CN113076177A - 一种边缘计算环境下的虚拟机动态迁移方法 - Google Patents

Abstract

本发明提供了一种边缘计算环境下的虚拟机动态迁移方法。该方法包括如下步骤：首先确定场景大小以及要迁移的服务，其次选择可以接收该服务的移动边缘计算(Mobile EdgeComputing,MEC)服务器，然后计算在各服务器下的传输和计算消耗以及迁移时延，并对这些计算结果进行比较，选择迁移成本最小的MEC服务器。本发明利用靠近用户的MEC服务器进行服务迁移，可以减少通信造成的延迟，缩短服务迁移时间，并且在做出迁移决策时采用了概率预测的方式，可以提高迁移的精度和迁移后服务的可用率。

Description

一种边缘计算环境下的虚拟机动态迁移方法

技术领域

本发明涉及虚拟机迁移技术领域，具体地说是一种边缘计算环境下的虚拟机动态迁移方法。

背景技术

随着移动设备(Mobile Devices,MD)数量的爆炸式增长以及随之产成的大量数据，云计算已经不能很好的在时间延迟和能源效率方面满足用户的要求。因此，边缘计算作为克服上述挑战的补充计算范式而获得了巨大的发展。其中，作为互联网和通信技术(ICT)相融合的产物，移动边缘计算(Mobile Edge Computing,MEC)已经成为下一代移动网络的一项关键技术，使移动设备可以将其计算任务分散到位于无线电接入网络“边缘”的服务器上，并在降低核心网络拥塞的同时创造了更多实用价值，例如更低的延迟、位置感知、网络上下文信息等。

由于边缘服务器覆盖范围有限和用户的随机移动性，因此将云服务器的计算能力下沉到边缘处时将带来新的挑战，比如当用户正在接受连续服务期间，可能漫游于由不同边缘服务器服务的无线区域。为了保证用户对服务性能的满意度，需要考虑动态服务迁移。

发明内容

本发明的目的就是提供一种边缘计算环境下的虚拟机动态迁移方法，该方法可以减少通信造成的延迟，缩短服务迁移时间，并且在做出迁移决策时采用了概率预测的方式，可以提高迁移的精度和迁移后服务的可用率。

本发明是这样实现的：一种边缘计算环境下的虚拟机动态迁移方法，包括以下步骤：

a、确定场景大小；

设有N个按索引

排列的MEC服务器，每个服务器直接与一个或多个基站(Base Station,BS)关联，所有MEC服务器都可以通过有线通道相互通信；

将实际的物理时间划分为连续的时间间隙，用t表示，t＝1,2,3,……，一个时间间隙假设为τ秒；

移动边缘网络的状态用N×N的矩阵表示，矩阵中的第(i,j)个元素(G)i,j∈[0,η_max)(η_max是最大信道容量)表示在第i个和第j个MEC服务器之间是否有直接的连接，若(G)i,j＝0则表示没有直接的连接；

b、选择要迁移的服务；

产生迁移的服务主要有两种：

b-1、用户由于本身资源不够提出迁移请求；

b-2、由于用户的移动造成设备离开原基站的服务范围而进入其他基站的服务范围；

c、选择MEC服务器；

由于各MEC服务器之间可以相互通信，因此传输链上的任何MEC服务器均可能成为当前迁移服务的最优选择，因此，需要对传输链上的所有MEC服务器依次对比计算。

根据迁移策略π(t)预测移动设备任意时隙t所可能移动到的位置，并找出移动设备从当前位置到移动后的位置这一移动过程中所经区域所对应的MEC服务器(即传输链上的所有MEC服务器)。

d、计算迁移成本；

d-1、计算通信时延；

移动设备通过基站与MEC服务器之间进行数据传输，数据通过有线信道从一个MEC服务器传输到另一个MEC服务器，假设移动设备和服务基站BS之间的无线传输消耗为一个常数(基站是移动设备与MEC服务器之间数据传输的中介点)，则MD2N服务m的传输消耗为：

其中λ_m表示输入λ_m(bits)大小的需要被处理的数据，α(t)表示t时隙内网络中可用的信道资源，η_L(t),j表示从L(t)到j＝(π)_t,m的信道容量，L(t)表示当前移动设备MD的位置，D_add为一个常数，表示无线传输的消耗；

