CN110647382A - 一种车联网服务动态迁移方法 - Google Patents
一种车联网服务动态迁移方法 Download PDFInfo
- Publication number
- CN110647382A CN110647382A CN201910885221.4A CN201910885221A CN110647382A CN 110647382 A CN110647382 A CN 110647382A CN 201910885221 A CN201910885221 A CN 201910885221A CN 110647382 A CN110647382 A CN 110647382A
- Authority
- CN
- China
- Prior art keywords
- service
- migration
- vehicle
- cost
- strategy
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车联网服务动态迁移方法,充分考虑移动速度对迁移决策的影响,建立移动速度与服务迁移的好处和成本的关系模型,设计动态的迁移机制,根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。与现有技术相比,本发明根据车辆移动速度进行动态迁移策略设计,有效增加运营商收益且能够更好的保障业务的QoS;充分考虑车辆的移动速度和业务的迁移时间,保障业务被迁移到当迁移完成时距离用户最近的MEC服务器,与现有技术相比,有效增加迁移收益。
Description
技术领域
本发明涉及无线通信领域,具体来说涉及移动边缘计算的服务迁移领域,更具体地说,涉及一种车联网服务动态迁移方法。
背景技术
车联网是第五代移动蜂窝网络(5G)的典型应用场景。在车联网中,大量车辆安全、服务类业务,如车辆的自动/智能辅助驾驶和乘客的增强/虚拟现实等服务,具有超低时延和超高吞吐量的需求。移动边缘计算(MEC),通过在网络边缘(如基站)部署MEC服务器,为业务近距离地提供计算资源,可以显著降低业务交互时延,提升吞吐量,提升业务的服务质量(QoS)。MEC服务器采用虚拟化技术将计算、存储和通信资源虚拟化,形成定制化的虚拟机(VM)。服务运营商的应用服务通过租用VM来部署和运行。但是,在车联网中由于MEC服务器覆盖范围有限和车辆的高移动性,使得将MEC应用到车联网中遇到巨大的挑战。高移动性的车辆很快移动到当前服务MEC服务器覆盖范围外,随着车辆与服务MEC服务器距离增加,车联网业务的交互时延增加,业务QoS降低。虽然通过服务迁移,将运行车辆业务的虚拟机(VM)迁移到距离车辆较近的MEC服务器上,能够显著降低业务交互时延,提升吞吐量,提升业务的服务质量;但是,服务迁移会产生不可忽略的迁移成本,例如回传链路(backhaul)负载,迁移的好处与迁移成本没有很好的实现均衡,因此,设计高效的迁移策略实现迁移成本和迁移好处的均衡是一个亟待解决的问题。
服务迁移技术在数据中心已经有大量的研究,通常是以降低系统能耗和负载均衡等为目标。但是该类服务迁移技术由于未考虑移动性相关的因素,不能适用于具有高移动性的车联网场景。
MEC领域的服务迁移问题已经得到大量关注,近年来针对车联网场景中的迁移,主要有以下几个方面:
1、从优化传输时延角度出发,提出“总是迁移”方案,保障服务总是迁移到距离车辆最近的MEC服务器运行,进而最小化车辆和MEC服务器的传输时延;但是,这种方案中,频繁的服务迁移会导致巨大的迁移成本。
2、从优化服务迁移的成本角度出发,将迁移成本建模为常数,考虑更加实际的迁移成本,从网络负载的角度建模迁移成本,将其定义为传输数据量与传输距离的乘积。此外,采用马尔可夫决策过程Markov Decision Process(MDP)进行迁移好处(改善的QoS)和迁移成本的均衡,得到基于服务距离的迁移策略,即根据系统每个时刻的服务距离,进行迁移决策。
上述研究均忽略了迁移过程中业务QoS的降级。由于迁移执行时间可能长达数十秒,在迁移过程中业务的交互时延(round-trip time,RTT)增加,TCP(transmissioncontrol protocol)吞吐量减小,这种QoS降级会严重影响车辆安全和乘客体验。
此外,上述研究忽略移动速度对服务迁移的影响。实际上,移动速度是影响服务迁移的关键因素,服务迁移的好处和成本受移动速度的影响,随着移动速度的增加,服务迁移带来的好处减小,因为车辆与MEC服务器的距离快速增加,服务的QoS快速降低;此外,随着移动速度的增加,服务迁移的成本增加,因为迁移数据传输距离增加,迁移频率增加。因此,如何建模QoS和迁移成本随着移动速度和迁移决策的动态变化,综合考虑QoS和迁移成本,设计有效的迁移策略,根据终端的移动速度进行迁移成本和服务QoS的动态均衡仍然具有很大的挑战。
发明内容
因此,本发明的目的在于克服上述现有技术的缺陷,提供一种新的动态迁移方法,充分考虑迁移过程中业务QoS的降级和移动速度对迁移决策的影响的问题,设计动态的迁移策略,根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。
本发明提供的一种车联网服务动态迁移方法,由基站提供无线接入,MEC服务器提供计算资源,服务运行在MEC服务器的虚拟机中,在每一个离散时刻,执行如下步骤:
S1、获取当前时刻车辆移动速度;此处可基于移动性预测获取车辆移动速度,根据当前时刻的道路环境信息、驾驶员习惯以及车辆历史运行速度信息采用隐马尔可夫模型预测车辆当前移动速度。
S2、根据步骤S1获取的车辆移动速度,分别计算在不同服务迁移策略下的服务收入、服务成本、迁移成本;服务迁移策略包括:第一迁移策略和第二迁移策略,第一迁移策略表示当前时刻服务不迁移;第二迁移策略表示当前时刻服务要迁移;
