CN108632813A - 移动边缘计算的移动性管理方法及系统 - Google Patents
移动边缘计算的移动性管理方法及系统 Download PDFInfo
- Publication number
- CN108632813A CN108632813A CN201810486701.9A CN201810486701A CN108632813A CN 108632813 A CN108632813 A CN 108632813A CN 201810486701 A CN201810486701 A CN 201810486701A CN 108632813 A CN108632813 A CN 108632813A
- Authority
- CN
- China
- Prior art keywords
- mec
- migration
- mobile edge
- edge calculations
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/26—Network addressing or numbering for mobility support
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
- H04W8/08—Mobility data transfer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种移动边缘计算的移动性管理方法及系统,其中,方法包括:获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定系统UE的位置变化;目标MEC在获取系统UE的承载变化后,保证系统UE在不同MEC区域移动过程中能连续使用MEC应用的服务;根据迁移决策,将移动边缘计算应用程序从系统源MEC迁移到系统目标MEC;在系统迁移结束后,系统目标MEC进行路由更新,为系统UE提供本地的移动边缘计算服务;系统目标MEC为系统UE提供服务,同时向系统源MEC发出通知,系统源MEC根据系统应用程序的使用情况,决定是否关闭。该方法能够在保证用户服务质量的前提下,有效的实现能量最优化。
Description
技术领域
本发明涉及移动管理决策技术领域,特别涉及一种移动边缘计算的移动性管理方法及系统。
背景技术
当今世界流量爆炸性增长,虚拟现实所需的接近实时响应时间和物联网所需的海量数目连接等要求也都超出了现有网络的承受能力。为了应对上述挑战,业界在5G移动网络中采用了MEC(Mobile Edge Computing移动边缘计算)。
根据ETSI(European Telecommunications Standards Institute欧洲电信标准化协会)的定义,MEC通过在无线接入网部署通用服务器,为无线接入网提供IT和云计算能力。MEC系统允许移动设备将计算任务卸载到网络边缘节点,如基站和无线接入点等,从而可以将业务本地化,在接入网处理用户请求。这减少了用户等待时间,确保了高效的网络运行和服务交付,同时也缓解了网络流量的回传需求,降低了网络运营成本。因而MEC迅速成为5G的一项关键技术,使得接入网具有了高带宽和低延迟地处理信息,感知网络上下文信息和向第三方边缘应用开放等能力,有助于5G网络达到低时延、高能效、高容量和高可靠性等技术指标。
尽管MEC给5G带来巨大的潜在收益,但将MEC应用于实践仍面临许多挑战,移动性管理正是关键瓶颈之一。移动性管理的功能是跟踪移动UE(User Equipment用户设备)并将其与适当的BS(Base Station基站)相关联,使得移动系统能够交付数据和服务。这一技术已经广泛应用于传统的异构蜂窝网络,能够实现动态移动性管理并保证高数据速率和低误码率。但是现有的移动性管理技术并不能直接应用到5G网络中,因为它忽略了MEC服务器上的计算资源对切换策略的影响。当UE在MEC处进行卸载计算时,确保服务的连续性是非常重要的,比如车联网中,车辆需要实时地上传位置信息,并且MEC需对周围的车辆信息进行汇总计算并给出指导或警告。
当一个移动用户从一个区域移动到另一个区域时,既可以继续在前一个区域的MEC上运行服务,并通过回程网络将数据传输给用户,也可以将承载应用程序的虚拟机或数据迁移到新区域中的MEC。这两种情况都会有成本:第1种情况是数据传输成本,第2种情况是迁移成本;并且两种情况中用户获得服务的延迟也不相同。因此,制定一个能量高效且保证用户服务质量的虚拟机迁移策略是本专利考虑的关键问题。
现有的移动性管理中的决策方法,都是通过对用户的移动,MEC的分布和全程的能量消耗和用户服务延迟进行分析和建模,然后做出决策。下面将介绍两种现有的决策方案。为了使本文的叙述更加简明,下文中把运行用户的边缘应用程序的MEC称为通信MEC。
将用户在蜂窝网络中的移动简化为一维模型,用户在移动过程中会进入新的MEC区域,按照用户与通信MEC的距离由近及远将其他MEC区域划分为状态1,2,…,thr。thr表示用户和通信MEC的最远距离,当用户和MEC的距离超过这个范围后将强制进行虚拟机迁移。在除0和thr外的每个状态下,用户都有两个选择:向前走(概率为p)和向后走(概率为1-p)。用户在每个状态的停留时间服从参数为μ的指数分布。在除0和thr外的每个状态下,系统也有两个选择:不进行虚拟机迁移,也即通过回程链路与MEC进行通信(概率为a1)和进行虚拟机迁移(概率为a2)。当进行虚拟机迁移后,用户与通信MEC的距离重归于0,也即系统状态回到0。根据上述信息可以得到下图所示的状态转移图。
进一步,在各个状态下,定义能耗函数r(s,a),与系统状态s和迁移决策a有关。如果进行了虚拟机迁移,r是一个表示迁移耗能的常量。如果没有进行虚拟机迁移,r是一个与系统状态s有关的变量,距离越远,耗能越多。
将状态转移图和能耗函数结合,可以将VM迁移策略变为一个连续时间马尔可夫决策过程,并尝试在启动VM迁移时找到最佳阈值策略。该策略允许在用户体验质量和服务迁移产生的成本之间取得良好平衡。仿真结果表明,与其他不迁移和频繁迁移两个基本策略相比,所提出的服务迁移决策机制总是达到最大的期望收益。
如图1所示,现有技术一虽然给出了用户移动过程中的状态转移图,但其中关于系统状态的分析是不准确的。这是因为实际中的MEC的分布是一个蜂窝网络,用户在不同的MEC区域间移动时不能简单的等效为不同距离之间的转化,而应基于蜂窝网络做出进一步的研究推理。
把用户在MEC区域中的移动归纳为一维移动模型。用户向右边MEC区域移动的概率为p,向左边MEC区域移动的概率为q。由此可以看出此一维模型是不对称的。为了保证用户服务质量,用户和MEC服务器之间的最大允许距离通常有限制,通过最大负偏移量M和最大正偏移量N对此限制进行建模,使得当节点进入状态M或N时必须进行虚拟机迁移服务。用户到达新的MEC区域后,都会进行虚拟机迁移与否的决策。通过上述模型可以推得状态转移图如图2所示。
