CN112799843B - 一种基于边缘计算的在线自适应服务配置优化方法及装置 - Google Patents
一种基于边缘计算的在线自适应服务配置优化方法及装置 Download PDFInfo
- Publication number
- CN112799843B CN112799843B CN202110139391.5A CN202110139391A CN112799843B CN 112799843 B CN112799843 B CN 112799843B CN 202110139391 A CN202110139391 A CN 202110139391A CN 112799843 B CN112799843 B CN 112799843B
- Authority
- CN
- China
- Prior art keywords
- service
- edge node
- service request
- energy consumption
- edge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 181
- 238000004364 calculation method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 144
- 238000005265 energy consumption Methods 0.000 claims abstract description 140
- 230000008569 process Effects 0.000 claims abstract description 132
- 230000004044 response Effects 0.000 claims abstract description 130
- 230000006854 communication Effects 0.000 claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000002787 reinforcement Effects 0.000 claims abstract description 17
- 230000009471 action Effects 0.000 claims description 93
- 230000005540 biological transmission Effects 0.000 claims description 59
- 238000012546 transfer Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 230000007774 longterm Effects 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101150030072 CNTF gene Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种基于边缘计算的在线自适应服务配置优化方法及装置,其中,该方法包括:基于动态网络中每一时刻的实时用户需求生成服务请求;根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法对其进行求解,得到满足每一时刻的实时用户需求的最优服务配置决策;在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策,可以高效地实现在线用户需求的自适应配置。
Description
技术领域
本申请涉及物联网和通信技术领域,尤其是涉及一种基于边缘计算的在线自适应服务配置优化方法及装置。
背景技术
随着物联网技术和通信技术的不断发展,越来越多的物联网应用程序被接入到网络中,导致传统的由云计算提供服务的需求大幅增加,从而导致用户和远程云服务器之间造成了巨大的网络开销,给通信链路带来了沉重的负担,并造成了较高的服务延迟。
现有技术中,针对上述问题提出一种边缘计算方案,通过利用网络边缘的空闲计算和存储资源,将提供服务的设备从远程的云端转移到边缘端,减轻骨干网络的过载压力,以支持用户需求的及时、快速响应。
但是,由于单个边缘节点能力有限,只能承载少数几个服务,用户需求需要由网络中的多个边缘节点相互协作。因此,在边缘计算中,如何合理地进行多个边缘节点间的自适应服务配置,从而按需高效地满足用户需求和优化网络资源,是一个亟需解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种基于边缘计算的在线自适应服务配置优化方法及装置,可以高效地实现在线用户需求的自适应配置。
第一方面,本申请实施例提供了一种基于边缘计算的在线自适应服务配置优化方法,包括:
基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策。
在一种可能的实施方式中,根据以下步骤确定所述多目标函数:
基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数。
在一种可能的实施方式中,根据以下步骤确定所述多约束条件:
将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
在一种可能的实施方式中,根据以下步骤构建连续时间马尔可夫决策过程模型:
定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积。
在一种可能的实施方式中,采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策,包括:
初始化当前阶段的系统状态,并执行一个随机的系统动作;
计算执行该系统动作后的立即回报,并依据转移函数进入下一阶段的系统状态;
在下一阶段的系统状态下,利用贪婪算法通过求解所述多目标多约束模型来选择将要执行的下一个系统动作;
基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差;
将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
