CN109710374A - 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 - Google Patents

移动边缘计算环境下最小化任务卸载费用的vm迁移策略 Download PDF

Info

Publication number
CN109710374A
CN109710374A CN201811479627.4A CN201811479627A CN109710374A CN 109710374 A CN109710374 A CN 109710374A CN 201811479627 A CN201811479627 A CN 201811479627A CN 109710374 A CN109710374 A CN 109710374A
Authority
CN
China
Prior art keywords
task
unloading
expense
migration
subtask
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.)
Pending
Application number
CN201811479627.4A
Other languages
English (en)
Inventor
徐昌彪
刘杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201811479627.4A priority Critical patent/CN109710374A/zh
Publication of CN109710374A publication Critical patent/CN109710374A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种5G网络中移动边缘计算环境下的VM迁移策略，属于移动通信技术领域。现有研究中服务迁移策略忽略了用户QoS需求中的任务卸载费用，而且现有研究中的任务划分大多为粗粒度模型或细粒度链式模型，不适用于子任务之间复杂关联的场景。针对迁移决策问题，本发明对任务进行细粒度有向无环图状划分，建立任务时延模型和卸载费用模型，构建在时延约束条件下最小化任务卸载费用的VM迁移决策问题，最后基于遗传算法进行迁移决策得出每个子任务的虚拟机迁移决策结果。这对保证用户任务卸载的服务连续性以及满足QoS需求具有重要意义。