然后定义每个状态下的虚拟机迁移成本和回程链路通信成本,为了方便计算,此文献中的两类成本都是和距离以及系统状态无关的常量。因此进一步的把此问题变为了马尔可夫决策过程。此文献接下来证明了是否进行虚拟机迁移与用户和通信MEC的距离有关,且存在一个门限,大于门限值时进行虚拟机迁移,小于门限值时不进行。并且在文章最后给出了求门限值的迭代方法。
现有技术二的第一个局限性是对用户移动的情况建模的太过简单,用户在二维平面的移动不能简单的等效为一维模型。第二个局限性是把系统的两类成本视为常量是不科学的,用户和MEC的距离越远,通信成本应随之增加。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种移动边缘计算的移动性管理方法,该方法具有在保证用户服务质量的前提下,有效的实现能量最优化的优点。
本发明的另一个目的在于提出一种移动边缘计算的移动性管理系统。
为达到上述目的,本发明一方面实施例提出了一种移动边缘计算的移动性管理方法,包括以下步骤:获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定所述UE的位置变化;目标MEC在获取所述UE的承载变化后,确定源MEC并向其请求数据,以保证所述UE在不同MEC区域移动过程中能连续使用MEC应用的服务;根据迁移决策,将移动边缘计算应用程序从所述源MEC迁移到所述目标MEC;在所述迁移结束后,所述目标MEC进行路由更新,同时开启应用程序,为所述UE提供本地的移动边缘计算服务;路由规则改变后,所述目标MEC为所述UE提供服务,同时向所述源MEC发出通知,所述源MEC根据所述应用程序的使用情况,决定是否关闭。
本发明实施例的移动边缘计算的移动性管理方法,通过根据EU自身IP的地址以及承载路径的变化确定EU位置,进而保证不同的MEC持续给EU提供服务,根据迁移决策,将移动边缘计算应用程序从系统源MEC迁移到系统目标MEC并进行一系列更新和优化,以实现移动边缘计算的移动性管理,具有在保证用户服务质量的前提下,有效的实现能量最优化的优点。
另外,根据本发明上述实施例的移动边缘计算的移动性管理方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述根据迁移决策,将移动边缘计算应用程序从所述源MEC迁移到所述目标MEC包括:移动边缘应用程序在所述MEC平台的虚拟机中运行,进行所述迁移的数据为应用程序的配置数据和用户信息配置数据;其中,所述目标MEC在开启新的虚拟机后,接受数据并复原所述应用程序,以向所述UE提供计算服务,并由所述目标MEC的移动性管理功能模块进行判断是否需要迁移;所述目标MEC获取自身运转状况、与所述源MEC距离、需传输的虚拟机大小以及所述移动边缘应用程序的类型,以判定是否进行所述数据迁移或继续维持用户与所述源MEC的通信。
进一步地,在本发明的一个实施例中,建立迁移决策模型以进行所述迁移决策,包括:简化每个所述MEC控制一个基站,即每个正六边形区域属于一个所述MEC节点。
进一步地,在本发明的一个实施例中,在所述迁移决策中的转移概率为:
其中,s为系统状态,s'为系统下一状态,4≤n≤(k+1)。
进一步地,在本发明的一个实施例中,在所述迁移决策的具体方法为:
确定一个决策策略f,f∈π;
对于所有的s∈S,求解下面|S|个方程
其中,γ是折扣因子,表示对未来回报的重视程度;st表示t时刻的系统状态;
将上一步求得的V(s)带入下面的式子,求得对于所有s∈S,满足式子条件的新决策策略f';
若对于所有的s∈S,上式的等号都成立,则返回最优策略f';
根据得到的最优策略,对所述目标MEC是否需要进行虚拟机迁移进行判断。
为达到上述目的,本发明另一方面实施例提出了一种移动边缘计算的移动性管理系统,包括:获取模块,用于获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定所述UE的位置变化;连接模块,用于目标MEC在获取所述UE的承载变化后,确定源MEC并向其请求数据,以保证所述UE在不同MEC区域移动过程中能连续使用MEC应用的服务;迁移模块,用于根据迁移决策,将移动边缘计算应用程序从所述源MEC迁移到所述目标MEC;更新模块,用于在所述迁移结束后,所述目标MEC进行路由更新,同时开启应用程序,为所述UE提供本地的移动边缘计算服务;管理模块,用于路由规则改变后,所述目标MEC为所述UE提供服务,同时向所述源MEC发出通知,所述源MEC根据所述应用程序的使用情况,决定是否关闭。
本发明实施例的移动边缘计算的移动性管理系统,通过根据EU自身IP的地址以及承载路径的变化确定EU位置,进而保证不同的MEC持续给EU提供服务,根据迁移决策,将移动边缘计算应用程序从系统源MEC迁移到系统目标MEC并进行一系列更新和优化,以实现移动边缘计算的移动性管理,具有在保证用户服务质量的前提下,有效的实现能量最优化的优点。
另外,根据本发明上述实施例的移动边缘计算的移动性管理系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述迁移模块还包括:移动边缘应用程序在所述MEC平台的虚拟机中运行,进行所述迁移的数据为应用程序的配置数据和用户信息配置数据;第一判断单元,用于在所述目标MEC在开启新的虚拟机后,接受数据并复原所述应用程序,以向所述UE提供计算服务,并由所述目标MEC的移动性管理功能模块进行判断是否需要迁移;第二判断单元,用于所述目标MEC获取自身运转状况、与所述源MEC距离、需传输的虚拟机大小以及所述移动边缘应用程序的类型,以判定是否进行所述数据迁移或继续维持用户与所述源MEC的通信。
进一步地,在本发明的一个实施例中,所述迁移模块还用于简化每个所述MEC控制一个基站,即每个正六边形区域属于一个所述MEC节点。
进一步地,在本发明的一个实施例中,在所述迁移决策中的转移概率为:
其中,s为系统状态,s'为系统下一状态,4≤n≤(k+1)。
进一步地,在本发明的一个实施例中,所述迁移模块还用于:
确定一个决策策略f,f∈π;
对于所有的s∈S,求解下面|S|个方程
其中,γ是折扣因子,表示对未来回报的重视程度;st表示t时刻的系统状态;
将上一步求得的V(s)带入下面的式子,求得对于所有s∈S,满足式子条件的新决策策略f';
若对于所有的s∈S,上式的等号都成立,则返回最优策略f';
根据得到的最优策略,对所述目标MEC是否需要进行虚拟机迁移进行判断。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明现有技术一的状态转移示意图;
图2为本发明现有技术二的状态转移示意图;
图3为根据本发明一个实施例的移动边缘计算的移动性管理方法的流程图;
图4为根据本发明一个实施例的移动边缘计算的移动性管理方法的3GPP蜂窝网络示意图;
图5为根据本发明一个实施例的移动边缘计算的移动性管理方法的4层蜂窝网络的状态转移示意图;
