基于邊緣計算模型的智能視頻監(jiān)控系統(tǒng)的設(shè)計

曾德生 駱金維 龐雙龍 謝品章 陳曉丹

摘要：面對視頻監(jiān)控的應(yīng)用場景及技術(shù)需求，以云計算為代表的集中式數(shù)據(jù)處理模型在資源需求方面開銷較大，過度依賴于云計算中心的網(wǎng)絡(luò)帶寬，在實時性等方面也難于滿足視頻處理的需求。本文提出一種適用于視頻監(jiān)控場景的邊緣計算模型，從計算、網(wǎng)絡(luò)帶寬和存儲3種主要資源為切入點(diǎn)，設(shè)計系統(tǒng)架構(gòu)，在利用邊緣節(jié)點(diǎn)的計算能力完成視頻的預(yù)處理，構(gòu)建Docker容器化平臺，采用分級調(diào)度策略，降低網(wǎng)絡(luò)擁塞問題。通過測試，該模型可以有效降低視頻監(jiān)控場景下的計算、存儲及網(wǎng)絡(luò)傳輸?shù)乳_銷。

關(guān)鍵詞：邊緣計算模型;智能視頻監(jiān)控;Docker容器;調(diào)度策略

0引言

近年來，本校以建立智慧校園體系為目標(biāo)，啟動了信息化改造升級工程，其核心目標(biāo)是建立綜合安全監(jiān)控系統(tǒng)。在圖書館、教室、走廊、校道及其它公共場所部署大量的攝像機(jī)，以滿足各類安防視頻采集的要求。然而，海量視頻信息的產(chǎn)生也給信息化系統(tǒng)建設(shè)帶來了存儲、傳輸?shù)确矫娴膯栴}。

云計算技術(shù)已日趨成熟，應(yīng)用也越來越廣泛。利用云計算技術(shù)構(gòu)建智慧校園體系，采用資源整合的方式，可以降低項目建設(shè)成本，為用戶帶來按需擴(kuò)展等優(yōu)點(diǎn)。但集中式資源管理方式，在面對監(jiān)控系統(tǒng)的應(yīng)用場景，存在資源需求方面開銷較大的問題。海量視頻的傳輸、存儲及分析都將消耗云計算中心的大量資源。在實時性方面也難于滿足視頻處理的需求。

基于上述問題，本文提出在智慧校園體系中，部署基于邊緣計算的視頻采集框架及容器化應(yīng)用。在邊緣計算模型的視頻監(jiān)控系統(tǒng)中，利用邊緣節(jié)點(diǎn)部署運(yùn)動偵測算法，對邊緣設(shè)備采集的視頻流進(jìn)行運(yùn)動目標(biāo)檢測等預(yù)處理，減少冗余信息，降低系統(tǒng)對存儲及傳輸?shù)男枨?。部署容器化平臺，帶來更好的調(diào)度特性，解決邊緣計算節(jié)點(diǎn)的資源調(diào)度問題，提高云計算中心的整體性能。

1 相關(guān)工作

1.1邊緣計算

隨著技術(shù)的發(fā)展變革，智能終端的普及，應(yīng)用場景越來越復(fù)雜。以云計算模型為代表的集中式數(shù)據(jù)處理模式，已經(jīng)不適用于海量實時數(shù)據(jù)的處理。如直播、在線教育、智慧城市、智能安防等。針對這一問題，以“數(shù)據(jù)處理應(yīng)更靠近數(shù)據(jù)源頭”為核心理念的邊緣計算模型應(yīng)運(yùn)而生。

邊緣計算（Edge Computing，EC）經(jīng)過近年的發(fā)展，其定義和說法有多種，邊緣計算產(chǎn)業(yè)聯(lián)盟對邊緣計算的定義是指在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用核心能力的開放平臺，就近提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷連接、實時業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求。它可以作為聯(lián)接物理和數(shù)字世界的橋梁，使用智能資產(chǎn)、智能網(wǎng)關(guān)、智能系統(tǒng)和智能服務(wù)。

1.2 智能視頻監(jiān)控

智能視頻監(jiān)控系統(tǒng)（Intelligent Video SurveillanceSystem，IVSS）是指不需要人工干預(yù)的情況下，利用計算機(jī)視覺、圖像及視頻分析算法，對視頻采集設(shè)備所拍攝的流式視頻圖像進(jìn)行分析，對視頻中的運(yùn)動目標(biāo)進(jìn)行檢測、識別和跟蹤，在此基礎(chǔ)上對目標(biāo)進(jìn)行分析和行為判斷。當(dāng)發(fā)現(xiàn)異常情況時進(jìn)行告警處理。

