一種嵌入式邊緣計(jì)算平臺(tái)能力評(píng)估方法*

鐘 瑜，林 勤

（中國(guó)電子科技集團(tuán)公司第十研究所，四川 成都 610036）

0 引 言

云計(jì)算和人工智能技術(shù)驅(qū)動(dòng)的下一代戰(zhàn)爭(zhēng)對(duì)軍事電子裝備平臺(tái)的計(jì)算能力提出了全新要求：除了面向單一裝備的綜合處理系統(tǒng)，更需要面向戰(zhàn)場(chǎng)中各類(lèi)智能雷達(dá)、認(rèn)知通信、快速響應(yīng)電子戰(zhàn)等高計(jì)算密集型任務(wù)的需求[1]。云計(jì)算技術(shù)為多異構(gòu)計(jì)算節(jié)點(diǎn)彈性互聯(lián)、以分布式方式解決單計(jì)算節(jié)點(diǎn)或集群計(jì)算能力不足問(wèn)題提供了有效的架構(gòu)和實(shí)現(xiàn)方法[2-3]。然而傳統(tǒng)商用模式云計(jì)算與人工智能的結(jié)合，常采用“云-端”的模式，即訓(xùn)練數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸匯聚至云中心，智能模型在云中心進(jìn)行訓(xùn)練，訓(xùn)練完成后發(fā)布至端，進(jìn)行推理應(yīng)用。上述模型的重要性能瓶頸之一是有限的網(wǎng)絡(luò)帶寬，尤其在軍事應(yīng)用中，戰(zhàn)場(chǎng)環(huán)境下很難保障足夠與云端進(jìn)行數(shù)據(jù)傳輸?shù)木W(wǎng)絡(luò)帶寬，因此將海量數(shù)據(jù)的傳輸成了一個(gè)難題。同時(shí)，由于軍事應(yīng)用的高實(shí)時(shí)性要求，數(shù)據(jù)完全交由云端處理，其數(shù)據(jù)的傳輸?shù)教幚矸祷剡^(guò)程，會(huì)大大增加任務(wù)請(qǐng)求的響應(yīng)時(shí)間。因此新的云計(jì)算模型提出了“云-邊緣-端”的層級(jí)結(jié)構(gòu)，在云和端之間增加了具備計(jì)算和網(wǎng)絡(luò)資源的邊緣節(jié)點(diǎn)，將部分?jǐn)?shù)據(jù)處理工作放至邊緣節(jié)點(diǎn)進(jìn)行，數(shù)據(jù)在數(shù)據(jù)產(chǎn)生源附近進(jìn)行處理和分析，減少數(shù)據(jù)在網(wǎng)絡(luò)中的流轉(zhuǎn)，將大大減輕網(wǎng)絡(luò)負(fù)載，縮短請(qǐng)求的響應(yīng)時(shí)間。有統(tǒng)計(jì)數(shù)據(jù)部分說(shuō)明了數(shù)據(jù)在邊緣處理的優(yōu)勢(shì)，例如：在人臉識(shí)別領(lǐng)域，請(qǐng)求的響應(yīng)時(shí)間從900 ms減少為169 ms；部分計(jì)算任務(wù)從云端卸載到邊緣后，整體系統(tǒng)能耗降低了30%～40%；在數(shù)據(jù)的整合和遷移方面，時(shí)間消耗減少了近20倍[4-5]。軍事電子裝備平臺(tái)也提出了既是信息生產(chǎn)者，也是信息消費(fèi)者的概念。因此對(duì)滿(mǎn)足軍事應(yīng)用的邊緣計(jì)算平臺(tái)的研究已經(jīng)非常必要和迫切。