图6为根据本发明一个实施例的移动边缘计算的移动性管理系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的移动边缘计算的移动性管理方法及系统,首先将参照附图描述根据本发明实施例提出的移动边缘计算的移动性管理方法。
图3是本发明一个实施例的移动边缘计算的移动性管理方法的结构示意图。
如图3所示,该移动边缘计算的移动性管理方法包括以下步骤:
在步骤S101中,获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定UE的位置变化。
在本发明的一个实施例中,当UE从正在进行边缘计算服务的MEC区域移动到另一个MEC(目标MEC)区域时,会导致其承载路径的改变。其中,UE可以通过自身IP地址的变化意识到承载路径的变化。
在步骤S102中,目标MEC在获取UE的承载变化后,确定源MEC并向其请求数据,以保证UE在不同MEC区域移动过程中能连续使用MEC应用的服务。
在本发明的一个实施例中,服务重定向,目的是保证UE在不同MEC区域移动过程中能够连续的继续使用边缘计算应用的服务,为了达到这一目的,目标MEC在侦测到UE的承载变化后,会与其他的边缘计算节点进行通信,在确定了源MEC(也即正在向UE提供边缘计算服务的MEC)之后,会向其请求数据。这时的目标MEC充当的是UE和源MEC通信桥梁的角色。
在步骤S103中,根据迁移决策,将移动边缘计算应用程序从源MEC迁移到目标MEC。
在本发明的一个实施例中,应用重定向,是指将移动边缘计算应用程序从源MEC迁移到目标MEC。由于移动边缘应用程序是运行在MEC平台的虚拟机中的,所以进行迁移的数据分为两部分,分别是应用程序的配置数据和用户信息配置数据。目标MEC在开启新的虚拟机后,可以接受数据并复原应用程序,从而可以向UE继续提供计算服务。至于是否需要进行迁移,则应该由目标MEC的移动性管理功能模块进行判断。目标MEC根据自身运转状况、与源MEC距离、需传输的虚拟机大小和移动边缘应用程序的类型等因素,执行迁移决策策略进行判定:是进行虚拟机和数据迁移,还是继续维持用户与源MEC的通信。
具体来说,第3代合作伙伴网络采用正六边形小区形式覆盖所有区域,每个基站的覆盖范围被近似视为一个正六边形。实际中MEC通常会控制几个基站的区域,我们为了突出研究模型,简化为每个MEC控制一个基站,也即每个正六边形区域各自属于一个MEC节点。为了简化叙述,称用户进行边缘应用程序计算所在的MEC为源MEC。我们研究的前提约束条件是保证对用户的服务质量,也即将用户与通信MEC的延迟控制在一定范围内。这可以通过限定用户和通信MEC的最大距离来保证,我们限定用户和通信MEC的最大距离为k个小区。比如k=3时,可以得到图3所示的蜂窝网络。如果此时源MEC在小区C(1,1),那么用户与其通信的最远位置为小区C(4,1-18);如果用户进入更远的小区,就会跳过策略判断,直接将虚拟机迁移至用户所在小区的MEC,以保证服务质量。
进一步地,在本发明的一个实施例中,如图3所示,固定源MEC的位置为C(1,1),如果执行策略后将虚拟机迁移到新的小区,就把新的MEC编号为C(1,1),其余小区编号做出相应改变。同时默认用户的初始位置为C(1,1),即恰好进行完一次虚拟机迁移。处于蜂窝网络中的UE,周围有6个小区。假设UE移动到任意一个邻居小区的概率均是r,则UE在小区不移动的概率是(1-6r)。
按照小区由内而外的顺序分为(k+1)层,第n层(n>1)共有6(n-1)个小区。将第n层的小区分为(n-1)类,每一类有6个,分别位于正六边形6条边的相同位置:
Snm={C(n,m+i(n-1))|i=0,1,2,3,4,5,1≤m≤(n-1),m∈N},
设S11={C(1,1)}。所有类的集合即为系统状态S,
S=S11∪{Snm|2≤n≤(k+1),1≤m≤(n-1),n∈N,m∈N}。
把第n层划分为(n-1)类是因为同层不同的类节点之间的状态转移概率是不同。用户在每个状态时,只能向地理位置相邻的状态进行转移转移的概率已经在前面讨论过,由此可得,k=3时的状态转移图如图4所示,这是一个马尔可夫链,每个状态时的转移概率仅和当前状态有关,和之前的状态无关。
结合图4和蜂窝网络结构,可知系统转移概率是一个和状态S及行动集A有关的函数。设当前状态为s=snm,下一状态为s'。这里4≤n≤(k+1),n更小的情况可以在图3直接读出。推得转移概率为:
在步骤S104中,在迁移结束后,目标MEC进行路由更新,同时开启应用程序,为UE提供本地的移动边缘计算服务。
在本发明的一个实施例中,随着用户逐渐远离源MEC,应用迁移必然会发生。在迁移结束后,目标MEC进行路由更新,同时开启应用程序,从而为UE提供本地的移动边缘计算服务。
进一步地,在本发明的一个实施例中,在蜂窝网络的用户移动模型和状态转移概率的基础上,确定马尔可夫决策过程的决策时刻集、行动集、系统状态集和回报函数,进而确定优化目标函数和解决方法。
决策时刻集T={0,1,2,…},用户的每次移动当作系统的一个时刻。当用户进入到新的小区后,开始执行判决策略决定是否需要进行虚拟机迁移。
系统的行动集A={a1,a2},a1表示进行虚拟机迁移,a2表示不进行虚拟机迁移,从而UE仍和原MEC进行通信。当然根据状态采取的对应行动是需要系统进行判定的。
回报函数R(s,a)是一个与系统状态s和行动a有关的函数。它用来衡量当前状态s下,采用不同的行动a带来的系统收益。R的具体定义可以依据系统的实际需求,比如定义为系统总能耗,用户的服务延迟或者是两者的一定比例结合。
基于行动集、状态集、转移概率和回报函数,定义目标函数V(s,a)为系统在状态s和策略a时的期望回报。目标函数表示的是系统的总收益,包括当前的系统收益和以一定比例呈现的将来的系统收益,在下面的公式中,第一部分表示当前的收益,第二部分表示一定比例折算的将来收益。其中γ是折扣因子,表示对未来回报的重视程度;st表示t时刻的系统状态,以递归形式表示为:
在步骤S105中,路由规则改变后,目标MEC为UE提供服务,同时向源MEC发出通知,源MEC根据应用程序的使用情况,决定是否关闭。
在本发明的一个实施例中,当路由规则改变后,目标MEC开始为UE提供服务,同时向源MEC的管理模块发出通知,源MEC根据当前此应用程序的使用人数情况及耗能情况,决定是否关闭此应用程序。整个移动性过程也顺利结束。
具体而言,在本发明的一个实施例中,该决策过程的最终目标是整个系统的能耗最低,因此推得最优的目标函数为:
进行迁移决策时,具体方法如下:
步骤1:确定一个决策策略f,f∈π;
步骤2:对于所有的s∈S,求解下面|S|个方程
步骤3:将上一步求得的V(s)带入下面的式子,求得对于所有s∈S,满足式子条件的新决策策略f'(若有多个满足条件的则任取一组):
步骤4:如果对于所有的s∈S,上式的等号都成立,则返回最优策略f';否则令f=f'并返回步骤2。
步骤5:根据得到的最优策略,对当前目标MEC是否需要进行虚拟机迁移进行判断。
