在边缘计算和雾计算环境中用于无服务器数据管道的扩展方法：性能评估

《ACM Transactions on Autonomous and Adaptive Systems》：Scaling Approaches for Serverless Data Pipelines in Edge and Fog Computing Environments: A Performance Evaluation

物联网应用产生海量数据，需高效处理。本研究基于Azure无服务器负载模式，在雾环境中对比分析两种扩缩容机制：资源型（CPU）与工作量型（请求率/队列长度/消息率）。实验发现，计算密集型任务（如Aeneas）采用资源型扩缩容可有效应对跳变、平稳、尖峰及波动负载，而短时执行任务（如PuhatuMonitoring）适合工作量型机制，所有负载类型下均表现优异。

　　

摘要

物联网（IoT）应用的兴起导致了大量数据的产生。然而，处理如此庞大的数据是一项具有挑战性的任务。如今，数据管道已成为在物联网环境中大规模处理数据操作的常用机制。无服务器数据管道（Serverless Data Pipelines，SDP）是一种用于对数据流进行事件驱动数据分析的方法。数据管道由许多组件构成，在不产生任何瓶颈的情况下扩展整个管道是非常具有挑战性的。本研究旨在评估扩展机制在高效处理随机工作负载方面的性能，并了解雾计算环境中的关键资源利用情况。我们对两个物联网应用程序（Aeneas和PuhatuMonitoring）的SDP组件应用了基于工作负载的指标（每秒请求数、队列长度、消息传输率）和基于资源的扩展方式（CPU利用率）。利用Azure无服务器工作负载模式，我们在实时雾计算环境中比较了不同的扩展方法，并评估了诸如处理时间和CPU利用率等服务质量（QoS）指标。通过对两个QoS指标使用加权平均评分方法的分析，我们发现对于计算密集型任务，基于资源的扩展方法在应对突发性、稳定型、峰值型和波动型工作负载时都能有效发挥作用；而对于执行时间较短的任务，基于工作负载的扩展方式适用于所有四种类型的工作负载。