CN112422352A - 一种基于用户数据热点分布的边缘计算节点部署方法 - Google Patents

一种基于用户数据热点分布的边缘计算节点部署方法 Download PDF

Info

Publication number
CN112422352A
CN112422352A CN202110093492.3A CN202110093492A CN112422352A CN 112422352 A CN112422352 A CN 112422352A CN 202110093492 A CN202110093492 A CN 202110093492A CN 112422352 A CN112422352 A CN 112422352A
Authority
CN
China
Prior art keywords
user
edge computing
area
computing nodes
divided
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.)
Granted
Application number
CN202110093492.3A
Other languages
English (en)
Other versions
CN112422352B (zh
Inventor
赵军辉
易正皓
张子扬
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202110093492.3A priority Critical patent/CN112422352B/zh
Publication of CN112422352A publication Critical patent/CN112422352A/zh
Application granted granted Critical
Publication of CN112422352B publication Critical patent/CN112422352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L41/0893—Assignment of logical groups to network elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于用户数据热点分布的边缘计算节点部署方法，本发明根据用户的接收信号强度确定其所在的划分区域，在部署边缘计算节点时，考虑了通信场景、连接成本等因素，使结果更加真实可靠，通过模拟退火法进行边缘计算节点部署算法，实现边缘计算节点优化部署，能够合理地部署边缘计算节点，提高物联网系统的系统容量和运行效率。本发明可以应用于具有不同任务类型的用户与边缘计算节点之间通信的物联网场景，例如智能交通等物联网场景，具有较强的实用性。

Description

一种基于用户数据热点分布的边缘计算节点部署方法
技术领域
本发明涉及无线通信网络技术领域，特别是涉及一种基于用户数据热点分布的边缘计算节点部署方法。
背景技术
随着物联网设备的高密度访问，物联网在低时延连接方面提出了更高的要求。物联网用户具有不同的服务类型和低时延业务需求，需要在推动技术变革的同时更加注重用户体验。边缘计算可以将网络服务业务带到网络边缘，在服务用户和服务主机之间建立服务器，并完成网络任务。它将网络云上的业务功能下沉到网络边缘，并尽可能靠近数据源位置，通过将网络服务设施设置在网络边缘，可以最大程度地减少通信通道的服务延迟，从而成为解决低时延和高可靠连接的核心方法。从运营的角度考虑，这种方式能够有效的降低服务延迟，将会更加符合运营商实际部署需求。
然而在如智能交通等物联网场景中，用户具有很强的移动性、随机性、周期性、非平稳性和空间相关性，这不仅会造成网络拓扑结构的变化，而且对网络连接的低时延和所需的服务类型提出了更严格的要求。针对这种物联网场景，现有技术中缺乏有效的边缘计算节点的部署方案，影响了物联网系统的系统容量和运行效率。
发明内容
为此，本发明的目的在于提出一种基于用户数据热点分布的边缘计算节点部署方法，以合理地部署边缘计算节点，提高物联网系统的系统容量和运行效率。
一种基于用户数据热点分布的边缘计算节点部署方法，所述方法包括：
步骤1，确定物联网场景；
所述物联网场景包含M个潜在可以部署边缘计算节点的基站和N个具有不同服务类型的用户；
第n个用户与第m个基站之间的信干噪比SINR nm 表示为：
Figure 920150DEST_PATH_IMAGE001
其中，
Figure 725295DEST_PATH_IMAGE002
，
Figure 122909DEST_PATH_IMAGE003
，N S 表示N个用户的集合，M S 表示M个潜在可以部署边缘计算节点的基站的集合，P RX 表示接收功率，d nm 表示第n个用户与第m个基站之间的距离，P nm 表示用户n和基站m通信时，受到的来自其它基站信号的干扰功率，P n 表示用户n所受到的环境噪声干扰功率；
