CN111756848A - 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 - Google Patents

Abstract

本发明公开了一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法。该方法通过采集边缘位置信息和QoS数据集，融合后得到移动边缘QoS特征数据集；根据边缘网络节点的位置分布，将研究区域划分为若干边缘区域，每个区域内的用户移动设备训练用户偏好模型，拟合移动路径；区域利用用户模型参数训练公有模型；根据用户移动性和边缘网络节点资源约束进行动态QoS优化。本发明利用联邦学习建立服务缓存模型，并通过使用基站位置拟合用户移动路径来模糊用户位置保，在保护用户的特征隐私和位置隐私的同时，优化了区域服务质量，能够适应网络服务的实时性和吞吐量的要求。

Description

移动边缘环境下基于联邦学习和移动感知的QoS优化方法

技术领域

本发明涉及一种QoS(Quality of Service，服务质量)优化方法，尤其涉及移动边缘环境下基于移动感知的动态QoS优化方法，属于信息技术领域。

背景技术

Web服务是面向服务体系架构(SOA)的主要实现技术，是一个独立于平台的低耦合、自包含、可编程的应用程序。Web服务可使用开放的XML标准来描述、发布、发现、协调和配置这些应用程序，用于开发分布式互操作的应用程序。Web服务的非功能属性随着Web服务的发展被更多的研究人员关注。QoS指通过控制网络延迟、抖动、丢包率等因素来调节网络，使网络性能更好，运作更顺畅。随着5G技术的飞速发展，5G网络的建设，5G基站作为5G网络的核心设备也将实现更高密度的部署。边缘计算作为5G核心技术之一，将高带宽、低时延、本地化的业务下沉到网络边缘，解决了网络整体流量大、时延长的问题，为5G网络中的实时性和带宽密集型业务提供更好的支持。与此同时网络中的QoS优化也成为更多研究人员关注的问题。

现有的QoS优化问题主要有优化用户分配问题和优化任务卸载问题。其中任务卸载问题主要通过优化能耗和优化任务延时两个手段。He提出将边缘用户分配问题建模为箱打包问题，基于词典目标编程技术，提出解决边缘用户分配问题的最优方法，又进一步考虑客户端和边缘端的计算资源，提出为用户考虑动态QoS级别，将其转变为动态QoS的边缘用户分配问题；Wang等将移动边缘网络中的优化问题转化为凸差问题，制定加权总和能耗最小化问题以优化任务操作顺序和任务调度时间；Ghosh等提出可扩展的QoS优化算法在多处理器环境中为任务分配资源；Wang等考虑了任务属性，用户移动性和网络约束，提出了一种轻量级的启发式解决方案来进行快速调度。

在服务缓存的工作上，研究人员提出了多种缓存策略。传统的缓存策略如最近最少使用和最不频繁使用的内容替换策略，忽视了用户个体的差异性。Ahlehagh提出基于用户喜好肖像的缓存策略，考虑了用户特征。Qian等考虑用户的隐私安全，提出基于联邦学习(Federated Learning，FL)的服务缓存技术，在有限资源下优化用户偏好模型，以保护隐私的方式训练公有模型，以优化服务缓存。

在移动性的问题上，大部分研究把移动性解释为边缘服务器上用户数量的移动；也有考虑用户移动轨迹的研究，考虑的是特定场景下的用户移动性，有一定的局限性，如Sodhro等基于患者健康监控方案，提出针对移动边缘计算的移动感知工作流卸载和调度策略，以实现更低的能耗和更小的工作量。

随着5G技术的发展、用户移动性的增加，Web服务需要越来越高的服务质量保证，因此既要从任务卸载方面进行优化，也要对用户分配进行优化。

发明内容

发明目的：考虑传统的QoS优化不适应网络服务的实时性和吞吐量的要求，本发明目的在于提供一种在移动边缘环境下基于联邦学习和移动感知的QoS优化方法，在保护用户的特征信息和位置信息的安全的同时，从任务调度和用户分配两个方面同时优化区域服务质量，以适应网络服务的实时性和吞吐量的要求。

