岑伯維，蔡澤祥，武志剛，胡凱強，陳元櫸，楊劍文

（華南理工大學(xué)電力學(xué)院，廣東省廣州市 510641）

0 引言

隨著電力物聯(lián)網(wǎng)的發(fā)展，電力末端設(shè)備如傳感器、智能電表等呈現(xiàn)出海量接入的態(tài)勢［1-3］。異構(gòu)多源的數(shù)據(jù)信息在爆發(fā)式增長的同時，也催生了電力物聯(lián)網(wǎng)業(yè)務(wù)多元化、生態(tài)化的需求［4-6］?，F(xiàn)有“主子站”架構(gòu)的電力自動化系統(tǒng)存在可擴展性差、軟硬件耦合性強、計算資源配置冗余等問題，將難以適應(yīng)電力物聯(lián)網(wǎng)的發(fā)展［7-8］?；谠?邊融合的物聯(lián)網(wǎng)平臺應(yīng)運而生，與現(xiàn)有電力自動化系統(tǒng)智慧聯(lián)動運營［9-10］，從而更好地滿足增量接入對象的業(yè)務(wù)需求，將成為新一代電力自動化系統(tǒng)的發(fā)展方向之一［11-12］。

邊緣計算終端是云-邊融合系統(tǒng)中支撐海量異構(gòu)信息深度感知和高效處理，實現(xiàn)電力物聯(lián)網(wǎng)業(yè)務(wù)多元化、生態(tài)化的關(guān)鍵節(jié)點［13-15］。微服務(wù)是組織和構(gòu)建電力物聯(lián)網(wǎng)業(yè)務(wù)的關(guān)鍵技術(shù)［16-18］，不同類型的微服務(wù)、同類型的微服務(wù)的不同組織形式均是影響計算資源需求、業(yè)務(wù)延時、資源利用率等的重要因素。邊緣計算終端的微服務(wù)建模是分析這些影響因素和實現(xiàn)計算資源配置的前提，因此，電力物聯(lián)網(wǎng)邊緣計算終端的微服務(wù)建模具有重要意義。此外，受電網(wǎng)資產(chǎn)的地理分布、可利用空間等的限制，邊緣計算終端的資源容量應(yīng)根據(jù)所承擔(dān)的電力物聯(lián)網(wǎng)業(yè)務(wù)進(jìn)行合理配置，避免資源和空間的冗余浪費，提高終端資源的利用率。為此，本文在建模的基礎(chǔ)上進(jìn)一步研究了邊緣計算終端的計算資源配置方法。所研究問題包括考慮微服務(wù)時序邏輯、容器資源彈性分配、終端資源利用率、延時和成本、決策容器資源分配量和邊緣計算終端計算資源容量。

目前，關(guān)于邊緣計算終端建模的研究主要集中在云-邊協(xié)同機制、功能設(shè)計和應(yīng)用場景。文獻(xiàn)［19］建立了云-邊協(xié)同結(jié)構(gòu)模型，常規(guī)業(yè)務(wù)由邊緣計算平臺完成，數(shù)據(jù)綜合處理業(yè)務(wù)由云-邊協(xié)同完成。文獻(xiàn)［20］建立了云-端自主配電系統(tǒng)模型，云平臺負(fù)責(zé)提供能源業(yè)務(wù)，終端通過應(yīng)用軟件向云獲取能量服務(wù)。文獻(xiàn)［21］分析了邊緣計算節(jié)點的關(guān)鍵技術(shù)，提出了邊緣計算節(jié)點在硬件和軟件層面的實現(xiàn)方案，設(shè)計了其配電網(wǎng)應(yīng)用場景。文獻(xiàn)［22］提出了一種邊緣計算終端架構(gòu)，比較了不同虛擬化技術(shù)方案的優(yōu)劣，探討了支撐其實現(xiàn)的容器技術(shù)機制。然而，關(guān)于邊緣計算終端的微服務(wù)建模研究和討論在現(xiàn)有文獻(xiàn)中仍然較少，在此基礎(chǔ)上的計算資源配置研究更是處于空白狀態(tài)。

本文提出了一種電力物聯(lián)網(wǎng)邊緣計算終端的微服務(wù)建模與計算資源配置方法，所研究的邊緣計算終端的應(yīng)用場景為配電網(wǎng)臺區(qū)，面向配電網(wǎng)臺區(qū)的新型自動化類業(yè)務(wù)，仿真中以電力物聯(lián)網(wǎng)配電臺區(qū)的新型自動化類業(yè)務(wù)驗證了本文方法的有效性。

