面向社区智能建筑的分布式计算:卡拉维尔(Caravels)方法

《Neurocomputing》:Distributed Computing for Intelligent Buildings in Communities: The Caravels Approach

【字体: 大 中 小 】 时间:2026年05月09日 来源:Neurocomputing 6.5

编辑推荐:

  拉斐尔·席尔瓦 | 路易斯·戈麦斯 | 西塔·瓦莱 GECAD智能工程与计算研究小组,致力于先进创新与发展,LASI—智能系统联合实验室,波尔图理工学院,安东尼奥·贝纳迪诺·德·阿尔梅达博士街431号,4200-072,波尔图,葡萄牙 **摘要** 向分散式能源系统

  拉斐尔·席尔瓦 | 路易斯·戈麦斯 | 西塔·瓦莱
GECAD智能工程与计算研究小组,致力于先进创新与发展,LASI—智能系统联合实验室,波尔图理工学院,安东尼奥·贝纳迪诺·德·阿尔梅达博士街431号,4200-072,波尔图,葡萄牙

**摘要**
向分散式能源系统的转型需要智能、具有弹性且以用户为中心的基础设施,以支持建筑物之间的自主性和协作。本文介绍了Caravels系统,这是一种基于容器编排的分布式系统架构,旨在通过个性化用户建模和建筑物间的服务与数据共享来实现智能社区。该系统建立在模块化微服务部署范式之上,集成了基于图的用户偏好模块以实现上下文感知的个性化,并具备促进点对点协作的数据共享机制。本文通过一个三部分的案例研究,在社区环境中评估了该系统的性能。结果显示,该系统能够根据用户定义的偏好进行实时适应,通过共享的物联网(IoT)接入和服务消费实现有效的建筑物间协作,并通过图中的强化学习实现个性化自动化。该系统保持了低延迟运行和最小的资源使用量,证明了其在低成本、资源受限环境中的适用性。Caravels的创新实现了边缘计算中的分布式协作,同时在不侵犯数据主权的前提下共享数据,并在建筑物层面实现了上下文感知的个性化。

**1. 引言**
随着欧盟设定到2030年至少将可再生能源占比提高至32%的目标,能源系统的数字化转型进程加速推进,这要求各国转向分散式的可再生能源生产,而这需要消费者的参与[1]。这一目标不仅出于环保考虑,也反映了向独立且具有弹性的能源基础设施的转变,在这种架构下,社区在能源生产、管理和优化中扮演着积极角色[2]。作为生产者、消费者和产消费者的智能建筑将构成智能社区,成为实现可持续性和技术整合的有前景的架构模型。物联网(IoT)设备在住宅、办公和工业领域的普及,加上基于容器的编排技术和边缘计算的发展,使得在各种物理位置部署分布式智能成为可能[3]。这些发展为实施能够适应本地条件和用户需求、同时保持与更大规模目标协调的上下文感知能源管理系统提供了基础[4]。然而,向智能建筑和社区的转型并非没有挑战,这些技术的集成带来了计算复杂性、互操作性、数据隐私、资源限制以及系统可扩展性等方面的问题,尤其是在依赖单板计算机(SBC)的边缘计算场景中[5][6]。

近年来,容器编排框架已经发展成熟,能够支持在异构设备上执行微服务的轻量级分布式任务[7]。这些解决方案促进了服务的模块化、容错性和快速部署,这对于需要动态响应环境和用户驱动因素的社区至关重要。尽管如此,当前文献和实践仍未能充分解决两个关键问题:
- 现有方法通常将建筑视为一个整体,忽视了它们在更广泛社区中的作用,以及建筑内部用户、环境和偏好的多样性;
- 在智能环境中,人工智能模型所做的决策会影响舒适度、成本和可持续性,这种过度简化不仅会导致次优或不公平的结果,还会限制用户的接受度和信任度[8]。
虽然分布式系统实现了局部智能,但很少包含建筑物间协作的机制。在社区内安全地共享服务和数据的能力可以显著提高预测准确性、增强抗脆弱性(尤其是在资源稀缺或需求波动的情况下),并创造新的社区协调解决方案[9]。传统的智能社区实现依赖于集中式架构进行数据聚合,这带来了单点故障风险和严重的隐私问题。