在目前的商用系統(tǒng)中，應(yīng)用最廣泛的是基于x86系統(tǒng)架構(gòu)的計(jì)算平臺(tái)，即個(gè)人電腦、服務(wù)器等大型設(shè)備互聯(lián)。對(duì)軍用領(lǐng)域，雖然也適用于對(duì)運(yùn)算能力要求高，但對(duì)系統(tǒng)體積、功耗、工作溫度環(huán)境等不敏感的場(chǎng)景，例如：地面數(shù)據(jù)中心、衛(wèi)星地面站等。但可作為邊緣節(jié)點(diǎn)的移動(dòng)式軍用計(jì)算平臺(tái)（例如：偵察、預(yù)警機(jī)等航空電子平臺(tái)）對(duì)系統(tǒng)的體積、功耗和環(huán)境適應(yīng)性等要求苛刻，因此大量使用嵌入式系統(tǒng)，即：DSP（Digital Signal Processor，數(shù)字信號(hào)處理器）、FPGA（Field Programmable Gate Array，現(xiàn)場(chǎng)可編程門(mén)陣列）和ARM（Advanced RISC Machines，高級(jí)精簡(jiǎn)指令集處理機(jī)）等[6]。為了使嵌入式平臺(tái)成為有效的邊緣計(jì)算節(jié)點(diǎn)，除了計(jì)算框架的設(shè)計(jì)和移植，平臺(tái)性能的評(píng)估方法也是其能否廣泛應(yīng)用核心技術(shù)之一。本文將重點(diǎn)從嵌入式邊緣計(jì)算平臺(tái)計(jì)算能力評(píng)估的角度，結(jié)合軍事應(yīng)用場(chǎng)景，展開(kāi)介紹和研究。

1 嵌入式計(jì)算平臺(tái)

嵌入式邊緣計(jì)算平臺(tái)以嵌入式硬件架構(gòu)（DSP、FPGA、ARM等）為基礎(chǔ)，采用云計(jì)算的設(shè)計(jì)思想對(duì)計(jì)算、通信等系統(tǒng)資源進(jìn)行虛擬化、管理和調(diào)度，使嵌入式系統(tǒng)具備動(dòng)態(tài)互聯(lián)、資源可伸縮、自主完成分布式協(xié)同計(jì)算等云平臺(tái)的能力。其層級(jí)架構(gòu)如圖1所示。

圖1 嵌入式邊緣計(jì)算平臺(tái)架構(gòu)

嵌入式邊緣計(jì)算平臺(tái)是由多類(lèi)型異構(gòu)處理節(jié)點(diǎn)組成的可伸縮開(kāi)放式的計(jì)算系統(tǒng)。硬件資源層通過(guò)高速交換網(wǎng)絡(luò)對(duì)計(jì)算節(jié)點(diǎn)進(jìn)行互連，保障節(jié)點(diǎn)之間的高速吞吐能力。虛擬化層對(duì)系統(tǒng)的計(jì)算資源、存儲(chǔ)資源和網(wǎng)絡(luò)通信資源等進(jìn)行虛擬化粒度劃分，提供管理和操作虛擬化資源的服務(wù)接口。計(jì)算框架層提供注冊(cè)機(jī)制，使系統(tǒng)資源能夠在系統(tǒng)中進(jìn)行注冊(cè)，使系統(tǒng)資源具備靈活的伸縮性；用戶(hù)請(qǐng)求通過(guò)任務(wù)管理器向系統(tǒng)的資源管理器請(qǐng)求服務(wù)，資源管理器根據(jù)任務(wù)需求進(jìn)行系統(tǒng)資源分配，并通過(guò)計(jì)算框架對(duì)計(jì)算任務(wù)和數(shù)據(jù)進(jìn)行并行化分解，然后映射到具體的工作節(jié)點(diǎn)；工作節(jié)點(diǎn)通過(guò)自身的節(jié)點(diǎn)管理器再將分配到工作節(jié)點(diǎn)的計(jì)算任務(wù)和數(shù)據(jù)映射至執(zhí)行器（即worker）上進(jìn)行具體的計(jì)算；計(jì)算完成后通過(guò)計(jì)算框架進(jìn)行合并后獲得數(shù)據(jù)的最終處理結(jié)果。計(jì)算框架同時(shí)提供節(jié)點(diǎn)錯(cuò)誤恢復(fù)，計(jì)算過(guò)程、系統(tǒng)工作狀態(tài)監(jiān)視等功能。

