CN113055487A - 一种基于vmec服务网络选择的迁移方法 - Google Patents
一种基于vmec服务网络选择的迁移方法 Download PDFInfo
- Publication number
- CN113055487A CN113055487A CN202110304184.0A CN202110304184A CN113055487A CN 113055487 A CN113055487 A CN 113055487A CN 202110304184 A CN202110304184 A CN 202110304184A CN 113055487 A CN113055487 A CN 113055487A
- Authority
- CN
- China
- Prior art keywords
- service
- network
- migration
- time slot
- delay
- 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
Links
Images
Classifications
-
- 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
- H04L67/14—Session management
- H04L67/148—Migration or transfer of sessions
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明涉及一种基于VMEC服务网络选择的迁移方法,属于移动通信技术领域。该方法根据对VMEC服务网络选择的迁移进行建模,在制定网络选择和服务迁移策略的过程中,将其视为一个综合了服务时延和能耗的最优化问题,建立适应度函数;通过网络筛选和服务进行优先级排序后,生成多个网络选择和服务迁移的随机解;根据适应度函数,得到各个随机解中的局部最优解和全局最优解;根据得到的局部最优解和全局最优解,结合粒子群算法进行优化,得到多用户的VMEC服务网络选择的迁移策略。本发明在满足了用户的QoS需求下,提高了任务卸载率。
Description
技术领域
本发明属于移动通信技术领域,涉及一种基于VMEC服务网络选择的迁移方法。
背景技术
传统的云计算不足以实现5G中毫秒级的延迟,这就要求将集中式云计算向移动边缘计算转变,将移动计算,网络控制和存储功能推送到网络边缘,以便在资源有限的移动设备上实现计算密集型和延迟关键型应用。移动边缘计算(Mobile Edge Computing,MEC)通过将计算、存储与业务服务能力推向网络边缘,实现了应用、服务和内容的本地化、近距离、分布式部署,一定程度上解决了5G网络热点高容量、低功耗大连接以及低时延高可靠等技术场景的业务需求,对于实现流量卸载、降低回传时延、提升用户体验具有重要意义。
车联网(Internet of Vehicles,IoV)是MEC的七大热门场景之一。MEC技术应用于车联网之后,可以把车联网云“下沉”至分布式部署的移动通信基站(例如基站、小基站或汇聚站点)并托管服务,利用MEC服务器来承载车联网应用。将数据及计算组件就近存储于离车辆较近的应用虚拟机中,能够有效地减少通信时延,满足车联网业务的严苛要求。
MEC服务器可以和接入点联合部署,也可以部署在一个或多个接入点附近,即一个或多个接入点共享一个MEC服务器。在部署了MEC服务器的移动网络中,当用户在不同服务器之间移动,通常利用服务迁移来保证服务的连续性。由于MEC网络服务对象大多是移动用户,因此用户移动性带来的问题不可忽视。移动性管理是移动通信和网络中的关键技术,用于保证用户移动中的通信和业务连续性。
车载移动边缘计算(Vechile Mobile Edge Computing,VMEC)的移动性管理可以分为两个方面:终端的移动性管理和服务的移动性管理。终端的移动性管理是服务的移动性管理先决条件。当车辆通过接入点A将车联网服务放置在MEC-A中运行,而由于车辆移动性,车辆逐渐远离MEC-A,需要从接入点A进行网络切换,切换到接入点B。如果不进行服务迁移,则需要通过接入点之间的通信转发,才能到达当前接入点,并进而转发给车辆。如果进行服务迁移,将运行在MEC-A中的服务迁移到MEC-B中,则此时车辆和服务之间的通信无需通过接入点之间的通信转发。这样可以降低服务响应时间,提高服务质量。因此服务响应时间需要增加一段转发时延,将降低服务质量。对于这种情况,可以通过服务迁移操作缓解。服务迁移可以将正在运行的服务从一个服务器迁移到另外一台服务器,用于保证MEC服务器变化时的服务连续性。如图1中所示,车辆从接入点A切换到接入点B时,可以执行服务迁移操作,将运行在MEC-A中的服务迁移到MEC-B,此时用户和服务之间的通信无需通过接入点之间的通信转发,可以降低服务响应时间,提高服务质量。因此,网络选择及服务的部署是移动边缘计算的移动网络场景中的移动性管理关键技术问题。