每个MEC服务器可以同时为已连接的移动设备的多个任务提供计算服务，使用σ_m,n描述MEC服务器n可以分配给MD2N服务m的CPU频率，由于MEC服务器具有强大的计算能力，所以σ_m,n不会改变，如果选择MEC服务器n提供服务m，则计算时延为：

其中计算强度γ_m(CPU cycles/bit)表示每个服务需要CPU资源来计算一位输入数据的要求；

当迁移策略向量为π(t)时，考虑指定时隙t中数据传输和处理之和的通信时延U_m(t)：

U_m(t)＝d_trans(t)+d_com(t) (6)

d-2、计算迁移策略时延；

添加一个新的参数θ_m∈[0,θ_max](以bits表示)表示服务示例数据的大小，其中θ_max是服务示例数据的最大可能大小，对于每一个MD2N服务

，在时隙t内执行π(t-1,t)迁移策略的时延为：

其中，η_g,e是从g＝(π)_t-1,m到e＝(π)_t,m的信道容量；

d-3、计算迁移成本；

对于服务m，在时隙t内，其总服务时延为：

其中，f_m表示消息发送的频率；

对于每个服务

，MD的重要性是不同的，因此使用ω_m∈[0,1]来表示每个服务的权重，尽管不同的MD2N服务在实际延迟和结束时间上都有很大的差异，根据服务的重要性，使用ω_m*(D_m(t)/D_m)将式(8)的时延标准化；因此M个MD2N服务的标准化平均时延可以表示为：

其中，D_m为最大允许延迟时间；

e、选取迁移成本最小的MEC服务器作为最优MEC服务器，进行服务迁移。

公式(7)中的迁移策略π(t-1,t)的定义如下：

定义一个由π表示的Q×M矩阵，以记录移动设备在未来的下一个Q时隙内的迁移策略，其中Q为整数。使用(π)_q,m∈{0,1,2,……,N}(q∈{1,……,Q})表示在时隙t_q＝t₀+q-1(t₀表示开始时刻)时托管服务m的目标MEC服务器，对应的在矩阵中，若MEC服务器将来不托管该服务，则用(π)_q,m＝0表示。基于上述矩阵的定义，可以用向量π(t)描述在时隙t∈{t₀,……,t₀+Q-1}时的服务位置，因此，可以用时隙{t₁,t₂,……,t_q}中的向量π(t₁,t₂,……,t_q)来重写迁移策略，同样的，对于任意时隙t∈{t₀+1,……,t₀+Q-1}可以用π(t-1,t)来重写迁移策略。

在步骤c中，做出迁移决策的依据如下：

根据用户当前的状态s将未来一系列可能的状态变迁的行为关联到A_s，对于一个给定的行为a，当从一个状态s切换到另一个状态s′时，关联了一个瞬时奖励r(s,s′,a)，该奖励以迁移开销大小为标准，r(s,s′,a)＝α(t)-D(t)。因此马尔科夫决策过程(MarkovDecision Process,MDP)可以表述为：

(S,(A_s,s∈S),q(s'|s,a),r(s,s',a)) (2)

其中，q(s′|s,a)表示在行为a下，从状态s切换到另一个状态s′时的转换速率，定义一个衰减因子ψ∈[0,1]，则迁移策略π(t₁,t₂,……,t_q)可以表示为：

公式(3)的最优方程的解相当于最优决策π(t)，其决定未来MD选择哪个MEC服务器以及是否执行迁移决策。

公式(3)中的E为移动设备距最初位置的平均距离：

h表示移动设备所在位置处于以最初位置为中心的第h环上，设最初位置是第0环。

本发明是一种基于马尔可夫决策和贪心算法的动态规划算法，预测移动用户的行为轨迹和迁移需求选择计算节点(本地设备、边缘服务器和远程云)运行其服务。使用马尔科夫模型推导出MD的位置，并为其迁移提前做准备，然后使用贪心算法选出最优迁移策略。

