CN112364507B - 一种基于移动边缘计算的分布式动态服务部署方法 - Google Patents

Abstract

本发明公开了一种基于移动边缘计算的分布式动态服务部署方法，考虑到用户的高移动性和边缘服务器存储能力有限，在保证服务器存储队列稳定性的同时最大化长期系统效用，实现移动边缘网络环境下高效卸载。本发明利用利用李雅普诺夫优化将长期系统效用最大化问题分解为在线李雅普诺夫漂移加惩罚函数最小化问题。在没有用户未来移动轨迹的先验知识的情况下，未来的系统效用通过采样平均近似算法获得。此外，本发明引入服务部署概率分布，利用马尔可夫近似模型动态部署服务请求数据。理论分析表明本发明提出的混合策略服务部署决策为渐进最优解。本发明为分布式动态服务数据部署提供了一种新方法。

Description

一种基于移动边缘计算的分布式动态服务部署方法

技术领域

本发明涉及学术领域中基于移动边缘计算对用户服务数据进行分布式动态部署的方法， 尤其涉及一种基于李雅普诺夫模型的动态服务部署方法。

背景技术

移动设备的爆发式增长促进了新型移动应用程序的繁荣，在边缘计算服务器的支持下， 用户能够通过任务迁移来享受低延迟服务。然而，单个服务器的计算和存储能力有限，移动 应用程序的实时性需求无法被满足。通过多服务器合作构建无处不在的移动边缘计算网络， 有望在高度动态的移动网络中实现服务迁移。距离最近原则(DMP)等常规服务部署方法不 能满足用户及运营商对系统效用的要求，性能优、效率高的部署方法有待于研究人员的进一 步探索。

发明内容

本发明的目的主要针对现有研究的一些不足之处，提出基于移动边缘计算的分布式动态 服务部署方法，利用李雅普诺夫方法将长期优化问题解耦为瞬时优化问题，结合采样平均近 似(SAA)算法以及马尔可夫模型协同优化用户和运营商的效用，为分布式动态服务数据部 署提供一种新方法。

本发明的技术方案：

一种基于移动边缘计算的分布式动态服务部署方法，步骤如下：

1)构建随机移动模型，确定用户及运营商的效用；

2)利用李雅普诺夫优化方法，将步骤1)中的长期优化问题转化为在线优化问题；

3)利用采样平均近似算法(SAA)估计未来的服务处理开销；

4)将步骤3)中估计的服务处理开销带入步骤2)中构建的李雅普诺夫在线优化模型， 利用马尔可夫近似模型动态部署服务请求数据。

步骤1)：构建随机移动模型，确定用户及运营商的效用。

本发明构建一个随机移动模型，其中包含K个边缘计算服务器以及N个用户。服务请求 的生成服从伯努利过程。用户i的服务请求由三个变量定义：{d_i,C_i,T_i ^max}，其中d_i表示数据大 小；C_i表示完成服务所需的CPU周期数；T_i ^max表示最大容忍延迟。服务器k的状态信息(SSI) 由三个变量定义：{F_k,B_k,D_k}，其中F_k表示计算能力；B_k表示带宽；D_k表示服务器k的最大 存储容量。变量ξ′表示t时隙的服务部署决策，二元矩阵形式如下：

其中

表示t时隙服务器k向用户i提供边缘计算服务，反之

任意服务器服 务的所有用户均等共享服务器的计算资源，t时隙服务器k服务的用户数量通过以下公式计算：

运营商的效用定义为所有服务器的CPU利用效率之和；服务器k的CPU利用效率通过 以下公式计算：

其中参数a_k∈(0.9,1.0)。

用户i的服务请求的完成过程分为三个阶段：

为上传阶段，

为处理阶段，

为回传阶段，其中

分别为服务请求生成，上传完成即开始处理，处理 完成即开始回传，回传完成的时隙；在处理阶段，服务数据随着用户的移动在服务器之间迁 移，t+1时隙其迁移开销E_i(t+1)通过如下公式计算：

其中，

和

分别表示t时隙以及t+1时隙处理用户i的任务请求的服务 器。从服务器k迁移到服务器k’的开销表示如下：

其中s_k,k′表示服务器k到服务器k’的欧几里得距离。给定用户i的传输功率p_i，服务器处 理和传输功率p_k以及

完成服务请求的开销为三个阶段的开销总和U_i通过如下公式计算：

其中

和

分别表示数据上传延迟和回传延迟，Δt表示一个时隙的时长，

表示服务请求处理过程中的总迁移开销。

定义系统效用为运营商的效用减去完成服务请求的开销，本发明优化目标为最大化系统 效用，问题描述如下：

s.t.