1 邊緣計算終端的微服務(wù)建模

1.1 微服務(wù)架構(gòu)

在電力物聯(lián)網(wǎng)背景下，為了滿足形態(tài)多樣的業(yè)務(wù)需求，微服務(wù)成為組織和構(gòu)建電力物聯(lián)網(wǎng)業(yè)務(wù)的關(guān)鍵技術(shù)。微服務(wù)技術(shù)將單一應(yīng)用程序分解為一組具有松散耦合和獨立部署特點的微小服務(wù)，通過服務(wù)之間相互協(xié)調(diào)、相互配合完成業(yè)務(wù)［23-24］。

本文提出邊緣計算終端的微服務(wù)架構(gòu)如附錄A圖A1 所示。該架構(gòu)自下而上包括接入層、網(wǎng)關(guān)層、基礎(chǔ)設(shè)施層、平臺層、支撐層、業(yè)務(wù)服務(wù)層共6 層。接入層表示業(yè)務(wù)計算需求，網(wǎng)關(guān)層表示可采用的通信方式，基礎(chǔ)設(shè)施層為平臺層提供了物理資源的支撐，平臺層承載了邊緣計算終端的操作系統(tǒng)及管理模塊，支撐層為業(yè)務(wù)服務(wù)層提供了后臺服務(wù)的支撐，業(yè)務(wù)服務(wù)層是微服務(wù)的核心層，也是后續(xù)微服務(wù)時序邏輯建模工作的研究重點。業(yè)務(wù)服務(wù)層可再細(xì)分為聚合服務(wù)層和基礎(chǔ)服務(wù)層，因此，微服務(wù)依據(jù)這2 個層級分為了2 種類型，分別是基礎(chǔ)服務(wù)和聚合服務(wù)。聚合服務(wù)是電力物聯(lián)網(wǎng)業(yè)務(wù)的載體，聚合服務(wù)對一組基礎(chǔ)服務(wù)進(jìn)行聚合并組織基礎(chǔ)服務(wù)的時序邏輯結(jié)構(gòu)。當(dāng)該組基礎(chǔ)服務(wù)全部執(zhí)行完成后，聚合服務(wù)隨之完成，即業(yè)務(wù)完成?；A(chǔ)服務(wù)是容器提供計算資源的最小單元，考慮到容器運行的穩(wěn)定性，每個容器中一般僅有一個基礎(chǔ)服務(wù)。

微服務(wù)技術(shù)與邊緣計算終端具有良好的適配性［25-27］。一方面，微服務(wù)具有輕量級獨立部署、技術(shù)選型靈活等特點，提高了應(yīng)用團隊的開發(fā)效率；另一方面，邊緣計算終端采用容器技術(shù)，可以構(gòu)建多個具有計算并行性的容器以適配各個基礎(chǔ)服務(wù)的計算資源需求。基于微服務(wù)的邊緣計算終端模型如附錄A圖A2 所示。

1.2 基礎(chǔ)服務(wù)時序邏輯模型

基礎(chǔ)服務(wù)時序邏輯模型用于表征聚合服務(wù)下各基礎(chǔ)服務(wù)間的時序邏輯關(guān)系，分為串行關(guān)系和并行關(guān)系2 種。由此，本文抽象出孤立型、串聯(lián)型、并聯(lián)型和復(fù)合型4 種支路。

每種支路的組成規(guī)則為：1）所有的單一基礎(chǔ)服務(wù)可視為1 個孤立支路；2）并聯(lián)支路由2 個及以上的孤立支路并聯(lián)而成；3）串聯(lián)支路只存在于復(fù)合支路中，且由2 個及以上的孤立支路串聯(lián)而成；4）復(fù)合支路上至少存在1 個串聯(lián)支路，可由串聯(lián)支路和孤立支路并聯(lián)而成。

