配用电物联网监控业务的微服务云边部署方法

李波，赵瑞锋，黎皓彬

(广东电网有限责任公司电力调度控制中心，广东 广州510600)

随着配用电物联网的发展，海量分布式电源与配用电智能设备大量接入，对电力自动化系统的信息感知、分析、处理能力提出了更高的要求[1-4]。同时，配电网增量接入对象产生异构多源的数据信息也为实现配用电业务的多元化、生态化提供了支撑[5-8]。然而，现有电力自动化系统存在软硬件强耦合、计算资源冗余等问题，难以适应配电物联网的发展需求，其技术体系和架构形态亟待重构[9-10]。

云边融合的物联网平台突破了传统集中式电网分析控制模式[11-12]，以业务管理协同、计算资源协同、数据智能协同的方式，充分发挥云主站和边缘计算终端各自的优势，从而满足配用电物联网监控业务实时性、安全性、可靠性的需求，并支撑着现有电力自动化系统从“主子站”架构的集中控制模式向“云管边端”架构的分布式协同控制模式转变[13-16]。

为了满足形态多样的业务融合和快速变化的服务要求，微服务成为组织和构建配电物联网业务的关键技术，通过将业务分解为多个微服务和微服务间的相互调用，可以实现业务功能。在配用电物联网软件定义、软硬件解耦模式下，微服务可自由灵活部署在云计算中心和边缘计算终端容器中。合理的微服务云边部署方案一方面能够降低业务延时，更好地满足业务实时性、可靠性的要求，另一方面能提高计算资源的利用率，发挥云计算中心和边缘计算终端冗余资源的价值。因此，研究配用电物联网的微服务云边部署方法具有十分重要的意义。

目前，部署问题可分为计算节点部署和业务应用部署2种，学者们首先研究了云计算或边缘计算的节点部署问题。文献[17]考虑密度和距离2种因素，提出基于聚类思想的边缘控制中心部署方法，以提高通信质量和减轻接入压力；文献[18]针对电缆实时监控的场景建立以经济成本为目标和平均延时为约束的计算节点规划模型，采用遗传算法求解边缘计算节点的部署方案；文献[19]提出一种多目标进化算法，以实现服务质量和可靠性最大化、成本和能耗最小化为目标，求解5G网络边缘设备的部署方案。但是上述文献研究场景并非配用电物联网。在配用电物联网中边缘计算终端应用场景主要为配电台区和配电房，受地理位置、安装空间、计算资源分布、安全分区接入等因素的制约，计算节点的部署位置往往相对固定，可作为已知条件，由此开展关于业务应用部署的研究。文献[20]采用深度强化学习和神经网络训练业务的部署策略，来降低业务的响应延时；文献[21]提出将应用部署于云边的模糊控制系统，以降低业务应用执行延时；文献[22]针对应用应该在边缘设备执行还是云计算中心执行的问题，提出一种动态规划算法来求解计算任务的部署方案。上述文献忽略了不同业务应用间的时序逻辑关系。文献[23]指出配用电物联网业务可被分解为多个微服务，且各微服务间并非独立，具有逻辑约束关系。

针对已有研究的不足，本文提出配用电物联网监控业务的微服务云边部署方法。首先将配用电监控业务拆分成多个微服务，建立配用电监控业务的时序逻辑模型和微服务的云边部署模型；然后采用改进差分进化算法来求解业务延时最小化的微服务云边部署方案；最后通过仿真实验，验证本文方法的有效性。

1 基于时序逻辑的配用电监控业务微服务模型

1.1 配用电监控业务的微服务

本文针对配用电物联网监控业务的功能需求，将配用电物联网监控业务拆分为7个微服务，每个微服务对边缘计算终端、云计算中心而言是一种计算任务，见表1。

表1 配用电物联网监控业务的微服务

1.2 微服务时序逻辑模型

7个微服务之间存在彼此的数据依赖关系，据此建立配用电物联网监控业务的微服务时序逻辑模型，该模型将数据依赖关系转化为孤立型、串联型、并联型和复合型4种连接支路。定义4种支路的组成规则如下：①每个单一微服务原则上可视为一个孤立支路，而并联支路、串联支路和复合支路由多个孤立支路构成；②并联支路由2个及以上的孤立支路并联而成；③串联支路只存在于复合支路中，且由2个及以上的孤立支路或经等效后的孤立支路串联而成；④复合支路上至少存在一个串联支路，可由串联支路和孤立支路并联而成。

依据所提出的4种支路组成规则和配用电监控业务的流程，建立其微服务的时序逻辑，如图1所示。图1中，0、1、2、3、4、5标号为各支路间的节点编号。

进一步建立时序逻辑模型，为计算各支路和业务的总延时大小奠定基础，包括连接矩阵模型、串并关系模型和支路延时模型。

连接矩阵模型L用于描述各微服务所处支路的连接始末关系。L共2行元素，列数取决于业务的微服务个数，每列表示1个微服务。L的第1行元素表示各微服务的起始节点编号，第2行元素表示各微服务的终止节点编号。由图1可得

