基于帶寬預測與自適應壓縮的容器遷移方法

羅 成，崔 勇，林予松

（1.鄭州大學 軟件學院，鄭州 450002；2.鄭州大學 漢威物聯(lián)網(wǎng)研究院，鄭州 450002；3.鄭州大學 互聯(lián)網(wǎng)醫(yī)療與健康服務河南省協(xié)同創(chuàng)新中心，鄭州 450052；4.鄭州輕工業(yè)大學 計算機與通信工程學院，鄭州 450002）

0 概述

隨著第五代移動通信系統(tǒng)（5G）和傳感器行業(yè)的發(fā)展，智能汽車、智能手機等物聯(lián)網(wǎng)設備可通過蜂窩網(wǎng)、低功耗廣域網(wǎng)等接入互聯(lián)網(wǎng)，并且可使用傳感器來感知周圍環(huán)境［1］。根據(jù)IDC 預測，到2025 年，全球物聯(lián)網(wǎng)設備數(shù)量將達到416 億臺，每年產(chǎn)生的數(shù)據(jù)量將達到79.4 ZB，其中超過半數(shù)的數(shù)據(jù)需要在邊緣側(cè)分析處理。在這種情況下，傳統(tǒng)的云計算模式已經(jīng)無法滿足高時延計算的要求。邊緣計算的出現(xiàn)有效地解決了傳統(tǒng)云服務距離網(wǎng)絡邊緣過遠的問題，實現(xiàn)了應用的實時響應、分析和操作，尤其是在網(wǎng)絡條件有限的地區(qū)。通過將繁重的計算任務分流到附近的邊緣服務器，可使用戶體驗到更高的帶寬、更低的延遲和更強的計算能力［2-3］。

邊緣計算面臨的主要挑戰(zhàn)是在非平穩(wěn)的網(wǎng)絡環(huán)境下，滿足用戶移動時的服務質(zhì)量（Quality of Service，QoS）要求［4］。用戶的移動往往伴隨著服務遷移，由于服務遷移需要在網(wǎng)絡上傳輸大量數(shù)據(jù)，因此導致網(wǎng)絡和計算開銷的相應增加，當傳輸?shù)臄?shù)據(jù)量過大時，會導致服務的停機時間過長，服務質(zhì)量將會顯著下降［5-6］。此外，如果服務頻繁遷移，會對邊緣網(wǎng)絡造成更多負面影響，惡化邊緣網(wǎng)絡，嚴重影響用戶的服務體驗。因此，高效的服務遷移對于實現(xiàn)邊緣計算環(huán)境中服務的移動性至關(guān)重要［7-8］。通過對國內(nèi)外服務遷移文獻的研究發(fā)現(xiàn)，Docker 容器因輕量級和具有保持一定程度隔離的能力在邊緣計算服務遷移領域得到廣泛應用［9］。文獻［10-11］提出一種容器本地服務遷移方法（Pre-copy），該方法通過考慮容器間距離、可用帶寬和成本，提高了資源利用率，縮短了總遷移時間，但服務遷移過程中傳輸?shù)臄?shù)據(jù)量過大，導致服務的停機時間過長，降低了服務質(zhì)量。文獻［12］提出Teddybear 系統(tǒng)，該系統(tǒng)能夠在網(wǎng)絡帶寬基礎架構(gòu)較差的地區(qū)為移動用戶繼續(xù)提供超低延遲的服務，并在其更改位置時將服務停機時間降至最低，但由于邊緣網(wǎng)絡的不穩(wěn)定性，無法提前根據(jù)網(wǎng)絡狀況進行服務遷移，經(jīng)常導致服務丟失，甚至使得服務無限期停機，影響移動用戶的服務體驗。文獻［13］提出一種帶寬分片機制，該機制可以動態(tài)有效地提供遷移帶寬和非遷移帶寬，以滿足不同服務的延遲要求。該機制僅通過帶寬分片來保證服務遷移的正常運行，但服務遷移過程中傳輸?shù)臄?shù)據(jù)量問題并未解決，導致服務的遷移時間過長，影響服務遷移效率。文獻［14］提出一種基于Docker 基礎鏡像的服務遷移方法（LZ4-ACM），并設計一種適用于自適應網(wǎng)絡環(huán)境的壓縮算法，對鏡像等數(shù)據(jù)進行壓縮，但壓縮算法單一，數(shù)據(jù)壓縮不徹底，并且未考慮壓縮計算的時間開銷，使得服務遷移時間過長，降低了服務質(zhì)量。

