CN112395090A - 一种移动边缘计算中服务放置的智能混合优化方法 - Google Patents

Abstract

本发明提供一种移动边缘计算中服务放置的智能混合优化方法，包括如下步骤：将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化；模型迭代并利用收缩因子调整粒子的速度；计算系统中的传输延迟、计算延迟、计算能耗、传输能耗及系统总服务成本；根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解；采用模拟退火算法进一步更新全局最优解；本发明提供的方法，能够显著提高服务放置的系统性能，降低系统总服务成本，同时降低了系统服务延迟。

Description

一种移动边缘计算中服务放置的智能混合优化方法

技术领域

本发明涉及移动边缘计算中服务放置算法优化领域，特别是指一种移动边缘计算中服务放置的智能混合优化方法。

背景技术

随着物联网的快速发展，物联网终端设备迅猛激增。专注于IoT、Machine toMachine(M2M)和工业4.0领域的研究机构IoT Analytics在2019年12月发布物联网平台报告：2020年全球活跃的物联网设备数量将达到100亿台，预测2025年将达到220亿台。这些移动终端设备会产生海量数据和计算任务，但是由于底层移动终端设备的计算能力和存储容量的限制，这些底层移动终端设备不足以支持其自身完成计算任务。毫无疑问，云计算具有强大的计算能力，可以有效解决移动终端设备的不足。但是在云计算模式的实际应用场景中，云服务器通常是集中部署且距离移动终端设备较远，移动终端设备收集的数据直接传送到云端进行数据处理，再回传到终端物联网设备。大量的数据上传到云端不仅对网络带宽的要求高，并且高延迟问题会影响工作效率和用户体验，同时会造成资源浪费、数据传输过程隐私安全等诸多问题。

为了提供高质量的服务，研究人员提出将云的功能转移到网络边缘。一个新的计算范式，移动边缘计算(Mobile Edge Computing,MEC)被学者提出。与传统的云计算相比，MEC在网络边缘提供计算和存储服务且更靠近终端物联网设备，因此能更好的管理设备并且具有延迟低、数据管理成本低、可信度高等特点。随着计算能力的下沉至网络边缘，也产生了诸多新挑战。例如服务放置问题，当移动终端设备在不同的MEC服务器区域移动时，哪个MEC服务器提供服务可以保证服务的连续性。在考虑服务放置问题时，会出现以下情况：第一，若移动终端设备选择将服务的配置文件从之前连接的MEC服务器传输到距离终端设备最近的MEC服务器时，系统模型需要考虑文件传输时延；第二，如果移动终端设备选择其服务仍由前一个MEC服务器提供，并通过请求距离其最近的MEC服务器进而请求前一个MEC服务器获取结果，则系统模型应考虑通信时延和计算时间；第三，能源消耗是MEC的主要因素，系统成本应考虑MEC服务器的能源消耗。

在现有服务放置问题的解决方案中，研究工作可以分为三类。第一类假设已经准确地掌握设备移动性的未来信息，即已经确定移动终端设备的路径再根据情况选择合适的MEC服务器为其提供服务；第二类是预测移动终端设备移动性，通过将问题建模成马尔可夫决策模型，从而设计最优阈值决策策略；第三类研究工作在不需要任何未来用户移动性作为先验知识的情况下，通过在线学习的方式解决服务放置的问题。

然而，这些目前这些研究方案普遍存在以下缺点。其一，对移动终端设备的移动性进行预测或假设与实际应用场景仍有差距，会造成较大的误差。其二，在线学习的模型成本以及对设备和服务器的能耗损失较大。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种移动边缘计算中服务放置智能混合优化方法，将服务放置问题建模成群智能粒子群优化(Particle SwarmOptimization,PSO)模型求解，每一个粒子代表移动终端设备选择的MEC服务器的决策集，并通过设计收缩因子、引入模拟退火算法(Simulation Annealing,SA)算法来计算迭代过程中每一轮粒子的速度和位置，在计算系统成本时，该方法考虑了MEC服务器的能量损耗；本发明提供的方法，能够显著提高服务放置的系统性能，降低系统总服务成本，同时降低了系统服务延迟。

本发明采用如下技术方案：

一种移动边缘计算中服务放置的智能混合优化方法，包括如下步骤：

将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化；

模型迭代并利用收缩因子调整粒子的速度；

计算系统中的传输延迟、计算延迟、计算能耗、传输能耗及系统总服务成本；

根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解；

采用模拟退火算法进一步更新全局最优解。

具体地，所述将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化，具体包括：

将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，初始化粒子群个数、MEC服务器数量、迭代次数、最大能耗约束，并随机提供每个粒子一个随机位置和速度。

具体地，所述模型迭代并利用收缩因子调整粒子的速度，具体包括

采用收缩因子

来调整粒子的速度：

其中Q[i]表示全局最优解位置，V[i]表示粒子的速度，D[i]表示粒子位置，c₁、c₂是学习因子，r₁、r₂是在(0，1)直接的随机数，且收缩因子

由如下公式计算：

粒子的位置更新如下公式：

D[i+1]＝D[i]+V[i]

