0 引言

随着低压台区的建设，分布式可再生能源、储能、可控负荷数量快速增加[1-4]，低压台区通过广泛部署电力物联网（power Internet of Things，PIoT）终端对电力数据进行实时采集并通过电力线通信（power line communication，PLC）将数据卸载到边缘服务器进行计算处理[5-8]，以支撑台区电力数据采集、能源调控、负荷控制和故障监测等业务的运行[9-13]。然而，传统的边缘计算架构已难以满足业务种类及数据量爆发增长下的数据实时处理要求。

容器架构和微服务技术为降低业务数据处理时延提供了解决方案。容器技术利用边缘计算的虚拟化功能，共享同一操作系统内核，并将应用程序与底层系统隔离[14]。微服务技术将不同终端的电力业务分解为轻量级的微服务独立执行以满足不同业务的差异化时延需求[15-16]。通过边缘计算、容器架构和微服务技术的协调融合，将终端产生的微服务数据卸载到边缘服务器的容器中完成处理，可以有效支撑台区业务数据的实时处理[17]。然而，微服务的卸载与处理面临着如下挑战。

1） 微服务差异化处理需求：不同优先级的微服务具有不同的最大容忍时延，需要为其制定差异化服务器和容器选择决策以完成微服务数据卸载与处理。

2） 服务器和容器联合选择的外部性：微服务改变服务器和容器的选择会影响当前选择下其他微服务的处理等待时延，导致微服务的服务器和容器联合选择具有外部性，增加了优化求解的难度。

3） 服务器与容器资源竞争：缺乏微服务优先级感知的微服务卸载方案将导致资源竞争时低优先级微服务抢占高优先级微服务所需容器，无法保障微服务处理的服务质量。

目前，关于微服务实时处理有如下研究。文献[18]基于容器微服务的新型合作式车辆雾云网络，提出了微服务卸载和调度算法，通过任务排序和调度确定最优卸载时间。文献[19]考虑到用户流动性带来的微服务迁移成本，研究了服务部署和请求路由决策的联合优化问题。文献[20]提出了一种考虑成本效益的微服务卸载和调度算法框架，基于估计的资源需求最大化网络资源利用率。然而，上述文献缺少考虑微服务差异化处理需求，在实际应用中存在不同优先级微服务的资源竞争问题。文献[21]提出一种基于资源预测的边缘计算资源调度方案，结合任务的差异化处理需求，根据网络状态和资源预测结果使用强化学习算法制定资源调度的最优策略。文献[22]提出一种基于动态决策的任务调度和微服务计算卸载策略，实现时延敏感型业务的低时延卸载，保障不同微服务的差异化处理需求。然而，上述文献忽略了微服务之间的外部性对调度策略制定的影响。

匹配理论为资源管理问题提供了解决方案。文献[23]提出了多对一稳定匹配算法用于物联网雾计算中高负载情况下的微服务处理，以实现资源的合理分配，减少网络延迟。文献[24]利用匹配理论解决云服务器上的任务调度问题，提高了云服务器的资源利用率，降低微服务的平均处理时间。文献[25]基于匹配理论，将过载单元的数据卸载到新的服务单元，以实现负载均衡。然而，当出现服务器与容器资源竞争时，上述文献忽略了不同匹配结果对不同优先级微服务的处理时延影响，缺少合理的资源竞争解决机制，导致高优先级微服务的容器资源被抢占，难以保障微服务的差异化处理需求。

针对上述问题，本文提出基于容器选择的边端协同台区微服务实时处理方法。首先，提出基于容器选择的边端协同台区微服务实时处理架构；其次，构建微服务处理总时延最小化的优化问题；接着，提出基于经验匹配的低压台区微服务实时处理优化算法求解微服务的服务器与容器联合选择问题。在匹配成本中考虑微服务优先级，通过较少提升高优先级微服务的容器匹配成本，使容器更倾向于被高优先级微服务选择，解决微服务匹配竞争问题。通过不同微服务的最大容忍时延以及历史总处理时延性能比较，动态调节微服务优先级，使不满足时延需求的微服务逐渐提高在队列中的顺序。将服务器与容器组合降低匹配维度，并基于经验性能构建微服务的偏好列表，通过更新经验性能与偏好列表，消除微服务处理等待时延所带来的外部性。进一步通过升价匹配实现优先级感知的微服务数据实时处理。最后，通过仿真验证所提算法的有效性。