技术方案：为实现上述发明目的，本发明所述的一种在移动边缘环境下基于联邦学习和移动感知的QoS优化方法，包括如下步骤：

(1)收集边缘位置信息和QoS数据集；

(2)以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；

(3)整理边缘网络信息，过滤无效边缘网络基站，融合后整理得到移动边缘QoS特征数据集；

(4)考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集；

(5)各用户基于历史调用信息训练用户偏好模型，各边缘区域的数据集基于联邦学习确定公有模型，根据用户偏好进行服务缓存；

(6)根据基站的地理位置预测用户的移动路径，确定可选基站；

(7)基于服务缓存优化和用户移动感知，在边缘区域内进行QoS动态优化。

作为优选，所述步骤(1)中收集数据包括两个方面：包含用户移动设备ID、Web服务ID、时间段ID和响应时间、吞吐量的QoS数据集；包含边缘网络基站经度纬度信息、时间片信息和调用信息的边缘网络基站数据集。

作为优选，所述步骤(2)包括如下步骤：

(21)以用户移动设备ID、时间段ID、Web服务ID和属性值的顺序整理QoS数据集，提取一定时间段内一定数量用户移动设备的调用信息，为用户移动设备和时间段进行编号；

(22)QoS数据集中的用户移动设备数量、时间段数量和边缘网络基站数据集是相等的，以用户移动设备ID和时间段ID为连接将两个数据集进行融合。

作为优选，所述步骤(3)包括：提取边缘网络基站的经纬度信息，投影到直角坐标系，剔除在指定区域之外的基站信息；统计融合处理后数据集包含的边缘网络基站个数，为边缘网络基站编号；边缘网络基站的位置分布体现了数据集的移动性，用户移动设备和Web服务之间的调用产生的服务质量属性体现了边缘QoS特征，融合后得到移动边缘QoS特征数据集。

作为优选，所述步骤(4)包括如下步骤：

(41)根据边缘网络基站的经纬度对应的直角坐标，基于聚类算法将整个边缘网络划分若干区域，使每个区域中边缘网络基站地理位置的相似度最高；

(42)取出各边缘区域在划分的所有时间段内的所有用户移动设备ID、Web服务ID、时间段ID、边缘网络基站ID、响应时间以及吞吐量，形成一个“用户移动设备-Web服务-边缘网络基站”调用属性表；提取数据表中的边缘网络基站和用户移动设备，形成用户移动设备表和边缘网络基站表。

作为优选，所述步骤(5)包括如下步骤：

(51)根据用户移动设备表创建调用信息表，包含边缘区域中的所有用户对所有服务的调用信息；根据“用户移动设备-Web服务-边缘网络基站”调用属性表中的记录更新调用信息，记录用户对每个服务的调用次数，用于用户偏好模型训练；

(52)利用正态分布，为用户移动设备表中的全部用户移动设备生成特征向量，用于训练用户偏好模型；

(53)用户移动设备表中的每个用户的特征向量和服务调用信息用于训练用户偏好模型，在训练过程中达成一种共识：对某个Web服务的调用次数越多，调用该服务的概率就越大，聚合用户移动设备的特征向量并计算训练损失和梯度，迭代求出回归系数；

(54)根据区域内用户移动设备的特征向量生成区域特征向量，用于区域公有模型的构建；

(55)将所有用户移动设备的模型参数上传到公有模型中，以计算用户偏好模型中各参数的均值的方式构建区域公有模型，利用区域特征向量计算出该区域对每个服务的偏好程度；选取偏好程度高的Web服务在该区域中进行缓存。

作为优选，所述步骤(6)包括如下步骤：

(61)提取出用户移动设备在各时间段调用的边缘网络基站ID，锁定边缘网络基站的位置点，基于用户不断产生服务请求的共识，用边缘网络基站位置来拟合用户的移动路径；

(62)将用户调用的边缘网络基站位置点集合作为样本，用拉格朗日插值法拟合用户的移动路径；

(62)根据拟合路径的方向预测用户位置并基于基站的覆盖范围确定备选边缘网络基站集合，用于QoS优化。

作为优选，所述步骤(7)包括如下步骤：

(71)提取上一时刻的边缘网络基站资源使用情况，用于QoS优化；根据上一时刻的用户接入边缘网络情况生成初始矩阵，利用人工蜂群算法寻找可行解，通过可行解矩阵与QoS矩阵相乘计算可行解的适应度值，再根据最优解的适应度值，计算出区域的整体QoS以及区域内用户移动设备的分配率；可行解可表示为A_i＝[u₁,…u_i,…,u_n]，其中u_i为一个列矩阵，表示第i个用户的边缘网络基站接入情况，n为区域内用户移动设备的个数；其中QoS矩阵Q中的元素