由于该系统边缘云的计算和存储资源有限,因此可能会出现多用户抢占资源、网络拥塞的情况;而目前对服务卸载,服务迁移的研究很多,其考虑主要因素是时延和和能耗。往往忽略了在移动过程中的网络切换对服务卸载和服务迁移产生的影响。
现有针对上述问题也有一些研究,如下所述。
公开号为CN109691147A的专利申请“动边缘计算服务的重新定位”,考虑了MEC场景中,通信切换和服务迁移之间的时序关系。该方案中,终端对切换进行预测,在可能的一个或多个基站的MEC服务器中建立当前服务的影子副本,并不断进行同步。由通信切换触发服务重新定位,当确认切换目标基站,销毁其他服务器中的影子副本。当触发切换后立即触发服务和其影子副本之间的重新定位。影子副本具有服务相关数据,可以极大地减少服务切换的时间。但该方案中,不明确切换预测的具体目标,当服务过大时,将会向多个服务器发送服务数据进行同步,占用过多服务器资源以及网络资源;也未明确切换预测的时间维度,如果预测的时间跨度过短,导致在切换时服务数据未同步完毕,无法执行服务切换,或者服务切换时间将会增加,将导致更长的服务中断时间。
公开号为CN111132253A的专利申请“一种通信切换和服务迁移的联合移动性管理方法”,公开了在具备移动边缘计算节点的网络中,设置了移动性管理相关的逻辑功能实体——切换管理实体和服务迁移管理实体。通过切换管理实体预测通信切换时刻和目标接入点,通过服务迁移管理实体首先判断是否进行服务迁移,若需要则预测服务迁移进入停机拷贝阶段的开始时刻,当该时刻与预测的通信切换时刻重合时,通知当前服务节点进行服务迁移,对通信切换以及服务迁移过程中的时间顺序进行决策,减少了用户移动期间内服务总中断时间。但该方案中,未考虑在网络切换和服务器迁移过程中产生的能耗问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于VMEC服务网络选择的迁移方法,不仅考虑了联网车辆在移动过程中网络选择和服务迁移产生的时延,还考虑了能耗。在满足用户的QoS的需求下,提高了任务的完成率。
为达到上述目的,本发明提供如下技术方案:
一种基于VMEC服务网络选择的迁移方法,具体包括以下步骤:
S1:建立MEC车联网场景下移动边缘计算场景数学模型;在MEC车联网场景中包含联网车辆和接入点和边缘服务器;建立的移动边缘计算场景数学模型包含时延和能耗的开销,其中时延包括切换时延、接入网排队时延、通信时延、传输时延、计算时延和迁移时延;能耗包括传输能耗、处理能耗和服务迁移能耗;
S2:对建立的时延和能耗的数学模型,建立适应度函数;
S5:根据适应度函数,进行粒子初始化,每个粒子中包含车辆k的可选择的网络选择和服务迁移位置;
S6:根据适应度函数,得到各个随机解中的局部最优解和全局最优解;根据得到的局部最优解和全局最优解,利用粒子群算法进行优化,得到最优网络接入和服务迁移位置。
进一步,步骤S1中,建立MEC车联网场景下移动边缘计算场景数学模型,具体包括:使用集合N={0,1,…,N-1}和K={0,1,…,K-1}分别表示边缘云集和用户集,集合M={0,1,…,M-1}表示任务集;本发明假定的车辆到基础设施的网络选择和服务迁移策略是在时隙结构中做出的,并且时间轴离散为T个时间帧,即T={0,1,2,…,T}。假设用户k∈K在时隙t共有M个任务需要卸载至边缘服务器上进行运行;在每个时隙t,系统都要为联网车辆进行网络选择和制定服务迁移策略。
进一步,步骤S2中,建立的适应度函数表示为:
s.t. α1+α2=1 (2)
其中,表示在时隙t联网车辆的接入点切换的切换时延,表示在时隙t联网车辆的接入网排队时延,表示在时隙联网车辆的通信时延,表示任务m在时隙t的传输时延,dcom(t)表示任务m在时隙t的计算时延,表示任务m在时隙t的迁移时延;表示在时隙t用于发送和接收数据的传输能耗,表示在时隙t处理任务m时的处理能耗,表示将任务从原始基站迁移到目标基站的迁移能耗;α1和α2属于[0,1],表示决策时的计算时延和能量的加权系数;表示联网车辆k在时隙t的动态访问点决策,如果表示在t时隙中,联网车辆k在时隙t选择接入点i接入网络;否则表示任务不在接入点i上执行;rk(t)代表联网车辆k在时隙t中的接入资源需求,表示服务放置决策;当表示在时隙t联网车辆k的任务m在边缘云j上,否则表示服务不放在边缘云j上;fm(t)代表任务m的资源需求;