按照本文定義的支路組成規(guī)則，以電價型負(fù)荷響應(yīng)聚合服務(wù)為例繪制基礎(chǔ)服務(wù)時序邏輯圖，如附錄A 圖A3 所示。

1.3 聚合服務(wù)時序邏輯模型

聚合服務(wù)時序邏輯模型用于表征聚合服務(wù)的關(guān)聯(lián)性和周期性。周期性是指聚合服務(wù)以一定時間間隔執(zhí)行；關(guān)聯(lián)性是指2 個及以上聚合服務(wù)之間具有先后執(zhí)行順序的關(guān)系。由此，聚合服務(wù)可分為4 種類型，包括非周期非關(guān)聯(lián)型、非周期關(guān)聯(lián)型、周期非關(guān)聯(lián)型和周期關(guān)聯(lián)型，各種類型的聚合服務(wù)如圖1所示。

圖1 中，聚合服務(wù)AS1構(gòu)成了一個周期非關(guān)聯(lián)型聚合服務(wù)，Tq，C和Δtq，C分別為第q個周期非關(guān)聯(lián)型聚合服務(wù)的延時和周期間隔；聚合服務(wù)AS2和AS3構(gòu)成了一個周期關(guān)聯(lián)型聚合服務(wù)，Tu，D和Δtu，D分別為第u個周期關(guān)聯(lián)型聚合服務(wù)的延時和周期間隔；聚合服務(wù)AS4構(gòu)成了一個非周期非關(guān)聯(lián)型聚合服務(wù)，TAS，4和tAS，4分別為延時和起始時間；聚合服務(wù)AS5和AS6構(gòu)成了一個非周期關(guān)聯(lián)型聚合服務(wù)，TAS，5+TAS，6為延時，tAS，5為起始時間；BSx，y表示第x個聚合服務(wù)中第y個基礎(chǔ)服務(wù)。

用矩陣Q和矩陣W分別表征聚合服務(wù)的關(guān)聯(lián)性和周期性的特點，以圖1 為例闡述矩陣Q和W的列寫方法。

矩陣Q每列表示一個聚合服務(wù)，矩陣第1 行元素表示聚合服務(wù)的組別號，具有相同組別號的聚合服務(wù)構(gòu)成了一個關(guān)聯(lián)型聚合服務(wù)，具有單獨組別號的聚合服務(wù)構(gòu)成了一個非關(guān)聯(lián)型聚合服務(wù)。矩陣第2 行元素表示在一個組別內(nèi)的聚合服務(wù)執(zhí)行順序。因此，根據(jù)圖1 的聚合服務(wù)AS1至AS6，可得矩陣Q的表達(dá)式為：

圖1 不同類型的聚合服務(wù)時序邏輯示意圖Fig.1 Schematic diagram of time sequential logic for different types of aggregated services

2 基于微服務(wù)的邊緣計算終端計算資源配置方法

2.1 邊緣計算終端的計算資源供需模型

2.1.1 基礎(chǔ)服務(wù)的計算資源需求模型基礎(chǔ)服務(wù)的計算資源需求矩陣R的表達(dá)式為：

式中：ri，j，cpu和ri，j，ram分別為第i個聚合服務(wù)中第j個基礎(chǔ)服務(wù)的中央處理器（central processing unit，CPU）資源和內(nèi)存資源的需求量，i=1，2，…，m，j=1，2，…，n，其中m為聚合服務(wù)總數(shù)，n為基礎(chǔ)服務(wù)總數(shù)。

2.1.2 容器的計算資源供給模型

容器的計算資源模型矩陣S的表達(dá)式為：

式中：si，j，cpu和si，j，ram分別為第i個聚合服務(wù)中第j個基礎(chǔ)服務(wù)的容器CPU 資源和內(nèi)存資源的供給量。

2.1.3 延時靈敏度模型

容器的計算資源供給量靈活可調(diào)，當(dāng)計算資源供給量大于需求量時，基礎(chǔ)服務(wù)的延時減少，反之則延時增加。容器供給的計算資源量與基礎(chǔ)服務(wù)的計算資源需求量的偏差率表達(dá)式為：

式中：ξi，j，cpu和ξi，j，ram分別為第i個聚合服務(wù)中第j個基礎(chǔ)服務(wù)的容器CPU 資源和內(nèi)存資源的供需偏差率。

計算資源量的供需偏差將引起基礎(chǔ)服務(wù)延時的變化，且CPU 資源和內(nèi)存資源對延時的影響也不同。工程經(jīng)驗中，CPU 資源靈敏系數(shù)kcpu的取值范圍為0.80～0.95，內(nèi)存資源靈敏系數(shù)kram的取值范圍為0.05～0.20。延時靈敏度模型表達(dá)式為：