針對上述問題，本文提出一種基于帶寬預測和自適應壓縮的容器遷移方法（BP-ACM）。利用CRIU 技術(shù)為服務生成檢查點，并對檢查點數(shù)據(jù)應用壓縮去重算法?？紤]到網(wǎng)絡帶寬和計算開銷之間的折衷，自適應壓縮算法能夠根據(jù)網(wǎng)絡帶寬預測結(jié)果動態(tài)調(diào)整壓縮速率以及壓縮強度，從而充分利用網(wǎng)絡帶寬和處理器的計算效率。通過結(jié)合帶寬預測和自適應壓縮技術(shù)，BP-ACM 方法能夠有效利用網(wǎng)絡帶寬，提高服務遷移性能，進而保證邊緣節(jié)點為移動用戶提供服務的質(zhì)量。

1 服務遷移問題分析

1.1 相關(guān)知識

Docker 是一個開源的容器引擎，基于Go 語言并遵從Apache2.0 協(xié)議開源。Docker 將集裝箱思想運用到軟件打包上，偽代碼提供了一個基于容器的標準化運輸系統(tǒng)。Docker 可將任何應用及其依賴打包成一個輕量級、可移植、自包含的容器。

CRIU 是一個軟件凍結(jié)和恢復執(zhí)行工具。CRIU能夠凍結(jié)或者部分凍結(jié)一個應用程序的執(zhí)行，并將其執(zhí)行狀態(tài)保存到磁盤的一系列文件中。然后使用這些文件來恢復運行該應用程序，并從之前被凍結(jié)的點開始執(zhí)行。

實時遷移是指遷移期間不會中斷正在運行的應用程序的連接，通過持續(xù)提供服務以獲得無縫連接。

迭代遷移是指通過使用pre-dump 命令將一部分內(nèi)存數(shù)據(jù)提前傳輸?shù)侥繕朔掌鳎琾re-dump 階段不會停止容器的運行，然后使用dump 命令將剩余的內(nèi)存數(shù)據(jù)傳輸?shù)侥繕朔掌?，dump 階段將導致容器服務停止。迭代遷移大幅減少了服務的停機時間。

停機時間是指遷移容器提供的服務不可用或無法滿足用戶請求的時間。

總遷移時間是指從啟動遷移過程到容器可供目標服務器使用的這段時間。

傳輸數(shù)據(jù)量是指遷移期間傳輸?shù)目倲?shù)據(jù)量。當遷移的容器正在運行網(wǎng)絡密集型服務時，這是一項關(guān)鍵的衡量標準，因為它將在遷移過程中爭用網(wǎng)絡帶寬。

1.2 問題分析

服務的實時遷移是指在服務不中斷的前提下跟隨用戶的移動，當服務任務從當前服務器遷移到其他服務器時，為在保證服務性能的同時快速平滑遷移，需要通過服務遷移性能指標進行衡量，遷移性能指標主要包括總遷移時間、停機時間以及傳輸數(shù)據(jù)量。

