CN111510957B - 基于多目标约束优化的移动边缘服务器坐标定位方法 - Google Patents
基于多目标约束优化的移动边缘服务器坐标定位方法 Download PDFInfo
- Publication number
- CN111510957B CN111510957B CN202010272379.7A CN202010272379A CN111510957B CN 111510957 B CN111510957 B CN 111510957B CN 202010272379 A CN202010272379 A CN 202010272379A CN 111510957 B CN111510957 B CN 111510957B
- Authority
- CN
- China
- Prior art keywords
- base station
- edge server
- mobile edge
- follows
- formula
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于多目标约束优化的移动边缘服务器坐标定位方法，属于边缘服务器领域，本发明要解决的技术问题为如何从模型建立、问题抽象、真实数据等几方面入手完成边缘服务器放置，保证低延迟、高带宽，同时满足平衡负载的要求，采用的技术方案为：该方法具体如下：S1、搜集基站数据，基站数据包括基站的数量和每个基站对应的位置坐标；S2、对每个基站对应的位置坐标在地图上进行定位，建立直观视觉感受，对比分布热点图；S3、标准化基站数据，计算权值的比重和样本方差，利用权重将多目标转换成单一约束目标通过编程建立移动边缘服务器定位模型。
Description
技术领域
本发明涉及边缘服务器领域，具体地说是一种基于多目标约束优化的移动边缘服务器坐标定位方法。
背景技术
在近5年的网络发展进程中，由于物联网的快速发展以及第五代移动通信网络技术的出现，移动智能设备的普及对移动和无线网络产生了深远的影响，引发了全球移动网络的挑战。移动边缘计算技术可以改良用户体验，节俭资本，进步性能，均衡负载，另一方面可以将数据处理本领下沉到边沿节点，还可以被第三方集成。
移动边缘计算属于近年来新兴研究领域，目前对于移动边缘计算主要是在计算卸载、降低延迟、数据存储、能源效率、位置隐私等方面研究。利用场景有医疗保健、加强实际(AR)、视频流、车联网(Internet of Vehicles)等方面。有关于移动边缘计算和服务器位置定位的研究并不常见。关于移动边缘计算的计算卸载方面研究，2018年孔等人，对计算卸载任务迁移目的地选取和降低能耗两方面进行研究，提出了一种基于资源剩余情况和消耗的能源价值最小化的任务迁移节点选取策略，选拔最好的迁移路径。关于移动边缘计算在降低时延方面研究，2015年有人将MEC和5G网络结合提出一种上下文软件协作系统，实现了上下文实时协作，这些系统需要结合地理信息和地延迟通信的上下文信息，4G网络无法满足这些要求；另一方面，5G网络和MEC有利于利用上下文信息来提供实时的协作。关于移动边缘计算在数据存储方面研究，2016年有人提出了一种用于MEC(SDMEC)的软件定义系统，建议的框架将软件定义的系统组件连接到MEC，以进一步扩展MCC功能，这些组件共同协同工作，以加强MCC进入MEC服务，使用SDN(软件定义网络)、软件定义计算(SDCompute)、软件定义存储(SDStorage)和软件定义安全(SDSec)框架，该框架支持需要计算和存储资源的应用程序，交通监控，内容共享和移动游戏等。关于微云计算cloudlet方面，有人研究了在无线网络环境下微云计算放置问题，在不同的Cloudlet中间有相应的节点，移动智能设备既可以通过直接访问Cloudlet访问网络又可以通过访问中间节点来访问网络，用来减少智能移动设备之间的访问时延；首先证明了此问题是NP难题，并将该为题转化为证书现行规划，使用了整数线性规划算法求得最终结果。范围较大时，笔者运用启发式算法求得确切解。
综上所述，现在边缘服务器坐标定位等问题主要如下：
(1)、大多都已经研究了微云计算，本地云，和远端核心云等设备，这些服务器往往坐标和位置已经确定，往往没有考虑边缘服务器，也没有考虑过卸载到边缘服务器会对性能的影响；
(2)、缺少真实的实验数据，往往采用模拟实验验证，缺乏说服力；
(3)、没有进行问题抽象和模型建立；
故如何从模型建立、问题抽象、真实数据等几方面入手完成边缘服务器放置，保证低延迟、高带宽，同时满足平衡负载的要求是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于多目标约束优化的移动边缘服务器坐标定位方法，来解决如何从模型建立、问题抽象、真实数据等几方面入手完成边缘服务器放置，保证低延迟、高带宽，同时满足平衡负载的要求的问题。
本发明的技术任务是按以下方式实现的，基于多目标约束优化的移动边缘服务器定位方法，该方法是在python3.6开发环境下，应用Pycharm集成编辑器，运用IBM公司开发的CPLEX集成开发环境，采用多目标约束优化算法对无线通信网络中各种影响条件进行约束并设置目标函数，最终确认移动边缘服务器的坐标位置；具体如下：
