CN111601327B - 一种服务质量优化方法、装置、可读介质和电子设备 - Google Patents

一种服务质量优化方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN111601327B
CN111601327B CN202010409525.6A CN202010409525A CN111601327B CN 111601327 B CN111601327 B CN 111601327B CN 202010409525 A CN202010409525 A CN 202010409525A CN 111601327 B CN111601327 B CN 111601327B
Authority
CN
China
Prior art keywords
service
user
edge server
edge
delay
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
Application number
CN202010409525.6A
Other languages
English (en)
Other versions
CN111601327A (zh
Inventor
刘尚文
谢宽
赵盛轩
杨本晓
刘夏青
张力佳
褚凯
黄昌东
毛健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Saibao Industrial Technology Research Institute Co ltd
Original Assignee
Beijing Saibao Industrial Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Saibao Industrial Technology Research Institute Co ltd filed Critical Beijing Saibao Industrial Technology Research Institute Co ltd
Priority to CN202010409525.6A priority Critical patent/CN111601327B/zh
Publication of CN111601327A publication Critical patent/CN111601327A/zh
Application granted granted Critical
Publication of CN111601327B publication Critical patent/CN111601327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于边缘计算和冗余策略的服务质量优化方法、装置、可读介质和电子设备，该方法包括：针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；在移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；基于遗传算法对全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。本发明克服传统云计算环境下服务延迟高用户体验差的问题，可以真正做到就近服务移动用户，可以显著降低用户服务延迟，提高用户服务体验质量。

Description

一种服务质量优化方法、装置、可读介质和电子设备
技术领域
本发明涉及通信技术领域，尤其涉及一种基于边缘计算和冗余策略的服务质量优化方法、装置、可读介质和电子设备。
背景技术
近年来，越来越多的移动应用程序是计算密集型的，常常对用户所处的地理位置以及传输延迟也十分敏感，这给传统的云计算带来了巨大的压力。随着新一代通信技术的到来，服务和相应的计算请求可以就近在微基站附近的边缘服务器上进行处理，不需要通过主干网传送给云服务器，从而大大缩减服务延迟，边缘计算的概念顺势诞生。
目前，在云服务器上打包并部署移动应用程序的主流方案是借助容器(container)技术，其中的代表是Docker。对容器进行编排及维护的主流工具是由谷歌进行维护的Kubernetes。借助以上工具，移动应用程序可以被打包为一个Docker镜像，其服务实例(instance)作为一个Docker容器，可以简单快捷地从镜像中拉取，从而在服务器上快速进行部署。这样，移动用户就可以迅速访问自己需要的服务，从而保证服务体验和服务质量。以上操作对单个服务器或者服务器组成的集群而言或许适用，但对于地理位置分布散乱且计算性能各异的边缘服务器而言并不完全适用，原因在于：首先，边缘服务器是异构的，可以具备不同的CPU主频、内存容量、网络通信带宽、分布位置等。对于来自附近用户的多个不同服务请求而言，如果忽略边缘服务器在性能上的差异性，在全部边缘服务器上部署完全一致的某个服务实例，那么请求另一个服务的用户就不能被身边的边缘服务器就近处理，从而导致延迟过高，服务质量下降。其次，Kubernetes对容器进行编排和管理时并未将边缘服务器的异构性纳入考虑，失效的容器如果不在请求量较大的边缘服务器上重新部署，而在别的边缘服务器上进行部署，用户的服务请求延迟也会增加。
基于上述，现有技术中存在服务延迟较大、用户体验差的问题。
上述缺陷是本领域技术人员期望克服的。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提供一种基于边缘计算和冗余策略的服务质量优化方法、装置、可读介质和电子设备，进而至少在一定程度上克服现有技术中服务延迟较大、用户体验差的问题。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
根据本发明的第一方面，提供一种基于边缘计算和冗余策略的服务质量优化方法，包括：
针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；