本研究是对2024年SOCO会议上首次提出的Caravels系统的进一步扩展。具体来说,[10]介绍了基于容器的基本架构,并验证了在边缘硬件上部署模块化服务的可行性和基础资源效率。然而,它没有涉及用户个性化或建筑物间的协作数据交换。本文通过两项创新贡献对此进行了扩展:
- 一种新的基于图的用户偏好模型,可根据个人档案和上下文变量实现个性化服务调整;
- 一种新的建筑物间数据共享机制,可促进家庭之间安全、点对点的IoT数据和服务交换。

这些贡献大大扩展了Caravels系统的功能:第一版建立了多建筑容器编排层并验证了其模块化特性,而本文则增加了上下文智能和主动的建筑物间协作,使建筑能够根据用户需求个性化服务,并在保护数据主权、低延迟和系统弹性的同时与邻近建筑交换IoT数据和服务。

**2. 最新技术进展**
本节将介绍本研究的主要内容,并回顾了相关领域的最新研究进展。涉及的概念包括智能社区、智能建筑、用户建模以及建筑物间的数据共享。

**2.1. 智能社区**
能源社区是一种由社区推动的机构,通过去中心化的方式对社会共享能源资源进行控制,其中个体消费者、生产者和产消费者在封闭的拓扑结构中构建独立项目,积极贡献于更加可持续的发展模式[11]。能源社区有助于促进民主化和分散式能源生产,提高抵御电网中断和高能源价格的能力[12]。能源社区可以包含多种组件,例如优先使用可再生能源来减少对化石燃料的依赖[13]的能源生成系统、用于储存多余能源的能源储存系统(以提高灵活性),以及提供实时跟踪能源消耗、生成和分配方式的管理和监控系统[14]。

在欧盟,已经有许多能源社区得以建立。某研究报道了在两个丹麦岛屿和一个爱尔兰农村村庄进行的可持续能源社区发展方法的初步实地调查结果[15]。研究指出,社会障碍往往相互关联并加强彼此的作用,成为部署能源社区的最大挑战[16]。另有研究提出,智能社区的建立可节省66%的能源成本,因为社区的自消费率接近95%,从而减少网络传输的能源量[16]。

在信息系统中,大多数社区实现依赖于集中式架构进行数据聚合和决策[17]。这种模式存在单点故障、可扩展性受限、中央服务器存储时的隐私问题以及缺乏适应性的缺点[18]。最新文献正在转向分散式和基于边缘的解决方案,但仍有改进空间。例如,某些研究利用本地边缘节点托管服务,但这些方案在管理上较为僵化,不支持用户驱动的部署[19];还有一些研究提供了组织间数据共享的协议,但仍依赖于中央数据孤岛[20]。

**2.2. 智能建筑**
容器化已成为实现分布式系统中轻量级、可移植和可扩展应用部署的事实标准[21]。这是因为容器能够将应用程序及其依赖关系封装在一个包中,便于在不同环境中的部署和一致性管理[22]。Kubernetes及其轻量级衍生框架(如K3s、MicroK8s)等编排工具促进了跨异构和资源受限设备的服务管理[23]。这些工具可以控制资源使用、优化容器在特定节点上的分布、判断是否需要销毁或替换容器、在应用程序或节点失败时自动创建容器,并自动扩展应用程序。

先前的研究证明了容器编排在边缘环境中的有效性,支持了从控制机器人到智能仓库等IoT应用的低延迟操作[24][25]。容器编排技术甚至支持混合计算环境,结合了边缘资源有限和云端资源丰富的优势[26]。在智能建筑领域,最近的研究表明,基于本地限制和全局优化目标的适应性编排具有潜力,但全面整合个性化与建筑物间协作的框架仍有待发展[27][28]。不过,现有框架通常将服务视为静态的,无法动态适应用户变化或建筑物间协作机会。Caravels引入了一种动态虚拟私有网络,允许节点按需向其他节点暴露特定服务,优化整个社区的资源配置。

**2.3. 智能建筑中的用户偏好建模**
用户建模是智能建筑系统的基础挑战,个性化舒适度、能源效率和用户满意度之间常常存在冲突。传统方法依赖基于规则的系统和简单参数化来定义用户偏好[29]。最近的研究采用了机器学习技术,如强化学习(RL)进行系统控制[30]和基于本体的推理以实现上下文感知的服务[31],以捕捉动态的非静态用户行为。然而,在处理用户偏好结构时存在诸多挑战,例如如何表示这些偏好(让用户理解系统的可预测行为),或服务如何与特定结构交互以提取和利用价值。这些挑战在考虑物联网设备的复杂性和异构性以及同一环境中多个用户存在的情况下变得更加复杂。

