CN112882723A - 面向并行微服务组合的边缘服务部署方法 - Google Patents

面向并行微服务组合的边缘服务部署方法 Download PDF

Info

Publication number
CN112882723A
CN112882723A CN202110209666.8A CN202110209666A CN112882723A CN 112882723 A CN112882723 A CN 112882723A CN 202110209666 A CN202110209666 A CN 202110209666A CN 112882723 A CN112882723 A CN 112882723A
Authority
CN
China
Prior art keywords
service
micro
population
terminal
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.)
Granted
Application number
CN202110209666.8A
Other languages
English (en)
Other versions
CN112882723B (zh
Inventor
王黎维
夏唯
李兵
王健
赵玉琦
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110209666.8A priority Critical patent/CN112882723B/zh
Publication of CN112882723A publication Critical patent/CN112882723A/zh
Application granted granted Critical
Publication of CN112882723B publication Critical patent/CN112882723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Multi Processors (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开了一种面向并行微服务组合的边缘服务部署方法，包括：构建边缘环境下终端和边缘服务器之间的连接拓扑以及边缘服务器的容量限制；构建边缘环境下终端与边缘服务器之间的微服务请求‑响应系统；形成以最小化终端的服务响应时间作为主目标、最小化终端访问云服务器的次数作为辅助目标的多目标组合；编码微服务部署方案得到主目标和辅助目标对应的适应值；构建种群，基于带精英策略的非支配排序的遗传算法并融合粒子群算法对种群进行迭代优化以求解Pareto最优解，得到主目标最优的个体对应的微服务部署方案。本发明通过引入辅助目标防止了主目标过早收敛而陷入局部最优解；通过引入粒子群算法改进非支配排序的遗传算法，提高了算法的准确性。