1 系统模型

基于容器选择的边端协同台区微服务实时处理架构如图1所示，包括终端层和边缘层。终端层包含部署在分布式新能源、充电桩等电力设备上的PIoT终端，其作为台区的感知节点，支撑台区电力数据采集、能源调控、负荷控制和故障研判等业务运行[26]。业务实现采用微服务架构，通过对不同业务进行独立部署、扩展和维护，使整个系统更加灵活可靠[27-28]，以故障研判业务为例，该业务包括虚拟入口微服务、台区拓扑识别微服务、设备运行数据采集微服务、停电事件获取微服务、故障回路判据计算微服务、故障判定微服务和虚拟出口微服务，时延要求分别为0.23 s、0.32 s、0.31 s、0.21 s、0.27 s、0.14 s、0 s[29]。通过描述各微服务的时延要求，可以反映出不同的微服务的优先级，其中台区拓扑识别微服务、设备运行数据采集微服务、停电事件获取微服务三者并发执行。台区故障研判业务终端采集数据之后执行虚拟入口微服务，而后分类为台区拓扑识别微服务、设备运行数据采集微服务、停电事件获取微服务并同时执行，接着执行故障回路判据计算微服务以及故障判定微服务，最后执行虚拟出口微服务。边缘层包含边缘服务器和网关。其中，边缘服务器基于容器技术将自身丰富的计算资源虚拟化为多个容器，为微服务分配独立计算资源，以保证微服务处理的高效性；网关收集信道状态、容器计算资源等信息为微服务制定服务器和容器选择决策，并根据历史经验动态调节微服务优先级，以满足电力业务微服务数据的实时处理要求。

图1 基于容器选择的边端协同台区微服务实时处理架构
Fig. 1 Container selection-based edge-device collaborative
microservice real-time processing architecture for distribution substation area

考虑T个优化时隙，其集合为T={1,2,… ,t, …,T}。终端共产生O个微服务，集合为M={m 1 , m2 , … , mo ,… , mO}。边缘层有P个边缘服务器，集 合 为G={ g1 , g 2,… , g p , …, gP}，每 个 服 务器的计 算资源虚拟化为Q个容器，服务器gp的容器集合表示为Cp ={c p ,1 , c p ,2 ,… , c p, q ,… , c p,Q }。在每个优化时隙，以故障研判业务为例，将边缘服务器的计算资源虚拟化为多个容器，虚拟入口、台区拓扑识别、设备运行数据采集等微服务需要卸载到不同的容器进行处理，以满足不同微服务的时延需求。为了避免资源浪费以及微服务间的资源竞争，需要进行微服务与容器之间的匹配。

首先由网关收集信道状态、容器计算资源等信息，并制定微服务的服务器和容器选择决策；其次，终端根据服务器和容器选择决策利用PLC将微服务数据卸载到服务器的容器中；然后，微服务数据进入容器的处理队列中等待处理；接着，容器根据优先级顺序对队列中的数据进行串行处理；最后，网关观察微服务处理总时延，并根据历史处理总时延以及最大容忍时延调节微服务优先级。

1.1 微服务卸载模型

定义xo ,p,q(t)为服务器和容器联合选择指示变量，xo ,p,q(t)=1表示微服务mo选择服务器gp的容器cp,q进行数据卸载与处理，否则，xo ,p,q(t )=0。将mo的数据卸载到服务器gp的容器cp,q的传输时延表示为

式中：Wo(t )为mo的数据量大小；Ro ,p(t)为将mo传输到gp的传输速率。

1.2 微服务处理等待模型

由于卸载到容器中的微服务具有不同的优先级，低优先级的微服务需要等待高优先级的微服务完成处理。假设 Ho为优先级高于mo的微服务集合， Ao为优先级等同mo，数据量大于mo的微服务集合，mo在cp,q中的处理等待时间为

