Performance Evaluation of Automated Multi-Service Deployment in Edge-Cloud Environments with the CODECO Toolkit

本文评估了开源框架 CODECO 在异构边缘云环境中自动化部署多服务应用的能力，实验表明其相较于基础 Kubernetes 工作流能显著减少人工干预，同时保持具有竞争力的运行时性能与资源利用率。

要点

这篇论文讲述了一个关于如何更聪明、更省力地管理“边缘计算”和“云计算”网络的故事。

为了让你更容易理解，我们可以把整个系统想象成一个庞大的物流快递网络。

1. 背景：混乱的快递网络（边缘 - 云环境）

想象一下，你有一个超级大的快递公司（这就是云计算），它负责处理所有的大包裹。但现在，客户不仅想要大包裹，还想要极速送达的小包裹（比如自动驾驶汽车的数据、智能工厂的指令）。

为了做到“极速”，快递公司必须在离客户更近的地方设立小型中转站（这就是边缘计算，比如放在社区、工厂甚至路边的服务器）。

问题出现了：

• 以前，所有包裹都统一由总部的超级大脑（Kubernetes/K8s）指挥。
• 现在，中转站遍布各地，有的用大卡车（高性能服务器），有的用小电驴（树莓派等小型设备），有的路好走，有的路堵车。
• 如果还只用老办法，人工去每个中转站指挥谁送什么、怎么送，不仅累死人（人工干预多），而且反应慢（延迟高），还容易出错。

2. 主角登场：CODECO 工具箱

为了解决这个问题，论文介绍了一个叫 CODECO 的开源工具箱。你可以把它想象成一套**“智能物流调度系统”**。

它不仅仅是指挥，它还能：

• 自动配货：根据路况（网络状况）、车辆类型（硬件性能）和包裹紧急程度（服务质量），自动决定哪个中转站送哪个包裹。
• 自我学习：它能像老练的调度员一样，通过观察历史数据，知道什么时候该把货物转移到另一个站点，避免拥堵。
• 绿色节能：它还会考虑“省油”，尽量让那些更省电的站点多干活。

3. 实验：一场“快递大比拼”

研究人员为了测试 CODECO 好不好用，搞了一场大实验。他们把 CODECO 和传统的“人工 + 老式指挥系统”（纯 K8s）进行了对比。

他们比了什么？

1. 部署速度（Setup Time）： 就像看谁能在最短时间内把新的中转站建好并投入运营。
2. 人工干预（Manual Intervention）： 看谁需要老板（人类管理员）亲自打电话指挥的次数更少。
3. 资源消耗（Resource Footprint）： 看谁更省油（能耗）、更省空间（内存/CPU 占用）。

实验场景很丰富：

• 有的在中转站用超级大卡车（高性能服务器）。
• 有的用小电驴（树莓派，性能较弱）。
• 有的运送普通包裹（简单的测试程序）。
• 有的运送复杂的高档货（像"Bookinfo"这种复杂的微服务应用，模拟真实的电商网站）。

4. 实验结果：CODECO 赢了，但有代价

🏆 最大的胜利：省人！

• 传统方法：建一个中转站，老板得亲自跑断腿，干 19 件事（装系统、配网络、连机器等）。
• CODECO 方法：老板只需要点几下鼠标，系统自动干完了 90% 以上的事。
• 比喻：以前是手工作坊，现在变成了全自动流水线。人工干预减少了 75% 到 90%！

⏱️ 速度表现：稍微慢一点点，但很值得

• 在启动速度上，CODECO 比传统方法稍微慢了一点点（比如多花几秒）。
• 为什么？ 因为它在启动前多花了一点时间“思考”和“规划”（比如计算哪个节点最省电、网络最好）。
• 比喻：就像外卖小哥。传统方法是接到单直接跑（快，但可能跑错路）；CODECO 是先花 3 秒查地图、看路况再出发（起步慢 3 秒，但全程更顺畅，甚至可能更快到达）。对于复杂的任务（大包裹），这种“思考”带来的优势更明显。

⚡ 资源消耗：更费内存，但更聪明

• CODECO 系统本身需要占用更多的内存（就像调度员需要更大的办公室和更多的文件柜）。
• 但在能耗（电费）上，它只比传统方法多了一点点（约 4-10%）。
• 结论：虽然它“吃”内存多一点，但它能帮你省掉大量的人工成本，并且在复杂环境下运行得更稳。

5. 总结：这意味着什么？

这篇论文告诉我们，CODECO 是一个非常有潜力的工具。

• 对于大公司：它能让管理成千上万个分散的服务器变得像管理一个手机 App 一样简单，不再需要一群工程师天天加班手动配置。
• 对于未来：随着自动驾驶、智慧城市、远程医疗的发展，我们需要这种能自动适应各种复杂环境（有的地方网好，有的地方网差；有的设备强，有的设备弱）的“智能大脑”。

一句话总结：
这就好比从**“人工指挥交通”进化到了“智能红绿灯 + 自动驾驶导航系统”**。虽然系统本身稍微复杂了一点点（多占点内存），但它让交通（数据流动）更顺畅，让交警（人类管理员）可以回家休息了。

技术摘要

论文技术总结：CODECO 工具包在边缘 - 云环境中的自动化多服务部署性能评估

1. 研究背景与问题 (Problem)

随着边缘 - 云计算（Edge-Cloud）架构的兴起，微服务和容器化技术（如 Docker 和 Kubernetes, K8s）已成为处理低延迟、计算密集型应用的标准。然而，在异构的边缘 - 云 - 物联网（CEI）连续体中，自动化多服务应用的部署和管理仍面临巨大挑战：