Description

面向并行微服务组合的边缘服务部署方法
技术领域
本发明属于边缘计算技术领域，具体涉及一种面向并行微服务组合的边缘服务部署方法。
背景技术
近年来，手机、可穿戴设备、传感器和各种物联网终端设备的数量日益增加。服务提供商为终端设备提供低延迟连接是一个关键的服务质量需求，面对数量庞大的终端设备，服务提供商如何在成本可控的条件下为终端设备提供更高的服务质量成为了边缘计算中的一个关键问题，多接入边缘计算(MEC，Multi-Access Edge Computing)为解决该问题提供了良好的切入点。
多接入边缘计算旨在将服务推向网络边缘，即在靠近终端的地方建立统一的服务提供平台，称之为边缘服务器。边缘服务器比云端服务器更靠近终端设备，可以就近处理服务并将结果交付给终端，实现了低延迟、高服务质量。多接入边缘计算提供了新的服务模式，服务提供商可以租用边缘服务器来托管服务，通过优化服务的部署策略，来提高租用资源的利用率。
在多终端多边缘服务器的场景中，由于相邻边缘服务器的覆盖范围往往存在重合，因此，同一个边缘服务器可以为多个终端提供服务，同一个终端也可以向多个边缘服务器请求服务；优化服务部署策略，一方面要考虑边缘服务器的资源约束和范围约束，另一方面要降低终端的服务请求延时。
现有的优化服务部署策略主要针对完整的、不可拆分的服务，然而一个完整的服务往往由一组微服务组成。一组微服务的执行过程可分为串行和并行，串行呈单链形，并行呈图形。目前，已有的基于微服务组合的优化服务部署策略主要考虑串行微服务组合。
现有的优化服务部署策略的方法主要分为精确算法、启发式算法、元启发式算法，精确算法基于分支定界法，具有指数级复杂度，不适用于大规模的组合优化问题。启发式算法通常以问题为导向，一般是一种只能求得局部最优解的贪心算法。元启发式算法是启发式算法的改进，针对的是普遍的问题，解决问题的策略相对启发式算法更为通用，常见的元启发式算法包括包括遗传算法、模拟退火算法、禁忌搜索算法及神经网络算法。启发式算法和元启发式算法可以快速得到可行解，但是存在过早收敛而陷入局部最优解的问题。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种面向并行微服务组合的边缘服务部署方法，该方法针对并行微服务组合使用元启发式算法，一方面，通过引入辅助目标的方式，不仅防止了单目标的情况下该目标过早收敛而陷入局部最优解，而且也为辅助目标求得较优解；另一方面，通过引入粒子群算法中粒子具有记忆功能的特点，改进带精英策略的非支配排序的遗传算法(NSGA-II)，提高了算法的准确性。
为解决上述技术问题，本发明采用如下技术方案：
一种面向并行微服务组合的边缘服务部署方法，包括以下步骤：
步骤S1、处理终端和边缘服务器的地理位置信息，初始化每个边缘服务器的属性，构建边缘环境下终端和边缘服务器之间的连接拓扑以及边缘服务器的容量限制；
步骤S2、设计并行微服务组合架构，每个终端请求一个基于该架构的服务，构建边缘环境下终端与边缘服务器之间的微服务请求-响应系统；
步骤S3、将终端和边缘服务器的连接拓扑建模成距离约束，将边缘服务器的微服务部署容量限制建模成容量约束，将最小化终端的服务响应时间作为主目标，并将最小化终端访问云服务器的次数作为辅助目标以形成多目标组合；
步骤S4、编码微服务部署方案，将所述步骤S3中的主目标和辅助目标转换为对应的用于判断微服务部署方案优劣的适应值；
步骤S5、以所述步骤S4的微服务部署方案与对应的适应值作为个体，构建种群，基于带精英策略的非支配排序的遗传算法并融合粒子群算法，对种群进行迭代优化以求解出Pareto最优解，从而将Pareto最优解中主目标最优的个体对应的微服务部署方案作为最佳的边缘微服务部署方案。
较佳地，所述步骤S1包括：
步骤S1.1、根据终端和边缘服务器的经纬度信息求解出每个终端和每个边缘服务器的距离；
步骤S1.2、为每个边缘服务器设置信号辐射直径，并据此得到边缘服务器的覆盖范围，再结合所述步骤S1.1得到的距离，确认每个终端和每个边缘服务器的连接关系，构建边缘环境下终端和边缘服务器的连接拓扑；
步骤S1.3、为每个边缘服务器设置可部署的微服务的最大数量，构建边缘环境下的容量限制。
较佳地，所述步骤S2包括：
步骤S2.1、基于软件服务定义匹配的多个微服务；
步骤S2.2、对所述步骤S2.1定义完成的微服务设计并行微服务组合架构；
步骤S2.3：为每个终端分配一个请求基于上述并行微服务组合架构的软件服务；
步骤S2.4：为每个终端制定微服务请求策略以便于边缘服务器进行响应并反馈结果给终端。
较佳地，所述步骤S3包括：
步骤S3.1、建立终端与边缘服务器之间的距离约束满足如下表达式：
dmn≤cov(sbsm)
其中，dmn代表第m个边缘服务器和第n个用户的距离，sbsm代表第m个边缘服务器，cov(sbsm)代表第m个边缘服务器的覆盖范围；
步骤S3.2、建立每个边缘服务器的微服务部署容量约束满足如下表达式：
len(dep_mlistm)≤cap(sbsm)
其中，dep_mlistm代表第m个边缘服务器部署的微服务列表。
较佳地，在所述步骤S3中，将最小化终端的服务响应时间表示为：
Figure BDA0002950954960000031
其中，N为整个系统中终端的总个数，timen为第n个终端的服务响应时间；
对于每个终端，按照微服务的执行顺序依次请求微服务，对于该顺序中的第i个微服务，将从微服务初始化到执行完该微服务的时间表示为：
Figure BDA0002950954960000032
其中，esorti代表微服务执行顺序列表中的第i个微服务，pre_micros(esorti)代表微服务esorti的前驱微服务列表，pre_list(esorti)代表微服务esorti的每个前驱微服务到达微服务esorti的时间组成的列表，texe(esorti)代表微服务esorti的执行时间；
pre_list(esorti)中每个元素的计算原则为：
pre_timeij＝(temp_time(esortij)+tsend(esortij，esorti))