在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；
基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。
在本发明一实施例中，还包括：
在每个微基站的附近配备一个边缘服务器，用于对所述微基站覆盖范围内的用户进行用户部署服务和资源管理；
所述给定区域包括至少一个宏基站和多个微基站，多个微基站之间通过X2 link互连，所述宏基站用于接收所述给定区域中未被微基站覆盖范围内用户的服务请求，并通过主干网发送给云服务器，所述微基站用于接收所覆盖范围内用户的服务请求，且所述多个微基站的通信能力和被连接的用户终端数量不同。
在本发明一实施例中，在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案包括：
在移动服务供给架构下根据用户集合为
Figure BDA0002492672570000031
和边缘服务器集合为/>
Figure BDA0002492672570000032
确定信号能够覆盖用户i的边缘服务器集合为/>
Figure BDA0002492672570000033
边缘服务器j所覆盖的用户集合/>
Figure BDA0002492672570000034
其中i表示第i个用户，j表示第j个边缘服务器，i为大于或等于1且小于或等于N的整数，j为大于或等于1且小于或等于M的整数；
针对服务的应用程序基于冗余策略将候选应用程序的实例分发给边缘服务器，确定候选方案集合为
Figure BDA0002492672570000035
并确定候选应用程序的边缘服务集合为
Figure BDA0002492672570000036
其中c表示服务的第c个候选应用程序，c为大于或等于1且小于或等于C的整数。
在本发明一实施例中，对部署方案的服务质量进行建模得到全局化服务质量优化模型包括：
根据候选应用程序的边缘服务集合确定用户通过所选择的候选应用程序获取服务，Ei(c)表示用户i选择第c个候选应用程序获取服务；
根据Ei(c)确定用户i的数据上传时延、数据处理时延和数据下载时延；
根据全部用户的数据上传时延、数据处理时延和数据下载时延确定全部用户的服务处理时延；
根据边缘服务器的约束条件构建全局化服务质量优化模型。
在本发明一实施例中，根据Ei(c)确定用户i的数据上传时延、数据处理时延和数据下载时延包括：
数据上传时延：
Figure BDA0002492672570000037
其中tin(Ei(c))表示用户i的数据上传时延，d(i，0)表示用户i和宏基站之间的距离，d(i,j*(i))表示用户i和边缘服务器j*(i)之间的距离，α表示无线信道传输参数，tb表示在主干网上进行传输以及找到云服务器所花费的时间，j*(i)表示距离用户i最近的边缘服务器，δ(j*(i)，j′)表示多个微基站构成的无向连通图中边缘服务器j*(i)和边缘服务器j′之间的最短跳数，β表示X2 link传输参数；
数据处理时延为：
Figure BDA0002492672570000041
其中texe(Ei(c))表示用户i的数据处理时延，
Figure BDA0002492672570000042
表示Ei(c)执行所需的CPU时钟周期的个数，f(j*(i))表示选中的服务器j*(i)的CPU主频；
Figure BDA0002492672570000043
其中jp(i)表示处理来自用户i的服务请求的服务器，jp(i)＝cloud表示Ei(c)由云服务器负责处理；
数据下载时延为：
Figure BDA0002492672570000044
δ(jp(i),j*(i))表示多个微基站构成的无向连通图中边缘服务器jp(i)和边缘服务器j*(i)之间的最短跳数。
在本发明一实施例中，全局化服务质量优化模型为：
Figure BDA0002492672570000045
其中
Figure BDA0002492672570000046
表示优化目标函数；
满足约束条件为：
Figure BDA0002492672570000047
bj表示第j个边缘服务器可以部署的实例数量的上限。
在本发明一实施例中，基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案包括：
将所述全局化服务质量优化模型的自变量
Figure BDA0002492672570000051
编码为一个染色体变量x进行初始化，生成多个染色体组成种群，并设定终止条件，x被定义为[x(b1),...,x(bj),...,x(bM)]，其中x(bj)代表边缘服务器j的部署策略，长度为bj，x(bj)的每一个元素的取值从集合
Figure BDA0002492672570000052
中选取；
对染色体变量x进行变异和交叉，并从中选择优化目标函数数值最小的染色体，如果优化目标函数数值小于全局化服务质量优化模型的最小目标值，则用最小目标值代替优化目标函数数值重复进行变异和交叉，直到满足设定的终止条件则停止重复，得到优化结果；
其中所述终止条件为达到初始化阶段中设定的最大循环次数。
根据本发明的第二方面，还提供一种基于边缘计算和冗余策略的服务质量优化装置，包括：
服务架构模块，用于针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；
方案部署模块，用于在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；
优化求解模块，用于基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。
根据本发明的第三方面，还提供一种电子设备，包括：
处理器；
存储器，存储用于所述处理器控制以上所述的方法步骤的指令。
根据本发明的第四方面，还提供一种计算机可读介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现以上所述的方法步骤。
(三)有益效果