基于图的表示方法在表示复杂的关系偏好结构方面获得了关注,尤其是在需要协商多用户冲突的多用户环境中[32]。然而,很少有实现将基于图的用户建模与智能建筑中的容器化、分布式基础设施相结合,特别是在需要实时响应性和数据隐私的情况下。Caravels通过将用户、偏好、环境和价值表示为图结构中的相互连接的节点,实现了多用户冲突的解决和动态适应。

**2.4. 建筑物间的数据共享**
尽管建筑物内部的上下文感知取得了显著进展,但建筑物间数据共享和协作的潜力仍大多未被充分利用[33]。建筑物间的更高互联性将为新应用和服务创造机会,并提供更全面和先进的特性(如上下文感知能力)以优化模型。在智能电网和微电网研究中,已认识到建筑物间协作在负载均衡、联合预测或协作需求响应方面的潜力[34]。无需集中数据的分布式节点训练方法为智能能源社区提供了适合的隐私保护框架[35]。同时,安全的多方计算和差分隐私技术为协作智能提供了机制,而不侵犯个人自主权[36]。

尽管有这些进展,实际中的建筑物间协作实现仍较为罕见,通常受到互操作性问题、边缘资源限制以及缺乏轻量级、语义对齐的通信协议的阻碍。现有提案主要集中在数值优化上,而没有整合更丰富的用户意图、环境和服务需求的语义模型,本文旨在弥补这一不足。

**3. 系统概述:Caravels**
在Caravels系统中,社区通过连接现有的独立建筑系统来构建,每个建筑都像一艘“卡拉维尔”船。因此,Caravels既是一个系统之系统(SoS),在社区层面也是建筑物层面:物联网设备构成了智能建筑,这些智能建筑又组成了智能社区。这种架构在独立性和跨层级协调方面具有多重优势:
- 每个物联网设备/建筑独立运行,但会向建筑/社区智能贡献数据和行为;
- 每个建筑系统各自管理,但在社区层面进行更广泛的决策;
- 添加或移除服务无需重新设计整个架构;
- 建筑物在物理上分散,但在数字上相互连接。

Caravels的名字来源于15至16世纪的葡萄牙船只,这些船只凭借其坚固性、适应性和既独立探索又协调船队的能力推动了海上扩张。类似地,Caravels设想了一个用于智能社区的分布式计算环境,在这个环境中,单个建筑中的机器(caravel)在保持自主性的同时,也为更大的协作生态系统做出贡献。每个caravel包含了在建筑物的物理和数字空间内部署的所有硬件和软件资源,包括物联网设备、边缘计算节点和云服务。社区中的每个建筑物都托管了Caravels框架的一个实例,负责管理本地资源、与用户互动以及与其他caravels协调。这种分布式基础设施通过Kubernetes进行编排,既可以编排建筑物内的容器,也可以编排整个社区。从容器编排器的角度来看,每个caravel是一个节点,而整个社区则是一个集群。每个服务都打包成一个容器形式,通常只有一个,但根据服务的不同可能会有多个。这意味着每个服务都可以单独进行扩展、更新并在caravel集群中部署。

由于caravels不共享同一个网络,系统创建了一个虚拟私有网络(VPN),使得每个caravel可以暴露特定服务。这防止了caravels需要将服务暴露给公共互联网,从而引入不必要的风险。一般来说,暴露的服务是指那些需要与社区服务通信的服务,例如协调志愿需求响应事件[37]。然而,每个caravel可以根据自己的判断决定是否暴露新的服务。每个caravel将根据用户的个性化需求或硬件要求托管特定的服务,如图1所示。部署的容器是一个服务的实例,一个家庭的用户无法访问另一个家庭的服务,除非有特别的安排。

通过虚拟私有网络(VPN),caravels可以共享同一个网络,从而能够使用点对点连接进行通信。这降低了延迟,对于需要实时调整的应用程序非常有用,并且使得在社区层面部署需要caravels之间协作或信息交换的应用程序成为可能。