表示用户移动设备u_i在t时刻接入边缘网络基站s_j时获得的QoS值，i∈U、j∈S，K表示用户移动设备u_i调用的Web服务集合,U、S分别表示用户移动设备集合和边缘网络基站集合，

表示用户移动设备u_i在边缘网络基站s_j调用Web服务w_k的历史QoS数值，

表示t时刻Web服务w_k是否在边缘网络基站s_j中缓存，

表示t时刻用户移动设备u_i在t时刻与边缘网络基站s_j的平面距离，α，β分别为边缘网络基站缓存和接入距离对QoS值的影响因子；区域的整体

区域内用户移动设备的分配率

其中N为区域内用户移动设备的数量，n为获得边缘网络基站分配并正常响应的用户移动设备数量；

(72)判断区域的整体QoS和用户移动设备的分配率是否达到优化要求，若未达到，则重新进行步骤(71)的优化；若达到，则完成优化。

有益效果：本发明提出一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法，受联邦学习的共同学习、合作建模思想的启发，利用联邦学习建立服务缓存模型，保护用户的特征隐私。受k匿名方法思想的启发，通过使用基站位置拟合用户移动路径来模糊用户位置，以保护用户的位置隐私。与现有技术方法相比，本发明一方面通过联邦学习在优化任务调度的同时保护用户的特征隐私，同时通过基站位置拟合用户移动轨迹，保护用户的位置隐私，实现动态区域QoS优化。

附图说明

图1为本发明实施例的整体步骤图；

图2为本发明实施例的方法流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明实施例公开的一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法，主要包含如下步骤：

步骤1：收集边缘位置信息和QoS数据集；

步骤2：以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；

步骤3：整理边缘网络信息，过滤无效边缘网络基站，融合后整理得到移动边缘QoS特征数据集；

步骤4：考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集；

步骤5：各用户基于历史调用信息训练用户偏好模型，各边缘区域的数据集基于联邦学习确定公有模型，根据用户偏好进行服务缓存；

步骤6：根据基站的地理位置预测用户的移动路径，确定可选基站；

步骤7：基于服务缓存优化和用户移动感知，在边缘区域内进行QoS动态优化。

下面结合具体示例对本发明实施例的具体步骤作进一步说明。如图2所示，本发明实施例所提供的一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法，步骤1中收集数据包括两个方面：包含用户移动设备ID、Web服务ID、时间段ID和响应时间、吞吐量的QoS数据集；包含边缘网络基站经度纬度信息、时间片信息和调用信息的边缘网络基站数据集。具体步骤如下：

步骤11：收集边缘位置信息和QoS数据集，其中边缘位置信息指的是上海电信数据集，主要记录了2014年6月1日至6月30日上海地区用户调用基站的信息；QoS数据集指的是wsdream数据集，主要记录了在64个不同时间段来自4,500个Web服务上的142个用户的真实QoS评估结果。本步骤从包含基站经纬度信息上海电信数据集中，收集基站的经纬度信息和移动设备的接入记录；从wsdream数据集中收集包括用户ID、服务ID、时间片ID以及由这些信息产生的Web服务的可靠性和质量评估，包括响应时间和吞吐量。

步骤2以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；具体步骤如下：

步骤21：根据QoS数据集选取相应的边缘位置点。本步骤中的QoS数据集包含142个用户在64个时间段调用4500个Web服务的信息，因此需要重新整理上海电信数据集，先选取一定时间段(16小时)的记录，将接入记录的时间每15分钟设置为一个时间段并为时间段编号，为用户移动设备编号，随机选取142个用户的在这64的时间段内的接入记录与wsdream数据集的记录相对应。