本发明的有益效果是：本发明实施例提供的一种基于边缘计算和冗余策略的服务质量优化方法、装置、可读介质和电子设备，通过建立移动服务供给架构将一个服务的镜像拉取到多个异构的、地理位置分散的边缘服务器上，基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案得到全局化服务质量优化模型，然后利用遗传算法进行求解确定服务方案，克服传统云计算环境下服务延迟高、用户体验差的问题，可以真正做到就近服务移动用户，该方法可以显著降低用户服务延迟，提高用户服务体验质量。
附图说明
图1为本发明一个实施例提供的一种基于边缘计算和冗余策略的服务质量优化方法的流程图；
图2为本发明一实施例图1中步骤S120的流程图；
图3为本发明一实施例图1中步骤S130的流程图；
图4为本发明另一实施例中还提供一种基于边缘计算和冗余策略的服务质量优化装置的示意图；
图5是根据本发明一实施例示出的一种电子设备的计算机系统的结构示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
边缘计算作为一种优化应用程序或云计算系统的技术，将应用程序的数据或服务的某些部分从一个或多个中心节点(“云”)转移到另一个逻辑端点(“边缘”)，就是将需要低延迟的计算机程序放在更接近请求的位置，从而降低传输成本，缩短延迟并提高了服务质量(QoS)。边缘服务器是承载边缘计算的功能的实物载体，边缘服务器从组成上包括硬件实体、网络模块和边缘计算软件。
在边缘计算的环境下，如何借助容器技术合理地部署服务的实例(包括在哪一个边缘服务器部署哪一个服务的实例)来优化服务质量，是本发明需要解决的重要问题。本发明提出了一个异构的、无线接入网络下的移动服务供给架构，基于该架构对移动用户的服务质量进行了建模。基于该模型，提出了一种基于冗余策略的服务部署方案并借助遗传算法对服务质量进行优化。
图1为本发明一个实施例提供的一种基于边缘计算和冗余策略的服务质量优化方法的流程图，如图1所示，具体包括以下步骤：
如图1所示，在步骤S110中，针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；
如图1所示，在步骤S120中，在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；
如图1所示，在步骤S130中，基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。
基于上述方法，在边缘计算环境下，提供一种基于冗余策略的服务质量优化方法。通过将一个服务的镜像拉取到多个异构的、地理位置分散的边缘服务器上，借助遗传算法进行服务实例部署方案的优化，克服了传统云计算环境下服务延迟高、用户体验差的问题，也克服了边缘计算场景下没有冗余策略加持的单一部署方案带来的问题，即没有真正做到就近服务移动用户。该方法可以显著降低用户服务延迟，提高用户服务体验质量。
以下对图1所示方法的步骤进行详细介绍：
在步骤S110中，针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器。
在本发明一实施例中，该步骤中还包括：在每个微基站的附近配备一个边缘服务器，用于对所述微基站覆盖范围内的用户进行用户部署服务和资源管理。例如，在每个微基站周围配备一个小型的数据中心用户部署服务和资源管理，即边缘服务器，从而可以在给定区域中构成一个地理位置分散的边缘服务器集群。
具体为：对于一个给定区域(如小区、学校、工业园区等)，部署安装的无线通信设施可以被简化为信号基站的集合。所述给定区域包括至少一个宏基站(Macro BaseStation，简称MBS)和多个微基站(Small-cell Base Station，简称SBS)，多个微基站之间通过X2 link互连。所述宏基站用于接收所述给定区域中未被微基站覆盖范围内用户的服务请求，并通过主干网发送给云服务器，可以提供普遍的无线信号覆盖及接入，其覆盖范围包含大约8km到30km。
在本发明一实施例中，微基站用于接收所覆盖范围内用户的服务请求，且集群中的所述多个微基站的通信能力(包含信号覆盖范围、信道带宽等)和被连接的用户终端数量不同。微基站中包含各式各样的微蜂窝(femtocells、microcells、pico cells等)，目的是使无线接入网络密致化，减缓人群密集的地区的网络拥塞。在本发明的架构中，各式各样的无线信号接入点、WI-FI、路由器等均被归类到微基站中。这些微基站在逻辑上通过X2 link互连，数据或者指令信号可以相互抵达。可以将这些微基站组成的网络建模为一个无向连通图。
在本发明一实施例中，上述架构通过容器管理及编排技术部署服务实例。对于需要在该区域内部署的数个服务实例(这由对用户的服务请求模式分析之后得到)，边缘服务器负责将服务镜像拉取到本地，从而敏捷地为周边的移动用户提供服务，减少服务延迟。
在步骤S120中，在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型。
图2为本发明一实施例图1中步骤S120的流程图，如图2所示，具体包括以下步骤：
步骤S201，确定用户集合和边缘服务器集合。
在本发明一实施例中，在移动服务供给架构下根据用户集合为
Figure BDA0002492672570000091
和边缘服务器集合为/>
Figure BDA0002492672570000092
确定信号能够覆盖用户i的边缘服务器集合为/>
Figure BDA0002492672570000093
边缘服务器j所覆盖的用户集合/>
Figure BDA0002492672570000094
其中i表示第i个用户，j表示第j个边缘服务器，i为大于或等于1且小于或等于N的整数，j为大于或等于1且小于或等于M的整数。另外，本实施例中用j＝0代表宏基站，因为每一个边缘服务器信号覆盖范围和地理位置各有不同、移动用户的所在位置也可以各不相同，所以每个边缘服务器可以覆盖到的用户也各不相同(注：同一个用户可以被多个边缘服务器的信号覆盖)。
步骤S202，针对服务的应用程序基于冗余策略将候选应用程序的实例分发给边缘服务器。
