CN106100907B - 一种基于公平性的mec服务器选择方法 - Google Patents

Abstract

本发明一种基于公平性的MEC服务器选择算法，属于移动通信领域，具体如下：首先，建立用户，信道与MEC服务器之间的系统模型；初始系统随机选取用户分别连接到MEC服务器；被选中的用户在时间t内分别发送计算任务，根据通信代价为每个用户匹配MEC服务器；然后，用户上传计算任务，并计算每个用户的吞吐量；将所有用户的吞吐量降序排序，选择吞吐量低的前N个用户，分别计算各自的通信代价；最后，针对吞吐量低的用户，每个用户选择MEC服务器进行下一次计算。优点在于：联合考虑了时延和能耗对用户选择MEC服务器的影响，将通信代价模型引入系统；用户处于不同的使用场景，选择不同的权重参数，控制通信代价，具有更好的场景适应性。

Description

一种基于公平性的MEC服务器选择方法

技术领域

本发明属于移动通信领域，描述了一种基于公平性的MEC服务器选择方法。

背景技术

21世纪以来，随着现代化、信息化、数字化和智能化的发展趋势日益显现，深刻的改变了人们的生活。2008年，云计算的概念开始受到互联网业界的广泛关注，因为云计算与网络密不可分，“云”通常表示互联网，云计算也就是通过互联网提供计算能力，完成用户的某种需求。

随着半导体工业和信息技术的飞速发展，以智能手机为代表的移动终端的功能越来越强大，且越来越受人们的欢迎。智能终端开始大量接入网络，同时在智能终端上运行的应用软件种类也越来越多，功能也越来越强大，比如：网络视频应用软件，脸部识别软件，手机游戏，增强现实应用等等。

智能终端运行这些软件都需要大量的计算资源和内存。尽管智能终端的功能十分强大，但是，智能终端的CPU，内存和电量有限，特别是电量，由于复杂的应用特别耗费电量，所以智能手机的续航能力十分有限。

针对终端应用大量耗费资源但终端资源十分有限的情况，一种有效的解决方法就是计算负载迁移；智能手机通过无线网络接入到云中，将智能手机上资源耗费，内存，电量的应用程序上传到云端的服务器上执行，再通过网络接收返回计算结果，达到减轻智能手机负载的作用。

计算负载迁移的研究分为两个方面，一方面是在用户侧考虑应用软件模块的划分和代码分片，决定哪些模块和代码，在什么情况下上传到云端执行，另一方面是考虑整个云的网络框架。

关于代码分片的研究，按照代码的颗粒度分为函数级别，线程级别和程序级别的代码分片。在策略的制定上，分为运行时动态划分和静态划分。研究目的在于如何通过代码分片和制定迁移决策来减少能耗，提高运行性能。

云网络框架分为三种，MCC，Cloudlet和MEC三种。

MCC是云计算和移动网络的结合，移动设备通过无线网络将应用上传到云服务器上，运行结果通过网络返回给移动设备。这样的云服务器一般是由大型服务器组成，移动用户通过无线接入网接入，通过广域网连接到服务器上。但是，MCC的主要缺点是延迟大。

Cloudlet与MCC的主要区别是，云服务器由本地的网络服务商部署，是一种广泛部署的分布式云计算平台。用户可以通过本地的Wi-Fi或者其他高带宽的无线局域网接入。但是，这种云服务的特点是部署容易，时延小，但是服务器的计算资源有限。由于服务器资源的限制，当用户数量较多时，不能保证用户的服务质量。

MEC是最新提出的一种网络架构，将大规模且资源充足的计算设施分布部署在网络的eNodeB节点或者基站上，用户可以在任何时间任何地点上传计算任务。与前两总方式比较，这种方式的延迟小，并且保证用户的服务质量，是一种比较高效的解决方案。