1.3 微服务处理模型

容器根据微服务优先级分配计算资源，串行处理微服务数据。微服务mo的数据在服务器gp的容器cp,q中的处理时延表示为

式中：Ψp,q(t)（cycles/s）为cp,q的计算资源；χo（cycles/bit）为处理每比特mo数据所需要的计算资源。

1.4 微服务处理总时延模型

微服务的处理总时延可分为3个部分：微服务卸载时延、微服务处理等待时延和微服务处理时延。微服务mo的总处理时延表示为

1.5 微服务处理优先级动态调节模型

在微服务架构下，由于容器计算资源有限，当海量台区业务同时并发请求处理时，处理时延将会延长，无法满足所有业务需求。相比于电力数据采集业务和故障研判业务，能源调控业务和负荷控制业务对时延的要求更高，因此需要优先满足能源调控业务和负荷控制业务的处理需求。为保证不同微服务的处理总时延更好地满足实时性需求，网关根据历史处理总时延与最大容忍时延动态调节微服务处理优先级，调节过程如图2所示。优先级为po(t )的微服务mo完成处理后，网关收集其历史处理总时延情况，并通过与最大容忍时延对比实现动态调节。具体来说，若mo的处理总时延超过自身最大容忍时延，服务器根据和的历史情况比较，动态调节下一时隙mo的优先级，提高mo在队列中的处理顺序，以降低微服务处理总时延。动态优先级调节可以表示为

图2 微服务处理优先级动态调节过程
Fig. 2 Microservice processing priority dynamic adjustment procedure

式中：po(t)为微服务mo的优先级；β为调整权重；为事件发生指示变量，若mo的处理总时延超过自身最大容忍时延，即则否则，

1.6 优化问题构建

面向台区业务数据实时处理需求，本文考虑基于容器和微服务架构的处理方法，构建微服务处理总时延最小化问题，并通过优化微服务数据卸载策略进行求解。优化问题可以表述为

式中：C1、C2为微服务对边缘层服务器及容器的选择约束，即微服务只能选择一个边缘层服务器的一个容器卸载数据；C3为容器的最大可处理微服务数量约束，即每个容器在每个时隙内最多为个微服务提供数据处理服务。

2 基于经验匹配的低压台区微服务实时处理优化算法

上述优化问题涉及微服务、服务器和容器三者之间的相互选择，是一个混合整数非线性规划问题，具有NP-hard和难以直接求解的特点。针对该问题，本文利用匹配理论，提出一种基于经验匹配的台区微服务实时处理优化算法，通过优化微服务的服务器和容器选择策略，求解所述的混合整数非线性规划问题。

2.1 匹配降维与定义

为满足台区微服务的实时处理需求，本文在边缘计算基础上引入了容器技术，这导致每个边缘服务器的资源被划分为多个容器。台区微服务在选择容器的同时需要考虑服务器的匹配。因此，匹配问题的复杂性被转化为台区微服务、边缘服务器和容器之间的三维匹配问题。为了优化问题的表达，需要考虑服务器与容器之间的紧密关系，并将边缘服务器和容器组合为匹配选项。这样，台区微服务、边缘服务器和容器之间的三维匹配问题被转换为微服务与匹配选项之间的更简化的二维匹配问题，具体匹配降维过程如图3所示。

图3 匹配降维过程示意图
Fig. 3 Diagram of matching dimension reduction process

将不同服务器与容器组合为匹配选项，定义 为L={l1 ,… ,l j ,…,l J }，其 中J=P×Q。当lj, j = pQ - Q +1,… ,pQ，被微服务mo选中时，表示将微服务mo的数据卸载到服务器gp的容器cq进行处理。

定义匹配关系ϖ表示从集合L到集合M的映射，ϖ(lj) = mo表示lj与mo建立匹配关系，即xo ,j(t)=1。微服务的最优解和优化目标的匹配选项选择定义为

公式 （7） 保证每个微服务只能选择一个匹配选项卸载数据。公式 （8） 保证每个匹配选项最多接受个微服务的匹配请求。公式（ 9） 保证lj和mo互相匹配。

为反映微服务与匹配选项之间的偏好程度，定义“≻”为偏好关系，表示为

式中：l j ≻mo l j′表示mo相对lj′更偏好lj，即mo对lj的偏好值εo,j(t)大于对lj′的偏好值εo,j′(t)。

基于上述匹配降维定义，将微服务、服务器和容器的三维匹配问题降维为微服务与匹配选项的二维匹配问题，对公式 （6） 进行降维处理，通过优化微服务的匹配选项选择策略，最小化微服务处理总时延，即

