论文 Enabling Data Processing at the Network Edge through Lightweight Virtualization Technologies

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
• 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

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