算力网络场景下SLA约束的能耗优化微服务调度策略.docxVIP

32

32 2023/02/DTPT

算力网络场景下SLA约束的

能耗优化微服务调度策略

1概述

算力是互联网时代的基础能源，正在驱动不同行业的信息化转型。目前，广受关注的云计算、边缘计算、人工智能计算等都属于算力的分支［1］。随着产业信息化、数字化的不断深入，互联网、大数据、云计算、人工智能、区块链等技术不断发展与创新，海量的应用与技术创新对算力提出了新的需求［2］，包括更大的

——————————

收稿日期：2022-12-28

算力供给、更高的计算性能标准和更多样的算力服务需求。因此，将算力与网络深度融合，实现云、边、端多级计算的高效协同部署是必然趋势。2021年5月24日，国家发展改革委、中央网信办、工业和信息化部、国家能源局联合印发了《全国一体化大数据中心协同创新体系算力枢纽实施方案》，文件提出要在全国各地布局建设全国一体化算力网络国家枢纽节点，加快实施“东数西算”工程，提升跨区域算力调度水平［3］。

目前，业内将算力网络的发展主要分为算网分

治、算网协同、算网一体化3个阶段［4］。为了最终实现算网一体化，为用户提供泛在协同的连接与计算服务，算网感知功能、算力路由、算力编排调度等关键技术都是业界研究的重点［5］。微服务架构也是算力网络发展的潜在技术。微服务架构是基于面向服务的架构（ServiceOrientedArchitecture，SOA）思想［6］，将大型项目根据需求拆分为多个小应用服务，每一个小的服务即一个微服务。多个项目的不同微服务可以灵活部署在不同的节点上，有利于提高资源利用率。从2016年开始，为了满足业务部署的个性化、简便化需求，微服务这一架构风格开始普及［7］。目前，各大网络运营商都有自己特色的微服务框架，微服务的普及也

带来了大量的微服务处理需求。在算力网络场景下，采用微服务架构，可以将多

样化异构的算力网络服务请求拆分为多个小应用服务，不同的算力网络服务请求可以共享同一个微服务，从而满足业务个性化、简便化的需求。算力网络中，微服务的部署调用需要考虑微服务部署、微服务请求调度和动态扩缩容3种业务请求。对不同业务请

求调度的合理性直接决定了算力网络的资源利用率

和算力网络服务性能。文献［8］针对边缘计算场景下微服务调度问题，提出了一种新颖的分布式延迟优化的微服务调度机制，实现最小的微服务时延，同时保证传输速率以最大限度降低传输时延。文献［9］提出了一种边缘计算场景下动态微服务调度方案，优化了网络吞吐量、总时延和微服务利用率，为用户提供了公平的网络服务质量，提高了终端用户的满意度。文献［10］提出了一种基于强化学习的在线微服务协调算法来学习最优策略，该算法可以在降低服务延时的同时降低微服务迁移成本。文献［11］提出了一种基于奖励共享机制的深度Q学习算法来解决边缘计算中的多目标微服务部署问题，有效降低了服务平均响应时间，优化了负载均衡，提高了服务执行的可扩展性。现有工作主要集中于边缘计算场景下的微服务部署，考虑的因素包括时延、服务质量、成本等，模型基于边缘计算框架建立，未考虑算力网络场景下，云边端协同调度和网络高动态性。同时，上述模型没有考虑云计算、数据中心、边缘计算发展面临的高能耗问题，降低能耗是服务提供商关注的重点问题之一。

因此，本文从降低能耗和提升网络服务质量的角度出发，研究了微服务调度问题。降低能耗是降低服务成本的关键因素之一。从用户角度出发，服务质量

是用户对算网服务的基本要求。服务层协议（ServiceLevelAgreements，SLA）是指提供服务的企业与客户之间就服务的品质、水准性能等方面所达成的双方共同认可的协议或契约［12］，是解决Web服务中这些问题的

基石。SLA有助于在网络服务之间划分责任和风险，从而使网络服务更加有序。因此，SLA约束下能耗优化调度策略是一种在保障算网基本服务质量的同时，降低服务提供商服务成本的调度策略。

本文针对SLA约束下能耗优化的微服务调度问题，首先针对算力网络调度服务需求特点，建立了算力网络调度框架。在此框架基础上，针对算力网络资源有限性、网络高动态性，建立了网络模型、微服务需求模型、能耗模型、SLA约束模型和资源限制模型。最后，本文以能耗最小作为优化目标，以保障网络的服务质量为约束，建立了马尔可夫决策模型，并利用深度确定性策略梯度（DeepDeter