CN110691041A - 一种多边缘协同的资源部署方法 - Google Patents

Abstract

一种多边缘协同的资源部署方法，包括以下步骤：首先通过蚁群算法为每一个边缘服务器分配网络转发跳数最低的N个边缘设备构成边缘域集合，每一个终端在进行资源请求时，通过检测各边缘服务器的转发跳数、链路拥塞情况，定义对应的最佳的边缘域，在每一个边缘域集合中，将终端的请求资源进行切片，通过布谷鸟搜索算法，对终端的请求进行部署；解决了边缘环境下边缘端的资源部署；优化边缘计算环境的边缘端网络，最大限度降低了终端的请求资源时延。

Description

一种多边缘协同的资源部署方法

技术领域

本发明属于边缘计算技术领域，具体涉及一种多边缘协同的资源部署方法。

背景技术

随着物联网技术的飞速发展，云计算技术以及应用也越来越为普遍，然而，随着各种物联网智能终端设备的爆发式增长，使得云计算处理的数据量空前巨大，一大批具有代表性的新应用场景也应运而生，而现有的云-端架构无法满足各种应用场景特有的需求。因此产生了一种新的计算模型-边缘计算，边缘计算指将空间距离或网络距离上与用户临近的这些独立分散的边缘设备进行有效的组织与管理，我们不仅通过云中心来进行数据的处理，而且充分利用网络边缘端来处理数据，发挥云中心和边缘端协同工作的优势，减少终端的请求响应时间。

在云-边缘端-终端的边缘计算模型下，边缘端在处理，分析数据起着不可或缺的作用。终端的许多资源请求需要在边缘端进行资源部署，然而尚未存在有效解决边缘端的资源部署的方法。在云-边缘端-终端的边缘计算的环境下，存在终端的资源请求在边缘端难以进行有效资源部署，多个边缘域协同工作难的问题，因此，如何有效进行边缘端资源的部署成为亟需解决的问题。

发明内容

为克服上述现有技术的不足，本发明的目的在于提供一种多边缘协同的资源部署方法，对每一个终端请求资源采取最佳的资源部署策略，将请求资源部署到边缘域再部署到每一个边缘设备中，最大限度发挥边缘计算边缘端计算的优势；优化边缘计算环境的边缘端网络，降低终端的请求资源时延。

为实现上述目的，本发明采用的技术方案是：一种多边缘协同的资源部署方法，包括以下步骤：

步骤1，首先，检测边缘服务器与周围边缘设备的网络跳数，使用全局更新的蚁群算法对每一个边缘服务器动态地分配N个边缘设备；

定义必要参数：边缘服务器i与边缘设备j之间的网络跳数为T_ij，蚁群算法的迭代次数为iteratorNum，蚂蚁的数量为antNum，每只蚂蚁对应一次分配的策略，一个边缘设备分配到一个边缘域这条路径的信息素浓度为pheromone，信息素挥发因子为p，信息素残留因子为1-p，信息启发式因子为α，期望启发式因子为β；

每一个边缘域优化采用以下步骤：

1)首先从边缘服务器周围的边缘设备随机选取N个边缘设备；

2)采用如下公式评价该策略的质量；

第k只蚂蚁分配的策略，对应的边缘服务器i与分配的N个设备之间的网络总跳数为

3)采用以下公式更新信息素

n次迭代后在路径(i,j)上的信息素按如下规则调整：

τ_ij(n+1)＝(1-p)τ_ij(n)+pΔτ_ij(n)

Δτ_ij(n)为每一迭代后边缘服务器i与边缘设备j之间信息素浓度的累积增加量，Δ^kτ_ij(n)为第k只蚂蚁对边缘服务器i与边缘设备j之间信息素浓度的贡献量；

4)一部分蚂蚁按信息素浓度进行分配，一部分蚂蚁采用随机分配；

5)若未达到迭代次数，返回2)

步骤2，每一个边缘域的边缘服务器始终保持自动监听状态，监听终端的资源请求信息，当终端发起资源请求时，边缘服务器向终端返回转发跳数、链路拥塞情况，终端获取到信息后，选择最优的边缘服务器；