S1、搜集基站数据，基站数据包括基站的数量和每个基站对应的位置坐标；
S2、对每个基站对应的位置坐标在地图上进行定位，建立直观视觉感受，对比分布热点图；
S3、标准化基站数据，计算权值的比重和样本方差，利用权重将多目标转换成单一约束目标通过编程建立移动边缘服务器定位模型；
其中，移动边缘服务器由一个核心网控制，每个移动边缘服务器均覆盖着一个或几个基站；在核心网，移动边缘服务器和基站之间均有链路链接。
作为优选，所述步骤S3中建立移动边缘服务器定位模型的步骤如下：
S301、将移动边缘服务器与基站之间的网络抽象为无向图，下一步执行步骤S302；
S302、寻找目标函数，抽象描述中的具体条件，下一步执行步骤S303；
S303、判断是否满足可编程的目标函数和约束条件：
①、若是，则执行步骤S304；
②、若否，则跳转至步骤S305；
S304、添加到最终的目标函数和约束条件公式中，下一步执行步骤S307；
S305、运用归一化、矩阵简化约束条件，下一步执行步骤S306；
S306、运用熵权法确立目标函数的权重，下一步执行步骤S307；
S307、编程与计算，下一步执行步骤S308；
S308、结束。
更优地，所示步骤S301中将移动边缘服务器与基站之间的网络抽象为无向图，无向图形式如下：
G＝(V，E)；
其中，V表示核心网，是移动边缘服务器和基站的集合；E表示核心网，是移动边缘服务器和基站之间的链路集合。
更优地，所述步骤S303中的约束条件具体如下：
①、最小化移动边缘服务器的工作负载，公式如下：
LO(l)＝Min(Ti-Tj),i,j∈M；
其中，LO(l)表示移动边缘服务器之间的工作负载；Ti和Tj均表示基站的工作负载；
②、最小化基站于移动边缘服务器的距离，公式如下：
D(1)＝Min d(lb，ls)，s∈M，b∈B；
其中，D(l)表示移动边缘服务器和基站之间的距离；d(lb,ls)表示基站与边缘服务器之间的距离，设基站与边缘服务器两点坐标分别为(xs,ys)和(xb,yb)，则距离公式如下：
α＝sin(ys)*sin(yb)*cos(xs-xb)+cos(ys)*cos(yb)；
s表示任意一个移动边缘服务器；M表示移动边缘服务器的集合；b表示任意一个基站；B表示基站的集合；
③、每个基站必须有移动边缘服务器为其服务：
设所有移动边缘服务器均已放置，每个移动边缘服务器均无公共基站，即
对于每一个基站，基站有移动边缘服务器为其进行计算卸载任务，公式如下：
④、每个基站均有固定的覆盖范围，将基站的覆盖范围简化为一个圆的面积，即以基站的坐标为中心点，最大覆盖距离为半径做圆，公式如下：
k*R(ls,lb)≥d(ls,lb)，k∈(0,1)；
其中，k表示一个系数，为了让接受效果尽可能好，应该让基站于服务器之间的距离尽量小，并且在距离远近方面进行抉择时，尽可能选择近的基站；
对于每个基站所接受的任务数量每天的不同时刻是不同的，对于负载程度分阶段的情况，使现有分配方案满足最大负载时的情况，即
j*LO(l)≥Peak(l),j∈(0,1)；
其中，j表示一个常数，为了尽可能保证负载可以满足峰值的情况；
针对上述四种约束条件得到如下公式：
更优地，所述步骤S305中的矩阵采用邻接矩阵表示方法，具体如下：
使用邻接矩阵表示基站bi是否分配给了移动边缘服务器sj：
当ai,j＝1，则表示已经分配；
当ai,j＝0，则表示没有分配；
其中对于i，j的取值，满足：0≤i≤B；
0≤j≤M；
对于每一个ai,j来说，分别有两个指标决定了取值；采用邻接矩阵表示方法，对于抽象的约束条件：每个边缘服务器没有公共基站，并且所有基站均必须得到分配表示成一个简单的表达式，即
在矩阵中，每一列中有一个值为1，其他值为0，便保证有且仅有一个移动边缘服务器为对应基站进行计算卸载任务。
更优地，所述步骤S305中归一化具体如下：
对每于个移动边缘服务器sj，必需找到与N个它间隔最小间隔的基站，公式如下：
将基站组成一个集合，如下：
Bnearby＝(bnear 1,bnear 2,……bnearN)；
在基站中，使用归一化公式：
其中，Maxb表示最大的距离；Minb表示最小距离；d′i是归一化之后的相对距离，此时就不会出现距离非常大和非常小的情况，d′i∈[0,1]。
更优地，所述工作负载形象化具体如下：
(1)、基于分配好的基站计算一个平均负载，用w′表示，公式如下：
(2)、计算方差，公式如下：
(3)、进行归一化处理，公式如下：
其中，w′i的取值范围同样在[0,1]之间。
更优地，所述步骤S306中权重确定具体如下：
(一)、设距离的权重为θ1(θ∈(0,1))，则负载的权重θ2＝1-θ1；为了简化模型，将权重设置为θ＝0.5，距离和负载的权重各站50％，得到公式：
ci,j＝θ1d′i+θ2w′i；
通过权重的设定，将多目标约束问题转化成单一目标线性规划问题，得到单一目标，公式如下：
f＝ci,j*ai,j；
将距离小和负载均衡这两个目标转换为一个目标，即要求矩阵所对应的行列式最小；