图1 配用电监控业务的微服务时序逻辑

(1)

串并关系模型X用于描述各微服务所处的支路类型。X共2行元素，列数取决于业务的微服务个数，每列表示1个微服务。X的第1行元素为串联支路编号，第2行元素为并联支路编号，该列所处2行元素均为0表示孤立支路，其中1行元素不为0表示串联或并联支路。由图1可得

(2)

式中：微服务1、2、5、7处于孤立支路，因此其对应列中的2行元素均为0、0；微服务3、4处于同一个并联支路，且为第1个并联支路，因此其对应列中的2行元素均为0、1；微服务6处于串联支路，且为第1个串联支路，因此其对应列中的2行元素为1、0。

延时模型用于表示各支路的延时大小，通过对各支路的延时大小进行等效和整合，可最终得到配用电物联网监控业务的延时。

串联支路模型可通过式(3)计算：

tk1,ser=∑ti,ser，i∈K1.

(3)

式中：tk1,ser为第k1个串联支路的延时；集合K1为第k1个串联支路上的微服务集合；ti,ser为属于集合K1的第i个微服务的延时。

并联支路模型可通过式(4)计算：

tk2,par=maxtj,par，j∈K2.

(4)

式中：tk2,par第k2个并联支路的延时；集合K2为第k2个并联支路上的微服务集合；tj,par为属于集合K2的第j个微服务的延时。

复合支路模型可通过式(5)计算：

tk3,com=maxth,com，h∈Tis∪Ts.

(5)

式中：tk3,com为第k3个复合支路的微服务总延时；集合Tis为属于该复合支路的孤立支路的延时集合；集合Ts为属于该复合支路的串联支路延时集合；th,com为Tis与Ts的并集中第h个微服务的延时。

业务延时可通过对干路上所有延时环节的累加获得，计算式为

(6)

式中：t为该业务延时；tk4,is为第k4个孤立支路上微服务的延时；N4、N2和N3分别为干路上的孤立支路总数、并联支路总数和复合支路总数。

2 配用电监控微服务的云边部署优化方法

本文的优化问题建立在云边协同机制上，需要将微服务部署到云节点或边缘节点，并分配合理的计算资源，以满足配用电监控业务的实时性要求。云节点和边缘节点通过骨干通信网进行通信，通信资源也对业务延时有影响。

2.1 决策变量和目标函数

本文所建优化模型的决策变量为表示第i个微服务部署于边缘计算终端或云计算中心的0-1变量si,e、si,c，以及表示第i个微服务获得的边缘计算终端或云计算中心容器计算资源量的连续变量ci,e、ci,c。

本文以最小业务延时为微服务云边部署模型的目标函数，即

mint.

(7)

孤立支路延时为与该孤立支路对应的微服务i的计算延时ti,cal,is和数据传输延时ti,tra,is之和，即：

tk4,is=ti,cal,is+ti,tra,is；

(8)

(9)

(10)

式中：di,j为第i个微服务与第j个微服务云边通信的0-1变量；θi,cpu、Di分别为微服务i的时钟周期数和数据传输量；Ri,j为微服务i、j间的通信速度，可细分为下行通信速度和上行通信速度，下行通信速度为云计算中心向边缘计算终端传输数据的速度，上行通信速度为边缘计算终端向云计算中心传输数据的速度。

串联支路延时为串联支路上所有微服务的计算延时和数据传输延时之和，即

tk1,ser=∑ti,cal,ser+∑ti,tra,ser，i∈K1.

(11)

并联支路延时为并联支路上微服务的最大计算延时和最大数据传输延时之和，即：

tk2,par=maxti,cal,par+

max(tk2,up,par,tk2,down,par)，i∈K2；

(12)

(13)

(14)

(15)

式中：tk2,up,par、tk2,down,par分别为该并联支路上的微服务上行通信延时、下行通信延时；Di,up、Di,down分别为该并联支路上的微服务i的数据传输量；Ri,j,up、Ri,j,down分别为微服务i、j间的上行通信速度、下行通信速度。

复合支路延时为属于该复合支路的孤立支路和串联支路的延时最大值，

tk3,com=max(tk1,is,tk4,ser),k1,k4∈B3.

(16)

式中：B3为属于该复合支路的孤立支路和串联支路集合。

2.2 约束条件

a)边缘计算终端的计算资源应满足部署于边缘计算终端的微服务计算资源需求，计算资源约束表达式为

(17)

式中：n为微服务总数；CE为边缘计算终端计算资源。

b)云计算中心的计算资源约束。云计算中心的计算资源应满足部署于云计算中心的微服务计算资源需求，计算资源约束表达式为

(18)

式中CD为云计算中心计算资源。

c)微服务部署集合约束。微服务部署集合约束可用0-1变量si,e、si,c来表示，约束表达式为

si,e+si,c=1.

