一种边缘应用部署方法、装置、设备和存储介质

技术领域

本发明涉及部署技术领域，尤其涉及一种边缘应用部署方法、装置、设备和存储介质。

背景技术

MEC(Multi-access Edge Computing，多边缘接入计算)是5G网络的主要网络服务能力之一。MEC在靠近用户侧的位置提供计算、存储、网络等基础设施，为边缘应用提供云服务和IT环境，可以大大减少网络回传带宽，缓解核心网数据传输压力，减少传输时延，为用户提供更好的应用使用体验。

在MEC实际部署边缘应用时，不同于传统的云服务计算平台，MEC的应用部署往往与地理位置之间具有强相关关系，在边缘应用实际运行时，其实际性能表现与边缘节点的工作负载情况，网络情况等因素有很大关系。此时MEC平台便面临在某范围内的所有边缘节点进行综合性能标准评分择优推举的问题。

为此，传统解决方法通常是对状态不健康的边缘节点进行临时扩容，但上述方法可能会存在以下问题：

1)如若指定部署边缘应用的某个边缘节点的空闲资源不足以提供应用部署时，部署方往往需要联系边缘节点提供方进行边缘节点的资源扩容，成本较高。

2)当该边缘节点处于高负载状态时，部署方所部署的边缘应用的性能受到影响。

3)此外，实际部署边缘应用的部署方可能并不关心其应用是否确实部署到了某个具体机房，而是希望该应用能为某片地区的用户提供最好性能的边缘应用服务。

发明内容

本发明提供了一种边缘应用部署方法、装置、设备和存储介质，解决了现有方法的使用成本较高，无法充分复用边缘节点资源，灵活性较低的技术问题。

本发明提供的一种边缘应用部署方法，应用于云端，所述方法包括：

实时获取各个边缘节点的节点状态数据；

对所述节点状态数据进行数据预处理，生成预处理数据；

响应于用户输入的节点部署指令，调整所述预设的节点评分模型中的权重参数，生成目标节点评分模型；

将每个所述预处理数据输入到所述目标节点评分模型，生成每个所述边缘节点对应的节点评分；

根据所述节点评分，从多个所述边缘节点中选取目标边缘节点；

在所述目标边缘节点上部署待部署应用。

可选地，还包括：

获取训练数据；

采用所述训练数据对预设的神经网络模型进行训练，生成训练结果；

根据所述训练结果与所述训练数据对应的实际评分之间的比较结果，调整所述神经网络模型中的权重参数，跳转执行所述采用所述训练数据对预设的神经网络模型进行训练，生成训练结果的步骤；

当所述神经网络模型收敛时，将所述神经网络模型确定为所述节点评分模型。

可选地，所述对所述节点状态数据进行数据预处理，生成预处理数据的步骤，包括：

对所述节点状态数据执行数据标准化处理，生成待归一化数据；

对所述待归一化数据执行数据归一化处理，生成预处理数据。

可选地，所述节点部署指令包括节点部署位置和应用资源需求，所述响应于用户输入的节点部署指令，调整所述预设的节点评分模型中的权重参数，生成目标节点评分模型的步骤，包括：