3.1. 用户偏好模块
传统的基于规则的方法通常将建筑物视为单一实体,未能考虑到建筑物内部的异质性和相互冲突的用户偏好。为了创建一个用户友好的界面,让用户能够理解、互动并根据自己的偏好进一步个性化caravel,采用了一种基于图的方法来表示每个用户的偏好、优先级和上下文信息,提供了一个透明、可数字化的用户画像,可以动态地在不同上下文中合并和适应。这种方法旨在随着时间的推移不断发展,用户可以通过添加新的需求、功能和偏好来改进。该结构需要能够处理短期和长期的变化上下文。每个结构都与一个用户相关联,从而形成独特的数字表示。

该结构包含不同类型的节点:
- 用户:表示结构的用户,标识结构所属的对象。
- 偏好:与特定的偏好相关联,如偏好的照明或温度。
- 条件:指定改变当前上下文的条件。例如,用户位置、一天中的时间或季节。
- 上下文:与条件节点定义的上下文相关。
- 值:属于该偏好的一个值。它可以是多种类型,如单元型、范围型、列表型或机器学习模型型。

通过这些节点的组合,得到的结构类似于一棵树。以特定用户为根,分支出不同的偏好,随着这些偏好条件的变化,会增加其他上下文,最终以值节点作为叶子节点。为了促进结构的演变,系统会记录交互行为,允许用户修改值节点,根据用户输入调整其持有的值。例如,如果用户每天下午6点都会提高温度,这就表明此时应将温度调高到指定的值。该模块的一个主要创新是集成了强化学习(RL)模型作为独立的值节点。通过模块化学习过程,一个分支中的变化与其他分支分离,防止自适应学习降低整个模型的性能。此外,模型环境的边界可以由上游节点定义,例如限制学习过程在“一天中的时间”这一范围内。

除了结构的所有者外,它还需要与建筑物中的现有服务以及其他用户的结构进行交互。为了支持不同的修改和交互,定义了一组操作:
- 种植:向结构中添加新节点。
- 除草:删除给定的节点。
- 收获:提取特定偏好的当前值。
- 修剪:修剪整个结构的一部分。
- 嫁接:合并两个结构。
- 繁荣:通过直接或间接的方式与结构互动。

当服务推断出当前上下文时,会根据定义的条件评估结构,并为给定偏好收获一个值。然而,在正常情况下,建筑物内可能有不止一个人,他们的偏好可能会相互矛盾。为了解决这种冲突,系统会将属于当前用户的所有结构修剪到指定的偏好上,然后将它们嫁接到一个新的结构中,创建一个临时结构,服务现在将从这个临时结构中获取数据。在这种冲突解决过程中,可以采用多种策略,如基于优先级、阈值或权重的策略。这些策略由用户定义,选择适合特定使用情况的策略,并且可以根据服务的不同而变化。

由于用户经常在建筑物之间移动,系统必须能够将一个建筑物中已经定义的结构导入到另一个建筑物中。这样可以避免用户需要在新建筑物中“重新开始”设置结构。特别是因为用户通常会保持他们的偏好[38]。

基于图的结构提供了高表达力,同时保持了适合基于SBC的边缘节点的计算效率。它表示用户偏好,并适应变化的上下文,实现了智能建筑服务和个性化自动化场景。

3.2. 建筑物间共享
为了实现协作,caravels之间需要互相通信。这种通信必须是安全的,并且要保护预期的访问策略,因为每个建筑物可能有不同的用户权限。

如前所述,除非caravels开放给公共互联网,否则它们不在同一个本地网络中,无法直接通信。为此,使用VPN隧道将所有caravels连接到一个网络中,采用端到端加密[39]。通过这个网络,caravels可以暴露它们的服务或设备,或者建立直接通信。选用的工具是Headscale[40],它是Tailscale[41]的一个开源自托管版本。

一个caravel可以通过Headscale在受控和认证的框架下向网络暴露某些服务,例如天气预报服务。例如,一个拥有更强大天气预报模型的caravel可以将其暴露给其他caravels,从而使其他caravels能够获得更准确的预报信息,从而受益于智能服务。服务以容器的形式部署,因此暴露时只暴露运行所需服务的容器,而不是整个主机机器。这意味着访问被限制在特定的容器上,防止了未经授权的访问。这是通过结合k8s和Headscale实现的,实现了零信任基础设施,用户仅限于访问自己的设备和特定的共享资源。这些策略在每个节点的入站数据包过滤器上强制执行,限制了基础设施的暴露范围,特别是涉及的caravel。