步骤2，制定用户数据热点区域分布的确定原则；
步骤2.1，根据用户收到的来自各个划分区域的基站的信干噪比，利用神经网络训练定位模型，确定用户所在的划分区域；
步骤2.2，当所有用户在某一划分区域停留的总时间超过停留时间阈值时，判定该划分区域为用户数据热点区域，需要在此划分区域部署边缘计算节点；
步骤3，边缘计算节点部署
利用模拟退火法实现边缘计算节点的部署，使用的目标函数为：
Figure 431531DEST_PATH_IMAGE004
其中，
Figure 505666DEST_PATH_IMAGE005
表示在第m个基站旁部署的边缘计算节点，边缘计算节点的数量为
Figure 532528DEST_PATH_IMAGE006
，在数量上，且
Figure 858467DEST_PATH_IMAGE007
，
Figure 896961DEST_PATH_IMAGE008
表示第n个用户与第
Figure 282943DEST_PATH_IMAGE005
个边缘计算节点之间的连接成本，该连接成本包括传输时延与通信时延，
Figure 921735DEST_PATH_IMAGE009
为二进制变量，当第n个用户与第
Figure 51365DEST_PATH_IMAGE005
个边缘计算节点之间连接时，
Figure 69000DEST_PATH_IMAGE010
的值为1，反之为0；
Figure 766828DEST_PATH_IMAGE011
表示第
Figure 502703DEST_PATH_IMAGE005
个边缘计算节点为第n个用户提供服务所需要的成本，
Figure 170445DEST_PATH_IMAGE012
为二进制变量，第n个用户为第
Figure 167220DEST_PATH_IMAGE005
个边缘计算节点提供服务时，
Figure 160584DEST_PATH_IMAGE012
的值为1，反之为0；
在利用模拟退火法实现边缘计算节点的部署时，通过模拟退火法，使用所述目标函数，找到合适的边缘计算节点部署位置，使所述目标函数的值达到最小。
其中，步骤2中，所述物联网场景中共有N area 个划分区域，给定用户n收到的来自各个划分区域的基站的信干噪比为SINR n ；
Figure 256191DEST_PATH_IMAGE013
其中，SINR ni 表示第i个划分区域的基站与用户n之间的信干噪比，用户n所在的划分区域表示为x n ：
Figure 727624DEST_PATH_IMAGE014
其中，x ni 表示用户n是否在划分区域i上，如果在，则x ni 的取值为1，如果不在，则x ni 的取值为0，
Figure 985430DEST_PATH_IMAGE015
；
将SINR n 和x n 组成数据集D：
Figure 743170DEST_PATH_IMAGE016
其中，
Figure 453637DEST_PATH_IMAGE017
表示第N个用户的信干噪比与第N个用户所在的划分区域x N 构成数据集D的第N个元素，随机取数据集中的部分数据作为训练集，剩下的数据为测试集，设定性能参数阈值，利用训练集中的数据对神经网络进行训练，得到训练模型，利用测试集对该训练模型进行验证，若验证的性能参数超过性能参数阈值，则判定该训练模型能够对用户进行划分区域的定位；
对用户在一定时间范围内所停留的划分区域进行时间值分析，定义矩阵A：
Figure 338548DEST_PATH_IMAGE018
其中，A 11表示矩阵A中第一行第一列的元素，
Figure 450860DEST_PATH_IMAGE019
表示矩阵A中第一行第N area 列的元素，A ni 表示矩阵A中第n行第i列的元素，A N1表示矩阵A中第N行第1列的元素，
Figure 645081DEST_PATH_IMAGE020
表示矩阵A中第N行第N area 列的元素，矩阵A中的元素A ni 表示第n个用户在划分区域i上所停留的时间值，对于矩阵中的元素，如果在第i个划分区域上满足以下条件，则表明该划分区域为用户数据热点区域：
Figure 577265DEST_PATH_IMAGE021
其中，
Figure 265867DEST_PATH_IMAGE022
为所述停留时间阈值。
其中，步骤3具体包括：
步骤3.1，构建BP神经网络模型，输入层有N area 个神经元，将采集的已知划分区域的用户所接收到的信干噪比和已知的划分区域作为训练集输入进神经网络模型，经过三层隐藏层，输出划分区域结果，经过测试集测试所得到的神经网络训练模型合格后，得到所需要的神经网络训练模型；
步骤3.2，一个用户n在时间T内，在各个划分区域的时间值为
Figure 232686DEST_PATH_IMAGE023
，则所有用户的时间值为矩阵A；
步骤3.3，根据矩阵A以及x n 判定各个划分区域是否为用户数据热点区域，在用户数据热点区域部署边缘计算节点，根据用户数据热点区域确定边缘计算节点的数量；
步骤3.4，构建所述目标函数，定义参数