(二)、采用熵权法确定权重，x′ij表示第i个因素的第j个指标的数值(i＝1,2；j∈B),指标变异值越大时,权重也越大，具体如下：
①、计算第j个指标的熵值，公式如下：
②、计算信息熵冗余度，公式如下：
dj＝1-ej，j＝1,...,n；
③、计算各项指标权值，公式如下：
④、最终的到新的权重θ′1和θ′2，其中θ′1+θ′2＝1：
ci,j＝θ1d′i+θ′2w′i；
⑤、综上，将多目标约束算法的表达模型公式如下：
一种存储介质，其中存储有多条指令，所述指令由处理器加载，执行上述的基于多目标约束优化的移动边缘服务器坐标定位方法的步骤。
一种电子设备，所诉电子设备包括：
上述的存储介质；以及
处理器，用于执行所述存储介质中的指令。
本发明的基于多目标约束优化的移动边缘服务器坐标定位方法具有以下优点：
(一)移动边缘计算(MEC)是一种云服务框架利用移动基站技术下沉到网络边缘，这项技术可以用于移动设备、无线和有线场景。并且随着5G的快速发展，移动边缘计算将会成为物联网和未来智慧城市等研究领域的重要组成部分；本发明针对当前基站的坐标位置性能参数，进行边缘服务器坐标定位研究，目的是减少任务延迟，平衡服务器之间负载，同时采用多目标约束优化算法对无线通信网络中各种影响条件进行约束并设置目标函数，最终确认边缘服务器的坐标位置；
(二)本发明在python3.6开发环境下，应用Pycharm集成编辑器，运用IBM公司开发的CPLEX集成开发环境，设计并实现了基于多目标约束优化算法的边缘服务器坐标定位方法，并与常用的定位方法进行了对比，取得了良好的实验结果；
(三)本发明具有广阔的市场前景，可以通过基站的位置定位新的边缘服务器的坐标以达到降低延迟和平衡负载的功能，算法应用实践后，可以为移动用户提升用户体验，从而提升用户购买移动设备的欲望，获得较大的经济收益，同时可以有效促进用户处理大型任务的效率，算法应用实践后，可以大大提高工作效率，促进社会发展；由于建立为基站所服务的边缘服务器是一项大工程，如果不能将边缘服务器放置在合适的位置，将耗费巨大的财力物力，所以准确定位边缘服务器的位置成为经济成本的重要组成部分；
(四)本发明针对5G网络环境下，网络中有基站和移动用户时，寻找最优化的边缘服务器防治方法，使用了多目标约束的方法，约束的目标有：基站于边缘服务器之间的距离之和尽量取最小值；边缘服务器的负载尽量均衡及整个网络所有的边缘服务器的方差最小；每个基站和边缘服务器都有本身的覆盖规模，即覆盖半径，基站必须在边缘服务器的半径内；边缘的服务器可与基站建立在同一位置；每个基站至少有一个边缘服务器进行管理控制；在负载峰值时间段也可以均衡；在真实的基站数据中有覆盖范围，地区号，平均接受信息数量以及相对精度等；在用户数据中，有每个用户访问基站的开始时间，结束时间，对应传输计算卸载任务到哪个基站等，使用与该设计相同的目标约束条件和相同的算法来实现坐标定位计算,调用了Google地图API来展示基站分布密度。
附图说明
下面结合附图对本发明进一步说明。
附图1为移动边缘环境示意图；
附图2为移动边缘环境抽象图；
附图3为建立移动边缘服务器定位模型的流程框图；
附图4为移动边缘网络抽象成的基本数据结构图的表示示意图；
附图5为移动边缘网络抽象成的基本数据结构图的邻接矩阵表示；
附图6为服务器与基站连接示意图；
附图7为北京地区基站散点图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于多目标约束优化的移动边缘服务器坐标定位方法作以下详细地说明。
实施例：
本发明的基于多目标约束优化的移动边缘服务器坐标定位方法,该方法是在python3.6开发环境下，应用Pycharm集成编辑器，运用IBM公司开发的CPLEX集成开发环境，采用多目标约束优化算法对无线通信网络中各种影响条件进行约束并设置目标函数，最终确认移动边缘服务器的坐标位置；具体如下：
S1、搜集了至2017年底全国的基站数据，由于北京基站数量大，人口稠密，经过对比选中北京地区的所有基站共近1000座；
S2、对每个基站对应的位置坐标在Google地图上进行定位，建立直观视觉感受，对比分布热点图；
S3、标准化基站数据，计算权值的比重和样本方差，利用权重将多目标转换成单一约束目标通过编程建立移动边缘服务器定位模型；
另外选取无监督机器学习聚类法，排序定位法等4种常用定位方法进行对比分析；
假设条件如下：①、每个边缘服务器和基站的计算资源相同；
②、每个基站覆盖范围相同；
③、每个移动用户上传的计算卸载任务相同；
④、在信号传输的过程中，除了距离外没有其他影响；
⑤、不考虑用户将计算卸载任务传输到基站的时间d；
⑥、用户在卸载计算任务时并不发生移动；
⑦、将地球这个椭球体看作一个正规球体，地球半径处处相等。
符号表含义如下表所示：