通过打开通往特定物联网设备的路由,可以实现物联网设备数据的共享。另一个caravel可以使用这个路由与物联网设备进行通信,就像它们处于同一个本地网络中一样。然后,这个设备会在相应的caravel中注册为共享设备。

为了保证这些通信的可靠性和安全性,该模块提供了四个维度的具体机制:
- 首先,所有caravels之间的流量都使用WireGuard进行加密,WireGuard是Headscale底层的协议,它通过椭圆曲线公钥密码学[42]建立经过认证的隧道,每个caravel持有一对唯一的密钥,只有注册在Headscale控制器的节点才能进入 overlay网络。
- 其次,在网络层强制执行认证,peer关系在Headscale访问控制列表(ACL)配置中明确指定,这意味着未经识别的caravel无论网络可达性如何都无法加入网状网络。
- 第三,通过每个节点的ACL策略实现细粒度的访问控制,精确指定每个peer可以访问哪些服务或物联网路由。这些规则在每个节点的入站数据包过滤器上强制执行,防止任何超出预期范围的访问。
- 第四,在节点遭到破坏的情况下,通过两种互补机制实现限制:(i) Kubernetes命名空间和网络策略隔离将每个服务限制在其自己的容器命名空间内,防止受损容器访问主机资源或同位置的服务;(ii) VPN overlay将受损节点的攻击范围限制在其已被授权到达的明确路由和服务端点上,使得其他caravel无法访问。

4. 可部署容器
每个caravel并不直接提供功能,它依赖于运行的服务。这意味着系统将根据用户的需要提供尽可能多的功能。本质上,兼容性、隐私和安全性的要求传递给了服务,确保容器上的应用程序满足这些要求。

每个服务下面都有一个实现其功能的应用程序。这意味着一个定义的服务将具有预定义的功能、路由、参数和返回值类型。通过具有相同结果的不同应用程序,用户可以根据不同的原因(如效率、计算要求或效果)选择他们偏好的应用程序。要成为可用服务目录的一部分,新应用程序可以轻松宣布它们的功能并与网络中的其他节点连接。这通过标准化应用程序编程接口(API)建立了一种描述服务及其功能的共同语言,从而实现无缝集成。

通过将每个应用程序容器化,系统可以实现更高效和可扩展的软件部署和管理。每个容器在独立的空间的运行,确保资源隔离,并通过限制一个容器内的潜在漏洞对其他容器的影响来增强安全性。这也保证了高度的便携性,意味着容器化的应用程序可以在不同的计算环境中无缝运行,最小化对特定主机环境的依赖性。由于系统需要容器来测量任何类型的结果,因此开发了四种不同的服务:能源监控服务、存储服务、能源预测服务和显示服务。

4. 案例研究
为了验证Caravels的实际适用性、模块化和可扩展性,进行了一项多节点部署的实际研究,模拟了现实世界的智能社区。这项案例研究分为三个部分。第一部分已经在[10]中发布,分析了每个caravel的服务模块化。第二部分重点讨论了用户偏好的建模和基于图的结构的应用。第三部分展示了数据共享的适用性。

为了支持这项研究的透明度和可重复性,在多节点案例研究中使用的部署逻辑和编排配置文件,包括MicroK8s服务清单、Headscale网络配置、caravels间的ACL策略以及再现七节点Raspberry Pi设置的逐步部署脚本,都存放在公共Zenodo仓库[43]中。此外,Caravels架构的全面技术描述,包括详细的实现参数和扩展的初步测试,在一篇硕士论文[44]中有详细记录。

4.1. 服务模块化
部署包括七个节点,每个节点代表本地能源社区中的一个caravel。所有节点都部署在配备了4 GB RAM的Raspberry Pi 4B设备上。每台机器都在运行MicroK8s来进行容器编排。每个caravel都可以访问一部分物联网设备,如能量计量器、光线传感器和光伏传感器。表1概述了每个caravel的服务配置。这个案例研究实现了以下核心服务:
- **能源监控服务**:从能源表收集实时数据,并通过MQTT发布能耗/发电读数。
- **存储**:将订阅的MQTT主题中的消息持久化到本地数据库中。
- **预测**:使用预训练的支持向量机模型进行每小时能耗或发电量预测,并通过MQTT发布预测结果。
- **显示**:根据给定节点上可用的服务,在电子墨水显示屏上显示能耗、发电量和预测结果。