在本发明一实施例中，考虑单个服务类型，可以实现该服务的应用程序的候选方案有C个，确定候选方案集合为
Figure BDA0002492672570000095
其中c表示服务的第c个候选应用程序，c为大于或等于1且小于或等于C的整数。移动用户可以按照自己的喜好从候选应用程序选择一项来实现该服务，并确定候选应用程序的边缘服务集合为/>
Figure BDA0002492672570000096
本实施例中可以将一项候选应用程序的实例分发到多个边缘服务器上，也就是/>
Figure BDA0002492672570000097
尽最大可能保证足够多的用户请求可以实现真正的就近处理。
步骤S203，根据候选应用程序的边缘服务集合确定用户通过所选择的候选应用程序获取服务。
步骤S204，根据Ei(c)确定用户i的数据上传时延、数据处理时延和数据下载时延。
在本发明一实施例中，Ei(c)表示用户i选择第c个候选应用程序获取服务，对于每个用户而言，将其体验到的服务质量用服务延迟来表征，建模为数据上传时延、数据处理时延和数据下载时延的总和。其中，上传的数据主要是经过编码的服务请求和用户配置包；数据处理时延主要是指将服务分解为各个子任务并在服务器上执行指令所花费的时间；下载的数据主要是返回的服务数据文件或调用后一个服务的格式化请求文件。
在本发明的架构中，整个服务请求的过程如下：每个移动用户i向距离自己最近的SBS发送服务请求，如果Ei(c)在该SBS绑定的小型数据中心上有所部署，那么即可直接处理；如果Ei(c)在该边缘服务器上没有部署，那么可以通过在该边缘服务器集群内进行路由，找到距离该接受请求的服务器最近的服务器上执行。倘若该服务器集群都没有对Ei(c)进行部署，那么Ei(c)只能通过主干网传送给云服务器进行处理；如果移动用户i没有被任意一个SBS的信号所覆盖，那么他的服务请求只能通过MBS传送给云服务器进行处理。接下来将对以上描述进行形式化建模。
首先，确定用户i的数据上传时延，对于来自集合
Figure BDA0002492672570000105
的每一个移动用户i，分析如下：
(1)如果
Figure BDA0002492672570000101
即用户i没有被任何SBS的信号所覆盖，那么i的服务请求将被发送到MBS，并经过主干网传输由云服务器来处理。其数据上传时延可以表示为α·d(i,0)+tb，其中d(i,0)表示i和MBS之间的距离，α是无线信道传输参数(单位是“秒每米”)，tb表示在主干网上进行传输、找到云服务器所花费的时间开销。
(2)如果
Figure BDA0002492672570000102
则i的服务请求将被发送到j*(i)。
如果
Figure BDA0002492672570000103
那么Ei(c)可以直接被边缘服务器j*(i)所处理。此时数据上传时延为α·d(i,j*(i))。
如果
Figure BDA0002492672570000104
那么Ei(c)依然不能被边缘服务器j*(i)所处理。在这种情况下，需要进行分类讨论。情况一：若/>
Figure BDA0002492672570000111
这意味着候选应用程序没有在该边缘服务器集群上部署，所以只能通过该SBS将服务请求转发给云服务器进行处理，其数据上传时延可以表示为α·d(i,j*(i))+tb。情况二：若/>
Figure BDA0002492672570000112
则Ei(c)将被转发到边缘服务器集群内的其他服务器上执行，从/>
Figure BDA0002492672570000113
中选取距离j*(i)最近的边缘服务器。此时数据上传时延为/>
Figure BDA0002492672570000114
其中δ(j*(i),j′)表示无向连通图中边缘服务器j*(i)和j′之间的最短跳数，β表示X2 link传输参数(单位是“秒每跳”)。
综上所述，数据上传时延为：
Figure BDA0002492672570000115
其中tin(Ei(c))表示用户i的数据上传时延，d(i，0)表示用户i和宏基站之间的距离，d(i,j*(i))表示用户i和边缘服务器j*(i)之间的距离，α表示无线信道传输参数，tb表示在主干网上进行传输以及找到云服务器所花费的时间，j*(i)表示距离用户i最近的边缘服务器，δ(j*(i),j′)表示多个微基站构成的无向连通图中边缘服务器j*(i)和边缘服务器j′之间的最短跳数，β表示X2 link传输参数。
其次，数据上传之后，由对应的服务器进行处理。具体地，jp(i)表示处理来自用户i的服务请求的服务器。由公式(2)可知，jp(i)的计算方式可总结为：
Figure BDA0002492672570000116
其中jp(i)＝cloud意味着Ei(c)是由云服务器负责处理的。
数据处理时延为：
Figure BDA0002492672570000121
其中texe(Ei(c))表示用户i的数据处理时延，
Figure BDA0002492672570000122
表示Ei(c)执行所需的CPU时钟周期的个数，f(j*(i))表示选中的服务器j*(i)的CPU主频。
最后，服务处理完成之后，数据的下载时延tout(Ei(c))仍然需要根据选择的服务器进行分类讨论。具体地，如果jp(i)＝cloud，那么反馈结果需要通过主干网回传给i。在这个过程中，将由MBS负责中继。因此数据的下载时延为tb+α·d(i,0)。其中tb表示从云服务器经由主干网传输给MBS的时间开销，α·d(i,0)表示从MBS传送给移动用户i的时间开销。如果jp(i)≠cloud，需要进行分类讨论。情况一：jp(i)＝j*(i)，此时数据下载时延为α·d(i，j*(i))，直接由j*(i)返回给i即可。情况二：jp(i)≠j*(i)，此时i的服务请求是由边缘服务器集群中的某个边缘服务器jp(i)来处理的，需要将数据从jp(i)返回给i。
移动用户i的数据下载时延可总结为：
Figure BDA0002492672570000123
其中δ(jp(i),j*(i)表示多个微基站构成的无向连通图中边缘服务器jp(i)和边缘服务器j*(i)之间的最短跳数。
步骤S205，根据全部用户的数据上传时延、数据处理时延和数据下载时延确定全部用户的服务处理时延。