Figure 332229DEST_PATH_IMAGE024
，其中Tem为模拟退火法的初始温度；
步骤3.5，根据所述目标函数，利用模拟退火法确定合适的边缘计算节点部署位置，使所述目标函数的值达到最小。
根据本发明提供的基于用户数据热点分布的边缘计算节点部署方法，具有以下有益效果：
本发明根据用户的接收信号强度确定其所在的划分区域，在部署边缘计算节点时，考虑了通信场景、连接成本等因素，使结果更加真实可靠，通过模拟退火法进行边缘计算节点部署算法，实现边缘计算节点优化部署，能够合理地部署边缘计算节点，提高物联网系统的系统容量和运行效率。本发明可以应用于具有不同任务类型的用户与边缘计算节点之间通信的物联网场景，例如智能交通等物联网场景，具有较强的实用性。
附图说明
图1是基于信号强度的用户热点数据分布图；
图2基于神经网络的用户区域定位训练模型图；
图3是模拟退火法的流程图；
图4是本发明与未考虑用户数据热点分布的边缘计算节点的部署成本的对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的实施例提供一种基于用户数据热点分布的边缘计算节点部署方法，包括步骤1~步骤3。
步骤1，确定物联网场景。
其中，在物联网场景中，由于设备数量的指数式增长和日趋多样化的服务类型，整个网络将会产生海量的数据，需要大量地部署边缘计算节点。设计用户数据热点区域的分布估计模型，采取机器学习的方法，搭建用户流量模型，对所产生的各类数据进行相应的学习，以此获取准确的物联网终端行为画像，分析物联网中通信数据的热点分布和低时延需求，能够帮助估计用户需求和行为，进而获得边缘计算节点的部署需求，完成边缘计算节点的部署。
本实施例中，物联网场景包含M个潜在可以部署边缘计算节点的基站和N个具有不同服务类型的用户，用户例如是车辆、共享单车和大量物联网设备。随着蜂窝物联网技术的出现，对时延要求极端的移动应用程序也在不断增加。物联网业务可以划分为多个应用场景，为保证未来物联网的复杂数据处理和低时延通信需求，需要在靠近用户端的位置部署边缘计算节点。边缘计算通过将计算和存储功能推向网络边缘，在资源受限的边缘设备上为需要低时延的网络应用提供良好服务。
信号在自由空间传播的模型可表示为
Figure 17288DEST_PATH_IMAGE025
其中，P RX （d）表示与基站相距为d的用户的接收功率，P TX 为发射功率，G RX 和G TX 分别表示为接受和发射增益，
Figure 244001DEST_PATH_IMAGE026
为信号传输的波长，d为用户与基站之间的距离，系数α通常为[2,5]区间上的常数，因为P TX ，G RX ，G TX 和α在通信过程中为确定的数，因此可以引入常数C来表示上式：
Figure 330906DEST_PATH_IMAGE027
则第n个用户与第m个基站之间的信干噪比SINR nm 可以表示为：
Figure 476716DEST_PATH_IMAGE028
其中，
Figure 773705DEST_PATH_IMAGE029
，
Figure 928743DEST_PATH_IMAGE030
，N S 表示N个用户的集合，M S 表示M个潜在可以部署边缘计算节点的基站的集合，P RX 为接收功率，d nm 表示第n个用户与第m个基站之间的距离，P nm 表示用户n和基站m通信时，受到的来自其它基站信号的干扰功率，P n 表示用户n所受到的环境噪声干扰功率。
步骤2，制定用户数据热点区域分布的确定原则。首先可以定义物联网场景中，各个道路建筑模型的中心为泰森多边形的样点，以这些样点为标准将物联网场景划分为多个区域，如图1所示，图1中的圆点即为区域划分的样点，共N area 个，正方形为潜在可以部署边缘计算节点的基站，途中的点即为某个时刻用户的分布。
为满足用户所需服务的最佳性能，并有效的降低边缘计算部署成本，用户数据热点区域分布的确定原则按以下步骤进行：
步骤2.1，根据用户收到的来自各个划分区域的基站的信干噪比，利用神经网络训练定位模型，确定用户所在的划分区域；
步骤2.2，当所有用户在某一划分区域停留的总时间超过停留时间阈值时，判定该划分区域为用户数据热点区域，需要在此划分区域部署边缘计算节点。
具体的，请结合图2，步骤2中，所述物联网场景中共有N area 个划分区域，给定用户n收到的来自各个划分区域的基站的信干噪比为SINR n ；
Figure 477012DEST_PATH_IMAGE013
其中，SINR ni 表示第i个划分区域的基站与用户n之间的信干噪比，用户n所在的划分区域表示为x n ：
Figure 59303DEST_PATH_IMAGE014
其中，x ni 表示用户n是否在划分区域i上，如果在，则x ni 的取值为1，如果不在，则x ni 的取值为0，
Figure 718954DEST_PATH_IMAGE015
；
将SINR n 和x n 组成数据集D：
Figure 536737DEST_PATH_IMAGE016
其中，
Figure 598234DEST_PATH_IMAGE017
