硕士毕设项目-研究内容

1. 研究内容

CAMINO云原生自主管理与意图编排器

2. 参考论文：

Konstantinos Antonakoglou, Ioannis Mavromatis, Saptarshi Ghosh, Mark Rouse, and Konstantinos Katsaros. Camino: Cloud-native autonomous management and intent based orchestrator. arXiv preprint arXiv:2504.03586, 2025.

3. 主要目标

实现CAMINO控制平面，引入机器学习实现资源预测、调度优化、故障预警。

4. 使用技术栈

• 前端：Vue 3，Axios，ECharts。
• 后端：Node.js，Fastify，Sequelize，MySQL，K8s，Gitlab CE，ConfigSync，Prometheus，Istio，Python。

5. 当前进度

论文已完成并提交，但机器学习部分实际实现由于时间限制未完成，仅有模拟实验数据。

6. 研究结论

Figure 1: CAMINO系统架构图 论文在机器学习部分提出了NOMRPS（Network Orchestration and Monitoring with Resource Prediction System，网络编排与监控及资源预测系统）系统，该系统分为两个子系统，分别为IAAN（Intelligent Adaptive Application Network，智能自适应应用网络）与IAPS（Intelligent Adaptive Prediction System，智能自适应预测系统）。

其中IAAN负责意图的分析与拆解，并结合IAPS的预测共同决定服务的放置位置以及连接方式（Inter-edge, Intra-edge, Cross-domain）。

论文对于NOMRPS进行了基础的模拟实验。模拟实验采用了三个Docker Container，并模仿生产环境的部署流程，向NOMRPS提交部署意图。由于IAPS在模拟实验中并未起到实际效果，所以模拟实验更多的是检验IAAN的策略有效性。

实验结果表明，在传统的意图打包式（bundle）部署中，若服务所需资源超过单边缘节点限制，则可能导致所有服务无法成功部署。而NOMRPS可以进行意图分析，并拆分服务到不同的节点并配置连接方式，大幅降低了意图部署的失败率。同时通过将频繁通信的服务放置于同一节点，明显降低了服务间通信延迟。

由于NOMRPS的分布式部署，从而使系统总体CPU使用效率提升，但是作为代价的是内存的平均使用率升高了51.48%。由于服务拆分以及重新编排的存在，服务之间的通信延迟对比基线部署方式平均降低了25%，p90延迟降低了55%。

本研究探明了NOMRPS对于CAMINO的部署成功率和运行效率的提升的有效性，但本次研究仍有改进空间：NOMRPS部分的IAPS仍然缺少训练，如果IAPS获得在线学习的能力，则会使NOMRPS的预测准确率和服务编排更加地有依据和准确。