其中，esortij代表微服务执行顺序列表中的第i个微服务的第j个前驱微服务，tsend(esortij，esorti)代表微服务esortij的结果传输到微服务esorti的时间，
tsend(esortij，esorti)的计算原则为：
Figure BDA0002950954960000041
其中，exe_site(esortij)代表微服务esortij的执行地，tdown(esortij)代表微服务esortij的执行结果从该微服务的执行地下行到终端的传输时间，tup(esorti)代表执行微服务esorti的请求和配置数据从终端上行到该微服务的执行地的传输时间；
每个终端的服务响应时间表示为：
time＝max(temp_time_list(esort))
其中，esort代表该终端的微服务执行顺序列表，temp_time_list(esort)代表执行顺序列表的每个微服务的temp_time组成的列表。
较佳地，在所述步骤S3中，将最小化访问云服务器的次数表示为：
Figure BDA0002950954960000042
其中，N为终端的总个数，countn代表每个终端是否访问云服务器，如果访问云服务器则为1，不访问则为0。
较佳地，所述步骤S5包括：
步骤S5.1、配置种群：以所述步骤S4编码的微服务部署方案作为个体的基因，为种群保存一个历代群体最优个体gbest，为种群中的每个个体保存一个历代最优个体pbest；
步骤S5.2、对种群中的个体进行快速非支配排序：基于适应值越小越好的标准，使用NSGA-II的快速非支配排序算法对种群中的个体进行排序；
步骤S5.3、结合遗传算法和粒子群算法得到种群的子代种群：基于有放回的二元锦标赛选择，选出个体进行交叉和变异操作，每次随机选择两个个体，选择更优的个体后放回原种群，直至选择出P个个体组成更新，更新概率子代种群；
步骤S5.4、基于NSGA-II的排挤算法和精英策略对种群中的个体进行筛选；
步骤S5.5、采用Pc表示第c次迭代后的种群，执行以下算法循环迭代优化种群Pc：
(6)c＝1，基于所述步骤S5.1配置随机初始化规模为S的种群Pc，根据所述步骤S5.2对种群进行快速非支配排序；
(7)根据所述步骤S5.3得到种群的规模为N的子代种群P′C；
(8)c＝c+1；
(9)将父代种群Pc和子代种群P′C合并成一个规模为2S的种群Pm；
(10)根据所述步骤S5.2对种群Pm进行快速非支配排序，根据所述步骤S5.4从种群Pm中挑选S个个体作为新父种群；
跳转到步骤(2)，直至迭代次数c达到设定迭代次数时结束。
较佳地，在所述步骤S5.3中，
交叉操作的过程为：对子代种群无重复地选取个体进行交叉，每次随机选择两个个体，并随机选择对应的边缘服务器交换部署方案，交换概率为指定的交叉概率，交叉片段可不连续，即交叉的边缘服务器在编码上并不要求连续，交叉片段的边缘服务器个数为指定范围内的一个随机数；变异操作的过程为：对每个个体随机选择边缘服务器重新部署微服务，变异概率为指定的变异概率，变异片段可不连续，变异片段的边缘服务器个数为指定范围内的一个随机数；
通过粒子群算法更新种群保存的历代群体最优个体和种群中的每个个体保存的历代最优个体，从而更新惯性因子；
更新个体的部署方案的过程为：对于个体p的每个边缘服务器部署方案，根据个体p的历代最优个体pbestp的相应边缘服务器的微服务部署方案进行为个体学习因子cp；根据种群的历代群体最优个体gbest的相应边缘服务器的微服务部署方案进行更新，更新概率为社会学习因子cg；使该边缘服务器的微服务部署方案保持惯性恢复到原来的状态，恢复概率为惯性因子w。
较佳地，所述步骤S5.4的筛选过程为：对种群中的每个前沿面，根据NSGA-II的排挤算法，计算个体的拥挤距离，淘汰每个前沿面中拥挤距离为0的个体，将前沿面中的所有个体按照前沿面的非支配序从低到高的顺序放入新种群中，直到将某个前沿面Fj中的个体放入新种群时，新种群的个体数超出了种群规模，此时，将前沿面Fj中的个体按照个体的拥挤距离从大到小的顺序放入新种群中，直到新种群中的个体数量达到种群规模。
与现有技术相比，本发明的有益效果为：
附图说明
图1为本发明的实施例中面向并行微服务组合的边缘服务部署方法的流程图。
图2为本发明的实施例中终端和边缘服务器的分布示意图。
图3为本发明的实施例中并行抽象微服务组合结构示意图
图4为基于图2并行抽象微服务组合结构的并行微服务组合图。
图5为本发明的实施例中个体基因交叉示意图。
图6为本发明的实施例中个体基因变异示意图。
图7为本发明的实施例中根据历代群体最优个体、历代最优个体、惯性因子更新个体的微服务部署方案的架构图。
图8为本发明的实施例中迭代优化种群算法的流程图。
图9为本发明的实施例中终端的服务总响应实际随终端数量的变化示意图。
图10为本发明的实施例中终端询问云服务器的总次数随终端数量的变化示意图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步说明。
现有在多接入边缘计算(MEC)的环境中，边缘服务器比云端服务器更靠近终端，能够为终端提供更快的访问速度。服务提供商可以租用边缘服务器的资源部署其微服务，以减少终端请求微服务所经历的端到端延时，提高终端的服务质量。那么，服务提供商如何在租用的边缘服务器资源上部署微服务，是一个具有现实意义的问题。
在本实施例中，一种微服务部署方案包含所有的边缘服务器上的微服务部署情况。由于(1)边缘服务器覆盖范围存在重合，同一个终端可以向不同的边缘服务器发起微服务请求。(2)终端请求的服务是由并行微服务组合而成的复合服务。故不同的微服务部署方案，将会带来不同的服务质量。
对于服务提供商而言，最佳的微服务部署方案应最小化所有终端的平均服务响应时间。基于此目标，本实施例提供了一种面向并行微服务组合的边缘服务部署方法，目的在于提高终端的服务质量。
如图1所示，本实施例的面向并行微服务组合的边缘服务部署方法包括以下步骤：
