迈向绿色物联网：雾云连续体中的能量感知容器化服务放置

《Sustainable Computing: Informatics and Systems》：Toward Green IoT: Energy-Aware Containerized Service Placement in Fog-Cloud Continuum

　　

• 本文的主要贡献如下：
• 提出了一个全面的能量感知服务放置模型，适用于物联网-雾-云容器环境，考虑了计算和网络传输能耗、容器生命周期、资源利用率以及SLA约束
• 提出了一种新颖的基于能量的容器化服务调度器（EACSS），由基于GNN的状态编码和分层MAPPO框架组成，以实现可扩展、自适应和可持续的调度
• 引入了绿色机制，包括动态的基于利用率的节点功耗建模、睡眠调度和预热容器池，用于实际调度系统中的节能
• 在高度动态的真实物联网-雾-云连续体中，提出了一个实时且分布式的服务放置决策系统，同时利用集中式云端学习
• 提出了一个定制设计的仿真与评估框架，用于建模容器部署、迁移和能耗动态，能够对能效、延迟合规性和可扩展性进行定量评估
• 提供了实验证据，表明EACSS可实现高达59%的能耗降低，优于集中式及其他最先进的学习方法。

## 引言

如今，随着物联网（IoT）的广泛使用，大量数据在网络内由众多设备生成和交换。这些数据包括设备在各种应用中（如家政服务、交通运输、金融与银行、市政服务和医疗保健）提出的持续服务请求[1]、[2]、[3]。传统上，这些请求被转发到远程云数据中心进行处理[4]。虽然云计算提供丰富的计算资源，但通过长距离传输大量数据会引入相当高的通信延迟，使其不适合延迟敏感型应用。此外，由于运营成本的增加、全球能源危机和环境可持续性，持续的数据传输和云端处理所需的能源已成为一个主要关注问题。

近期研究表明，信息通信技术（ICT）行业约占全球电力消耗10%，贡献了全球温室气体（GHG）排放量的2%至4%，并且由于物联网、边缘计算和人工智能服务的扩展，这一足迹预计将进一步增长[5]。此外，仅数据中心就对气候变化做出了重大贡献，年排放二氧化碳高达1亿吨[6]。因此，降低分布式计算基础设施的能耗已成为迈向可持续计算的重要研究目标。

为了应对这些挑战，雾计算通过在网关、路由器和交换机等异构边缘资源中部署计算和存储资源，将计算和存储资源部署到更靠近终端设备的地方，从而扩展了云服务[7]。这种物联网-雾-云连续体显著降低了通信延迟，同时提高了带宽利用率和服务响应性[8]。然而，如何高效地确定容器化服务应该部署在异构的雾和云资源中的何处——即服务放置问题——仍然是此类环境中最具挑战性的优化问题之一[9]。虽然Docker和Kubernetes等容器化技术提高了可移植性和可扩展性，但也引入了实际挑战，包括容器启动延迟、迁移开销、资源争用和额外的能耗。这些挑战使得传统的静态或启发式调度方法在高度动态的环境中越来越无效。

近期，强化学习（RL），特别是多智能体强化学习（MARL），已成为自适应服务放置的一种有前景的方法，因为它能够在动态工作负载下实现分布式决策。在MARL算法中，多智能体近端策略优化（MAPPO）通过集中训练和分散执行（CTDE）范式提供了稳健且可扩展的学习能力，非常适合分层物联网-雾-云连续体[10]。与此同时，图神经网络（GNN）通过捕获异构计算节点和通信链路之间的拓扑关系，展现了强大的表示图结构环境的能力[11]。将基于GNN的状态表示纳入RL中，使调度策略能够更好地利用分布式计算基础设施的结构特征。

尽管取得了这些进展，仍存在重要挑战。许多现有的能量感知调度器在优化资源分配时，未明确考虑实际的容器管理机制或现实的节能策略。近期的GNN增强方法主要改进状态表示，但往往依赖单智能体学习或忽视物联网-雾-云连续体的分层组织。相反，基于MARL的研究通常对图感知状态建模和容器生命周期管理关注有限。因此，一种联合利用图表示学习、分层多智能体决策和实际的能量感知容器编排的集成框架仍然缺乏。