步骤22：融合移动边缘QoS特征数据集。由于QoS数据集与上海电信数据集的根据步骤2中上海电信数据集当中的时间段和用户ID将其与wsdream数据集进行融合，并将这些记录接入的边缘网络基站进行编号。

传统的边缘环境下的QoS数据集带有QoS特征，此外上海电信数据集带有空间属性。步骤3中提取边缘网络基站的经纬度信息，投影到直角坐标系，剔除在指定区域之外的基站信息；统计融合处理后数据集包含的边缘网络基站个数，为边缘网络基站编号；边缘网络基站的位置分布体现了数据集的移动性，用户移动设备和Web服务之间的调用产生的服务质量属性体现了边缘QoS特征，融合后得到移动边缘QoS特征数据集，具体步骤为：

步骤31：将边缘网络基站经纬度坐标转化为直角坐标。本步骤通过UTM投影系统将经纬度转化为大地坐标，剔除指定区域外的边缘网络基站；为融合后的数据集中边缘网络基站编号；由于边缘网络基站的位置分布体现了数据集的移动性，用户移动设备和Web服务之间的调用产生的服务质量属性体现了边缘QoS特征，融合后得到移动边缘QoS特征数据集，用于拟合用户轨迹。

步骤4中考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集。边缘区域划分和数据集提取是为了增强区域安全性，提高用户移动设备轨迹预测精度，本步骤具体包括：

步骤41：考虑边缘网络基站的地理位置分布，将整个边缘网络区域根据基站位置点之间的坐标相似度来进行AP聚类，通过多次迭代分析每个边缘网络基站位置点如何适合作为聚类中心来进行自动化模型选择，计算样本点的归属化信息，从而产生合适的聚类个数进行聚类，使每个类中边缘网络基站的位置坐标的相似性最高，并为各个类进行编号。

步骤42：提取各聚类区域中所有用户移动设备调用Web服务的服务质量属性值和接入边缘网络基站的位置，其中服务质量属性值包括响应时间和吞吐量。本步骤为每个区域建立一个数据库，提取的每一条记录包括用户ID、Web服务ID、时间段ID、基站ID、响应时间和吞吐量，形成一个“用户移动设备-Web服务—边缘网络基站”调用属性表，以数据表的形式进行保存在区域数据库中，再提取边缘网络基站和用户移动设备，生成区域的各项信息表，如用户移动设备表、边缘网络基站表等。如：在cluster10中共有14个边缘网络基站，有8个移动设备接入这些边缘网络基站并形成记录，需要提取这8个用户在64个时间段内在14个边缘网络基站对4500个Web服务的调用情况保存到数据库中，形成“用户移动设备-Web服务-边缘网络基站”调用属性表，作为cluster10的训练数据，再建立用户移动设备表和边缘网络基站表，以保存用户特征信息和基站的相关信息。

基于联邦学习的边缘服务缓存优化通过训练区域共有模型，根据区域内用户移动设备的偏好缓存服务，可以缩短调用较频繁的Web服务响应时间，也为区域内动态QoS优化时QoS矩阵的计算提供初始参数，步骤5基于联邦学习的边缘服务缓存优化的具体处理步骤为：

步骤51：提取区域内服务调用信息。步骤42中产生的数据表包含了各个类中所有用户移动设备对各个服务的调用信息。本步骤中先以用户移动设备ID为字段，Web服务为索引创建当前时刻调用信息表，再遍历“用户移动设备-Web服务-边缘网络基站”调用属性表，根据区域的调用信息更新调用信息表，用于用户偏好模型的训练

步骤52：创建用户特征向量。根据步骤51产生的调用信息，提取在该区域活动的所有用户移动设备ID，为其创建分组正态分布用户特征向量(x₁,x₂)，如：在cluster10中，有8个用户移动设备，需为这8个移动设备生成2维正态分布特征向量，生成按分位数分成2组，8个样本，2个样本特征均服从一维正态分布，均值均为1，协方差系数为0.8的数据作为这8个用户移动设备的特征向量，用于训练用户偏好模型。