式中：ti，j和t*i，j分別為第i個聚合服務(wù)中第j個基礎(chǔ)服務(wù)在計算資源供給量調(diào)整前和調(diào)整后的延時。

2.1.4 邊緣計算終端的計算資源供給模型

邊緣計算終端容器與基礎(chǔ)服務(wù)是一一對應(yīng)關(guān)系，每個聚合服務(wù)包括多個基礎(chǔ)服務(wù)。因此，聚合服務(wù)與容器間是一對多的關(guān)系，即邊緣計算終端將采用一組容器為聚合服務(wù)供給計算資源。

邊緣計算終端為非周期非關(guān)聯(lián)型聚合服務(wù)供給計算資源的模型表達(dá)式為：

式中：ε(t?ti，j，ini)和ε(t?ti，j，ini?t*i，j)均為階躍函數(shù)；Ai，cpu(t)和Ai，ram(t)分別為邊緣計算終端為第i個非周期非關(guān)聯(lián)型聚合服務(wù)供給CPU 資源和內(nèi)存資源的時序曲線；ti，j，ini為該聚合服務(wù)中的第j個基礎(chǔ)服務(wù)的起始時間。

邊緣計算終端為非周期關(guān)聯(lián)型聚合服務(wù)供給計算資源的模型表達(dá)式為：

式中：Du，cpu(t)和Du，ram(t)分別為邊緣計算終端為第u個周期關(guān)聯(lián)型聚合服務(wù)供給CPU、內(nèi)存資源的時序曲線；Bu，v，cpu，D(t?kTu，D?kΔtu，D)和Bu，v，ram，D(t?kTu，D?kΔtu，D)分別為構(gòu)成第u個周期關(guān)聯(lián)型聚合服務(wù)的第v個非周期關(guān)聯(lián)型聚合服務(wù)的CPU 和內(nèi)存資源時序曲線；U為周期執(zhí)行累計次數(shù)。

邊緣計算終端的總供給計算資源模型的表達(dá)式為：

式中：Pcpu(t)和Pram(t)分別為邊緣計算終端的CPU資源和內(nèi)存資源供給時序曲線；N1、N2、N3和N4分別為非周期非關(guān)聯(lián)型、非周期關(guān)聯(lián)型、周期非關(guān)聯(lián)型和周期關(guān)聯(lián)型聚合服務(wù)的數(shù)量。

2.2 邊緣計算終端的計算資源配置模型

邊緣計算終端的計算資源容量配置以最小化總成本CECT為目標(biāo)。其中包括計算資源投資成本Cinv、容器運行成本Cope和聚合服務(wù)延時越限懲罰成本Cpen，相關(guān)表達(dá)式為：

式中：Ecpu和Eram分別為邊緣計算終端的CPU 資源和內(nèi)存資源的配置量；ccpu和cram分別為單位CPU 資源和內(nèi)存資源的配置成本；Cope，cpu和Cope，ram分別為容器CPU 資源和內(nèi)存資源的運行調(diào)用成本，其大小由容器運行時間、容器供給的CPU 資源、內(nèi)存資源量共同決定；αcpu和αram分別為單位時間供給單位CPU資源和內(nèi)存資源的成本系數(shù)；TAS，i和T*AS，i分別為第i個聚合服務(wù)的延時和最大容忍延時；M為懲罰系數(shù)；N為聚合服務(wù)總數(shù)。

本文計算資源配置模型考慮了計算資源投資成本、容器運行成本和聚合服務(wù)延時越限懲罰成本。其中，資源投資成本是需要考慮邊緣計算終端的實際部署受電網(wǎng)資產(chǎn)的地理分布、可利用空間等的限制及資源配置投資等因素制定的投資綜合性指標(biāo)，會影響本文邊緣計算終端的計算資源配置量。容器運行成本是考慮計算資源使用的發(fā)熱損耗、能耗開銷等因素制定的運行綜合性指標(biāo)，會影響本文計算資源供給曲線和容器資源供給量。聚合服務(wù)延時越限懲罰成本是根據(jù)業(yè)務(wù)服務(wù)質(zhì)量的要求制定的延時指標(biāo)。

計算資源配置模型的約束條件需要考慮容器資源垂直彈性伸縮約束、邊緣計算終端的計算資源容量約束和計算資源期望利用率約束，表達(dá)式為：

式中：ξver，cpu和ξver，ram分別為容器的CPU 資源和內(nèi)存資源的垂直彈性伸縮率；θcpu和θram分別為邊緣計算終端的CPU 資源和內(nèi)存資源的期望利用率；Δtsim為仿真步長；σ為時段內(nèi)Δtsim的總數(shù)。

在實際中，邊緣計算終端服務(wù)商所提供的容器技術(shù)具備彈性伸縮觸發(fā)器的機制，為本文容器資源垂直彈性伸縮的實現(xiàn)提供了技術(shù)支撐。依靠目前物聯(lián)網(wǎng)技術(shù)，垂直彈性伸縮率能做到動態(tài)可調(diào)，其值的設(shè)定既與服務(wù)相關(guān)，也與邊緣計算終端的可用資源相關(guān)。本文工作為分析容器資源垂直彈性伸縮率對計算資源配置的影響提供了手段。

2.3 求解算法

求解算法流程如圖2 所示。該算法分為左側(cè)與右側(cè)2 個部分。在左側(cè)部分算法流程中，采用第2.2 節(jié)計算資源配置模型中的決策變量Ecpu、Eram、si，j，cpu和si，j，ram。計算資源配置模型中的TAS，i、Pcpu(t)和Pram(t)需要根據(jù)圖2 中右側(cè)部分的算法流程進(jìn)行求解，求解后將結(jié)果返回至左側(cè)部分的算法流程。

基礎(chǔ)服務(wù)和聚合服務(wù)的時間變量需要滿足時序邏輯關(guān)系。求解時間戳和延時的過程無法用數(shù)學(xué)的顯示公式直接表達(dá)，求解過程在圖2 算法流程的右側(cè)部分完成，通過調(diào)用編寫的函數(shù)進(jìn)行實現(xiàn)。

圖2 基于時序邏輯的邊緣計算終端計算資源配置算法Fig.2 Algorithm for computing resource configuration of edge computing terminals based on time sequence logic

采用差分進(jìn)化算法的原因在于目前的求解器、工具箱等無法提供向外調(diào)用函數(shù)取返回值的接口，而差分進(jìn)化算法能提供接口，從而實現(xiàn)本文模型的求解，且考慮到差分進(jìn)化算法是當(dāng)前較有實力的全局搜索優(yōu)化算法，充分利用種群提供的局部信息與全局信息，使得種群逐步收斂到最優(yōu)解。本文在差分進(jìn)化的每次迭代中采用了保留各代最優(yōu)種群的機制，保證迭代過程朝著優(yōu)化方向進(jìn)行，并通過設(shè)置收斂條件為達(dá)到一定迭代次數(shù)且目標(biāo)函數(shù)的變化值滿足收斂精度來保證收斂性。

3 算例分析

3.1 算例設(shè)置

本文以配電網(wǎng)臺區(qū)新型自動化類業(yè)務(wù)為例進(jìn)行驗證，依托中國廣東省重點研發(fā)項目示范工程和考慮配電網(wǎng)臺區(qū)業(yè)務(wù)需求選取邊緣計算終端的配電網(wǎng)臺區(qū)聚合服務(wù)，相關(guān)參數(shù)如附錄A 表A1 和表A2 所示，其他參數(shù)如附錄A 表A3 所示。

首先，采用附錄A 表A1 中的電價型負(fù)荷響應(yīng)聚合服務(wù)參數(shù)分析容器資源垂直彈性伸縮率、聚合服務(wù)最大容忍延時和資源靈敏系數(shù)對計算資源配置的影響。然后，采用附錄A 表A2 中的配電網(wǎng)臺區(qū)聚合服務(wù)參數(shù)求解多類型聚合服務(wù)場景的邊緣計算終端從而計算資源配置結(jié)果。其中，仿真時段10 s內(nèi)共有8 個即插即用和拓?fù)渥R別聚合服務(wù)、1 個回路阻抗監(jiān)測和斷線故障定位聚合服務(wù)、3 個線損分析聚合服務(wù)、1 個光伏并網(wǎng)管控聚合服務(wù)和1 個電動汽車充電聚合服務(wù)。

3.2 容器資源垂直彈性伸縮率的影響分析

在聚合服務(wù)的最大容忍延時為0.75 s，CPU 資源靈敏系數(shù)為0.85，內(nèi)存資源靈敏系數(shù)為0.15 的條件下，求解容器資源垂直彈性伸縮率分別為0%、10%、15%和20%時的邊緣計算終端計算資源配置結(jié)果，如圖3 和表1 所示。