步骤S206，根据边缘服务器的约束条件构建全局化服务质量优化模型。
根据上述分析，建立全局服务质量优化问题。
Figure BDA0002492672570000124
表示优化目标函数，定义为全体移动用户的服务处理时延，即：
Figure BDA0002492672570000125
和云服务器相比，边缘服务器的资源是受限的，这体现在可以部署的应用程序实例个数上。bj表示第j个边缘服务器可以部署的实例数量的上限，则以下约束条件需被满足：
Figure BDA0002492672570000131
其中
Figure BDA0002492672570000132
代表指示函数，即当内部谓词为真时，函数值为1，否则为0。
综上所述，全局服务质量优化问题模型为：
Figure BDA0002492672570000133
该模型满足公式(6)的约束条件。
在步骤S130中，基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。
在本发明一实施例中，该步骤中基于遗传算法对全局服务质量优化问题进行求解并给出最优解，从而优化每一位移动用户的服务体验质量，包括：
首先，将所述全局化服务质量优化模型的自变量
Figure BDA0002492672570000134
编码为一个染色体变量x进行初始化，生成多个染色体组成种群，并设定终止条件，x被定义为[x(b1),...，x(bj),...,x(bM)]，其中x(bj)代表边缘服务器j的部署策略，长度为bj，x(bj)的每一个元素的取值从集合/>
Figure BDA0002492672570000135
中选取；其中所述终止条件为达到初始化阶段中设定的最大循环次数。
其次，对染色体变量x进行变异和交叉，并从中选择优化目标函数数值最小的染色体，如果优化目标函数数值小于全局化服务质量优化模型的最小目标值，则用最小目标值代替优化目标函数数值重复进行变异和交叉，直到满足设定的终止条件则停止重复，得到优化结果。
图3为本发明一实施例图1中步骤S130的流程图，如图3所示，具体包含如下步骤：
步骤S301，初始化阶段：
将全局服务质量优化模型的自变量
Figure BDA0002492672570000136
编码为一个染色体，生成多个染色体组成种群，设立方法终止条件。具体地，将一条染色体编码为一个向量x，x被定义为[x(b1)，...，x(bj)，...，x(bM)]，其中x(bj)代表边缘服务器j的部署策略，长度为bj。x(bj)的每一个元素的取值从集合{1,...c，...,C}中选取。若c被选中，则代表c在边缘服务器j有所部署。冗余策略允许c同时出现在多个边缘服务器上。x与全局服务质量优化问题的自变量/>
Figure BDA0002492672570000142
是相互等价的，因此我们可以将优化目标函数用f(x)表示。
每一条染色体x被初始化时，对于所有的j，x(bj)中的每一个元素不重复地随机从集合{1,...c，...，C}中选取，按照该种初始化方法生成P个染色体。另外，还设置算法的最大迭代次数为NI，设定变量“全局目标最小值”的初始值为正无穷。
步骤S302，变异阶段：
对于每一条染色体x，随机选择一个边缘服务器j，按照初始化阶段给出的随机策略重新生成x(bj)各个元素的值。
步骤S303，交叉阶段：
根据如下概率分布选择两条染色体x1和x2：
Figure BDA0002492672570000141
随机选择一个边缘服务器j，将选中的两条染色体x1和x2的自x(bj)开始的后半部分相互交换，组成两条新的染色体。
步骤S304，选择阶段：
将目前的P个染色体中使得优化目标函数数值最小的染色体选出，如果该染色体使优化目标函数数值比全局最小目标值更小，将“全局最小目标值”更新为该数值，记录该染色体对应的部署方案作为优化结果。
然后重复步骤S302到S304，直到终止条件达成。该终止条件为：初始化阶段中设定的最大循环次数，选取适应度最高的染色体对应的服务选择方案作为最终的优化结果。图3中g初始值为1，完成一次选择后如果g大于最大迭代次数为NI(即满足终止条件)则结束，如果否则g加1继续进行变异、交叉和选择的迭代过程，直到满足终止条件为之。
综上所述，采用本发明实施例提供的技术方案，结合第五代通信技术和边缘计算技术，提出了一个在无线接入侧的、异构网络下的移动服务供给架构，将一个服务的镜像拉取到多个异构的、地理位置分散的边缘服务器上。在边缘计算环境下基于冗余策略为该服务供给架构下移动用户的服务质量进行建模。基于全局化服务质量优化模型提出一种服务部署方案，并借助遗传算法对服务质量进行优化，克服了传统云计算环境下服务延迟高、用户体验差的问题，也克服了边缘计算场景下没有冗余策略加持的单一部署方案带来的问题，即没有真正做到就近服务移动用户，进而可以显著降低用户服务延迟，提高用户服务体验质量。
与上述方法相对应的，图4为本发明另一实施例中还提供一种基于边缘计算和冗余策略的服务质量优化装置的示意图，如图4所示，该系统400包括：服务架构模块410、方案部署模块420和优化求解模块430。
服务架构模块410用于针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；方案部署模块420用于在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；优化求解模块430用于基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。
采用本发明实施例提供的基于边缘计算和冗余策略的服务质量优化装置的技术效果参见上述方法的技术效果，此处不再赘述。
下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。图5示出的电子设备的计算机系统500仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的基于边缘计算和冗余策略的服务质量优化方法。