本发明实施例的移动边缘计算的移动性管理方法,通过根据EU自身IP的地址以及承载路径的变化确定EU位置,进而保证不同的MEC持续给EU提供服务,根据迁移决策,将移动边缘计算应用程序从系统源MEC迁移到系统目标MEC并进行一系列更新和优化,以实现移动边缘计算的移动性管理,具有在保证用户服务质量的前提下,有效的实现能量最优化的优点。
其次参照附图描述根据本发明实施例提出的移动边缘计算的移动性管理系统。
图6是本发明一个实施例的移动边缘计算的移动性管理系统的结构示意图。
如图6所示,该移动边缘计算的移动性管理系统10包括:获取模块100、连接模块200、迁移模块300、更新模块400和管理模块500。
其中,获取模块100用于获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定UE的位置变化。连接模块200用于目标MEC在获取UE的承载变化后,确定源MEC并向其请求数据,以保证UE在不同MEC区域移动过程中能连续使用MEC应用的服务。迁移模块300用于根据迁移决策,将移动边缘计算应用程序从源MEC迁移到目标MEC。更新模块400用于在迁移结束后,目标MEC进行路由更新,同时开启应用程序,为UE提供本地的移动边缘计算服务。管理模块500用于路由规则改变后,目标MEC为UE提供服务,同时向源MEC发出通知,源MEC根据应用程序的使用情况,决定是否关闭。该移动边缘计算的移动性管理系统10具有在保证用户服务质量的前提下,有效的实现能量最优化的优点。
进一步地,在本发明的一个实施例中,迁移模块还包括:移动边缘应用程序在MEC平台的虚拟机中运行,进行迁移的数据为应用程序的配置数据和用户信息配置数据;第一判断单元,用于在目标MEC在开启新的虚拟机后,接受数据并复原应用程序,以向UE提供计算服务,并由目标MEC的移动性管理功能模块进行判断是否需要迁移;第二判断单元,用于目标MEC获取自身运转状况、与源MEC距离、需传输的虚拟机大小以及移动边缘应用程序的类型,以判定是否进行数据迁移或继续维持用户与源MEC的通信。
进一步地,在本发明的一个实施例中,迁移模块还用于简化每个MEC控制一个基站,即每个正六边形区域属于一个MEC节点。
进一步地,在本发明的一个实施例中,在迁移决策中的转移概率为:
其中,s为系统状态,s'为系统下一状态,4≤n≤(k+1)。
进一步地,在本发明的一个实施例中,迁移模块还用于:
确定一个决策策略f,f∈π;
对于所有的s∈S,求解下面|S|个方程
其中,γ是折扣因子,表示对未来回报的重视程度;st表示t时刻的系统状态;
将上一步求得的V(s)带入下面的式子,求得对于所有s∈S,满足式子条件的新决策策略f';
若对于所有的s∈S,上式的等号都成立,则返回最优策略f';
根据得到的最优策略,对目标MEC是否需要进行虚拟机迁移进行判断。
需要说明的是,前述对移动边缘计算的移动性管理方法实施例的解释说明也适用于该实施例的移动边缘计算的移动性管理系统,此处不再赘述。
本发明实施例的移动边缘计算的移动性管理系统,通过根据EU自身IP的地址以及承载路径的变化确定EU位置,进而保证不同的MEC持续给EU提供服务,根据迁移决策,将移动边缘计算应用程序从系统源MEC迁移到系统目标MEC并进行一系列更新和优化,以实现移动边缘计算的移动性管理,具有在保证用户服务质量的前提下,有效的实现能量最优化的优点。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的系统或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种移动边缘计算的移动性管理方法,其特征在于,包括以下步骤:
获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定所述UE的位置变化;
目标MEC在获取所述UE的承载变化后,确定源MEC并向其请求数据,以保证所述UE在不同MEC区域移动过程中能连续使用MEC应用的服务;
根据迁移决策,将移动边缘计算应用程序从所述源MEC迁移到所述目标MEC;
在所述迁移结束后,所述目标MEC进行路由更新,同时开启应用程序,为所述UE提供本地的移动边缘计算服务;
路由规则改变后,所述目标MEC为所述UE提供服务,同时向所述源MEC发出通知,所述源MEC根据所述应用程序的使用情况,决定是否关闭。
2.根据权利要求1所述的移动边缘计算的移动性管理方法,其特征在于,所述根据迁移决策,将移动边缘计算应用程序从所述源MEC迁移到所述目标MEC包括:
移动边缘应用程序在所述MEC平台的虚拟机中运行,进行所述迁移的数据为应用程序的配置数据和用户信息配置数据;
其中,所述目标MEC在开启新的虚拟机后,接受数据并复原所述应用程序,以向所述UE提供计算服务,并由所述目标MEC的移动性管理功能模块进行判断是否需要迁移;
所述目标MEC获取自身运转状况、与所述源MEC距离、需传输的虚拟机大小以及所述移动边缘应用程序的类型,以判定是否进行所述数据迁移或继续维持用户与所述源MEC的通信。
3.根据权利要求2所述的移动边缘计算的移动性管理方法,其特征在于,建立迁移决策模型以进行所述迁移决策,包括:
简化每个所述MEC控制一个基站,即每个正六边形区域属于一个所述MEC节点。
4.根据权利要求3所述的移动边缘计算的移动性管理方法,其特征在于,在所述迁移决策中的转移概率为:
其中,s为系统状态,s'为系统下一状态,4≤n≤(k+1)。
5.根据权利要求4所述的移动边缘计算的移动性管理方法,其特征在于,在所述迁移决策的具体方法为:
确定一个决策策略f,f∈π;
对于所有的s∈S,求解下面|S|个方程
其中,γ是折扣因子,表示对未来回报的重视程度;st表示t时刻的系统状态;
将上一步求得的V(s)带入下面的式子,求得对于所有s∈S,满足式子条件的新决策策略f';
若对于所有的s∈S,上式的等号都成立,则返回最优策略f';
根据得到的最优策略,对所述目标MEC是否需要进行虚拟机迁移进行判断。
6.一种移动边缘计算的移动性管理系统,其特征在于,包括:
获取模块,用于获取UE自身IP地址的变化以得到承载路径的变化,并通过对数据包的分析确定所述UE的位置变化;
连接模块,用于目标MEC在获取所述UE的承载变化后,确定源MEC并向其请求数据,以保证所述UE在不同MEC区域移动过程中能连续使用MEC应用的服务;
迁移模块,用于根据迁移决策,将移动边缘计算应用程序从所述源MEC迁移到所述目标MEC;
更新模块,用于在所述迁移结束后,所述目标MEC进行路由更新,同时开启应用程序,为所述UE提供本地的移动边缘计算服务;
管理模块,用于路由规则改变后,所述目标MEC为所述UE提供服务,同时向所述源MEC发出通知,所述源MEC根据所述应用程序的使用情况,决定是否关闭。
7.根据权利要求6所述的移动边缘计算的移动性管理系统,其特征在于,所述迁移模块还包括:
移动边缘应用程序在所述MEC平台的虚拟机中运行,进行所述迁移的数据为应用程序的配置数据和用户信息配置数据;
第一判断单元,用于在所述目标MEC在开启新的虚拟机后,接受数据并复原所述应用程序,以向所述UE提供计算服务,并由所述目标MEC的移动性管理功能模块进行判断是否需要迁移;
