CN110290011A - 边缘计算中基于Lyapunov控制优化的动态服务放置方法 - Google Patents
边缘计算中基于Lyapunov控制优化的动态服务放置方法 Download PDFInfo
- Publication number
- CN110290011A CN110290011A CN201910592690.7A CN201910592690A CN110290011A CN 110290011 A CN110290011 A CN 110290011A CN 201910592690 A CN201910592690 A CN 201910592690A CN 110290011 A CN110290011 A CN 110290011A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- master controller
- placement strategy
- edge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 230000007774 longterm Effects 0.000 claims abstract description 22
- 230000005012 migration Effects 0.000 claims abstract description 18
- 238000013508 migration Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000001737 promoting effect Effects 0.000 claims abstract description 3
- 238000004891 communication Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000018199 S phase Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种边缘计算中基于Lyapunov控制优化的动态服务放置方法，移动用户可将大量任务卸载至邻近的边缘服务器处理，以此缓解用户资源短缺的问题，通过协调边缘服务器的空闲资源，进一步实现高效的移动任务执行。由于边缘服务器的覆盖范围有限，为保障移动用户的服务性能，系统需通过服务迁移动态调整用户的服务放置。本发明首先引入了长期服务迁移预算，以此避免因用户过度服务迁移而产生巨大的运营开销，然后利用Lyapunov队列变换，联合优化移动用户的服务性能和运营开销，从而确保在不超过设定迁移预算的前提下，有效提升用户的服务性能。
Description
技术领域
本发明涉及边缘计算以及分布式计算技术领域，具体涉及一种边缘计算中基于Lyapunov控制优化的动态服务放置方法。
背景技术
随着智能设备的广泛使用和无线网络技术的快速发展，网络边缘设备数量激增，以云计算模型为核心的集中式方式难以高效处理边缘设备所产生的海量数据。同时由于物理尺寸和电量限制，移动设备难以单独处理新型的服务应用(如VR/AR)。为了缓解设备资源短缺和任务高资源需求之间的冲突，设备可以将任务计算量卸载至资源更丰富的邻近边缘服务器执行。但由于边缘服务器的覆盖范围有限，为保障移动用户的服务性能，系统需通过服务迁移动态调整用户的服务放置。
目前对于解决边缘计算中的用户长期服务放置问题主要分为两类：基于对长期未知信息(用户行为信息和网络状态信息)能够做出精确预测的假设；基于用户移动符合马尔科夫过程的假设。第一类方式是基于对未知信息的精准预测，另一类是对用户的移动进行马尔科夫建模，并决定任务是否迁移。
第一类方法基于利用已有的数据，通过统计方法或神经网络对用户移动模型和网络信息(数据传输和处理代价等)做出精确预测，再利用已有的优化算法，实现动态调节服务迁移代价和服务性能的冲突，以此得出长期有效的多用户服务放置策略。一方面，在实际网络环境中，用户的突发行为和网络的时变特性极易引起预测误差，由此将导致所得服务放置策略与真实优化策略产生偏差。同时，在长期的未知信息过程中，预测误差将会随时间的增长而累加，从而进一步影响用户服务放置策略的制定。另一方面，预测模型将会产生额外的运行代价，如对用户行为数据，网络状态信息的收集，预测模型的更新时间等，尤其对于密集且易扩展的边缘网络存在大量用户数据，如何降低模型所产生的额外代价以减少对用户体验的影响也是需要考虑的难题。