圖3 容器的計算資源供給曲線Fig.3 Curves of computing resource supply for containers

表1 垂直彈性伸縮率對計算資源配置結(jié)果的影響Table 1 Effect of vertical elastic scaling rate on computing resource configuration results

由圖3 和表1 可知，隨著資源彈性伸縮率的增加，計算資源供給曲線在橫向和縱向上都有減少的趨勢。橫向看，聚合服務(wù)延時從0.75 s 減少至0.71 s?？v向看，CPU 資源從0.250 GHz 減少至0.201 GHz，內(nèi)存資源從65.0 MB 減少至52.1 MB。說明容器資源垂直彈性伸縮率的增加，可使各容器供給資源能在更大范圍內(nèi)靈活調(diào)整，有利于節(jié)省計算資源、降低聚合服務(wù)延時和提高計算資源利用率。

由附錄A 圖A4 可知，與其余容器相比，容器4和5 的CPU 資源和內(nèi)存資源供給量隨著容器資源垂直彈性伸縮率的上升反減少，這一現(xiàn)象說明容器4 和5 是決定計算資源供給曲線峰值的主要因素。容器1、6 和7 的CPU 資源和內(nèi)存資源供給量隨著容器資源垂直彈性伸縮率的上升而增加，這一現(xiàn)象說明容器1、6 和7 是決定聚合服務(wù)延時的主要因素。

3.3 聚合服務(wù)最大容忍延時影響分析

在容器資源垂直彈性伸縮率為10%和20%、CPU 資源靈敏系數(shù)為0.85、內(nèi)存資源靈敏系數(shù)為0.15 的條件下，求解不同最大容忍延時的邊緣計算終端計算資源配置結(jié)果，如附錄A 表A4 所示。

在容器資源垂直彈性伸縮率為10%和20%的情況下，聚合服務(wù)最大容忍延時的最小值可以分別設(shè)置為0.73 s 和0.70 s。當(dāng)延時要求更高時，則無可行解。說明在一定的垂直彈性伸縮率下，容器通過對資源供給量的靈活調(diào)節(jié)以適應(yīng)一定程度聚合服務(wù)最大容忍延時的變化，且垂直彈性伸縮率的增加也有助于降低延時。

3.4 計算資源靈敏系數(shù)影響分析

在容器資源彈性伸縮率為10%和20%、聚合服務(wù)延時約束為0.75 s 的條件下，求解不同取值計算資源靈敏系數(shù)下的邊緣計算終端計算資源配置結(jié)果，如附錄A 表A5 所示。

由配置結(jié)果可知，CPU 資源靈敏系數(shù)和內(nèi)存資源靈敏系數(shù)在一定范圍內(nèi)變化，對聚合服務(wù)的延時和計算資源配置結(jié)果影響較小。其原因是在一定垂直彈性伸縮率下，容器利用資源的調(diào)節(jié)空間能適應(yīng)計算資源靈敏系數(shù)在一定程度的波動，且垂直彈性伸縮率的增加也有助于提高計算資源利用率。

3.5 考慮多類聚合服務(wù)的邊緣計算終端計算資源配置結(jié)果

本文構(gòu)建了非并發(fā)和并發(fā)2 種聚合服務(wù)的仿真場景，求解這2 種場景的邊緣計算終端計算資源配置結(jié)果如表2 所示。非并發(fā)場景：在仿真時段內(nèi)，用隨機數(shù)為非周期型聚合服務(wù)生成其起始時間，構(gòu)造共50 個樣本，所得結(jié)果取期望值。并發(fā)場景：在仿真時段內(nèi)，設(shè)置一次所有聚合服務(wù)同時執(zhí)行，所得結(jié)果取峰值。

表2 考慮多類聚合服務(wù)的邊緣計算終端計算資源配置結(jié)果Table 2 Results of computing resource configuration for edge computing terminals considering multiple types of aggregation services

由表2 可知，在非并發(fā)場景中，容器資源垂直彈性伸縮率為20%，相比于0%時所配置的CPU 資源和內(nèi)存資源分別可以節(jié)省約40.00% 和35.86%，CPU 資源和內(nèi)存資源的利用率分別有效提升了約18.0%和15.4%。在并發(fā)仿真場景中，CPU 資源和內(nèi)存資源分別可以節(jié)省約17.44%和7.90%，CPU資源和內(nèi)存資源的利用率分別有效提升了約7.89%和8.80%。因此，垂直彈性伸縮率的提升可以帶來計算資源節(jié)省和資源利用率的提升。按照并發(fā)場景的結(jié)果配置邊緣計算終端的計算資源能適應(yīng)非并發(fā)場景，但有可能陷入保守配置。