其中,约束条件(2)表示在进行决策时,时延和能耗的加权系数;因为对于不同的车联网业务,其对时延和能耗的敏感程度不同。像车联网安全型业务和视频音频娱乐辅助类业务的要求不同,对于某些高速行驶的车辆,安全型业务对延迟要求很高,对视频音频娱乐辅助类业务要求不高;对于某些拥挤道路上低俗行驶的车辆,对视频音频娱乐辅助类业务的要求要高,对安全辅助类的业务相对较少。在该方案中,α1=0.7,α2=0.3,即该方案为延迟敏感型。
约束条件(3)表示每个联网车辆在时隙t只选择一个接入网;
约束条件(5)表示每个云中的接入任务总量不能超过接入点的资源限制;
约束条件(6)表示了一个服务在时隙t只能卸载或迁移至一个边缘云服务器上;
约束条件(4)(7)分别表示访问点决策变量和服务迁移决策变量的取值范围。
进一步,步骤S3中,网络预筛选具体包括:对车辆在t时隙的多个网络进行预筛选,通过网络预筛选,车辆可以将无法保证服务正常执行和卸载的边缘网络去除,例如某些覆盖范围较小或者存在网络拥塞的网络。这样可以减少车辆对网络选择的时间。本发明设计的网络预筛选过程中,车辆在其通信范围内扫描可访问的AP,并根据网络的信号强度和车辆在网络中预停留的时间,从网络扫描和结果中过滤部分网络。如果一个网络同时满足这两个因素,则将其添加到候选访问网络列表中。
进一步,步骤S4中,IoV应用优先级排序,具体包括:将IoV应用的最大容忍时延、可靠性指标和重要性指标融入到优先级的定义中;在每一时隙按照优先级大小对IoV应用进行排序,形成最佳服务迁移集合IoV应用的优先级指标由线性模型表示:
其中,k1,k2,k3,k4∈[0,1]表示各参量的对应用优先级的影响程度,由联网车辆的用户需求决定,ωm表示应用时延,ξm表示可靠性需求,Dm表示最大容忍时延;和整合了预测时延和最大容忍时延,在减少影响指标数量的同时,使得各参数归一化,由此简化了计算过程。
本发明的有益效果在于:本发明通过网络筛选和服务进行优先级排序后,生成多个网络选择和服务迁移的随机解;根据适应度函数,得到各个随机解中的局部最优解和全局最优解;根据得到的局部最优解和全局最优解,结合粒子群算法进行优化,得到多用户的VMEC服务网络选择的迁移策略。在满足了用户的QoS需求下,提高了任务卸载率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明实施例中移动边缘计算场景示意图。
图2为本发明实施例中VMEC的网络选择和服务迁移示意图。
图3为本发明基于VMEC服务网络选择的迁移方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图3,本发明设计了一种基于VMEC服务网络选择的迁移方法,包括以下步骤:
步骤1:对车联网场景下移动边缘计算场景建立数学模型;
在MEC车联网场景中包含联网车辆和接入点和边缘服务器。使用集合N={0,1,…N-1}和K={0,1,…K-1}分别表示边缘云集和用户集,集合M={0,1,…M-1}表示任务集。假设用户k∈K在时隙t共有M个任务需要卸载至边缘服务器上进行运行。在每个时隙t,系统都要为联网车辆进行网络选择和制定服务迁移策略。
具体的VMEC服务网络选择的迁移方法如下:
(1)接入点选择:在每个时隙,系统都会为每个任务做出AP选择决定。该任务可以在用户的本地设备上执行,也可以卸载到其他外部节点(即边缘服务器或远程云)上执行。设计一个二进制向量表示联网车辆k在时隙t的动态访问点决策,如果表示在t时隙中,联网车辆k在时隙t选择接入点i接入网络;否则因为车辆在一个时隙t只能选择一个AP接入,所以有以下约束:
(2)服务迁移选择:在每个时隙t,系统为每个任务选择一个接入点接入网络,然后为该任务选择一个服务放置位置,以便为任务提供服务需求。特别的是,对于单个任务来说,接入点选择和服务放置决策没有必要的关联。任务的服务可以放置在任意边缘云上,但接入点只能选择可为该任务提供服务的接入点。类似与接入点选择,服务放置选择为当表示在时隙t联网车辆k的任务m在边缘云j上,否则所以,服务放置模型如下:
根据MEC车联网场景中包含时延和能耗的开销:其中时延包括切换时延、接入网排队时延、通信时延、传输时延、计算时延和迁移时延;能耗包括传输能耗、处理能耗和服务迁移能耗。具体时延计算过程如下:
(1)切换时延:由于联网车辆的移动性,为了获得良好的用户感知,车辆需要从当前接入点切换到其他接入点。这就会导致一定的切换时延。假设车辆k从时隙t-1到时隙t进行了接入点切换,且由切换引起的延迟为v0,则车辆k的切换延迟表示为:
(2)接入网排队时延:当根据联网车辆k的位置优先选择最近的接入点时,由于每个接入点访问的用户数量随时在变化,可能会导致联网车辆在访问接入点时需排队,因此产生排队时延。为了更好地分析延迟性能,本实施例将排队延迟纳入本次的模型。给定在时隙t执行的任务的排队延迟:
(3)通信时延:车辆在移动过程中,会存在服务放置在的边缘服务器j和接入网选择i可能不在同一边缘云中的情况,这样可以减轻某些热点云的压力。但同时,通过边缘云访问服务将产生额外的通信延迟。因此,车辆k在通过接入网i将任务m放置在边缘服务器j上时,系统在时隙t的总通信延迟可以表示为:
(4)传输延迟:数据传输延迟定义为用户与基站之间进行数据传输所花费的时间。联网车辆的任务通过无线通道从本地设备上传到接入点。这里忽略了边缘服务器发送计算结果到用户的时间延迟。本实施例使用表示在时隙t中车辆k和接入点j之间的信道增益。因为本文将时间T划分为较小的时隙。为简化模型,将视为一个常数。用Pk表示车辆k的传输功率,表示车辆在时隙t中车辆k访问边缘云j的小区间干扰功率。则在时隙t中车辆k到接入点的传输速率可以表示为:
其中,W是信道带宽,σ2是噪声功率。所以,车辆到接入点的传输延迟可以表示为:
(5)计算时延:任务m的处理时延受MEC服务器计算能力的影响。每个MEC服务器可以使用共享处理器,同时处理来自联网车辆的多个MEC任务提供服务计算。用参量σm,j表示MEC服务器。边缘服务器j分配给任务m的处理能力,其单位为Hz(cycles/s)。由于MEC服务器有着较强的计算能力和负载能力,设定σm,j为不随着时隙变化而改变的常量。因此,对于配置在MEC服务器j中的应用m,其计算时延为:
其中γm(t)表示在时隙t任务m的输入数据量,λm(t)表示时隙t任务m的计算强度需求。
(6)迁移时延:由于联网车辆的移动性和边缘云的服务范围有限,在车辆行驶的过程中,会导致如下情况。联网车辆在t时隙后已经离开了接入点i,但放置在边缘云j上的服务尚未运行完成。为了保证服务的连续性和用户体验,车载边缘计算系统会将该服务进行服务迁移,在时间T内,该服务将由不止一个边缘服务器完成。若在时隙t内,联网车辆离开边缘云j之前,服务已经计算运行完成并将计算结果传回给车辆,则不考虑服务迁移。MEC白皮书中定义应用实例为应用VM,应用迁移的时延损耗,为VM迁移的停机时间。为简化应用m的迁移状态的描述,用以下表达:
其中,sm是表示在t-1时隙任务m放置在边缘服务器sm上,em是表示在t时隙任务m放置在边缘服务器em上。
用ωm(bits)来表示迁移任务m需要传输的数据量,则其迁移时延可以表示为
其中,参数α(t)∈[αmin,αmax]表示在时隙t内,边缘网络中可用信道资源占信道容量的百分比。αmin是保证IoV基础应用的最小可用网络资源,以匹配边缘网络占用的高峰时期。另一方面,对于MEC中的实时和交互式服务,需要给这些服务提供更多的信道资源,以增强其预防通信流量剧烈波动和边缘网络拥塞等风险的能力。因此,信道模型定义αmax<1,从而创造具有冗余信道资源的通信环境。此外,α(t)也是当前网络中联网汽车数量的体现,越多的车辆意味着越少的平均信道资源。在该模型中,任意两个MEC服务器i和j之间的信道资源,即信道容量ηi,j由表示,非直连服务器通过路由转发实现相互通信,其信道资源通过路由信息协议求解。当sm=se时,loV应用所在的MEC服务器并没有发生切换,因此其迁移时延为0。
(7)传输延迟:数据传输延迟定义为用户与基站之间进行数据传输所花费的时间。联网车辆的任务通过无线通道从本地设备上传到接入点。这里忽略了边缘服务器发送计算结果到用户的时间延迟。本实施例使用表示在时隙t中车辆k和接入点j之间的信道增益。因为本文将时间T划分为较小的时隙。为简化模型,将视为一个常数。用Pk表示车辆k的传输功率,表示车辆在时隙t中车辆k访问边缘云j的小区间干扰功率。则在时隙t中车辆k到接入点的传输速率用表示,其中,W是信道带宽,σ2是噪声功率。所以,车辆到接入点的传输延迟可以表示为:
能耗计算过程如下:
(1)传输能源消耗:传输能耗包括用于发送和接收数据的能耗。假设车辆k的发射功率与基站的接收功率成正比,则车辆k的任务的发射能量消耗为:
(2)处理能源消耗:当服务器需要分配虚拟机来处理用户k的任务时,处理能耗为:
(3)服务迁移能源消耗:服务迁移能耗包括用于将任务从原始基站传输到目标基站的能耗。所以迁移能耗表达为:
步骤2:根据以上时延和能耗的信息,能确定系统的适应度函数:
s.t. α1+α2=1 (2)
式中,是在时隙t联网车辆的接入点切换的切换时延;是在时隙t联网车辆的接入网排队时延;是在时隙联网车辆的通信时延;任务m在时隙t的传输时延;dcom(t)是任务m在时隙t的计算时延;是任务m在时隙t的迁移时延;是在时隙t用于发送和接收数据的传输能耗;在时隙t处理任务m时的处理能耗;将任务从原始基站迁移到目标基站的迁移能耗。α1和α2属于[0,1],表示决策时的计算时延和能量的加权系数;表示联网k在时隙t的动态访问点决策,如果表示在t时隙中,联网车辆k在时隙t选择接入点i接入网络;否则表示任务不在接入点i上执行;rk(t)代表用户k在时隙t中的接入资源需求,表示服务放置决策。当表示在时隙t联网车辆k的任务m在边缘云j上,否则表示服务不放在边缘云j上;fm(t)代表任务m的资源需求。
其中,约束条件(2)表示在进行决策时,时延和能耗的加权系数。因为对于不同的车联网业务,其对时延和能耗的敏感程度不同。像车联网安全型业务和视频音频娱乐辅助类业务的要求不同,对于某些高速行驶的车辆,安全型业务对延迟要求很高,对视频音频娱乐辅助类业务要求不高;对于某些拥挤道路上低俗行驶的车辆,对视频音频娱乐辅助类业务的要求要高,对安全辅助类的业务相对较少。在该方案中,α1=0.7,α2=0.3,即该方案为延迟敏感型。
约束条件(3)表示每个联网车辆在时隙t只选择一个接入网。
约束条件(5)表示每个云中的接入任务总量不能超过接入点的资源限制。
约束条件(6)表示了一个服务在时隙t只能卸载或迁移至一个边缘云服务器上。
约束条件(4)(7)分别表示访问点决策变量和服务迁移决策变量的取值范围。
对建立时延和能耗的数学模型,建立适应度函数。制定车辆的MEC网络选择和服务器迁移策略。
对建立的数学模型求解过程为:
对车辆在t时隙的多个网络进行预筛选,通过网络预筛选,车辆可以将无法保证服务正常执行和卸载的边缘网络去除,例如某些覆盖范围较小或者存在网络拥塞的网络。这样可以减少车辆对网络选择的时间。本文设计的网络预筛选过程中,车辆在其通信范围内扫描可访问的AP,并根据网络的信号强度和车辆在网络中预停留的时间,从网络扫描和结果中过滤部分网络。如果一个网络同时满足这两个因素,则将其添加到候选访问网络列表中。
对IoV应用进行优先级排序时,将IoV应用的最大容忍时延、可靠性指标、重要性指标等融入到优先级的定义中,并整合了传输时延和迁移时延,IoV应用的优先级指标由线性模型表述:
其中,k1,k2,k3,k4∈[0,1]表示各参量的对应用优先级的影响程度,由联网车辆的用户需求决定,ωm表示应用时延,ξm表示可靠性需求,Dm表示最大容忍时延。和整合了预测时延和最大容忍时延,在减少影响指标数量的同时,使得各参数归一化,由此简化了计算过程。
步骤6:根据适应度函数,得到各个随机解中的局部最优解和全局最优解;根据得到的局部最优解和全局最优解,利用粒子群算法进行优化,得到最优网络接入和服务迁移位置。
根据适应度函数,分别计算步骤5中各个随机解的适应度值。找到各个解中适应度最高的解,即为局部最优解,该解所对应的网络接入和服务放置基站即为当前解中最优的网络接入和服务放置基站,记为Pid;找到本次迭代及之前迭代所有解中适应度值最高的解,并把该解的网络接入和服务放置基站作为全局最优解,记为Pgd,由局部最优解Pid和全局最优解Pgd,可以分别得到全局最优解和局部最优解所对应的各个基站的三维坐标。
系统根据该三维坐标及以下更新公式对各个解进行更新:
Vid=w×Vid+c1×r1×(Pid-Xid)+c2×r×2×(Pgd-Xid)
Xid=Xid+Vid
式中,Vid是解第i维的更新的速度;Xid是解的网络接入或服务放置坐标;w是惯性权重,Pid是解的网络接入或服务放置的历史最佳坐标,Pgd是解的网络接入或服务放置的全局最佳坐标,c1和c2是学习因子,也称加速常数,r1和r2在范围[0,1]内的均匀随机数。Vid中三部分分别代表解有维持自己先前速度的趋势、有向自身历史最佳位置逼近的趋势和有向群体最佳位置逼近的趋势,设置c1=c2,即认为局部最优和全局最优对解更新的影响是相同的。Xid更新解的网络接入或服务放置坐标。由此可以获得每个解的优化接入和服务迁移位置。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于VMEC服务网络选择的迁移方法,其特征在于,该方法具体包括以下步骤:
S1:建立MEC车联网场景下移动边缘计算场景数学模型;在MEC车联网场景中包含联网车辆和接入点和边缘服务器;建立的移动边缘计算场景数学模型包含时延和能耗的开销,其中时延包括切换时延、接入网排队时延、通信时延、传输时延、计算时延和迁移时延;能耗包括传输能耗、处理能耗和服务迁移能耗;
S2:对建立的时延和能耗的数学模型,建立适应度函数;
S5:根据适应度函数,进行粒子初始化,每个粒子中包含车辆k的可选择的网络选择和服务迁移位置;
S6:根据适应度函数,得到各个随机解中的局部最优解和全局最优解;根据得到的局部最优解和全局最优解,利用粒子群算法进行优化,得到最优网络接入和服务迁移位置。
2.根据权利要求1所述的基于VMEC服务网络选择的迁移方法,其特征在于,步骤S1中,建立MEC车联网场景下移动边缘计算场景数学模型,具体包括:使用集合N={0,1,…,N-1}和K={0,1,…,K-1}分别表示边缘云集和用户集,集合M={0,1,…,M-1}表示任务集;假定车辆到基础设施的网络选择和服务迁移策略是在时隙结构中做出的,并且时间轴离散为T个时间帧,即T={0,1,2,…,T};假设用户k∈K在时隙t共有M个任务需要卸载至边缘服务器上进行运行;在每个时隙t,系统都要为联网车辆进行网络选择和制定服务迁移策略。
3.根据权利要求2所述的基于VMEC服务网络选择的迁移方法,其特征在于,步骤S2中,建立的适应度函数表示为:
s.t.α1+α2=1 (2)
其中,表示在时隙t联网车辆的接入点切换的切换时延,表示在时隙t联网车辆的接入网排队时延,表示在时隙联网车辆的通信时延,表示任务m在时隙t的传输时延,dcom(t)表示任务m在时隙t的计算时延,表示任务m在时隙t的迁移时延;表示在时隙t用于发送和接收数据的传输能耗,表示在时隙t处理任务m时的处理能耗,表示将任务从原始基站迁移到目标基站的迁移能耗;α1和α2属于[0,1],表示决策时的计算时延和能量的加权系数;表示联网车辆k在时隙t的动态访问点决策,如果表示在t时隙中,联网车辆k在时隙t选择接入点i接入网络;否则表示任务不在接入点i上执行;rk(t)代表联网车辆k在时隙t中的接入资源需求,表示服务放置决策;当表示在时隙t联网车辆k的任务m在边缘云j上,否则表示服务不放在边缘云j上;fm(t)代表任务m的资源需求;
其中,约束条件(2)表示在进行决策时,时延和能耗的加权系数;
约束条件(3)表示每个联网车辆在时隙t只选择一个接入网;
约束条件(5)表示每个云中的接入任务总量不能超过接入点的资源限制;
约束条件(6)表示了一个服务在时隙t只能卸载或迁移至一个边缘云服务器上;
约束条件(4)(7)分别表示访问点决策变量和服务迁移决策变量的取值范围。
4.根据权利要求3所述的基于VMEC服务网络选择的迁移方法,其特征在于,步骤S3中,网络预筛选具体包括:车辆在其通信范围内扫描可访问的AP,并根据网络的信号强度和车辆在网络中预停留的时间,从网络扫描和结果中过滤部分网络;如果一个网络同时满足这两个因素,则将其添加到候选访问网络列表中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304184.0A CN113055487B (zh) | 2021-03-22 | 2021-03-22 | 一种基于vmec服务网络选择的迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304184.0A CN113055487B (zh) | 2021-03-22 | 2021-03-22 | 一种基于vmec服务网络选择的迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113055487A true CN113055487A (zh) | 2021-06-29 |
CN113055487B CN113055487B (zh) | 2022-04-12 |
Family
ID=76514175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304184.0A Active CN113055487B (zh) | 2021-03-22 | 2021-03-22 | 一种基于vmec服务网络选择的迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113055487B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
CN113660303A (zh) * | 2021-07-02 | 2021-11-16 | 山东师范大学 | 一种端边网云协同的任务卸载方法及系统 |
CN113727308A (zh) * | 2021-10-20 | 2021-11-30 | 湖北大学 | 一种基于车辆位置预测的边缘计算卸载优化方法 |
CN113965569A (zh) * | 2021-10-22 | 2022-01-21 | 大连理工大学 | 一种高能效、低时延的边缘节点计算迁移架构及配置系统 |
CN114449530A (zh) * | 2022-03-11 | 2022-05-06 | 天津理工大学 | 一种基于多目标优化策略的边缘计算服务迁移方法 |
CN114650515A (zh) * | 2022-05-13 | 2022-06-21 | 华东交通大学 | 一种应用于车联网的移动边缘计算服务动态迁移方法 |
CN115119273A (zh) * | 2022-07-19 | 2022-09-27 | 中国联合网络通信集团有限公司 | 服务与通信协同切换方法、装置及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
-
2021
- 2021-03-22 CN CN202110304184.0A patent/CN113055487B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
Non-Patent Citations (1)
Title |
---|
余翔等: "车联网场景下的移动边缘计算卸载策略", 《计算机工程》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839075A (zh) * | 2019-11-08 | 2020-02-25 | 重庆大学 | 边缘计算环境下基于粒子群的服务迁移方法 |
CN113660303A (zh) * | 2021-07-02 | 2021-11-16 | 山东师范大学 | 一种端边网云协同的任务卸载方法及系统 |
CN113660303B (zh) * | 2021-07-02 | 2024-03-22 | 山东师范大学 | 一种端边网云协同的任务卸载方法及系统 |
CN113727308A (zh) * | 2021-10-20 | 2021-11-30 | 湖北大学 | 一种基于车辆位置预测的边缘计算卸载优化方法 |
CN113727308B (zh) * | 2021-10-20 | 2023-06-30 | 湖北大学 | 一种基于车辆位置预测的边缘计算卸载优化方法 |
CN113965569A (zh) * | 2021-10-22 | 2022-01-21 | 大连理工大学 | 一种高能效、低时延的边缘节点计算迁移架构及配置系统 |
CN113965569B (zh) * | 2021-10-22 | 2022-08-12 | 大连理工大学 | 一种高能效、低时延的边缘节点计算迁移配置系统 |
CN114449530A (zh) * | 2022-03-11 | 2022-05-06 | 天津理工大学 | 一种基于多目标优化策略的边缘计算服务迁移方法 |
CN114650515A (zh) * | 2022-05-13 | 2022-06-21 | 华东交通大学 | 一种应用于车联网的移动边缘计算服务动态迁移方法 |
CN115119273A (zh) * | 2022-07-19 | 2022-09-27 | 中国联合网络通信集团有限公司 | 服务与通信协同切换方法、装置及系统 |
CN115119273B (zh) * | 2022-07-19 | 2023-12-19 | 中国联合网络通信集团有限公司 | 服务与通信协同切换方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113055487B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113055487B (zh) | 一种基于vmec服务网络选择的迁移方法 | |
CN109951821B (zh) | 基于移动边缘计算的最小化车辆能耗任务卸载方案 | |
CN110647391B (zh) | 面向星地协同网络的边缘计算方法及系统 | |
CN108777852B (zh) | 一种车联网内容边缘卸载方法、移动资源分配系统 | |
CN111586696B (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN113115256B (zh) | 一种在线vmec服务网络选择的迁移方法 | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN111083634B (zh) | 基于cdn和mec的车联网移动性管理方法 | |
CN110493757B (zh) | 单服务器下降低系统能耗的移动边缘计算卸载方法 | |
CN109194763B (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
WO2023024219A1 (zh) | 云边协同网络中时延和频谱占用联合优化方法及系统 | |
Khan et al. | Fuzzy based multi-criteria vertical handover decision modeling in heterogeneous wireless networks | |
CN113076177B (zh) | 一种边缘计算环境下的虚拟机动态迁移方法 | |
Mirzaei et al. | Towards optimal configuration in MEC Neural networks: deep learning-based optimal resource allocation | |
CN113891477A (zh) | 一种车联网中基于mec计算任务卸载的资源分配方法 | |
Haitao et al. | Multipath transmission workload balancing optimization scheme based on mobile edge computing in vehicular heterogeneous network | |
Suganthi et al. | An efficient scheduling algorithm using queuing system to minimize starvation of non-real-time secondary users in cognitive radio network | |
Thanedar et al. | A dynamic resource management algorithm for maximizing service capability in fog-empowered vehicular ad-hoc networks | |
CN113691956B (zh) | 基于sdn和mec的车联网移动性管理方法 | |
Salhani et al. | Load balancing algorithm within the small cells of heterogeneous UDN networks: Mathematical proofs | |
Malathy et al. | Adaptive Slot Allocation And Bandwidth Sharing For Prioritized Handoff Calls In Mobile Netwoks | |
CN114449530A (zh) | 一种基于多目标优化策略的边缘计算服务迁移方法 | |
CN115278779A (zh) | Mec网络中基于渲染感知的vr服务模块动态放置方法 | |
WO2022152871A1 (en) | Method of managing a vehicle internet service in a cellular network of at least fourth generation 4g | |
CN114564248A (zh) | 移动边缘计算中一种根据用户移动模式计算卸载的方法 |
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 |