移动边缘网络环境描述如下：移动边缘计算网络应该有三层，在这个问题中将移动边缘环境示意图简化为如附图1所示。移动边缘服务器由一个核心网控制，每个移动边缘服务器均覆盖着一个或几个基站；在核心网，移动边缘服务器和基站之间均有链路链接。为了使表示更清楚，忽略了两个基站之间链路和用户与基站之间链路。选择边缘服务器S1来介绍，假设有5个基站接入了S1的服务，基站b1的负载是10，b2的负载为15，b3负载为18，b4负载为20，b5负载为1，平衡基站之间的负载和以最小化延迟访问S2是本发明所要解决的问题。
如附图3所示，步骤S3中建立移动边缘服务器定位模型的步骤如下：
S301、将移动边缘服务器与基站之间的网络抽象为无向图，下一步执行步骤S302；如附图2所示，将移动边缘服务器与基站之间的网络抽象为无向图，无向图形式如下：
G＝(V，E)；
其中，V表示核心网，是移动边缘服务器和基站的集合；E表示核心网，是移动边缘服务器和基站之间的链路集合。
假设有M个边缘的服务器分配的M个不同的位置，其中M是一个常量。假设每个边缘服务器具有相同的资源来接受基站来传输的用户计算卸载的数据，目的是均衡服务器之间的负载并延长寿命。因此要求每个边缘服务器的工作负载尽可能均匀分布。在假设中提出边缘服务器访问延迟与基站和边缘服务器之间的距离成比例，忽略了其他影响延迟的因素，以便方便考虑到移动边缘计算网络中的边缘服务器的位置；
S302、寻找目标函数，抽象描述中的具体条件，下一步执行步骤S303；
S303、判断是否满足可编程的目标函数和约束条件：
①、若是，则执行步骤S304；
②、若否，则跳转至步骤S305；
S304、添加到最终的目标函数和约束条件公式中，下一步执行步骤S307；
S305、运用归一化、矩阵简化约束条件，下一步执行步骤S306；
S306、运用熵权法确立目标函数的权重，下一步执行步骤S307；
S307、编程与计算，下一步执行步骤S308；
S308、结束。
其中，在边缘服务器定位模型中，边缘服务器放置的目标是平衡工作负载并最小化基站于边缘服务器的距离。因此，边缘的服务器的放置条件可以被表述为一个多目标约束问题，约束条件具体如下：
①、最小化移动边缘服务器的工作负载，公式如下：
LO(l)＝Min(Ti-Tj),i,j∈M；
其中，LO(l)表示移动边缘服务器之间的工作负载；Ti和Tj均表示基站的工作负载；
②、最小化基站于移动边缘服务器的距离，公式如下：
D(l)＝Min d(lb，ls)，s∈M，b∈B；
其中，D(l)表示移动边缘服务器和基站之间的距离；d(lb,ls)表示基站与边缘服务器之间的距离，设基站与边缘服务器两点坐标分别为(xs,ys)和(xb,yb)，则距离公式如下：
α＝sin(ys)*sin(yb)*cos(xs-xb)+cos(ys)*cos(yb)；
s表示任意一个移动边缘服务器；M表示移动边缘服务器的集合；b表示任意一个基站；B表示基站的集合；
③、每个基站必须有移动边缘服务器为其服务：
设所有移动边缘服务器均已放置，每个移动边缘服务器均无公共基站，即
对于每一个基站，基站有移动边缘服务器为其进行计算卸载任务，公式如下：
④、每个基站均有固定的覆盖范围，将基站的覆盖范围简化为一个圆的面积，即以基站的坐标为中心点，最大覆盖距离为半径做圆，公式如下：
k*R(ls,lb)≥d(ls,lb)，k∈(0,1)；
其中，k表示一个系数，为了让接受效果尽可能好，应该让基站于服务器之间的距离尽量小，并且在距离远近方面进行抉择时，尽可能选择近的基站；
对于每个基站所接受的任务数量每天的不同时刻是不同的，在住宅区的基站在晚上7点到12点之间最为繁忙。而在工作区，如写字楼，商场的基站在工作时间负载较重，对于负载程度分阶段的情况，使现有分配方案满足最大负载时的情况，即
j*LO(l)≥Peak(l),j∈(0,1)；
其中，j表示一个常数，为了尽可能保证负载可以满足峰值的情况；
针对上述四种约束条件得到如下公式：
如附图4所说，将移动边缘网络抽象成一个基本数据结构—图，对于图的表示方法有邻接表和邻接矩阵两种表示方法。如附图5所示，矩阵采用邻接矩阵表示方法，具体如下：
如附图6所示，使用邻接矩阵表示基站bi是否分配给了移动边缘服务器sj：
当ai,j＝1，则表示已经分配；
当ai,j＝0，则表示没有分配；
其中对于i，j的取值，满足：0≤i≤B；
0≤j≤M；
对于每一个ai,j来说，分别有两个指标决定了取值；采用邻接矩阵表示方法，对于抽象的约束条件：每个边缘服务器没有公共基站，并且所有基站均必须得到分配表示成一个简单的表达式，即
在矩阵中，每一列中有一个值为1，其他值为0，便保证有且仅有一个移动边缘服务器为对应基站进行计算卸载任务。就能够取代者两个抽象表达
在延迟的角度上来说，更倾向于选择距离更近的；从工作负载上来说，更倾向于选择边缘服务器更加均衡的。在此，用di,j来表示基站bi和边缘服务器sj之间的距离；用ti表示基站bi的工作负载。对于每个赋值，给出一个标记ci,j来衡量合适此边缘服务器。
归一化具体如下：
由于距离的数量级差别太大，归一化成为了必要手段；对每于个移动边缘服务器sj，必需找到与N个它间隔最小间隔的基站，公式如下：
将基站组成一个集合，如下：
Bnearby＝(bnear 1,bnear 2,……bnearN)；
在基站中，使用归一化公式：