在智能視頻監(jiān)控系統(tǒng)中，一般包含視頻采集、圖像預(yù)處理、運(yùn)動目標(biāo)檢測、運(yùn)動目標(biāo)跟蹤、運(yùn)動目標(biāo)分類、行為描述與理解和告警處理模塊。相較于傳統(tǒng)的監(jiān)控系統(tǒng)，智能視頻監(jiān)控系統(tǒng)具有許多優(yōu)點(diǎn)：

（1）準(zhǔn)確率高。在系統(tǒng)的前端集成視頻采集、分析模塊，用戶可以根據(jù)需要對異常情況的特征進(jìn)行詳細(xì)定義，降低漏報和誤報，提高告警的準(zhǔn)確率。

（2）響應(yīng)速度快。系統(tǒng)中可以實現(xiàn)自動檢測功能，識別異常情況，告警模塊可以迅速提示安保人員查看監(jiān)控系統(tǒng)或趕赴現(xiàn)場。可以提高異常事件的處理速度。

（3）可靠性高。系統(tǒng)可以實現(xiàn)7*24全天候的自動分析處理功能，減少了現(xiàn)場人工監(jiān)視，避免監(jiān)視人員因疲勞等情形忽略視頻中的異常情況。

在智慧校園體系中，監(jiān)控系統(tǒng)使用大量的攝像機(jī)進(jìn)行7* 24小時的監(jiān)控，將產(chǎn)生海量的視頻數(shù)據(jù)。因此，通常在視頻采集模塊加入運(yùn)動目標(biāo)檢測算法，在邊緣節(jié)點(diǎn)對實時視頻流進(jìn)行預(yù)處理。提高視頻的處理效率，避免了云計算中心產(chǎn)生大量的計算開銷;算法可以篩選出有效視頻幀，減少監(jiān)控視頻中的冗余信息，有效降低大量視頻采集設(shè)備獲取的海量視頻信息對存儲空間及網(wǎng)絡(luò)帶寬等方面的開銷，達(dá)到節(jié)約建設(shè)成本的目的。

1.3 容器化調(diào)度

云計算是一種將計算資源按需供應(yīng)給用戶的新型商業(yè)模式，能滿足用戶復(fù)雜的動態(tài)資源需求，從而減少用戶在購置基礎(chǔ)設(shè)施及硬件維護(hù)成本方面的投入。傳統(tǒng)的中心化、粗粒度的虛擬化架構(gòu)，不太適合于海量視頻信息的處理。

Docker容器技術(shù)的出現(xiàn)為云計算以及企業(yè)IT架構(gòu)的演進(jìn)帶來了新的革命。Docker相較于傳統(tǒng)虛擬化技術(shù)減少了Hypervisor層帶來的性能消耗，大幅提高了虛擬化性能，為云上部署的計算集群的性能優(yōu)化提供了良好的基礎(chǔ)。實現(xiàn)容器化應(yīng)用平臺。通過提供視頻處理的鏡像文件，簡化了每個邊緣計算節(jié)點(diǎn)部署的重復(fù)性工作，降低了部署的復(fù)雜性，實現(xiàn)敏捷化部署。

充分利用Docker容器的特性，獲取節(jié)點(diǎn)的資源狀態(tài)信息，為邊緣計算模型的資源調(diào)度提供支撐，提高資源利用率，達(dá)到節(jié)約建設(shè)成本的目的。

2 視頻監(jiān)控需求分析

2.1 運(yùn)動檢測功能需求

在監(jiān)控場景中，往往存在大量的攝像機(jī)，如果需要及時發(fā)現(xiàn)異常情況，通常都要安排大量的人工對視頻進(jìn)行7* 24小時的實時排查。同時，因為視頻信息流具有持續(xù)性的特征，視頻信息的傳輸也將帶來巨大的網(wǎng)絡(luò)負(fù)載：隨著時間的推移，監(jiān)控系統(tǒng)產(chǎn)生的視頻數(shù)據(jù)也將帶來巨大的存儲壓力。如果將這些海量視頻數(shù)據(jù)直接上傳到云計算中心，一方面視頻信息的處理需要消耗大量的計算資源，另一方面數(shù)據(jù)的傳輸和存儲也將面臨巨大的壓力。

監(jiān)控場景中視頻信息的存儲，其最主要的目的是記錄場景中的變化信息及可疑信息，如果不采用合適的技術(shù)或方法，監(jiān)控系統(tǒng)將占用較大的網(wǎng)絡(luò)帶寬，傳輸長時間記錄無變化的監(jiān)控場景，有效信息含量低，視頻信息也失去了存儲的意義。