本发明针对不同信道可用资源条件下的迁移时间延迟做了统计，迁移时间延迟会随着信道可用资源率的增加而减小，但当信道资源率达到0.65以后，迁移时间延迟的变化不再明显，可见无论信道可用资源率多大，时间延迟总是存在的，因此在实际应用中，不必追求过高的信道可用率。同时设置了不同数量的MEC服务器，分别统计了服务迁移的运行时间，当服务器数量较少时，可供选择的方案相对少，做出迁移决策的计算开销相对小；当服务器数量增多时，为了做出最佳迁移决策，消耗在计算上的时间增多，迁移时间也增多，但当服务器数量增加到12以后，由于服务器服务范围有限，距离较远的无关服务器并不会参与迁移计算，所以运行时间不会再有明显变化。此外，还统计了不同信道可用资源率条件下，迁移后在目标设备上服务是否可用的情况，本发明能够保持高可用率。

本发明摒弃了传统的依靠云服务器来迁移移动设备中VM的方式，依靠边缘服务器来迁移，云中心只是起到对边缘服务器管理的功能，并不直接参与VM的迁移。边缘服务器更靠近用户，随着5G技术的普及，传输速度提高，响应时间更短，时间延迟也相应地缩短。相较于传统的仅依靠MDP算法或预测算法，本发明采取了MDP算法与贪心算法相结合的方式，去除了预测精度对迁移结果的影响，同时又保证了所选择的服务是最优或接近最优解。

附图说明

图1是本发明的方法流程图。

图2是本发明中对地理位置划分的示意图。

图3是本发明中方法工作时的模型图。

图4是不同时隙t的标准化平均时间延迟实验对比图。

图5是不同信道可用资源条件下的平均时间延迟实验对比图。

图6是不同数量服务器下的运行时间实验对比图。

图7是不同数量(12～26)服务器下的运行时间实验对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明进行进一步详细说明。

如图1所示，本发明所提供的边缘计算环境下的虚拟机动态迁移方法是基于马尔科夫决策(MDP)和贪心算法进行的，其具体包括如下步骤：首先确定场景大小，其次确定有迁移需求的服务，然后选择MEC服务器并逐一计算迁移成本；选择迁移成本最低的服务器为最优MEC服务器，进行服务迁移。

下面结合实际例子详细介绍本发明。

步骤一：确定场景大小，并确定有迁移需求的服务。

将实际的物理时间划分为连续的时间间隙，用t表示，t＝1,2,3,……，一个时间间隙假设为τ秒；移动边缘网络的状态用N×N的矩阵G表示，矩阵中的第(i,j)个元素(G)_i,j∈[0,η_max)(η_max是最大信道容量)表示在第i个和第j个MEC服务器之间有没有直接的连接，若(G)_i,j＝0则表示没有直接连接。假设G是一个不随时间变化的常数矩阵，即在规定时间内，移动边缘网络的状态不会改变，于是定义一个时间参数α(t)∈[α_min,α_max]表示网络中可用的信道资源，α_min表示保证通信所需的最小信道资源，α_max表示信道内可用的最大信道资源。实际上，对于网络中的服务来说，为了保证其能够在信道拥塞和流量波动的情况下稳健传输，应该提供过量的信道资源。此外，信道越拥挤，可用资源越少，因此α还可以表示信道中移动设备数量的多少。η_i,j(bits/s)表示第i个和第j个MEC服务器之间的可用信道容量，可以根据路由信息协议(RIP)使用G来计算。

有迁移需求的服务无外乎两种情形：①用户由于本身资源不够提出服务迁移请求；②由于用户的移动造成设备离开原基站的服务范围而进入其他基站的服务范围。对于第一种情形可直接将移动设备所需服务迁移至对应的MEC服务器即可。对于第二种情形，需要根据用户的移动，即根据移动设备位置的变化来确定MEC服务器。因此，这里需要研究移动设备位置的变化可能会使得其进入哪些基站所对应的MEC服务器的服务范围之内。

本发明使用类似于Markovian的模型来推导出MD的位置，将网络划分为若干相邻正六边形(如图2所示)，每一个正六边形表示一个MEC服务器的服务范围。考虑一个随机走动的移动设备，其中MD以概率p＝1/6访问六个相邻正六边形中的任意一个，如图2所示，图2中示出了由五个环表示的服务器的服务范围，这五个环由内至外分别为第0环(这里之所以使最内层从0开始，是为了后续的计算方便)、第1环、第2环、第3环和第4环。第0环即为C₀，第1环有C_1,1、C_1,2、C_1,3、C_1,4、C_1,5和C_1,6，以此类推。用k来表示总环数，即图2中k＝5，k的大小跟模拟场景的大小有关。