其中,服务收入为车辆服务的TCP吞吐量与其服务单价的乘积;
服务成本为车辆服务消耗的计算、通信以及存储资源所带来的支出之和;
迁移成本为执行服务迁移策略时为服务租用额外资源带来的支出;
支出为资源的消耗量与该资源对应单价的乘积。
S3、根据不同服务迁移策略下的服务收入、服务成本和迁移成本,计算不同服务迁移策略下的服务收益,服务收益为服务收入与服务成本和迁移成本的差值;其中,第一迁移策略下的服务收益为第一迁移策略下的服务收入与第一迁移策略下的服务成本之差;第二迁移策略下的服务收益为第二迁移策略下的服务收入与第二迁移策略下的服务成本及迁移成本之差。
S4、根据不同服务迁移策略下的服务收益,计算不同服务迁移策略下的长期平均收益,选择长期平均收益最大者所对应的服务迁移策略。
其中,所述步骤S2包括如下步骤:
S21、基于步骤S1获取的当前时刻车辆移动速度,结合车辆当前时刻位置、当前提供服务的源MEC服务器位置、当前时刻的内存脏页率以及服务系统状态信息,分别计算迁移时间、迁移距离;
S22、根据步骤S21中计算的迁移时间、迁移距离以及当前源MEC服务器的位置计算迁移完成后为车辆提供服务的目标基站位置,其中该基站处的MEC服务器位置为目标MEC服务器位置;
S23、计算当前时刻的服务交互时延,并结合服务系统的状态计算当前时刻的TCP吞吐量;根据迁移时间计算迁移完成后对应的交互时延以及对应的TCP吞吐量;根据服务迁移前后的TCP吞吐量,分别计算第一迁移策略和第二迁移策略下的服务收入;
S24、分析服务迁移前后车辆消耗的计算、通信以及存储资源,并分别计算第一迁移策略和第二迁移策略下的服务成本;
S25、根据源MEC服务器的位置和目标MEC服务器位置,计算迁移成本。
所述步骤S4包括如下步骤:
S41、分别计算第一迁移策略和第二迁移策略下的长期平均收益;
S42、对比第一迁移策略和第二迁移策略下的长期平均收益,当第一迁移策略下的长期平均收益大于第二迁移策略下的长期平均收益时,执行第一迁移策略,当前时刻服务不迁移,反之,则执行第二迁移策略,将服务从源MEC服务器迁移到目标MEC服务器。
与现有技术相比,本发明的优点在于:本发明充分考虑移动速度对迁移决策的影响,建立移动速度与服务迁移的好处和成本的关系模型,设计动态的迁移机制,根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。与现有技术相比,本发明根据车辆移动速度进行动态迁移策略设计,有效增加运营商收益且能够更好的保障业务的QoS;充分考虑车辆的移动速度和业务的迁移时间,保障业务被迁移到当迁移完成时距离用户最近的MEC服务器,与现有技术相比,有效增加迁移收益。
附图说明
以下参照附图对本发明实施例作进一步说明,其中:
图1为根据本发明实施例的一种车联网服务动态迁移方法涉及的车联网服务场景示意图;
图2为根据本发明实施例的一种车联网服务动态迁移方法迁移决策结果受车辆移动速度、内存脏页率、服务距离的影响示意图;
图3为根据本发明实施例对比不同迁移机制下业务时延得到满足的比例受车辆移动速度影响的效果示意图;
图4为根据本发明实施例对比不同迁移机制下TCP吞吐量受车辆移动速度影响的效果示意图;
图5为根据本发明实施例对比不同迁移机制下服务收益受车辆移动速度影响的效果示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
发明人在进行车联网服务迁移研究时,发现现有技术中该项缺陷与车辆移动速度高度相关。本发明的目的是解决现有技术中忽略迁移过程中业务QoS的降级和移动速度对迁移决策的影响的问题,设计动态的迁移策略,根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。以最大化服务收益为出发点,考虑QoS和迁移成本,设计匹配车辆移动速度的动态服务迁移策略。服务运营商根据业务的QoS(RTT和TCP吞吐量)收取费用,获得服务收入;服务运营商的成本包含服务成本和迁移成本,服务成本指因服务运营商租用VM提供服务的支出,迁移成本指服务迁移过程中占用额外的资源带来的支出;服务收益为收入和成本的差值。服务收入、成本和收益均受移动速度和迁移决策的影响。本发明通过建模分析收益和成本随着移动速度和迁移决策的动态变化,设计动态的迁移策略以最大化服务运营商的长期收益,概括来说包括如下步骤:
(1)通过移动性预测得到车辆移动速度;
(2)服务运营商服务成本和收入建模,分析运营商的服务成本和收入与车辆移动速度的关系;
(3)迁移成本建模,分析迁移成本与车辆移动速度的关系;
(4)服务运营商收益建模,服务运营商收益定义为服务的收入与服务成本和迁移成本的差值;根据服务收益分析服务商长期平均收益;
(5)设计服务动态迁移机制,以最大化服务运营商的长期平均收益为目标,得到最优的迁移策略并执行。
图1示出一种基于MEC的车联网服务场景。其中,n个基站BS均匀部署在路边,每个基站上部署一个MEC服务器;基站的间距为DBS,相邻基站间通过backhaul链路连接。基站负责为车辆提供无线接入,MEC服务器负责为车辆业务提供计算资源,车辆总是选择距离其最近的基站作为服务基站,车辆的业务可以在其服务基站上的MEC服务器上运行,也可以在其他MEC服务器上运行,此时需要通过backhaul链路传输。在该网络中,运营商采用虚拟化技术将计算、存储和通信资源虚拟化,形成定制化的虚拟机(VM)。服务运营商的应用通过租用VM来部署和运行,假设每一个应用占用一个虚拟机。考虑到车辆的高移动性,通过服务迁移,将运行车辆业务的虚拟机(VM)从源MEC服务器迁移到距离车辆较近的MEC服务器,可以显著提升业务的QoS。