进一步基于公式 （11） 构建微服务与匹配选项间的匹配问题，并通过公式 （10） 得到的微服务与各个匹配选项之间的偏好程度，调整匹配关系，得到微服务的匹配选项选择策略，以执行匹配请求发送等过程，具体如2.2及2.3所述。

2.2 考虑经验性能的偏好列表构建

微服务所选择匹配选项的改变会影响当前匹配结果下其他微服务的处理等待时延，导致微服务的服务器和容器选择具有外部性，增加了优化求解的难度。因此，本文利用历史平均等待处理时延来构成经验性能，并构建考虑经验性能的偏好列表，以消除微服务选择变化带来的外部性。定义εo,j(t)为mo对lj的偏好值，通过传输时延、处理时延、处理等待经验性能和匹配成本计算，表示为

式中：λ0为常数；ρo,j(t)为微服务mo卸载数据到匹配选项lj的匹配成本；为卸载到lj的微服务数据的历史平均等待处理时延，表示为

微服务mo计算匹配选项的偏好值，并通过降序排序偏好值构建偏好列表PLo。显然，在公式 （12） 其他项值不变的情况下，越小，时延性能越好，偏好值越高，匹配选项在偏好列表中排名越靠前。

考虑到每个容器在每个时隙内为微服务提供数据处理服务的数量有限，当选择同一容器的微服务超过容器最大可处理微服务数量时，微服务之间存在匹配竞争问题，通过提高lj的匹配成本ρo,j(t)解决。考虑微服务优先级和经验性能的匹配成本更新公式为

式中：Δρ为匹配升价步长；为考虑微服务优先级和经验性能的升价权重，表示为

对于优先级高、历史等待处理时延低的微服务，匹配选项的匹配成本提升幅度较小，微服务优先级降低较慢。

2.3 所提算法流程

基于经验匹配的低压台区微服务实时处理优化算法流程如图4所示，具体流程如下。

图4 基于经验匹配的低压台区微服务实时处理优化算法流程
Fig. 4 Flowchart of empirical matching-based distribution substation area microservice real-time processing optimization algorithm

1） 初始化：定义当前未参与匹配的微服务为Λ，向lj发出请求的微服务集合为ψj。初始化Λ=M，ψj=∅，xo ,j(t )=0，ρo,j(t)=0，∀mo ∈M，∀lj∈L 。

2） 考虑经验性能的偏好列表构建：微服务mo根据式（ 10） 计算对L 中全部lj的偏好值，接着根据偏好值对lj进行降序排序，构建偏好列表PLo。

3） 基于优先级的升价匹配。

①∀mo ∈Λ根据PLo向偏好值最大的lj发出匹配请求，lj接收到匹配请求后，将对应mo加入集合ψj，并统计收到的匹配请求数量

②若，则lj接受mo∈ψ j的匹配请求，更新Λ=Λ\ψ j，并令对应的xo ,j(t)=1。

若，则lj拒绝mo∈ψ j的匹配请求，并令对应的xo ,j(t )=0，根据式（ 14） 提升匹配成本，将mo∈ψ j加入集合Λ。

③∀mo ∈Λ根据式（ 12） 更新偏好值，并重新构建偏好列表PLo。重复执行3） 过程，直到Λ=∅。

4） 微服务优先级动态调节：网关根据 （5） 调节微服务优先级，令t=t+1，进入下一时隙。

重复执行1）到4）过程，直到t=T。

为进一步说明经验匹配过程，设置基于经验匹配的案例如图5所示。假设基于容器选择的边端协同台区微服务实时处理场景中包含4个当前未参与匹配的微服务，分别为m1、m2、m3、m4，2个容器与服务器组合的匹配选项，分别为l1、l2，匹配选项的配额均为2，即=2。基于算法流程第一步初始化数据。