为了解决这些局限性，本文提出了能量感知容器化服务调度器（EACSS），这是一个将基于GNN的环境编码与MAPPO相结合的分层调度框架，用于优化物联网-雾-云连续体中的能量感知服务放置。在EACSS中，每个雾集群头充当自主调度智能体，做出本地放置决策，而集中式评论家在训练过程中协调全局优化。该框架明确建模了节点功耗、容器生命周期成本、网络能耗和延迟感知的服务水平协议（SLA）。此外，实际的节能机制，包括睡眠调度和预热容器池，被直接纳入调度过程，以在不牺牲服务质量的前提下提高长期能效。EACSS采用半在线训练范式，其中MAPPO模型使用定期收集的轨迹数据进行离线训练，而训练好的策略在线实时执行为服务放置。

与之前分别研究这些方面的研究不同，所提出的框架将基于图的编码、分层多智能体强化学习、现实能耗建模和容器感知调度整合到一个统一的优化框架中。本文的主要科学贡献总结如下：

1. 开发了一个统一的能量感知服务放置模型，在单个优化框架内同时考虑计算能耗、网络传输能耗、容器生命周期开销、资源利用率和SLA感知的延迟约束。
2. 通过将基于GNN的状态编码与MAPPO算法相结合，提出了一种新颖的分层调度框架EACSS，通过集中训练和分散执行实现图感知的分布式调度。
3. 将实际的节能机制（包括动态的单位利用率功耗建模、睡眠调度和预热容器池）集成到强化学习环境和决策过程中，以减少空闲能耗和容器启动开销。
4. 设计了一种自适应的分布式调度策略，其中雾集群头使用本地观测独立做出实时放置决策，同时通过集中式云端学习协同优化整体系统性能。
5. 开发了一个用于建模容器部署、迁移和能耗动态的仿真与评估框架，能够对所提出方法的能效、延迟合规性和可扩展性进行定量评估。

本文其余部分组织如下：第2节回顾了关于能量感知服务放置、雾计算编排和强化学习方法的相关工作。第3节介绍了系统模型并建立了优化问题。第4节描述了所提出的EACSS框架，包括基于GNN的状态编码器和能量感知调度策略。第5节介绍了实验设置、数据集和性能评估。最后，第6节总结了论文并概述了未来的研究方向。

## 相关工作

在当今世界，随着物联网应用的不断增加，对异构物联网-雾-云连续体中高效计算的需求日益增长。在这样的系统中，在保持能效的同时最小化延迟是一个主要挑战。近期的研究聚焦于任务和服务放置的各个方面，包括资源分配、能耗建模以及人工智能（AI）的集成以实现自动调优。本节回顾了最具相关性的工作。

## 系统架构

本研究考虑了一个由物联网层、雾层和云层组成的分层三层计算架构（系统概览见图1）。物联网层包括一组持续生成服务请求的终端设备 I = {i?, i?, …, i_N}。这些服务对应于封装为轻量级容器的应用微功能。物联网设备通常是资源受限的，依赖于附近的雾节点或远程云服务器来处理其请求。

## 所提出的方法：EACSS

所提出的能量感知容器化服务调度器（EACSS）旨在动态地将物联网设备生成的服务容器分配给雾节点或云节点，同时最小化总能耗并满足最低系统利用率和服务级SLA延迟。EACSS将GNN的结构优势与MARL的自适应决策相结合。在雾层中，每个集群头扮演智能体的角色，观察其本地状态，并与……交换有限信息。

## 实验评估

本节对所提出的能量感知容器化服务调度器（EACSS）进行了严格的评估。评估针对EACSS的有效性、鲁棒性和可扩展性问题展开。

## 结论与未来工作

在本工作中，介绍了EACSS，一个面向物联网-雾-云连续体的能量感知调度器。EACSS将图结构节点编码与分散式MAPPO训练机制相结合，并采用确定性的单位利用率功耗建模、节点睡眠和容器预热池管理机制，生成明确权衡处理能耗、网络引起能耗和延迟驱动的SLA罚项的容器化服务放置策略。通过广泛的实验……

## CRediT作者贡献声明

Fatemeh Sarkohaki：撰写 – 初稿，可视化，软件，方法论，调查研究，形式化分析，数据整理，概念化。Mohsen Sharifi：撰写 – 审阅与编辑，验证，监督，项目管理，方法论，概念化。

## 利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Fatemeh Sarkohaki | Mohsen Sharifi