步骤3，将终端的资源切片，通过布谷鸟搜索算法，在选定的边缘域中采取最佳边缘域资源部署策略；

定义以下必要参数：

边缘域中当前可用的边缘设备数为M，每一个边缘设备当前可用的计算资源，数据资源为device_cal_source和device_data_source，边缘域中各边缘设备的最低可用的计算资源，数据资源为min_cal_source和min_data_source，边缘设备的单位任务处理时间为t_j，边缘服务器当前的计算和存储资源为server_cal_source和server_data_source，边缘服务器的单位任务处理时间为t_server；

终端请求的资源包括计算资源cal_source，数据资源data_source，每次请求所需的资源部署在n个边缘设备和边缘服务器中，该次请求边缘设备j部署计算资源和数据资源为cal_source_j和data_source_j；

布谷鸟算法必要参数：

寄主的总个数为L,最大换代数为MaxGeneration，布谷鸟每次放置布谷鸟蛋的个数为egg_num，每个在鸟巢放置的布谷鸟蛋对应一个source_deploy矩阵，每次放置鸟蛋被发现的概率为

被发现后则随机产生一个source_deploy矩阵，每次的换代保存quaility最高的source_deploy矩阵；

每一次请求在边缘域资源部署采用以下步骤：

a)采用以下方式计算参与该请求资源部署的总边缘设备数当n≤M/2时，资源部署在n个边缘设备中，当n＞M/2时，将

的计算资源和

的数据资源部署在M/2个边缘设备中，剩余资源均部署在边缘服务器中，

b)随机产生一个source_deploy矩阵，矩阵如下：

每一次资源部署对应一个4×(N+1)的矩阵source_deploy，矩阵第一列为边缘设备id，第二列为为该边缘设备提供的计算资源，第三列该边缘设备提供的数据资源，每次资源部署的评估质量为quaility,第四列为该边缘设备的单位任务处理时间，若边缘服务器不参与部署，则第N+1行为空，否则，第N+1行表示本次资源部署边缘服务器提供的计算和数据资源；

c)通过以下公式评估该解的质量

每一次资源部署的评估质量为quaility,且当n≤M/2时，θ＝0，当n＞M/2时，θ＝1；

d)通过概率淘汰一部分较差的解，通过如下公式寻找新的解第n+1次换代更新通过以下公式：

α为步长缩放因子；

e)未超过迭代次数，返回步骤b)，超过迭代次数，则排列解找出最佳。

所述的步骤2，具体包括如下步骤：

步骤A，边缘服务器i与终端j之间的转发跳数为d_ij，边缘服务器的拥塞情况为crowd，当crowd＝0，边缘服务器处于正常运行状态，此时终端可以直接进行资源请求，当crowd＝1，边缘服务器处于拥塞状态，此时终端进行资源请求时需要排队等待；

步骤B，终端收到M个边缘服务器返回的转发跳数d_ij、链路拥塞情况crowd后，选取crowd＝0，且转发跳数最小的边缘服务器的server0和crowd＝1，且转发跳数最小的边缘服务器server1；

步骤C，当crowd＝1时，预测当前终端的排队等待时间为t_wait，排队等待时间权重为η，当d_server1+ηt_wait＜d_server0时，则选取server1作为最优的边缘服务器，否则，选取server0作为最优的边缘服务器；

与现有技术相比，本发明的有益效果是：

基于云-边缘端-终端的边缘环境下，采用蚁群算法优化每一个边缘域，针对每一终端的资源部署选取最优的边缘服务器，采用布谷鸟搜索算法寻找最优的资源部署策略，两次的优化使得终端的请求在边缘端的处理时延达到最低，是一种有效的多边缘协同资源部署策略。

本发明针对边缘环境下边缘端的资源部署，提出了一种多边缘协同的资源部署方法。本策略基于云-边缘端-终端三层结构，包含以下步骤，首先通过蚁群算法为每一个边缘服务器分配网络转发跳数最低的N个边缘设备构成边缘域集合，每一个终端在进行资源请求时，通过检测各边缘服务器的转发跳数、链路拥塞情况，定义对应的最佳的边缘域，在每一个边缘域集合中，将终端的请求资源进行切片，通过布谷鸟搜索算法，对终端的请求进行部署。

