CN110247793B - 一种移动边缘云中的应用程序部署方法 - Google Patents

Abstract

本发明公开了一种移动边缘云中的应用程序部署方法，该方法结合雾计算与移动边缘云网络，构建由射频拉远单元(RRU)、基带处理单元(BBU)和中央控制器组成的三层树形边缘网络结构。在此基础上将移动边缘云中的应用程序部署问题转化为一种二进制整数规划问题，并给出解决此问题的一种应用程序部署方法。该方法通过将降序最佳适应算法(BFD算法)与按优先级替换算法(PRA算法)结合，找到一种可降低总成本的应用程序部署方式，将应用程序合理地部署在边缘服务器中。并在应用程序的重部署频率方面，给出一种启发式的重部署方法，该方法利用命中率监测函数启发式的触发重部署的操作，使得系统能够合理地确定重部署频率，符合时变需求。

Description

一种移动边缘云中的应用程序部署方法

技术领域

本发明涉及移动边缘云基础架构及其内容部署与系统缓存的技术领域，具体涉及一种移动边缘云中的应用程序部署方法。

背景技术

随着智能手机用户群的迅速增长，通过移动设备进行数据计算已经成为一种比传统方法更可行的理念，越来越多的用户喜欢通过多样化的移动终端来使用移动网络中的应用和观看网络中的各种高清视频，这也反映在这样一个事实上：63％的世界人口目前已经成为移动订阅，而在过去的十年中，这一比例仅为20％。视频，音乐，社交网络，游戏和其他互动应用等服务正在获得动力。移动应用程序的使用预计将进一步促进这一趋势，此外移动网络还将为诸如增强现实等多种新兴服务提供宽带连接，从而产生预见的数据流量从2015年到2020年增长8倍。但是现存的移动计算仍然存在着一些缺点，比如存储空间不足、计算能力不高、移动设备的电池寿命有限等等都是在技术发展过程中所必须克服的，而且铺天盖地更新发展的APP应用及高清视频会消耗大量的网络资源和带宽。因此，云作为一种有效的解决方案应运而生，云是采用分布式计算范式的大量资源与软件即服务(SaaS)、平台即服务(PaaS)、基础设施即服务(IaaS)的结合体。云以“按需”、“按使用量付费”模式提供了无缝的弹性存储和处理服务。

在现在蓬勃发展的互联网时代，尤其是在物联网(Internet of things，IoT)技术普及后，计算需求出现爆发式增长，预计到2020年，将有500亿个设备将连接到网络，传统云计算架构不能满足如此庞大的计算需求，短时间内扩容并不现实。因此，移动计算和云计算的融合孕育出了一种更新更好的技术方法，即所谓的移动云计算(Mobile CloudComputing，MCC)，也可称为移动边缘计算(Mobile Edge Computing，MEC)。

MEC把移动网络和互联网两者技术有效融合在一起。基本思想是把云计算平台从核心网络内部迁移到移动接入网边缘，通过部署具备计算、存储、通信等功能的边缘节点，使传统无线接入网具备业务本地化条件。MEC将传统的无线基站升级为智能化基站，进一步为终端用户提供更高带宽、更低时延的数据服务，并大幅度减少核心网的网络负荷，同时降低数据业务对网络回传的带宽要求。

在传统的边缘网络中，每个用户终端发起应用程序内容调用请求时，经过基站接入后，需要通过核心网连接到所需求的目标内容，再逐层进行传递完成终端和该目标内容间的交互。同一个基站下的其他终端如果要发起同样的内容调用，上述调用流程和连接将重复发送，这样，一方面占用了路径上的各级网络资源，另一方面也增加了相应的时延。

引入MEC技术后，通过在基站侧部署MEC服务器，将流行度较高的应用程序提前存储在MEC服务器中，由MEC服务器和目标内容直接完成内容提取和缓存，这样当同一个基站所在小区内其他终端进行相同内容调用时，将可以直接从MEC服务器中获取，不再通过核心网重复获取，有效节省了核心网的系统资源，同时由于业务内容的下沉将显著缩短相应的业务响应时延。

但是在现阶段这种移动边缘云中的应用程序部署面临着以下方面的挑战：哪些应用程序需要部署；如何合理部署应用程序；何时进行部署更新。所以，为了克服这些挑战、保证实时应用的服务质量(Quality of Service，QoS)，移动边缘云中应用程序部署的研究具有重大的意义。