2 基于微型批處理的邊緣計(jì)算平臺(tái)能力評(píng)估模型

邊緣計(jì)算平臺(tái)的性能受網(wǎng)絡(luò)性能、計(jì)算節(jié)點(diǎn)性能、資源調(diào)度策略、基礎(chǔ)計(jì)算架構(gòu)等綜合因素的影響，非常復(fù)雜。其性能評(píng)估對(duì)平臺(tái)設(shè)計(jì)和部署過(guò)程的平臺(tái)瓶頸探測(cè)、資源調(diào)度策略、配置參數(shù)調(diào)優(yōu)等均非常重要。盡管市面上已經(jīng)有一些云平臺(tái)性能測(cè)試工具，例如：雅虎的YCSB（Yahoo! Cloud Serving Benchmark），主要用于測(cè)試云存儲(chǔ)非關(guān)系型數(shù)據(jù)庫(kù)的性能[7]；TPC公司的TPC BenchmarkTM W通過(guò)模擬在線書(shū)店進(jìn)行電子商務(wù)基準(zhǔn)性能測(cè)試[8]；UC Berkeley的Cloud Stone開(kāi)源項(xiàng)目，用于云環(huán)境下Web2.0系統(tǒng)的性能評(píng)估[9]等。不同的性能測(cè)試工具針對(duì)不同的行業(yè)和應(yīng)用，其測(cè)試目的和指標(biāo)也與應(yīng)用場(chǎng)景密切相關(guān)，因此有必要對(duì)主要針對(duì)軍事應(yīng)用的嵌入式邊緣計(jì)算平臺(tái)，結(jié)合軍事應(yīng)用場(chǎng)景對(duì)其測(cè)試方法和技術(shù)指標(biāo)展開(kāi)研究。此外，與傳統(tǒng)計(jì)算平臺(tái)相比，嵌入式計(jì)算平臺(tái)在資源、功能、性能上都有其獨(dú)特性，因此性能評(píng)估方法也需要結(jié)合嵌入式平臺(tái)的特點(diǎn)。

2.1 微型批處理模型

微型批處理模型是目前大數(shù)據(jù)計(jì)算框架中的一種計(jì)算模型，例如Spark[10]，其基本原理是用不同長(zhǎng)度的時(shí)間窗口控制數(shù)據(jù)在計(jì)算框架中的流動(dòng)時(shí)間間隔、處理時(shí)間間隔和結(jié)果輸出間隔。通過(guò)時(shí)間片窗口，將系統(tǒng)的輸入數(shù)據(jù)切分成微型批數(shù)據(jù)塊；在每一個(gè)處理滑動(dòng)窗口時(shí)間進(jìn)行一次批數(shù)據(jù)處理；在每一個(gè)輸出滑動(dòng)窗口產(chǎn)生一個(gè)用戶(hù)需求的數(shù)據(jù)處理結(jié)果輸出。如圖2所示。

圖2 微型批處理的時(shí)間窗口

2.2 基于微型批處理模型的嵌入式邊緣平臺(tái)測(cè)試架構(gòu)

軍事應(yīng)用中，邊緣計(jì)算需要主要處理兩大類(lèi)數(shù)據(jù)，一是信息流，一是信號(hào)流，然而無(wú)論信息流和信號(hào)流在技術(shù)上都可以歸于一個(gè)統(tǒng)一的計(jì)算框架，無(wú)論對(duì)信息還是信號(hào)的處理都可以看作是一種映射，即Map，而所有對(duì)信息和信號(hào)的融合分析，則可以看作是一種綜合，即Reduce。因此本文邊緣計(jì)算平臺(tái)的測(cè)試架構(gòu)以Mapreduce計(jì)算模型[11]和一種典型軍事應(yīng)用場(chǎng)景相結(jié)合進(jìn)行研究。

