关键词：
云计算
边缘计算
数据中心网络
资源管理
摘要：
随着人工智能、物联网等相关技术的迅猛发展,越来越多的应用场景需要云边协同网络来提供支持。云边协同网络通过将计算、存储和网络资源从云数据中心分布到靠近数据源或用户的边缘节点,可提高计算效率、减少延迟和优化资源利用,在各类应用中展现出重要价值。多资源管理通过优化资源的分配和使用,不仅能提高系统的效率和性能,还能提升用户体验,降低运营成本,增强系统的可靠性和可扩展性,在云边协同网络中扮演着关键角色。
针对云边协同网络中的多资源管理,业界进行了诸多研究,涉及资源调度与分配、负载均衡、资源预测与优化、能耗管理等多个方面。但目前云边协同网络中的多资源管理仍面临以下挑战:如何快速且准确地放置和迁移虚拟机,如何提高用户请求的执行时间同时保持机器的高性能,如何解决广域网中路径和时间调度不均衡问题,如何实现公平网络资源分配同时最大化网络效用。针对以上挑战,论文在边缘计算网络中计算资源的单目标服务器释放、云计算网络中计算资源的多目标集群管理、云边协同网络中网络资源的动态带宽隔离传输、云边协同跨数据中心网络中网络资源的动态路由等方面进行了深入研究,主要创新工作包括:
1、针对边缘计算网络中如何减少活跃物理主机的数目和提升物理主机资源利用率的问题,提出了边缘计算网络中计算资源的单目标服务器释放方法,该方法提出两阶段变邻域搜索（Two-Stage Variable Neighborhood Searching,TSVNS）算法以显著减少活跃物理主机数量。由于物理主机资源配比固定不变,用户请求任务动态变化,不同生命周期的虚拟机释放会产生“空洞”,以及传统的虚拟机放置方法会引入巨大的搜索空间等原因。论文通过首次放置算法在属性匹配且可用的物理主机上快速放置连续到达的用户请求;使用变量邻域搜索算法,将“冷”物理主机上的所有资源迁移到“热”物理主机上,提高边缘数据中心网络中物理主机的整体计算资源利用率,并通过预测下一个周期的计算资源需求,确定可以关闭多少腾空的物理主机,最终达到限制能源消耗的目标。仿真实验结果表明,TSVNS算法的性能优于现有的解决方案,可减少大约10%的活跃物理主机数量。
2、针对云计算网络动态集群管理中如何减少任务请求的执行时间同时保持机器的高性能问题,提出了云计算网络中基于资源预测的计算资源多目标集群管理方法,为集群提供高效的资源管理。由于现有的集群管理解决方案经常涉及到许多相互冲突（提升资源利用率和负载均衡）和相互交互的（可靠性和降低能耗）调度目标,论文提出了多目标两阶段变量邻域搜索算法（Multi-Objective Two-Stage Variable Neighborhood Searching,MOTSVNS）,该算法可减小总成本和时间满意度函数（Time Satisfaction Function,TSF）。仿真实验结果表明,与现有方法相比,MOSTVNS的平均总成本和平均TSF分别降低了 33.75%和 60.67%。
3、针对云边协同网络中数据中心间时间敏感流量和时间非敏感流量协同调度的问题,提出了云边协同网络中网络资源动态带宽隔离传输（Dynamic Bandwidth Isolated Transmission,DIT）方法。由于广域网路径和时间上的流量不均匀造成数据中心间广域网网络利用率整体偏低,时间敏感流量处于低谷时多余的带宽不能释放给时间非敏感流量,论文采用sliding-k预测算法预测下一个周期的时间敏感流量,与此同时使用瓶颈-绕行的路由方案调度数据中心间的混合流量。仿真实验结果表明,所提出方法性能优于现有的解决方案,提高了 18%的域间链路利用率和65%的域内链路利用率。
4、针对云边协同网络中多种类型数据流的路由优化问题,提出了云边协同网络中网络资源的动态路由优化方法。由于云边协同网络中流量模式的会随时间动态变化,传统的基于启发式的网络模型通常难以求解并且耗时较长,网络效用和网络资源的公平分配难以权衡等原因,论文提出了自治跨数据中心路由（Autonomous Multi-Datacenter Routing,AMDR）算法,该算法改进强化学习经验池并引入自适应机制,同时加快优化模型的收敛速度。仿真实验结果表明,AMDR算法比其他强化学习算法的延迟收敛速度提高了 14.6%,丢包发生时刻至少延后了 18.2%。
欢迎来到三峡大学图书馆！