表1. 节点配置

| 服务 | 节点编号 |
|------------|------------|
| 能源监控(能耗) | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| 能源监控(发电) | 8 | 9 | 10 | 11 | 12 | 13 |
| 能源预测(能耗) | 14 | 15 | 16 | 17 | 18 | 19 |
| 能源预测(发电) | 20 | 21 | 22 | 23 | 24 | 25 |
| 显示 | 26 | 27 | 28 | 29 | 30 | 31 |

图2. 本案例研究中使用的节点。为简化展示,未显示连接的物联网设备。MQTT通信实现了服务间的通信,而由Kubernetes启用的Caravels HTTP网络实现了节点间的通信,从而实现了家庭间的通信。所有节点都可以互相通信。

**下载:** 高分辨率图片(405KB)
**下载:** 全尺寸图片

图2. 案例研究实现(不包括物联网连接)

能源监控服务可以每5秒监控一次能耗,并在发布读数时,存储服务可以订阅MQTT主题并保存这些数据。之后,我们可以请求存储服务汇总并获取每个节点的历史数据。将此应用于所有节点,我们可以获得全天每个节点的历史能耗,如图3所示。

**下载:** 高分辨率图片(117KB)
**下载:** 全尺寸图片

图3. 24小时期的能耗

如果节点集成了电子墨水显示屏(如节点1、3和4),系统可以部署显示服务来显示基于节点上启用服务的信息。例如,图4显示了节点3的显示屏,由于只有能耗监控服务可用,因此它只会显示能耗。

**下载:** 高分辨率图片(72KB)
**下载:** 全尺寸图片

图4. 节点3的显示屏

显示服务提供的动态界面允许更高的适应性,无需更改运行显示服务的应用程序,如图5所示,分别代表节点4和节点1。

**下载:** 高分辨率图片(170KB)
**下载:** 全尺寸图片

图5. 电子墨水显示屏:a) 节点4, b) 节点1

**4.2. 用户偏好建模**
该案例展示了用户偏好模块在单个Caravels中的部署和功能。首先,用户通过图形界面手动初始化他们的偏好设置,无需技术知识即可进行设置。由于偏好设置在本地图结构中,其他Caravels的服务可以访问这些设置。用户为价值节点设置初始值,从而形成图6所示的结构。

**下载:** 高分辨率图片(61KB)
**下载:** 全尺寸图片

图6. 初始用户结构

在一周的时间里,系统的交互被记录下来。系统记录用户的操作,如调节室温、开关灯或打开/关闭百叶窗,以查看用户偏好是否得到满足,并根据历史数据调整价值节点。价值的调整类型取决于节点的类型。对于单一类型节点,通过将当前值与新输入值平均来更新价值节点。对于范围类型节点,如果输入值超出范围,会根据输入值所在的一侧自动将范围向左或向右移动。为了扩大范围,范围边界的更新使用了加权移动平均法,平滑因子为0.1。对于列表类型节点,新输入值被添加到现有值列表中,每个值都有时间衰减。图7显示了这些交互的结果。

**下载:** 高分辨率图片(65KB)
**下载:** 全尺寸图片

图7. 多次交互后的用户结构

使用强化学习(RL)类型时,输入将用于分配奖励,作为代理的学习信号。奖励函数定义为:当用户手动覆盖系统动作时,代理收到负面奖励(-1);当没有覆盖时,收到正面奖励(+1)。开发的代理采用Q学习算法,并由E-贪婪策略控制。折扣因子设为0.9,学习率为0.1。在每个步骤中,代理选择当前状态下Q值最高的温度值。训练过程包含1000个剧集,每个剧集包含20个时间步。

代理通过评估偏好图中上游节点定义的上下文条件来确定适当的动作。然而,RL环境是可扩展的,支持包含更多上下文维度,包括环境条件、占用模式、能源价格和用户位置,从而实现更精细和适应性的价值设置。

为了模拟现实世界的移动性,来自另一个Caravels的用户B访问了该家庭。系统自动导入用户的偏好结构,保持上下文逻辑不变。这个结构与图7中用户A的结构相似。当服务检索偏好时,它们会检测到用户B的结构并据此进行操作,实现无缝切换,无需用户重新配置。