步骤53：训练用户偏好模型。用户移动设备表中的每个用户的特征向量和服务调用信息用于训练用户偏好模型，在训练过程中达成一种共识：对某个Web服务的调用次数越多，调用该服务的概率就越大，聚合用户移动设备的特征向量并计算训练损失和梯度，迭代求出回归系数。本步骤使用梯度下降方法求解逻辑回归模型，以训练用户偏好模型，得到回归系数。本步骤中，x＝(x₀，x₁，x₂)为由两个特征构成的用户特征向量，需要构造x₀＝1，向量W＝(ω₀，ω₁，ω₂)为回归系数特征。首先输入特征变量z＝ω₀x₀+ω₁x₁+ω₂x₂＝W^Tx，使用分类函数将其映射到0-1区间上。映射函数为

因此预测函数

y为用户对服务的调用结果，发生调用y取1，未发生调用y取0。h_ω(x)函数的值表示调用结果为1的概率，因此对于输入特征x，分类结果为类别1和类别0的概率分别为P(y＝1|x；ω)＝h_ω(x)和P(y＝1|x；ω)＝1-h_ω(x)。再基于最大似然估计推导构造损失函数来衡量预测结果的好坏，设区域内的用户移动设备总数为m，总损失函数

训练目标是找到J(ω)取最小值时的ω作为最佳参数参与共有模型的训练。根据梯度下降法可得ω的更新过程为：

n为迭代次数，将生成的ω保存到参数数据表中。

步骤54：创建区域特征向量。本步骤提取在该区域活动的所用用户ID，及其用户特征向量，将区域内用户特征取均值，生成区域的特征向量(X1,X2)。

步骤55：训练区域公有模型。步骤53中为每个用户移动设备对每个服务生成了一组最佳参数。本步骤中遍历参数数据表，对每个Web服务，计算区域内所有用户移动设备调用该服务的用户偏好参数的平均值，记为该服务在该区域的用户偏好参数W，计算该服务用户偏好类别为1的概率h_ω(X)。预测函数

预测结果保存在参数数据表中。选择预测值高的服务缓存在区域内的边缘网络基站中，每个基站可缓存100个服务，用于优化区域QoS。

移动感知的QoS优化可以通过拟合用户移动设备的移动路径，来预测当前时刻的位置，以确定用户移动设备接入边缘网络的备选基站，也为区域内动态QoS优化提供初始参数。步骤6移动感知的QoS优化的具体处理步骤为：

步骤61：提取用户轨迹信息。步骤42中产生的“用户移动设备-Web服务-边缘网络基站”调用属性表包含了各个类中所有用户移动设备对各个Web服务的调用信息，记录了用户在每个时间段接入的边缘网络基站。本步骤基于用户不断产生服务请求的共识，用边缘网络基站位置来拟合用户的移动路径,先以时间段ID为字段，用户ID为索引创建移动信息表，再遍历调用信息，根据区域内用户接入边缘网络基站的信息更新移动信息表，用于拟合用户移动设备移动轨迹

步骤62：拟合用户轨迹。本步骤以用户移动设备调用的边缘网络基站位置点作为样本，使用拉格朗日插值法拟合用户移动路径。在本步骤中，先从数据库中抽取用户的移动信息，筛选出非空的时间段内接入的基站，排除重复的基站作为训练的输入，对于区域内的每个用户移动设备，先根据基站ID查询出位置坐标(x,y)，再将所有的坐标按纬度分段，使得每一段的纬度坐标非递减，每一段由n个站点构成，同时将段间的站点连接成段，使全部的位置点可以连成一段轨迹x＝(x₁,x₂,…,x_n)；分析每一段轨迹的边缘位置点，根据横坐标区间最大最小值分别向上下取整找出插值区间

按照步长β进行插值，插值结果

用插值结果拟合用户的移动轨迹。

步骤63：预测备选基站。对区域内的每个用户，在预测的时间点，根据用户移动的方向和当前的用户位置，以及区域内的各个边缘网络基站的位置和覆盖范围，挑选出可用的基站作为备选基站，并进行优先级排序。

区域动态QoS优化根据上一时刻的分配情况和用户移动设备的移动性感知找到所有的可行解；根据历史QoS数据和边缘网络基站的服务缓存及资源使用情况计算QoS矩阵；根据可行解和QoS矩阵对应元素相乘求得区域QoS值和请求响应率，计算可行解的适应度值，从而衡量优化效果。步骤7的动态QoS优化具体为：