第二类方法是基于用户移动符合马尔科夫过程的假设，以此分析得出合理的服务迁移放置策略。这类方法通过对用户移动进行马尔科夫建模，再利用马尔科夫决策过程(MDP)的方法分析用户在当前状态下的迁移收益，以及决定是否应当进行服务迁移，从而进一步得出长期服务放置策略。但在实际问题中，这种基于马尔科夫的用户移动假设可能并不有效，尤其是对于用户存在明确移动方向的情况下，如用户拥有确定的移动目的地。尽管在云计算模式中服务放置问题已被广泛研究，但在边缘计算的应用场景下，由于用户的移动性和边缘节点服务覆盖范围的有限性，这对原有的服务放置问题产生了新的挑战。针对这种情况，如何提供一个有效的用户移动管理机制以分析长期服务质量是目前亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术中多移动用户在边缘网络中由于动态网络环境和不确定移动性引起的服务放置问题，提供一种边缘计算中基于Lyapunov控制优化的动态服务放置方法。
本发明的目的可以通过采取如下技术方案达到：
一种边缘计算中基于Lyapunov控制优化的动态服务放置方法，所述动态服务放置方法包括下列步骤：
S1、长期用户服务表现建模步骤，中心控制器将长期服务运行时间划分为T个离散的时间片段，并根据每个离散时间片段内边缘网络中基站所收集到的信息为用户进行长期服务表现建模，其中，所述的长期服务表现为服务性能和运行开销；
S2、网络信息收集步骤，在每个时间片段内，边缘网络中的所有移动用户向邻近的基站发送服务请求，基站将所收集到的用户请求信息和与之相连的边缘服务器资源使用状况一同发送给中心控制器；
S3、在线动态服务放置步骤，根据步骤S1所建的模型和步骤S2中由中心控制器所收集的当前时段全局信息，动态调节当前所有移动用户的服务放置策略，协调用户的服务质量和运营开销，使用户长期服务表现达到最优，即在提升用户服务性能的同时，控制服务迁移而产生的运营开销；
S4、用户服务执行步骤，每个边缘服务器根据中心控制器由步骤S3所制定的服务放置策略，开始处理相应用户的服务请求，为用户提供服务；
S5、运营开销队列和历史服务放置策略更新步骤，依据步骤S4中服务运行结果，更新运营开销队列和上一时间片段的用户服务放置策略。
进一步地，所述的长期用户服务表现建模步骤包括：
S11、建立服务放置模型：
中心控制器对每个用户请求制定服务放置策略即在当前时刻t，将用户请求的服务k放置于边缘服务器i处理，为了节省不必要的运行开销，在给定时间段内，所有用户设备有且只有一个边缘服务器为其提供服务。因此用户k的服务放置策略可以表示为：
公式(1)中，M表示网络中所有的边缘服务器。
S12、对边缘网络中的用户服务质量进行建模：
用户服务质量主要表现为用户感知时延，即边缘服务器执行用户任务所产生的计算时延和数据传输的通信时延。
其中，计算时延模型建立过程如下：
在多用户场景中，边缘网络中的移动用户可同时将计算任务卸载至同一边缘服务器上，并共享其计算资源以处理应用程序。中心控制器根据用户的服务请求和边缘服务器的资源状态，为所有用户建立计算时延模型。在时间片段t内，用户k请求服务的计算量Rk(t)通常可以抽象为该计算任务的输入数据量大小与为计算该任务所需要的计算资源数量(通常使用CPU指令数来表示)的乘积，如视频流分析应用。那么对于用户k执行任务所需的计算时延可以表示为：
公式(3)中，Ni(t)表示在时间片段t内边缘服务器i所服务的用户数目，Fi表示边缘服务器i的最大计算能力；
其中，通信时延模型建立过程如下：
一方面，移动用户可以通过蜂窝网络与无线基站建立网络连接，由此向边缘服务器请求任务处理。而网络连接的建立将会导致接入时延。另一方面，在用户任务执行过程中，服务数据包将在目标边缘服务器与本地边缘服务器(基站)之间传输时，这将引起数据传输时延。中心控制器将根据移动用户的当前位置(接入的基站)，结合用户k的服务放置策略刻画当前的通信时延Lk(t)：
公式(4)中，表示为用户k与边缘服务器i之间的通信时延；
由此，用户k在时间片段t中的服务总时延可表示为Tk(t)＝Dk(t)+Lk(t)。
S13、对边缘网络中的用户服务迁移所产生的运营开销进行建模：
中心控制器结合上一时刻的用户服务放置策略和步骤S11中的当前用户服务放置策略，估计当前时刻用户服务迁移所产生的运营开销，具体表示为：
公式(5)中，表示对于用户服务配置文件k从原边缘服务器j迁移至目标边缘服务器i的总运行开销，N表示边缘网络中的移动用户数目；
S14、对边缘网络中的长期用户服务表现进行建模：
结合步骤S12和步骤S13中对用户服务质量和运营开销的刻画，中心控制器将对用户的长期服务表现进行如下优化：
公式(6)中，Eavg表示设定的长期迁移预算。
进一步地，所述的网络信息收集步骤包括：
S21、在每个时间片段t的开始，用户向近邻的基站发送用户服务请求；
S22、边缘网络中的基站将记录用户请求服务所需的资源(如计算资源)和相连边缘服务器的资源，并将其统一发送至中心控制器。
进一步地，所述的在线动态服务放置步骤包括：
为解决服务迁移模型中运营开销存在的时间耦合性以及未来的移动用户行为和边缘网络动态性的难以预测问题，中心控制器通过利用Lyapunov优化控制理论，对每个时间片段t的用户服务放置策略进行调整，对服务质量和运行开销进行联合优化。
S31、中心控制器使用Lyapunov优化控制，为服务迁移所产生的运营开销建立队列Q(t)，作为判断目前服务迁移是否过度的衡量指标，具体表示为：
Q(t+1)＝max[Q(t)+E(t)-Eavg，0] (7)
当队列Q(t)保持稳定时，即可使用户运营总开销不超过长期预算。这是因为根据队列Q(t)的定义，对不等式Q(t+1)≥Q(t)+E(t)-Eavg进行累加，可以推得：由于在最初时间片段t＝0，未有服务迁移，即Q(t)＝0。通过对不等式求期望，则可得由此当队列满足可使用户运营总开销不超过长期预算。
S32、为了有效保障队列的稳定性，中心控制器构建队列拥塞程度，具体表示为：
显然，当L(Θ(t))的值较小时，则意味着队列长度Q(t)的值也较小。进而队列拥塞程度的实时变化情况可表示为：
S33、中心控制器对用户服务质量和运营开销进行联合优化，表示为：
公式(12)中，V表示中心控制器对服务质量优化的重视程度。
S34、由于步骤S33的优化目标公式(10)中的Δ(Θ(t))与相邻两个队列Q(t+1)和Q(t)有关，存在max[*]项，为简化用户服务放置策略的求解，中心控制器将制定新的优化目标，具体表示为：
通过不断优化(11)从而近似逼近原优化目标公式(10)的上限值。这是因为根据不等式(max[Q-b+A，0)2≤Q2+A2+b2+2Q(A-b)和队列Q(t)的定义，可以得到
S35、中心控制器通过利用马尔可夫近似优化方法(Markov approximation)，对所有可行的用户服务放置策略构建一个拥有稳态的离散时间马尔可夫链。通过对马尔可夫链中用户服务放置策略进行迭代更新，以致达到稳态，将得到的用户服务放置策略作为当前时间片段的最终策略。
其中当前时间片段的近似最优放置策略概率为：
公式(12)中，c(t)表示当前时间片段所有用户可行的服务放置策略集合，β表示近似参数，U(c，t)代表当前时间片段t用户服务放置策略c的优化目标函数值。
马尔可夫链的用户服务放置策略更新的转变概率为：
马尔可夫链的稳态表示如下：
进一步地，所述的运营开销队列和历史服务放置策略更新步骤包括：
S51、在每个时间片段t的末尾，中心控制器将根据当前制定的用户服务放置策略，计算当前时间片段的总用户运营开销，并依照队列定义表达式(7)进行更新；
S52、中心控制器将当前制定的用户服务放置策略更新为历史放置策略。
本发明相对于现有技术具有如下的优点及效果：
1)本发明不需要对用户行为(移动性)做马尔可夫假设，具有更强的泛化能力和实用性。
2)由于本发明基于Lyapunov优化控制理论，通过将长期服务放置问题转化为一系列实时队列控制优化问题，所以可以解决长期用户行为和网络环境预测的难以预测问题。
3)本发明考虑了多用户在边缘网络中存在的资源竞争问题，具有更实际的应用意义。
附图说明
图1是动态用户服务放置示意图；
图2是本发明实施例中边缘计算基于Lyapunov控制优化的动态服务放置方法的流程步骤图；
图3是本发明实施例中马尔可夫链构建示意图；
图4是本发明实施例中不同移动用户规模下的平均用户服务时延示意图；
图5是本发明实施例中不同控制参数V下的平均用户服务时延分布示意图；
图6是本发明实施例中不同控制参数V下的平均服务迁移运营开销变化情况示意图；
图7是本发明实施例中不同控制参数V下的运营开销队列长度变化情况示意图。
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做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
本发明实施例中公开了一种边缘计算中基于Lyapunov控制优化的动态服务放置方法，其流程图如图所示，该方法基于Lyapunov优化控制理论，将长期用户服务表现优化转化为一系列实时服务质量和运营开销联合优化，并利用马尔可夫近似优化方法求解用户服务放置策略。
本实施例的仿真实验环境具体如下，对于用户移动模型，本实例采用仿真平台ONE模拟器，选取了其中基于地图的最短路径移动模型，用户将沿着芬赫尔辛基市中心的道路或街道移动。整个网络划分为63独立个区域，每个区域的面积为500×500平方米。此外，每一个区域都有一个基站，并部署了边缘服务器，由此可为用户提供服务，边缘服务器的计算资源为25GHz。网络中有两种移动用户，共315人：一种是运动速度均匀分布在[0.5，1.5]米每秒的行人，占总人数85.7％。另一种是运动速度均匀分布在[2.7，11.1]米每秒的车辆司机，占总人数14.3％。边缘服务器之间的网络距离依照曼哈顿距离计算。仿真实验设定了2000个离散的时间片段，每个时间片段为5分钟。所有用户在时间片段内请求的任务量服从均匀分布[0.6,1]Mbps以及任务需要的CPU处理密度为2640转/比特。对于任务的通信时延，当用户服务配置文件所放置的边缘服务器与用户本地基站连接的边缘服务器不同时，用户的通信时延为服务器之间的网络跳数乘以每跳传输时延。由于网络的动态变化，我们假设每跳传输时延遵循[0.6,0.81]分钟均匀分布。服务迁移代价与通信时延相似，为服务器之间的网络跳数乘以每跳迁移代价，每跳迁移代价遵循[1,1.35]单位成本均匀分布，最后再加上与服务请求相关的0.5单位成本。
基于Lyapunov控制优化的动态服务放置方法具体实现步骤如下：
S1、长期用户服务表现建模步骤，中心控制器依照用户服务质量和迁移产生的运行开销对长期服务表现进行建模。
S2、网络信息收集步骤，在每个时间片段的开始，移动用户依据仿真实验设定，向邻近的基站发送服务请求，具体包含了执行任务所需的资源，即请求任务大小和处理密度。当基站收集完所有的用户请求和边缘服务器的网络资源信息时，将统一发送给中心控制器进行当前时段的用户服务放置策略制定。
S3、在线动态服务放置步骤，当中心控制器接受到各个基站发送的信息时，将依据Lyapunov优化控制理论和马尔可夫近似优化方法制定当前用户服务放置策略，具体步骤如下：
首先中心控制器对长期用户服务表现模型进行Lyapunov变换，进一步得到新的实时优化目标和由用户服务迁移产生的运营开销队列。
其次，中心控制器根据新的优化目标，结合收集的信息，对所有可行的用户服务放置策略构建一个拥有稳态的离散时间马尔可夫链，如图所示3。为了能不断逼近最优的用户服务放置策略，中心控制器通过随机选择一个用户服务进行服务放置策略更新，放置策略的更新依据转变概率。在这种情况下，当前所有用户的服务放置策略状态转换只涉及一个用户的服务迁移。当更新的服务放置策略确定后，更新后的用户服务放置策略优化目标函数值可以根据收集到的信息立即计算出来。依照设定的转变概率，迭代更新过程中，用户服务放置策略将大概率倾向于更优的放置策略更新。当构建的马尔可夫链达到稳态时，将得到的用户服务放置策略作为当前时间片段的最终策略。
S4、用户服务执行步骤，中心控制器将所得的用户服务放置策略广播给边缘网络的所有基站，各边缘服务器根据基站收到的策略为制定用户服务分配相应的资源，处理相应用户的服务请求。如若存在用户服务迁移，边缘服务器需将用户的服务配置文件传输至相应的边缘服务器，以确保用户的服务质量；
S5、运营开销队列和历史服务放置策略更新步骤，在时间片段末尾，中心控制器将依据服务运行结果，更新运营开销队列和上一时间片段的用户服务放置策略。
图4展示了随着移动用户数目不断增大，在给定长期迁移预算下本发明公开方案得到的用户服务质量与两种贪心算法(贪心迁移算法：将尽可能地实时迁移用户服务至当前离用户设备最近的边缘服务器；贪心K最优迁移算法将选择当前K个表现最差的用户服务迁移至每个服务最优的边缘服务器)执行的情况。可以看到，对比以上三种策略，本发明公开的方案平均用户服务时延得到明显的下降。并且随着用户规模增大，性能提升越发显著。这是因为本方案能充分利用网络中的边缘服务器的计算资源，通过联合考虑服务器的负载情况和网络状态，从而动态调整用户服务放置策略。
图5至图7展示了控制参数V对长期用户服务表现的影响。当控制参数V的值越大时，用户平均服务时延越小，直至减小到最优的用户服务性能。同时在每个时间片段，用户平均服务时延的分布也会随着V的增大而更集中，如图5所示。图6展示了控制参数V对平均运营开销的影响，V值越大，前期的运营开销越大。但经过对后续的服务放置调整，最终使得长期运营开销最终收敛至设定的迁移预算。图7展示了最后200个时间片段下不同控制参数V的队列长度的实时变化情况，V值越大，队列长度越大，但最终的变化程度较为稳定，验证了理论说明，即长期运营开销不会超过设定的迁移预算。
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 (5)
1.一种边缘计算中基于Lyapunov控制优化的动态服务放置方法，其特征在于，所述的动态服务放置方法包括：
S1、长期用户服务表现建模步骤，中心控制器将长期服务运行时间划分为T个离散的时间片段，并根据每个离散时间片段内边缘网络中基站所收集到的信息为用户进行长期服务表现建模，其中，所述的长期服务表现为服务性能和运行开销；
S2、网络信息收集步骤，在每个时间片段内，边缘网络中的所有移动用户向邻近的基站发送服务请求，基站将所收集到的用户请求信息和与之相连的边缘服务器资源使用状况一同发送给中心控制器；
S3、在线动态服务放置步骤，根据步骤S1所建的模型和步骤S2中由中心控制器所收集的当前时段全局信息，动态调节当前所有移动用户的服务放置策略，协调用户的服务质量和运营开销，使用户长期服务表现达到最优，即在提升用户服务性能的同时，控制服务迁移而产生的运营开销；
S4、用户服务执行步骤，每个边缘服务器根据中心控制器由步骤S3所制定的服务放置策略，开始处理相应用户的服务请求，为用户提供服务；
S5、运营开销队列和历史服务放置策略更新步骤，依据步骤S4中服务运行结果，更新运营开销队列和上一时间片段的用户服务放置策略。
2.根据权利要求1所述的边缘计算中基于Lyapunov控制优化的动态服务放置方法，其特征在于，所述的长期用户服务表现建模步骤包括：
S11、建立服务放置模型：
中心控制器对每个用户请求制定服务放置策略即在当前时刻t，将用户请求的服务k放置于边缘服务器i处理，假设在给定时间段内，所有用户设备有且只有一个边缘服务器为其提供服务，因此用户k的服务放置策略表示为：
公式(1)中，M表示网络中所有的边缘服务器；
S12、对边缘网络中的用户服务质量进行建模：
将用户服务质量分为边缘服务器执行用户任务所产生的计算时延和数据传输的通信时延，其中，计算时延的模型建立过程如下：
中心控制器根据用户的服务请求和边缘服务器的资源状态，为所有用户建立计算时延模型，假设在时间片段t内，用户k请求服务的计算量Rk(t)抽象为该计算任务的输入数据量大小与为计算该任务所需要的计算资源数量的乘积，那么对于用户k执行任务所需的计算时延表示为：
公式(3)中，Ni(t)表示在时间片段t内边缘服务器i所服务的用户数目，Fi表示边缘服务器i的最大计算能力；
其中，通信时延的模型建立过程如下：
中心控制器将根据移动用户的当前位置，结合用户k的服务放置策略对当前的通信时延Lk(t)表示如下：
公式(4)中，表示为用户k与边缘服务器i之间的通信时延；
由此，用户k在时间片段t中的服务总时延表示为Tk(t)＝Dk(t)+Lk(t)；
S13、对边缘网络中的用户服务迁移所产生的运营开销进行建模：
中心控制器结合上一时刻的用户服务放置策略和当前用户服务放置策略，估计当前时刻用户服务迁移所产生的运营开销，表示如下：
公式(5)中，表示对于用户服务配置文件k从原边缘服务器j迁移至目标边缘服务器i的总运行开销，N表示边缘网络中的移动用户数目；
S14、对边缘网络中的长期用户服务表现进行建模：
中心控制器对用户的长期服务表现进行如下优化：
公式(6)中，Eavg表示设定的长期迁移预算。
3.根据权利要求1所述的边缘计算中基于Lyapunov控制优化的动态服务放置方法，其特征在于，所述的网络信息收集步骤包括：
S21、在每个时间片段t的开始，用户向近邻的基站发送用户服务请求；
S22、边缘网络中的基站将记录用户请求服务所需的资源和相连边缘服务器的资源，并将其统一发送至中心控制器。
4.根据权利要求1所述的边缘计算中基于Lyapunov控制优化的动态服务放置方法，其特征在于，所述的在线动态服务放置步骤包括：
S31、中心控制器使用Lyapunov优化控制，为服务迁移所产生的运营开销建立队列Q(t)，作为判断目前服务迁移是否过度的衡量指标，表示为：
Q(t+1)＝max[Q(t)+E(t)-Eavg，0] (7)
S32、中心控制器构建队列拥塞程度，表示为：
显然，当L(Θ(t))的值较小时，则意味着队列长度Q(t)的值也较小，将队列拥塞程度的实时变化情况表示为：
S33、中心控制器对用户服务质量和运营开销进行联合优化，表示为：
公式(10)中，V表示中心控制器对服务质量优化的重视程度；
S34、为简化用户服务放置策略的求解，中心控制器制定新的优化目标，具体表示为：
S35、中心控制器通过利用马尔可夫近似优化方法，对所有可行的用户服务放置策略构建一个拥有稳态的离散时间马尔可夫链，通过对马尔可夫链中用户服务放置策略进行迭代更新，以致达到稳态，将得到的用户服务放置策略作为当前时间片段的最终策略，其中，当前时间片段的近似最优放置策略概率为：
公式(12)中，c(t)表示当前时间片段所有用户可行的服务放置策略集合，β表示近似参数，U(c，t)代表当前时间片段t用户服务放置策略c的优化目标函数值；
马尔可夫链的用户服务放置策略更新的转变概率为：
马尔可夫链的稳态表示如下：
5.根据权利要求4所述的边缘计算中基于Lyapunov控制优化的动态服务放置方法，其特征在于，所述的运营开销队列和历史服务放置策略更新步骤包括：
S51、在每个时间片段t的末尾，中心控制器将根据当前制定的用户服务放置策略，计算当前时间片段的总用户运营开销，并依照队列定义表达式(7)进行更新；
S52、中心控制器将当前制定的用户服务放置策略更新为历史放置策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910592690.7A CN110290011A (zh) | 2019-07-03 | 2019-07-03 | 边缘计算中基于Lyapunov控制优化的动态服务放置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910592690.7A CN110290011A (zh) | 2019-07-03 | 2019-07-03 | 边缘计算中基于Lyapunov控制优化的动态服务放置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110290011A true CN110290011A (zh) | 2019-09-27 |
Family