其中，Maxb表示最大的距离；Minb表示最小距离；d′i是归一化之后的相对距离，此时就不会出现距离非常大和非常小的情况，d′i∈[0,1]。
工作负载形象化具体如下：对于如何衡量负载是否均衡，使用平方差进行衡量，边缘的服务器的方差越小表示负载约均衡，方差越大负载不均衡；
(1)、基于分配好的基站计算一个平均负载，用w′表示，公式如下：
(2)、计算方差，公式如下：
(3)、进行归一化处理，公式如下：
其中，w′i的取值范围同样在[0,1]之间。
步骤S306中权重确定具体如下：
(一)、设距离的权重为θ1(θ∈(0,1))，则负载的权重θ2＝1-θ1；为了简化模型，将权重设置为θ＝0.5，距离和负载的权重各站50％，得到公式：
ci,j＝θ1d′i+θ2w′i；
通过权重的设定，将多目标约束问题转化成单一目标线性规划问题，得到单一目标，公式如下：
f＝ci,j*ai,j；
将距离小和负载均衡这两个目标转换为一个目标，即要求矩阵所对应的行列式最小；
(二)、单单认为距离的权重和负载均衡的权重各占50％是不正确的，过于主观草率且缺乏实验数据，所以在此采用熵权法确定权重，x′ij表示第i个因素的第j个指标的数值(i＝1,2；j∈B),指标变异值越大时,权重也越大，具体如下：
①、计算第j个指标的熵值，公式如下：
②、计算信息熵冗余度，公式如下：
dj＝1-ej，j＝1,...,n；
③、计算各项指标权值，公式如下：
④、最终的到新的权重θ′1和θ′2，其中θ′1+θ′2＝1：
ci,j＝θ′1d′i+θ′2w′i；
⑤、综上，将多目标约束算法的表达模型公式如下：
实验条件：为了验证提出的方法的正确性，采用了北京地区真实基站数据进行实验，实验是基于python3和IBM cplex工具来具体实现。实验具体环境是Intel i5-8250u处理器，内存8G，windows10操作系统。
实验具体由三部分组成，具体如下：
(1)使用多目标约束算法，K-means算法，排序算法和随机定位算法分别进行实验，进行结果比较；
(2)确定实验变量，当基站和边缘服务器的比例确定时，时延和负载的变化情况；
(3)当基站数量不变，边缘服务器的数量不断增加的时，时延和负载的变化情况。
基站数据展示：在所设计的实验中，采用了北京地区的基站真实数据。在真实的基站数据中有覆盖范围，地区号，平均接受信息数量以及相对精度等；在用户数据中，有每个用户访问基站的开始时间，结束时间，对应传输计算卸载任务到哪个基站等。为了说明北京基站覆盖网络的真实性，调用了Google地图API来展示基站分布密度，附图7所示，图中展示了966个基站分布情况，且图中每一个点表示一个基站，北京地区整体上分布稠密，尤其在市中心地区基站分布稠密，在北京周边各县分布稀疏，所以北京具有非常完备的基站覆盖系统，也就是说满足了移动边缘网络计算条件。基站分布越密集，说明造成过载的可能性越大。
其中，北京市基站数据如下表所示：
在上表中展示了部分基站的数据信息，可见在北京海淀区(人口稠密区)基站的负载要大，覆盖面积小，而在房山，昌平等非中心地区，基站负载小，覆盖面积大，基本符合实际情况。基站经常部署在人口稠密地区，如购物商城，写字楼，火车站等附近。在表中发现基站的工作负载很不均衡，有些很大，有些很小。因此，设置边缘服务器来平衡计算卸载的任务平衡负载是一个急需解决的问题。
实施例2：
本发明的存储介质，其中存储有多条指令，所述指令由处理器加载，执行实施例1的步骤。
实施例3：
本发明的电子设备，所诉电子设备包括：
实施例2的存储介质；以及
处理器，用于执行实施例2存储介质中的指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.基于多目标约束优化的移动边缘服务器定位方法，其特征在于，该方法是在python3.6开发环境下，应用Pycharm集成编辑器，运用IBM公司开发的CPLEX集成开发环境，采用多目标约束优化算法对无线通信网络中各种影响条件进行约束并设置目标函数，最终确认移动边缘服务器的坐标位置；具体如下：
S1、搜集基站数据，基站数据包括基站的数量和每个基站对应的位置坐标；
S2、对每个基站对应的位置坐标在地图上进行定位，建立直观视觉感受，对比分布热点图；
S3、标准化基站数据，计算权值的比重和样本方差，利用权重将多目标转换成单一约束目标通过编程建立移动边缘服务器定位模型；步骤如下：
S301、将移动边缘服务器与基站之间的网络抽象为无向图，下一步执行步骤S302；其中，无向图形式如下：
G＝(V，E)；
其中，V表示核心网C，是移动边缘服务器和基站的集合；E表示核心网，是移动边缘服务器和基站之间的链路集合；
S302、寻找目标函数，抽象描述中的具体条件，下一步执行步骤S303；
S303、判断是否满足可编程的目标函数和约束条件：
①、若是，则执行步骤S304；
②、若否，则跳转至步骤S305；
S304、添加到最终的目标函数和约束条件公式中，下一步执行步骤S307；
S305、运用归一化、矩阵简化约束条件，下一步执行步骤S306；
其中，矩阵采用邻接矩阵表示方法，具体如下：
使用邻接矩阵表示基站bi是否分配给了移动边缘服务器sj：