**下载:** 高分辨率图片(70KB)
**下载:** 全尺寸图片**

图8. 临时结构和冲突解决示意图

**4.3. 建筑间数据共享**
Caravels的一项新颖功能是能够通过数据和服务共享机制支持建筑间的点对点协作。本节展示了两种建筑间合作的场景。第一种涉及共享对物联网设备的访问权限;第二种涉及共享已部署的服务。

在第一种场景中,Caravel 1配备了一个气象站,收集本地环境数据(如温度、湿度和风速)。附近的Caravel 2请求访问传感器数据流以提高其能源预测能力。为此,Caravel 1通过VPN开放了一条路径来暴露气象站。这暴露了物联网设备的IP地址给Caravel 2。当Caravel 2将设备注册为共享物联网设备后,系统就可以访问这些数据,Caravel 2中的服务就可以使用这些数据。图9显示了Caravel 2注册的物联网页面的截图。

**下载:** 高分辨率图片(125KB)
**下载:** 全尺寸图片**

图9. Caravel2的物联网页面(截图)

在第二种场景中,Caravel 2托管了一个天气预测服务,该服务使用预训练模型根据历史数据预测未来12小时的温度、湿度和太阳辐射。由于Caravel 1缺乏托管此类服务的资源,它请求远程访问天气预测服务。Caravel 2通过VPN暴露了服务容器,使Caravel 1能够访问该服务的输出结果,如图10所示。预测请求的平均响应时间为71.12毫秒,测试期间的正常运行时间为100%。Caravel 1和Caravel 5同时访问了共享服务,没有出现中断,这证实了Caravels支持多租户访问和服务共享的能力。

**下载:** 高分辨率图片(83KB)
**下载:** 全尺寸图片**

图10. Caravel1的Headscale管理控制台界面(截图)

这些场景展示了在Caravels架构下建筑间合作的实际可行性。数据和服务可以独立共享,支持灵活的资源共享,硬件受限的Caravels可以委托密集计算任务,高价值的物联网设备可以为多个客户端服务,同时Caravels仍对其设备、服务和访问策略保持控制权。

**5. 结果与讨论**
Caravels代表了智能建筑和社区的分布式计算范式的转变,利用边缘计算原则实现了前所未有的个性化、效率和韧性水平。通过在三个不同场景中对Caravels进行评估,全面了解了其在智能建筑集成和分布式计算中的能力。

为了评估系统在资源受限硬件(如Raspberry Pi 4B)上的性能,在包含Caravel 1、2、3和4的集群上进行了多阶段压力测试。测试关注了CPU利用率、内存影响以及在单独的CPU和MQTT压力期间的热稳定性。在CPU压力阶段,集群利用率平均为49.6%,比基线提高了1.9倍。Caravel 1表现出最高的负载,CPU使用率达到69.5%,这与该节点上的容器密度较高(9个容器,而其他节点为7-8个容器)有关。内存使用量保持稳定,从基线的1.23 GB增加到1.26 GB,总增长了2.1%。

MQTT压力阶段实现了9,345条消息/秒的集群吞吐量峰值。这导致CPU利用率提高了9.2%,从基线的26.1%升至35.3%。热监测显示,基线温度为48.4°C,在压力期间平均达到53.2°C,最高峰为65.7°C。这些值都在硬件的热安全范围内。关于通信基础设施,40,000条包含256字节有效载荷的MQTT消息被分发到四个代理上。结果显示,性能最高的节点达到了8,986条消息/秒的峰值吞吐量,所有代理的p95延迟均低于0.02毫秒。在MQTT阶段未记录到错误,验证了发布-订阅机制在高频物联网数据交换中的可靠性。此外,还发出了140,000个HTTP请求来评估API端点,结果显示吞吐量在239到265条请求/秒之间,p50延迟约为35毫秒。这些结果证实了该架构在社区级数据负载高峰下维持运行的能力,并支持大量服务请求。

在所有场景中,Caravels始终展示了其在单板计算机限制下促进无缝集成和性能的能力,强调了其在资源受限环境中的运作能力。容器编排组件保持了服务的稳定部署和恢复,同时支持快速的可移植性和配置。然而,性能和资源消耗将显著依赖于部署的服务,因此需要独立基准测试来评估服务在目标主机上的适用性。