第二判断单元,用于所述目标MEC获取自身运转状况、与所述源MEC距离、需传输的虚拟机大小以及所述移动边缘应用程序的类型,以判定是否进行所述数据迁移或继续维持用户与所述源MEC的通信。
8.根据权利要求7所述的移动边缘计算的移动性管理系统,其特征在于,所述迁移模块还用于简化每个所述MEC控制一个基站,即每个正六边形区域属于一个所述MEC节点。
9.根据权利要求8所述的移动边缘计算的移动性管理系统,其特征在于,在所述迁移决策中的转移概率为:
其中,s为系统状态,s'为系统下一状态,4≤n≤(k+1)。
10.根据权利要求9所述的移动边缘计算的移动性管理系统,其特征在于,所述迁移模块还用于:
确定一个决策策略f,f∈π;
对于所有的s∈S,求解下面|S|个方程
其中,γ是折扣因子,表示对未来回报的重视程度;st表示t时刻的系统状态;
将上一步求得的V(s)带入下面的式子,求得对于所有s∈S,满足式子条件的新决策策略f';
若对于所有的s∈S,上式的等号都成立,则返回最优策略f';
根据得到的最优策略,对所述目标MEC是否需要进行虚拟机迁移进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486701.9A CN108632813B (zh) | 2018-05-21 | 2018-05-21 | 移动边缘计算的移动性管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810486701.9A CN108632813B (zh) | 2018-05-21 | 2018-05-21 | 移动边缘计算的移动性管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108632813A true CN108632813A (zh) | 2018-10-09 |
CN108632813B CN108632813B (zh) | 2021-05-28 |
Family
ID=63693965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810486701.9A Active CN108632813B (zh) | 2018-05-21 | 2018-05-21 | 移动边缘计算的移动性管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108632813B (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121151A (zh) * | 2018-11-01 | 2019-01-01 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
CN109347739A (zh) * | 2018-11-14 | 2019-02-15 | 电子科技大学 | 为多接入边缘计算提供资源配置和接入点选择策略的方法 |
CN109375999A (zh) * | 2018-10-23 | 2019-02-22 | 北京工业大学 | 一种基于贝叶斯网络的mec随机任务迁移方法 |
CN109725949A (zh) * | 2018-12-25 | 2019-05-07 | 南京邮电大学 | 一种基于移动代理的移动边缘计算卸载系统及方法 |
CN109905859A (zh) * | 2019-01-14 | 2019-06-18 | 南京信息工程大学 | 一种用于车联网应用的高效边缘计算迁移方法 |
CN110621006A (zh) * | 2019-09-27 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 用户设备的接入处理方法、智能设备及计算机存储介质 |
CN110912999A (zh) * | 2019-11-26 | 2020-03-24 | 航天科工网络信息发展有限公司 | 一种基于马尔可夫决策的服务迁移方法以及装置 |
CN110933609A (zh) * | 2019-11-26 | 2020-03-27 | 航天科工网络信息发展有限公司 | 一种基于动态环境感知的服务迁移方法以及装置 |
CN111049917A (zh) * | 2019-12-19 | 2020-04-21 | 电子科技大学 | 一种基于移动边缘计算的移动感知多用户卸载优化方法 |
CN111083634A (zh) * | 2019-12-16 | 2020-04-28 | 重庆邮电大学 | 基于cdn和mec的车联网移动性管理方法 |
CN111148174A (zh) * | 2019-12-13 | 2020-05-12 | 北京邮电大学 | 一种移动边缘计算中服务迁移路径选择方法 |
CN111225016A (zh) * | 2018-11-23 | 2020-06-02 | 财团法人工业技术研究院 | 网络服务系统及网络服务方法 |
CN111447652A (zh) * | 2020-03-20 | 2020-07-24 | 中移雄安信息通信科技有限公司 | 移动终端的移动边缘运算主机的切换方法、装置及设备 |
CN111800282A (zh) * | 2019-04-08 | 2020-10-20 | 阿里巴巴集团控股有限公司 | 网络系统、实例管控方法、设备及存储介质 |
WO2020259509A1 (zh) * | 2019-06-28 | 2020-12-30 | 华为技术有限公司 | 一种应用迁移方法及装置 |
CN112202892A (zh) * | 2020-09-30 | 2021-01-08 | 中国联合网络通信集团有限公司 | 一种mec边界的确定方法及装置 |
CN112445582A (zh) * | 2019-08-28 | 2021-03-05 | 中国电信股份有限公司 | 应用迁移方法、装置和系统、计算机可读存储介质 |
CN112583903A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种服务自适应访问方法、装置、电子设备及存储介质 |
CN112600827A (zh) * | 2020-12-10 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 基于增量式最小费用最大流的虚拟服务迁移方法及系统 |
CN112752253A (zh) * | 2019-10-30 | 2021-05-04 | 大唐移动通信设备有限公司 | 消息传输方法及装置 |
CN112788086A (zh) * | 2019-11-11 | 2021-05-11 | 中国移动通信有限公司研究院 | 一种移动边缘计算应用数据迁移方法、装置及核心网节点 |