例如，所述的电子设备可以实现如图1中所示的：步骤S110，针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；步骤S120，在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；步骤S130，基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (6)

1.一种基于边缘计算和冗余策略的服务质量优化方法，其特征在于，包括：
针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；
在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；
基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案；
其中，在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案包括：
在移动服务供给架构下根据用户集合为
Figure FDA0004144522790000011
和边缘服务器集合为
Figure FDA0004144522790000012
确定信号能够覆盖用户i的边缘服务器集合为/>
Figure FDA0004144522790000013
边缘服务器j所覆盖的用户集合/>
Figure FDA0004144522790000014
其中i表示第i个用户，j表示第j个边缘服务器，i为大于或等于1且小于或等于N的整数，j为大于或等于1且小于或等于M的整数；
针对服务的应用程序基于冗余策略将候选应用程序的实例分发给边缘服务器，确定候选方案集合为
Figure FDA0004144522790000015
并确定候选应用程序的边缘服务集合为/>
Figure FDA0004144522790000016
Figure FDA0004144522790000017
其中c表示服务的第c个候选应用程序，c为大于或等于1且小于或等于C的整数；
对部署方案的服务质量进行建模得到全局化服务质量优化模型包括：
根据候选应用程序的边缘服务集合确定用户通过所选择的候选应用程序获取服务，Ei(c)表示用户i选择第c个候选应用程序获取服务；
根据Ei(c)确定用户i的数据上传时延、数据处理时延和数据下载时延；
根据全部用户的数据上传时延、数据处理时延和数据下载时延确定全部用户的服务处理时延；
根据边缘服务器的约束条件构建全局化服务质量优化模型；
全局化服务质量优化模型为：
Figure FDA0004144522790000021
其中
Figure FDA0004144522790000022
表示优化目标函数；
满足约束条件为：
Figure FDA0004144522790000023
bj表示第j个边缘服务器可以部署的实例数量的上限；
基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案包括：
将所述全局化服务质量优化模型的自变量
Figure FDA0004144522790000024
编码为一个染色体变量x进行初始化，生成多个染色体组成种群，并设定终止条件，x被定义为[x(b1),...,x(bj),...,x(bM)]，其中x(bj)代表边缘服务器j的部署策略，长度为bj，x(bj)的每一个元素的取值从集合
Figure FDA0004144522790000025
中选取；
对染色体变量x进行变异和交叉，并从中选择优化目标函数数值最小的染色体，如果优化目标函数数值小于全局化服务质量优化模型的最小目标值，则用最小目标值代替优化目标函数数值重复进行变异和交叉，直到满足设定的终止条件则停止重复，得到优化结果；
其中所述终止条件为达到初始化阶段中设定的最大循环次数。
2.如权利要求1所述的基于边缘计算和冗余策略的服务质量优化方法，其特征在于，还包括：
在每个微基站的附近配备一个边缘服务器，用于对所述微基站覆盖范围内的用户进行用户部署服务和资源管理；
所述给定区域包括至少一个宏基站和多个微基站，多个微基站之间通过X2 link互连，所述宏基站用于接收所述给定区域中未被微基站覆盖范围内用户的服务请求，并通过主干网发送给云服务器，所述微基站用于接收所覆盖范围内用户的服务请求，且所述多个微基站的通信能力和被连接的用户终端数量不同。
3.如权利要求1所述的基于边缘计算和冗余策略的服务质量优化方法，其特征在于，根据Ei(c)确定用户i的数据上传时延、数据处理时延和数据下载时延包括：
数据上传时延：
Figure FDA0004144522790000031
其中tin(Ei(c))表示用户i的数据上传时延，d(i,0)表示用户i和宏基站之间的距离，d(i,j*(i))表示用户i和边缘服务器j*(i)之间的距离，α表示无线信道传输参数，tb表示在主干网上进行传输以及找到云服务器所花费的时间，j*(i)表示距离用户i最近的边缘服务器，δ(j*(i),j')表示多个微基站构成的无向连通图中边缘服务器j*(i)和边缘服务器j'之间的最短跳数，β表示X2 link传输参数；
数据处理时延为：
Figure FDA0004144522790000032
其中texe(Ei(c))表示用户i的数据处理时延，
Figure FDA0004144522790000033
表示Ei(c)执行所需的CPU时钟周期的个数，f(j*(i))表示选中的服务器j*(i)的CPU主频；
Figure FDA0004144522790000034
其中jp(i)表示处理来自用户i的服务请求的服务器，jp(i)＝cloud表示Ei(c)由云服务器负责处理；
数据下载时延为：
Figure FDA0004144522790000041
δ(jp(i),j*(i))表示多个微基站构成的无向连通图中边缘服务器jp(i)和边缘服务器j*(i)之间的最短跳数。
4.一种基于边缘计算和冗余策略的服务质量优化装置，其特征在于，包括：
服务架构模块，用于针对给定区域异构的无线接入网络建立移动服务供给架构，得到边缘服务器集群，所述边缘服务器集群中包括多个地理位置分散且与不同微基站分别对应的边缘服务器；