约束条件C1要求服务器k存储的数据大小不能超过其最大存储容量；C2确保服务请求 能够在可容忍的延迟内完成，其中

表示任务执行总延迟；C3表示每个用户的服务请 求在每个时隙中只能分配给一个服务器进行处理；

步骤2)：利用李雅普诺夫优化方法，将步骤1)中的长期优化问题转化为在线优化问题。

在步骤1)描述的优化问题中，所有服务器的存储约束限制C1使得不同时隙的服务部署 决策互相耦合。此外，系统效用包括运营商效用以及服务处理开销两部分，它们的内在关联 性使问题难以解耦。为了解决上述挑战，本发明利用李雅普诺夫优化方法来确保服务部署决 策满足约束条件C1。通过引入虚拟队列，李雅普诺夫优化能够在队列稳定性和系统效用最大 化之间寻求折衷。

步骤3)：利用采样平均近似算法(SAA)估计未来的服务处理开销。

要计算系统效用，需要获取四个时间点，即步骤1)中提到的服务请求生成，上传完成 (开始处理)，处理完成(开始回传)，回传完成的时隙

获取这四个时隙存在 三个主要挑战。首先，用户与服务器之间的通信速率与他们的通信距离有关。考虑到用户的 随机移动性，通信距离随时间变化且难以实时反馈；其次，服务请求的处理延迟与共享计算 资源的用户数量有关，且该数量随时间变化；第三，个体用户的移动性是混乱和不规则的。 任何的经验分布都可能偏离用户的真实轨迹，从而导致性能损失。为了解决这些挑战，本发 明利用SAA算法来近似未来的服务处理开销。

步骤4)：将步骤3)中估计的服务处理开销带入步骤2)中构建的李雅普诺夫在线优化 模型，利用马尔可夫近似模型动态部署服务请求数据。

本发明的有益效果：

本发明构建了一个动态服务部署框架，用于在移动边缘计算网络中实现高效卸载。为了 在保证服务器存储队列稳定性的同时最大化长期系统效用，本发明利用利用李雅普诺夫优化 将长期系统效用最大化问题分解为在线李雅普诺夫漂移加惩罚函数最小化问题。在没有用户 未来移动轨迹的先验知识的情况下，未来的系统效用通过采样平均近似算法获得。此外，本 发明引入服务部署概率分布，利用马尔可夫近似模型动态部署服务请求数据。实验结果证明 了本发明在系统效用以及算法收敛时间方面的高效性。本发明提供了一种新的应用于移动边 缘计算网络下的分布式动态服务部署方法。

附图说明

图1为随机移动模型，多个服务器协同为用户提供移动边缘计算服务，随着用户的移动， 服务请求数据在多个服务器之间迁移。

图2为采样平均算法对通信距离的近似。移动用户从点S移动到点D，与服务器点O的 通信距离相应的发生改变，由于移动用户和服务器之间的距离随用户的移动连续变化，因此 很难直接服务请求数据上传和回传的通信距离。在点S，D和O形成三角形的前提下，我们 考虑以下两种移动方案：当角SDO为钝角时，用OS和OD两条边中长的一条边近似表示通信距离；当角SDO为锐角时，SD边上存在点R，使得OR等于OS和OD中较短的一条边。 SR段的通信距离近似为OS，RD段的通信距离近似为OD。

图3和图4对比了本发明提出的DASS算法与其他三种算法在平均系统效用上的性能。 实验结果表明服务迁移以及用户移动轨迹的近似是有益的，相比于对比算法，本发明能够获 得更高的系统效用。

图5和图6对比了本发明提出的DASS算法与其他三种算法在算法执行时间上的性能。 实验结果表明本发明可以在相对较低的时间开销下获得更好的系统效用，且本发明受到用户 数量增加的影响较小。

图7为图1和图2的图例。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进 一步的详细描述。

本发明实例提供了一种基于移动边缘计算的分布式动态服务部署方法，该方法包括：

步骤1：构建随机移动模型，确定用户及运营商的效用。

步骤2：利用李雅普诺夫优化方法，将步骤1)中的长期优化问题转化为在线优化问题。

服务器k的动态服务队列可以表示如下：

Q_k(t+1)＝max{Q_k(t)+ΔD_k(t)-D_k,0},

其中队列长度Q_k(t)表示t时隙服务器k的过载数据量。变量ΔD_k(t)表示t时隙服务器k的吞 吐量。步骤1)优化问题中的约束条件C1能够通过使队列Q_k(t)保持稳态来满足。二次李雅 普诺夫函数定义如下：

二次李雅普诺夫函数可以视为队列偏差的标量度量。为了维持队列稳态，引入李雅普诺 夫漂移函数：

步骤1)中的优化问题可以转化为李雅普诺夫在线优化问题，描述如下：

s.t.