Caravels通过基于容器的架构独立部署服务,证明了其适应每个用户需求的能力,同时避免了系统的完全重新配置。通过以结构化方式表示偏好、条件和上下文,系统以透明且易于理解的方式实现了个性化适应和多用户冲突解决。通过将强化学习代理模块化为图层次结构中的离散价值节点,Caravels架构确保了对特定偏好的适应性更改是孤立的;这防止了局部模型更新降低整个系统的性能或导致不相关偏好分支的不稳定性。通过基于权重的合并来解决冲突偏好,确保所有用户的需求都得到动态处理,平衡了个性化和共存。然而,关于图建模存在一些固有的问题,需要进一步研究;即,随着并发用户数量的增加,确定“公平”权重在统计上变得复杂。此外,随着图的大小和复杂性的增加,不同用户结构中偏好分支的排序不一致性可能会复杂化无缝合并所需的语义对齐。此外,偏好结构的可移植性凸显了用户在不同Caravels支持环境之间的无缝移动潜力,这对于未来智能社区非常重要,因为服务可以独立于所在建筑进行调整。

建筑间数据共享展示了在Caravels之间创建协作生态系统的能力,同时保证了自主性和安全性。虽然建筑间数据共享引入了新的交互方式,但Caravels架构通过多层隔离 mitigates 安全风险。通过使用VPN,系统避免了服务暴露给公共互联网。此外,微服务的模块化特性确保了即使容器受损,也不会 granted 访问底层操作系统或其他本地服务。数据共享的能力使得多种数据来源和功能得以整合,从而充分利用了每个“Caravel”(智能建筑单元)的互补优势。为了验证“Caravels”之间数据共享的可行性,我们使用容器化的Python脚本来进行了延迟测试。测试结果显示平均延迟为53.04毫秒,抖动为8.86毫秒。在整个测试过程中,“Caravel 1”始终完全控制着对物联网设备的访问权限,并在测试结束时收回了这些权限,而没有干扰自身的运行。这证明了“Caravels”作为一个解决智能社区中数据及计算资源所有权问题的可行框架的潜力。

虽然本案例研究的参与“Caravels”数量较少,但其模块化架构显示出良好的横向扩展性(如参考文献[21]所示),因此可以在更大规模的社区中推广应用。不过,仍面临一些挑战,例如:
- 随着容器和服务数量的增长,维护和协调这些资源在大量机器上的复杂性不断增加;
- 当同一环境中用户数量增加时,冲突解决机制的扩展性问题;
- 如何通过复杂的偏好结构(包括合并嵌入式强化学习模型)来确保冲突的公平解决。

**6. 结论**
本文提出了“Caravels”版本的升级版,这是一种分布式系统架构,旨在通过容器编排、基于图的用户偏好建模以及建筑间的合作来支持智能社区。在原有架构的基础上,该版本新增了提供个性化及场景感知的服务适应能力,并实现了数据的安全交换。通过三个案例研究,系统证明了其在异构环境中的模块化及高效资源利用能力,能够通过用户友好的图结构促进个体和集体对用户偏好的适应,并通过共享的硬件和软件资源实现建筑间的协作行为。系统在各种场景下保持了低延迟的通信和高度的适应性,包括多用户冲突的解决及建筑间偏好的灵活迁移。

通过集成容器化服务、以用户为中心的建模以及自托管基础设施,“Caravels”为智能环境中的分布式人工智能提供了基础架构。该架构经过科学验证,证明了相互连接的建筑可以高效共享资源,同时保障所有参与者的隐私和自主性。这些特性使得“Caravels”成为实现智能社区愿景的有效手段——在这些社区中,相互连接的建筑共享资源与数据,提供高效且个性化的服务,同时确保所有方的隐私、安全和自主性。此外,该系统还简化了额外软件和硬件的集成,解决了智能环境下分布式人工智能在可扩展性、个性化及数据治理方面的挑战。

随着智能建筑逐渐演变为更广泛的社区中的自主、协作实体,“Caravels”为可持续生活方式的基础设施贡献了分布式、自适应及以用户为中心的智能基础架构。

**CRediT作者贡献声明**
- Luis Gomes:撰写 – 审稿与编辑、原始稿撰写、验证、监督、方法论设计、形式化分析、概念构建
- Rafael Silva:撰写 – 原始稿撰写、可视化设计、验证、软件开发、方法论研究、数据整理、概念构建
- Zita Vale:撰写 – 审稿与编辑、验证、监督、资源管理、项目统筹、方法论设计、资金筹集、形式化分析、概念构建
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号