ID=68020361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910592690.7A Pending CN110290011A (zh) | 2019-07-03 | 2019-07-03 | 边缘计算中基于Lyapunov控制优化的动态服务放置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110290011A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110856045A (zh) * | 2019-09-30 | 2020-02-28 | 咪咕视讯科技有限公司 | 视频处理方法、电子设备和存储介质 |
| CN110968920A (zh) * | 2019-11-29 | 2020-04-07 | 江苏方天电力技术有限公司 | 一种边缘计算中链式服务实体的放置方法及边缘计算设备 |
| CN111491332A (zh) * | 2020-04-20 | 2020-08-04 | 中国石油大学(北京) | 动态服务迁移方法及装置 |
| CN111580978A (zh) * | 2020-05-12 | 2020-08-25 | 中国联合网络通信集团有限公司 | 边缘计算服务器布局方法及任务分配方法 |
| CN111586146A (zh) * | 2020-04-30 | 2020-08-25 | 贵州电网有限责任公司 | 基于概率转移深度强化学习的无线物联网资源分配方法 |
| CN112153147A (zh) * | 2020-09-25 | 2020-12-29 | 南京大学 | 一种移动边缘环境中基于实体共享的链式服务实体的放置方法 |
| CN112286898A (zh) * | 2020-12-24 | 2021-01-29 | 长沙树根互联技术有限公司 | 基于分布式文件边缘节点的配置文件方法和装置 |
| CN112363829A (zh) * | 2020-11-03 | 2021-02-12 | 武汉理工大学 | 一种基于弹性尺度聚合的用户资源动态分配方法 |
| CN112804219A (zh) * | 2020-12-31 | 2021-05-14 | 中山大学 | 基于边缘计算的低时延实时视频分析方法 |
| CN113259472A (zh) * | 2021-06-08 | 2021-08-13 | 江苏电力信息技术有限公司 | 一种面向视频分析任务的边缘节点资源分配方法 |
| CN113572848A (zh) * | 2020-08-18 | 2021-10-29 | 北京航空航天大学 | 基于价值空间估计的带数据刷新的在线服务放置方法 |
| CN114466385A (zh) * | 2022-01-12 | 2022-05-10 | 中南大学 | 基于用户移动感知的无缝服务迁移方法及计算机系统 |
| CN115334076A (zh) * | 2022-07-08 | 2022-11-11 | 电子科技大学 | 一种边缘服务器的服务迁移方法、系统及边缘服务器设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866374A (zh) * | 2015-05-22 | 2015-08-26 | 北京华如科技股份有限公司 | 基于多任务的离散事件并行仿真及时间同步方法 |
| CN109600432A (zh) * | 2018-12-03 | 2019-04-09 | 上海科技大学 | 内容中心移动边缘网络用户动态接入方法 |
| CN109857546A (zh) * | 2019-01-03 | 2019-06-07 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
-
2019
- 2019-07-03 CN CN201910592690.7A patent/CN110290011A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866374A (zh) * | 2015-05-22 | 2015-08-26 | 北京华如科技股份有限公司 | 基于多任务的离散事件并行仿真及时间同步方法 |
| CN109600432A (zh) * | 2018-12-03 | 2019-04-09 | 上海科技大学 | 内容中心移动边缘网络用户动态接入方法 |
| CN109857546A (zh) * | 2019-01-03 | 2019-06-07 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| TAO OUYANG, ETC.: "Follow Me at the Edge: Mobility-Aware Dynamic", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110856045B (zh) * | 2019-09-30 | 2021-12-07 | 咪咕视讯科技有限公司 | 视频处理方法、电子设备和存储介质 |
| CN110856045A (zh) * | 2019-09-30 | 2020-02-28 | 咪咕视讯科技有限公司 | 视频处理方法、电子设备和存储介质 |
| CN110968920A (zh) * | 2019-11-29 | 2020-04-07 | 江苏方天电力技术有限公司 | 一种边缘计算中链式服务实体的放置方法及边缘计算设备 |
| CN110968920B (zh) * | 2019-11-29 | 2022-06-14 | 江苏方天电力技术有限公司 | 一种边缘计算中链式服务实体的放置方法及边缘计算设备 |
| CN111491332A (zh) * | 2020-04-20 | 2020-08-04 | 中国石油大学(北京) | 动态服务迁移方法及装置 |
| CN111586146B (zh) * | 2020-04-30 | 2022-04-22 | 贵州电网有限责任公司 | 基于概率转移深度强化学习的无线物联网资源分配方法 |
| CN111586146A (zh) * | 2020-04-30 | 2020-08-25 | 贵州电网有限责任公司 | 基于概率转移深度强化学习的无线物联网资源分配方法 |
| CN111580978A (zh) * | 2020-05-12 | 2020-08-25 | 中国联合网络通信集团有限公司 | 边缘计算服务器布局方法及任务分配方法 |
| CN111580978B (zh) * | 2020-05-12 | 2023-06-30 | 中国联合网络通信集团有限公司 | 边缘计算服务器布局方法及任务分配方法 |
| CN113572848A (zh) * | 2020-08-18 | 2021-10-29 | 北京航空航天大学 | 基于价值空间估计的带数据刷新的在线服务放置方法 |
| CN112153147A (zh) * | 2020-09-25 | 2020-12-29 | 南京大学 | 一种移动边缘环境中基于实体共享的链式服务实体的放置方法 |
| CN112363829A (zh) * | 2020-11-03 | 2021-02-12 | 武汉理工大学 | 一种基于弹性尺度聚合的用户资源动态分配方法 |
| CN112363829B (zh) * | 2020-11-03 | 2024-03-29 | 武汉理工大学 | 一种基于弹性尺度聚合的用户资源动态分配方法 |
| CN112286898A (zh) * | 2020-12-24 | 2021-01-29 | 长沙树根互联技术有限公司 | 基于分布式文件边缘节点的配置文件方法和装置 |
| CN112804219A (zh) * | 2020-12-31 | 2021-05-14 | 中山大学 | 基于边缘计算的低时延实时视频分析方法 |
| CN113259472A (zh) * | 2021-06-08 | 2021-08-13 | 江苏电力信息技术有限公司 | 一种面向视频分析任务的边缘节点资源分配方法 |
| CN114466385A (zh) * | 2022-01-12 | 2022-05-10 | 中南大学 | 基于用户移动感知的无缝服务迁移方法及计算机系统 |
| CN115334076A (zh) * | 2022-07-08 | 2022-11-11 | 电子科技大学 | 一种边缘服务器的服务迁移方法、系统及边缘服务器设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110290011A (zh) | 边缘计算中基于Lyapunov控制优化的动态服务放置方法 | |
| Ouyang et al. | Adaptive user-managed service placement for mobile edge computing: An online learning approach | |
| Zhang et al. | Task migration for mobile edge computing using deep reinforcement learning | |
| Zeng et al. | Resource management at the network edge: A deep reinforcement learning approach | |
| Xu et al. | A fast cloud-based network selection scheme using coalition formation games in vehicular networks | |
| Dai et al. | Asynchronous deep reinforcement learning for data-driven task offloading in MEC-empowered vehicular networks | |
| Li et al. | Energy-latency tradeoffs for edge caching and dynamic service migration based on DQN in mobile edge computing | |
| Mehmeti et al. | Is it worth to be patient? Analysis and optimization of delayed mobile data offloading | |
| Peng et al. | Joint optimization of service chain caching and task offloading in mobile edge computing | |
| CN105009475A (zh) | 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统 | |
| Chen et al. | Bringing fairness to actor-critic reinforcement learning for network utility optimization | |
| CN101132363B (zh) | 基于强化学习的自主联合无线资源管理系统和方法 | |
| Yuan et al. | Dynamic controller assignment in software defined internet of vehicles through multi-agent deep reinforcement learning | |
| Ouyang et al. | Adaptive user-managed service placement for mobile edge computing via contextual multi-armed bandit learning | |
| CN114126066B (zh) | 面向mec的服务器资源配置与选址联合优化决策方法 | |
| CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及系统 | |
| Dalgkitsis et al. | Dynamic resource aware VNF placement with deep reinforcement learning for 5G networks | |
| Cho et al. | Learning-based decentralized offloading decision making in an adversarial environment | |
| Jeong et al. | PerDNN: Offloading deep neural network computations to pervasive edge servers | |
| CN105657758A (zh) | 一种基于Markov模型的多AP自适应切换方法 | |
| Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
| Basic et al. | Fuzzy handoff control in edge offloading | |
| Wang et al. | Reinforcement learning-based optimization for mobile edge computing scheduling game | |
| De Santis et al. | Satellite integration into 5G: Deep reinforcement learning for network selection | |
| Xia et al. | A delay-tolerant data transmission scheme for internet of vehicles based on software defined cloud-fog 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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190927 |
|
| WD01 | Invention patent application deemed withdrawn after publication |