步骤3：利用采样平均近似算法(SAA)估计未来的服务处理开销。

SAA算法基于蒙特卡洛采样，多用于解决多时隙随机问题。在每个时隙里，SAA算法基 于当前的用户位置生成一定数量的随机游走场景，对于每个场景，服务器掌握用户的移动轨 迹，在具备该先验知识的前提下，可以做出最优的服务部署决策，得到未来的服务处理开销。 经过多次循环，取最终的期望值作为近似得到的服务处理开销。算法伪代码流程如表1所示。

表1 SAA算法伪代码

步骤4：将步骤3)中估计的服务处理开销带入步骤2)中构建的李雅普诺夫在线优化模 型，利用马尔可夫近似模型动态部署服务请求数据。

将步骤2)中的优化目标表示为如下函数：

引入log-sum-exp凸函数，将上述函数做如下等价定义：

其中参数β为正常数。根据log-sum-exp凸函数的性质，J_β(ξ(t))可近似为步骤2)中李雅普 诺夫在线优化问题的解，其误差表示如下：

由此可知当参数β趋近于无穷时，误差为0。令服务部署决策被选择的概率为，步骤2) 中的优化问题可以被等价转化为如下马尔可夫模型：

s.t.

上述问题的Karush-Kuhn-Tucker(KKT)条件如下：

λ≥0.

最优服务部署决策概率分布可以通过如下公式计算：

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改 变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种基于移动边缘计算的分布式动态服务部署方法，其特征在于，步骤如下：

步骤1)：构建随机移动模型，确定用户及运营商的效用

构建一个随机移动模型，包含K个边缘计算服务器以及N个用户；服务请求的生成服从伯努利过程；用户i的服务请求由三个变量定义：{d_i,C_i,T_i ^max}，其中d_i表示数据大小；C_i表示完成服务所需的CPU周期数；T_i ^max表示最大容忍延迟；服务器k的状态信息SSI由三个变量定义：{F_k,B_k,D_k}，其中F_k表示计算能力；B_k表示带宽；D_k表示服务器k的最大存储容量；变量ξ′表示t时隙的服务部署决策，二元矩阵形式如下：

其中，

表示t时隙服务器k向用户i提供边缘计算服务，反之

任意服务器服务的所有用户均等共享服务器的计算资源，t时隙服务器k服务的用户数量通过以下公式计算：

运营商的效用定义为所有服务器的CPU利用效率之和；服务器k的CPU利用效率通过以下公式计算：

其中参数a_k∈(0.9,1.0)；

用户i的服务请求的完成过程分为三个阶段：

为上传阶段，

为处理阶段，

为回传阶段，其中

分别为服务请求生成，上传完成即开始处理，处理完成即开始回传，回传完成的时隙；在处理阶段，服务数据随着用户的移动在服务器之间迁移，t+1时隙其迁移开销E_i(t+1)通过如下公式计算：

其中，

和

分别表示t时隙以及t+1时隙处理用户i的任务请求的服务器；从服务器k迁移到服务器k’的开销表示如下：

其中，s_k,k′表示服务器k到服务器k’的欧几里得距离；给定用户i的传输功率p_i，服务器处理和传输功率p_k以及p_k-，完成服务请求的开销为三个阶段的开销总和U_i通过如下公式计算：

其中

和

分别表示数据上传延迟和回传延迟，Δt表示一个时隙的时长，

表示服务请求处理过程中的总迁移开销；

定义系统效用为运营商的效用减去完成服务请求的开销，本方法优化目标为最大化系统效用，问题描述如下：

s.t.

C1:

C2:

C3:

约束条件C1要求服务器k存储的数据大小不能超过其最大存储容量；C2确保服务请求能够在可容忍的延迟内完成，其中

表示任务执行总延迟；C3表示每个用户的服务请求在每个时隙中只能分配给一个服务器进行处理；

步骤2)：利用李雅普诺夫优化方法，将步骤1)中的长期优化问题转化为在线优化问题；

在步骤1)描述的优化问题中，所有服务器的存储约束限制C1使得不同时隙的服务部署决策互相耦合；此外，系统效用包括运营商效用以及服务处理开销两部分，它们的内在关联性使问题难以解耦；为了解决上述挑战，本方法利用李雅普诺夫优化方法来确保服务部署决策满足约束条件C1；通过引入虚拟队列，李雅普诺夫优化能够在队列稳定性和系统效用最大化之间寻求折衷；

步骤3)：利用采样平均近似算法估计未来的服务处理开销

要计算系统效用，需要获取四个时间点，即步骤1)中提到的服务请求生成，上传完成即开始处理，处理完成即开始回传，回传完成的时隙

获取这四个时隙存在三个主要挑战；首先，用户与服务器之间的通信速率与他们的通信距离有关；考虑到用户的随机移动性，通信距离随时间变化且难以实时反馈；其次，服务请求的处理延迟与共享计算资源的用户数量有关，且该数量随时间变化；第三，个体用户的移动性是混乱和不规则的；任何的经验分布都可能偏离用户的真实轨迹，从而导致性能损失；为了解决这些挑战，本方法利用SAA算法来近似未来的服务处理开销；

步骤4)：将步骤3)中估计的服务处理开销带入步骤2)中构建的李雅普诺夫在线优化模型，利用马尔可夫近似模型动态部署服务请求数据。

Images