具体地，所述计算系统中的传输延迟、计算延迟、计算能耗、系统能耗及系统总服务成本，具体包括：

信道间的传输速度v_i,j如公式(4)表示，传输延迟

由下式表示：

其中，D_i表示任务的数据量、η表示周期频率，信道间的传输速度c_i,j具体为：

其中BW是带宽，P_s是平均信号功率，P_n是平均噪声功率；

计算延迟具体包括：

其中

为计算延迟，

为在本地的计算延迟，

为在MEC服务器的计算延迟；f_l为移动终端设备单位时间内的CPU处理频率，f_i为MEC服务器i单位时间内的CPU处理频率。

系统能耗具体包括：

其中E为系统能耗，

为计算任务的能耗，

为传输能耗，

表示静态状态下的能耗，g表示工作状态下以最大CPU频率的单位能耗，k表示处理单位计算任务的能耗；

系统总服务成本为：

其中M_k是收缩系数，E_max是系统管理可设置的最大能耗限制。

具体地，所述根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解，具体包括：

所述根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本；

判定若Pⁱ(T)<P_min(T)，则P_min(T)＝Pⁱ(T)，且更新全局最优位置Q[i]＝D[i]。

P(T)都根据公式

计算，P_min(T)指的是训练过程中出现的最小P(T)，训练开始前初始化P_min(T)＝0

具体地，采用模拟退火算法进一步更新全局最优解，具体包括：

计算ΔP＝P^i-1(T)-Pⁱ(T)，令

判断ζ与random(0,1)的大小关系，若ζ>random(0,1)或者ΔP<0则更新粒子位置为：

D[i+1]＝Q[i+1]+(η*ε-1)。

其中ε是权重系数。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

本发明提出的一种移动边缘计算中服务放置的智能混合优化方法，使用智能混合优化方法来解决移动边缘计算中服务放置问题；首先，通过设计系统模型，确定传输过程的延迟、能耗、服务成本的计算方式并提出优化目标；其次将问题转化成PSO模型，将系统中所有移动设备连接MEC服务器的决策抽象为无质量、无体积的一个粒子，粒子维度是系统中移动设备的个数，粒子速度指的是分配MEC服务器的趋势，粒子位置指的是MEC服务器编号；然后为了解决模型容易陷入局部最优解的问题，设计了一个收缩因子来调整迭代过程中的粒子速度和位置，并且引入SA算法来调整更新系统全局最优解，以免陷入局部最优解；在计算系统成本时，该方法考虑了MEC服务器的能量损耗，防止性能较好的MEC服务器因能耗过大造成使用寿命期限减少；本发明提供的方法，能够显著提高服务放置的系统性能，降低系统总服务成本，同时降低了系统服务延迟。

附图说明

图1为在MEC场景中服务放置智能混合优化架构图；

图2为解决服务放置中保证服务连续性问题的两种可行方法；

图3为二维模型的粒子速度和位置更新示意图。

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

本发明实施例提供了一种移动边缘计算中服务放置的智能混合优化方法，包括如下步骤：

S1：将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化；

智能混合优化方法初始化；将问题通过PSO转化为优化问题模型，初始化粒子群个数、MEC服务器数量、迭代次数、最大能耗约束，并随机给每个粒子一个随机位置和速度。

S2：模型迭代并利用收缩因子调整粒子的速度；

更新粒子的速度和位置；粒子每次更新位置时，考虑与最优解之间的关系，并且为了防止粒子在寻找最优解的过程中陷入局部最优解，设计了一个收缩因子

来调整粒子的速度，如公式(1)所示：

其中Q[i]表示全局最优解位置，D[i]表示粒子位置，c₁、c₂是学习因子，r₁、r₂是在(0，1)直接的随机数，且收缩因子

由公式(2)计算：

粒子的位置更新公式如(3)所示：

D[i+1]＝D[i]+V[i]#(3)

S3：计算系统中的传输延迟、计算延迟、计算能耗、传输能耗及系统总服务成本；

计算系统成本；首先确定系统中的延迟、能量损耗以及系统成本计算方式。系统中的延迟可以分为传输延迟和计算延迟。传输延迟由文件在MEC服务器之间传输引起，我们根据Shannon定理可以把信道间的传输速度V_i,j如公式(4)表示，其中BW是带宽，P_s是平均信号功率，P_n是平均噪声功率。用D_i、η表示任务的数据量和周期频率，故传输延迟

可以由公式(5)表示：

计算延迟既会发生在设备本地也会发生在MEC服务器上，所以计算延迟

如可由公式(6)表示，由本地计算延迟公式(7)和MEC服务器计算延迟公式(8)两部分组成：

f_l为移动终端设备单位时间内的CPU处理频率，f_i为MEC服务器i单位时间内的CPU处理频率。

同样地，能量损耗也由两部分组成：计算能耗、传输能耗。计算能耗需考虑MEC设备静态状态和工作状态时的能耗，我们假设MEC服务器以最大的CPU频率处理任务，同时在空闲时选择最小的CPU，且设备拥有一个最大能耗限制E_max。如公式(9)所示，

