CN109167671B - 一种面向量子密钥分发业务的配用通信系统均衡负载调度方法 - Google Patents

Abstract

本发明公开了一种面向量子密钥分发业务的配用通信系统均衡负载调度算法，本发明采用分布式负载均衡系统，将在每一个边缘服务器上应用统一的负载均衡策略。当高负载节点需要负载转移时，对于上文已经确定的每一个待迁移任务，根据节点历史分配的序列，得到其余低负载节点被分配到任务的概率并把当前需要迁移的任务分配到概率最高的节点，并且被分配节点在接受待迁移任务后不会发生高负载现象。由于边缘侧各服务器之间相互无关联，历史节点序列的两个相邻节点也具有无关联性。因此，本文将采用马尔科夫预测模型来确定待迁移节点。

Description

一种面向量子密钥分发业务的配用通信系统均衡负载调度方法

技术领域

本发明涉及一种配用通信系统均衡负载调度算法，特别是一种面向量子密钥分发业务的配用通信系统均衡负载调度方法。

背景技术

为了能够在网络边缘侧量子密钥频繁分发的终端资源受限的问题，同时满足业务低时延和实时交互相应的需求，边缘计算技术应运而生。它通过将计算能力下沉到边缘侧来显著改善时延问题，成为应对时延敏感类业务的理想解决方案。

边缘计算的业务资源负载均衡问题是影响其性能和产业化应用的重要方面。在智能电网中，服务器所面临的实时终端请求压力越来越大。在这种情况下，单个服务器的计算能力和存储能力已经远远不能满足要求。解决这种限制的一种做法是将服务器之间进行协作，当一个服务器临时超载时，服务器间可以相互交换计算请求，高负载服务器可以将业务请求转发到另一个低负载的服务器。这种方案主要通过良好的网络结构设计和高效的负载均衡策略制定予以实现。网络结构是负载均衡的基础，合理的网络结构能够提高负载均衡策略的效率，可以缓解网络中系统资源分布不均的问题。结合有效的负载均衡策略可以进一步保证智能电网业务的可靠传输，降低系统平均阻塞率，提升系统的容量和QoS质量。

现有技术针对这种边缘计算及资源控制也有不少的研究，如：

已有技术方案1:专利号为CN106844051A的《一种边缘计算环境中功耗优化的负载任务迁移算法》专利，属于边缘计算技术领域，尤其涉及一种边缘计算环境中功耗优化的负载任务迁移算法。该发明公开了一种边缘计算环境中功耗优化的负载任务迁移算法，包括：在边缘计算集群中监测获得各个节点CPU利用率和节点的温度；将所得节点CPU利用率和温度分别与预设阈值比较，确定所有的超负载节点；将所有的超负载节点进行随机排列，生成一个超负载节点队列，并根据迁移目标生成迁移目标队列；根据最少迁移任务个数原则统计待迁移任务并生成待迁移任务队列；选择新迁移任务队列中迁移时间最短的节点并将其作为待迁移任务的迁移目标节点；将每个待迁移任务和选取的目标节点按照对应关系生成迁移列表，以生成任务迁移方案。本发明可减少边缘计算系统中的服务等级协议的违规和性能下降，通过均衡边缘计算系统的功耗，使得任务执行更加均衡和高效。该方法公开了一种边缘计算环境中功耗优化的负载任务迁移算法，通过监测终端传感器各项指标，将超负载节点上的任务迁移至其他节点，能够减少边缘计算系统的性能下降。但该方法没有考虑到节点任务的周期性，每次重新随机排列超负载节点会浪费时间和资源。

已有技术方案2:专利号为CN107734558A的《一种基于多服务器的移动边缘计算控制及资源调度方法》专利，属于移动边缘计算技术领域，尤其涉及一种基于多服务器的移动边缘计算控制及资源调度方法。该发明公开了一种基于移动边缘计算的资源分配及基站服务部署方法，该方法包括：当检测到移动终端中有计算任务时，向智能基站发送计算迁移请求；当基站的缓存单元中缺少该任务请求所需的计算数据时，向网络侧发送所需任务数据需求；收到网络侧返回的所需任务数据；根据接收到的所需任务数据，计算时延收益和能耗收益；根据体验效用函数获得计算迁移判决矩阵；根据计算迁移判决矩阵进行计算迁移。所述基站服务部署方案包括缓存单元、计算单元、获取处理单元、发送单元，可以提供计算能力和数据缓存能力。因此，所述基于MEC的资源分配的方法及基站服务部署方案，能够实现终端多任务、基站多功能、目标多元化的计算迁移。该方法采用了一种基于多服务器的移动边缘计算控制及资源调度方法，根据接收到的所需任务数据，计算时延收益和能耗收益；根据体验效用函数获得计算迁移判决矩阵；根据计算迁移判决矩阵进行计算迁移。但该方案实现起来较为复杂，需要多个单元共同处理，负担和代价较大。

已有技术方案3：专利号为CN107682443A的《联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法》专利，属于边缘计算技术领域，尤其涉及一种联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法。该发明公开了一种联合考虑延迟和能量消耗的移动边缘计算系统的计算任务的高效卸载方法，首先建立拥有多个用户、一个部署MEC服务器的宏基站以及一个未部署MEC服务器的小基站的单蜂窝小区模型；然后，建立基于无线通信理论的数学模型。最后，通过并行贪婪算法设计一个联合考虑延迟和能量消耗的MEC系统计算任务的高效卸载方案并分析提出方案的性能。相比于现存的高效能耗卸载方案，本发明方法很好地权衡了终端用户的延迟敏感需求和节能需求，同时降低了系统的延迟及能量的总消耗。该方法提出了一种联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法，通过并行贪婪算法设计一个联合考虑延迟和能量消耗的MEC系统计算任务的高效卸载方案并分析提出方案的性能。但该方案利用贪婪算法只能得到局部最优解，只是提出了一组模型，内部细节有待改进。

发明内容

本发明的目的在于克服现有技术的不足之处，而提供一种能根据设定好的阈值指标来判断各个服务器的负载情况，再将需要迁移的任务根据历史迁移数据和马尔科夫模型选择一个概率最大的节点进行迁移。最后基于马尔科夫过程的改进型蚁群算法决定迁移路径，从而实现整个系统的负载均衡，基于马尔科夫预测的电力业务调度模型和方法。

一种面向量子密钥分发业务的配用通信系统均衡负载调度算法，1):终端节点资源有限，无法处理大数据量的业务，于是向边缘侧服务器发出业务请求；

2):本地边缘服务器待接收请求，将请求放入任务等待队列；

3):对接收任务的服务器做阈值判断，如果当前任务队列大于高负载阈值，则向其他服务器发出协作请求；

4):高负载服务器根据马尔科夫过程计算最大概率的迁移节点；

5):根据网络拓扑模型计算一步转移概率；

6):计算多步转移概率，判断是否为连通矩阵，若是，计算链路可达性；

7):将链路选择概率做归一化处理，并根据链路概率赋予权值；

8):将链路权值作为初始信息素浓度，采用蚁群算法对链路进行选择。

马尔科夫过程是指随机过程{X_n,n＝1,2,…}的构造使得X_n+1的条件概率分布仅仅依赖X_n的值而与之前的值无关。状态空间X＝{x_i,i＝1,2,…}用概率表示为：

P{X_n+1|X₁＝x₁,X₂＝x₂…}＝P{X_n+1＝x_n+1|X_n＝x_n}

转移概率表示为：

p_ij(m)＝P{X_n+1＝x_n+1|X_n＝x_n}

其中m为非负整数，称p_ij(m)为{Xn}在时刻m从状态i出发到达j的转移概率。状态向量分布π＝{π₁,π₂,π₃,…}表示当前时刻各个状态出现的概率，在n时刻状态i转移到n+1时刻状态j的概率p_ij组成概率转移矩阵A。一个包含n个状态的可遍历的马尔科夫链，在n时刻的状态分布向量公式为：

π⁽ⁿ⁾＝π^(n-1)A

Max(π_i)对应的i值即为预测n时刻任务转移最可能的状态。

将本地服务器占有率用百分比量化后，可知每个服务器的负载程度均在0％～100％间。由上文所计算得到的服务器负载程度，可将服务器的负载程度划分为0～9共十个状态等级，具体划分函数为：

由公式即可得到当前时刻下，边缘网络所有服务器的马尔科夫过程的状态空间E＝{0,1,2…,9}，对高负载服务器来说，进行负载迁移时，是以任务为单位分配到其他各个服务器。一个任务被分配到状态等级为i的节点，记下该节点的状态号i，这样就能构成一个状态序列，该状态序列即可被看作是一条马尔科夫链。

上述步骤4中马尔科夫过程计算最大概率的迁移节点的具体过程为：

考虑当前时刻为t，此时节点i出现高负载情况，t时刻节点i的负载状态为X_t，需要迁移若干任务使得服务器正常。前n个时刻(n＜t)，负载转移序列为X₁，X₂，X_n…，从这个转移序列中，把相邻时刻状态转移i→j出现的次数记作C_ij，可以得到i状态向j状态的转移概率p_ij，

由状态转移概率组成马氏链的转移概率矩阵为：

负载转移仅仅发生在高负载状态向低负载状态，因此，该转移概率矩阵是一个下三角矩阵。把状态j出现的次数记为N(j),则马尔科夫链在t-1时刻的状态分布向量为：

因此，当该服务器出现新的高负载情况时，利用上述公式

π⁽ⁿ⁾＝π^(n-1)A

即可得到最大概率转移节点，并判断转移后接受节点负载状况是否处于正常状态，若正常，则进行转移；

在系统试运行阶段，记录前n个高负载时刻数据的分配。从第n个时刻开始记为t0并把t0作为马尔科夫链的起始时刻。取初始状态分布向量π⁽⁰⁾＝(1/n，1/n，…，1/n)。根据公式即可确定状态转移矩阵。

以下举例说明本发明的方法：

此次仿真共设置了15个服务器来组成边缘计算网络，图2为此次实验网络拓扑图。

此次仿真中改进型蚁群算法的仿真主要实验参数如表4-1所示：

表8-1蚁群算法各项参数

在基于马尔科夫过程的迁移节点选择阶段，将马尔科夫链采用队列的数据结构，对于每一个高负载服务器，当需要迁移的任务数据量大时，马尔科夫链利用队列的性质，能够将最先进入队列的序列删除，同时将最新进入队列的任务保留。在数据流分配阶段，对于t-2时刻和t-1时刻分别使用两个二维数组来存储状态转移矩阵。

对于迁移节点的选择进行仿真，进行业务调度算法前各服务器负载及其阈值如表4-2所示：

服务器	当前负载(％)	高负载阈值(％)	正常状态(％)
				1	86	75	31
2	78	68	39
				3	20	78	34
4	100	79	34
				5	9	75	40
6	65	65	38
				7	21	76	40
8	24	62	32
				9	34	70	31
10	19	72	34
				11	51	74	35
12	96	68	36
				13	39	75	40
14	59	78	35
				15	61	61	34

表8-2负载前服务器各参数

首先进行迁移节点选择的马尔科夫过程。仿真模型根据初始化下的100次数据分配序列建立了马尔科夫链并计算出状态空间内不同状态间的转移概率。在进行马尔科夫过程负载迁移后，仿真实验如图所示：该算法能够根据历次负载迁移数据决定此次负载迁移过程。以4号服务器为例说明，经过概率转移矩阵计算后，将4号服务器上的负载迁移至概率最大的5号服务器上，由局部性原理可以知道4号服务器在今后的一段时间内仍将接收较大的数据量。因此将4号服务器的负载迁移至正常状态以便接下来的负载接收，其他高负载服务器同样根据这一原则进行负载转移。同时从图中可以发现，整个系统的高负载服务器的负载均稳定至正常状态，原有的低负载服务器与高负载服务器的协作有效减少了较大数据流对于均衡程度的破坏。

马尔科夫过程对于长期低负载节点总有较大的概率去接受高负载节点的任务迁移，从而降低高负载服务器任务等待时间，达到很好的负载均衡效果。为了避免单一实验的巧合性，对该算法进行了100次随机重复实验，图4-3表明，该算法仅有10次无法将高负载服务器均衡至正常状态，负载均衡成功率达到90％。

这种情况是由于整个系统负载较高，应告知发送方减少数据流量的发送。在大部分情况下，该算法都能将高负载服务器均衡至低负载服务器，实现整个边缘网络负载均衡，说明该负载方案是有效的。

随后进行了从100次实验到500次实验，负载成功的所有的统计数据如图所示。图中表明，该算法的成功率始终保持在80％～90％左右，

最后的实验对改进型的蚁群算法进行了仿真，通过历次马尔科夫过程的链路选择，根据选择情况对各链路赋予一定的权重并作为蚁群算法初始信息素浓度。

对15个节点网络进行仿真，仿真实验结果如图所示：

在经历了20次迭代寻找最短路径后，改进了初始信息素浓度的蚁群算法的最短路径距离稳定在180，相比于传统的蚁群算法更加接近全局最优解。从平均距离进行分析，50只随机起点的蚂蚁的平均路径距离也均小于初始信息素浓度相同的情况。本文所提出的改进型蚁群算法在最优解和平均解上都有明显的改善。通过改变初始信息素浓度，对历次迭代产生的最优路径进行方向性引导，避免算法陷入局部最优的情况。

综上所述的，本发明相比现有技术如下优点：

本发明优点在于：通过历次数据分配序列，建立马尔科夫链来估计接下的数据流将要分配的低负载服务器。该方案能够实现边缘计算网络中的负载均衡，在仿真实验中能够提高整个系统服务器的使用率，降低了任务在高负载队列中的等待时延，保证了各服务器处理任务的波动性较小。在迁移路由的选择中，本文提出了基于马尔科夫过程的改进型蚁群算法，通过建立马尔科夫链对网络中各条路径进行权值分配，对蚁群算法初始信息素浓度引入不同权重。相比于经典蚁群算法初始信息素浓度相等，导致开始时盲目搜索的缺点，改进型的初始信息素浓度能够对全局路径做一个方向性引导，加快找到全局最优解。

附图说明

图1是马尔科夫预测的电力业务调度方法的流程图。

图2是实验仿真网络拓扑图。

图3是马尔科夫负载迁移结果图。

图4是100次马尔科夫负载迁移过程结果

图5是算法负载均衡成功比率图

图6是各代平均距离与最短距离对比。

具体实施方式

下面结合实施例对本发明进行更详细的描述。

实施例1

一种面向量子密钥分发业务的配用通信系统均衡负载调度算法，1):终端节点资源有限，无法处理大数据量的业务，于是向边缘侧服务器发出业务请求。

2):本地边缘服务器待接收请求，将请求放入任务等待队列

3):对接收任务的服务器做阈值判断，如果当前任务队列大于高负载阈值，则向其他服务器发出协作请求。

4):高负载服务器根据马尔科夫过程计算最大概率的迁移节点

5):根据网络拓扑模型计算一步转移概率

6):计算多步转移概率，判断是否为连通矩阵，若是，计算链路可达性

7):将链路选择概率做归一化处理，并根据链路概率赋予权值，

8):将链路权值作为初始信息素浓度对链路选择过程采用蚁群算法。上述步骤4中马尔科夫过程计算最大概率的迁移节点的具体过程为：

考虑当前时刻为t，此时节点i出现高负载情况，t时刻节点i的负载状态为X_t，需要迁移若干任务使得服务器正常。前n个时刻(n＜t)，负载转移序列为X₁，X₂，X_n…，从这个转移序列中，把相邻时刻状态转移i→j出现的次数记作C_ij，可以得到i状态向j状态的转移概率p_ij，

由状态转移概率组成马氏链的转移概率矩阵为：

负载转移仅仅发生在高负载状态向低负载状态，因此，该转移概率矩阵是一个下三角矩阵。把状态j出现的次数记为N(j),则马尔科夫链在t-1时刻的状态分布向量为：

因此，当该服务器出现新的高负载情况时，利用上述公式

π⁽ⁿ⁾＝π^(n-1)A

即可得到最大概率转移节点，并判断转移后接受节点负载状况是否处于正常状态，若正常，则进行转移。在系统试运行阶段，记录前n个高负载时刻数据的分配。从第n个时刻开始记为t0并把t0作为马尔科夫链的起始时刻。取初始状态分布向量π⁽⁰⁾＝(1/n，1/n，…，1/n)。根据公式即可确定状态转移矩阵。

本实施例未述部分与现有技术相同。

Claims (1)

1.一种面向量子密钥分发业务的配用通信系统均衡负载调度方法，其特征在于，步骤如下：1):终端节点资源有限，无法处理大数据量的业务，于是向边缘侧服务器发出业务请求；

2):本地边缘服务器待接收请求，将请求放入任务等待队列；

3):对接收任务的服务器做阈值判断，如果当前任务队列大于高负载阈值，则向其他服务器发出协作请求；

4):高负载服务器根据马尔科夫过程计算最大概率的迁移节点，具体为：考虑当前时刻为t，此时节点i出现高负载情况，t时刻节点i的负载状态为X_t，需要迁移若干任务使得服务器正常，前n个时刻(n＜t)，负载转移序列为X₁，X₂，X_n…，从这个转移序列中，把相邻时刻状态转移i→j出现的次数记作C_ij，可以得到i状态向j状态的转移概率p_ij，

由状态转移概率组成马氏链的转移概率矩阵为：

负载转移仅仅发生在高负载状态向低负载状态，因此，该转移概率矩阵是一个下三角矩阵，把状态j出现的次数记为N(j),则马尔科夫链在t-1时刻的状态分布向量为：

因此，当该服务器出现新的高负载情况时，利用上述公式

π⁽ⁿ⁾＝π^(n-1)A

即可得到最大概率转移节点，并判断转移后接受节点负载状况是否处于正常状态，若正常，则进行转移；

在系统试运行阶段，记录前n个高负载时刻数据的分配，从第n个时刻开始记为t0并把t0作为马尔科夫链的起始时刻，取初始状态分布向量π⁽⁰⁾＝(1/n，1/n，…，1/n)，根据公式即可确定状态转移矩阵；

5):根据网络拓扑模型计算一步转移概率；

6):计算多步转移概率，判断是否为连通矩阵，若是，计算链路可达性；

7):将链路选择概率做归一化处理，并根据链路概率赋予权值；

8):将链路权值作为初始信息素浓度，采用蚁群算法对链路进行选择。

Images