在MEC的背景下，为每一个用户选择合适的MEC服务器为其服务，一个合适的MEC服务器应该满足条件：用户连接代价低，并且服务器上的资源可以满足用户的需求。通过将通信延迟和能量损耗联合评估，作为用户的连接代价，提出了一个通信和计算资联合分配的模型。

为了解决这个模型，使用了两种算法去解决：一种是基于匈牙利算法的MEC服务器选择算法，匈牙利算法是二部图匹配最常见的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。

具体为：将用户看成子集V1，将服务器看成子集V2。V1中的一个用户如果选择子集V2中的一个服务器，就会得到一个通信代价，用一条边来表示这个通信代价。如果将子集V1所有的用户和子集V2中所有的服务器配对，就可以得到一张图。利用匈牙利算法去找出这张图中的最优匹配。

匈牙利算法考虑了用户的通信代价，但是没有考虑用户的公平性。

另外一种基于公平性的MEC服务器选择算法-轮询算法，资源调度是资源分配的一种形式，将所有空闲的MEC服务器放在一个服务队列中，当有用户请求的时候，从队列中取出为用户服务，服务完成后，再次将服务器放回对列中；每个服务器都有机会为用户服务。

RR调度算法的特点是在对MEC服务器进行调度时，保证每个MEC服务器都有相等的机会被选中，在整个资源分配的过程中所有空闲的MEC服务器都处在一个依次轮询的调度状态。RR算法不考虑用户的信道状况，不考虑用户的通信代价，直接选出空闲的MEC服务器为用户服务。而且当前MEC服务器的选择不受过去选择决策的影响，即调度前后没有相关性。因此所有的MEC服务器都有相等的机会被选中。

该算法更注重用户的公平性，而且服务的用户也更多，RR调度算法依次轮询，虽然实现简单，但是不考虑用户的信道状况，通信代价，直接选出空闲的但不一定是最优的MEC服务器选择。

发明内容

本发明针对以往算法只能在用户公平性和最优选择中二选一，为了既能保证系统用户公平性，又可以使系统获得最优选择，降低通信代价，提出了一种基于公平性的MEC服务器选择方法。

具体步骤如下：

步骤一、针对某个云通信系统，建立用户，信道与MEC服务器之间的系统模型；

通信系统中共包含M个用户，集合为{1,2,...m,...M}；N个信道，集合为{1,2,...n,...N}；M＞N；K个MEC服务器，集合为{1,2,...k,...K}；

每个用户分别各通过一个信道接入某个MEC服务器，每个MEC服务器至少连接一个信道；每个信道和服务器的用关系矩阵map(n,k)记录。

步骤二、初始系统随机选取N个用户分别通过N个信道连接到K个MEC服务器；

将通信系统中的M个用户与N个信道的连接关系用二维矩阵表示，

S_m,n表示用户m与信道n连接的值；选中用户m与信道n连接，记录S_m,n为1，否则，记录S_m,n为0；

步骤三、被选中的用户在时间t内分别发送计算任务，通过N个信道传给K个MEC服务器进行运算，根据通信代价为每个用户匹配MEC服务器；

每一个要上传的计算任务用J＝(B_n,F_n)表示，B_n表示用户m发送的计算任务的大小；F_n表示要完成计算任务B_n所需要的CPU执行次数。

具体步骤为：

步骤301、针对用户m，通过信道n接入第k个MEC服务器，计算用户m的发送速率R_m；

其中w_n是信道n的带宽，p_m表示用户m的发射功率；g_n,m是信道n的信道增益；表示噪声功率。

步骤302、利用发送速率R_m，计算用户m发送计算任务B_n到MEC服务器k的发送时延Δ_t1；

步骤303、获取计算任务B_n在MEC服务器k上运行的运行时延Δ_exe；

map(n,k)表示信道n是否属于MEC服务器k，如果属于，map(n,k)取值为1，如果不属于，取值0；f_k表示MEC服务器k的所有计算资源；f_n表示每个用户在MEC服务器k分配到的平均计算资源。