以最小化长期系统平均回报为长期目标,重复执行上述步骤直至得到满足每一时刻的实时用户需求的最优服务配置决策。
第二方面,本申请实施例还提供了一种基于边缘计算的在线自适应服务配置优化装置,包括:
生成模块,用于基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
构建模块,用于根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
配置模块,用于针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策。
在一种可能的实施方式中,所述构建模块包括第一构建单元和第二构建单元;
所述第一构建单元具体用于:
基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数;
所述第二构建单元具体用于:
将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
在一种可能的实施方式中,所述配置模块包括构建单元和求解单元;
所述构建单元具体用于:
定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积;
所述求解单元具体用于:
初始化当前阶段的系统状态,并执行一个随机的系统动作;
计算执行该系统动作后的立即回报,并依据转移函数进入下一阶段的系统状态;
在下一阶段的系统状态下,利用贪婪算法通过求解所述多目标多约束模型来选择将要执行的下一个系统动作;
基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差;
将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
以最小化长期系统平均回报为长期目标,重复执行上述步骤直至得到满足每一时刻的实时用户需求的最优服务配置决策。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
本申请实施例提供的一种基于边缘计算的在线自适应服务配置优化方法,首先,基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息,有助于复杂用户需求的快速响应。其次,根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件。最后,针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策,可以将边缘网络中的自适应服务配置问题转化为一个多目标多约束优化问题。本申请针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,考虑边缘网络中边缘节点的异构性,根据每一时刻的用户需求,自适应地配置边缘网络中的边缘节点,这些边缘节点相互协作,共同支持网络中节点能效高效性和服务响应即时性。并且,本申请研究系统的长期服务配置,采用基于时间差分算法的强化学习方法,对实时服务配置策略进行在线学习,不断提高系统决策的有效性,降低边缘计算网络中节点的长期平均能耗和网络响应延迟。因此,本申请可以高效地实现在线用户需求的自适应配置。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种基于边缘计算的在线自适应服务配置优化方法的流程图;
图2示出了本申请实施例所提供的服务请求实例;
图3示出了本申请实施例所提供的边缘网络架构;
图4示出了本申请实施例所提供的一种基于边缘计算的在线自适应服务配置优化装置的结构示意图;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到由于单个边缘节点能力有限,只能承载少数几个服务,用户需求需要由网络中的多个边缘节点相互协作。因此,在边缘计算中,如何合理地进行多个边缘节点间的自适应服务配置,从而按需高效地满足用户需求和优化网络资源,是一个亟需解决的问题。基于此,本申请实施例提供了一种基于边缘计算的在线自适应服务配置优化方法及装置,下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种基于边缘计算的在线自适应服务配置优化方法进行详细介绍。
请参照图1,图1为本申请实施例所提供的一种基于边缘计算的在线自适应服务配置优化方法的流程图。如图1所示,所述方法可以包括以下步骤:
S101、基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
S102、根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
S103、针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策。
步骤S101中,动态网络中每一时刻的实时用户需求是不可预测的,随着时间可能在动态变化,因此需要对每个实时用户需求进行处理。具体地,每个用户需求可被构建为过程模型中的业务流程,采用业务流程建模符号(BPMN)的形式,逻辑化表示为服务请求srq=(SEV,CntF,TmpD)。其中,SEV=(sev1,sev2,sev3,…)表示服务请求包括的多个功能独立的服务的服务标识;表示各个服务之间的控制流关系信息,即服务执行的逻辑先后顺序;/>表示各个相邻的服务之间的时序依赖关系信息,即后序服务需要在前序服务完成后多久内开始执行才能保证前序服务结果的有效性。服务请求中的每项服务sev包含其自身属性,涉及到其服务功能func、需求工作任务量task(数据包大小υ和所需CPU周期数ω)和服务持续时间约束sevD。
如图2所示,基于动态网络中每一时刻的实时用户需求的结构,将实时用户需求拆分为一组原子型服务。这些原子型服务可以分别被单个边缘节点执行,并按照一定的逻辑顺序和时序约束进行组合,表示为服务请求srq。
步骤S102中,如图3所示,针对任一服务请求srqm,其包含的每个服务都被部署在边缘网络中的边缘节点上执行,由于单个边缘节点能力不足,多个边缘节点将相互协作共同完成。服务请求响应过程包括计算和传输两个方面,需要基于服务请求响应过程中的计算和传输情况构建通信计算模型。在本实施例中,根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型