3.6 算法穩(wěn)定性、精度和速度的實驗分析

本文對所提算法進(jìn)行了穩(wěn)定性、精度和速度的實驗分析，實驗結(jié)果如附錄A 表A6 所示，算法收斂曲線如附錄A 圖A5 和圖A6 所示。

將表中數(shù)據(jù)進(jìn)行分組對比可知，當(dāng)差分進(jìn)化算法的交叉概率在0.1 至0.3 變化時，對平均目標(biāo)函數(shù)值影響微小，最大求解波動均小于1%，收斂限值均可達(dá)到0.5×10?6。當(dāng)種群維數(shù)從20 增加至50 時，求解單個聚合服務(wù)時間增加為原來的約2.5 倍，求解多聚合服務(wù)流時間增加為原來的約2 倍。本文研究的計算資源配置方法屬于資源規(guī)劃層面問題，對于算法求解的實時性沒有嚴(yán)苛的要求，因此求解時間不是本文關(guān)注的主要方面。

本文通過多次實驗和觀察收斂曲線設(shè)置合適的最大迭代次數(shù)。由附錄A 圖A5 和圖A6 可知，在近200 代、400 代時解的情況不再有更新，因此，設(shè)置最大迭代次數(shù)分別為2 倍于200 代、2 倍于400 代，保證前面“更新過程”和后面“穩(wěn)定過程”具有相近代數(shù)，從而確保解的穩(wěn)定收斂。

4 結(jié)語

本文在提出的微服務(wù)架構(gòu)基礎(chǔ)上，建立了基礎(chǔ)服務(wù)和聚合服務(wù)的時序邏輯模型。接著，提出了基于微服務(wù)的邊緣計算終端計算資源配置方法。本文所提出模型與方法旨在為電力物聯(lián)網(wǎng)邊緣計算終端和微服務(wù)的工程設(shè)計提供分析手段和參考依據(jù)。

本文研究的是一款面向配電網(wǎng)臺區(qū)的新型自動化類業(yè)務(wù)、具有微服務(wù)和計算功能的終端。所提出的微服務(wù)建模和邊緣計算資源配置可以在網(wǎng)關(guān)、集中器、臺區(qū)總表等設(shè)備上改造實施，也可以獨立在新的終端上部署實施。

下面對本文研究工作的局限性和未來可深入研究的方向進(jìn)行討論。

本文以配電網(wǎng)臺區(qū)的電力物聯(lián)網(wǎng)自動化類業(yè)務(wù)開展算例，但本文邊緣計算終端的微服務(wù)建模方法仍然適用于其他具有時序邏輯的業(yè)務(wù)類型。邊緣計算終端在電力系統(tǒng)中面向的業(yè)務(wù)類型是多元化的，涉及調(diào)度、保護(hù)、自動化、營銷等方面，如何針對不同業(yè)務(wù)類型的實時性、可靠性、安全性等需求，構(gòu)建邊緣計算終端、微服務(wù)等模型，研究其計算資源配置和調(diào)度問題是電力物聯(lián)網(wǎng)邊緣計算終端研究方向上值得進(jìn)一步研究的課題。

本文研究的問題屬于資源規(guī)劃配置層面，因此在優(yōu)化模型中考慮微服務(wù)時序邏輯、容器資源彈性分配、終端資源利用率、延時和成本等因素。而邊緣計算終端面向?qū)崟r計算和不同類型業(yè)務(wù)場景時所關(guān)注的指標(biāo)和建立的模型有所差別，應(yīng)針對不同場景的研究問題展開建模工作。

本文邊緣計算終端的計算資源配置方法為確定性研究，而未來電力物聯(lián)網(wǎng)中，在數(shù)據(jù)融合、數(shù)據(jù)安全、通信網(wǎng)絡(luò)等各方面條件完備支撐下，微服務(wù)數(shù)量和需求將呈現(xiàn)出不斷增加、動態(tài)變化的特點，如何通過微服務(wù)的不確定性建模分析未來電力物聯(lián)網(wǎng)發(fā)展態(tài)勢將是后續(xù)的重要研究方向。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。