论文
Enabling Data Processing at the Network Edge through Lightweight Virtualization Technologies
SECON 2016.6
Roberto Morabito
原文谷歌学术镜像,镜像GG的话自行搜索
摘要
通过容器虚拟化技术将数据处理过程转移到网络边缘节点上(网关或接近终端设备的服务器),并且能够在不影响性能的情况下带来一些益处。
介绍
- 边缘计算产生背景
- 实时与高效
- 异质性与可扩展性
- 旧的数据中心模式无法很好做到上述两点
主要工作
- 设计了一个利用容器技术的边缘计算平台,提供如下特性
- 设备管理
- SDN(Software Defined Network)
- Orchestration,任务分派
- 数据管理
- 评估了docker容器对性能的影响
- CPU、内存IO、磁盘IO、网络、电源使用
主要贡献
- 展示了容器技术在边缘计算方面的可行性与灵活性
- 展示了如何使用容器对特定的数据处理、压缩工具进行打包???
- 验证了容器技术的可行性,相比带来的灵活性,其对性能产生的影响可以忽略
相关工作
- 移动边缘计算
- 将计算任务移动到终端设备附件,通过低延迟和大带宽提高效率
- 雾计算
- 将数据和计算集中在边缘设备上
capillary network中的边缘计算
- capillary network定义
由各种低能耗、短距离通信设备组成的网络,边缘计算往往要面对成千上万个这样的网络,并确保其扩展性与高效性 - 使用边缘计算的用例 use case
- 非正常数据优先传输,其它数据打包后再传输
- 聚集、压缩多终端数据再传输到云端
- 网络传输成为瓶颈,带宽、时延限制执行效率,必须在边缘节点执行部分处理
- 可扩展性,增加物联网设备时云端、边缘节点的实时扩展
- 边缘计算的需求
- 低能耗,可能使用电池的设备
- 低带宽、高时延(与数据中心的内部网络相比)
- 计算节点可能由多个管理者管理
设计边缘计算平台
- 容器技术的益处
- 任务的快速初始化
- 低开销
- 高密集度的实例
- 良好的能源利用效率
边缘计算平台细节
- 计算设备,树莓派+Odroid
- 高效快速的任务实例化过程
- 高密集度的任务实例
- 多任务同时运行,互相无影响且可通信
- 任务调度 orchestration
- 新设备加入后自动分派计算单元
- 云端,高能耗、高计算能力、与其它云端组件通信、无可用边缘设备
- 边缘设备,优先考虑、资源有限
- 根据设备所需任务(容器镜像)自动分派
- 新设备加入后自动分派计算单元
- 网络
- 使用Open VSwitch将网络分片slice
数据处理
- 数据压缩过程
- 不同压缩算法
- 根据网关状态与任务属性选择算法
- 网关电量
- 连接到网关的传感器数量
- 平均迁移时延
- 平均状态存储时延,压缩算法需要预先读取并存储的数据
- 数据处理过程
- 根据任务需求选择
- Apache Storm 实时数据分析、在线机器学习
- Apache Spark 机器学习
- Elasticsearch 搜索服务
- 根据任务需求选择
评估
- CPU
- 无差别
- 磁盘IO
- 树莓派略有下降 10%
- 内存IO
- 无差别
- 网络
- NAT 30%下降,能耗略高 10%
- HOST 无差别,能耗相同