步骤71：区域动态优化。本步骤用一种人工蜂群算法基于边缘缓存和用户移动性，找到用户分配的最优解。在本步骤中，遍历用户移动设备表中和边缘网络基站表，找到上一时刻区域内所有的用户移动设备和边缘网络基站，建立分配矩阵来表示用户对基站的分配情况；先根据步骤63中每个用户移动设备的备选基站集合来筛选出不可能存在接入关系的用户移动设备和边缘网络基站，将其对应的元素置为0；根据边缘网络的资源约束生成可行解；可行解描述方式为用户移动设备-边缘网络基站分配矩阵，如：cluster10中包含8个用户移动设备和15个边缘网络基站，则可行解可表示为A_i＝[u₁,…u_i,…,u₈]，其中u_i为一个15行的列矩阵，表示第i个用户的边缘网络基站接入情况；再根据边缘网络基站的服务缓存、用户和基站的距离以及历史的QoS数据来计算每一个可行解的适应度值，可行解适应度值根据一个QoS矩阵进行计算，不考虑用户移动设备在多个边缘网络基站中调用服务的情况，根据历史QoS值形成QoS矩阵Q，矩阵中的元素

表示用户移动设备u_i在t时刻接入边缘网络基站s_j时获得的QoS值，i∈U、j∈S，其中K表示用户移动设备u_i调用的Web服务集合,U、S分别表示用户移动设备集合和边缘网络基站集合,

表示用户移动设备u_i在边缘网络基站s_j调用Web服务w_k的历史QoS数值，

表示t时刻Web服务w_k是否在边缘网络基站s_j中缓存，

表示t时刻用户移动设备u_i在t时刻与边缘网络基站s_j的平面距离，α，β分别为边缘网络基站缓存和接入距离对QoS值的影响因子，根据用户的历史QoS数据、边缘网络基站的缓存及资源使用率和边缘网络基站与用户移动设备的距离生成“用户移动设备-边缘网络基站”QoS矩阵，与可行解矩阵对应元素相乘，可计算该可行解的适应度值；人工蜂群算法通过侦察蜂不断寻找新的可行解，计算解的适应度值；最后再根据最优解的适应度值，计算出区域的整体QoS，

并计算区域内用户移动设备的分配率

其中N为区域内用户移动设备的数量，n为获得边缘网络基站分配并正常响应的用户移动设备数量，以判断优化效果。

步骤72：判断优化效果是否达到预期。本步骤中将步骤71中的区域QoS计算结果与未优化的实际值进行比较，计算优化效果，若未达到预期，即区域QoS值没有得到优化或用户移动设备的分配率降低，则重新进行步骤71以找到更优解；若达到预期或遍历所有可行解都未能满足预期，则优化结束；最后得到适应度值和区域内用户移动设备的分配率最高的最优解。

Claims (8)

1.一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，包括如下步骤：

(1)收集边缘位置信息和QoS数据集；

(2)以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；

(3)整理边缘网络信息，过滤无效边缘网络基站，融合后整理得到移动边缘QoS特征数据集；

(4)考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集；

(5)各用户基于历史调用信息训练用户偏好模型，各边缘区域的数据集基于联邦学习确定公有模型，根据用户偏好进行服务缓存；

(6)根据基站的地理位置预测用户的移动路径，确定可选基站；

(7)基于服务缓存优化和用户移动感知，在边缘区域内进行QoS动态优化。

2.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(1)中收集数据包括两个方面：包含用户移动设备ID、Web服务ID、时间段ID和响应时间、吞吐量的QoS数据集；包含边缘网络基站经度纬度信息、时间片信息和调用信息的边缘网络基站数据集。

3.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(2)包括如下步骤：

(21)以用户移动设备ID、时间段ID、Web服务ID和属性值的顺序整理QoS数据集，提取一定时间段内一定数量用户移动设备的调用信息，为用户移动设备和时间段进行编号；

