杨光，韩梅

华中科技大学计算机科学与技术学院

摘要(Abstract)：

随着5G通信技术、物联网（IoT）和人工智能（AI）的快速普及，海量终端设备产生的实时数据呈现爆炸式增长，传统云计算架构在时延敏感型应用场景中面临着网络传输延迟高、核心网络负载过大、边缘资源利用率低等突出问题。云边协同架构将云端的海量计算资源、存储资源与边缘节点的近距离部署优势相结合，实现了“云端统筹、边缘执行”的协同工作模式，为解决上述问题提供了有效技术路径。同时，微服务架构凭借其模块化、可扩展性强、便于迭代维护的特点，已成为分布式应用开发的主流架构，而容器技术作为微服务的核心承载载体，以其轻量化、快速部署、资源隔离性强的优势，为微服务的灵活调度提供了重要支撑。然而，云边协同环境下，边缘节点存在资源异构性强、资源容量有限、网络状态动态变化等固有特性，传统的微服务调度策略多针对单一云端或单一边缘场景设计，难以适配云边协同的复杂环境，导致调度决策存在时延优化不足、资源利用率偏低、服务可靠性难以保障等问题。针对上述挑战，本文开展云边协同环境下基于容器技术的微服务调度策略研究，旨在通过设计高效的调度框架和算法，实现微服务在云边节点间的合理部署与动态调度，平衡系统时延、资源利用率和能耗等多项目标，提升微服务应用的运行性能和服务质量。本文首先系统梳理了云边协同架构、容器技术和微服务调度的相关理论与研究现状，明确了云边协同环境下微服务调度的核心需求和关键挑战；其次，设计了一种面向云边协同的容器化微服务分层调度框架，该框架分为云端全局调度层和边缘局部调度层，实现了全局资源统筹与局部实时调度的有机结合，同时设计了容器镜像管理与动态迁移机制，保障微服务调度的灵活性和高效性；然后，针对云边协同环境的多目标优化需求，提出了一种基于改进遗传算法的多目标微服务调度算法，通过定义时延、能耗、资源利用率为核心优化目标，结合边缘节点容量、服务QoS等约束条件，设计合理的编码方式和适应度函数，实现多目标之间的最优平衡；接着，构建了基于实时监控与强化学习的动态适应机制，通过实时采集云边节点资源状态、网络状态和微服务运行状态，利用强化学习算法实现调度策略的自适应调整，提升调度策略对环境动态变化的适配能力；最后，基于Kubernetes和EdgeX Foundry搭建云边协同仿真实验平台，设计典型IoT应用场景的测试用例，通过对比实验验证所提调度策略在时延、资源利用率、能耗等方面的性能优势，同时通过鲁棒性实验验证其在节点故障和网络波动场景下的稳定性。实验结果表明，本文提出的调度策略相比传统调度策略，在平均时延和最坏时延方面分别降低了28.3%和35.7%，云端和边缘节点的资源利用率分别提升了21.5%和32.1%，系统总能耗降低了24.6%；在边缘节点故障和网络波动场景下，服务可用性保持在99.2%以上，调度决策的稳定性显著优于对比策略。本文的研究成果为云边协同环境下容器化微服务的高效调度提供了理论支撑和实践参考，能够有效推动微服务技术在时延敏感型应用中的落地应用，如智能交通、工业互联网、智慧医疗等领域。

关键词(KeyWords)：

云边协同；容器技术；微服务；调度策略；多目标优化；强化学习；资源利用率；低时延

参考文献(References)：

[1]汤佳伟，郭铁铮，闻英友.基于强化学习的Kubernetes云边协同计算调度算法[J].浙江大学学报(工学版），2025，59(11）：2400-2408.

[2]王凌，吴楚格，范文慧，等.边缘计算资源分配与任务调度优化综述[J].系统仿真学报，2021，33(3）：509-520.

[3]陈娟，王阳，吴宗玲，等.基于深度强化学习的云边协同任务迁移与资源再分配优化研究[J].计算机科学，2024，51(11A）：231100170-10.

[4]张斐斐，葛季栋，李忠金，等.边缘计算中协作计算卸载与动态任务调度[J].软件学报，2023，34（12）：5737-5756.