CN110418353B - 一种基于粒子群算法的边缘计算服务器放置方法 - Google Patents

Abstract

本发明提出了一种基于粒子群算法的边缘计算服务器放置方法，该方法的主体思路是：通过迭代不断更新边缘服务器的位置和速度，确定每一次迭代是每个边缘服务器所负载的基站，最后根据负载均衡程度判定边缘服务器的位置是否满足最优化的要求。该方法的有益效果在于可以一次性找出所有边缘服务器的位置，不用对每一个边缘服务器分别计算，大大节约了时间提高了效率。在考虑边缘服务器和基站之间的传输延迟最小化的同时考虑每个边缘服务器之间的负载均衡，让最中边缘服务器放置的位置同时满足最小化传输延迟和负载均衡两个特性，充分考虑现实情况，具有可操作性。

Description

一种基于粒子群算法的边缘计算服务器放置方法

技术领域

本发明属于移动边缘计算相关领域，具体涉及一种基于粒子群算法的边缘计算服务器放置方法。

背景技术

随着物联网技术的快速发展，越来越多的终端设备可以连接网络。一种提高移动终端性能的方法是卸载部分工作给资源丰富的远端云来处理即云计算数据中心。但云计算中心通常位于距离移动终端较远的位置，随着越来越多的物联网智能设备接入网络，移动终端和云计算中心的传输延迟将会越来越大，严重影响用户的体验。

移动边缘计算技术是将资源丰富的云端云下放至网络边缘，来满足高带宽，低时延的要求。移动边缘计算的关键技术分为边缘云放置，计算卸载，服务迁移，群智协同四个技术。边缘云放置考虑将边缘服务器放置在哪些位置可以使用户和边缘服务器之间传输延迟最小。计算卸载是将移动终端上的计算任务卸载到边缘服务器上用来提高移动终端的性能。服务迁移是边缘服务器和边缘服务器之间的任务迁移，可以在一个边缘服务器计算量大的时候将计算任务迁移到其他边缘服务器用来平衡边缘服务器之间的负载均衡程度。群智协同用来统一调度边缘服务器的工作。

移动边缘计算架构主要分为三个部分，分别是边缘移动终端设备，边缘云，终端云。边缘云是部署在基站周围的小规模云计算中心，负载处理边缘移动终端设备的计算任务。当边缘设备处理能力不能满足自身请求时，通过网络将密集型计算任务和海量数据迁移到边缘云处理，而当边缘云不能满足边缘设备的请求时，将部分任务和数据迁移至远端云处理。边缘云和远端元是相辅相成的关系，两者的结合可以更好处理万物互联时代海量数据处理问题。

在移动边缘计算架构中，边缘服务器的放置是一个非常重要的问题。许多放置方法是考虑选择具有最大工作负载的基站作为边缘服务器放置的位置，这种方法没有考虑基站和边缘服务器之间的传输延迟，而且边缘服务器分布可能不均匀。在现实情况下一个地区的基站分布常常是根据该地区移动终端设备的数量来分布的，而且每个基站的工作负载也不相同。

发明内容

本发明提出了一种基于粒子群算法的边缘计算服务器放置方法，该方法的主体思路是：用坐标表示每个边缘服务器和基站的位置，用向量的形式表示每个边缘服务器的速度。根据欧式距离计算每次迭代后每个基站所属的边缘计算服务器。计算每个边缘服务器经历过的最好位置和所有边缘服务器经历过的最好位置用来更新边缘服务器的位置和速度。最后判断负责基站数目最多的边缘服务器和负责基站数目最少的边缘服务器之间的差值是否满足给定条件来确定最终的服务器放置位置。

一种基于粒子群算法的边缘计算服务器放置方法，该方法的主要步骤如下：

步骤1：定义基站集合B＝{b₁，b₂，b_i，…，b_n}，其中n表示基站数目，i表示基站序号；定义边缘服务器集合S＝{s₁，s₂，s_j，…，s_m}，其中m表示边缘服务器数目，j表示边缘服务器序号；设置最大迭代次数为k_max；

步骤2：用(y_i1，y_i2)表示二维空间中基站b_i的坐标，用(x_j1 ^k，x_j2 ^k)表示迭代k次后边缘服务器s_j的坐标；用(v_j1 ^k，v_j2 ^k)表示迭代k次后边缘服务器s_j的速度；用R^k＝{(x₁₁ ^k，x₁₂ ^k)，…，(x_j1 ^k，x_j2 ^k)，…，(x_m1 ^k，x_m2 ^k)}表示第k次迭代时所有边缘服务器的位置坐标集合；用x_max，x_min表示边缘服务器坐标所能达到的最大最小值；用v_max，v_min表示边缘服务器速度所能达到的最大最小值；初始时从集合B中随机选取m个基站作为边缘服务器的起始位置并且所有边缘服务器的初始速度都为(0,0)；