方案部署模块，用于在所述移动服务供给架构下基于冗余策略将候选应用的服务实例分发到多个边缘服务器的部署方案，并对部署方案的服务质量进行建模得到全局化服务质量优化模型；
优化求解模块，用于基于遗传算法对所述全局化服务质量优化模型进行求解，根据求解得到的优化结果确定用户的服务方案；
以及，所述方案部署模块，具体用于：在移动服务供给架构下根据用户集合为
Figure FDA0004144522790000042
和边缘服务器集合为/>
Figure FDA0004144522790000043
确定信号能够覆盖用户i的边缘服务器集合为/>
Figure FDA0004144522790000044
边缘服务器j所覆盖的用户集合/>
Figure FDA0004144522790000045
其中i表示第i个用户，j表示第j个边缘服务器，i为大于或等于1且小于或等于N的整数，j为大于或等于1且小于或等于M的整数；针对服务的应用程序基于冗余策略将候选应用程序的实例分发给边缘服务器，确定候选方案集合为/>
Figure FDA0004144522790000046
并确定候选应用程序的边缘服务集合为
Figure FDA0004144522790000047
Figure FDA0004144522790000048
其中c表示服务的第c个候选应用程序，c为大于或等于1且小于或等于C的整数；
所述方案部署模块，还具体用于：根据候选应用程序的边缘服务集合确定用户通过所选择的候选应用程序获取服务，Ei(c)表示用户i选择第c个候选应用程序获取服务；根据Ei(c)确定用户i的数据上传时延、数据处理时延和数据下载时延；根据全部用户的数据上传时延、数据处理时延和数据下载时延确定全部用户的服务处理时延；根据边缘服务器的约束条件构建全局化服务质量优化模型；
以及，全局化服务质量优化模型为：
Figure FDA0004144522790000051
其中
Figure FDA0004144522790000052
表示优化目标函数；
满足约束条件为：
Figure FDA0004144522790000053
bj表示第j个边缘服务器可以部署的实例数量的上限；
以及，所述优化求解模块，具体用于：将所述全局化服务质量优化模型的自变量
Figure FDA0004144522790000054
编码为一个染色体变量x进行初始化，生成多个染色体组成种群，并设定终止条件，x被定义为[x(b1),...,x(bj),...,x(bM)]，其中x(bj)代表边缘服务器j的部署策略，长度为bj，x(bj)的每一个元素的取值从集合/>
Figure FDA0004144522790000055
中选取；对染色体变量x进行变异和交叉，并从中选择优化目标函数数值最小的染色体，如果优化目标函数数值小于全局化服务质量优化模型的最小目标值，则用最小目标值代替优化目标函数数值重复进行变异和交叉，直到满足设定的终止条件则停止重复，得到优化结果；其中所述终止条件为达到初始化阶段中设定的最大循环次数。
5.一种电子设备，其特征在于，包括：
处理器；
存储器，存储用于所述处理器控制如权利要求1-3任一项所述的方法步骤的指令。
6.一种计算机可读介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-3任一项所述的方法步骤。
CN202010409525.6A 2020-05-14 2020-05-14 一种服务质量优化方法、装置、可读介质和电子设备 Active CN111601327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010409525.6A CN111601327B (zh) 2020-05-14 2020-05-14 一种服务质量优化方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010409525.6A CN111601327B (zh) 2020-05-14 2020-05-14 一种服务质量优化方法、装置、可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN111601327A CN111601327A (zh) 2020-08-28
CN111601327B true CN111601327B (zh) 2023-06-16

Family

ID=72183775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010409525.6A Active CN111601327B (zh) 2020-05-14 2020-05-14 一种服务质量优化方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN111601327B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112600895B (zh) * 2020-12-07 2023-04-21 中国科学院深圳先进技术研究院 移动边缘计算的服务调度方法、系统、终端以及存储介质
CN113014659B (zh) * 2021-03-11 2022-05-24 北京邮电大学 微服务迁移方法、装置及存储介质和电子设备
CN113347255B (zh) * 2021-06-03 2023-07-11 南京邮电大学 边缘服务器选址部署模型及其求解方法
CN115134366B (zh) * 2022-06-28 2024-03-15 山东海量信息技术研究院 一种移动边缘分发网络服务器放置方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN110380891A (zh) * 2019-06-13 2019-10-25 中国人民解放军国防科技大学 一种边缘计算服务资源配置方法、装置与电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10412145B2 (en) * 2014-06-27 2019-09-10 Agora Lab, Inc. Systems and methods for optimization of transmission of real-time data via network labeling
