面向移动边缘网络的容器化服务部署框架
录用信息
随着移动边缘智能场景的不断发展，如何在带宽受限、节点异构、网络波动频繁的移动边缘环境中，实现容器化服务的高效部署与快速启动，已成为工业界与学术界共同关注的关键系统问题。
天津大学Edge Big Bang团队聚焦边缘计算场景中容器部署链路冗长、镜像冗余严重等现实瓶颈，提出了面向移动边缘网络的容器部署协同设计框架，并取得了显著的系统性能提升。相关研究成果已被国际顶级期刊IEEE Transactions on Mobile Computing（IEEE TMC）正式录用。
IEEE Transactions on Mobile Computing（IEEE TMC）是移动计算领域的国际顶级期刊，中国计算机学会CCF-A类推荐期刊，同时入选中科院1区Top期刊，最新影响因子为9.2，在国际学术界具有广泛而深远的影响力。课题组博士生沈仕浩的论文《A Co-Design Framework for Container Deployment in Mobile Edge Computing Networks》被该期刊录用。
工作背景介绍
在万物互联背景下，从自动驾驶汽车到工业无人机，边缘设备对服务部署的实时性要求极高。Kubernetes和Docker虽然统治了云端，但当它们下沉到移动边缘计算环境时，却遭遇了严重的性能问题。我们发现，在边缘侧部署容器服务时，常常面临资源缺、传得慢、提取久的挑战：
1. 镜像太“胖”：传统分层结构导致大量重复文件，带宽、存储等资源浪费严重。
2. 网络太“弱”：边缘节点回源拉取镜像，极易受广域网瓶颈限制。
3. 机制太“死”：现有的容器运行时采用镜像逐层提取模式，无法榨干边缘节点的计算性能。
图1：高效部署容器的四个优化维度
针对这些痛点，我们联合多所高校与企业，重新思考了容器的基础生命周期，提出了一套名为BREAK的协同部署框架。
BREAK: 核心机制
BREAK的核心思想在于协同设计，它在保持向后兼容性的前提下，通过以下四个维度的优化，实现了容器部署的全流程加速：
图2：BREAK整体系统结构
1. 镜像低冗余重构：
传统的容器镜像层（Layer）往往存在较强的耦合性，哪怕只改一个文件，整个层都要重新下载。BREAK在镜像仓库引入了镜像重构器。它不破坏标准的层级结构，而是深入文件元数据层面，将镜像拆解为独有层和共享层：
图3：镜像重构方案示意图
2. 边缘协同部署协议：
测量发现，边缘节点之间的网络带宽往往是回源带宽的数倍。为此，BREAK提出支持绕开远端拉取，从邻居节点快速获得，并设计了一套P2P协同机制：
·生成清单：主节点生成部署清单（BDM），告诉工作节点缺的层去哪里下。
·就近取货：优先从同集群的邻居节点（Peer）拉取数据，利用内网高带宽。
·多源并发：支持同时从本地缓存、邻居节点和远程仓库获取数据，最大化利用网络管道。
图4：层级缓存预取示意图
3. 全链路感知调度：
原生K8s调度器对网络和缓存状态是盲目的。BREAK赋予了调度器新的感知能力，实时评分节点间的带宽和RTT，知道哪个节点已经存了所需的层（Layer Locality），调度器会把任务派发到网最好、缓存最多的节点。
图5：自定义调度器示意图
4. 异步并行解压：
传统运行时必须从底至顶逐层提取。对此，BREAK开发了专用的存储驱动，实现了快速作业，下载和解压同时进行，且支持多层乱序并行解压。利用DiffID识别相同内容，创建硬链接避免重复提取。
图6：异步并行提取示意图
实验验证
我们在真实的边缘集群环境中对BREAK进行了严苛测试。结果表明，相比于K8s原生方案和同类竞品：
·资源节省：镜像冗余大小降低了最高3.11倍。
·解压性能：并行异步提取机制将提取时间平均缩短了4.9倍。
·部署速度：BREAK将容器部署过程加速了最高2.1倍。
图7：分析镜像重构对冗余数据的影响
图8：异步并行提取机制对提取延迟的影响
图9：容器化服务部署延迟对比
Shihao Shen, Yicheng Feng, Xiaofei Wang, Qiao Xiang, Hong Xu, Chenren Xu, and Wenyu Wang, ``A Co-Design Framework for Container Deployment in Mobile Edge Computing Networks''. in IEEE Transactions on Mobile Computing (TMC), 2025. (CAS/JCR-1, CCF-A, IF=9.2)
从最初发现数据冗余的细微痛点，到最终重构镜像结构与驱动框架，BREAK的诞生经历了一次次推倒重来的打磨。感谢每一位并肩作战的伙伴在无数个深夜里的代码调试，也感谢来自PPIO一线场景的真实数据支持，让这项研究没有止步于模拟仿真，而是真正扎根于现实世界的约束之中。
本工作受京津冀基础研究合作专项资助。如果您对边缘容器优化感兴趣，欢迎通过上方引用信息查阅论文，或直接与我们联系交流。在边缘计算这片星辰大海中，Edge Big Bang期待与更多同行者相遇！
阅读原文