接收用户输入的所述节点部署位置和所述应用资源需求；

根据所述节点部署位置和所述应用资源需求，确定目标权重参数；

调整所述预设的节点评分模型中的权重参数为所述目标权重参数，生成目标节点评分模型。

可选地，所述节点部署指令还包括节点部署数量，所述根据所述节点评分，从多个所述边缘节点中选取目标边缘节点的步骤，包括：

根据所述节点评分的大小，对所述边缘节点进行排序；

按照所述边缘节点的排序，从多个所述边缘节点中选择与所述节点部署数量相等的所述边缘节点作为目标边缘节点。

可选地，所述在所述目标边缘节点上部署待部署应用的步骤，包括：

在所述目标边缘节点上创建待部署应用的新副本；

当在所述目标边缘节点上接收到从预设网络发送的流量时，删除所述待部署应用在原边缘节点上的原副本，使得所述待部署应用被部署在所述目标边缘节点；

其中，所述流量为所述目标边缘节点所对应的核心网响应发送的网络调用请求，为所述新副本进行路由策略配置后，从所述原边缘节点导流的。

本发明还提供了一种边缘应用部署装置，应用于云端，所述装置包括：

节点状态获取模块，用于实时获取各个边缘节点的节点状态数据；

数据预处理模块，用于对所述节点状态数据进行数据预处理，生成预处理数据；

目标节点评分模型生成模块，用于响应于用户输入的节点部署指令，调整所述预设的节点评分模型中的权重参数，生成目标节点评分模型；

节点评分计算模块，用于将每个所述预处理数据输入到所述目标节点评分模型，生成每个所述边缘节点对应的节点评分；

目标边缘节点选取模块，用于根据所述节点评分，从多个所述边缘节点中选取目标边缘节点；

应用部署模块，用于在所述目标边缘节点上部署待部署应用。

可选地，还包括：

训练数据获取模块，用于获取训练数据；

训练模块，用于采用所述训练数据对预设的神经网络模型进行训练，生成训练结果；

调整模块，用于根据所述训练结果与所述训练数据对应的实际评分之间的比较结果，调整所述神经网络模型中的权重参数，跳转执行所述采用所述训练数据对预设的神经网络模型进行训练，生成训练结果的步骤；

模型确定模块，用于当所述神经网络模型收敛时，将所述神经网络模型确定为所述节点评分模型。

本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的边缘应用部署方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一项所述的边缘应用部署方法。

从以上技术方案可以看出，本发明具有以下优点：

通过实时获取各个边缘节点的节点状态数据，对获取到的节点状态数据进行数据预处理以得到预处理数据，当用户输入到节点部署指令后，基于节点部署指令调整预设的节点评分模型中的权重参数以生成目标节点评分模型；将每个预处理数据输入到目标节点评分模型，生成每个边缘节点对应的节点评分，根据节点评分以从多个边缘节点中选取目标边缘节点，最后在目标边缘节点上部署待部署应用，从而解决了现有方法的使用成本较高，无法充分复用边缘节点资源，灵活性较低的技术问题，降低使用成本，充分复用边缘节点资源，提高资源调配灵活性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种边缘应用部署方法的步骤流程图；

图2为本发明实施例二提供的一种边缘应用部署方法的步骤流程图；

图3为本发明实施例三提供的一种边缘应用部署装置的数据交互图；

图4为本发明实施例四提供的一种边缘应用部署装置的结构框图。

具体实施方式

本发明实施例提供了一种边缘应用部署方法、装置、设备和存储介质，用于解决现有方法的使用成本较高，无法充分复用边缘节点资源，灵活性较低的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种边缘应用部署方法的步骤流程图。

本发明提供的一种边缘应用部署方法，应用于云端，可以包括以下步骤：

步骤101，实时获取各个边缘节点的节点状态数据；

边缘节点指在靠近用户的网络边缘侧构建的业务平台，提供存储、计算、网络等资源，将部分关键业务应用下沉到接入网络边缘，以减少网络传输和多级转发带来的宽度和时延损耗。

节点状态数据包括但不限于边缘节点的性能负载数据、硬件资源数据、地理位置数据等数据。

在本发明实施例中，为实现对各个边缘节点的实时监控，可以实时获取各个边缘节点的节点状态数据，以为后续节点的评分和应用的部署提供数据基础。

步骤102，对所述节点状态数据进行数据预处理，生成预处理数据；

在获取到各个边缘节点的节点状态数据后，由于节点状态数据包括多种异构数据，例如性能负载、地理位置、硬件资源等数据，此时需要对节点状态数据进行数据预处理，以统一数据之间的量纲，生成预处理数据为后续的计算提供便利。

步骤103，响应于用户输入的节点部署指令，调整所述预设的节点评分模型中的权重参数，生成目标节点评分模型；

在本发明实施例中，当用户需要在某一边缘节点上部署应用时，此时可以接收用户输入的节点部署指令，以明确节点部署方的部署偏好信息，以此作为依据调整预设节点评分模型中的权重参数，从而生成目标节点评分模型，以准备为各个边缘节点的性能进行评分，确定边缘节点的优劣性。