为了更好的理解本发明,先分析一下车辆移动速度对服务迁移的影响。
首先,本发明建立模型,分析车辆速度对迁移时间、迁移距离、服务距离等的影响。
服务迁移是将运行车辆业务的虚拟机(VM)从源MEC服务器迁移到距离车辆较近的MEC服务器即目标MEC服务器,虚拟机的迁移过程采用在线预拷贝迁移pre-copy迁移方案,该方案包括三个阶段,即预拷贝、迭代拷贝和停机拷贝。
在预拷贝阶段,服务仍然在源MEC服务器的VM中运行,而源MEC服务器的VM中的所有内存页面被逐页复制到目的MEC服务器的VM;
在迭代拷贝阶段,服务仍然在源MEC服务器的VM中运行,实时计算产生的内存脏页会从源MEC服务器的VM迭代复制到目标MEC服务器的VM中,直到剩余内存脏页足够小;
在停机拷贝阶段,源MEC服务器上的VM停止运行,并将剩余内存脏页拷贝到目标MEC服务器上的VM,在服务迁移之后,服务在目标MEC服务器的VM中运行。
pre-copy迁移可能持续数十秒,迁移时间Tm由源MEC服务器的VM内存大小M、内存脏页率Rm、迁移停机时间Td(即停机拷贝时间)、为迁移分配的第i段backhaul链路带宽和迁移距离dm决定,即
在t(t≥1)时刻进行VM迁移,迁移距离为
其中,lv(t)表示t时刻车辆所处位置,v(t)表示车辆移动速度,MECs(t)表示当前正在提供服务的MEC服务器的位置.考虑一维的移动模型,设定图1中第一个基站的位置为DBS/2。在初始时刻t=0,系统初始化为lv(0)=0,MECs(0)=1,v(0)=0。在迁移时间[t,t+Tm]内,车辆移动速度可以根据当前的道路环境信息和驾驶员习惯以及历史运行速度信息,采用隐马尔可夫模型进行预测,也可以采用其他预测方法进行预测。
Rm定义为迁移过程中的平均内存脏页率,其随着时间动态变化,表达式为
其中,Rins(t)表示t时刻的瞬时内存脏页率,可以通过历史信息预测得到,根据当前的VM负载和运行的业务类型,从历史脏页率数据库中,选择相同负载和业务类型对应的内存脏页率,表示当前时刻的内存脏页率。通过求解公式(1)、(2)、(3)可以得到Tm,dm(t)和Rm(t)的值。
得到迁移时间Tm后,可以求出车辆在迁移过程中的移动距离在当前的位置上lv(t)叠加移动距离后,可以得到迁移完成后的车辆位置求得迁移完成后车辆的服务基站(距离用户最近的基站)选择该基站处的MEC服务器作为迁移完成后提供服务的目标MEC服务器(距离用户最近的MEC服务器)。
从上面的分析可以看出,车辆速度的增加,车辆与源服务MEC服务器的距离迅速增加、迁移距离和迁移时间增加。
其次,本发明建立模型,分析车辆速度对服务质量QoS的影响。
服务交互时延(RTT)和TCP吞吐量对车辆的驾驶安全性和乘客体验的服务质量具有决定性影响,因此被选择作为车联网中QoS的度量指标。较小的RTT和较高的TCP吞吐量表示获得较优的QoS。
对于特定服务,车辆向服务MEC服务器发起服务请求,并在服务器处理之后从其服务MEC服务器接收服务响应。因此,RTT TR(t)是上行传输时间TU(t)、计算时间TC(t)和下行传输时间TD(t)三者之和,即
TR(t)=TU(t)+TC(t)+TD(t) (4)
上行传输时间,TU(t)表示为
其中,Sreq是业务请求大小,Rul表示上行无线链路(基站和车辆之间的空中接口链路)的数据传输速率,表示上行为业务数据传输分配的第i段backhaul链路带宽,表示上行数据传输时的服务距离,即当前服务基站和当前服务MEC服务器之间的距离,表达式为
其中,ωm(t-1,t)=1表示在时间段[t-1,t],有迁移完成;否则ωm(t-1,t)=0,表示在时间段[t-1,t],没有迁移完成;在初始时刻t=0,系统初始化为ωm(0,1)=0。服务请求的计算密度为γCPU cycle/bit,表示提供单位比特的处理服务需要γ个中央处理器周期,VM的最大处理能力为δmaxCPU cycle,即该VM提供的最大处理能力为δmax个中央处理器周期。
在t时刻用于当前服务计算的处理能力为δ(t)。根据t时刻是否有服务迁移发生,δ(t)表示为
其中,κ表示迁移过程中,VM用于迁移处理的计算资源比例。因此,服务的计算时间为
通常,输入数据的大小和计算结果不同,Sres表示由服务MEC服务器计算得到的结果数据的大小,因此,下行链路传输时间为
其中,Rdl表示下行无线链路(基站和车辆之间的空中接口链路)的数据传输速率,表示下行为业务数据传输分配的第i段backhaul链路带宽,表示下行数据传输时的服务距离,即当前服务基站和当前服务MEC服务器,表达式为
上行和下行服务距离均表示服务基站与源MEC服务器的距离,由于车辆的移动或者服务迁移,下行数据传输时的服务距离可能和上行数据传输时的服务距离不一样。
将公式(5)、(6)、(7)代入公式(4),可以得到RTT TR(t)的值。TCP吞吐量作为RTT的函数,表示如下
其中,To表示TCP重传超级计时器的时间,p表示丢包率,可以看出TCP吞吐量与RTT成反比。
由上面的分析可以得知,车辆速度的增加,为车辆服务的基站与其源服务MEC服务器的距离增加,服务距离会影响业务的QoS,因为随着服务的上下行传输时间增加,业务的交互时延增加,TCP吞吐量降低,通过服务迁移,可以减小服务距离。从公式(5)和(7)可以看出,服务距离减小后,服务的上下行传输时间减小,公式(6)对应的服务计算时间不变,因此通过减少服务距离可以减小RTT。另外从(8)可以看出,减小的RRT会使得TCP吞吐量增加。RTT和TCP吞吐量是QoS的指标。因此,通过减少服务距离以及上行、下行传输时间可以改善业务QoS。