Description

移动边缘计算环境下最小化任务卸载费用的VM迁移策略
技术领域
本发明属于移动通信技术领域，涉及移动边缘计算环境下最小化任务卸载费用的虚拟机(Virtual Machine,VM)迁移策略。
背景技术
近年来移动通信技术快速发展，移动网络服务的终端设备除了手机、电脑外，增加了许多新型业务场景，如增强现实(Augment Reality,AR)、在线游戏、车载物联网、自动驾驶等。此外还有贴近生活的物联网业务场景，如智能农业、智能电网以及环境监测等。为了应对移动互联网及物联网的高速发展，5G需要满足超低时延、超低功耗、超高可靠、超高密度连接等新型业务需求。移动边缘计算(Mobile Edge Computing,MEC)通过在移动网络边缘提供云计算功能和存储资源，营造出一个具备高性能、低延迟与高带宽的网络环境，让用户享有不间断的高质量网络体验。但是由于用户移动，需要将包含计算任务信息的虚拟机从一个MEC服务器迁移到另一个MEC服务器来保证用户服务的连续性，此时面临着一个迁移决策问题。
现有研究中服务迁移策略关注于用户的能耗，MEC服务器的负载，VM迁移时间，任务执行总时延等因素，忽略了QoS需求中的任务卸载费用。而且现有研究中的任务划分大多为粗粒度模型(将整个移动端任务作为一个整体进行迁移)或细粒度链式模型(一个移动应用是由一组子任务呈线性拓扑顺序组成，每一个子任务按顺序依次执行)，不适用与子任务之间复杂关联的场景。针对迁移决策问题，本发明通过对任务进行细粒度有向无环图状划分，并基于遗传算法进行迁移决策得出每个子任务的虚拟机迁移决策结果。这对保证用户任务卸载的服务连续性以及满足QoS需求具有重要意义。
发明内容
本发明的目的是提供一种基于遗传算法的VM迁移策略。1)通过建立细粒度有向无环图状任务划分模型，对划分后的每一个子任务及其之间的关系进行分析，提出相应的卸载费用和时延模型，构建执行时延限制下的最小化卸载费用问题。2)通过遗传算法求解最小化卸载费用问题的最优解，从而在满足任务完成截止时间限制的前提下，有效降低用户的任务卸载费用。为达到上述目的，本发明提供如下技术方案：
移动边缘计算环境下最小化任务卸载费用的VM迁移策略包括：
S1：根据各子任务见得依赖关系建立细粒度有向无环图状任务划分模型；
S2：提出卸载费用和时延模型，为不同的迁移决策提供决策依据；
S3：根据任务卸载费用和时延模型构建执行时延限制下最小化卸载费用的VM迁移决策问题；
S4：通过外点惩罚函数法取消问题的约束；
S5：通过遗传算法求解最小化卸载费用问题的最优解；
S6：完成VM迁移决策。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：
图1为本发明实施例中细粒度有向无环图状任务关联模型拓扑图；
图2为本发明实施例中基于遗传算法的VM迁移决策流程图；
图3为本发明实施例中单点交叉示意图；
图4为本发明实施例中双点交叉示意图；
图5为本发明实施例中均匀交叉示意图；
图6为本发明实施例中变异方式示意图；
图7为本发明实施例中遗传算法的流程图。
具体实施方式
下面将参照附图，对本发明进行详细的描述。
针对用户卸载到MEC服务器的任务之间复杂的依赖关系以及用户进行任务卸载的费用约束，设计了一种基于遗传算法的VM迁移策略。相比已有VM迁移策略中对任务进行粗粒度划分或细粒度链式划分，本发明对任务进行细粒度有向无环图状划分，并基于遗传算法进行迁移决策得出每个子任务的VM迁移决策结果。仿真结果表明本发明在满足任务卸载时延约束的前提下，能够有效降低总的任务卸载费用。
图1为细粒度有向无环图状任务关联模型拓扑图，一个用户任务由于数据量大被分成K个子任务，这些子任务被卸载到多个MEC服务器进行处理。用一个有向无环图来表示卸载到MEC服务器的子任务之间复杂的依赖关系，eij表示子任务i与子任务j之间的转移数据量，它表示当子任务i执行完成后输出结果的大小，这个结果将作为子任务j的输入。
为描述各个子任务之间的关联性，用一个二进制变量A(Association)来表示，如公式(1)
用一个迁移决策量(二进制)来表示每个子任务的迁移决策，如公式(2)所示
图2为基于遗传算法的VM迁移决策流程图，根据任务关联模型得到任务卸载费用和时延模型，为不同的迁移决策提供决策依据。根据遗传算法解决执行时延限制下最小化卸载费用的VM迁移决策问题。
本发明提出的基于遗传算法的VM迁移策略目标是在满足任务完成时间限制条件下，尽可能的降低用户任务卸载的费用。其思想是通过比较执行VM迁移和VM不迁移两种情况下的时延，卸载费用，做出VM迁移的决策，因此建立时延与卸载费用模型，根据公式(3)计算子任务卸载到不同MEC服务器的处理时间，其中λk为子任务k的大小,γk为子任务k的计算强度。根据公式(4)计算子任务的处理结果发送给相关联子任务所在MEC服务器的传输时延。根据公式(5)计算进行VM迁移的子任务的迁移时延。根据公式(6)计算每个子任务卸载到不同MEC服务器的卸载费用。
其中
其中
hk＝CsDk (5)
本发明的目标是在降低用户总的任务卸载费用的同时，满足任务完成的截止时间约束，因此制定最小化任务卸载费用问题如公式(7)所示：
最小化任务卸载费用问题是一个有约束问题，为将约束优化问题转化为无约束问题进行求解，本文使用外点惩罚函数来取消问题约束，外点惩罚函数如公式(8)所示
取消约束的具体步骤包括：
步骤101：输入惩罚因子r(0)，收敛精度ε1，初始点D(0)，m＝0。
步骤102：对惩罚函数Φ(D(k),r(m))求一阶偏导：
解出惩罚函数的无约束极值点
D*(r(m))。
步骤103：计算D*(r(m))点违反约束情况：I为违反约束解的集合。
步骤104：若P≤ε1，则D*(r(m))已接近约束边界，停止迭代，取D(0)＝D*(r(m))。否则取r(m+1)＝αr(m),m＝m+1，转步骤102。
经过以上步骤之后就可以利用遗传算法求解VM迁移决策的最优解问题。
图3为单点交叉示意图，在父代个体的染色体中随机选择一个交叉点，交换交叉点之前或之后的全部基因，来产生新的子代。
图4为均匀交叉示意图，在父代个体的染色体中随机选择两个交叉点，交换两点之间的基因，来产生新的子代。
图5为双点交叉示意图，将父代个体的染色体中的每一位基因都以相同的概率进行交换，来产生新的子代。
图6为变异方式示意图，进行变异运算可以避免算法陷入局部最优，其原理是根据变异概率将染色体编码串里面的某些基因值用其他基因值来替换，从而产生一个新的个体。由于本文使用的是二进制编码，因此使用适用于二进制编码的基本位变异方式进行变异操作。
图7为遗传算法流程图，算法包括约束条件的处理，种群适应度的计算，通过遗传算子的选择把优良个体遗传到下一代以及通过交叉变异等运算产生新种群等部分。其中种群适应度是通过适应度函数值的大小判断每个个体的优劣。函数值越大，相应的个体在遗传算法的进化迭代中越容易保留下来，对应的VM迁移决策越好。以用户总的任务卸载费用的倒数作为评判个体优劣的适应度函数，适应度函数如公式(9)所示：
基于遗产算法求解VM决策问题的步骤包括：
步骤201：随机产生初始种群。
步骤202：根据外点惩罚函数法对初始父代种群中不满足时延约束的解进行修正，以保证种群规模。
步骤203：计算每个个体的适应度函数，通过轮盘赌选择法把适应度高的个体遗传到下一代。
步骤204：等概率的选择单点交叉、双点交叉和均匀交叉的一种进行交叉操作，随后进行变异运算。
步骤205：对产生的新种群的个体进行适应度计算，判断是否达到终止条件。若是，则算法终止。若不是，则转步骤202。