因此，在智能視頻監(jiān)控系統(tǒng)中。運(yùn)動檢測技術(shù)是最基本也是最重要的技術(shù)。這種技術(shù)通過合適的算法，檢測視頻數(shù)據(jù)流中的運(yùn)動目標(biāo)，替代人工識別的工作。通過設(shè)置一定的參數(shù)，發(fā)現(xiàn)運(yùn)動目標(biāo)在監(jiān)控場景中的運(yùn)動特征或位置信息，實現(xiàn)自動告警或判斷視頻信息是否達(dá)到存儲或傳輸備份的要求，可以有效的節(jié)省存儲空間，降低網(wǎng)絡(luò)傳輸?shù)膲毫Α?/p>

在各類運(yùn)動檢測算法中以光流法、背景差分法和幀間差分法最為常見。

2.1.1 光流法

光流法最初是由Horn和Schunck提出。將二維速度場與灰度關(guān)聯(lián)，引入約束方程，得到光流計算的基本算法。光流法算法較為簡單，易于實現(xiàn)，但是當(dāng)光照變化、物體被遮擋時，會影響光流場的分布，將增加算法的運(yùn)算量，針對實時應(yīng)用場景時存在一定的缺陷。

2.1.2背景差分法

背景差分法通過選取特定的圖像作為背景幀，然后將當(dāng)前需要判斷的視頻幀或圖像與背景幀做差分運(yùn)算，進(jìn)而判斷是否存在運(yùn)動目標(biāo)，背景差分算法的處理過程如下：

（1）選取沒有運(yùn)動物體進(jìn)人監(jiān)控畫面時的圖像作為背景幀，定義為background（x，y）;

（2）選取當(dāng)前需要比較判斷的幀，定義為frame_k（x，y）;

（3）設(shè)定閾值為T，將當(dāng)前幀frame_k（x，y）與背景幀background（x，y）做差分運(yùn)算，差分的結(jié)果與閾值T進(jìn)行比較，二值化得到運(yùn)動目標(biāo)。如果大于閾值T，則判斷有運(yùn)動目標(biāo)，如果小于等于閾值T，則判斷為沒有運(yùn)動目標(biāo)。形式化計算公式表示如下：

detect（x，y）為當(dāng)前幀與背景幀經(jīng)過差分運(yùn)算、二值化后得到的二值圖像，僅當(dāng)detect（X，y）=1時，表示偵測到運(yùn)動目標(biāo)。背景差分法只需要進(jìn)行一幅幀的差分檢測，速度快，準(zhǔn)確度高;但是背景差分算法很大程度上依賴于背景幀background（x，y）的可靠性，如果光照、陰影等變化，需要不斷的調(diào)整背景幀，以適應(yīng)環(huán)境的變化，因此，背景差分算法較適合于固定攝像機(jī)。

2.1.3兩幀差分法

兩幀差分法通常也稱為幀間差分法，其算法設(shè)計思路與背景差分相似，采用改進(jìn)的方式，選取相鄰的兩幀圖像，將當(dāng)前幀。frame_k（x，y）與上一幀。frame_k-1（x，y）進(jìn)行灰度化處理后，進(jìn)行差分運(yùn)算，幀間差分法不會受到緩慢光線變化的影響，算法簡單易實現(xiàn)。形式化計算公式表示如下：

但只能檢測到前后兩幀變化的部分，不能檢測到重疊部分，易出現(xiàn)邊緣模糊不完整等問題，當(dāng)物體移動緩慢時會出現(xiàn)誤判或空洞現(xiàn)象。

2.1.4三幀差分法

在兩幀差分法的基礎(chǔ)上。研究學(xué)者提出了三幀差分法，基本思路是提取連續(xù)三幀圖像frame_k-1（x，y），frame_k（x，y），frame_k+1（x，y），算法流程如圖1所示。

算法計算過程如下：

（1）將第k-1幀與第k幀按公式（2）進(jìn)行幀間差分法運(yùn)算，得到detect₁（x，y）;

（2）將第k幀與第k+1幀按公式（2）進(jìn)行幀間差分法運(yùn)算，得到detect₂（x，y）;

（3）將detect₁（x，y）與detect₂（x，y）的計算結(jié)果進(jìn)行與運(yùn)算，形式化的計算公式表示如下：

其中，DETE（x，y）是邏輯與的運(yùn)算結(jié)果，與兩幀差分法類似，三幀差分法在檢測運(yùn)動目標(biāo)的過程中，仍存在空洞現(xiàn)象，但是三幀差分法可以定位出運(yùn)動目標(biāo)在監(jiān)控畫面中的位置，提高了運(yùn)動檢測的精確度，檢測結(jié)果比兩幀差分法更準(zhǔn)確。