设MD的初始位置位于第0环，当前位置位于第h环，且每相邻两环之间的距离为1跳，那么，当前MD的位置距离初始位置进行了h跳，可根据跳数h为其发出服务迁移重定位。设X(t)表示MD在时刻t到初始服务器的距离(以跳数计算)，系统{X(t),t≥0}形成一个时间连续的马尔科夫链(Continuous-Time Markov Chain,CTMC)，状态空间为{C_m,n|0≤m≤(k-1)；m＝0时，n＝0，C_m,n用C₀表示；m＞0时，1≤n≤6m}。

在图2中，第0环为C₀，与C₀相邻的有C_1,1、C_1,2、C_1,3、C_1,4、C_1,5和C_1,6，且C_1,1、C_1,2、C_1,3、C_1,4、C_1,5和C_1,6均位于第1环，因此，第0环中的MD以概率p移动到任何相邻的第1环的正六边形中。对于第1环而言，以C_1,1举例来说，与C_1,1相邻的有C₀、C_1,2、C_1,6、C_2,1、C_2,2和C_2,12，第1环C_1,1中的MD以概率p返回第0环，以概率2p仍在第1环，以概率3p移动到第2环，增加距离。对于第1环中的所有正六边形，均是这种状态，因此第1环中的所有正六边形都可以聚合为一个状态。对于第2环而言，其中的正六边形就分为了两种类型：(1)与第1环中的正六边形相似，其(如C_2,1)相邻的六个正六边形中，有三个处于第3环，有两个处于第2环，有一个处于第1环；(2)其(如C_2,2)相邻的六个正六边形中，有两个处于第3环，两个处于第2环，两个处于第1环。根据MD在第2环中不同正六边形中所处的位置，可能有2p或3p的概率移动到第3环。因此，对于第2环，可以得到两个聚合状态：C₂{C_2,1,C_2,3,C_2,5,C_2,7,C_2,9,C_2,11}和

同理可以得到任意环h对应的聚合状态C_h和

其中

MD距离最初位置的平均距离为：

其中，π是迁移策略，见下文描述。

本发明结合移动设备在实际生活中的移动和服务情况，设计了MD2N(MobileDevice to Network)模型，具体模型如图3所示。

MD2N根据用户当前的状态s将未来一系列可能的状态变迁的行为关联到A_s，对于一个给定的行为a，当从一个状态s切换到另一个状态s′时，关联了一个瞬时奖励r(s,s′,a)，该奖励以迁移开销大小为标准，r(s,s′,a)＝α(t)-D(t)。D(t)表示多个MD2N服务的标准化平均时延，见公式(10)。因此马尔科夫决策过程(Markov Decision Process,MDP)可以表述为：

(S,(A_s,s∈S),q(s'|s,a),r(s,s',a)) (2)

其中，q(s′|s,a)表示在行为a下，从状态s切换到另一个状态s′时的转换速率，定义一个衰减因子ψ∈[0,1]，衰减因子ψ表示随着时间的推移，迁移策略的正确率会下降；迁移策略π(t₁,t₂,……,t_q)与迁移速率

之间的关系如下：

通过式(3)可以得到最优迁移决策π(t)，其决定未来MD选择哪个MEC服务器以及是否执行迁移决策。

步骤二：选择不同的MEC服务器，并计算迁移成本。

根据式(3)得出最优迁移决策π(t)后，依据该迁移决策π(t)可以预测移动设备t时隙内移动后的位置，进而可得到移动设备从当前位置到移动后的位置这个传输链上所有的MEC服务器。在确定了传输链上所有的MEC服务器后，需要对各个MEC服务器进行迁移成本的计算，并对计算结果进行比较，寻找迁移成本最低的MEC服务器。

使用广泛采用的三参数模型来描述每个MD2N服务m：输入λ_m(bits)大小的需要被处理的数据，计算强度γ_m(CPU cycles/bit)表示每个服务需要CPU资源来计算一位输入数据的要求，以及最大允许延迟时间D_m(秒)；此外，定义