发明内容

本发明的目的是为了解决现有技术中的上述挑战，提供一种移动边缘云中的应用程序部署方法，该解决方案能够在动态工作负载的情况下推导出应用程序在MEC中的最佳部署，以满足服务低延迟高质量的要求，同时最小化该时间段内产生的总运营成本。

本发明针对单个BBU区域的应用程序部署策略提出了一种新的动态部署方法，该方法包含了从用户应用程序需求的精准预测、应用程序的合理部署和应用程序重新部署频率的计算。采用LSTM预测算法精准预测各小区用户的用户需求集合，为后续的应用程序部署打下数据基础；利用BFD部署算法与PRA替换算法的结合，实现使用最少运营成本来合理部署应用程序；使用一种启发式重部署算法来及时响应用户需求的变化，实现实时部署。通过以上三点主要优化和改进，在满足应用程序部署中降低运营成本的同时，提升网络的整体性能。

本发明的目的可以通过采取如下技术方案达到：

一种移动边缘云中的应用程序部署方法，所述的应用程序部署方法包括下列步骤：

S1、构建一种移动边缘云的系统模型，该模型是由射频拉远单元(RRU)、基带处理单元(BBU)和中央控制器组成的三层树形边缘网络结构；RRU用作用户的应用程序请求的地理聚合点，用户设备随机的分布在RRU的服务范围内，与用户之间通过无线连接；多个地理位置相近的RRU通过上行链路连接到BBU，BBU可对RRU进行行为监控并进行资源调度；多个BBU连接到中央控制器，表示从核心云获取应用程序的运行信息，再经过边缘网络下发至用户设备；

S2、根据系统模型，在每一个RRU侧部署具有计算、存储和数据处理等功能的MEC服务器，模型中每条链接都设有一组有限的网络资源，具有网络资源并表现出一定延迟和拥塞，带宽的可用性及通信延迟和抖动随着树的深度的增加而降低。通过网络链接，每个RRU连接到一个BBU池，每个BBU连接到一个中央控制器，中央控制器再连接到离用户较远的核心网络；

S3、将移动边缘云中的应用程序托管在MEC服务器上，并服务于通过叶节点收集的请求，每个应用程序在该区域内只能部署在唯一的一个MEC服务器上，即在该区域内每个应用程序只存在一个副本，若其他小区用户对该应用程序发起请求，则该请求将通过前传链路传输至托管该应用程序的服务器上被服务，然后将其运行信息通过网络链路传输至该用户；

S4、中央控制器将运行时间划分为多个时隙，在每个时隙的开始，各BBU通过LSTM预测算法来预测各小区内用户对各个应用程序的需求集合，中央控制器通过各BBU的预测结果来获取用户的需求信息；

S5、中央控制器将根据LSTM预测算法的预测结果，以及现存部署中应用程序部署信息，计算命中率监测函数，根据函数值与既定的阈值进行对比来判定该时隙内是否执行应用程序的部署，启发式地触发重部署操作，合理地确定重部署频率；

S6、中央控制器根据命中率监测函数的判定结果，进行边缘云中应用程序的部署操作，结合当前的网络状态，计算出最佳的应用程序部署方式。首先对于需要部署的应用程序执行降序最佳适应算法(BFD算法)，从空分配开始始终贪婪地将应用程序部署在使得系统成本最低的MEC服务器上，尽可能的降低链路成本与节点成本；

S7、每个RRU侧的MEC服务器的存储限度为一个该固定值。当应用程序部署过程中出现该MEC服务器的存储空间不足以托管某个应用程序时，触发按优先级替换算法(PRA算法)进行应用程序的替换操作，该PRA算法根据一定的优先级执行应用程序弹出及迁移操作；

S8、移动边缘云网络依次对应用程序进行部署完毕后，中央控制器获取该时隙内应用程序的最终部署信息并记录，用于下一时隙的命中率监测函数的计算。

进一步地，将以上三层无线接入网使用在移动边缘云中能够清晰地反映出移动边缘云与用户群之间的关系。通过网络链接，每个RRU连接到一个BBU池，每个BBU连接到一个中央控制器，中央控制器再连接到离用户较远的核心网络。应用程序托管在MEC服务器上，并服务于源自用户群通过叶节点传送的请求。为了简单起见，本发明假设用户设备只能连接到距离较近的一个基站进行通信。在不同的边缘缓存场景中，根据相应的设计标准(例如位置)，距离相近的RRU可以协作并连接在同一个BBU池中，它们属于同一区域，故也称为区域RRU。如果内容存储在本地RRU缓存中或同一区域的相邻小区的RRU中，则同一区域中的用户(也称为区域用户)可以通过前传链路从其关联的区域RRU请求感兴趣的内容。在此，本发明只关注单个区域的缓存策略，即区域缓存。