基于上述運(yùn)動檢測算法的分析，在本文的研究過程中，可以采用三幀差分法實現(xiàn)運(yùn)動檢測模塊，構(gòu)建校園網(wǎng)的視頻監(jiān)控系統(tǒng)，降低系統(tǒng)構(gòu)建的難度，實現(xiàn)對視頻信息的選擇性存儲，篩選出有效視頻幀，減少監(jiān)控視頻中的冗余信息，達(dá)到提高視頻信息有效性的目的。同時，降低大量視頻采集設(shè)備獲取的海量視頻信息對存儲空間及網(wǎng)絡(luò)帶寬等方面的開銷，達(dá)到節(jié)約建設(shè)成本的目的。

2.2 存儲與網(wǎng)絡(luò)帶寬需求分析

2.2.1 攝像機(jī)碼流分析

為滿足智慧校園的建設(shè)要求。在監(jiān)控系統(tǒng)中以選用高清規(guī)格的攝像機(jī)為主。攝像機(jī)的規(guī)格各異，產(chǎn)生的數(shù)據(jù)量也各不相同。以HD數(shù)字?jǐn)z像機(jī)為例，按2048Kbps碼流進(jìn)行計算，每個攝像機(jī)每小時產(chǎn)生約900M的視頻數(shù)據(jù)。每天產(chǎn)生大約21G新視頻數(shù)據(jù)。三種常見規(guī)格的攝像機(jī)，產(chǎn)生的視頻數(shù)據(jù)見表1.

2.2.2 視頻數(shù)據(jù)傳輸與存儲分析

以教學(xué)樓為例，樓層建筑為回字形，上下方為走廊通道，左右兩邊各分布5間教室。每個樓層有10間教室，上下左右共計4個廊道。綜合監(jiān)控系統(tǒng)的建設(shè)成本，4個廊道的兩端各選用安裝1路FHD數(shù)字?jǐn)z像機(jī)，在每個教室中選用安裝2路HD數(shù)字?jǐn)z像機(jī)，每個樓層合計28路兩種規(guī)格的攝像機(jī)。

在系統(tǒng)正常運(yùn)行時。智能視頻監(jiān)控系統(tǒng)中的每路攝像機(jī)都將實時產(chǎn)生兩個數(shù)據(jù)流，用于實時監(jiān)控傳輸?shù)囊曨l數(shù)據(jù)流和視頻數(shù)據(jù)文件傳輸至云計算存儲中心的存儲數(shù)據(jù)流。當(dāng)發(fā)生應(yīng)急情況時，監(jiān)控中心的工作人員需要實時查看視頻監(jiān)控內(nèi)容，云計算的存儲中心也將實時存儲視頻信息，監(jiān)控系統(tǒng)的網(wǎng)絡(luò)帶寬將達(dá)到最大需求。

以表1中攝像機(jī)規(guī)格為例，當(dāng)應(yīng)急情況發(fā)生時，每個樓層實時產(chǎn)生的最大視頻數(shù)據(jù)流和最大存儲數(shù)據(jù)流均為：4Mbps* 8路+2Mbps* 20路=72Mbps。因此，按樓層計算，最大的網(wǎng)絡(luò)帶寬需求合計為144Mbps，對云計算中心的存儲寫入的最大速率要求為72Mbps。按相同的建設(shè)規(guī)格進(jìn)行部署，若整幢建筑物發(fā)生應(yīng)急情況，以6個樓層進(jìn)行計算，最大的傳輸帶寬需要864Mbps，最大存儲寫入速率需求為432Mbps。

2.3 管理需求分析

智能視頻監(jiān)控系統(tǒng)一般都包含了視頻采集、圖像預(yù)處理、運(yùn)動目標(biāo)檢測、運(yùn)動目標(biāo)跟蹤、運(yùn)動目標(biāo)分類、行為描述與理解和告警處理模塊，相應(yīng)管理功能的需求也是圍繞上述模塊進(jìn)行設(shè)計，提升系統(tǒng)的準(zhǔn)確率和響應(yīng)速度，提高系統(tǒng)的整體可靠性，為管理人員提供便捷的管理功能。