综合上面的分析可以看出,车辆移动速度对迁移决策的影响体现在两个方面,一方面速度影响是否迁移的决策,因为当速度增加时,车辆与源服务MEC服务器的距离迅速增加,迁移带来的QoS改善减小,即迁移好处减小;另外,速度影响迁移目标MEC服务器的选择,因为每次迁移时,为了最大化迁移完成后的服务质量,都需要将VM迁移到迁移完成时距离最近的MEC服务器(部署在服务基站处的MEC服务器),因此随着速度增加,迁移距离增加。内存脏页率对迁移决策的影响体现在内存脏页率Rm影响迁移成本,当Rm增加时,更多的内存数据需要迁移,迁移时间增加,迁移成本增加。
虽然,服务迁移可以减少服务距离以及上行链路和下行链路传输时间,进而改善业务QoS。但在迁移过程中,VM需要分配一部分资源用于迁移处理,导致总的计算时间增加。此外,服务距离取决于服务迁移和车辆的移动性,因此,服务迁移和车辆移动速度对RTT和TCP吞吐量具有显著影响,因此需要均衡成本和QoS的好处。
通过上述的分析,本发明考虑移动速度的影响,进行服务动态迁移机制的建立,以最大化服务运营商的长期平均收益为目标,选择最优的迁移决策。
服务商的收益为其收入与成本的差值。服务运营商通过为车辆提供服务来获取收入,收入根据RTT和TCP吞吐量计费。由于服务运营商消耗计算、通信和存储器资源来提供服务,因此存在服务成本。考虑到车辆的高移动性,服务运营商通过服务迁移来保障服务质量,服务迁移会产生迁移成本。统一考虑服务收入、服务成本和迁移成本,将服务运营商的瞬时收益定义为收入和成本之间的差值,即
U(t)=I(t;A(t))-Cs(t;A(t))-Cm(t;A(t)) (9)
其中,I(t;A(t))表示服务收入,Cs(t;A(t))表示服务成本,Cm(t;A(t))表示迁移成本,三者均受到服务迁移决策A(t)的影响。A(t)=1表示在t时刻服务运营商决定进行服务迁移,并将VM迁移到与车辆在t+Tm时刻(如果t时刻决策进行迁移,t+Tm时刻迁移完成)距离最近的MEC服务器。否则A(t)=0表示不进行迁移。
在车联网中,服务可以分为两类,即具有严格时延要求的服务和具有软时延要求的服务。运营商的服务收入与可实现的TCP吞吐量成比例,单位TCP吞吐量的价格取决于RTT是否得到满足,即
其中,Tre是业务的QoS要求的服务时延。对于具有严格时延要求的服务,例如自动/智能辅助驾驶服务,当服务时延不能满足时,计算结果已经过时,因此,对于具有软时延要求的服务,例如乘客的AR/VR服务,因为随着RTT增加,服务质量变差,运营商需要为该服务提供折扣,即因此,运营商的服务收入为
I(t;A(t))=Th(t;A(t))ρf(t;A(t)) (10)
移动速度影响服务收入,当速度增加时,车辆与服务MEC服务器的距离迅速增加,迁移带来的QoS改善减小,服务收入减小。迁移决策结果影响服务运营商的收入。在迁移过程中,即时间段[t,t+Tm],增加的RTT和减小的TCP吞吐量导致收入减小。因为,在预拷贝和迭代拷贝阶段,VM需要分配部分资源(κ=30%)用于迁移处理和监控,在停机拷贝阶段,服务在源MEC服务器中终止,并且尚未在目标MEC服务器中恢复运行,这导致VM的所有资源都不可用,即κ=100%,直至时刻t+Tm,迁移完成,服务距离减小,服务运营商收益增加。
服务运营商消耗计算、通信和存储资源来为车辆提供服务带来服务成本,定义为
其中,Smem为VM的内存大小,ρh表示频谱资源的单价,ρb表示backhaul带宽单价,ρc表示单位计算资源的单价,ρm表示单位内存资源的单价。移动速度影响服务成本,当速度增加时,车辆与服务MEC服务器的距离迅速增加,服务成本增加。迁移决策结果影响服务成本,当迁移完成后,服务距离减小,服务成本减小。
迁移成本定义为迁移过程中服务运营商租用额外的资源带来的支出。在整个迁移过程中(时间段[t,t+Tm]),为了将VM从源MEC服务器迁移到目标MEC服务器,服务提供商需要租用额外的backhaul资源进行大量迁移数据的传输。此外,服务提供商需要在目标MEC服务器提前配置VM,为迁移中的服务提供计算和内存资源。因此,t时刻的迁移成本为
移动速度影响迁移成本,随着速度增加,迁移距离增加,迁移成本增加。迁移决策结果影响迁移成本,当迁移完成后,服务距离减小,服务成本减小。
将(10)-(12)代入(9),得到系统的瞬时收益。以最大化系统的长期平均收益为目标,即
s.t.A(t)∈{0,1}
其中,第二个条件描述了迁移决策问题的时序相关性,即如果在时刻t,服务运营商决定进行服务迁移,那么在时刻t+Tm之前,即迁移完成之前,迁移决策变量被设置成A(t)=0。在每一个离散的时刻,服务运营商收集系统状态:服务距离、车辆的移动速度和VM的内存脏页率,根据系统状态,以(13)为目标,进行迁移决策。如果在当前时刻,迁移决策A(t)=0相比于迁移决策A(t)=1,能得到更大的长期平均收益,那么当前时刻的迁移决策为A(t)=0,即不进行服务迁移,服务仍然在当前的源服务MEC服务器运行。反之,如果在当前时刻,迁移决策A(t)=1相比于迁移决策A(t)=0,能得到更大的长期平均收益,那么当前时刻的迁移决策为A(t)=1,即进行服务迁移,将VM迁移到迁移完成时距离车辆最近的MEC服务器即目标服务器。
以服务运行过程持续T个时隙为例,将该过程离散化形成时间序列t∈{0,1,2,...,T}。在每一个离散的时刻,服务运营商需要收集车联网服务系统状态,如服务基站和服务MEC服务器之间的服务距离、车辆的移动速度和VM的内存脏页率,根据系统状态,以最大化服务收益为目标,进行迁移决策。对于具有高移动性的车辆,其服务距离迅速增加。一旦服务距离发生变化且该业务没有正在执行迁移,服务运营商应需要根据车辆移动速度、服务距离和当前内存脏页率等决策是否进行迁移服务。如果服务运营商决定不迁移,则在接下来的每个时刻,应继续进行动态迁移决策,因为服务可能会在状态变化时(即车辆移动速度、服务距离和内存脏页率发生变化时)决策结果发生变化即进行迁移。如果服务运营商决定迁移,应根据公式(2)计算迁移距离,获取目标MEC服务器,然后执行服务迁移。