表示第N个用户的信干噪比与第N个用户所在的划分区域x N 构成数据集D的第N个元素，随机取数据集中的部分数据（例如随机取数据集中80%的数据）作为训练集，剩下的数据（例如随机取数据集中剩余20%的数据）为测试集，设定性能参数阈值，利用训练集中的数据对神经网络模型进行训练，同时利用测试集进行性能参数验证，若验证的性能参数超过性能参数阈值，则得到训练模型，该训练模型能够对用户进行划分区域的定位。
由于用户具有很强的移动性、随机性、周期性、非平稳性和空间相关性，这不仅会造成网络拓扑结构的变化，而且对网络连接的低时延和所需的服务类型提出了更严格的要求。因此，需要对用户在一定时间范围内所停留的划分区域进行时间值分析，定义矩阵A：
Figure 226793DEST_PATH_IMAGE031
其中，A 11表示矩阵A中第一行第一列的元素，
Figure 842582DEST_PATH_IMAGE019
表示矩阵A中第一行第N area 列的元素，A ni 表示矩阵A中第n行第i列的元素，A N1表示矩阵A中第N行第1列的元素，
Figure 464056DEST_PATH_IMAGE020
表示矩阵A中第N行第N area 列的元素，矩阵A中的元素A ni 表示第n个用户在划分区域i上所停留的时间值，对于矩阵中的元素，如果在第i个划分区域上满足以下条件，则表明该划分区域为用户数据热点区域：
Figure 380060DEST_PATH_IMAGE021
其中，
Figure 569733DEST_PATH_IMAGE022
为所述停留时间阈值。
步骤3，边缘计算节点部署。
利用模拟退火法实现边缘计算节点的部署，使用的目标函数为：
Figure 813763DEST_PATH_IMAGE004
其中，
Figure 848715DEST_PATH_IMAGE005
表示在第m个基站旁部署的边缘计算节点，一共可以部署边缘计算节点的数量为
Figure 619225DEST_PATH_IMAGE006
，即边缘计算节点的数量为
Figure 104433DEST_PATH_IMAGE032
，且在数量上，
Figure 694815DEST_PATH_IMAGE033
，
Figure 408824DEST_PATH_IMAGE008
表示第n个用户与第
Figure 299419DEST_PATH_IMAGE005
个边缘计算节点之间的连接成本，该连接成本包括传输时延与通信时延，
Figure 565316DEST_PATH_IMAGE009
为二进制变量，当第n个用户与第
Figure 33206DEST_PATH_IMAGE005
个边缘计算节点之间连接时，
Figure 409961DEST_PATH_IMAGE009
的值为1，反之为0；
Figure 785358DEST_PATH_IMAGE034
表示第
Figure 222155DEST_PATH_IMAGE005
个边缘计算节点为第n个用户提供服务所需要的成本，
Figure 52708DEST_PATH_IMAGE012
为二进制变量，第n个用户为第
Figure 623367DEST_PATH_IMAGE005
个边缘计算节点提供服务时，
Figure 222975DEST_PATH_IMAGE012
的值为1，反之为0；
在利用模拟退火法实现边缘计算节点的部署时，通过模拟退火法，使用所述目标函数，找到合适的边缘计算节点部署位置，使所述目标函数的值达到最小。
请结合图3，步骤3具体包括：
步骤3.1，构建BP神经网络模型，输入层有N area 个神经元，将采集的已知划分区域的用户所接收到的信干噪比和已知的划分区域作为训练集输入进神经网络模型，经过三层隐藏层，输出划分区域结果，经过测试集测试所得到的神经网络训练模型合格后，得到所需要的神经网络训练模型；
步骤3.2，一个用户n在时间T内，在各个划分区域的时间值为
Figure 96253DEST_PATH_IMAGE023
，则所有用户的时间值为矩阵A；
步骤3.3，根据矩阵A以及x n 判定各个划分区域是否为用户数据热点区域，在用户数据热点区域部署边缘计算节点，根据用户数据热点区域确定边缘计算节点的数量；
步骤3.4，构建所述目标函数，如图3所示，确定模拟退火法参数，定义参数
Figure 758310DEST_PATH_IMAGE024
，其中Tem为模拟退火法的初始温度，此外，定义参数iter为模拟退火法内部蒙特卡洛循环迭代次数，定义参数Tem min 为模拟退火法停止迭代的温度，根据
Figure 8026DEST_PATH_IMAGE035
和
Figure 586775DEST_PATH_IMAGE036
随机生成初始解
Figure 630954DEST_PATH_IMAGE037
，定义函数
Figure 904940DEST_PATH_IMAGE038
，然后对
Figure 302555DEST_PATH_IMAGE039
和
Figure 876756DEST_PATH_IMAGE036
产生扰动，生成新解
Figure 91836DEST_PATH_IMAGE040
，定义参数
Figure 977753DEST_PATH_IMAGE041
，其中
Figure 303692DEST_PATH_IMAGE042
表示产生的新解与前一次解的差值。当
Figure 607765DEST_PATH_IMAGE043
的时候，则接受新解，并重新定义参数
Figure 993747DEST_PATH_IMAGE044
，当
Figure 366960DEST_PATH_IMAGE045
的时候，计算
Figure 231011DEST_PATH_IMAGE046
的接受概率
Figure 386661DEST_PATH_IMAGE047
，随机产生[0,1]区间上均匀分布的随机数x，当
Figure 677965DEST_PATH_IMAGE048
的时候，则接受新解，并重新定义参数
Figure 679419DEST_PATH_IMAGE044
，否则保留当前解X。完成上述步骤后，判断是否达到迭代次数。每次完成iter次迭代之后，判断当前温度Tem是否降低到停止迭代温度Tem min ，如果没有降低到停止迭代温度，则以
Figure 471795DEST_PATH_IMAGE049
的速度降温，在未达到停止迭代温度Tem min 之前，不断优化边缘计算节点位置。
步骤3.5，根据所述目标函数，利用模拟退火法确定合适的边缘计算节点部署位置，使所述目标函数的值达到最小，最终结束模拟退火法。
为了检验本发明的系统性能，利用SUMO和NS-3仿真平台获取用户及其通信数据，利用openGPS获取物联网场景中基站的位置，通过MATLAB R2018b对算法进行了仿真。基于用户数据热点分布的边缘计算节点部署方法的参数如下：
潜在可以部署边缘计算节点的基站的数量M=909。物联网场景中用户的数量N=521。用户所需的服务类型数目K=2，其中对于服务类型k=1的用户，其平均数据传输速率为10kbit/ s，对于服务类型k=2的用户，其平均数据传输速率为200kbit/s。划分区域的数量N area =18。模拟退火法停止迭代温度Tem min =0.01，内部蒙特卡洛循环迭代次数iter=100，性能参数阈值为85%，时间T=300s，停留时间阈值
Figure 875094DEST_PATH_IMAGE050
。
请参阅图4，其展示了本发明与未考虑用户数据热点分布的边缘计算节点的部署成本的对比，通过对比可以看出本发明的部署成本明显低于未考虑用户数据热点分布的边缘计算节点的部署成本，说明本发明能够有效地改善系统性能，并且随着迭代次数的增加，能够更快地收敛于最优解部署位置。
综上，根据本实施例提供的基于用户数据热点分布的边缘计算节点部署方法，具有以下有益效果：
本发明根据用户的接收信号强度确定其所在的划分区域，在部署边缘计算节点时，考虑了通信场景、连接成本等因素，使结果更加真实可靠，通过模拟退火法进行边缘计算节点部署算法，实现边缘计算节点优化部署，能够合理地部署边缘计算节点，提高物联网系统的系统容量和运行效率。本发明可以应用于具有不同任务类型的用户与边缘计算节点之间通信的物联网场景，例如智能交通等物联网场景，具有较强的实用性。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种基于用户数据热点分布的边缘计算节点部署方法，其特征在于，包括：
步骤1，确定物联网场景；
所述物联网场景包含M个潜在可以部署边缘计算节点的基站和N个具有不同服务类型的用户；
第n个用户与第m个基站之间的信干噪比SINR nm 表示为：
Figure 424243DEST_PATH_IMAGE001
其中，
Figure 740955DEST_PATH_IMAGE002
，
Figure 259661DEST_PATH_IMAGE003
，N S 表示N个用户的集合，M S 表示M个潜在可以部署边缘计算节点的基站的集合，P RX 表示接收功率，d nm 表示第n个用户与第m个基站之间的距离，P nm 表示用户n和基站m通信时，受到的来自其它基站信号的干扰功率，P n 表示用户n所受到的环境噪声干扰功率；
步骤2，制定用户数据热点区域分布的确定原则；
步骤2.1，根据用户收到的来自各个划分区域的基站的信干噪比，利用神经网络训练定位模型，确定用户所在的划分区域；
步骤2.2，当所有用户在某一划分区域停留的总时间超过停留时间阈值时，判定该划分区域为用户数据热点区域，需要在此划分区域部署边缘计算节点；
步骤3，边缘计算节点部署
利用模拟退火法实现边缘计算节点的部署，使用的目标函数为：
Figure 952810DEST_PATH_IMAGE004
其中，
Figure 624094DEST_PATH_IMAGE005
表示在第m个基站旁部署的边缘计算节点，边缘计算节点的数量为
Figure 642866DEST_PATH_IMAGE006
，在数量上，且
Figure 524234DEST_PATH_IMAGE007
，
Figure 880129DEST_PATH_IMAGE008
表示第n个用户与第