(19)

d)云边通信约束。若前驱微服务与后置微服务同部署于边缘计算终端或云计算中心，则无需进行云边通信，否则需进行云边通信。云边通信的约束表达式为：

li=si,e+2si,c，

(20)

di,j=li-lj.

(21)

式中：li为微服务i的链路变量，相应lj的计算方法与之相同；di,j=1表示前驱微服务与后置微服务部署于不同位置，需要进行云边通信，di,j=0表示前驱微服务与后置微服务部署于相同位置，不需要进行云边通信。

2.3 求解方法

差分进化算法具有结构简单、容易实现、收敛快速等特点，本文采用改进差分进化算法求解，主要步骤如下：

步骤1，输入仿真参数及矩阵L、X；

步骤2，初始化迭代次数g=1，产生初始种群X0；

步骤3，对种群进行变异、交叉操作；

步骤4，使用矩阵X获得最大串联、并联、孤立支路数；

步骤5，使用式(3)—(5)和L、X计算串联、并联、复合支路延时；

步骤6，使用式(6)和L、X计算业务延时；

步骤7，输出业务延时，并对种群进行选择操作；

步骤8，判断迭代是否满足收敛条件，若收敛则输出结果，结束算法流程，若不收敛则返回至步骤4，继续迭代。

3 算例分析

3.1 仿真参数

本文设置的仿真场景包含云节点和边缘节点，二者通过骨干通信网通信，协作完成配用电监控业务。在骨干通信网中存在上行通信链路和下行通信链路。本文配用电监控业务的微服务仿真参数见表2；差分进化算法参数设置包括：迭代次数为400，种群大小为20，交叉概率为0.2，缩放因子上、下限分别0.8和0.2。

表2 业务包含的微服务参数

3.2 微服务云边部署策略分析

采用本文方法求解微服务云边部署并对比其他3种部署策略的结果，见表3，其中策略1为边部署策略，策略2为云部署策略，策略3为均衡部署策略。采用粒子群优化(partical swarm optimization，PSO)算法求解，结果见表4。

表3 改进差分进化算法求解微服务云边部署结果

表4 PSO算法求解微服务云边部署结果

由表3可知：采用策略1时，边缘计算终端的计算资源有限，配用电监控业务的总延时高达63.78 s；采用策略2时，云计算中心提供了充足的计算资源，但由于配用电监控业务的执行结果数据量大，需要从云计算中心依靠下行通信传输至边缘计算终端，该微服务的部署方案业务延时也比本文方法高出10.95 s；采用策略3时，由于部署方案并未得到优化，其业务延时也较高。通过微服务的云边部署优化，能有效发挥边缘计算终端和云计算中心的资源协同优势，降低业务延时。

对比表3和表4可知，采用改进差分进化算法和PSO算法求解本文模型所得的微服务云边部署位置结果一致；改进差分进化算法求得的业务延时结果比PSO算法求得结果较小；本文优化模型目标为最小化业务延时，而PSO算法寻优过程与改进差分进化算法相比较容易陷入局部最优。因此，本文采用改进差分进化算法在寻优深度和求解精度上的效果更好。

3.3 云边计算资源对微服务部署的影响分析

本文分析云边计算资源对微服务部署的影响，分别设定边缘计算终端的计算资源为2 GHz和4 GHz，改变云计算中心的计算资源，分析云边计算资源对微服务部署结果的影响，见表5。

表5 云边计算资源对微服务部署的影响

由表5可知：在相同的边缘计算终端计算资源下，随着云计算中心计算资源增加，部署于云计算中心的微服务数量增加，业务延时减少；在相同的云计算中心计算资源下，随着边缘计算终端计算资源增加，部署于边缘计算终端的微服务数量增加，业务延时减少。从部署结果也可以得出如微服务6、微服务7这种计算所需时钟周期数较多的微服务，一般部署于云计算中心，如微服务1、微服务2、微服务4这种计算所需时钟周期数较少的微服务，一般部署于边缘计算终端。

3.4 云边通信资源对微服务部署的影响分析

本文分析云边通信资源对微服务部署的影响，分别设定下行通信速度为12 MB/s和15 MB/s，改变上行通信速度，分析云边通信资源对微服务部署的影响，结果见表6。

由表6可知：在相同的下行通信速度下，上行通信速度增加虽没有改变微服务部署的方案，但能降低业务延时；在相同的上行通信速度下，下行通信速度增加也没有改变微服务的部署方案，但同样能降低业务延时。影响微服务部署方案的主要因素是边缘计算终端和云计算中心的计算资源，而通信资源对业务部署方案的影响较小。

表6 云边通信资源对微服务部署的影响

4 结束语

本文提出一种配用电物联网监控业务的微服务云边部署方法，建立配用电物联网监控业务的微服务模型，采用改进差分进化算法求解建立的微服务云边部署模型。仿真结果表明，所提方法相比边部署策略、云部署策略和均衡部署策略能有效降低业务的延时，云边的计算资源相较于通信资源对微服务部署结果的影响更显著，且本文方法在寻优深度和求解精度上比现有PSO算法更好。