当ai，j＝1，则表示已经分配；
当ai，j＝0，则表示没有分配；
其中对于i，j的取值，满足：0≤i≤B；
0≤j≤M；
对于每一个ai，j来说，分别有两个指标决定了取值；采用邻接矩阵表示方法，对于抽象的约束条件：每个边缘服务器没有公共基站，并且所有基站均必须得到分配表示成一个简单的表达式，即
在矩阵中，每一列中有一个值为1，其他值为0，便保证有且仅有一个移动边缘服务器为对应基站进行计算卸载任务；
归一化具体如下：
对每于个移动边缘服务器sj，必须找到N个与该移动边缘服务器sj最小间隔的基站，公式如下：
将基站组成一个集合，如下：
Bnearby＝(bnear1，bnear2，......bnearN)；
在基站中，使用归一化公式：
其中，Maxb表示最大的距离；Minb表示最小距离；d′i是归一化之后的相对距离，d′i∈[0，1]；
S306、运用熵权法确立目标函数的权重，下一步执行步骤S307；
其中，权重确定具体如下：
(一)、设距离的权重为θ1(θ∈(0，1))，则负载的权重θ2＝1-θ1；将权重设置为θ＝0.5，距离和负载的权重各站50％，得到公式：
ci，j＝θ1d′i+θ2w′i；
通过权重的设定，将多目标约束问题转化成单一目标线性规划问题，得到单一目标，公式如下：
f＝ci，j*ai，j；
将距离小和负载均衡这两个目标转换为一个目标，即要求矩阵所对应的行列式最小；
(二)、采用熵权法确定权重，x′ij表示第i个因素的第j个指标的数值(i＝1，2；j∈B)，指标变异值越大时，权重也越大，具体如下：
①、计算第j个指标的熵值，公式如下：
②、计算信息熵冗余度，公式如下：
dj＝1-ej，j＝1，...，n；
③、计算各项指标权值，公式如下：
④、最终的到新的权重θ′1和θ′2，其中θ′1+θ′2＝1：
ci，j＝θ′1d′i+θ′2w′i；
⑤、综上，将多目标约束算法的表达模型公式如下：
S307、编程与计算，下一步执行步骤S308；
S308、结束；
其中，移动边缘服务器由一个核心网控制，每个移动边缘服务器均覆盖着一个或几个基站；在核心网，移动边缘服务器和基站之间均有链路链接；
约束条件具体如下：
①、最小化移动边缘服务器的工作负载，公式如下：
LO(l)＝Min(Ti-Tj)，i，j∈M；
其中，LO(l)表示移动边缘服务器之间的工作负载；Ti和Tj均表示基站的工作负载；
②、最小化基站与移动边缘服务器的距离，公式如下：
D(1)＝Min d(lb，ls)，s∈M，b∈B；
其中，D(l)表示移动边缘服务器和基站之间的距离；d(lb，ls)表示基站与边缘服务器之间的距离，设基站与边缘服务器两点坐标分别为(xs，ys)和(xb，yb)，则距离公式如下：
α＝sin(ys)*sin(yb)*cos(xs-xb)+cos(ys)*cos(yb)；
s表示任意一个移动边缘服务器；M表示移动边缘服务器的集合；b表示任意一个基站；B表示基站的集合；R表示覆盖半径；
③、每个基站必须有移动边缘服务器为其服务：
设所有移动边缘服务器均已放置，每个移动边缘服务器均无公共基站，即
对于每一个基站，基站有移动边缘服务器为其进行计算卸载任务，公式如下：
④、每个基站均有固定的覆盖范围，将基站的覆盖范围简化为一个圆的面积，即以基站的坐标为中心点，最大覆盖距离为半径做圆，公式如下：
k*R(ls，lb)≥d(ls，lb)，k∈(0，1)；
其中，k表示一个系数；
对于每个基站所接受的任务数量每天的不同时刻是不同的，对于负载程度分阶段的情况，使现有分配方案满足最大负载时的情况，即
j*LO(l)≥Peak(l)，j∈(0，1)；
其中，j表示一个常数；
针对上述四种约束条件得到如下公式：
工作负载形象化具体如下：
(1)、基于分配好的基站计算一个平均负载，用
表示，公式如下：
(2)、计算方差，公式如下：
(3)、进行归一化处理，公式如下：
其中，wi ′的取值范围同样在[0,1]之间。
2.一种存储介质，其中存储有多条指令，其特征在于，所述指令由处理器加载，执行权利要求1中所述的基于多目标约束优化的移动边缘服务器坐标定位方法的步骤。
3.一种电子设备，其特征在于，所诉电子设备包括：
权利要求2所述的存储介质；以及
处理器，用于执行所述存储介质中的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010272379.7A CN111510957B (zh) | 2020-04-09 | 2020-04-09 | 基于多目标约束优化的移动边缘服务器坐标定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010272379.7A CN111510957B (zh) | 2020-04-09 | 2020-04-09 | 基于多目标约束优化的移动边缘服务器坐标定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111510957A CN111510957A (zh) | 2020-08-07 |