無(wú)論在信號(hào)偵察還是認(rèn)知無(wú)線電應(yīng)用，分布式協(xié)作總是比單節(jié)點(diǎn)有不可比擬的優(yōu)勢(shì)，例如單節(jié)點(diǎn)信息接收不全面，易受干擾等。本文以信號(hào)偵察場(chǎng)景為例，提出一種基于微型批處理的嵌入式邊緣平臺(tái)計(jì)算能力評(píng)估模型。

如圖3（a）所示，考慮一種協(xié)作式電磁態(tài)勢(shì)感知場(chǎng)景，復(fù)雜電磁環(huán)境中的節(jié)點(diǎn)為電磁信號(hào)探測(cè)節(jié)點(diǎn)，探測(cè)節(jié)點(diǎn)可能探測(cè)到通信信號(hào)、導(dǎo)航信號(hào)、雷達(dá)信號(hào)和敵我識(shí)別信號(hào)等。探測(cè)節(jié)點(diǎn)經(jīng)過(guò)簡(jiǎn)單預(yù)處理后將探測(cè)到的信號(hào)按鍵值對(duì)的方式，即＜Key，Value＞對(duì)，傳送給一個(gè)邊緣計(jì)算節(jié)點(diǎn)，即待評(píng)估的嵌入式邊緣計(jì)算平臺(tái)，進(jìn)行進(jìn)一步處理[8]。同時(shí)，邊緣計(jì)算網(wǎng)絡(luò)也是一個(gè)自調(diào)度、自管理的計(jì)算框架，多個(gè)邊緣節(jié)點(diǎn)可以通過(guò)向計(jì)算框架進(jìn)行資源注冊(cè)的方式加入邊緣計(jì)算框架，形成更強(qiáng)大的邊緣計(jì)算集群，如圖3（b）所示。

從系統(tǒng)性能評(píng)估的角度，單邊緣計(jì)算節(jié)點(diǎn)或多邊緣計(jì)算節(jié)點(diǎn)的差異主要體現(xiàn)在性能的差異，而測(cè)試的計(jì)算模型可以采用統(tǒng)一架構(gòu)，即上文提到的Mapreduce計(jì)算架構(gòu)。

軍事電磁態(tài)勢(shì)感知系統(tǒng)在常規(guī)情況下是按照指定時(shí)間間隔進(jìn)行數(shù)據(jù)更新和顯示。當(dāng)某節(jié)點(diǎn)發(fā)現(xiàn)重要異常狀況，系統(tǒng)會(huì)立即啟動(dòng)特殊預(yù)警機(jī)制對(duì)事件進(jìn)行響應(yīng)。由于本文主要對(duì)平臺(tái)的計(jì)算能力進(jìn)行評(píng)估，而不是業(yè)務(wù)策略，因此本文建模只考慮電磁態(tài)勢(shì)系統(tǒng)工作的常規(guī)情況。

圖3 基于微型批處理的嵌入式云平臺(tái)計(jì)算能力評(píng)估模型

協(xié)作式電磁態(tài)勢(shì)感知在嵌入式邊緣平臺(tái)的數(shù)據(jù)處理過(guò)程可分為三個(gè)階段：Map、Shuffle和Reduce階段，如圖4所示。Map階段：在不同空間分布且具備不同偵測(cè)能力的協(xié)作節(jié)點(diǎn)，接收到不同的電磁信號(hào)，首先進(jìn)行Map操作，各節(jié)點(diǎn)為每個(gè)單一信號(hào)建立一個(gè)鍵值對(duì)，以匹配Mapreduce統(tǒng)一計(jì)算框架的輸入形式。其中，key標(biāo)識(shí)信號(hào)類(lèi)型，Value裝載信號(hào)內(nèi)容，對(duì)多個(gè)同類(lèi)別信號(hào)也產(chǎn)生多個(gè)鍵值對(duì)。理論上Map階段還應(yīng)該附帶一些數(shù)據(jù)處理工作，例如傅里葉變換，濾波等。Shuffle階段：根據(jù)應(yīng)用需求將Map輸出的信號(hào)進(jìn)行分類(lèi)匯聚，圖4的例子是對(duì)同一類(lèi)信號(hào)進(jìn)行合并，產(chǎn)生＜Key，List＜value＞＞類(lèi)型的鍵值對(duì)作為Reduce階段的輸入。這種匯聚策略完全由用戶(hù)根據(jù)應(yīng)用需求定義，可以是信號(hào)類(lèi)型、也可以是物理區(qū)域等；Reduce階段：對(duì)信號(hào)進(jìn)行最后的綜合處理，例如聯(lián)合頻譜感知、偵測(cè)目標(biāo)定位等。圖4示例中使用了5個(gè)Reduce，進(jìn)行兩層Reduce操作。

