Page 20 - 网络电信2019年6月刊上

解 决 方 案

面向5G边缘计算的Kubernetes资源调度策略

孔德瑾 姚晓玲|太原理工大学财经学院

摘要：容器云是5G边缘计算的重要支撑技术，5G的大带宽、低时延、大连接三大特性给边缘计算带来更
大的资源压力，网络边缘资源非常稀缺，合理、高效的资源调度机制至关重要。广受关注的容器云编排器
Kubernetes仅采集Node剩余CPU、内存两大资源指标，并采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。本文面向5G边缘计算的资源调度场景，扩展了Kubernetes
资源调度评价指标，增加了带宽、磁盘两种评价指标进行节点的过滤和选择，在此基础上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，根据应用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，使得应用的资源权重集合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，选择优先级最高的Node进行部署。实验表明，与Kubernetes原生调度策略相比，
WSLB充分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WSLB机制下集群资源的均衡度提升10%，资源综合利用率提升2%。
关键词：5G、边缘计算、资源调度、权重自学习、Kubernetes

一、概述 浪费。
边缘计算 [1,2] 作为云计算的演进，将应用程序托管方式从集 Kubernetes（K8s）是应用最为广泛的容器云编排管理系
[3]
中式数据中心下沉到网络边缘 ，在靠近用户的网络边缘提供 统 [7] ，将广泛应用于边缘计算场景 [8,9] ，其资源调度策略首先
存储与计算能力，从而降低用户访问延时，是5G网络实现低延 根据用户申明的最小资源需求过滤掉不符合要求的Node，再根
迟和提升带宽速率的关键技术之一。 据Node的剩余CPU利用率、剩余内存利用率作为评价指标，利
容器云 [4,5] 在传统云环境得到广泛应用，是边缘计算的重 用加权求和方式对候选Node评分，选择评分最高的Node进行部
[6]
要支撑技术 ，然而边缘计算具有与传统云计算环境不同的特 署。这种调度策略有以下两点弊端：（1）没有考虑应用对于带
征：从业务场景方面看，AR/VR、4K/8K视频等应用在边缘部署 宽、磁盘等资源的需求，无法对边缘计算场景下带宽、磁盘资
会给边缘云带来了更大的流量压力，此外随着物联网的兴起， 源倾向型应用进行合理的调度；（2）对于需求各异的应用，
边缘计算Node也面临着海量物联网终端超大连接数的压力；从 Kubernetes采用固定的求和权重对Node评分，不能满足应用的
流量特征方面看，移动用户特有的移动性，可能会导致边缘计 个性化资源需求。上述两点不足，导致Kubernetes原生资源调
算流量随着时间、地点而变化，进而触发边缘云内容器的需求 度机制难以适用于5G时代的边缘计算场景。本文面向5G边缘计
变化；从网络环境方面看，受限于部署环境，网络边缘存储、 算场景，提出一种基于权重自学习的Kubernetes容器调度机制
计算、带宽等资源非常稀缺。因此，在5G边缘计算场景下，容 WSLB，致力于将容器应用部署在最优Node上。
器云的资源调度机制将面临更大挑战。若将应用部署在不合适 WSLB针对Kubernetes原生资源调度策略的不足，做出以下
的Node上，会增大扩缩容频次，影响应用的性能并造成资源的 两点改进：（1）扩展评价指标，K8s仅采用CPU、内存作为资源

38 网络电信 二零二零年六月