步骤304、根据发送时延Δ_t1以及运行时延Δ_exe，计算用户m通过信道n接入MEC服务器k，获取计算结果的时延

步骤305、计算用户m通过信道n发送计算任务B_n损耗的能量

步骤306、结合时延和损耗能量组成用户m通过信道n接入到MEC服务器的通信代价

α为时延的权重指数，β为损耗能量E的权重指数，满足β+α＝1，且β,α∈[0,1]；根据智能终端的具体使用情况设定。

步骤307、针对用户m，统计该用户分别通过N个信道接入MEC服务器的通信代价，并组成1行N列的通信代价矩阵。

步骤308、针对M个用户，计算每个用户分别通过N个信道接入MEC服务器的通信代价，并组成M行N列的通信代价矩阵；

步骤309、当每个用户分别各通过一个信道接入MEC服务器后，计算所有用户最小的通信代价之和；

所有用户的最小通信代价之和为：

x_mn表示用户m通过信道n上传计算任务给MEC服务器k的选择结果；x_mn∈[0,1]，其中，x_mn＝1表示用户m选择信道n上传计算任务给MEC服务器k；x_mn＝0，表示用户m没有选择MEC服务器k；

步骤310、根据最小的通信代价之和，给每个用户匹配对应的MEC服务器；

步骤四、当用户选择MEC服务器后在时间t内上传计算任务，计算每个用户的吞吐量；

用户m上传计算任务的吞吐量为

s[m]代表用户m在时间t内上传的计算任务的数量；m_j表示用户m第j个计算任务的大小。

步骤五、在时间t内，将所有用户的吞吐量降序排序，选择吞吐量低的前N个用户，分别计算各自的通信代价；

步骤六、针对吞吐量低的前N个用户，返回步骤三为每个用户选择MEC服务器进行下一次计算。

本发明的优点在于：

1)、一种提出基于公平性的MEC服务器选择方法，在用户侧采取的是静态的卸载策略；即认为用户处于必须要上传计算任务的场景，简化了用户侧的分析。

2)、一种提出基于公平性的MEC服务器选择方法，联合考虑了时延和能耗对用户选择MEC服务器的影响，将通信代价模型引入系统；用户处于不同的使用场景，可以选择不同的权重参数，控制通信代价，具有更好的场景适应性。

3)、一种提出基于公平性的MEC服务器选择方法，通过改进匈牙利算法实现了计算和通信资源联合分配的MEC服务器选择算法，保证用户的公平性，具有较低的通信代价，提高了系统的效用。

附图说明

图1是本发明用户，信道与MEC服务器之间建立的系统模型示意图；

图2是本发明一种提出基于公平性的MEC服务器选择方法流程图；

图3是本发明根据通信代价为每个用户匹配MEC服务器的方法流程图；

图4是本发明在两种算法下用户数与系统通信代价变化比较的曲线图；

图5是本发明在两种算法下用户数与系统公平性的变化比较的曲线图；

图6是本发明在两种算法下用户数与系统效用的变化比较的曲线图。

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

现有技术中，通信代价由两部分组成：一个是用户接入服务器获得计算结果的时延，另一个是用户通过信道发送计算任务损耗的能量。

时延包括三部分：

L＝Δ_t1+Δ_exe+Δ_t2

其中，Δ_t1是发送计算任务到服务器的必须的发送时延。Δ_exe是计算任务在服务器上运行的运行时延。Δ_t2是计算结果通过网络返回给用户的接收时延。接收时延一般跟用户的参数无关，所以可以认为所有的用户接收时延相同，为了计算简便，本发明省去接收时延，用户的时延为：L＝Δ_t1+Δ_exe。

用户通过信道发送计算任务损耗的能量E，是由用户的发射功率与发送时延的乘积；

本发明通过计算系统最小的通信代价之和，给用户匹配对应的MEC服务器，然后用户在时间t内分别上传计算任务，计算每个用户的吞吐量，通过将不同用户的吞吐量排序取出吞吐量较低的用户，通过匈牙利算法计算取出用户最低通信代价的MEC服务器选择方案。

如图2所示，具体步骤如下：

步骤一、针对某个云通信系统，建立用户，信道与MEC服务器之间的系统模型；

如图1所示，通信系统中共包含M个用户，集合为{1,2,...m,...M}；N个信道，集合为{1,2,...n,...N}；M＞N；包含K个MEC服务器的云，集合为{1,2,...k,...K}；

每个用户分别各通过一个信道接入某个MEC服务器，每个MEC服务器至少连接一个信道；每个信道和服务器的关系用矩阵map(n,k)记录。

步骤二、初始系统随机选取N个用户分别通过N个信道连接到K个MEC服务器；

将通信系统中的M个用户与N个信道的连接关系用二维矩阵表示，

S_m,n表示用户m与信道n连接的值；选中用户m与信道n连接，记录S_m,n为1，否则，记录S_m,n为0；当S_m,n为1时，该行对应的所有值均为0。

步骤三、被选中的用户在时间t内分别发送计算任务，通过N个信道传给K个MEC服务器进行运算，根据通信代价为每个用户匹配MEC服务器；

用户每一个要上传的计算任务用J＝(B_n,F_n)表示，B_n表示用户m发送的计算任务的大小；F_n表示要完成计算任务B_n所需要的CPU执行次数。

如图3所示，具体步骤为：

步骤301、针对用户m，通过信道n接入第k个MEC服务器，计算用户m的发送速率R_m；

其中w_n是信道n的带宽，p_m表示用户m的发射功率；g_n,m是信道n的信道增益；表示噪声功率。

步骤302、利用发送速率R_m，计算用户m发送计算任务B_n到MEC服务器k的发送时延Δ_t1；

步骤303、获取计算任务B_n在MEC服务器k上运行的运行时延Δ_exe；

其中map(n,k)表示信道n是否属于MEC服务器k，如果属于，map(n,k)取值为1，如果不属于，取值0。f_k表示MEC服务器k的所有计算资源；f_n表示每个用户在MEC服务器k分配到的平均计算资源。

由于一个信道服务一个用户，根据map(n,k)计算出MEC服务器k服务的用户数量，并且所有接入MEC服务器k的用户共享MEC服务器k的所有计算资源f_k，根据求出每个用户在MEC服务器k上分配的平均计算资源为f_n。

步骤304、根据发送时延Δ_t1以及运行时延Δ_exe，计算用户m通过信道n接入MEC服务器k，获取计算结果的时延

步骤305、计算用户m通过信道n发送计算任务B_n损耗的能量

步骤306、结合时延和损耗能量组成用户m通过信道n接入到MEC服务器的通信代价

α为时延的权重指数，β为损耗能量E的权重指数，满足β+α＝1，且β,α∈[0,1]；根据智能终端的具体使用情况设定。

考虑到不同的手机状态、运行着不同的应用时，对时延和能量会有不同的需求。比如当手机电量比较低时，将α设置一个较低的值，让通信代价更体现能量的消耗，模型更加灵活。

步骤307、针对用户m，统计该用户分别通过N个信道接入MEC服务器的通信代价，并组成1行N列的通信代价矩阵。

步骤308、针对M个用户，计算每个用户分别通过N个信道接入MEC服务器的通信代价，并组成M行N列的通信代价矩阵；

步骤309、当每个用户分别各通过一个信道接入MEC服务器后，计算所有用户最小的通信代价之和；

所有用户的最小通信代价之和为：

实际的情况中，一般用户数量会比基站的数量多很多

{x_mn}_M×N是最后选择的结果，x_mn表示用户m通过信道n上传计算任务给MEC服务器k的选择结果；x_mn∈[0,1]，其中，x_mn＝1表示用户m选择信道n上传计算任务给MEC服务器k；x_mn＝0，表示用户m没有选择信道n上传计算任务给MEC服务器k。