圖4 模型信號(hào)處理的三個(gè)階段

嵌入式邊緣計(jì)算平臺(tái)提供了Mapreduce計(jì)算框架，對(duì)底層計(jì)算資源進(jìn)行了自主管理，大幅降低了程序開(kāi)發(fā)人員對(duì)分布式計(jì)算編程知識(shí)的要求，程序開(kāi)發(fā)人員只用集中精力于應(yīng)用的編寫(xiě)，將計(jì)算過(guò)程套入Mapreduce計(jì)算框架的用戶(hù)函數(shù)即可。

3 計(jì)算能力評(píng)估過(guò)程及指標(biāo)

3.1 測(cè)試數(shù)據(jù)產(chǎn)生

可采用模擬的方式產(chǎn)生導(dǎo)航、通信、雷達(dá)和敵我識(shí)別基帶信號(hào)作為平臺(tái)的信號(hào)輸入。致力于對(duì)平臺(tái)計(jì)算能力測(cè)試，因此信號(hào)產(chǎn)生過(guò)程更多的關(guān)注類(lèi)別、速率和4種信號(hào)間的分布。普通情況下，4種信號(hào)產(chǎn)生的量可采用均勻分布，即各種信號(hào)量均等。但是實(shí)際場(chǎng)景中，幾種信號(hào)量的分布總是不均勻的，因此可通過(guò)設(shè)計(jì)信號(hào)產(chǎn)生量的偏移程度來(lái)測(cè)試邊緣計(jì)算平臺(tái)對(duì)數(shù)據(jù)偏移的適應(yīng)能力。

3.2 數(shù)據(jù)處理過(guò)程編程

嵌入式邊緣計(jì)算平臺(tái)提供了自管理的統(tǒng)一計(jì)算框架，隱藏了框架資源的管理和分布式計(jì)算的編程細(xì)節(jié)，因此性能評(píng)估的編程過(guò)程只需要關(guān)注用戶(hù)函數(shù)的編寫(xiě)，即信號(hào)生成函數(shù)、計(jì)算框架中的Map函數(shù)和Reduce函數(shù)，其他過(guò)程由計(jì)算框架自主完成。

測(cè)試程序編程過(guò)程可分為4個(gè)主要步驟：（1）編寫(xiě)基帶信號(hào)生產(chǎn)函數(shù)；（2）編寫(xiě)map函數(shù)，并設(shè)計(jì)key、value對(duì)的表示含義；（3）編寫(xiě)Reduce函數(shù)；（4）通過(guò)框架的set方法形成數(shù)據(jù)處理流圖。此外還需要設(shè)置各時(shí)間窗口參數(shù)，如圖5所示。

圖5 模型信號(hào)處理過(guò)程

數(shù)據(jù)處理過(guò)程的偽代碼如下：

Map階段

StreamSource（detector_id，data_in）; //接 收 節(jié) 點(diǎn)的實(shí)時(shí)數(shù)據(jù)流

SetMiniBatchWindow（t）; //設(shè) 定 微 型 批 處 理 時(shí)間片

CreateRDD（data_in，rdd_out）; //根據(jù)設(shè)定時(shí)間構(gòu)建微型批數(shù)據(jù)

Transfer（kvpairs_in，kv_pairs_out）; //用 戶(hù) 編 寫(xiě)map操作

Map（rdd_in，kvpairs_out）; //調(diào)用 Transfer（），并執(zhí)行用戶(hù)指定的map操作

Reduce階段

SetProcessWindow （t）;//設(shè)置數(shù)據(jù)處理滑動(dòng)窗口時(shí)間（為微型批數(shù)據(jù)時(shí)間片的整數(shù)倍）