• 异构性挑战：硬件平台多样（ARM, x86, RPi 等），网络条件复杂，资源受限。
• 管理复杂性：传统的 K8s 调度器主要基于单点决策，缺乏跨层（计算、网络、数据）的上下文感知能力，难以在动态环境中实现智能的资源分配和负载迁移。
• 人工干预过多：现有的部署流程往往需要大量手动配置，缺乏可重复性和自动化标准。

2. 方法论与实验设计 (Methodology)

本文评估了 CODECO（认知去中心化边缘云编排）工具包，这是一个开源框架，旨在通过引入认知和策略驱动的控制在 K8s 原生能力之上增强分布式编排。

2.1 核心架构

CODECO 包含五个协同组件：

1. 自动化配置管理 (ACM)：用户入口，将应用需求转化为可部署规范。
2. 调度与负载迁移 (SWM)：替代默认 K8s 调度器，基于预测和跨层优化进行微服务放置。
3. 隐私保护去中心化学习与上下文感知 (PDLC)：作为“大脑”，利用 ML 和规则逻辑计算节点权重，实现上下文感知。
4. 网络管理与适应 (NetMA)：提供网络感知，建立安全的 Pod 间路径。
5. 元数据管理器 (MDM)：提供跨层数据可观测性。

2.2 实验设置

• 实验框架：使用 CODEF（CODECO 实验框架）实现声明式实验规格和自动化部署，确保可重复性。
• 基础设施：在 6 种异构环境中进行测试（INF1-INF6），涵盖：
  • 本地服务器（Intel/AMD）。
  • 边缘设备（Raspberry Pi 5, Jetson AGX Orin）。
  • 云环境（AWS VM）。
  • K8s 发行版：包括标准 K8s 和轻量级 k3s。
• 工作负载：
  • 基础：Pause Pods（批量启动/删除）。
  • 中间：Dummy Frontend-Backend 应用。
  • 复杂：Bookinfo 微服务基准套件。
• 对比基准：Vanilla K8s（无 CODECO 组件）。

2.3 关键性能指标 (KPIs)

1. 部署时间：集群设置、K8s 安装及服务启动/删除的延迟。
2. 人工干预百分比 (MIP)：量化自动化程度。
3. 资源足迹：CPU 利用率、内存消耗及估算的能耗。

3. 主要贡献 (Key Contributions)

1. 量化评估：首次对 CODECO 开源工具包在多服务部署中的自动化和编排性能进行了全面的定量评估。
2. 多基础设施实验：在多样化的硬件配置（ARM/x86）和 K8s 发行版上进行了广泛的实验，涵盖了从实验测试床到真实世界用例（如智慧城市监控、去中心化能源管理、工业 AGV 控制）。
3. 标准化方法论：引入了符合 IETF BMWG 指南的可重用实验方法，支持透明和可复现的研究。
4. 开源数据：所有实验结果、配置脚本和实现代码均已开源，供社区进一步研究。

4. 实验结果 (Results)

4.1 自动化程度 (Manual Intervention)

CODECO 结合 CODEF 显著降低了人工操作：

• 集群部署：人工干预减少 74.7%（从 19 步降至 3 步）。
• K8s 安装：人工干预减少 90.5%（从 42 步降至 4 步）。
• 服务部署：人工干预减少 81.8%（从 11 步降至 2 步）。

4.2 部署与生命周期延迟

• Pod 启动时间：CODECO 相比原生 K8s 有轻微延迟（通常增加几秒），这是为了换取高级的跨层调度能力。
  • 在资源受限的 RPi 节点上，延迟较高，但 CODECO 仍能保持稳定运行。
  • 随着工作负载复杂度增加（如从简单 Pod 到 Bookinfo 应用），CODECO 的相对开销在某些场景下反而降低（例如在 INF2 中，从 1 副本的 +148.7% 降至 50 副本的 +9.5%），表明其编排成本随规模效应被摊薄。
• 删除时间：CODECO 的删除操作与原生 K8s 表现相当，未引入显著的卸载开销。
• 组件耗时：NetMA（网络管理）是安装过程中最耗时的组件（占 34%-64%），表明网络编排是分布式部署的主要扩展瓶颈。

4.3 资源足迹 (Resource Footprint)

• CPU：在空闲状态下，CODECO 增加了约 7.23% (CODEF 环境) 到 4.4% (KinD 环境) 的 CPU 开销。
• 内存：内存开销较为显著。在 3 节点集群中，内存增加了约 4.57 GB；在 20 节点 KinD 环境中，增加了 11.42 GB。这是 CODECO 组件（如 PDLC、MDM）运行所需的主要资源。
• 能耗：由于 CPU 和内存的增加，能耗分别增加了 4.7% (CODEF) 和 10.7% (KinD)。尽管有开销，但在边缘计算场景下被认为是可接受的，以换取智能编排能力。

5. 意义与结论 (Significance & Conclusion)

• 有效性验证：研究证实 CODECO 是边缘 - 云编排的有效解决方案，能够在保持竞争力的性能的同时，大幅减少人工干预。
• 异构适应性：CODECO 成功在从高性能服务器到资源受限的 Raspberry Pi 等多种硬件上运行，证明了其在真实边缘环境中的鲁棒性。
• 权衡分析：虽然 CODECO 引入了额外的内存和少量 CPU/能耗开销，并导致启动延迟略有增加，但这些代价换取了上下文感知、跨层优化和高度自动化的能力，这对于复杂的边缘应用场景至关重要。
• 未来方向：未来的工作将扩展到联邦多集群环境，并引入更复杂的工作负载动态（如突发流量）和故障注入测试，以进一步验证其在大规模分布式系统中的表现。

总结：该论文通过严谨的实验证明了 CODECO 工具包在解决边缘 - 云环境自动化部署难题方面的潜力，为构建更灵活、智能的 K8s 基础架构提供了重要的实践依据。