进一步地，所述的步骤S4中，在每个时隙的开始执行LSTM预测算法。其中设定输入值为6个数据对，分别是(b1,d1)至(b6,d6)，b1至b6是前一天同时隙之前的6个时隙的应用程序需求统计量，d1至d6为当前时隙之前的6个时隙的应用程序需求统计量。为了有效提取应用程序时间序列中的有效信息，LSTM预测算法的预测模型一共使用了3层lstm隐藏层，其中第一层和第三层lstm隐藏层有128个神经元，而第二层隐藏层有256个神经元。并在第一层和第二层lstm隐藏层后分别加入dropout层，对这两层lstm隐藏层的输出序列结果进行比例为0.2的随机失效。dropout层能使模型有效防止过拟合现象的出现，使预测模型的泛化能力进一步得到提高。

进一步地，所述的步骤S5中，为了合理地确定重部署频率，在方案中结合计算命中率监测函数G(t)，启发式地触发重部署操作：

其中，t表示时隙值，μ为正惩罚因子，V＝{v_i|i＝0,1,2,......,I}表示RRU小区节点集合(MEC服务器集合)，

表示小区v_i内用户的应用程序信息集合，

表示最终部署在v_i侧MEC服务器上的应用程序信息集合，即G(t)由本时隙内用户需求的预测结果与当前部署方式的节点信息的函数组成，只有当其值小于一个重部署阈值g时，才实行重新部署操作。

进一步地，所述的步骤S6中，本时隙需要执行应用程序部署操作时，采用本专利提出的应用程序部署算法，首先执行BFD算法，即先将这些应用程序按照占用节点资源量降序排序，从空分配开始，按照以上降序排序开始逐个部署应用程序。应用程序a_n部署在哪个节点v_i上取决于a_n部署在v_i上的节点成本与链路成本和，即

其中，A＝{a_n|n＝0,1,2,3......,N}表示应用程序集合，S＝{s_n|n＝0,1,2,3......,N}表示应用程序缓存及运行所需的资源大小，即占用的节点资源；

表示节点v_i与节点v_k之间的唯一简单路径，

表示应用程序a_n在某条链路e_j上传输造成的链路成本，λ为节点成本因子。逐个部署应用程序的过程中，贪婪地将应用程序部署在

最小的节点上，如果随着部署的进行，某个节点的存储空间不足以托管某应用程序，则触发PRA替换算法。

进一步地，所述的步骤S7中，当出现节点MEC服务器存储空间不足以托管某个应用程序时。为了使网络中成本和尽量降低，结合PRA算法，进行应用程序的替换操作。PRA算法由弹出操作与迁移操作组成，即首先根据节点v_i上现存的所有应用程序a_n的优先级

来决定弹出哪个应用程序，其中优先级

其进行替换操作时产生的成本差ΔC_EV(n)决定，其中：

由于总是贪婪地将应用程序部署在成本低的节点上，所以上述替换公式中第一项一定比第二项大，即ΔC_EV(n)一定为正。系统模型允许节点v_i利用用户需求及链路参数计算部署在该节点上的应用程序的成本差ΔC_EV(n)，成本差越小，优先级越高。即

根据该优先级排序决定弹出顺序，计算实行替换操作与将不能托管的应用程序顺延部署的成本，并比较两者大小，若前者导致的成本更低，则将优先级最高的应用程序弹出并进行迁移操作。

进一步地，所述的移动边缘云的系统模型中节点数量I为6个，其中叶子节点数量为4个，链路数量J为5条。

进一步地，所述的应用程序额数量N为10个。

进一步地，所述的时隙的长度T为5分钟。

进一步地，所述的LSTM预测算法中批大小设置为32。学习率初始化为10^-3，迭代次数设置为一万次。

进一步地，所述的重部署阈值g为0.98。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明的移动边缘云系统模型采用标准的三层树形结构，节点具有计算、存储及管理功能，边具有网络资源并表现出一定延迟和拥塞，带宽的可用性及通信延迟和抖动随着树的深度的增加而降低。将这种三层无线接入网使用在移动边缘云中能够清晰地反映出移动边缘云与用户群之间的关系，且该模型符合第三代和第四代移动接入网模型，所以第五代接入网络也有望遵循相同的结构。

(2)本发明采用LSRM预测算法进行用户需求的合理预测，旨在通过使用先前的用需求趋势来预测后续的数据，相比于采用瞬时统计数据获取用户需求的方式，该预测算法能够较好的拟合出用户对于应用程序需求的变化趋势，为后续的应用程序部署提高准确性。

(3)本发明采用BFD部署算法与PRA替换算法相融合，该算法从空分配开始，按降序排序贪婪地逐个将应用程序部署在最佳节点上，这样在后续的替换算法中可以减少弹出应用的迁移次数，降低计算复杂度。当出现节点容量违规的情况时，采用PRA替换算法按照优先级级对应用程序进行插入弹出操作。该算法能够尽可能将应用程序合理地部署在靠近用户的边缘节点，且相比于从随机分配的部署算法来说，能够有效节省部署时间，节省部署功耗。

(4)本发明提出一种启发式重部署方法，通过所设置的命中率监测函数来动态触发重新部署的操作，做到在适合的时间进行实时部署，避免根据时隙部署造成部署频繁增加能耗，或部署频率过慢不符合时变需求从而造成解决方案不可行。

附图说明

图1是本发明公开的一种由射频拉远单元(RRU)、基带处理单元(BBU)和中央控制器组成的三层树形移动边缘网络结构图；

图2是网络结构拓扑图；

图3是本发明公开的边缘云中应用程序部署方法的流程图；

图4是LSTM预测算法原理图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例给出了应用程序部署方法在移动边缘云中使用，本发明的方案由用户需求预测、应用程序部署和启发式重部署三部分组成，下面结合附图3中本发明公开的一种移动边缘云中应用程序部署的流程图，具体说明本发明的方案，该方案的实现包括以下步骤：

首先构建移动边缘云的系统模型，该模型是由射频拉远单元(RRU)、基带处理单元(BBU)和中央控制器组成的三层树形边缘网络结构。如图1所示，RRU用作用户的应用程序请求的地理聚合点，用户设备随机的分布在RRU的服务范围内，与用户之间通过无线连接。多个地理位置相近的RRU通过上行链路连接到BBU，BBU可对RRU进行行为监控并进行资源调度。多个BBU连接到中央控制器，表示从核心云获取应用程序的运行信息，再经过边缘网络下发至用户设备。

根据系统模型，在每一个RRU侧部署具有计算、存储和数据处理等功能的MEC服务器，模型中每条链接都设有一组有限的网络资源，具有网络资源并表现出一定延迟和拥塞，带宽的可用性及通信延迟和抖动随着树的深度的增加而降低。通过网络链接，每个RRU连接到一个BBU池，每个BBU连接到一个中央控制器，中央控制器再连接到离用户较远的核心网络。为了简单起见，本发明假设用户设备只能连接到距离较近的一个基站进行通信。在不同的边缘缓存场景中，根据相应的设计标准(例如位置)，距离相近的RRU可以协作并连接在同一个BBU池中，它们属于同一区域，故也称为区域RRU。如果内容存储在本地RRU缓存中或同一区域的相邻小区的RRU中，则同一区域中的用户(也称为区域用户)可以通过前传链路从其关联的区域RRU请求感兴趣的内容。在此，本发明只关注单个区域的缓存策略，即区域缓存。用于计算的网络结构拓扑图如图2所示，拓扑图中每个节点都相当于一个能够使用有限计算和存储资源来托管应用程序的数据中心。每条边都表示一条网络链接，具有网络资源并表现出一定延迟和拥塞，带宽的可用性及通信延迟和抖动随着树的深度的增加而降低。应用程序托管在MEC服务器上，即拓扑图中的节点，并服务于通过叶节点收集的请求。

移动边缘云中的应用程序托管在MEC服务器上，并服务于通过叶节点收集的请求。某个应用程序在该区域内只能部署在唯一的一个MEC服务器上，即在该区域内每个应用程序只存在一个副本，若其他小区用户对该应用程序发起请求，则该请求将通过前传链路传输至托管该应用程序的服务器上被服务，然后将其运行信息通过网络链路传输至该用户。

中央控制器将运行时间划分为多个时隙，在每个时隙的开始，各BBU通过LSTM预测算法来预测各小区内用户对各个应用程序的需求集合，中央控制器通过各BBU的预测结果来获取用户的需求信息。LSTM预测算法原理图如图3所示，本专利设定输入值为6个数据对，分别是(b1,d1)至(b6,d6)，b1至b6是前一天同时隙之前的6个时隙的应用程序需求统计量，d1至d6为当前时隙之前的6个时隙的应用程序需求统计量。为了有效提取应用程序时间序列中的有效信息，整个预测模型一共使用了3层lstm隐藏层，其中第一层和第三层lstm隐藏层有128个神经元，而第二层隐藏层有256个神经元。并在第一层和第二层lstm隐藏层后分别加入dropout层，对这两层lstm隐藏层的输出序列结果进行比例为0.2的随机失效。dropout层能使模型有效防止过拟合现象的出现，使模型的泛化能力进一步得到提高。最后一层的lstm隐藏层会输出序列最后一个值当作一个普通神经元的输入值。当通过这个神经元后，神经元的输出y就是模型预测该时隙的应用程序需求量预测值。

中央控制器将根据LSTM预测算法的预测结果，以及现存部署中应用程序部署信息，计算命中率监测函数G(t)，启发式地触发重部署操作：

其中t表示时隙值，μ为正惩罚因子，V＝{v_i|i＝0,1,2,......,I}表示RRU小区节点集合(MEC服务器集合)，

表示小区v_i内用户的应用程序信息集合，

表示最终部署在v_i侧MEC服务器上的应用程序信息集合，即G(t)由本时隙内用户需求的预测结果与当前部署方式的节点信息的函数组成，当其值小于一个重部署阈值g时，实行重新部署。

中央控制器根据命中率监测函数G(t)的判定结果，进行边缘云中应用程序的部署操作，结合当前的网络状态，利用应用程序部署算法，计算出最佳的应用程序部署方式。首先对于需要部署的应用程序执行BFD算法，即先将这些应用程序按照占用节点资源量降序排序，从空分配开始，按照以上降序排序开始逐个部署应用程序。应用程序a_n部署在哪个节点v_i上取决于a_n部署在v_i上的节点成本与链路成本和，即

其中，A＝{a_n|n＝0,1,2,3......,N}表示应用程序集合，S＝{s_n|n＝0,1,2,3......,N}表示应用程序缓存及运行所需的资源大小，即占用的节点资源，

表示节点v_i与节点v_k之间的唯一简单路径，

表示应用程序a_n在某条链路e_j上传输造成的链路成本，λ为节点成本因子。逐个部署应用程序的过程中，贪婪地将应用程序部署在

最小的节点上，如果随着部署的进行，某个节点的存储空间不足以托管某应用程序，则触发PRA替换算法。

每个RRU侧的MEC服务器的存储限度为一个该固定值。当出现节点MEC服务器存储空间不足以托管某个应用程序时。为了使网络中成本和尽量降低，结合PRA算法，进行应用程序的替换操作。所述PRA算法由弹出操作与迁移操作组成，即首先根据节点v_i上现存的所有应用程序a_n的优先级

来决定弹出哪个应用程序，其中优先级

其进行替换操作时产生的成本差ΔC_EV(n)决定，根据优先级

的排序决定弹出顺序，计算实行替换操作与将不能托管的应用程序顺延部署的成本，并比较两者大小，若前者导致的成本更低，则将优先级最高的应用程序弹出并进行迁移操作。

边缘云网络根据以上应用程序部署方法，依次对应用程序进行部署完毕后，中央控制器获取该时隙内应用程序的最终部署信息并记录，用于下一时隙的命中率监测函数的计算。

其中，移动边缘云的系统模型中命中的节点数量为6个，叶子节点数为4个，链路总数为5条，其他参数通过表1中的值对系统进行配置：

表1.NS2网络模拟参数配置表

配置	符号	参数
			应用程序数量	N	10个
节点数量	I	6个
			链路数量	J	5条
时隙长度	T	5min
			实验时长	\	60min
实验记录总数	\	1.0*106条
			重部署阈值	g	0.98

(一)LSTM预测算法预测用户需求

通过预测算法与真实需求量值的拟合度、使用预测结果进行部署与其他方式部署的比较两个方面验证将预测算法与边缘云中应用程序的部署相结合的可行性。

(1)拟合度

本发明的数据集采用海格怡创科技有限公司提供的基站硬采数据，该数据集包括52个小区基站服务器在连续12天内统计的用户访问信息。首先进行数据的预处理，提取预测实验中用到的开始时间、结束时间、连接基站ID、访问服务器IP地址、上下行流量五个字段的参数进行标准化。然后使用前十天的数据进行训练拟合，后两天的数据用于预测验证。

(2)对应用程序部署的影响

采用两组对比试验：一组为使用真实需求数据作为需求集合初始值，使该集合决定部署方式来计算系统成本，该成本值将是最接近真实情况的系统成本值，可作为三组实验结果的基准；另一组使用瞬时统计值扩展的需求集合，将其作为输入值运行部署算法来计算部署成本，扩展规则为：假设T＝5min，统计前30s的真实值，将其乘以倍数来代表整个时隙的需求集合。实验共运行12个时隙。

(二)应用程序部署算法

从系统成本、服务器利用率和部署时间这三个评价指标出发，通过和其他部署方法进行比较，衡量本方案的性能。其他部署算法为DFG算法、LGS算法和FFD算法。

(1)系统成本

实习长度T＝5min，移动边缘云系统模型运行12个时隙。对比实验中DFG算法是基于全局信息的分布式2-近似算法，通过该算法可以获得最优解的2近似值，该算法在小型边缘网络中表现优异，可作为其他算法的基准值。

(2)边缘服务器利用率

边缘服务器指父节点与所有叶子节点中的服务器，同一时隙中用户需求集合和链路、节点参数保持一致。所统计的利用率越高，说明这种部署方式将更多的应用程序部署在边缘节点上。当同一个基站所在小区内其他终端进行相同内容调用时，将可以直接从MEC服务器中获取，不再通过核心网重复获取，有效节省了核心网的系统资源。

(3)部署时间

比较BFD算法与LGS算法在相同的12个时隙内的部署时间，相同时隙下的用户需求集合和链路、节点参数保持一致。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种移动边缘云中的应用程序部署方法，其特征在于，所述的应用程序部署方法包括下列步骤：

S1、构建一种移动边缘云的系统模型，该系统模型是由射频拉远单元、基带处理单元和中央控制器组成的三层树形边缘网络结构；RRU用作用户的应用程序请求的地理聚合点，用户设备随机的分布在RRU的服务范围内，与用户之间通过无线连接，多个地理位置相近的RRU通过上行链路连接到基带处理单元，BBU可对RRU进行行为监控并进行资源调度；多个BBU连接到中央控制器，表示从核心云获取应用程序的运行信息，再经过边缘网络下发至用户设备；

S2、根据系统模型，在每一个RRU侧部署具有计算、存储和数据处理功能的MEC服务器，模型中每条链接都设有一组有限的网络资源，通过网络链接，每个RRU连接到一个BBU池，每个BBU连接到一个中央控制器，中央控制器再连接到离用户较远的核心网络；

S3、将移动边缘云中的应用程序托管在MEC服务器上，并服务于通过叶节点收集的请求，每个应用程序在当前基站小区内只能部署在唯一的一个MEC服务器上，即在当前基站小区内每个应用程序只存在一个副本，若其他基站小区用户对该应用程序发起请求，则该请求将通过前传链路传输至托管该应用程序的服务器上被服务，然后将其运行信息通过网络链路传输至该用户；

S4、中央控制器将运行时间划分为多个时隙，在每个时隙的开始，各BBU通过LSTM预测算法来预测各小区内用户对各个应用程序的需求集合，中央控制器通过各BBU的预测结果来获取用户的需求信息；

S5、中央控制器将根据LSTM预测算法的预测结果，以及现存部署中应用程序部署信息，计算命中率监测函数，根据函数值与既定的阈值进行对比来判定该时隙内是否执行应用程序的部署，启发式地触发重部署操作，确定重部署频率；其中，计算命中率监测函数G(t)，启发式地触发重部署操作：

其中t表示时隙值，μ为正惩罚因子，V＝{v_i|i＝0,1,2,......,I}表示RRU小区节点集合，即MEC服务器集合，

表示小区v_i内用户的应用程序信息集合，

表示最终部署在v_i侧MEC服务器上的应用程序信息集合，即G(t)由本时隙内用户需求的预测结果与当前部署方式的节点信息的函数组成，只有当其值小于一个重部署阈值g时，才实行重新部署操作；

S6、中央控制器根据命中率监测函数的判定结果，进行边缘云中应用程序的部署操作，结合当前的网络状态，计算出最佳的应用程序部署方式，首先对于需要部署的应用程序执行降序最佳适应算法，从空分配开始始终贪婪地将应用程序部署在使得系统模型成本最低的MEC服务器上；其中，所述的步骤S6中，本时隙需要执行应用程序部署操作时，首先执行降序最佳适应算法，即先将应用程序按照占用节点资源量降序排序，从空分配开始，按照以上降序排序开始逐个部署应用程序，应用程序a_n部署在哪个节点v_i上取决于a_n部署在v_i上的节点成本与链路成本和，即

其中，A＝{a_n|n＝0,1,2,3......,}}表示应用程序集合，S＝{s_n|n＝0,1,2,3......,}}表示应用程序缓存及运行所需的资源大小，即占用的节点资源，

表示节点v_i与节点v_k之间的唯一简单路径，

表示应用程序a_n在某条链路e_j上传输造成的链路成本，λ为节点成本因子，逐个部署应用程序的过程中，贪婪地将应用程序部署在

最小的节点上，如果随着部署的进行，某个节点的存储空间不足以托管某应用程序，则触发按优先级替换算法；

S7、每个RRU侧的MEC服务器的存储限度为一个固定值，当应用程序部署过程中出现该MEC服务器的存储空间不足以托管某个应用程序时，触发按优先级替换算法进行应用程序的替换操作，该按优先级替换算法根据一定的优先级执行应用程序弹出及迁移操作；其中，所述步骤S7中优先级替换算法由弹出操作与迁移操作组成，即首先根据节点v_i上现存的所有应用程序a_n的优先级

来决定弹出哪个应用程序，其中优先级

进行替换操作时产生的成本差ΔC_EV(n)决定，根据优先级

的排序决定弹出顺序，计算实行替换操作与将不能托管的应用程序顺延部署的成本，并比较两者大小，若前者导致的成本更低，则将优先级最高的应用程序弹出并进行迁移操作；

S8、移动边缘云网络依次对应用程序进行部署完毕后，中央控制器获取该时隙内应用程序的最终部署信息并记录，用于下一时隙的命中率监测函数的计算。

2.根据权利要求1所述的一种移动边缘云中的应用程序部署方法，其特征在于，所述的应用程序部署方法中假设用户设备只能连接到距离较近的一个基站进行通信，在不同的边缘缓存场景中，根据相应的设计标准，距离相近的RRU协作并连接在同一个BBU池中，它们属于同一区域，故也称为区域RRU，如果内容存储在本地RRU缓存中或同一区域的相邻小区的RRU中，则同一区域中的用户通过前传链路从其关联的区域RRU请求感兴趣的内容，同时假设该应用程序部署方法只关注单个区域的缓存策略，即区域缓存。

3.根据权利要求1所述的一种移动边缘云中的应用程序部署方法，其特征在于，所述的步骤S4中，在每个时隙的开始执行LSTM预测算法，其中设定输入值为6个数据对，分别是(b1,d1)至(b6,d6)，b1至b6是前一天同时隙之前的6个时隙的应用程序需求统计量，d1至d6为当前时隙之前的6个时隙的应用程序需求统计量，该LSTM预测算法的预测模型使用3层lstm隐藏层，其中第一层和第三层lstm隐藏层有128个神经元，而第二层隐藏层有256个神经，并在第一层和第二层lstm隐藏层后分别加入dropout层，对这两层lstm隐藏层的输出序列结果进行比例为0.2的随机失效。

4.根据权利要求1所述的一种移动边缘云中的应用程序部署方法，其特征在于，所述的移动边缘云的系统模型中节点数量I为6个，其中叶子节点数量为4个，链路数量J为5条。

5.根据权利要求1所述的一种移动边缘云中的应用程序部署方法，其特征在于，所述的应用程序的数量}为10个，所述的时隙的长度T为5分钟。

6.根据权利要求3所述的一种移动边缘云中的应用程序部署方法，其特征在于，所述的LSTM预测算法中批大小设置为32，学习率初始化为10^-3，迭代次数设置为一万次。

7.根据权利要求1所述的一种移动边缘云中的应用程序部署方法，其特征在于，所述的重部署阈值g为0.98。

Images