物联网的边缘计算应用在智慧城市中

我们演示了物联网设备依托边缘计算平台，该平台支持运行分布式分析的虚拟容器的动态部署。我们建立了一个模型城市，并安装了多个树莓派作为节点，和一个迷你PC作为中心。通过主机上的web，我们展示了用户如何远程监控、管理和升级物联网分析和设备。演示了多种具体的物联网分析，即:(i)空气质量监测、(ii)声音分类器和(iii)图像识别器。在测试台上还对部署速度、服务质量(QoS)成就和事件驱动机制进行了一些示例测量。

在过去的十年里，智能城市变得非常受欢迎，专注于从大量的物联网设备中有效地收集数据。一些商业物联网平台由服务提供商提供，如美国电话电报公司(AT&T)、亚马逊(Amazon)和微软(Microsoft)。它们在一定程度上支持边缘计算，也可以称为雾计算[1]。然而，它们对分布式分析和事件触发部署的支持是有限的。有一些学术研究试图实现管理、可编程和虚拟边缘计算。例如，Patti等人的[3]采用Smartlink在多台服务器上管理一组web服务。Santoro等人使用Kubernetes来部署和管理在数据中心和边缘云的服务器上执行的Docker映像。上述工作均不支持分布式部署和管理来自数据中心服务器、边缘云工作站和嵌入式物联网设备(如智能传感器)的异构设备上的物联网分析。

在本文中，我们提出了一个物联网平台来填补上述空白。实现这样一个平台非常具有挑战性，因为物联网设备、动态网络和随需应变请求之间存在复杂的相互作用。物联网设备和边缘服务器资源有限，无线网络竭尽全力，来自个人、公司、组织和政府的设备请求不可预测，这些事实放大了这些挑战。我们之前的工作[2,5]解决了优化部署物联网分析的问题。本文主要讨论了测试平台的实现。特别地，我们将演示三种物联网分析:(i)空气质量监测，(ii)声音分类器，和(iii)模型城市中的图像识别器。

物联网平台

上图显示整个系统架构，包括以下组件:

• Container. 容器。我们在Docker容器中运行应用程序。容器是一种轻量级虚拟化技术。每个Docker容器都使用一个Docker映像启动，该映像由一个或多个软件组件组成。
• Registry. 注册表。Docker图像可能来自在线服务器，例如Docker Hub。我们把这些图像存储在注册表的控制和节点，以避免下载重复的图像。Registry还支持版本控制，并利用Docker映像之间的依赖性进一步减少资源消耗。
• Device manager  设备管理器。我们加强Kubernetes来监控异构设备:(i)资源利用率(如CPU和RAM)、(ii)位置(如GPS)和(iii)传感器列表(如摄像头和气体传感器)。这些信息是从库贝涅斯的小黄人特工处收集的(5)。
• Deployment manager  部署管理器。Kubernetes中的部署管理器在部署、杀死和重新启动(4)容器方面得到了增强。我们使用MQTT(消息队列遥测传输)发布/订阅协议添加了对事件触发容器部署的支持。
• Optimization algorithm 优化算法。We 开发 部署 算法 [5] 决定 哪些 应用 程序 是部署再哪些设备上 (3 ).未来我们可能会增加更多的优化算法，比如分析的调度算法，异常处理的恢复算法。

 

演示设置

展示了我们在模型城市中的试验台设置。它由一个因特尔迷你个人电脑作为控制器，树莓派作为节点，和各种传感器。主人和随从们管理着库贝内斯和多克。主机上有一个仪表板页面，允许管理员监视物联网设备并管理分析应用程序。

 

分析应用程序示例。我们在测试台上实现了以下三个应用程序。

• 空气质素监测器(A1)。它包含两个Docker容器:gas sensor manager，它定期轮询传感器读数;热图发生器，它接收来自气体传感器管理器的传感器读数，并在仪表板上绘制热图。在我们的演示中，我们将使用罐装的冷凝气体，如二氧化碳，并在我们的模型城市中可视化实时空气质量。
• 声音分类器(A2)。In包含三个Docker容器:声音记录器、声音警报器和声音分类器。录音机使用麦克风收集声音信号，并分析音量。随着时间的推移，声音量通过MQTT发送到声音警报器。声音警报器检查声音的音量:如果音量足够大，声音信号就会传递给声音分类器，然后分类器会将声音分类为一个预先训练好的声音类别，比如枪声和警笛。我们将播放预先录制的声音(WAV)文件与平板电脑的示范。结果报告在仪表板上，并可用于确保社区安全。
• 图像识别器(A3)。它包含四个Docker容器:运动传感器管理器、运动警报器、摄像机管理器和对象检测器。运动传感器管理器负责使用无源红外(PIR)传感器监视环境，并通过MQTT发布传感器读数。运动报警器订阅并分析传感器读数。当运动信号在给定的时间内变为正信号时，比如3秒，摄像机管理器就会被部署到一个合适的小黄人上。然后将捕获的照片发送到对象检测器，该检测器也是动态部署的。对象检测器使用一个预先训练好的CNN (Convolutional Neural Network，卷积神经网络)来分割和识别照片中的对象。被识别的对象将在照片的顶部进行装箱和注释，可以用于各种服务，如入侵者检测、流量监控和人员计数。我们将用平板电脑展示一些典型的图像，并在我们的模型城市中使用塑料头像进行测试。

初步评估。在演示期间将进行一些测量，以确定我们的edge计算平台的优点。我们简要介绍了下面的一些示例评估步骤。

• 快速部署。动态部署Docker映像的一个主要问题是时间开销，本地注册中心可以减轻时间开销。为了更好地理解本地注册表的必要性，我们测量并比较第一次(从Internet下载)和第二次(从注册表检索)加载Docker映像的部署时间。不同的图像大小，从应用A1, A2和A3，将被考虑。
• 分布式分析带来的性能提升。物联网设备资源有限，因此复杂的分析应用程序必须部署在多个物联网设备上。我们利用TensorFlow将A3的目标探测器进一步拆分为多个Docker图像。然后我们在多个物联网设备上部署A3，并测量由于图像/设备的增加而带来的性能改进，例如CPU时间和帧速率。
• 有效的事件驱动的部署。链接多个Docker容器对于实现更全面的服务至关重要。例如，在A3中，摄像机管理器和目标探测器被动态部署，以应对环境的变化。组件延迟将被测量和报告。

CONCLUSION

   在这篇论文中，我们提出了一个用于智能城市物联网分析的管理、可编程和虚拟边缘计算平台。该平台基于Docker、Kubernetes和TensorFlow，支持动态物联网分析部署。特别是，它允许对物联网设备进行远程监控、诊断和升级;而物联网分析可以被分割并分布在多个物联网设备上。实现并演示了三种物联网应用:(i)空气质量监测、(ii)声音分类器和(iii)图像识别器。