由于服務是隨著終端用戶進行移動的，當用戶不在邊緣網(wǎng)絡服務器的覆蓋范圍內(nèi)時，網(wǎng)絡服務性能將降低，QoS 將急劇下降，并且運行的邊緣服務將被中斷［15］。當正在運行服務的終端遠離服務器的服務區(qū)時，則需要進行服務遷移，找尋距離更近的服務器，將未完成的用戶服務遷移到該服務器，繼續(xù)進行用戶服務。在服務遷移過程中，需要傳輸?shù)臄?shù)據(jù)（例如內(nèi)存狀態(tài)、網(wǎng)絡狀態(tài)、磁盤狀態(tài)、程序鏡像數(shù)據(jù)、數(shù)據(jù)集等）相對較大（可以達到幾百兆字節(jié)甚至幾千兆字節(jié)），如果傳輸過程花費的時間過長則會降低服務質(zhì)量，影響服務遷移的效率，并且數(shù)據(jù)的頻繁傳輸需要耗費大量的網(wǎng)絡資源，導致服務遷移時間以及停機時間過長，降低服務質(zhì)量，嚴重影響用戶體驗［16-17］。本文提出BP-ACM 方法來解決這些問題，預測網(wǎng)絡帶寬，調(diào)整壓縮算法，使服務遷移過程中的傳輸數(shù)據(jù)更加緊湊，從而有效利用網(wǎng)絡資源，減少服務遷移時間并改善QoS。

2 Docker 容器遷移方法

BP-ACM 方法首先使用基于小波變換的ARMA帶寬預測模型進行網(wǎng)絡帶寬預測［18］，然后根據(jù)網(wǎng)絡帶寬預測結(jié)果選擇合適的數(shù)據(jù)壓縮算法，實現(xiàn)服務的快速遷移。通過帶寬預測預先獲取遷移時的帶寬，能夠減少數(shù)據(jù)壓縮算法適應網(wǎng)絡帶寬的時間及服務遷移的數(shù)據(jù)量，降低服務遷移的停機時間。

2.1 基于小波變換的ARMA 帶寬預測模型

根據(jù)小波變換具有多分辨率的特點，首先將網(wǎng)絡帶寬表示為一個低頻成分與不同分辨率下的高頻成分，然后根據(jù)不同分辨率下的頻率成分的各自特性，分別采用ARMA 模型對低頻成分和不同分辨率下的高頻成分進行預測，最后把各分層數(shù)據(jù)的預測結(jié)果重組生成網(wǎng)絡帶寬的最終預測結(jié)果?；谛〔ㄗ儞Q的ARMA 預測模型架構(gòu)如圖1 所示。

圖1 基于小波變換的ARMA 預測模型架構(gòu)Fig.1 ARMA prediction model architecture based on Wavelet transform

2.1.1 小波變換濾波網(wǎng)絡帶寬

由于實際網(wǎng)絡帶寬時間序列的非平穩(wěn)特性，因此需要通過小波變換將其分解為多個平穩(wěn)分量。本文使用小波Mallat［19］對網(wǎng)絡帶寬數(shù)據(jù)進行分解，Mallat 算法原理如下：

圖2 Mallat 數(shù)據(jù)分解Fig.2 Mallat data decomposition

在原始網(wǎng)絡帶寬數(shù)據(jù)進行分解后，使用ARMA模型對各分層數(shù)據(jù)進行預測，再通過式（3）重構(gòu)算法，將各分層數(shù)據(jù)的預測結(jié)果進行重構(gòu)，得到最終的網(wǎng)絡帶寬預測結(jié)果［20］，如圖3 所示。

圖3 Mallat 數(shù)據(jù)重構(gòu)Fig.3 Mallat data reconstruction

其中：h*(n)和g*(n)分別是濾波器h(n)和g(n)的共軛的時序反轉(zhuǎn)。

2.1.2 基于ARMA 的網(wǎng)絡帶寬預測

ARMA 模型［21］是一種典型的短期時間序列預測模型。時間序列｛Xt｝的自回歸滑動平均模型（簡記為ARMA(p,q)模型）定義如下：

其中：Xt為時間序列｛Xt｝在t時刻的元素；參數(shù)φ1,φ2,…,φp和參數(shù)θ1,θ2,…,θq為自回歸系數(shù)和滑動平均系數(shù)；｛εt｝為噪聲序列，即εt～wn(0,)，且與前期變量Xt-1，Xt-2，…，Xt-p相獨立。