步骤3：根据欧式距离公式计算第k次迭代过程中每个基站到m个边缘服务器的距离d(i，j)^k，比较d(i，j)^k值的大小，将d(i，j)^k取值最小时的基站b_i放入边缘服务器s_j负责的基站集合S_j ^k＝{b_i，…}其中i，j,k表示在第k次迭代时距离基站b_i最近的边缘服务器是s_j；

步骤4：遍历第k次迭代时每个边缘服务器包含基站的数目，用N_max ^k，N_min ^k表示第k次迭代时边缘服务器包含最多和最少的基站数目；用ε＝N_max ^k-N_min ^k表示所有边缘服务器的负载均衡程度；如果达到迭代次数k_max或者ε≤M，则转步骤10，否则转步骤5；其中M为人为设定的常数，作为阈值；

步骤5：用S_j ^g(1≤g≤k)表示前k次迭代过程中边缘服务器s_j所经历过的最好位置，其中j，g表示前k次迭代中在第g次迭代时边缘服务器s_j包含的基站数目最多；用p_bestj＝(p_bestetj1，p_bestj2)表示边缘服务器j所经历过的最好位置，其中p_bestj1＝x_j1 ^g，p_bestj ²＝x_j2 ^g；

步骤6：用S_e ^f(1≤e≤m，1≤f≤k)表示前k次迭代中所有边缘服务器经历过的最好位置，其中e，f表示前k次迭代过程中在第f次迭代时边缘服务器s_e包含的基站数目最多；用g_best＝(g_best1，g_best2)表示所有服务器经历过的最好位置，其中g_best1＝x_e1 ^f，g_best2＝x_e2 ^f；

步骤7：设置动态权重w；

步骤8：对边缘服务器s_j第d(1≤d≤2)维速度v_jd ^k进行更新；

步骤9：对边缘服务器s_j的第d(1≤d≤2)维位置x_jd ^k更新；

步骤10：对更新完成后的位置和速度坐标越界做处理，若v_jd ^k＞v_max则v_jd ^k＝v_max，若v_jd ^k＜v_min则v_jd ^k＝v_min；若x_jd ^k＞x_max则x_jd ^k＝x_max，若x_jd ^k＜x_min则x_jd ^k＝x_min；处理完成后转步骤3；

步骤11：输出停止迭代时m个边缘服务器的位置坐标集合R^k，迭代结束。

进一步地，所述步骤3中，根据欧式距离公式(1)计算第k次迭代过程中每个基站到m个边缘服务器的距离d(i，j)^k。

进一步地，所述步骤7中，根据公式(2)设置动态权重：

其中w_max是最大惯性权重，w_min是最小惯性权重(最大最小惯性权重由初始时人为设定)，k为当前迭代次数，k_max为总的迭代次数。

进一步地，所述步骤8中，根据公式(3)对边缘服务器s_j第d(1≤d≤2)维速度进行更新：

v_jd ^k＝wv_jd ^k-1+c₁r₁(p_bestj1-x_jd ^k-1)+c₂r₂(g_bestd-x_jd ^k-1) (3)

其中c₁，c₂为加速度常数，调节最大学习步长，r₁，r₂为两个随机数，取值范围[0,1]用来增加搜索的随机性，w为动态权重，调节边缘服务器速度变化的快慢，k为当前迭代次数。

进一步地，所述步骤9中，根据公式(4)对边缘服务器s_j的第d(1≤d≤2)维位置更新。

x_jd ^k＝x_jd ^k-1+v_jd ^k-1 (4)

本发明提出了一种基于粒子群算法的边缘计算服务器放置方法，较目前主流的边缘服务器放置方法而言，该方法的主要优势在于：通过对边缘服务器位置的不断更新比较每个边缘服务器负责基站的数目，当每个边缘服务器负载的基站数目相差不大时，找出当前所有边缘服务器的位置。可以通过迭代找到所有边缘服务器的位置，在最小化传输延迟的同时，让边缘服务器之间负载尽可能均衡。

附图说明

图1为本发明所述的边缘服务器放置方法流程图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

一种基于粒子群算法的边缘计算服务器放置方法，该方法的主要步骤如下：

步骤1：定义基站集合B＝{b₁，b₂，b_i，…，b_n}，其中n表示基站数目，i表示基站序号；定义边缘服务器集合S＝{s₁，s₂，s_j，…，s_m}，其中m表示边缘服务器数目，j表示边缘服务器序号；设置最大迭代次数为k_max。