US10659526B2 (en) * 2018-01-03 2020-05-19 Verizon Patent And Licensing Inc. Edge compute systems and methods

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110062026A (zh) * 2019-03-15 2019-07-26 重庆邮电大学 移动边缘计算网络中资源分配和计算卸载联合优化方案
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN110380891A (zh) * 2019-06-13 2019-10-25 中国人民解放军国防科技大学 一种边缘计算服务资源配置方法、装置与电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵磊.面向移动边缘计算的边缘服务器部署及资源分配研究.中国优秀硕士学位论文 全文数据库 信息科技辑.2019,1-27. *

Also Published As

Publication number Publication date
CN111601327A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111601327B (zh) 一种服务质量优化方法、装置、可读介质和电子设备
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN107465748B (zh) 移动边缘云计算系统中基于演进博弈的动态资源分配方法
Zhao et al. Distributed redundant placement for microservice-based applications at the edge
CN111901424B (zh) 云边协同网络资源平滑迁移与重构方法及系统
Nassar et al. Reinforcement learning for adaptive resource allocation in fog RAN for IoT with heterogeneous latency requirements
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN105103582B (zh) 基站和基站所执行的方法
CN111641891B (zh) 一种多接入边缘计算系统中的任务对等卸载方法和装置
CN107333267A (zh) 一种用于5g超密集组网场景的边缘计算方法
US11689961B2 (en) Systems and methods for distribution of application logic in digital networks
Ibrahim et al. Heuristic resource allocation algorithm for controller placement in multi-control 5G based on SDN/NFV architecture
CN109699033B (zh) 面向成本和负载均衡的LoRa电力物联网基站部署方法及装置
CN111984364A (zh) 一种面向5g时代的人工智能云平台
Alghayadh et al. Ubiquitous learning models for 5G communication network utility maximization through utility-based service function chain deployment
CN112543151B (zh) Sdn控制器部署方法、装置、电子设备和存储介质
Wang et al. Task allocation mechanism of power internet of things based on cooperative edge computing
JP6724641B2 (ja) 管理装置、通信システム及び割当方法
Mharsi et al. Scalable and cost-efficient algorithms for baseband unit (BBU) function split placement
Priscoli et al. Capacity-constrained Wardrop equilibria and application to multi-connectivity in 5G networks
CN112867088B (zh) 一种“云-边-端”通信架构的动态调节方法及系统
Malazi et al. Distributed service placement and workload orchestration in a multi-access edge computing environment
US10182433B2 (en) System and method for overlapping rate region zoning
Zheng et al. Game theoretic approaches to massive data processing in wireless networks
Bilen et al. Content Delivery From the Sky: Drone-Aided Load Balancing for Mobile-CDN

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