| CN111510957B true CN111510957B (zh) | 2023-05-09 |
Family
ID=71874669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010272379.7A Active CN111510957B (zh) | 2020-04-09 | 2020-04-09 | 基于多目标约束优化的移动边缘服务器坐标定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111510957B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112202847B (zh) * | 2020-09-14 | 2022-03-22 | 重庆邮电大学 | 一种基于移动边缘计算的服务器资源配置方法 |
| CN112217995A (zh) * | 2020-09-30 | 2021-01-12 | 深圳市友华通信技术有限公司 | 基于5g基站的地理信息主动获取方法和系统 |
| CN112199077A (zh) * | 2020-10-16 | 2021-01-08 | 中国矿业大学 | 一种基于dtin的cors选站指标优化方法 |
| CN112134745B (zh) * | 2020-11-26 | 2021-03-19 | 中国重型机械研究院股份公司 | 一种面向应用的边缘服务器覆盖范围内传感器的分配方法 |
| CN112783313A (zh) * | 2021-03-16 | 2021-05-11 | 西安柏奥浩远信息技术有限公司 | 一种降低服务器功耗的方法 |
| CN113329432B (zh) * | 2021-06-22 | 2022-06-14 | 中国科学院计算技术研究所 | 一种基于多目标优化的边缘服务布置方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109391681A (zh) * | 2018-09-14 | 2019-02-26 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
| CN109526040A (zh) * | 2018-09-21 | 2019-03-26 | 浙江工业大学 | 在多基站场景中的基于非正交多址接入的移动边缘计算线性搜索式时延优化方法 |
| CN110366098A (zh) * | 2019-07-05 | 2019-10-22 | 北京海益同展信息科技有限公司 | 一种目标定位方法和用于目标定位的服务器、基站 |
| CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9898214B2 (en) * | 2015-09-29 | 2018-02-20 | International Business Machines Corporation | Storage site selection in a multi-target environment using weights |
-
2020
- 2020-04-09 CN CN202010272379.7A patent/CN111510957B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109391681A (zh) * | 2018-09-14 | 2019-02-26 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
| CN109526040A (zh) * | 2018-09-21 | 2019-03-26 | 浙江工业大学 | 在多基站场景中的基于非正交多址接入的移动边缘计算线性搜索式时延优化方法 |
| CN110366098A (zh) * | 2019-07-05 | 2019-10-22 | 北京海益同展信息科技有限公司 | 一种目标定位方法和用于目标定位的服务器、基站 |
| CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111510957A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111510957B (zh) | 基于多目标约束优化的移动边缘服务器坐标定位方法 | |
| Wang et al. | Task scheduling algorithm based on improved firework algorithm in fog computing | |
| Ning et al. | Deep reinforcement learning for intelligent internet of vehicles: An energy-efficient computational offloading scheme | |