本发明的优点还在于在边缘端处采用了连续的两次优化，同时针对不同的终端资源请求采用相应的优化策略，在真实的边缘计算环境下，通过本发明提出的方法，可以达到优化边缘端的网络环境，最大限度降低终端的请求资源时延的效果。

附图说明

图1为本发明基于云-边缘端-终端的边缘环境结构图。

图2为本发明方法的基本流程图。

图3为本发明方法优化边缘域的基本流程图。

图4为本发明方法边缘域请求资源部署的基本流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

根据背景技术所述问题和原则定义，本发明提出了一种多边缘协同的资源部署策略，基于云-边缘端-终端的边缘环境下，采用蚁群算法优化每一个边缘域，针对每一终端的资源部署选取最优的边缘服务器，采用布谷鸟搜索算法寻找最优的资源部署策略，两次的优化使得终端的请求在边缘端的处理时延达到最低，是一种有效的多边缘协同资源部署策略，该策略具体包含以下的步骤：

步骤1，首先，检测边缘服务器与周围边缘设备的网络跳数，使用全局更新的蚁群算法对每一个边缘服务器动态地分配N个边缘设备；

定义必要参数：

边缘服务器i与边缘设备j之间的网络跳数为T_ij，蚁群算法的迭代次数为iteratorNum，蚂蚁的数量为antNum，每只蚂蚁对应一次分配的策略，一个边缘设备分配到一个边缘域这条路径的信息素浓度为pheromone，信息素挥发因子为p，信息素残留因子为1-p，信息启发式因子为α，期望启发式因子为β；

每一个边缘域优化采用以下步骤：

1)首先从边缘服务器周围的边缘设备随机选取N个边缘设备；

2)采用如下公式评价该策略的质量，

第k只蚂蚁分配的策略，对应的边缘服务器i与分配的N个设备之间的网络总跳数为

3)采用以下公式更新信息素

n次迭代后在路径(i,j)上的信息素按如下规则调整：

τ_ij(n+1)＝(1-p)τ_ij(n)+pΔτ_ij(n)

Δτ_ij(n)为每一迭代后边缘服务器i与边缘设备j之间信息素浓度的累积增加量，Δ^kτ_ij(n)为第k只蚂蚁对边缘服务器i与边缘设备j之间信息素浓度的贡献量；

4)一部分蚂蚁按信息素浓度进行分配，一部分蚂蚁采用随机分配；

5)若未达到迭代次数，返回步骤2)

步骤2，每一个边缘域的边缘服务器始终保持自动监听状态，监听终端的资源请求信息，当终端发起资源请求时，边缘服务器向终端返回转发跳数、链路拥塞情况，终端获取到信息后，选择最优的边缘服务器，具体步骤如下：

步骤A，边缘服务器i与终端j之间的转发跳数为d_ij，边缘服务器的拥塞情况为crowd，当crowd＝0，边缘服务器处于正常运行状态，此时终端可以直接进行资源请求，当crowd＝1，边缘服务器处于拥塞状态，此时终端进行资源请求时需要排队等待；

步骤B，终端收到M个边缘服务器返回的转发跳数d_ij、链路拥塞情况crowd后，选取crowd＝0，且转发跳数最小的边缘服务器的server0和crowd＝1，且转发跳数最小的边缘服务器server1；

步骤C，当crowd＝1时，预测当前终端的排队等待时间为t_wait，排队等待时间权重为η，当d_server1+ηt_wait＜d_server0时，则选取server1作为最优的边缘服务器，否则，选取server0作为最优的边缘服务器；

步骤3，将终端的资源切片，通过布谷鸟搜索算法，在选定的边缘域中采取最佳边缘域资源部署策略；

定义以下必要参数：

边缘域中当前可用的边缘设备数为M，每一个边缘设备当前可用的计算资源，数据资源为device_cal_source和device_data_source，边缘域中各边缘设备的最低可用的计算资源，数据资源为min_cal_source和min_data_source，边缘设备的单位任务处理时间为t_j，边缘服务器当前的计算和存储资源为server_cal_source和server_data_source，边缘服务器的单位任务处理时间为t_server；