图5 基于经验匹配算法的匹配案例
Fig. 5 Matching case based on empirical matching algorithm

各微服务向偏好值最大的匹配选项发起匹配请求，当m1选择l1，m2选择l1，m3选择l1，m4选择l2时，匹配选项l1和l2分别更新集合ψ1和ψ2，即ψ1 ={m1 ,m2 ,m3}，ψ2 ={m4}。

由于l2接收到的匹配请求数量，小于配额=2，l2接收到m4的匹配请求，令对应的x 4,2(t)=1，并将m4从集合Λ中移除。

由于l1接收到的匹配请求数量=3，大于其配额=2，向l1发出匹配请求的微服务m1、m2、m3根据式（ 10） 调整自身优先级。∀mo ∈Λ根据式（12）更新偏好值和偏好列表。若此时m1的偏好列表中l2偏好值最大，m2和m3的偏好列表中l1偏好值最大，则当微服务重新发起匹配请求时，m1放弃l1，选择l2，此时m2和m3接收到的匹配请求数量均不大于其配额。所有微服务均匹配完成，未参与匹配的微服务集合Λ更新为空集。

3 算法仿真

3.1 基本参数与对比算法

本文通过MATLAB仿真平台实现对所提算法的性能验证。实验硬件条件为Intel Core i5-8300H处理器以及16 GB运行内存。考虑基于容器选择的边端协同台区微服务实时处理场景，场景中所有终端在每个时隙产生的微服务总数量取值范围为[50, 250]，每个微服务的数据在[0.5, 1.2] Mbits之间均匀分布。微服务分别支持分布式电源管控、负荷需求响应、全景感知3类业务，其优先级设置分别为[3, 2, 1]。边缘服务器数量取值范围为[3, 6]，每个服务器的计算资源所虚拟化容器数量取值范围为[4, 10]。其余仿真参数如表1所示[30-31]。

表1 仿真参数设置
Table 1 Simulation parameters setting

参数名称 参数值时隙数量T 100微服务数量O [50, 250]服务器数量P [3, 6]容器数量Q [4, 10]最大可处理微服务数nmax p,q 5微服务数据量WO [0.5, 1.2] Mbits传输速率R t o,p() [8, 12] Mbits/s计算复杂度χo 103 cycles/bit计算资源Ψp,q(t) 2×1010 cycles/s

本文通过对比以下2种算法来验证所提算法性能，对比算法具体设置如下。

1） 基于历史经验数据的微服务处理方法[32]（historical empirical data-based microservice processing，HED-MP），该算法将历史经验的传输与计算时延作为优化目标，但未考虑微服务在容器中的处理等待时延。

2） 基于上置信界的微服务卸载与处理方法[33]（upper confidence bound-based microservice offloading and processing，UCB-MOP），该算法和本文有着相同的优化目标，通过强化学习进行服务器和容器选择优化，但缺少不同优先级微服务的竞争解决机制。

3.2 仿真结果及分析

图6展示了不同算法下微服务处理总时延随微服务数量的变化情况。随着微服务的数量从100增加到350，所提算法、UCB-MOP和HED-MP的微服务处理总时延分别增加了16.21%、52.38%、69.04%。其原因在于，微服务数量的增加导致容器处理队列中的微服务数量增加，进而增大微服务处理总时延。当微服务数量达到350时，相较于UCB-MOP和HED-MP，所提算法可分别降低微服务处理总时延26.56%和53.19%。这是因为所提算法通过匹配成本和动态优先级调节策略，有效解决了微服务之间的竞争问题，缓解了微服务数量增加带来的处理总时延上升。

图6 微服务处理总时延随微服务数量变化情况
Fig. 6 The total delay of microservice data processing versus the number of microservices

图7展示了不同算法下微服务处理总时延随业务类型的变化情况。随着对应业务优先级的增加，所提算法中微服务处理总时延相继下降了23.07%和46.15%。这是因为所提算法根据微服务优先级和经验性能权重对匹配价格进行更新，实现了高优先级微服务优先处理，降低其处理等待时延。UCB-MOP难以解决微服务选择时的竞争问题，而无法优先满足高优先级微服务的时延需求。HED-MP忽略了不同优先级微服务在容器处理队列的等待时延差异，导致高优先级微服务无法选择更合适的容器完成数据处理，整体时延较高。