| Zhang et al. | A hierarchical game framework for resource management in fog computing | |
| Sun et al. | Multi-objective optimization of resource scheduling in fog computing using an improved NSGA-II | |
| CN109743741B (zh) | 无线路由器部署方法、装置、存储介质及电子设备 | |
| Bayram et al. | Electric power allocation in a network of fast charging stations | |
| CN104038540B (zh) | 一种应用代理服务器自动选择方法及系统 | |
| CN109829332A (zh) | 一种基于能量收集技术的联合计算卸载方法及装置 | |
| CN108901075B (zh) | 一种基于gs算法的资源分配方法 | |
| Fouad et al. | Distributed and scalable computing framework for improving request processing of wearable IoT assisted medical sensors on pervasive computing system | |
| Lin et al. | A novel utility based resource management scheme in vehicular social edge computing | |
| CN114126066B (zh) | 面向mec的服务器资源配置与选址联合优化决策方法 | |
| CN107872808A (zh) | 一种wlan站址预测分析方法及装置 | |
| CN109831524A (zh) | 一种负载均衡处理方法及装置 | |
| CN110493788A (zh) | 通信站点规划的方法、装置和存储介质 | |
| CN107241743B (zh) | 电网专网布局建设方法 | |
| CN113553160A (zh) | 用于人工智能物联网的边缘计算节点任务调度方法及系统 | |
| Meng et al. | Hierarchical evolutionary game based dynamic cloudlet selection and bandwidth allocation for mobile cloud computing environment | |
| Lan et al. | Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks | |
| Ye et al. | Processing capability and QoE driven optimized computation offloading scheme in vehicular fog based F-RAN | |
| Wu et al. | Bilateral satisfaction aware participant selection with MEC for mobile crowd sensing | |
| Chen et al. | A pricing approach toward incentive mechanisms for participant mobile crowdsensing in edge computing | |
| Jiang et al. | Participant recruitment method aiming at service quality in mobile crowd sensing | |
| Lei et al. | A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment |
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 | ||
| CB02 | Change of applicant information |
Address after: 250100 S06 tower, 1036, Chao Lu Road, hi tech Zone, Ji'nan, Shandong. Applicant after: INSPUR COMMUNICATION AND INFORMATION SYSTEM Co.,Ltd. Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong Applicant before: Beijing MetarNet Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |