Page 291 - 《软件学报》2021年第12期

杨术 等:功能分发网络:基于容器的智能边缘计算平台 3955

4.2 部署设定
我们在中国移动网络中部署了 FDN 系统,如图 4 所示.

Fig.4 Deployment of FDN system
图 4 FDN 系统部署
我们将 FDN 控制器以及功能平台部署在杭州,同时在边缘端分别部署了两个性能相同的边缘计算集群,分
别放置于北京和深圳.在功能中心中,我们准备了不同的常见容器镜像,例如图像增强、视频编解码、VR 应用等
常见计算任务,为边缘节点提供软件支持.
在本实验中将以人脸识别作为功能测试,评估 FDN 的计算延迟性能.具体来说,我们在深圳部署了用户(客
户端),通过 DNS 提供的统一接口,每隔 10s 向 FDN 平台提交计算量相同的人脸识别任务.同时,为了保证测试结
果的准确性,我们令客户端请求过程持续大约 10 分钟,测试任务总数为 60 个,并统计任务的计算延迟.为了简单
起见,两个边缘计算集群的初始状态都是一样的,包括闲置资源、网络流量以及各类硬件设备等.我们定义一个
任务的计算延迟为该任务从上传到边缘服务器返回结果所需要的时间.我们将分别测试并比较两个边缘计算
集群的计算延迟,以判断不同边缘计算集群对于任务计算延迟的影响.同时,我们将展示 FDN 控制器的资源使
用情况,并用 CPU 利用率作为评估指标,以评估控制器计算编排策略时的计算负载情况.
4.3 测试结果
两个边缘计算集群的计算延迟如图 5 所示,其中,横轴是任务的索引,纵轴是任务的计算延迟,单位是 ms.从
图中可以看到,位于深圳的边缘计算集群的计算延迟明显小于北京的计算集群.其中:深圳计算集群的平均计算
延迟为 137.82ms;而北京计算集群的平均延迟为 392.16ms,超过了深圳计算集群平均延迟 65.1%.这是因为位于
深圳的边缘计算集群距离用户更近,因此任务的计算延迟更小,而这些任务也被编排到深圳的边缘计算集群进
行计算.这说明我们的 FDN 系统能够根据延迟等计算资源信息,将任务调度到更合适的集群,最小化任务的计
算延迟.同时,对于用户来说,FDN 系统能大大提高复杂任务的计算速度,满足了许多应用实时性的需求.FDN 控
制器的 CPU 资源利用率如图 6 所示,其中,横轴代表任务的索引,纵轴代表 CPU 的资源利用率并且均为百分数.

Fig.5 Latency performance of edge clusters Fig.6 Utilization of FDN controller
图 5 边缘计算集群的计算延迟 图 6 控制器的 CPU 利用率