图7 不同算法下微服务处理总时延随业务类型变化情况
Fig. 7 The total delay of microservice processing versus the type of service under different algorithms

图8展示了不同业务类型下微服务处理总时延随时隙的变化情况。所提算法下，不同类型业务的处理总时延在t=100 ms时均满足最大容忍时延，同时，更高优先级的微服务有着更低的处理总时延。这是因为所提算法可以根据处理总时延与最大容忍时延比较调节优先级，例如，在t=15 ms之前，算法会倾向于将计算资源丰富的容器与高优先级微服务匹配，因此会占用低优先级微服务的容器资源，导致低优先级微服务总时延上升。t=15 ms之后，低优先级微服务总时延超过最大容忍时延，则适当提高其优先级，根据更新后的优先级调整服务器和容器选择。通过优先级的动态调节，逐渐使所有优先级微服务满足最大容忍时延要求。UCB-MOP通过强化学习进行服务器和容器选择优化，虽然可以满足约束，但由于缺少竞争解决机制，总时延较高。HED-MP忽略了微服务处理在容器中的处理等待时延，导致部分容器资源无法充分被利用，整体时延提高。

图8 不同业务类型下微服务处理总时延随时隙变化情况
Fig. 8 Total delay of microservice processing versus time slots under different types of service

图9展示了不同算法下微服务处理总时延随容器数量的变化情况。仿真结果表明，当容器数量从7增加到10时，所提算法、UCB-MOP和HED-MP的微服务处理总时延分别降低了26.02%、15.71%和13.95%。这是因为随着容器数量的增加，微服务之间的匹配竞争减少，处理总时延降低。同时，所提算法下处理总时延降低幅度最大，这是因为该算法通过观察到的时延性能和经验性能共同决定服务器和容器的选择，可以快速调整微服务选择处理等待时延更短的容器完成数据处理。而UCB-MOP由于资源竞争问题，总时延下降缓慢，HED-MP盲目关注容器计算资源，忽略容器中的微服务数量，导致总延迟减少最慢。

图9 微服务处理时延随容器数量变化情况
Fig. 9 Total microservice processing delay versus the number of containers

表2展示了不同算法下微服务最大容忍时延满足情况。相比于UCB-MOP算法和HED-MP算法，所提算法在最大容忍时延满足率方面提高了33.88%和47.12%，这是由于所提算法通过动态调节不满足最大时延约束的微服务的优先级，提高其在处理队列的处理顺序，降低处理等待时延，且在匹配成本提升中提高其竞争能力，进一步降低总时延，以达到满足最大容忍时延的要求。

表2 不同算法下微服务最大容忍时延满足情况
Table 2 Satisfaction of maximum tolerant delay of microservice under different algorithms

算法名称 最大容忍时延满足率所提算法 89.3%UCB-MOP 66.7%HED-MP 60.7%

4 总结

本文针对低压台区微服务的差异化低时延处理难题，提出基于经验匹配的低压台区微服务实时处理优化算法，利用经验性能动态调节微服务优先级，通过升级迭代匹配实现不同优先级微服务的服务器和容器联合选择优化。仿真结果表明，所提算法在业务优先级感知、微服务总处理时延等方面的性能均有大幅提升。当微服务数量达到350时，相较于UCB-MOP和HED-MP，所提算法可分别降低微服务总处理时延26.56%和53.19%；同时，所提算法可以根据不同业务优先级进行针对性的优化，随着微服务优先级的增加，本文提出的算法中微服务处理的总时延相继下降了23.07%和46.15%，随着时隙的增加，低、中、高3种优先级微服务的处理总时延分别降低了32.25%、29.21%和21.75%。

然而，由于经验匹配利用历史数据构建偏好列表，当低压台区中通信状态与容器的计算资源出现剧烈波动时，可能导致经验信息不准确，影响算法性能，因此经验匹配在基于容器选择的边端协同台区微服务实时处理场景中的使用还存在一定的局限性。未来，为进一步提高通信状态与容器的计算资源存在剧烈波动场景下的微服务实时处理能力，还需针对低压台区的通信状态及计算资源状态预测进行研究。