步骤2：用(y_i1，y_i2)表示二维空间中基站b_i的坐标，用(x_j1 ^k，x_j2 ^k)表示迭代k次后边缘服务器s_j的坐标；用(v_j1 ^k，v_j2 ^k)表示迭代k次后边缘服务器s_j的速度；用R^k＝{(x₁₁ ^k，x₁₂ ^k)，…，(x_j1 ^k，x_j2 ^k)，…，(x_m1 ^k，x_m2 ^k)}表示第k次迭代时所有边缘服务器的位置坐标集合；用x_max，x_min表示边缘服务器坐标所能达到的最大最小值；用v_max，v_min表示边缘服务器速度所能达到的最大最小值；初始时从集合B中随机选取m个基站作为边缘服务器的起始位置并且所有边缘服务器的初始速度都为(0,0)。

步骤3：根据欧式距离公式计算第k次迭代过程中每个基站到m个边缘服务器的距离d(i，j)^k，比较d(i，j)^k值的大小，将d(i，j)^k取值最小时的基站b_i放入边缘服务器s_j负责的基站集合S_j ^k＝{b_i，…}其中i，j,k表示在第k次迭代时距离基站b_i最近的边缘服务器是s_j。

所述步骤3中，根据欧式距离公式(1)计算第k次迭代过程中每个基站到m个边缘服务器的距离d(i，j)^k。

步骤4：遍历第k次迭代时每个边缘服务器包含基站的数目，用N_max ^k，N_min ^k表示第k次迭代时边缘服务器包含最多和最少的基站数目；用ε＝N_max ^k-N_min ^k表示所有边缘服务器的负载均衡程度；如果达到迭代次数k_max或者ε≤M，则转步骤10，否则转步骤5；其中M为人为设定的常数，作为阈值。

步骤5：用S_j ^g(1≤g≤k)表示前k次迭代过程中边缘服务器s_j所经历过的最好位置，其中j，g表示前k次迭代中在第g次迭代时边缘服务器s_j包含的基站数目最多；用p_bestj＝(p_besetj1，p_bestj2)表示边缘服务器j所经历过的最好位置，其中p_bestj1＝x_j1 ^g，p_bestj2＝x_j2 ^g。

步骤6：用S_e ^f(1≤e≤m，1≤f≤k)表示前k次迭代中所有边缘服务器经历过的最好位置，其中e，f表示前k次迭代过程中在第f次迭代时边缘服务器s_e包含的基站数目最多；用g_best＝(g_best1，g_best2)表示所有服务器经历过的最好位置，其中g_best1＝x_e1 ^f，g_best2＝x_e2 ^f。

步骤7：设置动态权重w。

所述步骤7中，根据公式(2)设置动态权重：

其中w_max是最大惯性权重，w_min是最小惯性权重(最大最小惯性权重由初始时人为设定)，k为当前迭代次数，k_max为总的迭代次数。

步骤8：对边缘服务器s_j第d(1≤d≤2)维速度v_jd ^k进行更新。

所述步骤8中，根据公式(3)对边缘服务器s_j第d(1≤d≤2)维速度进行更新：

v_jd ^k＝wv_jd ^k-1+c₁r₁(p_bestj1-x_jd ^k-1)+c₂r₂(g_bestd-x_jd ^k-1) (3)

其中c₁，c₂为加速度常数，调节最大学习步长，r₁，r₂为两个随机数，取值范围[0,1]用来增加搜索的随机性，w为动态权重，调节边缘服务器速度变化的快慢，k为当前迭代次数。

步骤9：对边缘服务器s_j的第d(1≤d≤2)维位置x_jd ^k更新。

所述步骤9中，根据公式(4)对边缘服务器s_j的第d(1≤d≤2)维位置更新。

x_jd ^k＝x_jd ^k-1+v_jd ^k-1 (4)

步骤10：对更新完成后的位置和速度坐标越界做处理，若v_jd ^k＞v_max则v_jd ^k＝v_max，若v_jd ^k＜v_min则v_jd ^k＝v_min；若x_jd ^k＞x_max则x_jd ^k＝x_max，若x_jd ^k＜x_min则x_jd ^k＝x_min；处理完成后转步骤3。

步骤11：输出停止迭代时m个边缘服务器的位置坐标集合R^k，迭代结束。

本发明提出了一种基于粒子群算法的边缘计算服务器放置方法，较目前主流的边缘服务器放置方法而言，该方法的主要优势在于：通过对边缘服务器位置的不断更新比较每个边缘服务器负责基站的数目，当每个边缘服务器负载的基站数目相差不大时，找出当前所有边缘服务器的位置。可以通过迭代找到所有边缘服务器的位置，在最小化传输延迟的同时，让边缘服务器之间负载尽可能均衡。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (2)

1.一种基于粒子群算法的边缘计算服务器放置方法，其特征在于：该方法的主要步骤如下：

步骤1：定义基站集合B＝{b₁，b₂，b_i，…，b_n}，其中n表示基站数目，i表示基站序号；定义边缘服务器集合S＝{s₁，s₂，s_j，…，s_m}，其中m表示边缘服务器数目，j表示边缘服务器序号；设置最大迭代次数为k_max；

步骤2：用(y_i1，y_i2)表示二维空间中基站b_i的坐标，用(x_j1 ^k，x_j2 ^k)表示迭代k次后边缘服务器s_j的坐标；用(v_j1 ^k，v_j2 ^k)表示迭代k次后边缘服务器s_j的速度；用R^k＝{(x₁₁ ^k，x₁₂ ^k)，…，(x_j1 ^k，x_j2 ^k)，…，(x_m1 ^k，x_m2 ^k)}表示第k次迭代时所有边缘服务器的位置坐标集合；用x_max，x_min表示边缘服务器坐标所能达到的最大最小值；用v_max，v_min表示边缘服务器速度所能达到的最大最小值；初始时从集合B中随机选取m个基站作为边缘服务器的起始位置并且所有边缘服务器的初始速度都为(0,0)；

步骤3：根据欧式距离公式计算第k次迭代过程中每个基站到m个边缘服务器的距离d(i，j)^k，比较d(i，j)^k值的大小，将d(i，j)^k取值最小时的基站b_i放入边缘服务器s_j负责的基站集合S_j ^k＝{b_i，…}其中i，j,k表示在第k次迭代时距离基站b_i最近的边缘服务器是s_j；

步骤4：遍历第k次迭代时每个边缘服务器包含基站的数目，用N_max ^k，N_min ^k表示第k次迭代时边缘服务器包含最多和最少的基站数目；用ε＝N_max ^k-N_min ^k表示所有边缘服务器的负载均衡程度；如果达到迭代次数k_max或者ε≤M，则转步骤10，否则转步骤5；其中M为人为设定的常数，作为阈值；

步骤5：用S_j ^g(1≤g≤k)表示前k次迭代过程中边缘服务器s_j所经历过的最好位置，其中j，g表示前k次迭代中在第g次迭代时边缘服务器s_j包含的基站数目最多；用p_bestj＝(p_bestj1，p_bestj2)表示边缘服务器j所经历过的最好位置，其中p_bestj1＝x_j1 ^g，p_bestj2＝x_j2 ^g；

步骤6：用S_e ^f(1≤e≤m，1≤f≤k)表示前k次迭代中所有边缘服务器经历过的最好位置，其中e，f表示前k次迭代过程中在第f次迭代时边缘服务器s_e包含的基站数目最多；用g_best＝(p_best1，p_best2)表示所有服务器经历过的最好位置，其中g_best1＝x_e1 ^f，g_best2＝x_e2 ^f；

步骤7：设置动态权重w；

所述步骤7中，根据公式(2)设置动态权重：

其中w_max是最大惯性权重，w_min是最小惯性权重，最大最小惯性权重由初始时人为设定，k为当前迭代次数，k_max为总的迭代次数；

步骤8：对边缘服务器s_j第d(1≤d≤2)维速度v_jd ^k进行更新；

所述步骤8中，根据公式(3)对边缘服务器s_j第d(1≤d≤2)维速度进行更新：

v_jd ^k＝wv_jd ^k-1+c₁r₁(p_bestj1-x_jd ^k-1)+c₂r₂(g_bestd-x_jd ^k-1) (3)

其中c₁，c₂为加速度常数，调节最大学习步长，r₁，r₂为两个随机数，取值范围[0,1]用来增加搜索的随机性，w为动态权重，调节边缘服务器速度变化的快慢，k为当前迭代次数；

步骤9：对边缘服务器s_j的第d(1≤d≤2)维位置x_jd ^k更新；

所述步骤9中，根据公式(4)对边缘服务器s_j的第d(1≤d≤2)维位置更新；

x_jd ^k＝x_jd ^k-1+v_jd ^k-1 (4)

步骤10：对更新完成后的位置和速度坐标越界做处理，若v_jd ^k＞v_max则v_jd ^k＝v_max，若v_jd ^k＜v_min则v_jd ^k＝v_min；若x_jd ^k＞x_max则x_jd ^k＝x_max，若x_jd ^k＜x_min则x_jd ^k＝x_min；处理完成后转步骤3；

步骤11：输出停止迭代时m个边缘服务器的位置坐标集合R^k，迭代结束。

2.根据权利要求1所述的一种基于粒子群算法的边缘计算服务器放置方法，其特征在于：所述步骤3中，根据欧式距离公式(1)计算第k次迭代过程中每个基站到m个边缘服务器的距离d(i，j)^k；

Images