根据本发明的一个实施例,以表1中参数为例,采用本发明的方法进行动态迁移决策。根据移动速度、服务距离和内存脏页率的不同,进行动态决策;验证动态迁移机制的性能:相比于已有的迁移决策(从不迁移、总是迁移和未考虑QoS的迁移),本发明提供的动态迁移机制可以有效增加服务运营商收益,并改善用户的QoS。其中,不迁移方案为业务总是在源MEC服务器运行,不会随着车辆的移动进行服务迁移。如图2所示,对处于不同的移动速度、内存脏页率、服务距离下的车辆进行动态迁移决策的结果,其中空心部分表示不迁移,实心部分表示迁移,可以看出,移动速度和内存脏页率影响迁移决策结果,针对较低的移动速度和较小的内存脏页率,系统会进行更多的迁移,因为当速度增加时,服务距离迅速增加,迁移带来的QoS改善减小,服务收入减小,迁移成本增加。当内存脏页率减小时,迁移成本减小。
表1
如图3和图4所示,根据表1中的参数分别计算不同迁移机制下业务时延得到满足的比例与车辆速度的关系、业务TCP吞吐量与车辆速度的关系,图中实线表示本发明机制的效果,可以看出,相比于其他机制,本发明所提出的动态迁移机制可以显著提升业务的QoS。此外,随着移动速度的增加,业务的QoS变差,即时延得到满足的比例减小,TCP吞吐量减小。这是因为速度增加时,服务距离迅速增加,传输时延增加导致RTT增加和TCP吞吐量减小。
如图5所示,根据表1中的参数,采用本发明的动态迁移机制计算服务商运营收益与车辆速度的关系,可以看出,相比于其他机制,本发明所提出的动态迁移机制可以显著改善服务运营商收益。此外,随着移动速度的增加,服务运营商收益的收益减小。这是因为,速度增加时,服务距离迅速增加,迁移带来的QoS改善减小,服务收入减小,服务成本和迁移成本增加。
本发明充分考虑移动速度对迁移决策的影响,建立移动速度与服务迁移的好处和成本的关系模型,设计动态的迁移机制,根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。与现有技术相比,本发明根据车辆移动速度进行动态迁移策略设计,有效增加运营商收益且能够更好的保障业务的QoS;充分考虑车辆的移动速度和业务的迁移时间,保障业务被迁移到当迁移完成时距离用户最近的MEC服务器,与现有技术相比,有效增加迁移收益。
需要说明的是,虽然上文按照特定顺序描述了各个步骤,但是并不意味着必须按照上述特定顺序来执行各个步骤,实际上,这些步骤中的一些可以并发执行,甚至改变顺序,只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种车联网服务动态迁移方法,由基站提供无线接入,MEC服务器提供计算资源,服务运行在MEC服务器的虚拟机中,其特征在于,在每一个离散时刻,执行如下步骤:
S1、获取当前时刻车辆移动速度;
S2、根据步骤S1获取的车辆移动速度,分别计算在不同服务迁移策略下的服务收入、服务成本、迁移成本;
S3、根据不同服务迁移策略下的服务收入、服务成本和迁移成本,计算不同服务迁移策略下的服务收益,服务收益为服务收入与服务成本和迁移成本的差值;
S4、根据不同服务迁移策略下的服务收益,计算不同服务迁移策略下的长期平均收益,选择长期平均收益最大者所对应的服务迁移策略。
2.根据权利要求1所述的一种车联网服务动态迁移方法,其特征在于,基于移动性预测获取车辆移动速度。
3.根据权利要求2所述的一种车联网服务动态迁移方法,其特征在于,根据当前时刻的道路环境信息、驾驶员习惯以及车辆历史运行速度信息采用隐马尔可夫模型预测车辆当前移动速度。
4.根据权利要求1所述的一种车联网服务动态迁移方法,其特征在于,服务迁移策略包括:
第一迁移策略,当前时刻服务不迁移;
第二迁移策略,当前时刻服务要迁移。
5.根据权利要求4所述的一种车联网服务动态迁移方法,其特征在于,
服务收入为车辆服务的TCP吞吐量与其服务单价的乘积;
服务成本为车辆服务消耗的计算、通信以及存储资源所带来的支出之和;
迁移成本为执行服务迁移策略时为服务租用额外资源带来的支出;
支出为资源的消耗量与该资源对应单价的乘积。
6.根据权利要求5所述的一种车联网服务动态迁移方法,其特征在于,
所述步骤S2包括如下步骤:
S21、基于步骤S1获取的当前时刻车辆移动速度,结合车辆当前时刻位置、当前提供服务的源MEC服务器位置、当前时刻的内存脏页率以及服务系统状态信息,分别计算迁移时间、迁移距离;
S22、根据步骤S21中计算的迁移时间、迁移距离以及当前源MEC服务器的位置计算迁移完成后为车辆提供服务的目标基站位置,其中该基站处的MEC服务器位置为目标MEC服务器位置;
S23、计算当前时刻的服务交互时延,并结合服务系统的状态计算当前时刻的TCP吞吐量;根据迁移时间计算迁移完成后对应的交互时延以及对应的TCP吞吐量;根据服务迁移前后的TCP吞吐量,分别计算第一迁移策略和第二迁移策略下的服务收入;
S24、分析服务迁移前后车辆消耗的计算、通信以及存储资源,并分别计算第一迁移策略和第二迁移策略下的服务成本;
S25、根据源MEC服务器的位置和目标MEC服务器位置,计算迁移成本。
7.根据权利要求6所述的一种车联网服务动态迁移方法,其特征在于,所述步骤S3中,分别计算第一迁移策略和第二迁移策略下的服务收益;其中
第一迁移策略下的服务收益为第一迁移策略下的服务收入与第一迁移策略下的服务成本之差;
第二迁移策略下的服务收益为第二迁移策略下的服务收入与第二迁移策略下的服务成本及迁移成本之差。
8.根据权利要求7所述的一种车联网服务动态迁移方法,其特征在于,所述步骤S4包括如下步骤:
S41、分别计算第一迁移策略和第二迁移策略下的长期平均收益;
S42、对比第一迁移策略和第二迁移策略下的长期平均收益,当第一迁移策略下的长期平均收益大于第二迁移策略下的长期平均收益时,执行第一迁移策略,当前时刻服务不迁移,反之,则执行第二迁移策略,将服务从源MEC服务器迁移到目标MEC服务器。
9.一种计算机可读存储介质,其特征在于,其上包含有计算机程序,所述计算机程序可被处理器执行以实现权利要求1至8任一所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885221.4A CN110647382B (zh) | 2019-09-19 | 2019-09-19 | 一种车联网服务动态迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910885221.4A CN110647382B (zh) | 2019-09-19 | 2019-09-19 | 一种车联网服务动态迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647382A true CN110647382A (zh) | 2020-01-03 |
CN110647382B CN110647382B (zh) | 2022-02-18 |
Family
ID=68992033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910885221.4A Active CN110647382B (zh) | 2019-09-19 | 2019-09-19 | 一种车联网服务动态迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647382B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112469001A (zh) * | 2020-11-17 | 2021-03-09 | 国网浙江省电力有限公司信息通信分公司 | 一种应用迁移方法、装置、电子设备及存储介质 |
CN112788109A (zh) * | 2020-12-29 | 2021-05-11 | 哈尔滨工业大学 | 一种基于移动预测和多层服务部署的服务迁移方法和系统 |
CN113115256A (zh) * | 2021-04-14 | 2021-07-13 | 重庆邮电大学 | 一种在线vmec服务网络选择的迁移方法 |
CN113207085A (zh) * | 2021-04-20 | 2021-08-03 | 江南大学 | 一种mec辅助的车队网络的速度自适应接入方法 |
DE102020204864A1 (de) | 2020-04-16 | 2021-10-21 | Continental Teves Ag & Co. Ohg | Elastischer transfer und adaption von mobil-client-gesteuerten prozessen in einer edge-cloud-computing-schicht |
CN114357680A (zh) * | 2022-01-06 | 2022-04-15 | 内蒙古大学 | 面向车联网边缘计算路域划分服务迁移方法以及迁移系统 |
US20220150129A1 (en) * | 2020-11-06 | 2022-05-12 | Electronics And Telecommunications Research Institute | Adaptive deep learning inference apparatus and method in mobile edge computing |
CN114650515A (zh) * | 2022-05-13 | 2022-06-21 | 华东交通大学 | 一种应用于车联网的移动边缘计算服务动态迁移方法 |
CN117615418A (zh) * | 2024-01-19 | 2024-02-27 | 北京邮电大学 | 一种移动感知辅助的车联网服务迁移方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11539641B1 (en) * | 2019-10-03 | 2022-12-27 | United Services Automobile Association (Usaa) | Systems and methods to utilize edge computing to respond to latency in connected vehicles |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100180275A1 (en) * | 2009-01-15 | 2010-07-15 | International Business Machines Corporation | Techniques for placing applications in heterogeneous virtualized systems while minimizing power and migration cost |
CN108616816A (zh) * | 2018-05-07 | 2018-10-02 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
-
2019