CN112866012A (zh) * | 2021-01-05 | 2021-05-28 | 金陵科技学院 | 非线性能量收集无线供电mec中卸载和能量联合优化算法 |
CN113032111A (zh) * | 2019-12-24 | 2021-06-25 | 中国电信股份有限公司 | 应用程序的迁移方法、装置、系统和计算机可读存储介质 |
WO2021135663A1 (zh) * | 2019-12-31 | 2021-07-08 | 华为技术有限公司 | 应用实例确定的方法、装置及系统 |
CN113382032A (zh) * | 2020-03-10 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 云节点变更、网络扩展、服务提供方法、设备及介质 |
CN113396573A (zh) * | 2019-02-06 | 2021-09-14 | 瑞典爱立信有限公司 | 计算服务的迁移 |
CN113498139A (zh) * | 2020-04-03 | 2021-10-12 | 苹果公司 | 用于多接入边缘计算的数据分析 |
CN113630818A (zh) * | 2020-05-08 | 2021-11-09 | 中国移动通信有限公司研究院 | 重定向方法、装置、相关设备及存储介质 |
CN113938812A (zh) * | 2020-06-29 | 2022-01-14 | 中国移动通信有限公司研究院 | 应用服务的重定向方法、装置及存储介质 |
CN114051034A (zh) * | 2021-11-24 | 2022-02-15 | 重庆大学 | 移动边缘计算环境中动态服务器开关机管理方法和装置 |
US11374815B2 (en) * | 2020-03-25 | 2022-06-28 | Fujitsu Limited | Network configuration diagram generate method and recording medium |
CN115039391A (zh) * | 2020-02-03 | 2022-09-09 | 三星电子株式会社 | 用于提供边缘计算服务的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018539A (zh) * | 2016-01-27 | 2017-08-04 | 中兴通讯股份有限公司 | 应用的移动性的处理方法及装置 |
CN108029042A (zh) * | 2015-08-28 | 2018-05-11 | 高通股份有限公司 | 小型小区应用平台 |
US20180139274A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Application based intelligent edge computing in a low power wide area network environment |
-
2018
- 2018-05-21 CN CN201810486701.9A patent/CN108632813B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108029042A (zh) * | 2015-08-28 | 2018-05-11 | 高通股份有限公司 | 小型小区应用平台 |
CN107018539A (zh) * | 2016-01-27 | 2017-08-04 | 中兴通讯股份有限公司 | 应用的移动性的处理方法及装置 |
US20180139274A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Application based intelligent edge computing in a low power wide area network environment |
Non-Patent Citations (1)
Title |
---|
王秋宁, 等: "移动边缘计算的移动性管理研究", 《中兴通讯技术》 * |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375999A (zh) * | 2018-10-23 | 2019-02-22 | 北京工业大学 | 一种基于贝叶斯网络的mec随机任务迁移方法 |
CN109121151A (zh) * | 2018-11-01 | 2019-01-01 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
CN109121151B (zh) * | 2018-11-01 | 2021-06-11 | 南京邮电大学 | 小蜂窝集成移动边缘计算下分布式卸载方法 |
CN109347739A (zh) * | 2018-11-14 | 2019-02-15 | 电子科技大学 | 为多接入边缘计算提供资源配置和接入点选择策略的方法 |
CN109347739B (zh) * | 2018-11-14 | 2021-06-22 | 电子科技大学 | 为多接入边缘计算提供资源配置和接入点选择策略的方法 |
CN111225016B (zh) * | 2018-11-23 | 2022-05-03 | 财团法人工业技术研究院 | 网络服务系统及网络服务方法 |
CN111225016A (zh) * | 2018-11-23 | 2020-06-02 | 财团法人工业技术研究院 | 网络服务系统及网络服务方法 |
CN109725949A (zh) * | 2018-12-25 | 2019-05-07 | 南京邮电大学 | 一种基于移动代理的移动边缘计算卸载系统及方法 |
CN109905859A (zh) * | 2019-01-14 | 2019-06-18 | 南京信息工程大学 | 一种用于车联网应用的高效边缘计算迁移方法 |
CN109905859B (zh) * | 2019-01-14 | 2021-09-28 | 南京信息工程大学 | 一种用于车联网应用的高效边缘计算迁移方法 |
CN113396573B (zh) * | 2019-02-06 | 2024-02-20 | 瑞典爱立信有限公司 | 计算服务的迁移 |
CN113396573A (zh) * | 2019-02-06 | 2021-09-14 | 瑞典爱立信有限公司 | 计算服务的迁移 |
CN111800282A (zh) * | 2019-04-08 | 2020-10-20 | 阿里巴巴集团控股有限公司 | 网络系统、实例管控方法、设备及存储介质 |
WO2020259509A1 (zh) * | 2019-06-28 | 2020-12-30 | 华为技术有限公司 | 一种应用迁移方法及装置 |
CN112445582A (zh) * | 2019-08-28 | 2021-03-05 | 中国电信股份有限公司 | 应用迁移方法、装置和系统、计算机可读存储介质 |
CN110621006A (zh) * | 2019-09-27 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 用户设备的接入处理方法、智能设备及计算机存储介质 |
CN110621006B (zh) * | 2019-09-27 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 用户设备的接入处理方法、智能设备及计算机存储介质 |
WO2021083054A1 (zh) * | 2019-10-30 | 2021-05-06 | 大唐移动通信设备有限公司 | 消息传输方法及装置 |
CN112752253B (zh) * | 2019-10-30 | 2021-10-29 | 大唐移动通信设备有限公司 | 消息传输方法及装置 |
CN112752253A (zh) * | 2019-10-30 | 2021-05-04 | 大唐移动通信设备有限公司 | 消息传输方法及装置 |
WO2021093535A1 (zh) * | 2019-11-11 | 2021-05-20 | 中国移动通信有限公司研究院 | 移动边缘计算应用数据迁移方法、装置及核心网节点 |
CN112788086B (zh) * | 2019-11-11 | 2022-08-12 | 中国移动通信有限公司研究院 | 一种移动边缘计算应用数据迁移方法、装置及核心网节点 |
CN112788086A (zh) * | 2019-11-11 | 2021-05-11 | 中国移动通信有限公司研究院 | 一种移动边缘计算应用数据迁移方法、装置及核心网节点 |
CN110912999A (zh) * | 2019-11-26 | 2020-03-24 | 航天科工网络信息发展有限公司 | 一种基于马尔可夫决策的服务迁移方法以及装置 |
CN110933609A (zh) * | 2019-11-26 | 2020-03-27 | 航天科工网络信息发展有限公司 | 一种基于动态环境感知的服务迁移方法以及装置 |
CN111148174B (zh) * | 2019-12-13 | 2021-12-24 | 北京邮电大学 | 一种移动边缘计算中服务迁移路径选择方法 |
CN111148174A (zh) * | 2019-12-13 | 2020-05-12 | 北京邮电大学 | 一种移动边缘计算中服务迁移路径选择方法 |
CN111083634A (zh) * | 2019-12-16 | 2020-04-28 | 重庆邮电大学 | 基于cdn和mec的车联网移动性管理方法 |
CN111083634B (zh) * | 2019-12-16 | 2021-10-01 | 重庆邮电大学 | 基于cdn和mec的车联网移动性管理方法 |
CN111049917A (zh) * | 2019-12-19 | 2020-04-21 | 电子科技大学 | 一种基于移动边缘计算的移动感知多用户卸载优化方法 |
CN113032111A (zh) * | 2019-12-24 | 2021-06-25 | 中国电信股份有限公司 | 应用程序的迁移方法、装置、系统和计算机可读存储介质 |
CN113032111B (zh) * | 2019-12-24 | 2024-04-30 | 中国电信股份有限公司 | 应用程序的迁移方法、装置、系统和计算机可读存储介质 |
WO2021135663A1 (zh) * | 2019-12-31 | 2021-07-08 | 华为技术有限公司 | 应用实例确定的方法、装置及系统 |
CN115039391A (zh) * | 2020-02-03 | 2022-09-09 | 三星电子株式会社 | 用于提供边缘计算服务的方法和装置 |
CN113382032A (zh) * | 2020-03-10 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 云节点变更、网络扩展、服务提供方法、设备及介质 |
CN113382032B (zh) * | 2020-03-10 | 2022-12-09 | 阿里巴巴集团控股有限公司 | 云节点变更、网络扩展、服务提供方法、设备及介质 |
CN111447652A (zh) * | 2020-03-20 | 2020-07-24 | 中移雄安信息通信科技有限公司 | 移动终端的移动边缘运算主机的切换方法、装置及设备 |
US11374815B2 (en) * | 2020-03-25 | 2022-06-28 | Fujitsu Limited | Network configuration diagram generate method and recording medium |
CN113498139A (zh) * | 2020-04-03 | 2021-10-12 | 苹果公司 | 用于多接入边缘计算的数据分析 |
CN113498139B (zh) * | 2020-04-03 | 2024-03-29 | 苹果公司 | 用于多接入边缘计算的数据分析 |
CN113630818A (zh) * | 2020-05-08 | 2021-11-09 | 中国移动通信有限公司研究院 | 重定向方法、装置、相关设备及存储介质 |
CN113938812A (zh) * | 2020-06-29 | 2022-01-14 | 中国移动通信有限公司研究院 | 应用服务的重定向方法、装置及存储介质 |
CN112202892B (zh) * | 2020-09-30 | 2022-02-18 | 中国联合网络通信集团有限公司 | 一种mec边界的确定方法及装置 |
CN112202892A (zh) * | 2020-09-30 | 2021-01-08 | 中国联合网络通信集团有限公司 | 一种mec边界的确定方法及装置 |
CN112583903A (zh) * | 2020-11-26 | 2021-03-30 | 北京邮电大学 | 一种服务自适应访问方法、装置、电子设备及存储介质 |
CN112583903B (zh) * | 2020-11-26 | 2022-06-03 | 北京邮电大学 | 一种服务自适应访问方法、装置、电子设备及存储介质 |
CN112600827A (zh) * | 2020-12-10 | 2021-04-02 | 中国科学院深圳先进技术研究院 | 基于增量式最小费用最大流的虚拟服务迁移方法及系统 |
CN112600827B (zh) * | 2020-12-10 | 2021-10-29 | 中国科学院深圳先进技术研究院 | 基于增量式最小费用最大流的虚拟服务迁移方法及系统 |