终端请求的资源包括计算资源cal_source，数据资源data_source，每次请求所需的资源部署在n个边缘设备和边缘服务器中，该次请求边缘设备j部署计算资源和数据资源为cal_source_j和data_source_j；

布谷鸟算法必要参数：

寄主的总个数为L,最大换代数为MaxGeneration，布谷鸟每次放置布谷鸟蛋的个数为egg_num，每个在鸟巢放置的布谷鸟蛋对应一个source_deploy矩阵，每次放置鸟蛋被发现的概率为

被发现后则随机产生一个source_deploy矩阵。每次的换代保存quaility最高的source_deploy矩阵；

每一次请求在边缘域资源部署采用以下步骤：

a)采用以下方式计算参与该请求资源部署的最大边缘设备数当n≤M/2时，资源部署在n个边缘设备中，当n＞M/2时，将

的计算资源和

的数据资源部署在M/2个边缘设备中，剩余资源均部署在边缘服务器中，

b)随机产生egg_num个source_deploy矩阵，矩阵如下：

每一次资源部署对应一个4×(N+1)的矩阵source_deploy，矩阵第一列为边缘设备id，第二列为为该边缘设备提供的计算资源，第三列该边缘设备提供的数据资源，每次资源部署的评估质量为quaility,第四列为该边缘设备的单位任务处理时间。若边缘服务器不参与部署，则第N+1行为空，否则，第N+1行表示本次资源部署边缘服务器提供的计算和数据资源；

c)通过以下公式评估该解的质量

每一次资源部署的评估质量为quaility。

且当n≤M/2时，θ＝0，当n＞M/2时，θ＝1；

d)通过概率淘汰一部分较差的解，通过如下公式寻找新的解第n+1次换代更新通过以下公式：

α为步长缩放因子；

e)未超过迭代次数，返回步骤b)，超过迭代次数，则排列解找出最佳。

为正确理解本发明，对本发明的如下专业术语进行说明：

边缘环境：采用云-边缘域-终端三层结构，终端与边缘域是相互统一的，一部分终端也充当边缘域中的边缘设备。

边缘域：在一定区域的边缘服务器以及边缘设备构成一个边缘域。每个边缘域包含一个边缘主服务器和边缘从服务器，边缘主服务器在边缘域处于主导地位，负责管理整个边缘域，边缘从服务器主要起协同作用。除边缘服务器外，边缘域还包括N个具有可移动性以及不具有可移动性的边缘设备，这些边缘设备通过蚁群算法动态分配，同时，边缘设备一部分是第三层的终端设备。

边缘域集合：即边缘域中的边缘主从服务器以及N个边缘设备。

边缘设备：一部分具有可移动性，一部分不具有可移动性，包括各种异构设备，比如手机，个人电脑，具有处理能力的摄像头等等，同时存在一些存储，计算资源。

Claims (2)

1.一种多边缘协同的资源部署方法，其特征在于，包括以下步骤：

步骤1，检测边缘服务器与周围边缘设备的网络跳数，使用全局更新的蚁群算法对每一个边缘服务器动态地分配N个边缘设备；定义必要参数：边缘服务器i与边缘设备j之间的网络跳数为T_ij，蚁群算法的迭代次数为iteratorNum，蚂蚁的数量为antNum，每只蚂蚁对应一次分配的策略，一个边缘设备分配到一个边缘域这条路径的信息素浓度为pheromone，信息素挥发因子为p，信息素残留因子为1-p，信息启发式因子为α，期望启发式因子为β；

每一个边缘域优化采用以下步骤：

1)首先从边缘服务器周围的边缘设备随机选取N个边缘设备；

2)采用如下公式评价该策略的质量；

第k只蚂蚁分配的策略，对应的边缘服务器i与分配的N个设备之间的网络总跳数为

3)采用以下公式更新信息素

n次迭代后在路径(i,j)上的信息素按如下规则调整：

τ_ij(n+1)＝(1-p)τ_ij(n)+pΔτ_ij(n)

Δτ_ij(n)为每一迭代后边缘服务器i与边缘设备j之间信息素浓度的累积增加量，Δ^kτ_ij(n)为第k只蚂蚁对边缘服务器i与边缘设备j之间信息素浓度的贡献量；

4)一部分蚂蚁按信息素浓度进行分配，一部分蚂蚁采用随机分配；

5)若未达到迭代次数，返回2)；

步骤2，每一个边缘域的边缘服务器始终保持自动监听状态，监听终端的资源请求信息，当终端发起资源请求时，边缘服务器向终端返回转发跳数、链路拥塞情况，终端获取到信息后，选择最优的边缘服务器；

步骤3，将终端的资源切片，通过布谷鸟搜索算法，在选定的边缘域中采取最佳边缘域资源部署策略，

定义以下必要参数：

边缘域中当前可用的边缘设备数为M，每一个边缘设备当前可用的计算资源，数据资源为device_cal_source和device_data_source，边缘域中各边缘设备的最低可用的计算资源，数据资源为min_cal_source和min_data_source，边缘设备的单位任务处理时间为t_j，边缘服务器当前的计算和存储资源为server_cal_source和server_data_source，边缘服务器的单位任务处理时间为t_server；

终端请求的资源包括计算资源cal_source，数据资源data_source，每次请求所需的资源部署在n个边缘设备和边缘服务器中，该次请求边缘设备j部署计算资源和数据资源为cal_source_j和data_source_j；

布谷鸟算法必要参数：

寄主的总个数为L,最大换代数为MaxGeneration，布谷鸟每次放置布谷鸟蛋的个数为egg_num，每个在鸟巢放置的布谷鸟蛋对应一个source_deploy矩阵，每次放置鸟蛋被发现的概率为

被发现后则随机产生一个source_deploy矩阵，每次的换代保存quaility最高的source_deploy矩阵；

每一次请求在边缘域资源部署采用以下步骤：

a)采用以下方式计算参与该请求资源部署的总边缘设备数当n≤M/2时，资源部署在n个边缘设备中，当n＞M/2时，将

的计算资源和

的数据资源部署在M/2个边缘设备中，剩余资源均部署在边缘服务器中，

b)随机产生一个source_deploy矩阵，矩阵如下：

每一次资源部署对应一个4×(N+1)的矩阵source_deploy，矩阵第一列为边缘设备id，第二列为为该边缘设备提供的计算资源，第三列该边缘设备提供的数据资源，每次资源部署的评估质量为quaility,第四列为该边缘设备的单位任务处理时间，若边缘服务器不参与部署，则第N+1行为空，否则，第N+1行表示本次资源部署边缘服务器提供的计算和数据资源；

c)通过以下公式评估该解的质量

每一次资源部署的评估质量为quaility,

且当n≤M/2时，θ＝0，当n＞M/2时，θ＝1；

d)通过概率淘汰一部分较差的解，通过如下公式寻找新的解第n+1次换代更新通过以下公式：

α为步长缩放因子；

e)未超过迭代次数，返回步骤b)，超过迭代次数，则排列解找出最佳。

2.根据权利要求1所述的一种多边缘协同的资源部署方法，其特征在于，所述的步骤2，具体包括步骤如下：

步骤A，边缘服务器i与终端j之间的转发跳数为d_ij，边缘服务器的拥塞情况为crowd，当crowd＝0，边缘服务器处于正常运行状态，此时终端可以直接进行资源请求，当crowd＝1，边缘服务器处于拥塞状态，此时终端进行资源请求时需要排队等待；

步骤B，终端收到M个边缘服务器返回的转发跳数d_ij、链路拥塞情况crowd后，选取crowd＝0，且转发跳数最小的边缘服务器的server0和crowd＝1，且转发跳数最小的边缘服务器server1；

步骤C，当crowd＝1时，预测当前终端的排队等待时间为t_wait，排队等待时间权重为η，当d_serverl+ηt_wait＜d_server0时，则选取server1作为最优的边缘服务器，否则，选取server0作为最优的边缘服务器。

Images