Action（kvpairs_in，kv_pairs_out）; //用 戶(hù) 編 寫(xiě)reduce的執(zhí)行操作

Reduce（kvpairs_in，kv_pairs_out）; //執(zhí)行 Reduce操作

形成處理流圖

GetTime（）;//獲取系統(tǒng)時(shí)間軸

SetOutputWindow（t）; //設(shè)定處理結(jié)果輸出滑動(dòng)窗口

SetMapper（map）; //設(shè)定 Map

SetCombiner（key_index）; //設(shè)定 Shuffle 過(guò)程的合并方法

SetPatitioner（hashOperation）; //設(shè)定 Shuffle 過(guò)程的分區(qū)方法

SetSorter（key_index）; //設(shè)定 Shuffle 過(guò)程的排序方法

SetReducer（reduce）; //設(shè)定 Reduce

3.3 主要測(cè)量指標(biāo)及方法

采用微型批處理模型進(jìn)行計(jì)算能力評(píng)估，應(yīng)根據(jù)任務(wù)需求和平臺(tái)的計(jì)算能力綜合設(shè)定微型批數(shù)據(jù)的時(shí)間分片、處理滑動(dòng)窗口時(shí)間和輸出滑動(dòng)窗口時(shí)間。作為對(duì)平臺(tái)計(jì)算能力的評(píng)估，除了檢測(cè)以下幾個(gè)指標(biāo)，例如：每秒的輸入數(shù)據(jù)量，微型批量數(shù)據(jù)任務(wù)在系統(tǒng)內(nèi)的部署時(shí)間，每個(gè)微型批量數(shù)據(jù)在系統(tǒng)內(nèi)處理所需的時(shí)間等。本文根據(jù)嵌入式云平臺(tái)計(jì)算能力的評(píng)估需求提出了以下測(cè)試性能指標(biāo)。軍事應(yīng)用數(shù)據(jù)高速實(shí)時(shí)接入對(duì)數(shù)據(jù)吞吐量要求非常高。

（1）計(jì)算加速性能

計(jì)算加速性能是嵌入式邊緣計(jì)算平臺(tái)的一個(gè)重要指標(biāo)，其表征是否隨著計(jì)算節(jié)點(diǎn)數(shù)量的增加，計(jì)算時(shí)間是否相應(yīng)縮短，即平臺(tái)能否通過(guò)增加計(jì)算節(jié)點(diǎn)數(shù)量增強(qiáng)計(jì)算的實(shí)時(shí)性。計(jì)算方法如下：

保持?jǐn)?shù)據(jù)總量或單位時(shí)間內(nèi)流入平臺(tái)的數(shù)據(jù)量不變，僅增加參與計(jì)算的節(jié)點(diǎn)數(shù)量，記錄數(shù)據(jù)處理的時(shí)間。理論上，計(jì)算加速性能指標(biāo)會(huì)隨著計(jì)算節(jié)點(diǎn)數(shù)m的增加保持線性增長(zhǎng)，表明增加計(jì)算節(jié)點(diǎn)能有效縮短計(jì)算時(shí)間。但在實(shí)際系統(tǒng)中，隨著計(jì)算節(jié)點(diǎn)增加，通信、資源管理等損耗也會(huì)增加，因此一直維持這種線性增長(zhǎng)非常困難。

（2）數(shù)據(jù)集適應(yīng)性

數(shù)據(jù)集適應(yīng)性是考察在處理數(shù)據(jù)集和計(jì)算節(jié)點(diǎn)數(shù)目同比例擴(kuò)大條件下，平臺(tái)的適應(yīng)能力，計(jì)算方法如下：

如果數(shù)據(jù)集適應(yīng)性指標(biāo)隨著m增加在1.0附近波動(dòng)，則表明平臺(tái)對(duì)數(shù)據(jù)集的規(guī)模變化有很好的適應(yīng)性。