表示静态状态下的能耗，g表示工作状态下以最大CPU频率的单位能耗，k表示处理单位计算任务的能耗：

传输能耗表示为：

由此，系统的能耗可以表示为：

总服务成本可以用公式(12)表示：

其中M_x是收缩系数，E_max是系统管理可设置的最大能耗限制。

S4：根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解；

更新全局最优解；每一次粒子更新速度和位置，即是每一种服务放置决策，则每一轮更新粒子位置即由步骤S3得到相应的决策对应的系统成本。如果Pⁱ(T)<P_min(T)，则P_min(T)＝Pⁱ(T)，且更新全局最优位置Q[i]＝D[i]。

并用P_min(T)记录下全局最小的服务成本，P_min(T)指的是训练过程中出现的最小P(T)，训练开始前初始化P_min(T)＝0。

S5：采用模拟退火算法进一步更新全局最优解。

更新下一轮的初始粒子位置；采用SA算法思想，令迭代过程中的初始粒子位置从接近最优解的某个位置开始。ΔP＝P^i-1(T)-Pⁱ(T)，令

判断ζ与random(0,1)的大小关系，若ζ>random(0,1)或者ΔP<0则更新粒子位置为：

D[i+1]＝Q[i+1]+(η*ε-1)

其中ε是权重系数。

如图1为在MEC场景中服务放置智能混合优化架构，图2为解决服务放置中保证服务连续性问题的两种可行方法，第一，服务由上一个边缘服务器提供，终端设备通过请求本次连接边缘服务器进而请求上一次连接的边缘服务器；第二，服务由本次连接边缘服务器提供，相关服务的配置文件由上一个MEC服务器传输到本次连接的边缘服务器进行部署)；图3二维模型的粒子速度和位置更新示意图。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性改动，均应属于侵犯本发明保护范围的行为。

Claims (6)

1.一种移动边缘计算中服务放置的智能混合优化方法，其特征在于，包括如下步骤：

将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化；

模型迭代并利用收缩因子调整粒子的速度；

计算系统中的传输延迟、计算延迟、计算能耗、传输能耗及系统总服务成本；

根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解；

采用模拟退火算法进一步更新全局最优解。

2.根据权利要求1中所述的一种移动边缘计算中服务放置的智能混合优化方法，其特征在于，所述将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，并进行初始化，具体包括：

将移动边缘计算中的服务放置问题通过粒子群优化模型转化为优化问题模型，初始化粒子群个数、MEC服务器数量、迭代次数、最大能耗约束，并随机提供每个粒子一个随机位置和速度。

3.根据权利要求1中所述的一种移动边缘计算中服务放置的智能混合优化方法，其特征在于，所述模型迭代并利用收缩因子调整粒子的的速度，具体包括

采用收缩因子

来调整粒子的速度：

其中Q[i]表示全局最优解位置，V[i]表示粒子的速度，D[i]表示粒子位置，c₁、c₂是学习因子，r₁、r₂是在(0，1)直接的随机数，且收缩因子

由如下公式计算：

粒子的位置更新如下公式：

D[i+1]＝D[i]+V[i]。

4.根据权利要求1中所述的一种移动边缘计算中服务放置的智能混合优化方法，其特征在于，所述计算系统中的传输延迟、计算延迟、计算能耗、系统能耗及系统总服务成本，具体包括：

信道间的传输速度v_i，j如公式(4)表示，传输延迟

由下式表示：

其中，D_i表示任务的数据量、η表示周期频率，信道间的传输速度v_i，j具体为：

其中BW是带宽，P_s是平均信号功率，P_n是平均噪声功率；

计算延迟具体包括：

其中

为计算延迟，

为在本地的计算延迟，

为在MEC服务器的计算延迟；f_l为移动终端设备单位时间内的CPU处理频率，f_i为MEC服务器i单位时间内的CPU处理频率；

系统能耗具体包括：

其中E为系统能耗，

为计算任务的能耗，

为传输能耗，

表示静态状态下的能耗，g表示工作状态下以最大CPU频率的单位能耗，k表示处理单位计算任务的能耗；

系统总服务成本为：

其中M_k是收缩系数，E_max是系统管理可设置的最大能耗限制。

5.根据权利要求1所述的一种移动边缘计算中服务放置的智能混合优化方法，其特征在于，所述根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本，并更新全局最优解，具体包括：

所述根据每次迭代的粒子的速度和位置，计算对应的系统总服务成本；

判定若Pⁱ(T)＜P_min(T)，则P_min(T)＝Pⁱ(T)，且更新全局最优位置Q[i]＝D[i]；

其中，P_min(T)指的是训练过程中出现的最小P(T)。

6.根据权利要求1所述的一种移动边缘计算中服务放置的智能混合优化方法，其特征在于，采用模拟退火算法进一步更新全局最优解，具体包括：

计算ΔP＝P^i-1(T)-Pⁱ(T)，令

判断ζ与random(0，1)的大小关系，若ζ＞random(0，1)或者ΔP＜0则更新粒子位置为：

D[i+1]＝Q[i+1]+(η*ε-1)

其中ε是权重系数。

Images