步骤104，将每个所述预处理数据输入到所述目标节点评分模型，生成每个所述边缘节点对应的节点评分；

在获取到目标节点评分模型后，由于目标节点评分模型响应于用户输入的节点部署指令也就是已经记录了部署方的部署偏好信息，此时可以将每个预处理数据输入到目标节点评分模型中，以结合部署方的部署偏好信息例如边缘节点的实时性能负载、硬件资源、地理位置和边缘节点需求数量等，可以生成每个边缘节点对应的节点评分。

步骤105，根据所述节点评分，从多个所述边缘节点中选取目标边缘节点；

在得到每个边缘节点对应的节点评分后，可以依据节点评分进行排序所得到的排序结果，从多个边缘节点中选取节点评分较高的目标边缘节点。

步骤106，在所述目标边缘节点上部署待部署应用。

在选取得到目标边缘节点后，可以在目标边缘节点上部署待部署应用，从而保证应用服务的持续可用。

在本发明实施例中，通过实时获取各个边缘节点的节点状态数据，对获取到的节点状态数据进行数据预处理以得到预处理数据，当用户输入到节点部署指令后，基于节点部署指令调整预设的节点评分模型中的权重参数以生成目标节点评分模型；将每个预处理数据输入到目标节点评分模型，生成每个边缘节点对应的节点评分，根据节点评分以从多个边缘节点中选取目标边缘节点，最后在目标边缘节点上部署待部署应用，从而解决了现有方法的使用成本较高，无法充分复用边缘节点资源，灵活性较低的技术问题，降低使用成本，充分复用边缘节点资源，提高资源调配灵活性。

请参阅图2，图2为本发明实施例二提供的一种边缘应用部署方法的步骤流程图。

本发明提供的一种边缘应用部署方法，应用于云端，可以包括以下步骤：

步骤201，实时获取各个边缘节点的节点状态数据；

可选地，本发明可以应用在云端，采用云端连接多个边缘节点的方式，实时获取各个边缘节点的节点状态数据，进一步提高本发明的使用灵活性。

值得一提的是，节点状态数据可以包括如代表节点性能负载状况的CPU占用率，内存使用率，网络吞吐量，最近故障次数，边缘应用意外重启次数，边缘应用服务质量等；代表硬件资源情况的CPU总核心数，内存大小，本地存储空间大小，网络带宽上限等；代表边缘节点的地理位置信息，如经纬度，海拔，对应基站信息等，本发明实施例对此不作限制。

进一步地，为节省计算资源，也可以按一定的周期获取各个边缘节点的节点状态数据，例如一分钟、半小时、一小时等，本发明实时对此不作限制。

步骤202，对所述节点状态数据执行数据标准化处理，生成待归一化数据；

数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上。

在本发明实施例中，在获取到各个边缘节点的节点状态数据后，为进一步提高数据的可比性，可以对节点状态数据进行数据标准化处理，以生成待归一化数据。

步骤203，对所述待归一化数据执行数据归一化处理，生成预处理数据。

数据归一化通常有两种形式，一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，为更加便捷快速，可以归到数字信号处理范畴之内。

在得到待归一化数据后，进一步对待归一化数据进行数据归一化处理，以生成预处理数据。

在本发明的一个示例中，在步骤204之前，本发明还可以包括以下步骤S1-S4：

S1、获取训练数据；

S2、采用所述训练数据对预设的神经网络模型进行训练，生成训练结果；

S3、根据所述训练结果与所述训练数据对应的实际评分之间的比较结果，调整所述神经网络模型中的权重参数，跳转执行所述采用所述训练数据对预设的神经网络模型进行训练，生成训练结果的步骤；

S4、当所述神经网络模型收敛时，将所述神经网络模型确定为所述节点评分模型。

在本实施例中，可以预先获取训练数据，例如各个边缘节点的性能负载数据、硬件资源数据和地理位置数据等，采用训练数据对预设的神经网络模型进行训练，以得到代表该训练数据的评分结果作为训练结果；再采用训练结果与训练数据对应的实际评分进行比较，基于比较结果对神经网络模型中的权重参数进行调整，再次训练直至神经网络模型达到收敛，将此时的神经网络模型确定为节点评分模型。