本文帶寬預測模型在小波分解時，采用Mallat算法將帶寬數(shù)據(jù)分解為3 層數(shù)據(jù)分別進行預測，然后進行預測結(jié)果的重構(gòu)，具體步驟如下：

2.2 自適應遷移數(shù)據(jù)壓縮

由于邊緣節(jié)點網(wǎng)絡環(huán)境的不穩(wěn)定性，導致服務遷移過程中數(shù)據(jù)延遲而影響服務質(zhì)量，自適應遷移數(shù)據(jù)壓縮就是根據(jù)網(wǎng)絡帶寬的變化調(diào)整壓縮算法，使服務遷移過程中的傳輸數(shù)據(jù)更加緊湊，更有效地利用網(wǎng)絡資源。邊緣網(wǎng)絡帶寬有限，遷移任務傳輸?shù)臄?shù)據(jù)量太大，增加了服務中斷時間，影響了用戶的服務質(zhì)量。該算法考慮了服務器的計算資源，充分利用了網(wǎng)絡帶寬資源，使壓縮時間和傳輸時間達到平衡，以最短時間完成服務遷移［22］。

2.2.1 壓縮算法的選擇

在BP-ACM 方法中，使用2 種壓縮算法：網(wǎng)絡帶寬較低時采用壓縮速度相對較慢但壓縮率較高的Zstd 壓縮算法［23］，網(wǎng)絡帶寬較高時采用壓縮速度較快但壓縮率較低的LZ4 壓縮算法［24］，采用迭代測試來確定高低帶寬的臨界值。通過分別運行內(nèi)核編譯、Web 服務、Zeusmp 這3 種負載，獲 得LZ4 和Zstd壓縮算法在不同網(wǎng)絡帶寬下的服務遷移速度［25］臨界值，如表1 所示。

表1 LZ4 與Zstd 在不同網(wǎng)絡帶寬下的遷移速度對比Table 1 Comparison of migration speed between LZ4 and Zstd under different network bandwidths（MB·s-1）

從表1 中可以看出：當網(wǎng)絡帶寬為60 MB/s 時，相比于LZ4 壓縮算法，Zstd 壓縮算法的遷移速度更快；當帶寬為70 MB/s 時，LZ4 壓縮得到的遷移速度更快?？梢?，網(wǎng)絡帶寬為60 MB/s 是選擇壓縮算法的標準。

2.2.2 Zstd 壓縮算法的優(yōu)化

由網(wǎng)絡遷移速度的臨界值可知，在網(wǎng)絡帶寬小于或等于60 MB/s 的情況下，采用Zstd 壓縮算法。通過采用多種負載來測量Zstd 壓縮算法各壓縮級別的壓縮率和壓縮速度，發(fā)現(xiàn)不同負載下各壓縮級別的壓縮率和壓縮速度沒有明顯差異，所以本文通過運行多種負載來獲取壓縮率及壓縮速度的平均值，并且與壓縮算法的壓縮級別一一對應。根據(jù)服務遷移速度是由網(wǎng)絡帶寬、壓縮速度以及壓縮率決定，當服務遷移過程中加入壓縮算法時，壓縮后需要傳輸?shù)臄?shù)據(jù)量大小是原始數(shù)據(jù)大小的1/θ。這意味著服務遷移速度間接增加了一個θ因子，減少了數(shù)據(jù)的傳輸，提高了服務遷移的速度。