（3）平均最快響應(yīng)時(shí)間

軍事應(yīng)用中平臺(tái)的響應(yīng)時(shí)間是一個(gè)至關(guān)重要的性能參數(shù)，盡管對(duì)一個(gè)應(yīng)用的響應(yīng)時(shí)間受數(shù)據(jù)處理過(guò)程、算法復(fù)雜度等客觀因素影響，但是剝離開(kāi)數(shù)據(jù)處理，單純從數(shù)據(jù)流入到流出系統(tǒng)，也可以測(cè)試出平臺(tái)的一個(gè)最快響應(yīng)時(shí)間。測(cè)試方法可以在數(shù)據(jù)產(chǎn)生過(guò)程中產(chǎn)生一個(gè)特殊數(shù)據(jù)序列，系統(tǒng)記錄從接收到特殊數(shù)據(jù)序列到輸出端口捕獲到特殊數(shù)據(jù)序列的時(shí)間差，即為平臺(tái)的最快響應(yīng)時(shí)間。由于平臺(tái)是分布式系統(tǒng)，每次特殊數(shù)據(jù)序列通過(guò)的路徑可能不同，因此應(yīng)當(dāng)取盡量多次時(shí)間進(jìn)行平均，作為系統(tǒng)的平均最快響應(yīng)時(shí)間指標(biāo)。

（4）計(jì)算資源利用率

資源調(diào)度問(wèn)題一直是云計(jì)算平臺(tái)的核心問(wèn)題之一，直接關(guān)系到系統(tǒng)的運(yùn)行性能。邊緣計(jì)算平臺(tái)資源寶貴且有限，因此如何高效地利用有限資源完成計(jì)算任務(wù)是對(duì)邊緣計(jì)算平臺(tái)資源調(diào)度策略的一個(gè)重要評(píng)價(jià)指標(biāo)。從目前嵌入式邊緣計(jì)算平臺(tái)以CPU核為最小粒度計(jì)算單元的設(shè)計(jì)，計(jì)算資源利用率評(píng)估指標(biāo)可以以相同任務(wù)平均調(diào)度的CPU核利用比例進(jìn)行評(píng)估。

4 結(jié) 語(yǔ)

嵌入式邊緣計(jì)算平臺(tái)是下一代智能軍事裝備基礎(chǔ)架構(gòu)的核心組件之一，影響平臺(tái)效能的因素眾多且復(fù)雜，因此對(duì)平臺(tái)有效的計(jì)算能力評(píng)估是平臺(tái)設(shè)計(jì)、部署及推廣過(guò)程的關(guān)鍵技術(shù)之一。對(duì)于具有不同特點(diǎn)的平臺(tái)，不同的應(yīng)用場(chǎng)景，對(duì)平臺(tái)的性能要求的側(cè)重點(diǎn)、性能指標(biāo)要求均不相同，因此當(dāng)前的評(píng)估工具也都缺乏普適性，因此必要根據(jù)平臺(tái)特點(diǎn)和應(yīng)用場(chǎng)景進(jìn)行有針對(duì)性的計(jì)算能力評(píng)估。

本文將軍事場(chǎng)景中的一個(gè)典型場(chǎng)景（即協(xié)作式電磁態(tài)勢(shì)感知）的數(shù)據(jù)處理過(guò)程映射到嵌入式平臺(tái)的MapReduce計(jì)算過(guò)程，并采用微型批處理的方式進(jìn)行計(jì)算，并根據(jù)場(chǎng)景提出了相應(yīng)的評(píng)估指標(biāo)。

本文的嘗試將有助于將各類(lèi)大數(shù)據(jù)、人工智能的計(jì)算模型與典型軍事應(yīng)用場(chǎng)景的相結(jié)合，拓展大數(shù)據(jù)和人工智能方法在軍事領(lǐng)域的應(yīng)用。下一步研究將進(jìn)一步細(xì)化性能測(cè)試指標(biāo)，并嘗試在平臺(tái)上研究目前更廣泛應(yīng)用的流計(jì)算和圖計(jì)算。