Figure 530553DEST_PATH_IMAGE005
个边缘计算节点之间的连接成本，该连接成本包括传输时延与通信时延，
Figure 330013DEST_PATH_IMAGE009
为二进制变量，当第n个用户与第
Figure 964257DEST_PATH_IMAGE005
个边缘计算节点之间连接时，
Figure 264788DEST_PATH_IMAGE010
的值为1，反之为0；
Figure 894353DEST_PATH_IMAGE011
表示第
Figure 989348DEST_PATH_IMAGE005
个边缘计算节点为第n个用户提供服务所需要的成本，
Figure 720674DEST_PATH_IMAGE012
为二进制变量，第n个用户为第
Figure 559317DEST_PATH_IMAGE005
个边缘计算节点提供服务时，
Figure 308968DEST_PATH_IMAGE012
的值为1，反之为0；
在利用模拟退火法实现边缘计算节点的部署时，通过模拟退火法，使用所述目标函数，找到合适的边缘计算节点部署位置，使所述目标函数的值达到最小。
2.根据权利要求1所述的基于用户数据热点分布的边缘计算节点部署方法，其特征在于，步骤2中，所述物联网场景中共有N area 个划分区域，给定用户n收到的来自各个划分区域的基站的信干噪比为SINR n ；
Figure 840443DEST_PATH_IMAGE013
其中，SINR ni 表示第i个划分区域的基站与用户n之间的信干噪比，用户n所在的划分区域表示为x n ：
Figure 918120DEST_PATH_IMAGE014
其中，x ni 表示用户n是否在划分区域i上，如果在，则x ni 的取值为1，如果不在，则x ni 的取值为0，
Figure 432891DEST_PATH_IMAGE015
；
将SINR n 和x n 组成数据集D：
Figure 912414DEST_PATH_IMAGE016
其中，
Figure 473845DEST_PATH_IMAGE017
表示第N个用户的信干噪比与第N个用户所在的划分区域x N 构成数据集D的第N个元素，随机取数据集中的部分数据作为训练集，剩下的数据为测试集，设定性能参数阈值，利用训练集中的数据对神经网络进行训练，得到训练模型，利用测试集对该训练模型进行验证，若验证的性能参数超过性能参数阈值，则判定该训练模型能够对用户进行划分区域的定位；
对用户在一定时间范围内所停留的划分区域进行时间值分析，定义矩阵A：
Figure 304398DEST_PATH_IMAGE018
其中，A 11表示矩阵A中第一行第一列的元素，
Figure 94630DEST_PATH_IMAGE019
表示矩阵A中第一行第N area 列的元素，A ni 表示矩阵A中第n行第i列的元素，A N1表示矩阵A中第N行第1列的元素，
Figure 959818DEST_PATH_IMAGE020
表示矩阵A中第N行第N area 列的元素，矩阵A中的元素A ni 表示第n个用户在划分区域i上所停留的时间值，对于矩阵中的元素，如果在第i个划分区域上满足以下条件，则表明该划分区域为用户数据热点区域：
Figure 567517DEST_PATH_IMAGE021
其中，
Figure 744421DEST_PATH_IMAGE022
为所述停留时间阈值。
3.根据权利要求2所述的基于用户数据热点分布的边缘计算节点部署方法，其特征在于，步骤3具体包括：
步骤3.1，构建BP神经网络模型，输入层有N area 个神经元，将采集的已知划分区域的用户所接收到的信干噪比和已知的划分区域作为训练集输入进神经网络模型，经过三层隐藏层，输出划分区域结果，经过测试集测试所得到的神经网络训练模型合格后，得到所需要的神经网络训练模型；
步骤3.2，一个用户n在时间T内，在各个划分区域的时间值为
Figure 728557DEST_PATH_IMAGE023
，则所有用户的时间值为矩阵A；
步骤3.3，根据矩阵A以及x n 判定各个划分区域是否为用户数据热点区域，在用户数据热点区域部署边缘计算节点，根据用户数据热点区域确定边缘计算节点的数量；
步骤3.4，构建所述目标函数，定义参数
Figure 58038DEST_PATH_IMAGE024
，其中Tem为模拟退火法的初始温度；
步骤3.5，根据所述目标函数，利用模拟退火法确定合适的边缘计算节点部署位置，使所述目标函数的值达到最小。
CN202110093492.3A 2021-01-25 2021-01-25 一种基于用户数据热点分布的边缘计算节点部署方法 Active CN112422352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093492.3A CN112422352B (zh) 2021-01-25 2021-01-25 一种基于用户数据热点分布的边缘计算节点部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093492.3A CN112422352B (zh) 2021-01-25 2021-01-25 一种基于用户数据热点分布的边缘计算节点部署方法