服務遷移數(shù)據(jù)的壓縮和壓縮內(nèi)容的傳輸是并行的，在傳輸壓縮數(shù)據(jù)的同時也在進行數(shù)據(jù)的壓縮，因此，具有壓縮算法的遷移速度是壓縮速度和增加的傳輸速度中的最小值，即：

其中：Vmr是服務遷移速度；Vc是壓縮速度；Bw是網(wǎng)絡帶寬；θ是壓縮率。Vmr越大，總的遷移時間越短，當給定一個Bw值時，調(diào)整壓縮算法的壓縮率θ和壓縮速度Vc，可得到最優(yōu)的服務遷移速度Vmr。

通過分別計算Zstd 壓縮算法不同壓縮級別的壓縮率和壓縮速度，得到最大遷移速度下的最佳壓縮級別。由于壓縮率θ和壓縮速度Vc是隨著壓縮級別近似平滑變化的，因此壓縮級別可以只取20 個壓縮級別中的奇數(shù)值，將10 對θ和Vc值保存在數(shù)組V[][]中，偽代碼如算法1 所示，其中V[i][0]為壓縮率θ，V[i][1]為壓縮速度Vc，BL代表最優(yōu)壓縮級別。

算法1壓縮算法的優(yōu)化

2.2.3 LZ4 壓縮算法的優(yōu)化

本文帶寬預測模型在網(wǎng)絡帶寬大于60 MB/s 的情況下采用LZ4 壓縮算法，服務遷移速度隨著LZ4壓縮算法壓縮級別的增加先增大后減小，壓縮級別為7 時遷移速度達到最快。由于該算法的壓縮級別數(shù)量過多，最優(yōu)壓縮級別的尋找需要花費大量的時間，容器服務遷移速度隨著壓縮級別的增加逐漸穩(wěn)定，當壓縮級別達到25 時，遷移速度已經(jīng)穩(wěn)定，因此本文通過設置壓縮級別為小于25 的奇數(shù)，以此減少壓縮級別的個數(shù)，這樣既可以得到最優(yōu)壓縮級別，又可以節(jié)省CPU 開銷。同樣，由于壓縮級別的變化壓縮率θ和壓縮速度Vc是近似平滑變化的，因此將對應的壓縮率θ和壓縮速度Vc的值保存在數(shù)組V[][]中，由Vmr=min(Vc,Bw×θ) 可以求出最大遷移速度時的最優(yōu)壓縮級別。

2.3 計算復雜度分析

本文提出的BP-ACM 方法涉及的計算主要包括以下3 個方面：

1）網(wǎng)絡帶寬數(shù)據(jù)處理。首先獲取網(wǎng)絡帶寬數(shù)據(jù)，從系統(tǒng)proc/net/dev 文件中讀取網(wǎng)絡帶寬，復雜度為Ο(m)；然后通過小波變換對網(wǎng)絡帶寬數(shù)據(jù)進行分解和重構(gòu)，復雜度為Ο(mlbm)，其中m為樣本數(shù)量。

2）網(wǎng)絡帶寬數(shù)據(jù)預測。使用ARMA 模型對分解后的帶寬數(shù)據(jù)分別進行預測，ARMA 模型包括階數(shù)的確定和參數(shù)估計，分別使用AIC 準則和最小二乘法進行確定，復雜度分別為Ο(m+p)和Ο(m2)，其中，p為參數(shù)數(shù)量。

3）數(shù)據(jù)壓縮算法選擇。根據(jù)帶寬預測結(jié)果選擇壓縮算法：LZ4 數(shù)據(jù)壓縮算法，復雜度為Ο(n)；Zstd 數(shù)據(jù)壓縮算法，復雜度為Ο(l×n)+Ο(nlbn)，其中，n為傳輸數(shù)據(jù)的字符數(shù)量，l為字符匹配的長度，n＞＞l。

綜上，本文提出的BP-ACM 遷移方法的計算復雜度為Ο(m2)+Ο(nlbn)。

2.4 遷移方法實現(xiàn)