所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数。在本实施例中可通过以下子步骤确定所述多目标函数:
S1020、基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
S1021、基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
S1022、基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
S1023、基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
S1024、基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
S1025、基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数。
步骤S1020和S1021中,在满足用户需求的服务组合计算过程中,主要考虑服务被配置在相应合适边缘节点上的执行过程,包括计算延迟Tcomp和计算能耗Ecomp两个方面:
(1)服务请求srqm中的服务sevi被配置在边缘节点ndj的计算延迟如下:
其中,表示服务配置前的等待时间,ωm,i表示相应服务所需的CPU周期数,fj表示边缘节点CPU频率。
(2)服务请求srqm中的服务sevi被配置在边缘节点ndj的计算能耗如下:
其中,表示边缘节点的计算功率,ωm,i表示相应服务所需的CPU周期数,fj表示边缘节点CPU频率。
步骤S1022和S1023中,在满足用户需求的过程中,相邻服务被配置在不同的边缘节点,从而造成边缘节点间的相互通讯和数据传输。相应地,通信过程也主要考虑通信延迟Ttran和通信能耗Etran开销两个部分:
(1)服务请求srqm中的服务sevi数据从边缘节点ndj传输到边缘节点ndj′的传输延迟如下:
其中,和/>分别表示发送节点与接收节点间的信道带宽和收益,/>表示节点传输功率,N0为信道噪声系数,θmi表示相应服务需要传输的数据量。
(2)服务请求srqm中的服务sevi数据从边缘节点ndj传输到边缘节点ndj,的传输能耗如下:
其中,与/>分别表示发送节点和接收节点的传输能耗,/>表示节点传输功率,/>表示传输延迟。
步骤S1024和S1025中,对于一个服务请求所需的服务组合的要实现的目标包括服务请求的响应延迟最小和边缘网络的总能耗最小,具体如下:
(1)基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数,即min(Tcomp+Ttran)。
(2)基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数,即min(Ecomp+Etran)。
所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件。在本实施例中可通过以下子步骤确定所述多约束条件:
S1026、将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
其中,若服务请求srqm中的sevi配置在边缘节点ndj上,则Im,i,j为1,若服务请求srqm中的sevi没有配置在边缘节点ndj上,则Im,i,j为0,表示边缘节点配置的服务数量,Cj表示该边缘节点可承载的最大容量。
S1027、将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
其中,表示边缘节点的剩余能量,/>表示边缘节点所承载服务的计算能耗,边缘节点所承载服务的通信能耗。
S1028、将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
其中,配置有服务的边缘节点计算该服务的时间,Dur(i)表示该服务的持续时间。
S1029、将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
其中,表示相邻服务间的传输时间,TmpD(i)表示既定的时序依赖时间。
步骤S103中,针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型。在本实施例中可通过以下子步骤构建连续时间马尔可夫决策过程模型:
S1031、定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
S1032、定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
S1033、定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
S1034、定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积。
步骤S1031中,系统状态其中,/>表示此阶段观察到的服务队列,由于服务请求包含多个服务,当且仅当服务请求中的前序服务被执行完成,后续服务才能够被加入到服务队列中;/>表示队列中服务的候选边缘节点集,当且仅当该边缘节点的硬件设施能够满足该服务的持续时间约束并具有剩余容量时,该边缘节点才会被加入到候选集中;/>表示当前阶段网络中各边缘节点的工作情况;/>表示各边缘节点间通信信道情况。系统的状态随着服务队列中新服务的加入或队列头服务的配置操作而发生改变,当采取某个动作,系统的状态依据转移函数不断被更新。为了整个网络的长期稳定和高效满足用户请求的目的,对系统状态下的动作优劣进行评价,不同动作的采取使系统获得相应的回报。
步骤S1032中,系统动作集表示为服务等待队列中的头节点配置合适的边缘节点,系统动作集即动作候选集合,动作候选集合中包括多约束条件的多个候选边缘节点。当候选服务选择合适的边缘节点进行配置,系统状态随之改变。
步骤S1033中,系统状态根据转移函数进行改变,其转移函数如下:
其中,sk和sk+1分别为系统第k阶段和第k+1阶段的系统状态,ak表示第k阶段采取的系统动作。