CN112866012A (zh) * | 2021-01-05 | 2021-05-28 | 金陵科技学院 | 非线性能量收集无线供电mec中卸载和能量联合优化算法 |
CN114051034A (zh) * | 2021-11-24 | 2022-02-15 | 重庆大学 | 移动边缘计算环境中动态服务器开关机管理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108632813B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632813A (zh) | 移动边缘计算的移动性管理方法及系统 | |
Luo et al. | Artificial intelligence powered mobile networks: From cognition to decision | |
Hu et al. | Blockchain and artificial intelligence for dynamic resource sharing in 6G and beyond | |
Jiang et al. | Resource allocation of video streaming over vehicular networks: A survey, some research issues and challenges | |
CN111083634B (zh) | 基于cdn和mec的车联网移动性管理方法 | |
Althamary et al. | A survey on multi-agent reinforcement learning methods for vehicular networks | |
Taleb et al. | VECOS: A vehicular connection steering protocol | |
Fan et al. | Deep learning empowered traffic offloading in intelligent software defined cellular V2X networks | |
Hossain et al. | Multi-objective Harris hawks optimization algorithm based 2-Hop routing algorithm for CR-VANET | |
Aibinu et al. | Development of hybrid artificial intelligent based handover decision algorithm | |
Zhang et al. | Joint communication and computation resource allocation in fog-based vehicular networks | |
Yang et al. | Vehicle‐to‐vehicle communication based on a peer‐to‐peer network with graph theory and consensus algorithm | |
Mekala et al. | Deep learning‐influenced joint vehicle‐to‐infrastructure and vehicle‐to‐vehicle communication approach for internet of vehicles | |
Cheng et al. | Blockchain-empowered federated learning approach for an intelligent and reliable D2D caching scheme | |
Taleb et al. | Supporting highly mobile users in cost-effective decentralized mobile operator networks | |
Pervez et al. | Memory-based user-centric backhaul-aware user cell association scheme | |
Li et al. | Cognitive carrier resource optimization for internet-of-vehicles in 5g-enhanced smart cities | |
Christopoulou et al. | Artificial Intelligence and Machine Learning as key enablers for V2X communications: A comprehensive survey | |
Ye et al. | Vehicle‐Mounted Self‐Organizing Network Routing Algorithm Based on Deep Reinforcement Learning | |
Saleh et al. | Ant colony prediction by using sectorized diurnal mobility model for handover management in PCS networks | |
Gures et al. | A comparative study of machine learning-based load balancing in high-speed train system | |
Dastranj et al. | Energy-efficient deep-predictive airborne base station selection and power allocation for UAV-assisted wireless networks | |
Goudarzi et al. | A novel model on curve fitting and particle swarm optimization for vertical handover in heterogeneous wireless networks | |
Khani et al. | An enhanced deep reinforcement learning-based slice acceptance control system (EDRL-SACS) for cloud–radio access network | |
Qi et al. | Social prediction-based handover in collaborative-edge-computing-enabled vehicular networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |