面向元计算的低延迟感知式容器迁移

元计算是一种新型计算范式，旨在高效利用网络计算资源，提供具有强安全性和隐私保障的容错、个性化服务，并致力于虚拟化互联网作为众多元计算机。在元计算中，任务可基于具有多个层的容器镜像在边缘节点上进行处理。元计算环境的动态性和资源受限特性要求制定最优容器迁移策略，以移动用户 minimizes 延迟。然而，容器迁移在元计算中的问题尚未得到充分探索。为填补这一空白，我们提出低延迟、层感知的容器迁移策略，考虑主动迁移和被动迁移两种方式。具体地：1) 我们在考虑层依赖以降低迁移成本和整体任务持续时间的基础上，提出了容器迁移问题的数学模型，并考虑了四种延迟。2) 我们引入基于策略梯度的强化学习算法，通过识别层依赖进行动作选择，以最小化总体延迟，为主动和被动迁移做出决策。引入专家演示以提升利用效果。3) 使用真实数据轨迹进行实验，结果表明该算法优于基线算法，实现了更低的总体延迟。