Claims (8)

1.一种基于遗传算法的VM迁移策略，该策略根据卸载到MEC服务器的子任务之间的依赖关系，建立细粒度有向无环图状任务划分模型，对划分后的每一个子任务及其之间的关系进行分析，提出相应的卸载费用和时延模型，构建执行时延限制下最小化卸载费用的VM迁移决策问题，最后通过遗传算法求解最小化卸载费用问题的最优解，其特征在于，该策略包括以下步骤：
S1：建立细粒度有向无环图状任务划分模型；
S2：提出卸载费用和时延模型；
S3：构建执行时延限制下最小化卸载费用的VM迁移决策问题；
S4：通过遗传算法求解最小化卸载费用问题的最优解；
S5：完成VM迁移决策。
2.根据权利要求1所述的方案，其特征在于，所述步骤S1中子任务间的依赖关系有两种：关联和无关联。
3.根据权利要求1所述的方案，其特征在于，所述步骤S2中计算各子任务在VM迁移或不迁移两种情况下的任务完成时延和卸载费用，为VM迁移决策提供依据。
4.根据权利要求1所述的方案，其特征在于，所述步骤S3中制定的问题是以最小化任务卸载费用为目标，以任务完成时延为约束条件。
5.根据权利要求1所述的方案，其特征在于，所述步骤S4中所解决的最小化卸载费用问题是非线性限制的0-1规划问题，对于该类问题无法用公式求解，但是该问题的解由一组二进制变量构成，采用二进制编码的遗传算法可以找到接近最优的解。
6.根据权利要求5所述的方案，其特征在于，将约束条件经过适当定义加到原目标函数上，从而取消了约束，转化为求一系列的无约束问题。
7.根据权利要求5所述的方案，其特征在于，通过适应度函数值的大小来评判个体的优劣，适应度值越大，保存下来的概率越大。
8.根据权利要求5所述的方案，其特征在于，如果遗传算法的迭代次数达到设定的最大迭代次数，或者迭代次数超过一定值而最大适应度值不再提高，则算法终止；否则迭代次数加1。
CN201811479627.4A 2018-12-05 2018-12-05 移动边缘计算环境下最小化任务卸载费用的vm迁移策略 Pending CN109710374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811479627.4A CN109710374A (zh) 2018-12-05 2018-12-05 移动边缘计算环境下最小化任务卸载费用的vm迁移策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811479627.4A CN109710374A (zh) 2018-12-05 2018-12-05 移动边缘计算环境下最小化任务卸载费用的vm迁移策略

Publications (1)

Publication Number Publication Date
CN109710374A true CN109710374A (zh) 2019-05-03

Family

ID=66255403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811479627.4A Pending CN109710374A (zh) 2018-12-05 2018-12-05 移动边缘计算环境下最小化任务卸载费用的vm迁移策略

Country Status (1)