步骤S1、处理终端和边缘服务器的地理位置信息，初始化每个边缘服务器的属性，构建边缘环境下终端和边缘服务器之间的连接拓扑以及边缘服务器的容量限制。
具体地，步骤S1包括：
步骤S1.1、根据终端和边缘服务器的经纬度信息求解出每个终端和每个边缘服务器的距离。
本实施例以P.Lai在实证研究中收集的实际边缘服务器和终端用户的位置数据作为具体实施例的数据集。
步骤S1.2、为每个边缘服务器设置信号辐射直径，并据此得到边缘服务器的覆盖范围，再结合步骤S1.1所求得到的距离，确认每个终端和每个边缘服务器的连接关系，构建边缘环境下终端和边缘服务器的连接拓扑。
作为一个具体实施例，如图2所示，显示了终端和边缘服务器的分布示意图，图中的三角形代表终端，实心圆圈代表边缘服务器，以每个实心圆圈为圆心的圆圈所覆盖的面积代表每个边缘服务器的覆盖范围。图中的500个终端和40个边缘服务器是从上述步骤S1.1所述数据集中随机挑选的，每个边缘服务器的信号辐射直径随机设置在200-600米之间。
步骤S1.3、为每个边缘服务器设置可部署的微服务的最大数量，构建边缘环境下的容量限制。
步骤S2、设计并行微服务组合架构，每个终端请求一个基于该架构的服务，构建边缘环境下终端与边缘服务器之间的微服务请求-响应系统。
在本实施例中，一个完整的服务往往由一组微服务组成。一组微服务的执行过程可分为串行和并行，串行呈单链形，并行呈图形。目前，已有的基于微服务组合的优化服务部署策略主要考虑串行微服务组合。而在现实情况中，微服务组合往往是并行的。设计并行微服务组合架构，每个终端请求一个基于该架构的服务。通过为终端制定微服务请求策略，为边缘服务器制定微服务响应策略，从而构建边缘环境下的微服务请求-响应系统。
具体地，步骤S2包括：
步骤S2.1、基于软件服务定义匹配的多个微服务。
一个软件服务由多种抽象微服务组成，每种抽象微服务有多个可选的具体微服务。
步骤S2.2、对步骤S2.1定义完成的微服务设计并行微服务组合架构。
一种软件服务具有多种并行微服务组合，这些并行微服务组合都包含同样的抽象微服务，但抽象微服务的组合结构不同，选择的具体微服务也不同。抽象微服务的组合结构为图结构，一种抽象微服务存在前驱抽象微服务和后继抽象微服务，所有前驱抽象微服务执行完毕是执行该抽象微服务的充分必要条件，该抽象微服务执行完毕是执行其后继抽象微服务的必要条件。没有前驱后继关系的抽象微服务可以并行执行。
作为一个具体实施例，如图3所示，显示了并行抽象微服务组合结构示意图，在此种并行微服务组合中，该服务由6个抽象微服务组成，根据上述的前驱后继关系，这些抽象微服务的执行顺序为：a1、a2和a4并发执行、a5和a6-a3并发执行。
步骤S2.3、每个终端请求一个基于上述并行微服务组合架构的软件服务。
这里的终端可以为手机、可穿戴设备、传感器和各种物联网终端等具有一定计算能力的任意设备。
设计整个环境下的抽象微服务，包括抽象微服务的个数，每种抽象微服务的具体微服务个数，每个抽象微服务的具体微服务个数不同。
在具体的实施例中，为每个终端生成一种并行抽象微服务组合结构，并基于这种并行抽象微服务组合结构，生成一种并行微服务组合。
作为一个具体实施例，如图4所示，显示了基于图3的并行抽象微服务组合结构的并行微服务组合图，其中，比如m12，代表a1抽象微服务的第2个具体微服务。
步骤S2.4：为每个终端制定微服务请求策略以便于边缘服务器进行响应并反馈结果给终端。
一个软件服务由多个具体微服务组成，每个具体微服务分别属于一种抽象微服务，由步骤S2.2可知，每种抽象微服务存在前驱抽象微服务和后继抽象微服务，对微服务按照执行顺序排序，终端据此顺序依次请求微服务。
根据每个微服务的前驱微服务列表为他们排序，使得排序后得到的微服务串满足每个微服务的每个前驱微服务都排在它的前面。具体实施方式为：如果某微服务的所有前驱微服务已经在排序列表中，则将其加入排序微服务列表，循环操作，直至所有微服务都已经加入排序微服务列表中。
作为一个具体实施例，如图4所示的并行微服务组合，终端请求微服务的顺序为：{m12,m22,m41,m52,m63,m34}
为某个微服务寻找执行地时，终端检查自身可达边缘服务器部署的微服务，筛选出部署了该微服务的可达边缘服务器。对筛选出的边缘服务器，按照该微服务的所有前驱微服务执行完抵达该边缘服务器的时间排序，选择时间最短的边缘服务器执行该微服务。如果终端附近没有任何可达的边缘服务器，或者终端的所有可达边缘服务器都没有部署终端请求的微服务，则该微服务及后续所有微服务都由云服务器执行。
后续服务过程中，终端按照上述的微服务请求策略发出微服务请求，边缘服务器响应微服务请求，执行完微服务后，将结果返回给终端。
步骤S3、在上述构建边缘微服务请求-响应系统中，将终端和边缘服务器的连接拓扑建模成距离约束，并将边缘服务器的微服务部署容量限制建模成容量约束，以最小化终端的服务响应时间作为主目标，并将最小化终端访问云服务器的次数作为辅助目标，从而将面向并行微服务组合的边缘服务部署问题建模成多目标组合优化问题。
具体地，步骤S3包括：
步骤S3.1、步骤S3.1、建立终端与边缘服务器之间的距离约束满足如下表达式：
dmn≤cov(sbsm)
其中，dmn代表第m个边缘服务器和第n个用户的距离，sbsm代表第m个边缘服务器，cov(sbsm)代表第m个边缘服务器的覆盖范围；
步骤S3.2、建立每个边缘服务器的微服务部署容量约束满足如下表达式：
len(dep_mlistm)≤cap(sbsm)
其中，dep_mlistm代表第m个边缘服务器部署的微服务列表。
只有当终端在边缘服务器的覆盖范围时，终端的微服务请求才有可能被边缘服务器响应。
步骤S3.2、建立每个边缘服务器的微服务部署容量约束满足如下表达式：
len(dep_mlistm)≤cap(sbsm)
其中，dep_mlistm代表第m个边缘服务器部署的微服务列表。
每个边缘服务器部署的微服务列表的长度必须小于等于该边缘服务器的容量。
其次，在步骤S3中，边缘微服务部署问题的目标为最小化终端的服务响应时间，将最小化终端的服务响应时间表示为：
Figure BDA0002950954960000091
其中，N为整个系统中终端的总个数，timen为第n个终端的服务响应时间。
对于每个终端，由于其服务基于并行微服务组合，因此其微服务可以并行执行。并行微服务链的响应时间由耗时最长的微服务链决定，由步骤S2.4可知，终端按照微服务的执行顺序依次请求微服务，对于该顺序中的第i个微服务，将从微服务初始化到执行完该微服务的时间表示为：
Figure BDA0002950954960000101
其中，esorti代表微服务执行顺序列表中的第i个微服务，pre_micros(esorti)代表微服务esorti的前驱微服务列表，pre_list(esorti)代表微服务esorti的每个前驱微服务到达微服务esorti的时间组成的列表，texe(esorti)代表微服务esorti的执行时间。
pre_list(esorti)中每个元素的计算原则为：
pre_timeij＝(temp_time(esortij)+tsend(esortij，esorti))
esortij代表微服务执行顺序列表中的第i个微服务的第j个前驱微服务，tsend(esortij，esorti)代表微服务esortij的结果传输到微服务esorti的时间，
tsend(esortij，esorti)的计算原则为：
Figure BDA0002950954960000102
其中，exe_site(esortij)代表微服务esortij的执行地，exe_site(esorti)同理。tdown(esortij)代表微服务esortij的执行结果从该微服务的执行地下行到终端的传输时间，tup(esorti)代表执行微服务esorti的请求和配置数据从终端上行到该微服务的执行地的传输时间。
每个终端的服务响应时间表示为：
time＝max(temp_time_list(esort))
其中，esort代表该终端的微服务执行顺序列表,temp_time_list(esort)代表执行顺序列表的每个微服务的temp_time组成的列表。
另外，在步骤S3中，还引入最小化访问云服务器的次数作为辅助目标，将最小化访问云服务器的次数表示为：
Figure BDA0002950954960000103
其中，N为终端的总个数，countn代表每个终端是否访问云服务器，如果访问云服务器则为1，不访问则为0。
在步骤S3中，通过将面向并行微服务组合的边缘服务部署问题建模成多目标组合优化问题：即以上述距离约束和容量约束作为约束条件，以最小化终端的服务响应时间和最小化访问云服务器的次数作为目标，进而寻找一种面向并行微服务组合的边缘服务部署方案。
步骤S4、编码微服务部署方案，将步骤S3中的主目标和辅助目标转换为对应的用于判断微服务部署方案优劣的适应值。
具体地，在步骤S4中，边缘微服务请求-响应系统的一种微服务部署方案，可表示为：
Figure BDA0002950954960000111
其中，dep_mlistn代表系统中第n个边缘服务器部署的微服务列表，每个微服务都如步骤S2.1所述，N代表边缘服务器的总个数。
另外，适应值是衡量微服务部署方案优劣的标准，在步骤S3中，已将本实施例的面向并行微服务组合的边缘服务部署问题建模成多目标组合优化问题，适应值由目标决定。
每一种微服务部署方案均有两个适应值：终端的平均服务响应时间，访问云服务器的次数。两个适应值越小，代表微服务部署方案越优。
步骤S5、以步骤S4的微服务部署方案以及适应值作为个体，构建种群，基于NSGA-II(带精英策略的非支配排序的遗传算法)并融合粒子群算法，对种群进行迭代优化，求解出Pareto最优解，从Pareto最优解中选择主目标最优的个体的微服务部署方案作为本发明求解的边缘微服务部署方案。
具体地，步骤S5包括：
步骤S5.1、配置种群。
以步骤S4编码的微服务部署方案作为个体的基因，根据个体的基因计算适应值作为个体优劣的衡量标准。为种群保存一个历代群体最优个体gbest，为种群中的每个个体保存一个历代最优个体pbest。
初始化种群时，每个个体的微服务部署方案的生成策略为：每个边缘服务器在其覆盖范围内的终端请求的微服务中，随机选择微服务进行部署。
步骤S5.2、对种群中的个体进行快速非支配排序。
对种群中的个体，基于适应值越小越好的标准，使用NSGA-II的快速非支配排序算法，将种群中的个体分割成不同的前沿面。前沿面按非支配序从低到高排列。位于同一前沿面的个体互不支配，位于不同前沿面的个体存在支配关系，非支配序低的前沿面中的个体支配非支配序高的前沿面中的个体。
基于NSGA-II求解多目标优化问题，所得解为Pareto最优解，其特点是无法在改进任何目标函数的同时不削弱至少一个其他目标函数，也称为非支配解。因此支配关系的计算原则为：当个体a支配个体b时，a的所有目标必须不劣于b的所有目标，且a至少有一个目标优于b。
在本实施例中，编号越小的前沿面中的个体越优，位于同一前沿面的个体具有相同的优劣级别。
步骤S5.3、结合遗传算法和粒子群算法得到种群的子代种群。
基于有放回的二元锦标赛选择，选出个体进行交叉和变异操作，每次随机选择两个个体，选择更优的个体后放回原种群，直至选择出P个个体组成子代种群。
对子代种群无重复地选取个体进行交叉，每次随机选择两个个体，并随机选择对应的边缘服务器交换部署方案，交换概率为指定的交叉概率，交叉片段可不连续，即交叉的边缘服务器在编码上并不要求连续，交叉片段的边缘服务器个数为指定范围内的一个随机数。
作为一个具体实施例例，如图5所示，显示了个体基因交叉示意图，对两个个体的基因进行交叉，交换第2、3、5个边缘服务器的微服务部署方案，改变了两个个体的基因。
对子代种群中的每个个体进行变异，即对每个个体随机选择边缘服务器重新部署微服务，变异概率为指定的变异概率，变异片段可不连续，变异片段的边缘服务器个数为指定范围内的一个随机数。
作为一个具体实施例例，如图6所示，显示了个体基因变异示意图，对某个个体的基因进行变异，重新部署第1、3、4个边缘服务器的微服务部署方案，改变了该个体的基因。
边缘服务器重新部署微服务的方案为：在其覆盖范围内的终端请求的微服务中，随机选择微服务进行部署。
另外，引入粒子群算法中粒子具有记忆功能的特点，更新种群保存的历代群体最优个体和种群中的每个个体保存的历代最优个体，更新惯性因子，更新每个个体的部署方法。
更新种群的历代群体最优个体的具体实施方式为：
Figure BDA0002950954960000121
其中，now_gbest代表当前种群的群体最优个体。
更新种群中每个个体的历代最优个体的具体实施方式为：
Figure BDA0002950954960000131
其中，indp代表当前种群的第p个个体，pbestp代表第p个个体的历代最优个体。
更新惯性因子的具体实施方式为：
w＝ws-(ws-we)*(c/C)**2
其中，w代表惯性因子，ws代表惯性因子最大值，we代表惯性因子最小值，c代表当前的迭代次数，C代表设置的最大迭代次数。
更新每个个体的微服务部署方案的具体实施方式为：对于个体p的每个边缘服务器部署方案，根据个体p的历代最优个体pbestp的相应边缘服务器的微服务部署方案进行更新，更新概率为个体学习因子cp；根据种群的历代群体最优个体gbest的相应边缘服务器的微服务部署方案进行更新，更新概率为社会学习因子cg；使该边缘服务器的微服务部署方案保持惯性恢复到原来的状态，恢复概率为惯性因子w。作为一个具体实施例，图6显示了上述更新每个个体的微服务部署方案的架构图。
步骤S5.4、基于NSGA-II的排挤算法和精英策略对种群中的个体进行筛选。
对于位于不同前沿面中的个体，位于非支配序低的种群中的个体优于位于非支配序高的种群中的个体。对于位于同一前沿面中的个体，拥挤距离大的个体优于拥挤距离小的个体。
基于NSGA-II的排挤算法，计算个体拥挤距离的过程为：对位于同一前沿面的个体，初始化每个个体的拥挤距离为0，首先按照主目标优劣升序排列对个体进行排序，将第一个个体和最后一个个体的拥挤距离设为无穷大使得他们具有被选中的优势，对中间的个体计算拥挤距离：
Figure BDA0002950954960000132
其中，sort1代表根据主目标排序的列表，sort1[i]代表列表sort1中的第i个个体，d(sort1[i])代表个体sort1[i]的拥挤距离，f1(sort1[i+1])代表个体sort1[i+1]的主目标值，
Figure BDA0002950954960000133
代表列表sort1中主目标的最大值，
Figure BDA0002950954960000134
代表列表sort1中主目标的最小值。然后根据辅助目标升序排列对个体进行排序，将第一个个体和最后一个个体的拥挤距离设为无穷大使得他们具有被选中的优势，对中间的个体计算拥挤距离：
Figure BDA0002950954960000141
其中，sort2代表根据辅助目标排序的列表，sort2[i]代表列表sort2中的第i个个体，d(sort2[i])代表个体sort2[i]的拥挤距离，f2(sort2[i+1])代表个体sort2[i+1]的辅助目标值，
Figure BDA0002950954960000142
代表列表sort2中辅助目标的最大值，
Figure BDA0002950954960000143
代表列表sort2中辅助目标的最小值。
精英策略筛选个体的具体实施例为：淘汰每个前沿面中拥挤距离为0的个体，将前沿面中的所有个体按照前沿面的非支配序从低到高的顺序放入新种群中，直到如果将某个前沿面Fj中的个体放入新种群时，新子群的个体数超出了种群规模。此时，将前沿面Fj中的个体按照个体的拥挤距离从大到小的顺序放入新种群中，直到新种群中的个体数量达到种群规模。
步骤S5.5、采用Pc表示第c次迭代后的种群，执行以下算法循环迭代优化种群Pc，该迭代算法具体如图8所示，算法过程如下：
(1)c＝1，基于步骤S5.1所述配置随机初始化规模为S的种群Pc，根据步骤S5.2所述对种群进行快速非支配排序；
(2)根据步骤S5.3所述得到种群的规模为N的子代种群P′C；
(3)c＝c+1；
(4)将父代种群Pc和子代种群P′C合并成一个规模为2S的种群Pm；
(5)根据步骤S5.2所述对种群Pm进行快速非支配排序，根据步骤S5.4所述从种群Pm中挑选S个个体作为新父种群；
(6)跳转到步骤(2)，直至迭代次数c达到设定迭代次数时跳出循环。
综上所述，根据本实施例的方法，可以通过终端的微服务请求情况，得到一个边缘服务器部署的有效实施方案，为终端提供低延时、高服务质量的目标。其次，通过引入辅助目标的方式，防止了以主目标为单目标的情况下主目标过早收敛而陷入局部最优解。最后，通过引入粒子群算法中粒子具有记忆功能的特点，改进带精英策略的非支配排序的遗传算法(NSGA-II)，提高了算法的准确性。
另外，针对本实施的部署方法进行了实际的试验验证，具体如下：
如图9所示，显示了终端的服务总响应实际随终端数量的变化示意图；如图10所示，显示了终端询问云服务器的总次数随终端数量的变化示意图。其中，固定变量：边缘服务器的个数为40，边缘服务器的信号辐射直径随机设置在200-600米之间，并行微服务组合的抽象微服务种类为10，每种抽象微服务的具体微服务个数随机设置在2-5之间，交叉算子的交叉概率为0.8，变异算子的变异概率为0.2，种群规模为100，种群迭代次数为50，个体学习因子为0.9，社会学习因子为0.7，初始惯性因子为1，惯性因子最大值为1，惯性因子最小值为0.8。
在图9和10中展示了四种算法的变化示意图：本实施例的算法(将NSGA-II算法与粒子群算法相结合的混合优化算法NSGA_PSO)以及三种基准算法(随机算法RANDOM、贪心算法GREED、遗传算法GA)。
本实施例引入了辅助目标，使用NSGA_PSO算法求解主目标和辅助目标，而基准算法为单目标算法。如图9和10可以直观看出：本实施例的算法所得的主目标和辅助目标的解都明显优于三种基准算法。
本发明的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围，则本发明的意图也包含这些改动和变形在内。

Claims (9)

1.一种面向并行微服务组合的边缘服务部署方法，其特征在于，包括以下步骤：
步骤S1、处理终端和边缘服务器的地理位置信息，初始化每个边缘服务器的属性，构建边缘环境下终端和边缘服务器之间的连接拓扑以及边缘服务器的容量限制；
步骤S2、设计并行微服务组合架构，每个终端请求一个基于该架构的服务，构建边缘环境下终端与边缘服务器之间的微服务请求-响应系统；
步骤S3、将终端和边缘服务器的连接拓扑建模成距离约束，将边缘服务器的微服务部署容量限制建模成容量约束，将最小化终端的服务响应时间作为主目标，并将最小化终端访问云服务器的次数作为辅助目标以形成多目标组合；
步骤S4、编码微服务部署方案，将所述步骤S3中的主目标和辅助目标转换为对应的用于判断微服务部署方案优劣的适应值；
步骤S5、以所述步骤S4的微服务部署方案与对应的适应值作为个体，构建种群，基于带精英策略的非支配排序的遗传算法并融合粒子群算法，对种群进行迭代优化以求解出Pareto最优解，从而将Pareto最优解中主目标最优的个体对应的微服务部署方案作为最佳的边缘微服务部署方案。
2.如权利要求1所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
所述步骤S1包括：
步骤S1.1、根据终端和边缘服务器的经纬度信息求解出每个终端和每个边缘服务器的距离；
步骤S1.2、为每个边缘服务器设置信号辐射直径，并据此得到边缘服务器的覆盖范围，再结合所述步骤S1.1得到的距离，确认每个终端和每个边缘服务器的连接关系，构建边缘环境下终端和边缘服务器的连接拓扑；
步骤S1.3、为每个边缘服务器设置可部署的微服务的最大数量，构建边缘环境下的容量限制。
3.如权利要求2所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
所述步骤S2包括：
步骤S2.1、基于软件服务定义匹配的多个微服务；
步骤S2.2、对所述步骤S2.1定义完成的微服务设计并行微服务组合架构；
步骤S2.3：为每个终端分配一个请求基于上述并行微服务组合架构的软件服务；
步骤S2.4：为每个终端制定微服务请求策略以便于边缘服务器进行响应并反馈结果给终端。
4.如权利要求3所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
所述步骤S3包括：
步骤S3.1、建立终端与边缘服务器之间的距离约束满足如下表达式：
dmn≤cov(sbsm)
其中，dmn代表第m个边缘服务器和第n个用户的距离，sbsm代表第m个边缘服务器，cov(sbsm)代表第m个边缘服务器的覆盖范围；
步骤S3.2、建立每个边缘服务器的微服务部署容量约束满足如下表达式：
len(dep_mlistm)≤cap(sbsm)
其中，dep_mlistm代表第m个边缘服务器部署的微服务列表。
5.如权利要求4所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
在所述步骤S3中，将最小化终端的服务响应时间表示为：
Figure FDA0002950954950000021
其中，N为整个系统中终端的总个数，timen为第n个终端的服务响应时间；
对于每个终端，按照微服务的执行顺序依次请求微服务，对于该顺序中的第i个微服务，将从微服务初始化到执行完该微服务的时间表示为：
Figure FDA0002950954950000022
其中，esorti代表微服务执行顺序列表中的第i个微服务，pre_micros(esorti)代表微服务esorti的前驱微服务列表，pre_list(esorti)代表微服务esorti的每个前驱微服务到达微服务esorti的时间组成的列表，texe(esorti)代表微服务esorti的执行时间；
pre_list(esorti)中每个元素的计算原则为：
pre_timeij＝(temp_time(esortij)+tsend(esortij，esorti))
其中，esortij代表微服务执行顺序列表中的第i个微服务的第j个前驱微服务，tsend(esortij，esorti)代表微服务esortij的结果传输到微服务esorti的时间，
tsend(esortij，esorti)的计算原则为：
Figure FDA0002950954950000031
其中，exe_site(esortij)代表微服务esortij的执行地，tdown(esortij)代表微服务esortij的执行结果从该微服务的执行地下行到终端的传输时间，tup(esorti)代表执行微服务esorti的请求和配置数据从终端上行到该微服务的执行地的传输时间；
每个终端的服务响应时间表示为：
time＝max(temp_time_list(esort))
其中，esort代表该终端的微服务执行顺序列表，temp_time_list(esort)代表执行顺序列表的每个微服务的temp_time组成的列表。
6.如权利要求4所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
在所述步骤S3中，将最小化访问云服务器的次数表示为：
Figure FDA0002950954950000032
其中，N为终端的总个数，countn代表每个终端是否访问云服务器，如果访问云服务器则为1，不访问则为0。
7.如权利要求4所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
所述步骤S5包括：
步骤S5.1、配置种群：以所述步骤S4编码的微服务部署方案作为个体的基因，为种群保存一个历代群体最优个体gbest，为种群中的每个个体保存一个历代最优个体pbest；
步骤S5.2、对种群中的个体进行快速非支配排序：基于适应值越小越好的标准，使用NSGA-II的快速非支配排序算法对种群中的个体进行排序；
步骤S5.3、结合遗传算法和粒子群算法得到种群的子代种群：基于有放回的二元锦标赛选择，选出个体进行交叉和变异操作，每次随机选择两个个体，选择更优的个体后放回原种群，直至选择出P个个体组成更新，更新概率子代种群；
步骤S5.4、基于NSGA-II的排挤算法和精英策略对种群中的个体进行筛选；
步骤S5.5、采用Pc表示第c次迭代后的种群，执行以下算法循环迭代优化种群Pc：
(1)c＝1，基于所述步骤S5.1配置随机初始化规模为S的种群Pc，根据所述步骤S5.2对种群进行快速非支配排序；
(2)根据所述步骤S5.3得到种群的规模为N的子代种群P′C；
(3)c＝c+1；
(4)将父代种群Pc和子代种群P′C合并成一个规模为2S的种群Pm；
(5)根据所述步骤S5.2对种群Pm进行快速非支配排序，根据所述步骤S5.4从种群Pm中挑选S个个体作为新父种群；
跳转到步骤(2)，直至迭代次数c达到设定迭代次数时结束。
8.如权利要求7所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
在所述步骤S5.3中，
交叉操作的过程为：对子代种群无重复地选取个体进行交叉，每次随机选择两个个体，并随机选择对应的边缘服务器交换部署方案，交换概率为指定的交叉概率，交叉片段可不连续，即交叉的边缘服务器在编码上并不要求连续，交叉片段的边缘服务器个数为指定范围内的一个随机数；变异操作的过程为：对每个个体随机选择边缘服务器重新部署微服务，变异概率为指定的变异概率，变异片段可不连续，变异片段的边缘服务器个数为指定范围内的一个随机数；
通过粒子群算法更新种群保存的历代群体最优个体和种群中的每个个体保存的历代最优个体，从而更新惯性因子；
更新个体的部署方案的过程为：对于个体p的每个边缘服务器部署方案，根据个体p的历代最优个体pbestp的相应边缘服务器的微服务部署方案进行为个体学习因子cp；根据种群的历代群体最优个体gbest的相应边缘服务器的微服务部署方案进行更新，更新概率为社会学习因子cg；使该边缘服务器的微服务部署方案保持惯性恢复到原来的状态，恢复概率为惯性因子w。
9.如权利要求7所述的面向并行微服务组合的边缘服务部署方法，其特征在于，
所述步骤S5.4的筛选过程为：对种群中的每个前沿面，根据NSGA-II的排挤算法，计算个体的拥挤距离，淘汰每个前沿面中拥挤距离为0的个体，将前沿面中的所有个体按照前沿面的非支配序从低到高的顺序放入新种群中，直到将某个前沿面Fj中的个体放入新种群时，新种群的个体数超出了种群规模，此时，将前沿面Fj中的个体按照个体的拥挤距离从大到小的顺序放入新种群中，直到新种群中的个体数量达到种群规模。
CN202110209666.8A 2021-02-24 2021-02-24 面向并行微服务组合的边缘服务部署方法 Active CN112882723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110209666.8A CN112882723B (zh) 2021-02-24 2021-02-24 面向并行微服务组合的边缘服务部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110209666.8A CN112882723B (zh) 2021-02-24 2021-02-24 面向并行微服务组合的边缘服务部署方法

Publications (2)

Publication Number Publication Date
CN112882723A true CN112882723A (zh) 2021-06-01
CN112882723B CN112882723B (zh) 2023-09-08

Family

ID=76054443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110209666.8A Active CN112882723B (zh) 2021-02-24 2021-02-24 面向并行微服务组合的边缘服务部署方法

Country Status (1)

Country Link
CN (1) CN112882723B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821317A (zh) * 2021-07-02 2021-12-21 华侨大学 一种边云协同的微服务调度方法、装置及设备
CN115225671A (zh) * 2022-07-15 2022-10-21 湖南大学 AIoT智慧医疗多址边缘卸载方法、系统、设备及介质
CN115866626A (zh) * 2023-02-23 2023-03-28 安徽思高智能科技有限公司 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN112084026A (zh) * 2020-09-02 2020-12-15 国网河北省电力有限公司石家庄供电分公司 基于粒子群的低能耗边缘计算资源部署系统及方法
CN112165721A (zh) * 2020-08-28 2021-01-01 山东师范大学 基于边缘计算的多服务任务的卸载和服务迁移方法
CN112395090A (zh) * 2020-11-19 2021-02-23 华侨大学 一种移动边缘计算中服务放置的智能混合优化方法
CN112398899A (zh) * 2020-07-10 2021-02-23 南京邮电大学 一种面向边缘云系统的软件微服务组合优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110187973A (zh) * 2019-05-31 2019-08-30 浙江大学 一种面向边缘计算的服务部署优化方法
CN112398899A (zh) * 2020-07-10 2021-02-23 南京邮电大学 一种面向边缘云系统的软件微服务组合优化方法
CN112165721A (zh) * 2020-08-28 2021-01-01 山东师范大学 基于边缘计算的多服务任务的卸载和服务迁移方法
CN112084026A (zh) * 2020-09-02 2020-12-15 国网河北省电力有限公司石家庄供电分公司 基于粒子群的低能耗边缘计算资源部署系统及方法
CN112395090A (zh) * 2020-11-19 2021-02-23 华侨大学 一种移动边缘计算中服务放置的智能混合优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李兵: "微服务在电力设备温度在线监测系统中的应用", 工业控制计算机, no. 007, pages 118 - 119 *
王晓天;韩啸: "基于改进粒子群算法的云计算服务部署优化", 吉林大学学报. 理学版, vol. 55, no. 2, pages 393 - 397 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821317A (zh) * 2021-07-02 2021-12-21 华侨大学 一种边云协同的微服务调度方法、装置及设备
CN113821317B (zh) * 2021-07-02 2023-08-11 华侨大学 一种边云协同的微服务调度方法、装置及设备
CN115225671A (zh) * 2022-07-15 2022-10-21 湖南大学 AIoT智慧医疗多址边缘卸载方法、系统、设备及介质
CN115225671B (zh) * 2022-07-15 2024-03-15 湖南大学 AIoT智慧医疗多址边缘卸载方法、系统、设备及介质
CN115866626A (zh) * 2023-02-23 2023-03-28 安徽思高智能科技有限公司 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法
CN115866626B (zh) * 2023-02-23 2023-05-12 安徽思高智能科技有限公司 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法

Also Published As

Publication number Publication date
CN112882723B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN112882723B (zh) 面向并行微服务组合的边缘服务部署方法
WO2021169577A1 (zh) 一种基于加权联邦学习的无线业务流量预测方法
Liu et al. Social learning discrete Particle Swarm Optimization based two-stage X-routing for IC design under Intelligent Edge Computing architecture
CN112346839B (zh) 一种基于进化算法的关联任务调度方法
CN106134136A (zh) 计算针对广域网上的数据传送的长期调度
CN113472844B (zh) 面向车联网的边缘计算服务器部署方法、装置及设备
CN113111594B (zh) 基于多目标优化的用频规划方法、装置和计算机设备
CN112087329B (zh) 一种网络服务功能链部署方法
Zhao et al. Joint shareability and interference for multiple edge application deployment in mobile-edge computing environment
CN114357724B (zh) 基于动态多目标优化的临机用频规划方法、装置和设备
CN108665089A (zh) 一种用于选址问题的鲁棒优化模型求解方法
CN104994515A (zh) 一种信息物理融合系统下的网关部署方法
CN107786989B (zh) 一种Lora智能水表网络网关部署方法及装置
Wakil et al. Method for replica selection in the Internet of Things using a hybrid optimisation algorithm
CN113139639B (zh) 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN111506104B (zh) 一种规划无人机位置的方法及装置
Peng et al. Joint optimisation for time consumption and energy consumption of multi‐application and load balancing of cloudlets in mobile edge computing
CN115866626B (zh) 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法
CN108965020A (zh) 跨域虚拟网络映射方法及其装置、计算机可读介质
Niu et al. CRSM: computation reloading driven by spatial-temporal mobility in edge-assisted automated industrial cyber-physical systems
CN112787833A (zh) 内容分发网络cdn服务器的部署方法和装置
Luo et al. Deployment optimization for shared e-mobility systems with multi-agent deep neural search
Wang Optimization of wireless network node deployment in smart city based on adaptive particle swarm optimization
CN113390414A (zh) 一种军用油料投送路径规划方法
CN117713382B (zh) 分布式电力服务提供方法及分布式电力服务系统

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