基于邊緣計算模型的視頻監(jiān)控系統(tǒng)，相較于傳統(tǒng)的IVSS，除包含上述所涉及的功能，采用邊緣計算模型，分散式的在邊緣節(jié)點(diǎn)對視頻信息進(jìn)行預(yù)處理，存儲初期數(shù)據(jù)。因此，設(shè)計采用容器技術(shù)，構(gòu)建容器化的資源調(diào)度平臺，采用合適的策略，實現(xiàn)網(wǎng)絡(luò)帶寬資源的調(diào)度控制，上傳視頻文件至云計算中心，實現(xiàn)視頻文件的備份存儲，降低網(wǎng)絡(luò)負(fù)載和存儲空間的需求，提高資源利用率，達(dá)到降低系統(tǒng)建設(shè)成本的目的。

3 方案設(shè)計

3.1 體系架構(gòu)設(shè)計

以教學(xué)樓的結(jié)構(gòu)進(jìn)行體系架構(gòu)圖設(shè)計，基于邊緣計算模型的智能視頻監(jiān)控系統(tǒng)規(guī)劃為以下4個角色：邊緣計算單元（Edge Computing Unit，ECU）、智能視頻監(jiān)控單元（Intelligent Video Surveillance Unit，IVSU）、邊緣計算節(jié)點(diǎn)（Edge Computing Node，ECN），云計算數(shù)據(jù)中心（Cloud Computing DataCenter，CCDC）。體系架構(gòu)如圖2所示。

（1）ECU。邊緣計算單元，具有一定計算能力，可以實現(xiàn)對攝像機(jī)采集的視頻信息進(jìn)行預(yù)處理，并提供文件存儲及網(wǎng)絡(luò)傳輸功能。在后續(xù)模型驗證中，采用樹莓派Zero w單板計算機(jī)，底層安裝Linux，為后續(xù)提供Docker調(diào)度接口。

（2）IVSU。智能視頻監(jiān)控單元，在ECU模塊的基礎(chǔ)上，安裝motionEyeOS及CSI攝像頭實現(xiàn)智能視頻監(jiān)控單元，部署視頻采集點(diǎn)，如：教室、走廊、實訓(xùn)室、圖書館等。

（3）ECN。邊緣計算節(jié)點(diǎn)，具有較高的計算能力，并可以提供較大的存儲空間，用于臨時或長期存儲IVSU產(chǎn)生的視頻數(shù)據(jù)?？梢愿鶕?jù)攝像機(jī)的數(shù)量選擇服務(wù)器或其它通用計算機(jī)作為硬件支撐環(huán)境，易于部署容器化平臺，為后續(xù)資源調(diào)度及模型驗證提供支持。

（4）CCDC。云計算數(shù)據(jù)中心，部署大量的服務(wù)器及存儲硬件，采用KVM、VMware等平臺或工具，構(gòu)建云計算資源管理中心，為智能視頻監(jiān)控系統(tǒng)存儲海量的視頻信息。

3.2 視頻采集框架設(shè)計

進(jìn)行視頻采集框架設(shè)計時，在保障可用性的情況下。采用樹莓派作為視頻采集框架的硬件基礎(chǔ)設(shè)施，降低建設(shè)成本。基于開源平臺部署容器，在去中心化環(huán)境中，提供調(diào)度策略的支持。

3.2.1 開放式硬件架構(gòu)

樹莓派（Raspberry Pi）是一個開放式，易于擴(kuò)展的小型的單板計算機(jī)，功耗低，可按需定制，提供所有預(yù)期的功能或能力。廣泛用于實時圖像、視頻處理和基于IoT的各類應(yīng)用程序。視頻采集框架采用由樹莓派Zero W作為核心組件的邊緣節(jié)點(diǎn)，通過加載CSI攝像機(jī)，用于實現(xiàn)監(jiān)控系統(tǒng)的視頻采集功能。

樹莓派Zero W單板計算機(jī)，設(shè)計緊湊，功耗低，通過Micro USB接口供電，作為視頻采集成本低。該單板計算機(jī)采用BCM2835作為SoC，集成了通用計算機(jī)中的各類功能。在計算模塊中，采用ARM1176JZF-S，提供了700MHz的計算能力：在視頻模塊中，采用了Broadcom VideoCore IV技術(shù)。能夠?qū)崿F(xiàn)每秒30幀的1080p的H。264視頻編碼或解碼，同時提供了miniHDMI輸出功能：在網(wǎng)絡(luò)連接方面，提供了Wifi及藍(lán)牙模塊，支持802.11n連接：在其他接口方面，提供了1個mini USB On the Go接口、一個Micro SD卡的接口和40pin的GPIO接口，針對攝像機(jī)提供了CSI接口，可以適配樹莓派Camera Module V2攝像機(jī)，采集高達(dá)800萬像素的高清視頻。

3.2.2 開源視頻采集系統(tǒng)

motionEyeOS是一套嵌入式操作系統(tǒng)，系統(tǒng)采用BuildRoot工具完成交叉編譯，適合于部署在單板計算機(jī)上，提供實現(xiàn)完整的視頻監(jiān)控系統(tǒng)。視頻監(jiān)控系統(tǒng)的前端是采用Python編寫的motionEye程序，提供web接人功能;后端采用高度可配置的motion程序，可以實時查看視頻流，也可以實現(xiàn)面部識別、動態(tài)監(jiān)測、攝像機(jī)直通錄制、記錄活動圖片和創(chuàng)建動態(tài)視頻文件等功能。在2.1節(jié)的需求分析的基礎(chǔ)上，對motionEyeOS進(jìn)行改進(jìn)，簡化流程，采用三幀差分算法，實現(xiàn)運(yùn)動檢測功能。

3.3 容器化資源調(diào)度方案設(shè)計

在調(diào)度方案的設(shè)計過程中，負(fù)載是影響應(yīng)用資源需求的主要因素。結(jié)合智能視頻監(jiān)控系統(tǒng)的實際應(yīng)用，系統(tǒng)瓶頸主要集中在網(wǎng)絡(luò)及磁盤I/O方面。因此在設(shè)計調(diào)度方案時。先利用Docker容器引擎的特性，通過周期性的采集CPU、內(nèi)存、磁盤I/O、網(wǎng)絡(luò)帶寬等資源負(fù)載情況信息，為容器化調(diào)度方案提供信息支撐。

在調(diào)度模式上，充分體現(xiàn)邊緣計算模型分散處理的特點(diǎn)。針對圖1所示的體系架構(gòu)。采用兩級調(diào)度模式，即云計算數(shù)據(jù)中心（CCDC）對邊緣計算節(jié)點(diǎn)（ECN）進(jìn)行調(diào)度，邊緣計算節(jié)點(diǎn)（ECN）對邊緣計算單元（ECU）進(jìn)行調(diào)度。執(zhí)行調(diào)度任務(wù)時，發(fā)起的一方為主動調(diào)度對象（Active Scheduling Object，ASO），另一方為被動調(diào)度對象（Passive Scheduling Object，PSO）。

在式（4）中，Aso_i表示對應(yīng)CCDC或ECN中，第i個主動調(diào)度對象（ASO）。A_cpu表示ASO中的CPU資源的剩余情況，A_mem表示ASO中的內(nèi)存剩余情況，A_net表示ASO中網(wǎng)絡(luò)帶寬的剩余情況，上述3種資源以百分比計算，取值范圍為（0，100）;A_r表示ASO中磁盤I/O操作的讀狀態(tài);A_w表示ASO中磁盤I/O操作的寫狀態(tài);A_tasked表示當(dāng)前ASO中是否被上一級執(zhí)行調(diào)度任務(wù)，結(jié)果為邏輯值，設(shè)定為（Ture | Fake），Ture表示當(dāng)前正在被執(zhí)行調(diào)度任務(wù)，F(xiàn)alse表示未被執(zhí)行調(diào)度任務(wù)。

在式（5）中，Pso_j表示對應(yīng)ECN或ECU的第j個被動調(diào)度對象（PSO）。P_cpu表示PSO中CPU資源的剩余情況，P_mem表示PSO中內(nèi)存資源的剩余情況，P_net表示PSO中網(wǎng)絡(luò)帶寬剩余情況。與公式（4）類似，上述3種資源以百分比計算，取值范圍為（0，100）;P_r表示PSO中磁盤I/O操作的讀狀態(tài)，P_w表示PSO中磁盤I/O操作的寫狀態(tài);P_tasked表示PSO是否被上一級執(zhí)行調(diào)度任務(wù)，結(jié)果為邏輯值，設(shè)定為（Ture | False），Ture表示當(dāng)前正在被執(zhí)行調(diào)度任務(wù)，F(xiàn)alse表示未被執(zhí)行調(diào)度任務(wù);P_resp表示從被PSO到ASO之間的網(wǎng)絡(luò)狀態(tài)：P_ltime表示PSO上一次成功被執(zhí)行調(diào)度任務(wù)的時間，P_size表示需要調(diào)度處理的文件大小。

在式（6）中，Task_ij表示主動調(diào)度對象Aso_i發(fā)起調(diào)度任務(wù)至被動調(diào)度對象Pso_j的執(zhí)行參數(shù)。執(zhí)行步驟如下：

（1）預(yù)設(shè)系統(tǒng)調(diào)度周期的時間長度為Sche_time，然后通過系統(tǒng)調(diào)用，取得系統(tǒng)當(dāng)前時間，作為調(diào)度任務(wù)的啟動時間：T_stime。

（2）將啟動時間T_stime與Pso_j的P_ltime參數(shù)進(jìn)行計算，獲取調(diào)度優(yōu)先級，公式如下：T_pri=（T_stime-P_ltime）÷Sche_time，T_pri的數(shù)值越大，則優(yōu)先級越高，需被調(diào)度緊急程度越高。

（3）根據(jù)網(wǎng)絡(luò)狀況及Pso_j的P_size參數(shù)進(jìn)行計算，假設(shè)Aso_i與Pso_j之間的網(wǎng)絡(luò)狀態(tài)處于理想狀態(tài)，則可以估算調(diào)度任務(wù)的最小執(zhí)行時間，T_exectime=P_size÷（A_net|P_net），A_net與P_net取其中的最小值。

（4）調(diào)度策略采用較為簡潔的權(quán)重輪詢調(diào)度（Weighted Round-Robin Scheduling）算法，以T_pri作為權(quán)重，通過輪詢方式在邊緣計算模型中的各節(jié)點(diǎn)間進(jìn)行調(diào)度。根據(jù)調(diào)度任務(wù)的完成情況，設(shè)定Task_ij的值為邏輯值（Ture | False），Ture表示當(dāng)前任務(wù)已完成，F(xiàn)alse表示調(diào)度任務(wù)未成功。

4 模型測試

4.1測試環(huán)境

為減少對正常教學(xué)秩序的影響。選擇暑期前進(jìn)行測試，測試地點(diǎn)為全天對學(xué)生開放的信盈達(dá)CDIO智創(chuàng)工作室。基于圖2所示的體系架構(gòu)圖進(jìn)行部署，視頻采集框架采用3.2節(jié)所述的設(shè)計，部署ECU節(jié)點(diǎn)，并安裝攝像頭，配置網(wǎng)絡(luò)，構(gòu)建IVSU。相關(guān)設(shè)備及主要參數(shù)見表2.

在工作室完成IVSU的部署后，IVSU設(shè)備采集的視頻通過無線網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)傳輸：樓層的設(shè)備間部署邊緣計算節(jié)點(diǎn)（ECN）;再經(jīng)校園網(wǎng)絡(luò)傳輸至云計算數(shù)據(jù)中心（CCDC），ECN設(shè)備采用一臺DELL服務(wù)器，其主要參數(shù)見表3.

在本次測試過程中，未進(jìn)行云計算數(shù)據(jù)中心（CCDC）的設(shè)計與部署，在學(xué)?，F(xiàn)有的云計算數(shù)據(jù)中心申請一臺虛擬機(jī)（VM），安裝配備相應(yīng)的軟件環(huán)境，作為模擬CCDC，用于存儲數(shù)據(jù)，實現(xiàn)調(diào)度功能。其參數(shù)見表4.

4.2模型測試

4.2.1 運(yùn)動檢測功能驗證

利用IVSU，錄制一段視頻。提取其中第1057幀、第1058和第1059幀進(jìn)行測試，如圖3所示。

將描述的三幀圖像，進(jìn)行二值化處理后，如圖4所示。

在本文設(shè)計的模型中，采用三幀差分算法進(jìn)行運(yùn)動目標(biāo)檢測，將不變化的進(jìn)行二值化處理，轉(zhuǎn)化為黑色背景，通過算法提取的運(yùn)動目標(biāo)，輪廓較為清晰完整，結(jié)果達(dá)到預(yù)期的運(yùn)動檢測需求，如圖5所示。

4.2.2 存儲需求驗證

根據(jù)第三部分的設(shè)計，同時也為了簡化存儲文件的管理，采用分時間段存儲視頻流的方式，記錄視頻信息。以每300s為一個時間段，即5min的時間長度為一個視頻文件。當(dāng)存儲的視頻幀中檢測發(fā)現(xiàn)運(yùn)動物體后，標(biāo)記視頻記錄文件的狀態(tài)，存儲視頻信息。連續(xù)5min視頻幀中沒有運(yùn)動物體時，刪除無運(yùn)動狀態(tài)的視頻文件，達(dá)到節(jié)約存儲空間。

信盈達(dá)CDIO智創(chuàng)工作室的標(biāo)準(zhǔn)開放時間是從早上07：30至夜間23：00.在部署IVSU前，調(diào)查學(xué)生進(jìn)入工作室的規(guī)律，工作室內(nèi)存在活動的時間主要集中在早上07：30至12：15，下午14：10至晚上的23：00，其余時間活動較少。每天無活動時間，平均約10h 25min，占全天比例約43.40%。經(jīng)過6月10日至7月7日，持續(xù)4周的測試，表5中的第1周至第2周為學(xué)校的正常教學(xué)周次：第3周為考前復(fù)習(xí)周;第4周為考試周。視頻監(jiān)控記錄情況如表5所示，表中數(shù)據(jù)為文件個數(shù)，每個視頻文件長度為5min。