值得一提的是，神经网络模型可以如下表示：

其中，S为边缘节点的评分结果，n代表节点状态数据的类型总数量，w代表权重参数，d代表指标数据，k为节点状态数据的类型序号。

进一步地，在模型训练的过程中，可以根据不同时间、不同负载情况和不同地理位置等信息，将对应该边缘节点的权重参数进行保存，以便于后续快速使用。

步骤204，响应于用户输入的节点部署指令，调整所述预设的节点评分模型中的权重参数，生成目标节点评分模型；

可选地，所述节点部署指令包括节点部署位置和应用资源需求，步骤204可以包括以下子步骤：

接收用户输入的所述节点部署位置和所述应用资源需求；

根据所述节点部署位置和所述应用资源需求，确定目标权重参数；

调整所述预设的节点评分模型中的权重参数为所述目标权重参数，生成目标节点评分模型。

在本发明实施例中，通过本发明所处的云端接收用户输入的节点部署位置和应用资源需求，根据节点部署位置和应用资源需求，确定目标权重参数并将预设的节点评分模型中的权重参数调整为目标权重参数，以得到目标节点评分模型。

在具体实现中，可以通过在神经网络模型的训练过程中，在边缘节点上运行基准测试应用进行应用响应时延测试，基于时延测试的结果确定不同的节点部署位置和不同应用资源需求所对应的权重参数；在接收到用户输入的节点部署位置和应用资源需求后，从训练过程所得到的多个权重参数中选择对应的权重参数作为目标权重参数；以此结合节点评分模型生成目标节点评分模型。

步骤205，将每个所述预处理数据输入到所述目标节点评分模型，生成每个所述边缘节点对应的节点评分；

步骤206，根据所述节点评分，从多个所述边缘节点中选取目标边缘节点；

进一步地，所述节点部署指令还包括节点部署数量，步骤205可以包括以下子步骤：

根据所述节点评分的大小，对所述边缘节点进行排序；

按照所述边缘节点的排序，从多个所述边缘节点中选择与所述节点部署数量相等的所述边缘节点作为目标边缘节点。

在具体实现中，节点部署指令还可以包括节点部署数量，用户需要的待部署应用可能不止一个，所需要的边缘节点也不仅部署一个，此时可以根据节点评分的大小对对应的边缘节点进行排序，按评分从高到低从多个边缘节点中选择与节点部署数量相等的边缘节点作为目标边缘节点，以等待待部署应用的部署。

进一步地，若是边缘节点上已经部署了应用，则可以根据当前边缘节点的评分和新的候选节点的评分进行进一步对比，在当前运行节点不健康，或有更优节点则对应用进行重新部署。

步骤207，在所述目标边缘节点上部署待部署应用。

在本发明的另一个示例中，步骤207可以包括以下子步骤：

在所述目标边缘节点上创建待部署应用的新副本；

当在所述目标边缘节点上接收到从预设网络发送的流量时，删除所述待部署应用在原边缘节点上的原副本，使得所述待部署应用被部署在所述目标边缘节点；

其中，所述流量为所述目标边缘节点所对应的核心网响应发送的网络调用请求，为所述新副本进行路由策略配置后，从所述原边缘节点导流的。

在本发明实施例中，由于需要保证应用服务的持续可用，因此可以先在目标边缘节点上创建待部署应用的新副本，由本发明所处的预置云端发送网络调用请求，通过核心网为待部署应用的新副本进行路由策略配置后，从原边缘节点将流量导流到目标边缘节点上，再通过云端删除待部署应用在原边缘节点上的原副本，从而使得待部署应用能够被部署在目标边缘节点上，完成待部署应用的重新部署。