步骤S1034中,每一步动作的选择都为系统带来相应的奖励,按照系统的最小延迟和最低能耗需求,得到如下回报函数:
其中,T(k)表示第k阶段系统的延迟,E(k)表示第k阶段系统的能耗,w1和w2分别表示延迟和能耗所占的权重比,Q设置为10,表示当服务可选择的边缘节点候选集不为空时,系统动作选择将会受到积极影响。
步骤S103中,采用基于时间差分的强化学习方法,基于系统长期平均回报产生每个系统状态下的决策,指导系统将服务配置到合适的边缘节点上。在本实施例中,采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型的具体子步骤如下:
S1、初始化当前阶段的系统状态sk,并执行一个随机的系统动作ak;
S2、计算执行该系统动作后的立即回报Rk,并依据转移函数进入下一阶段的系统状态sk+1;
S3、在下一阶段的系统状态下,利用贪婪算法(ε-greedy)通过求解所述多目标多约束模型来选择将要执行的下一个系统动作,即服务配置的边缘节点;
贪婪算法是指,在对问题求解时,总是做出在当前看来是最好的选择。也就是说,不从整体最优上加以考虑,算法得到的是在某种意义上的局部最优解。贪婪算法的关键是贪心策略的选择。在本实施例中,贪心策略包括:针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策,即为该服务请求所对应的每个服务选择系统动作。
S4、基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差δk;
/>
其中,Rk+1表示k+1阶段系统的立即回报,表示前k个阶段的系统平均回报,表示动作值函数的近似值,sk+1表示第k+1阶段的系统状态,ak+1表示第k+1阶段的系统动作,ωk为第k阶段动作值函数权重值。
S5、将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
其中,表示前k个阶段的系统平均回报,/>表示前k+1个阶段的系统平均回报,β表示设置的系统参数,δk表示时间差分算法误差。
S6、将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
ωk+1←ωk+αδkω(sk,ak)
其中,ωk+1表示第k+1阶段动作值函数权重值,ωk为第k阶段动作值函数权重值,α为算法步长,δk表示时间差分算法误差,ω(sk,ak)表示在系统状态sk下采取动作ak的动作值函数权重。
S7、以最小化长期系统平均回报为长期目标,重复执行上述步骤S1-S6直至得到满足每一时刻的实时用户需求的最优服务配置决策,即将系统中的每个服务自适应地配置到合适的边缘节点。
本申请实施例提供的一种基于边缘计算的在线自适应服务配置优化方法,首先,基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息,有助于复杂用户需求的快速响应。其次,根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件。最后,针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策,可以将边缘网络中的自适应服务配置问题转化为一个多目标多约束优化问题。本申请针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,考虑边缘网络中边缘节点的异构性,根据每一时刻的用户需求,自适应地配置边缘网络中的边缘节点,这些边缘节点相互协作,共同支持网络中节点能效高效性和服务响应即时性。并且,本申请研究系统的长期服务配置,采用基于时间差分算法的强化学习方法,对实时服务配置策略进行在线学习,不断提高系统决策的有效性,降低边缘计算网络中节点的长期平均能耗和网络响应延迟。因此,本申请可以高效地实现在线用户需求的自适应配置。
基于相同的技术构思,本申请实施例还提供一种基于边缘计算的在线自适应服务配置优化装置、电子设备、以及计算机存储介质等,具体可参见以下实施例。
请参照图4,图4为本申请实施例所提供的一种基于边缘计算的在线自适应服务配置优化装置的结构示意图。所述装置可以包括:
生成模块10,用于基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
构建模块20,用于根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
配置模块30,用于针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策。
在一种可能的实施方式中,所述构建模块20包括第一构建单元和第二构建单元;
所述第一构建单元具体用于:
基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数;
所述第二构建单元具体用于:
将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
在一种可能的实施方式中,所述配置模块30包括构建单元和求解单元;
所述构建单元具体用于:
定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积;
所述求解单元具体用于:
初始化当前阶段的系统状态,并执行一个随机的系统动作;
计算执行该系统动作后的立即回报,并依据转移函数进入下一阶段的系统状态;
在下一阶段的系统状态下,利用贪婪算法通过求解所述多目标多约束模型来选择将要执行的下一个系统动作;
基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差;
将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
以最小化长期系统平均回报为长期目标,重复执行上述步骤直至得到满足每一时刻的实时用户需求的最优服务配置决策。
本申请实施例公开了一种电子设备,如图5所示,包括:处理器501、存储器502和总线503,所述存储器502存储有所述处理器501可执行的机器可读指令,当电子设备运行时,所述处理器501与所述存储器502之间通过总线503通信。
所述机器可读指令被所述处理器501执行时执行以下基于边缘计算的在线自适应服务配置优化方法的步骤:
基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策。
在一种可能的实施方式中,所述处理器501根据以下步骤确定所述多目标函数:
基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数。
在一种可能的实施方式中,所述处理器501根据以下步骤确定所述多约束条件:
将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
在一种可能的实施方式中,所述处理器501根据以下步骤构建连续时间马尔可夫决策过程模型:
定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积。
在一种可能的实施方式中,所述处理器501采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策,包括:
初始化当前阶段的系统状态,并执行一个随机的系统动作;
计算执行该系统动作后的立即回报,并依据转移函数进入下一阶段的系统状态;
在下一阶段的系统状态下,利用贪婪算法通过求解所述多目标多约束模型来选择将要执行的下一个系统动作;
基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差;
将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
以最小化长期系统平均回报为长期目标,重复执行上述步骤直至得到满足每一时刻的实时用户需求的最优服务配置决策。
本申请实施例所提供的基于边缘计算的在线自适应服务配置优化方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种基于边缘计算的在线自适应服务配置优化方法,其特征在于,包括:
基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策;
其中,根据以下步骤确定所述多目标函数:
基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数;
其中,根据以下步骤确定所述多约束条件:
将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
2.根据权利要求1所述的方法,其特征在于,根据以下步骤构建连续时间马尔可夫决策过程模型:
定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积。
3.根据权利要求1所述的方法,其特征在于,采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策,包括:
初始化当前阶段的系统状态,并执行一个随机的系统动作;
计算执行该系统动作后的立即回报,并依据转移函数进入下一阶段的系统状态;
在下一阶段的系统状态下,利用贪婪算法通过求解所述多目标多约束模型来选择将要执行的下一个系统动作;
基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差;
将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
以最小化长期系统平均回报为长期目标,重复执行上述步骤直至得到满足每一时刻的实时用户需求的最优服务配置决策。
4.一种基于边缘计算的在线自适应服务配置优化装置,其特征在于,包括:
生成模块,用于基于动态网络中每一时刻的实时用户需求生成服务请求;所述服务请求包括多个功能独立的服务的服务标识、各个服务之间的控制流关系信息、以及各个相邻的服务之间的时序依赖关系信息;
构建模块,用于根据通信计算模型计算服务请求响应过程中的延迟和能耗情况,并构建包括多目标函数和多约束条件的多目标多约束模型;所述多目标函数包括用于表征服务请求的响应延迟最小的第一目标函数和用于表征边缘网络的总能耗最小的第二目标函数;所述多约束条件包括边缘节点承载服务容量约束条件、边缘节点剩余能耗约束条件、服务持续时间约束条件和服务间时序依赖约束条件;
配置模块,用于针对动态网络中连续时间下每一时刻的实时用户需求的在线自适应服务配置过程,构建连续时间马尔可夫决策过程模型,并采用基于时间差分算法的强化学习方法求解所述连续时间马尔可夫决策过程模型,得到满足每一时刻的实时用户需求的最优服务配置决策;其中,在求解所述连续时间马尔可夫决策过程模型的过程中,针对每个服务请求,以服务请求的最小响应延迟和边缘网络的最小总能耗为目标,通过求解所述多目标多约束模型来确定该服务请求的最优服务配置决策;
其中,所述构建模块包括第一构建单元和第二构建单元;
所述第一构建单元具体用于:
基于服务配置前的等待时间、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算延迟;
基于边缘节点的计算功率、服务所需的CPU周期数和边缘节点CPU频率,确定服务请求响应过程中服务被配置在边缘节点上的计算能耗;
基于发送节点和接收节点之间的信道带宽和收益、边缘节点传输功率和信道噪声系数,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟;
基于发送节点和接收节点的传输能耗,确定服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗;
基于服务请求响应过程中服务被配置在边缘节点上的计算延迟和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输延迟,构建用于表征服务请求的响应延迟最小的第一目标函数;
基于服务请求响应过程中服务被配置在边缘节点上的计算能耗和服务请求响应过程中服务数据从一个边缘节点传输到下一个边缘节点的传输能耗,构建用于表征边缘网络的总能耗最小的第二目标函数;
所述第二构建单元具体用于:
将用于表征边缘节点配置的服务数量不超过该边缘节点可承载的最大容量的约束条件,确定为边缘节点承载服务容量约束条件;
将用于表征边缘节点的剩余能量不小于其所承载服务的计算能耗与通信能耗之和的约束条件,确定为边缘节点剩余能耗约束条件;
将用于表征配置有服务的边缘节点计算该服务的时间不超过该服务的持续时间的约束条件,确定为服务持续时间约束条件;
将用于表征相邻服务间的传输时间不超过其既定的时序依赖时间的约束条件,确定为服务间时序依赖约束条件。
5.根据权利要求4所述的装置,其特征在于,所述配置模块包括构建单元和求解单元;
所述构建单元具体用于:
定义系统状态,所述系统状态包括以下参量:当前阶段观察到的服务队列、服务队列中服务的候选边缘节点集、当前阶段边缘网络中各边缘节点的工作情况和各边缘节点间通信信道情况;
定义系统动作集,所述系统动作集包括满足多约束条件的多个边缘节点;
定义转移函数,所述转移函数用于根据当前阶段的系统状态和采用的系统动作改变下一阶段的系统状态;
定义回报函数,求解所述通信计算模型得到当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗,若服务可选择的系统动作集不为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的加权和;若服务可选择的系统动作集为空,则所述回报函数为当前阶段的服务请求的最小响应延迟和边缘网络的最小总能耗的和与预设常数的乘积;
所述求解单元具体用于:
初始化当前阶段的系统状态,并执行一个随机的系统动作;
计算执行该系统动作后的立即回报,并依据转移函数进入下一阶段的系统状态;
在下一阶段的系统状态下,利用贪婪算法通过求解所述多目标多约束模型来选择将要执行的下一个系统动作;
基于当前阶段的系统平均回报、下一阶段的立即回报和动作值函数的近似值,计算时间差分算法误差;
将当前阶段的系统平均回报更新为下一阶段的系统平均回报;
将当前阶段的动作值函数的权重更新为下一阶段的动作值函数的权重;
以最小化长期系统平均回报为长期目标,重复执行上述步骤直至得到满足每一时刻的实时用户需求的最优服务配置决策。
6.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至3任一所述方法的步骤。
7.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至3任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110139391.5A CN112799843B (zh) | 2021-02-01 | 2021-02-01 | 一种基于边缘计算的在线自适应服务配置优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110139391.5A CN112799843B (zh) | 2021-02-01 | 2021-02-01 | 一种基于边缘计算的在线自适应服务配置优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112799843A CN112799843A (zh) | 2021-05-14 |
CN112799843B true CN112799843B (zh) | 2023-12-29 |
Family
ID=75813512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110139391.5A Active CN112799843B (zh) | 2021-02-01 | 2021-02-01 | 一种基于边缘计算的在线自适应服务配置优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112799843B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452788B (zh) * | 2021-06-29 | 2022-04-26 | 中国地质大学(北京) | 一种动态网络中基于服务迁移的适配优化方法 |
CN114285855B (zh) * | 2022-03-07 | 2022-05-24 | 济南英华自动化技术有限公司 | 一种基于智能边缘物联的云边协同方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
CN110971706A (zh) * | 2019-12-17 | 2020-04-07 | 大连理工大学 | Mec中近似最优化与基于强化学习的任务卸载方法 |
CN111163178A (zh) * | 2020-01-10 | 2020-05-15 | 中国地质大学(武汉) | 一种边缘计算中基于博弈论的服务部署及任务卸载方法 |
CN111614754A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 面向雾计算的成本效率优化的动态自适应任务调度方法 |
CN111666149A (zh) * | 2020-05-06 | 2020-09-15 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN112134916A (zh) * | 2020-07-21 | 2020-12-25 | 南京邮电大学 | 一种基于深度强化学习的云边协同计算迁移方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10528396B2 (en) * | 2016-11-14 | 2020-01-07 | King Abdulaziz University | Temporal task scheduling in a hybrid system |
US11410023B2 (en) * | 2019-03-01 | 2022-08-09 | International Business Machines Corporation | Lexicographic deep reinforcement learning using state constraints and conditional policies |
US11132608B2 (en) * | 2019-04-04 | 2021-09-28 | Cisco Technology, Inc. | Learning-based service migration in mobile edge computing |
-
2021
- 2021-02-01 CN CN202110139391.5A patent/CN112799843B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
CN110971706A (zh) * | 2019-12-17 | 2020-04-07 | 大连理工大学 | Mec中近似最优化与基于强化学习的任务卸载方法 |
CN111163178A (zh) * | 2020-01-10 | 2020-05-15 | 中国地质大学(武汉) | 一种边缘计算中基于博弈论的服务部署及任务卸载方法 |
CN111666149A (zh) * | 2020-05-06 | 2020-09-15 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
CN111614754A (zh) * | 2020-05-20 | 2020-09-01 | 重庆邮电大学 | 面向雾计算的成本效率优化的动态自适应任务调度方法 |
CN111756812A (zh) * | 2020-05-29 | 2020-10-09 | 华南理工大学 | 一种能耗感知的边云协同动态卸载调度方法 |
CN112134916A (zh) * | 2020-07-21 | 2020-12-25 | 南京邮电大学 | 一种基于深度强化学习的云边协同计算迁移方法 |
Non-Patent Citations (4)
Title |
---|
"Adaptive Service Configuration for Edge Resource Allocation in Business Process";mengyu sun et al;《2020 IEEE World Congress on Services (SERVICES)》;全文 * |
"IoT Service Composition for Concurrent Timed Applications";Mengyu Sun et al;《 2019 IEEE International Conference on Web Services (ICWS)》;全文 * |
"物联网环境下可配置的服务组合能量优化研究";孙梦宇;《CNKI优秀硕士学位论文全文库》;全文 * |
基于深度强化学习的移动边缘计算任务卸载研究;卢海峰;顾春华;罗飞;丁炜超;杨婷;郑帅;;计算机研究与发展(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112799843A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516250B (zh) | 一种联邦学习方法、装置、设备以及存储介质 | |
CN108920280B (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
Tang et al. | Deep reinforcement learning for task offloading in mobile edge computing systems | |
CN109669768B (zh) | 一种面向边云结合架构的资源分配和任务调度方法 | |
CN112799843B (zh) | 一种基于边缘计算的在线自适应服务配置优化方法及装置 | |
WO2021227508A1 (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN111669291B (zh) | 基于深度强化学习的虚拟化网络服务功能链部署方法 | |
CN114340016B (zh) | 一种电网边缘计算卸载分配方法及系统 | |
CN112148380A (zh) | 一种移动边缘计算任务卸载中的资源优化方法及电子设备 | |
CN111143036A (zh) | 一种基于强化学习的虚拟机资源调度方法 | |
CN113573363A (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
CN114697333A (zh) | 一种能量队列均衡的边缘计算方法 | |
CN114706631B (zh) | 基于深度q学习的移动边缘计算中卸载决策方法及系统 | |
CN115714820A (zh) | 一种分布式的微服务调度优化方法 | |
Hu et al. | Dynamic task offloading in MEC-enabled IoT networks: A hybrid DDPG-D3QN approach | |
Lorido-Botran et al. | ImpalaE: Towards an optimal policy for efficient resource management at the edge | |
CN113946423A (zh) | 基于图注意力网络的多任务边缘计算调度优化方法 | |
CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
Bensalem et al. | Towards optimal serverless function scaling in edge computing network | |
CN113157344B (zh) | 移动边缘计算环境下基于drl的能耗感知任务卸载方法 | |
CN110768827A (zh) | 一种基于群智能算法的任务卸载方法 | |
CN113452625B (zh) | 基于深度强化学习的卸载调度与资源分配方法 | |
CN113766540A (zh) | 低时延的网络内容传输方法、装置、电子设备及介质 | |
CN114090218A (zh) | 边缘计算环境下动态任务复制方法、设备和系统 | |
Mason et al. | No free lunch: Balancing learning and exploitation at the network edge |
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 |