(22)QoS数据集中的用户移动设备数量、时间段数量和边缘网络基站数据集是相等的，以用户移动设备ID和时间段ID为连接将两个数据集进行融合。

4.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(3)包括：

提取边缘网络基站的经纬度信息，投影到直角坐标系，剔除在指定区域之外的基站信息；统计融合处理后数据集包含的边缘网络基站个数，为边缘网络基站编号；边缘网络基站的位置分布体现了数据集的移动性，用户移动设备和Web服务之间的调用产生的服务质量属性体现了边缘QoS特征，融合后得到移动边缘QoS特征数据集。

5.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(4)包括如下步骤：

(41)根据边缘网络基站的经纬度对应的直角坐标，基于聚类算法将整个边缘网络划分若干区域，使每个区域中边缘网络基站地理位置的相似度最高；

(42)取出各边缘区域在划分的所有时间段内的所有用户移动设备ID、Web服务ID、时间段ID、边缘网络基站ID、响应时间以及吞吐量，形成一个“用户移动设备-Web服务-边缘网络基站”调用属性表；提取数据表中的边缘网络基站和用户移动设备，形成用户移动设备表和边缘网络基站表。

6.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(5)包括如下步骤：

(51)根据用户移动设备表创建调用信息表，包含边缘区域中的所有用户对所有服务的调用信息；根据“用户移动设备-Web服务-边缘网络基站”调用属性表中的记录更新调用信息，记录用户对每个服务的调用次数，用于用户偏好模型训练；

(52)利用正态分布，为用户移动设备表中的全部用户移动设备生成特征向量，用于训练用户模型；

(53)用户移动设备表中的每个用户的特征向量和服务调用信息用于训练用户偏好模型，在训练过程中达成一种共识：对某个Web服务的调用次数越多，调用该服务的概率就越大，聚合用户移动设备的特征向量并计算训练损失和梯度，迭代求出回归系数；

(54)根据区域内用户移动设备的特征向量生成区域特征向量，用于区域公有模型的构建；

(55)将所有用户移动设备的模型参数上传到公有模型中，以计算用户偏好模型中各参数的均值的方式构建区域公有模型，利用区域特征向量计算出该区域对每个服务的偏好程度；选取偏好程度高的Web服务在该区域中进行缓存。

7.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(6)包括如下步骤：

(61)提取出用户移动设备在各时间段调用的边缘网络基站ID，锁定边缘网络基站的位置点，基于用户不断产生服务请求的共识，用边缘网络基站位置来拟合用户的移动路径；

(62)将用户调用的边缘网络基站位置点集合作为样本，用拉格朗日插值法拟合用户的移动路径；

(62)根据拟合路径的方向预测用户位置并基于基站的覆盖范围确定备选边缘网络基站集合，用于QoS优化。

8.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(7)包括如下步骤：

(71)提取上一时刻的边缘网络基站资源使用情况，用于QoS优化；根据上一时刻的用户接入边缘网络情况生成初始矩阵，利用人工蜂群算法寻找可行解，通过可行解矩阵与QoS矩阵相乘计算可行解的适应度值，再根据最优解的适应度值，计算出区域的整体QoS以及区域内用户移动设备的分配率；可行解可表示为A_i＝[u₁，...u_i，...，u_n]，其中u_i为一个列矩阵，表示第i个用户的边缘网络基站接入情况，n为区域内用户移动设备的个数；其中QoS矩阵Q中的元素

表示用户移动设备u_i在t时刻接入边缘网络基站s_j时获得的QoS值，i∈U、j∈S，K表示用户移动设备u_i调用的Web服务集合，U、S分别表示用户移动设备集合和边缘网络基站集合，

表示用户移动设备u_i在边缘网络基站s_j调用Web服务w_k的历史QoS数值，

表示t时刻Web服务w_k是否在边缘网络基站s_j中缓存，

表示t时刻用户移动设备u_i在t时刻与边缘网络基站s_j的平面距离，α，β分别为边缘网络基站缓存和接入距离对QoS值的影响因子；区域的整体

区域内用户移动设备的分配率

其中N为区域内用户移动设备的数量，n为获得边缘网络基站分配并正常响应的用户移动设备数量；

(72)判断区域的整体QoS和用户移动设备的分配率是否达到优化要求，若未达到，则重新进行步骤(71)的优化；若达到，则完成优化。

Images