- 2019-09-19 CN CN201910885221.4A patent/CN110647382B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100180275A1 (en) * | 2009-01-15 | 2010-07-15 | International Business Machines Corporation | Techniques for placing applications in heterogeneous virtualized systems while minimizing power and migration cost |
CN108616816A (zh) * | 2018-05-07 | 2018-10-02 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
Non-Patent Citations (1)
Title |
---|
张开元等: "移动边缘网络中计算迁移与内容缓存研究综述", 《软件学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020204864A1 (de) | 2020-04-16 | 2021-10-21 | Continental Teves Ag & Co. Ohg | Elastischer transfer und adaption von mobil-client-gesteuerten prozessen in einer edge-cloud-computing-schicht |
DE102020204864B4 (de) | 2020-04-16 | 2021-12-23 | Continental Teves Ag & Co. Ohg | Elastischer transfer und adaption von mobil-client-gesteuerten prozessen in einer edge-cloud-computing-schicht |
US11689980B2 (en) | 2020-04-16 | 2023-06-27 | Continental Automotive Technologies, GmbH | Elastic transfer and adaptation of mobile client-controlled processes in an edge cloud computing layer |
US20220150129A1 (en) * | 2020-11-06 | 2022-05-12 | Electronics And Telecommunications Research Institute | Adaptive deep learning inference apparatus and method in mobile edge computing |
CN112469001B (zh) * | 2020-11-17 | 2022-07-26 | 国网浙江省电力有限公司信息通信分公司 | 一种应用迁移方法、装置、电子设备及存储介质 |
CN112469001A (zh) * | 2020-11-17 | 2021-03-09 | 国网浙江省电力有限公司信息通信分公司 | 一种应用迁移方法、装置、电子设备及存储介质 |
CN112788109A (zh) * | 2020-12-29 | 2021-05-11 | 哈尔滨工业大学 | 一种基于移动预测和多层服务部署的服务迁移方法和系统 |
CN112788109B (zh) * | 2020-12-29 | 2022-04-19 | 哈尔滨工业大学 | 一种基于移动预测和多层服务部署的服务迁移方法和系统 |
CN113115256A (zh) * | 2021-04-14 | 2021-07-13 | 重庆邮电大学 | 一种在线vmec服务网络选择的迁移方法 |
CN113115256B (zh) * | 2021-04-14 | 2022-04-19 | 重庆邮电大学 | 一种在线vmec服务网络选择的迁移方法 |
CN113207085A (zh) * | 2021-04-20 | 2021-08-03 | 江南大学 | 一种mec辅助的车队网络的速度自适应接入方法 |
CN114357680A (zh) * | 2022-01-06 | 2022-04-15 | 内蒙古大学 | 面向车联网边缘计算路域划分服务迁移方法以及迁移系统 |
CN114650515A (zh) * | 2022-05-13 | 2022-06-21 | 华东交通大学 | 一种应用于车联网的移动边缘计算服务动态迁移方法 |
CN117615418A (zh) * | 2024-01-19 | 2024-02-27 | 北京邮电大学 | 一种移动感知辅助的车联网服务迁移方法 |
CN117615418B (zh) * | 2024-01-19 | 2024-04-12 | 北京邮电大学 | 一种移动感知辅助的车联网服务迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110647382B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647382B (zh) | 一种车联网服务动态迁移方法 | |
Fan et al. | Workload allocation in hierarchical cloudlet networks | |
Khoda et al. | Efficient computation offloading decision in mobile cloud computing over 5G network | |