在本发明实施例中，通过实时获取各个边缘节点的节点状态数据，对获取到的节点状态数据进行数据预处理以得到预处理数据，当用户输入到节点部署指令后，基于节点部署指令调整预设的节点评分模型中的权重参数以生成目标节点评分模型；将每个预处理数据输入到目标节点评分模型，生成每个边缘节点对应的节点评分，根据节点评分以从多个边缘节点中选取目标边缘节点，最后在目标边缘节点上部署待部署应用，从而解决了现有方法的使用成本较高，无法充分复用边缘节点资源，灵活性较低的技术问题，降低使用成本，充分复用边缘节点资源，提高资源调配灵活性。

请参阅图3，图3为本发明实施例三提供的一种边缘应用部署装置的数据交互图，其中包括应用部署方、云端、核心网和边缘节点1、2……n。

以边缘节点1为例，从边缘节点1采集节点状态数据进行评分模型训练，以生成目标节点评分模型；当应用部署方发送应用部署指令到位于云端的目标节点评分模型时，节点评分模型响应于应用部署指令部署待部署应用到目标边缘节点如边缘节点1、2……n等，并发送请求到核心网；核心网进行待部署应用的路由策略部署和接入流量导流，完成待部署应用的部署过程。

请参阅图4，图4为本发明实施例四提供的一种边缘应用部署装置的结构框图。

本发明提供的一种边缘应用部署装置，应用于云端，所述装置包括：

节点状态获取模块401，用于实时获取各个边缘节点的节点状态数据；

数据预处理模块402，用于对所述节点状态数据进行数据预处理，生成预处理数据；

目标节点评分模型生成模块403，用于响应于用户输入的节点部署指令，调整所述预设的节点评分模型中的权重参数，生成目标节点评分模型；

节点评分计算模块404，用于将每个所述预处理数据输入到所述目标节点评分模型，生成每个所述边缘节点对应的节点评分；

目标边缘节点选取模块405，用于根据所述节点评分，从多个所述边缘节点中选取目标边缘节点；

应用部署模块406，用于在所述目标边缘节点上部署待部署应用。

可选地，还包括：

训练数据获取模块，用于获取训练数据；

训练模块，用于采用所述训练数据对预设的神经网络模型进行训练，生成训练结果；

调整模块，用于根据所述训练结果与所述训练数据对应的实际评分之间的比较结果，调整所述神经网络模型中的权重参数，跳转执行所述采用所述训练数据对预设的神经网络模型进行训练，生成训练结果的步骤；

模型确定模块，用于当所述神经网络模型收敛时，将所述神经网络模型确定为所述节点评分模型。

可选地，所述数据预处理模块402包括：

标准化处理子模块，用于对所述节点状态数据执行数据标准化处理，生成待归一化数据；

归一化处理子模块，用于对所述待归一化数据执行数据归一化处理，生成预处理数据。

可选地，所述节点部署指令包括节点部署位置和应用资源需求，所述目标节点评分模型生成模块403包括：

指令接收子模块，用于接收用户输入的所述节点部署位置和所述应用资源需求；

目标权重参数确定子模块，用于根据所述节点部署位置和所述应用资源需求，确定目标权重参数；

参数调整子模块，用于调整所述预设的节点评分模型中的权重参数为所述目标权重参数，生成目标节点评分模型。

可选地，所述节点部署指令还包括节点部署数量，所述目标边缘节点选取模块405包括：

边缘节点排序子模块，用于根据所述节点评分的大小，对所述边缘节点进行排序；

边缘节点选取子模块，用于按照所述边缘节点的排序，从多个所述边缘节点中选择与所述节点部署数量相等的所述边缘节点作为目标边缘节点。

可选地，所述应用部署模块406包括：

应用新副本创建子模块，用于在所述目标边缘节点上创建待部署应用的新副本；

应用原副本删除子模块，用于当在所述目标边缘节点上接收到从预设网络发送的流量时，删除所述待部署应用在原边缘节点上的原副本，使得所述待部署应用被部署在所述目标边缘节点；

其中，所述流量为所述目标边缘节点所对应的核心网响应发送的网络调用请求，为所述新副本进行路由策略配置后，从所述原边缘节点导流的。

本发明实施例还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一实施例所述的边缘应用部署方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一实施例所述的边缘应用部署方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和子模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。