通過上述的測試數(shù)據(jù)可以看出。視頻記錄文件的數(shù)量與學(xué)生活動成正比關(guān)系。在學(xué)校的正常教學(xué)周次，學(xué)生進(jìn)出工作室及在工作室內(nèi)的活動較為規(guī)律，視頻存儲數(shù)量基本持平，臨近期末數(shù)量稍有增長。第3周對應(yīng)為考前復(fù)習(xí)周次，學(xué)生在工作室中的實踐活動增加了，數(shù)量有所增加。第4周為考試周，工作室內(nèi)的活動降低較為明顯，且第4周的周五下午開始放假，關(guān)閉工作室后，視頻記錄文件數(shù)量記錄為0個。

統(tǒng)計分析其中的數(shù)據(jù)，對比加入運(yùn)動檢測功能的視頻監(jiān)控，以第1周至第3周的數(shù)據(jù)做分析對比未加入運(yùn)動檢測功能的視頻監(jiān)控。其所存儲的視頻文件數(shù)量約為每周1176個記錄。約節(jié)省41.67%的存儲空間。因此，如果在全校范圍內(nèi)開展應(yīng)用，在存儲方面可以明顯降低建設(shè)成本。

4.2.3 調(diào)度任務(wù)驗證

在進(jìn)行測試過程中。暫未全校性部署智能視頻監(jiān)控系統(tǒng)，調(diào)度驗證以邊緣計算節(jié)點(diǎn)（ECN）至邊緣計算單元（ECU）的測試為主，檢測智能視頻監(jiān)控系統(tǒng)對網(wǎng)絡(luò)帶寬的利用情況。

利用Docker容器引擎的輕量化等特性，通過周期性的采集CPU、內(nèi)存、磁盤I/O、網(wǎng)絡(luò)帶寬等資源負(fù)載情況信息，為容器化調(diào)度方案提供信息支撐。

假設(shè)共有n個ECU節(jié)點(diǎn)，則ECU列表為：ecu={ecu₀，ecu₁，…，ecu_n-1}，weight（ecu_j）表示第j個ECU節(jié)點(diǎn)的權(quán)重，即公式（6）中計算后的T_pri，j也表示為上一次調(diào)度的對象Pso_j，max（ecu）表示所有節(jié)點(diǎn)中的最大值。gcdnumber（ectt）表示ECU列表中所有節(jié)點(diǎn)權(quán)值的最大公約數(shù)。變量j初始化為一1，curweight，表示當(dāng)前的權(quán)重，初始化為0.

調(diào)度執(zhí)行偽代碼如下：

增加相應(yīng)的權(quán)重，判斷各節(jié)點(diǎn)的優(yōu)先級，避免某個ECU節(jié)點(diǎn)的數(shù)據(jù)長期未備份。同時，通過相應(yīng)的權(quán)重，充分考慮網(wǎng)絡(luò)流量的負(fù)載等情況，避免邊緣計算模型中個ECU節(jié)點(diǎn)的集中調(diào)度，導(dǎo)致網(wǎng)絡(luò)擁塞的情形，降低整體的網(wǎng)絡(luò)建設(shè)成本。

5 結(jié)束語

本文提出的方案引入邊緣計算模型。在校園網(wǎng)內(nèi)有機(jī)融合云計算數(shù)據(jù)中心與邊緣計算環(huán)境。采用開源及開放式軟硬件架構(gòu)，充分利用邊緣計算節(jié)點(diǎn)的計算資源，實現(xiàn)運(yùn)動檢測功能，有效降低監(jiān)控系統(tǒng)對存儲空間的需求：并利用Docker容器化平臺收集各節(jié)點(diǎn)資源狀態(tài)信息，設(shè)計資源調(diào)度策略，提高網(wǎng)絡(luò)帶寬的利用率。智能視頻監(jiān)控技術(shù)是大數(shù)據(jù)時代監(jiān)控技術(shù)發(fā)展的趨勢，因此，在后續(xù)的工作中，將結(jié)合ECU的計算能力，在智能視頻監(jiān)控系統(tǒng)中，實現(xiàn)目標(biāo)識別及跟蹤等功能：優(yōu)化存儲空間，采用分布式彈性存儲機(jī)制，充分利用ECN的存儲能力。