US8423646B2 (en) | Network-aware virtual machine migration in datacenters | |
US20140082202A1 (en) | Method and Apparatus for Integration of Virtual Cluster and Virtual Cluster System | |
US11184794B2 (en) | Systems and methods for distribution of application logic in digital networks | |
Duggan et al. | A reinforcement learning approach for the scheduling of live migration from under utilised hosts | |
Peng et al. | Deep reinforcement learning-based dynamic service migration in vehicular networks | |
CN110069341A (zh) | 边缘计算中结合功能按需配置的有依赖关系任务的调度方法 | |
CN113114721B (zh) | 一种基于mec的软件定义车联网服务迁移方法 | |
Mostafavi et al. | A stochastic approximation approach for foresighted task scheduling in cloud computing | |
US20220386136A1 (en) | Facilitating heterogeneous network analysis and resource planning for advanced networks | |
Fu et al. | An actor-critic reinforcement learning-based resource management in mobile edge computing systems | |
Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
Al-Makhadmeh et al. | SRAF: Scalable resource allocation framework using machine learning in user-centric Internet of Things | |
Mwasinga et al. | Rasm: Resource-aware service migration in edge computing based on deep reinforcement learning | |
CN117331693A (zh) | 基于dag的边缘云的任务卸载方法、装置及设备 | |
US20210185583A1 (en) | Facilitating enablement of intelligent service aware access utilizing multiaccess edge computing in advanced networks | |
Wang et al. | An adaptive deep q-learning service migration decision framework for connected vehicles | |
Zhao et al. | Cloudlet deployment for workflow applications in a mobile edge computing-wireless metropolitan area network | |
Ahmed et al. | ECQ: An Energy-Efficient, Cost-Effective and Qos-Aware Method for Dynamic Service Migration in Mobile Edge Computing Systems | |
Li et al. | A jointly non-cooperative game-based offloading and dynamic service migration approach in mobile edge computing | |
Saranya et al. | An efficient computational offloading framework using HAA optimization-based deep reinforcement learning in edge-based cloud computing architecture | |
Chabbouh et al. | A strategy for joint service offloading and scheduling in heterogeneous cloud radio access networks | |
Chowdhury et al. | Scheduling Correlated IoT Application Requests Within IoT Eco-System: An Incremental Cloud Oriented Approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |