緣服務器交互，可以獲得更快的響應和更高的服務質量。

然而對于實時數據處理任務，邊緣服務器不僅需要提供足夠的計算資源，還需提供任務所需的模型數據，才能為終端提供相應的服務，而資源有限的單個邊緣服務器往往無法存儲所有的模型數據。由于可充當邊緣服務器的設備多樣化，故各邊緣服務器的計算、存儲能力可能都不相同從而導致在不同邊緣服務器上的模型存儲分布不均。傳統方法中，當實時數據處理任務被遷移到與終端對應的邊緣服務器計算時，若當前邊緣服務器缺失相應模型，則需先從其他設備下載所需模型后才能進行任務處理。但是這在現有網絡狀態下很有可能因為超過截止期而導致大量任務失敗。而更為有效的一種方法就是用計算的遷移來代替模型數據的遷移，將實時數據處理任務遷移到具有該應用對應的模型的邊緣服務器上執行可以減少遷移的時延。

因此，在異構的邊緣計算環境下，如何盡可能多而合理地在邊緣服務器之間協同存儲模型數據，盡可能滿足實時數據處理任務的模型數據需求，對降低任務時延、最大化任務成功率、保證實時數據處理應用性能至關重要。

發明內容

發明目的：針對以上現有技術存在的問題，本發明提出了一種異構邊緣計算環境下面向實時數據處理應用的邊緣協同存儲機制，著重解決在各邊緣服務器存儲能力不同的異構邊緣環境下，對模型數據的協同存儲問題。在給定的邊緣服務器集合和模型數據集下，正確建立存儲效益模型并設計合理的邊緣層模型數據放置策略，降低模型數據對應任務在邊緣服務器間遷移處理的代價。

技術方案：為實現本發明的目的，本發明所采用的技術方案是：一種異構邊緣計算環境下面向實時數據處理應用的邊緣協同存儲方法，該方法包括以下步驟：

(1)確定需要參與協同存儲的邊緣服務器集合，對各邊緣服務器來說，集合中的其它邊緣服務器即為其鄰居服務器，云數據中心被認為是所有邊緣服務器共同的鄰居服務器，因為云數據中心是邊緣層的補充，每個邊緣服務器均可從云數據中心下載實時數據處理應用所需的模型數據或者遷移自身無法及時處理的任務，因此認為云數據中心是每個邊緣服務器的鄰居，故與邊緣服務器相鄰的各鄰居服務器加上唯一的云數據中心構成鄰居服務器集合，以此確定邊緣服務器的鄰居服務器集合；