Country Link
CN (1) CN109710374A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766159A (zh) * 2019-09-29 2020-02-07 南京理工大学 基于改进遗传算法的多uav服务边缘计算的任务分配方法
CN111709632A (zh) * 2020-06-09 2020-09-25 国网安徽省电力有限公司安庆供电公司 基于人工智能和多目标约束的停电计划自动编排方法
CN111711962A (zh) * 2020-06-15 2020-09-25 重庆邮电大学 一种移动边缘计算系统子任务协同调度方法
CN111857976A (zh) * 2020-08-07 2020-10-30 华侨大学 一种基于分解的多目标优化的计算迁移方法
CN111930435A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于pd-bpso技术的任务卸载决策方法
CN111984419A (zh) * 2020-08-28 2020-11-24 华侨大学 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN112130927A (zh) * 2020-09-21 2020-12-25 安阳师范学院 一种可靠性增强的移动边缘计算任务卸载方法
CN112214301A (zh) * 2020-10-29 2021-01-12 华侨大学 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN112272102A (zh) * 2020-09-11 2021-01-26 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112612549A (zh) * 2020-12-30 2021-04-06 润联软件系统(深圳)有限公司 多边缘服务任务选择卸载方法、装置及相关设备
CN112990547A (zh) * 2021-02-08 2021-06-18 北京中电飞华通信有限公司 智能电网能量优化方法及装置
CN113010321A (zh) * 2021-04-02 2021-06-22 曲阜师范大学 一种时延确定性任务卸载方法及装置、计算机存储介质
CN113128694A (zh) * 2019-12-31 2021-07-16 北京超星未来科技有限公司 机器学习中的数据获取、数据处理的方法、装置及系统
CN113515324A (zh) * 2021-07-16 2021-10-19 广东工业大学 一种基于有向无环图的卸载决策的协同边缘计算方法、装置、电子设备及存储介质
CN113742077A (zh) * 2021-09-08 2021-12-03 吉林大学 一种基于5g车联网的计算迁移方法
CN113965569A (zh) * 2021-10-22 2022-01-21 大连理工大学 一种高能效、低时延的边缘节点计算迁移架构及配置系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984137A (zh) * 2012-11-14 2013-03-20 江苏南开之星软件技术有限公司 一种基于多目标遗传算法下的多目标服务器调度方法
US20170177396A1 (en) * 2015-12-22 2017-06-22 Stephen T. Palermo Methods and apparatus for multi-stage vm virtual network function and virtual service function chain acceleration for nfv and needs-based hardware acceleration
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
US10037231B1 (en) * 2017-06-07 2018-07-31 Hong Kong Applied Science and Technology Research Institute Company Limited Method and system for jointly determining computational offloading and content prefetching in a cellular communication system
CN108541027A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984137A (zh) * 2012-11-14 2013-03-20 江苏南开之星软件技术有限公司 一种基于多目标遗传算法下的多目标服务器调度方法
US20170177396A1 (en) * 2015-12-22 2017-06-22 Stephen T. Palermo Methods and apparatus for multi-stage vm virtual network function and virtual service function chain acceleration for nfv and needs-based hardware acceleration
US10037231B1 (en) * 2017-06-07 2018-07-31 Hong Kong Applied Science and Technology Research Institute Company Limited Method and system for jointly determining computational offloading and content prefetching in a cellular communication system
CN107919986A (zh) * 2017-11-09 2018-04-17 北京邮电大学 超密集网络中mec节点间vm迁移优化方法
CN108541027A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JI LI，HUI GAO，TIEJUN LV，YUEMING LU: "Deep reinforcement learning based computation offloading and resource allocation for MEC", 《2018 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 *
谢人超，廉晓飞，贾庆民，黄韬，刘韵洁: "移动边缘计算卸载技术综述", 《通信学报》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766159A (zh) * 2019-09-29 2020-02-07 南京理工大学 基于改进遗传算法的多uav服务边缘计算的任务分配方法
CN113128694A (zh) * 2019-12-31 2021-07-16 北京超星未来科技有限公司 机器学习中的数据获取、数据处理的方法、装置及系统
CN111709632A (zh) * 2020-06-09 2020-09-25 国网安徽省电力有限公司安庆供电公司 基于人工智能和多目标约束的停电计划自动编排方法
CN111711962A (zh) * 2020-06-15 2020-09-25 重庆邮电大学 一种移动边缘计算系统子任务协同调度方法
CN111711962B (zh) * 2020-06-15 2022-04-12 重庆邮电大学 一种移动边缘计算系统子任务协同调度方法
CN111930435A (zh) * 2020-07-13 2020-11-13 兰州理工大学 一种基于pd-bpso技术的任务卸载决策方法
CN111857976A (zh) * 2020-08-07 2020-10-30 华侨大学 一种基于分解的多目标优化的计算迁移方法
CN111857976B (zh) * 2020-08-07 2023-06-02 华侨大学 一种基于分解的多目标优化的计算迁移方法
CN111984419A (zh) * 2020-08-28 2020-11-24 华侨大学 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN111984419B (zh) * 2020-08-28 2023-06-02 华侨大学 一种边缘环境可靠性约束的复杂任务计算迁移方法
CN112272102A (zh) * 2020-09-11 2021-01-26 北京工业大学 边缘网络业务卸载和调度方法及装置
CN112130927A (zh) * 2020-09-21 2020-12-25 安阳师范学院 一种可靠性增强的移动边缘计算任务卸载方法
CN112214301A (zh) * 2020-10-29 2021-01-12 华侨大学 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN112214301B (zh) * 2020-10-29 2023-06-02 华侨大学 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN112612549B (zh) * 2020-12-30 2022-06-24 润联软件系统(深圳)有限公司 多边缘服务任务选择卸载方法、装置及相关设备
CN112612549A (zh) * 2020-12-30 2021-04-06 润联软件系统(深圳)有限公司 多边缘服务任务选择卸载方法、装置及相关设备
CN112990547A (zh) * 2021-02-08 2021-06-18 北京中电飞华通信有限公司 智能电网能量优化方法及装置
CN112990547B (zh) * 2021-02-08 2023-11-03 北京中电飞华通信有限公司 智能电网能量优化方法及装置
CN113010321A (zh) * 2021-04-02 2021-06-22 曲阜师范大学 一种时延确定性任务卸载方法及装置、计算机存储介质
CN113010321B (zh) * 2021-04-02 2023-02-17 曲阜师范大学 一种时延确定性任务卸载方法及装置、计算机存储介质
CN113515324A (zh) * 2021-07-16 2021-10-19 广东工业大学 一种基于有向无环图的卸载决策的协同边缘计算方法、装置、电子设备及存储介质
CN113515324B (zh) * 2021-07-16 2024-06-11 广东工业大学 一种基于有向无环图的卸载决策的协同边缘计算方法、装置、电子设备及存储介质
CN113742077B (zh) * 2021-09-08 2024-03-01 吉林大学 一种基于5g车联网的计算迁移方法
CN113742077A (zh) * 2021-09-08 2021-12-03 吉林大学 一种基于5g车联网的计算迁移方法
CN113965569A (zh) * 2021-10-22 2022-01-21 大连理工大学 一种高能效、低时延的边缘节点计算迁移架构及配置系统
CN113965569B (zh) * 2021-10-22 2022-08-12 大连理工大学 一种高能效、低时延的边缘节点计算迁移配置系统