Publications (2)

Publication Number Publication Date
CN112422352A true CN112422352A (zh) 2021-02-26
CN112422352B CN112422352B (zh) 2021-04-20

Family

ID=74782491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093492.3A Active CN112422352B (zh) 2021-01-25 2021-01-25 一种基于用户数据热点分布的边缘计算节点部署方法

Country Status (1)

Country Link
CN (1) CN112422352B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472844A (zh) * 2021-05-26 2021-10-01 北京邮电大学 面向车联网的边缘计算服务器部署方法、装置及设备
CN113867933A (zh) * 2021-08-10 2021-12-31 中标慧安信息技术股份有限公司 边缘计算应用部署方法和装置
CN115277044A (zh) * 2022-05-17 2022-11-01 南京赛宁信息技术有限公司 OpenStack加密链路节点分层方法与系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874525A (zh) * 2018-06-22 2018-11-23 浙江大学 一种面向边缘计算环境的服务请求分配方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
US20190158340A1 (en) * 2012-12-05 2019-05-23 Origin Wireless, Inc. Apparatus, systems and methods for fall-down detection based on a wireless signal
CN111800506A (zh) * 2020-07-06 2020-10-20 深圳市网心科技有限公司 一种边缘计算节点部署方法及相关装置
CN112020103A (zh) * 2020-08-06 2020-12-01 暨南大学 一种移动边缘云中的内容缓存部署方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190158340A1 (en) * 2012-12-05 2019-05-23 Origin Wireless, Inc. Apparatus, systems and methods for fall-down detection based on a wireless signal
CN108874525A (zh) * 2018-06-22 2018-11-23 浙江大学 一种面向边缘计算环境的服务请求分配方法
CN109413724A (zh) * 2018-10-11 2019-03-01 重庆邮电大学 一种基于mec的任务卸载和资源分配方案
CN111800506A (zh) * 2020-07-06 2020-10-20 深圳市网心科技有限公司 一种边缘计算节点部署方法及相关装置
CN112020103A (zh) * 2020-08-06 2020-12-01 暨南大学 一种移动边缘云中的内容缓存部署方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SUN XIAOKE 等: "Enhancing the User Experience in Vehicular Edge Computing Networks: An Adaptive Resource Allocation Approach", 《IEEE ACCESS》 *
陈卓 等: "MEC 中基于改进遗传模拟退火算法的虚拟网络功能部署策略", 《通信学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113472844A (zh) * 2021-05-26 2021-10-01 北京邮电大学 面向车联网的边缘计算服务器部署方法、装置及设备
CN113867933A (zh) * 2021-08-10 2021-12-31 中标慧安信息技术股份有限公司 边缘计算应用部署方法和装置
CN113867933B (zh) * 2021-08-10 2022-09-09 中标慧安信息技术股份有限公司 边缘计算应用部署方法和装置
CN115277044A (zh) * 2022-05-17 2022-11-01 南京赛宁信息技术有限公司 OpenStack加密链路节点分层方法与系统

Also Published As

Publication number Publication date
CN112422352B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN112422352B (zh) 一种基于用户数据热点分布的边缘计算节点部署方法
Bai et al. Analysis of blockage effects on urban cellular networks
Semasinghe et al. An evolutionary game for distributed resource allocation in self-organizing small cells
Alfano et al. New directions into the stochastic geometry analysis of dense CSMA networks
Torrieri et al. The outage probability of a finite ad hoc network in Nakagami fading
Brown Cellular performance bounds via shotgun cellular systems
CN106454700B (zh) 基于社交网络的d2d通信内容分发方法
Koutitas et al. Deployment strategies and energy efficiency of cellular networks
Lecci et al. Accuracy versus complexity for mmWave ray-tracing: A full stack perspective
Slavik et al. Applying machine learning to the design of multi-hop broadcast protocols for VANET
CN113687875B (zh) 一种车联网中车辆任务卸载方法及装置
Zhang et al. A universal approach to coverage probability and throughput analysis for cellular networks
CN114520992B (zh) 一种基于簇过程的雾接入网时延性能优化方法
Bhatti et al. Spatial correlation based analysis of soft combination and user selection algorithm for cooperative spectrum sensing
Fernandes et al. Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks
CN102448071B (zh) 一种基于干扰温度的认知网络功率分配方法
Ohatkar et al. Hybrid channel allocation in cellular network based on genetic algorithm and particle swarm optimisation methods
Li et al. Co‐channel interference in two‐tier heterogeneous networks: analytical model and ergodic capacity
CN114827947A (zh) 车联网安全计算卸载及资源分配方法、计算机设备及终端
Fernández Anitzine et al. Influence of training set selection in artificial neural network‐based propagation path loss predictions
Charles et al. Refined statistical analysis of evolution approaches for wireless networks
CN113395709B (zh) 一种面向用户基站泊松分布的服务覆盖分析方法
CN115499115A (zh) CF-mMIMO场景下基于正交导频的活跃用户检测方法
Andrade et al. Multi-objective approaches to improve QoS in vehicular ad-hoc networks
Liu et al. Analytical approximation of other-cell interference in the uplink of CDMA cellular systems

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