计算机工程

作者：孔德瑾, 姚晓玲

单位：太原理工大学 财经学院, 太原 030024

关键词：5G网络,边缘计算,资源调度,权重自学习,Kubernetes调度策略

基金：国家自然科学基金（11771321）。

容器云是5G边缘计算的重要支撑技术，5G的大带宽、低时延和大连接三大特性给边缘计算带来较大的资源压力，容器云编排器Kubernetes仅采集Node剩余CPU和内存两大资源指标，并运用统一的权重值计算Node优先级作为调度依据，该机制无法适应边缘计算场景下精细化的资源调度需求。面向5G边缘计算的资源调度场景，通过扩展Kubernetes资源调度评价指标，并增加带宽、磁盘两种评价指标进行节点的过滤和选择，提出一种基于资源利用率进行指标权重自学习的调度机制WSLB。根据运行过程中的资源利用率动态计算该应用的资源权重集合，使其能够随着应用流量的大小进行自适应动态调整，利用动态学习得到的资源权重集合来计算候选Node的优先级，并选择优先级最高的Node进行部署。实验结果表明，与Kubernetes原生调度策略相比，WSLB考虑了边缘应用的带宽、磁盘需求，避免了将应用部署到带宽、磁盘资源已饱和的Node，在大负荷与异构请求场景下可使集群资源的均衡度提升10%，资源综合利用率提升2%。

来源：2021年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2021年第2期