Similar Documents

Publication Publication Date Title
CN109710374A (zh) 移动边缘计算环境下最小化任务卸载费用的vm迁移策略
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
Deng et al. User-centric computation offloading for edge computing
CN112286677A (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN109818786B (zh) 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法
CN114189892A (zh) 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法
CN113918240B (zh) 任务卸载方法及装置
CN114265631B (zh) 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN113708969B (zh) 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法
CN111813506A (zh) 一种基于粒子群算法资源感知计算迁移方法、装置及介质
CN107992353A (zh) 一种基于最小迁移量的容器动态迁移方法及系统
CN112988275B (zh) 一种基于任务感知的移动边缘计算多用户计算卸载方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN113315669B (zh) 基于云边协同的吞吐量优化的机器学习推断任务部署方法
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN113573363B (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN115665258B (zh) 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法
CN117997906B (zh) 节点计算资源分配方法、网络交换子系统及智能计算平台
CN115473896A (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN114650321A (zh) 用于边缘计算的任务调度方法及边缘计算终端
CN115865912B (zh) 网络边缘在线服务功能链部署方法、系统和设备
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN115361453A (zh) 一种面向边缘服务网络的负载公平卸载与迁移方法
CN115022893A (zh) 多任务边缘计算系统中最小化总计算时间的资源分配方法
CN114640966A (zh) 一种车联网中基于移动边缘计算的任务卸载方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190503