本文提出的BP-ACM 方法通過預測網(wǎng)絡帶寬自適應地選擇數(shù)據(jù)壓縮方法進行Docker 容器服務遷移，整體系統(tǒng)架構(gòu)如圖4 所示。

圖4 Docker 容器服務遷移架構(gòu)Fig.4 Docker container service migration architecture

Docker 容器服務遷移架構(gòu)主要由以下模塊構(gòu)成：1）帶寬監(jiān)測模塊，從proc/net/dev 文件獲取以往的網(wǎng)絡帶寬數(shù)值，為網(wǎng)絡帶寬預測方法提供數(shù)據(jù)；2）帶寬預測模塊，首先通過小波變換對帶寬數(shù)據(jù)進行分解，然后使用ARMA 模型進行預測，最后對各層預測數(shù)據(jù)進行重構(gòu)，得出最終結(jié)果；3）壓縮算法模塊，結(jié)合帶寬預測的結(jié)果，選擇合適的壓縮算法，確定最佳的壓縮級別以及最大的遷移速度；4）解壓算法模塊，識別2 種壓縮算法，然后對壓縮數(shù)據(jù)進行解壓。

整個系統(tǒng)的運行流程如下：1）帶寬監(jiān)測，獲取網(wǎng)絡帶寬數(shù)據(jù)；2）結(jié)合帶寬數(shù)據(jù)，使用帶寬預測方法進行帶寬預測；3）通過帶寬預測的結(jié)果選擇壓縮算法，然后代入式（5）中，獲得最優(yōu)壓縮級別以及最大遷移速度；4）對比2 種壓縮算法的性能，分別對壓縮算法進行優(yōu)化；5）對服務遷移數(shù)據(jù)進行壓縮處理；6）對壓縮數(shù)據(jù)進行傳輸；7）選擇對應的解壓算法對數(shù)據(jù)進行解壓。

3 實驗驗證

3.1 實驗環(huán)境設置

為評估容器遷移場景，實驗配置3 臺獨立的服務器，用來模擬邊緣服務節(jié)點。第1 臺是源MEC 主機，第2 臺是目標MEC 主機，第3 臺是網(wǎng)絡文件系統(tǒng)（Network File System，NFS）服務器，用于存儲容器的文件系統(tǒng)。每臺服務器使用帶有4.4.0-64 通用內(nèi)核的Ubuntu16.04LTS，擁有4核CPU和8GB主存，2個Intel PRΟ/1000 千兆網(wǎng) 絡接口卡（Network Interface Card，NIC）。容器環(huán)境采用Docker 版本為

17.0 6.0 和CRIU 版本為3.14（均為穩(wěn)定版本）的設置。實驗使用Pre-copy、Zstd-ACM、LZ4-ACM、BP-ACM等4 種遷移方法運行不同類型負載進行服務遷移對比，并進行全面的容器遷移性能測試分析。工作負載詳細信息見表2。

表2 工作負載詳細信息Table 2 Workload details

3.2 帶寬預測結(jié)果分析

以鄭州大學校園網(wǎng)絡作為測試載體，采用2021 年3月21日到2021年3月23日的網(wǎng)絡帶寬數(shù)據(jù)進行實驗，數(shù)據(jù)收集間隔為5 min，以4 ms 為一個測試時間段，取后800 個數(shù)據(jù)作為原始數(shù)據(jù)集，將這些數(shù)據(jù)按時間先后順序形成一個時間序列，所得網(wǎng)絡帶寬的數(shù)據(jù)曲線如圖5 所示。由圖5 可以看出，網(wǎng)絡帶寬具有周期性和不平穩(wěn)特性，表明用戶使用網(wǎng)絡時間具有相似性且網(wǎng)絡帶寬隨著時間的變化而變化。

圖5 實際網(wǎng)絡帶寬Fig.5 Actual network bandwidth

圖6 是使用帶寬預測模型進行預測的結(jié)果，可以看出本文模型的預測效果和實際網(wǎng)絡帶寬數(shù)據(jù)比較吻合，能夠較好地預測現(xiàn)實中的網(wǎng)絡帶寬情況。

圖6 網(wǎng)絡帶寬預測結(jié)果Fig.6 Prediction results of network bandwidth

另外，本文還采用AR 模型、ARMA 模型、小波-AR 模型的預測結(jié)果與本文帶寬預測模型（簡稱為小波-ARMA 模型）的預測結(jié)果進行比較，采用平均絕對誤差（Mean Absolute Error，MAE）和平均相對誤差（Mean Relative Error，MRE）來判斷模型的預測精確度，MAE 是預測值與實際值的絕對誤差的平均值，MRE 是預測值與實際值的相對誤差率的平均值，結(jié)果如表3 所示。由表3 可以看出，本文提出的帶寬預測模型大幅降低了預測誤差，說明小波分解在預測過程中發(fā)揮了重要作用，也證實了該模型完全考慮了網(wǎng)絡帶寬數(shù)據(jù)的非平穩(wěn)和多分辨率特性，對于帶寬預測具有重要意義。

表3 網(wǎng)絡帶寬預測結(jié)果數(shù)據(jù)對比Table 3 Data comparison of network bandwidth prediction results

3.3 遷移性能分析

在同樣的實驗環(huán)境下，使用Pre-copy、Zstd-ACM、LZ4-ACM、BP-ACM 4 種遷移方法以及內(nèi)核編譯、Zeusmp、Web 服務3 種不同類型的工作負載進行服務遷移對比實驗，分別從容器服務遷移傳輸總時間、容器服務遷移傳輸數(shù)據(jù)量以及容器服務遷移停機時間比較容器服務遷移性能。

圖7 比較了網(wǎng)絡遷移帶寬為30 MB/s、60 MB/s、90 MB/s 時，使 用Pre-copy、Zstd-ACM、LZ4-ACM、BP-ACM 遷移方法分別運行不同類型負載下的容器服務遷移總時間。由圖7可以看出，隨著網(wǎng)絡帶寬的增加，相比于Zstd-ACM 和LZ4-ACM 方法，BP-ACM 方法通過帶寬預測模型能夠預先地選擇壓縮算法并對壓縮算法進行優(yōu)化，進一步縮短容器服務遷移總時間。

圖7 容器服務遷移總時間Fig.7 Total container service migration time

圖8 比較了網(wǎng)絡遷移帶寬為30 MB/s、60 MB/s、90 MB/s 時，使 用Pre-copy、Zstd-ACM、LZ4-ACM、BP-ACM 遷移方法分別運行不同類型負載下的服務遷移傳輸數(shù)據(jù)量。由圖8 可以看出，容器服務遷移中的適應性壓縮算法能夠大幅減少遷移所傳輸?shù)膫鬏敂?shù)據(jù)量，相比于Zstd-ACM 和LZ4-ACM 方法，BP-ACM 方法能夠有效地平衡數(shù)據(jù)壓縮和數(shù)據(jù)傳輸所消耗的時間，在網(wǎng)絡帶寬低時，盡可能地壓縮數(shù)據(jù)，減少傳輸時間；在網(wǎng)絡帶寬高時，降低壓縮率，減少壓縮時間。

圖8 容器服務遷移傳輸數(shù)據(jù)量Fig.8 Container service migration transfer data volume

圖9 比較了網(wǎng)絡遷移帶寬為30 MB/s、60 MB/s、90 MB/s 時，使 用Pre-copy、Zstd-ACM、LZ4-ACM、BP-ACM 遷移方法分別運行不同類型負載下的容器服務遷移停機時間。由圖9 可以看出，與Pre-copy 方法相比，Zstd-ACM、LZ4-ACM 和BP-ACM 方法使得容器服務遷移停機時間從數(shù)百毫秒大幅縮短到了數(shù)十毫秒。另外，隨著網(wǎng)絡帶寬的增加，容器的服務遷移停機時間均有所減少。

圖9 容器服務遷移停機時間Fig.9 Container service migration downtime

本文還在實際網(wǎng)絡環(huán)境中進行了容器服務遷移實驗，如圖10 所示，Zstd-ACM、LZ4-ACM 和BP-ACM 方法均比Pre-copy 方法有了顯著改進，并且BP-ACM 方法比Zstd-ACM 和LZ4-ACM 方法能夠更好地提升容器服務遷移效率。

圖10 實際網(wǎng)絡環(huán)境下的容器服務遷移性能對比Fig.10 Comparison of container service migration performance under actual network environment

從容器服務遷移總時間、傳輸數(shù)據(jù)量以及停機時間性能指標的對比結(jié)果可以看出，本文所提出的BP-ACM 服務遷移方法能夠有效地提高Docker 容器服務遷移性能，從總遷移時間和傳輸數(shù)據(jù)量方面可以看出性能有了很大提升，而停機時間則是受網(wǎng)絡遷移帶寬的影響較大。通過比較4 種服務遷移方法可以看出，BP-ACM 方法能夠在很大程度上提升Docker 容器服務遷移的綜合性能，其中，總遷移時間至少減少了23.7%，傳輸數(shù)據(jù)量至少減少了19.4%，停機時間至少減少了17.6%，充分驗證了本文所提出的BP-ACM 遷移方法的有效性。

3.4 計算復雜度對比

4 種容器服務遷移方法的計算復雜度分析如下：

1）Pre-copy 方法：通過循環(huán)方式將內(nèi)存數(shù)據(jù)傳輸?shù)侥康娜萜?，總的復雜度為Ο(n)。

2）Zstd-ACM 方法：循環(huán)獲取實時的網(wǎng)絡帶寬，根據(jù)帶寬使用Zstd 壓縮算法，獲得最優(yōu)的壓縮速度和壓縮強度，總的復雜度為Ο(nlbn)。

3）LZ4-ACM 方法：循環(huán)獲取實時的網(wǎng)絡帶寬，根據(jù)網(wǎng)絡帶寬使用LZ4 壓縮算法，獲得最優(yōu)的壓縮速度和壓縮強度，總的復雜度為Ο(n)。

4）BP-ACM 方 法：預測網(wǎng) 絡帶寬，選 擇Zstd 或LZ4 壓縮算法，獲得最優(yōu)的壓縮速度和壓縮強度，總的復雜度為Ο(m2)+Ο(nlbn)。

由表4 可以看出，相比于其他3 種遷移方法，本文提出的BP-ACM 方法的計算復雜度有所提升，但通過遷移性能結(jié)果分析可知其服務遷移性能得到了有效提升，整體而言BP-ACM 方法具有較高的實用性。

表4 容器服務遷移方法的計算復雜度對比Table 4 Comparison of computational complexity of container service migration methods

4 結(jié)束語

對于邊緣計算服務遷移，傳統(tǒng)的容器服務遷移方法比較繁瑣，給邊緣網(wǎng)絡帶寬帶來了負擔。本文提出BP-ACM 服務遷移方法，通過在評估邊緣網(wǎng)絡狀態(tài)后動態(tài)調(diào)整壓縮強度，并全面平衡計算開銷和網(wǎng)絡傳輸開銷。實驗結(jié)果表明，該方法可在遷移期間提供穩(wěn)定響應，并且將網(wǎng)絡帶寬預測模型與自適應壓縮算法相結(jié)合相比傳統(tǒng)非壓縮遷移方法以及單一壓縮算法的遷移方法效率更高。后續(xù)將改進現(xiàn)有壓縮算法，采用增量壓縮方式進一步減少傳輸數(shù)據(jù)量，提高實時遷移性能。