步骤310、根据最小的通信代价之和，给每个用户匹配对应的MEC服务器；

步骤四、当用户选择MEC服务器后在时间t内上传计算任务，计算每个用户的吞吐量；

系统吞吐量表示为所有用户的吞吐量之和；为保证公平性，将每个用户的吞吐量单独算出；根据用户选择的MEC服务器，计算每个用户的吞吐量。

针对用户m，当匹配MEC服务器后上传计算任务的吞吐量为

s[m]代表用户m被选择的次数；m_j表示用户m第j个计算任务的大小；m∈{1,2,3,...M}

步骤五、在时间t内，将所有用户的吞吐量降序排序，选择吞吐量低的前N个用户，分别计算各自的通信代价；

计算出每个用户的吞吐量后，将吞吐量降序排列，并且取出前N个用户，算出前N个用户的通信代价。

步骤六、针对吞吐量低的前N个用户，返回步骤三为每个用户选择MEC服务器；

本发明主要从用户数量变化对吞吐量的影响，用户数量增加对系统公平性影响用户数量增加对系统效用影响几方面来进行仿真分析，详细的仿真参数设置如表1所示：

表1

参数	值
		基站数	4
每个基站信道数	3
		信道带宽	5Mhz
服务器计算资源	10Ghz
		用户数	12-50
发送功率	50-100mW
		上传任务大小	50-5000KB

随着用户数增加系统通信代价变化的曲线图，如图4所示，其中HA采用的是基于匈牙利的选择算法，FA是基于公平性的选择算法。仿真场景设置为4个基站，系统的用户数量从1开始以1的间隔增长，共有20个用户。从图中可以看出，当系统的用户数量在12以下时，系统的通信代价在不断的增大；因为4个基站中每个基站有3个信道，也就是说，一共可以接受12个用户。当用户数没到达12时，每增加一个用户，就会增加一个用户的通信代价，所以在区间[1,12]系统的通信代价是不断上升的。

当系统的用户超过12时，曲线FA和HA都随着用户的增加出现下降的趋势。但是HA下降的趋势更加明显，这是因为HA每次选择服务器是以通信代价最低为目的，FA却是兼顾公平性和通信代价来选择用户的。相比较之下：FA的通信代价肯定没有HA低。但是从图中也可以明显的看出，FA曲线的趋势是在降低的。

随着用户数增加系统公平性的变化曲线图，如图5所示，其中HA采用的是基于匈牙利的选择算法，FA是基于公平性的选择算法。仿真场景设置为4个基站，系统的用户从12开始增加，最后系统共有50个用户；从图中可以明显的看出，随着用户的增加，HA系统的公平性迅速下降，系统的用户数量达到50时，系统的公平性下降了25％，但是FA的系统公平性只有些许的降低。

综上，FA兼顾了系统的公平性和用户的通信代价，如果系统不关注用户的公平性，只关注通信的代价，那么需要用HA算法。如果系统需要保证用户的公平性，那么最好使用FA算法。

随着系统用户数的增加系统效用的曲线图，如图6所示，其中HA采用的是基于匈牙利的选择算法，FA是基于公平性的选择算法。仿真场景设置为4个基站，用户数量从12增加到50。从仿真结果可以看出，随着用户数量的增加，系统的效用出现了先增加后减少的走势。使用FA算法的系统效用在用户数量到达23时达到最高，随后逐渐下降。最后到达4.8。使用HA算法的系统在用户数量达到14的时候系统效用最高。随后迅速下降，最后达到3.8。这说明FA算法有较高的系统效用，并且更加的稳定。

本发明是一种实现了计算和通信资源联合分配的MEC服务器选择算法，通过吞吐量进行服务器的选择，保证了用户的公平性，而且具有较低的通信代价。引入通信代价模型，联合通信和计算资源进行问题的考虑和实现，提高了系统的效用。

Claims (4)

1.一种基于公平性的MEC服务器选择方法，其特征在于，具体步骤如下：

步骤一、针对某个云通信系统，建立用户，信道与MEC服务器之间的系统模型；

每个用户分别各通过一个信道接入某个MEC服务器，每个MEC服务器至少连接一个信道；每个信道和MEC服务器的用关系矩阵map(n,k)记录；

步骤二、初始系统随机选取N个用户分别通过N个信道连接到K个MEC服务器；

步骤三、被选中的用户在时间t内分别发送计算任务，通过N个信道传给K个MEC服务器进行运算，根据通信代价为每个用户匹配MEC服务器；

每一个要上传的计算任务用J＝(B_n,F_n)表示，B_n表示用户m发送的计算任务的大小；F_n表示要完成计算任务B_n所需要的CPU执行次数；

步骤四、当用户选择MEC服务器后在时间t内上传计算任务，计算每个用户的吞吐量；

用户m上传计算任务的吞吐量为

s[m]代表用户m在时间t内上传的计算任务的数量；m_j表示用户m第j个计算任务的大小；

步骤五、在时间t内，将所有用户的吞吐量降序排序，选择吞吐量低的前N个用户，分别计算各自的通信代价；

步骤六、针对吞吐量低的前N个用户，返回步骤三为每个用户选择MEC服务器进行下一次计算。

2.如权利要求1所述的一种基于公平性的MEC服务器选择方法，其特征在于，所述的步骤三具体为：

步骤301、针对用户m，通过信道n接入第k个MEC服务器，计算用户m的发送速率R_m；

其中w_n是信道n的带宽，p_m表示用户m的发射功率；g_n,m是信道n的信道增益；表示噪声功率；

步骤302、利用发送速率R_m，计算用户m发送计算任务B_n到MEC服务器k的发送时延Δ_t1；

步骤303、获取计算任务B_n在MEC服务器k上运行的运行时延Δ_exe；

map(n,k)表示信道n是否属于MEC服务器k，如果属于，map(n,k)取值为1，如果不属于，取值0；f_k表示MEC服务器k的所有计算资源；f_n表示每个用户在MEC服务器k分配到的平均计算资源；

步骤304、根据发送时延Δ_t1以及运行时延Δ_exe，计算用户m通过信道n接入MEC服务器k，获取计算结果的时延

步骤305、计算用户m通过信道n发送计算任务B_n损耗的能量

步骤306、结合时延和损耗能量组成用户m通过信道n接入到MEC服务器的通信代价

α为时延的权重指数，β为损耗能量E的权重指数，满足β+α＝1，且β,α∈[0,1]；根据智能终端的具体使用情况设定；

步骤307、针对用户m，统计该用户分别通过N个信道接入MEC服务器的通信代价，并组成1行N列的通信代价矩阵；

步骤308、针对M个用户，计算每个用户分别通过N个信道接入MEC服务器的通信代价，并组成M行N列的通信代价矩阵；

步骤309、当每个用户分别各通过一个信道接入MEC服务器后，计算所有用户最小的通信代价之和；

所有用户的最小通信代价之和为：

x_mn表示用户m通过信道n上传计算任务给MEC服务器k的选择结果；x_mn∈[0,1]，其中，x_mn＝1表示用户m选择信道n上传计算任务给MEC服务器k；x_mn＝0，表示用户m没有选择MEC服务器k；

步骤310、根据最小的通信代价之和，给每个用户匹配对应的MEC服务器。

3.如权利要求1所述的一种基于公平性的MEC服务器选择方法，其特征在于，步骤一所述的通信系统中共包含M个用户，集合为{1,2,...m,...M}；N个信道，集合为{1,2,...n,...N}；M＞N；K个MEC服务器，集合为{1,2,...k,...K}。

4.如权利要求1所述的一种基于公平性的MEC服务器选择方法，其特征在于，所述的步骤二中，通信系统中的M个用户与N个信道的连接关系用二维矩阵表示：

S_m,n表示用户m与信道n连接的值；选中用户m与信道n连接，记录S_m,n为1，否则，记录S_m,n为0。