云边连续体中基于声明式与线性编程的应用管理优化研究

《Future Foods》：Combining Declarative and Linear Programming for Application Management in the Cloud-Edge Continuum

本文提出了一种结合声明式编程（Declarative Programming）和混合整数线性规划（MILP）的混合方法（EdgeWiseCR），用于优化云边连续体（Cloud-Edge Continuum）中数据感知的多服务应用布局问题。该方法通过声明式阶段预处理基础设施约束，显著提升MILP求解器效率，实现运营成本最小化，并在动态环境下通过持续推理（Continuous Reasoning）机制重用已有布局，减少65%的重计算与服务迁移，提升了系统稳定性与可扩展性。

　　

Highlight

本工作重点研究了在云边环境中数据感知的多服务应用布局问题。我们先前提出了EdgeWise，一种结合声明式编程与混合整数线性规划（MILP）的混合方法，以在最小化运营成本和减少不必要数据传输的同时确定最优布局。声明式阶段通过预处理基础设施约束来提高MILP求解器的效率，实现了在运营成本方面的最优布局，并显著缩短了执行时间。在此扩展版本中，我们通过引入持续推理（Continuous Reasoning）改进了声明式阶段，提出了EdgeWiseCR，使系统能够重用现有布局，减少不必要的重计算和服务迁移。此外，我们还进行了扩展的实验评估，考虑了多个应用、多样化的网络拓扑以及具有动态故障的大规模基础设施。结果表明，EdgeWiseCR相比 EdgeWise实现了高达65%的加速，同时在动态条件下保持了布局的稳定性。

Experimental Setup

为评估所提出的方法，我们使用了ECLYPSE模拟器[8]，该模拟器允许我们对云边基础设施进行建模，并模拟随时间变化的动态故障。模拟持续30个时间单位（ticks），每个时间单位的超时设置为1200秒（20分钟）。在每个时间单位应用更新策略，通过使10%的基础设施节点不可用来引入故障。所涉及的基础设施规模各异，包含2ⁱ个节点，其中i ∈ [6, 11]。每个节点被随机分配为cloud、edge或IoT类型。

Related Work

优化云边环境中的服务布局问题近年来受到了广泛关注。各种策略被提出来增强边缘计算系统中的服务质量（QoS）和体验质量（QoE）[3], [31], [32]。针对云物联网（Cloud-IoT）基础设施中的多服务应用布局和管理，已经探索了多种方法论[4], [33]。许多现有方法依赖于基于云的集中式编排机制进行服务布局。这些解决方案通常...

Conclusions

本工作通过引入持续推理机制，扩展了我们先前用于云边环境中多组件应用布局的EdgeWise方法。这一增强允许重用先前计算的布局，显著减少了不必要的重新计算和服务迁移，尤其是在动态基础设施条件下。结合声明式过滤阶段和基于MILP的优化器，这一扩展形成了一个灵活且自适应的管道，能够...