M是服务数)来表示消息发送的频率。

若MEC服务器允许MD通过无线接入网络将其计算任务迁移到MEC服务器上，那么计算开销和相互通信产生的时延要同时考虑。

数据通过有线信道从一个MEC服务器传输到另一个MEC服务器，假设移动设备和服务基站BS之间的无线传输消耗为一个常数，则MD2N服务m的传输消耗为：

其中D_add为一个常数，表示无线传输的消耗，η_L(t),j表示从L(t)到j＝(π)_t,m的信道容量，L(t)表示当前移动设备MD的位置。

每个MEC服务器可以同时为已连接的移动设备的多个任务提供计算服务，使用σ_m,n描述MEC服务器n可以分配给MD2N服务m的CPU频率，由于MEC服务器具有强大的计算能力，所以σ_m,n不会改变，如果选择MEC服务器n提供服务m，则计算时延为：

当迁移策略向量为π(t)时，考虑指定时隙t中数据传输和处理之和的通信时延U_m(t)：

U_m(t)＝d_trans(t)+d_com(t) (6)

添加一个新的参数θ_m∈[0,θ_max](以bits表示)表示服务示例数据的大小，其中θ_max是服务示例数据的最大可能大小，对于每一个MD2N服务

，在时隙t内执行π(t-1,t)迁移策略的时延为：

其中，η_g,e是从g＝(π)_t-1,m到e＝(π)_t,m的信道容量。

迁移策略π(t-1,t)的定义如下：定义一个由π表示的Q×M矩阵，以记录移动设备在未来的下一个Q时隙内的迁移策略，其中Q为整数。使用(π)_q,m∈{0,1,2,……,N}(q∈{1,……,Q})表示在时隙t_q＝t₀+q-1(t₀表示开始时刻)时托管服务m的目标MEC服务器，对应的在矩阵中，若MEC服务器将来不托管该服务，则用(π)_q,m＝0表示。基于上述矩阵的定义，可以用向量π(t)描述在时隙t∈{t₀,……,t₀+Q-1}时的服务位置，因此，可以用时隙{t₁,t₂,……,t_q}中的向量π(t₁,t₂,……,t_q)来重写迁移策略，同样的，对于任意时隙t∈{t₀+1,……,t₀+Q-1}可以用π(t-1,t)来重写迁移策略。

对于服务m，在时隙t内，其总服务时延为：

式(8)中定义的时延表示MEC服务器与MD之间的单个消息的响应时间延迟，当VM(虚拟机)的迁移也在时隙t内发生时，很显然，这将导致响应时间的增加，响应时间为通信时延和迁移策略时延的总和。若在时隙t内，服务m选择不迁移，则此时的迁移策略时延为零，响应时间表示通信时延，式(8)表示为：

D_m(t)＝U_m(t) (9)

对于每个服务

，MD的重要性是不同的，因此使用ω_m∈[0,1]来表示每个服务的权重，尽管不同的MD2N服务在实际延迟和结束时间上都有很大的差异，根据服务的重要性，使用ω_m*(D_m(t)/D_m)将式(8)的时延标准化。因此M个MD2N服务的标准化平均时延可以表示为：

依据式(10)可对传输链上各MEC服务器进行迁移成本计算，D(t)越小表明迁移成本越小，找出迁移成本最小的MEC服务器。

此处找出迁移成本最小的MEC服务器的过程可以为：首先计算第一个MEC服务器的迁移成本，并将计算所得结果赋值为最小值；接着计算第二个MEC服务器的迁移成本，将其计算结果与最小值进行比较，如果其小于最小值，则更新最小值；之后对所有MEC服务器进行迁移成本的计算并与最小值进行比较，最后得到迁移成本最小的MEC服务器。

步骤三：选择最优MEC服务器，并作出迁移决策。

迁移成本最小的MEC服务器即是最优MEC服务器，将移动设备所需服务迁移至最优MEC服务器。

为了验证本发明的可行性和实施效果，在Dell PowerEdge R720服务器上使用KubeEdge模拟了一个有26个MEC服务器(或称边缘服务器)和1个云服务器的区域，每个MEC服务器配置双核CPU，由于所有MEC服务器是克隆产生，因此在这里假设所有MEC服务器的计算能力是相同的，并且与对比实验中一致，为10GHz，边缘设备的计算任务在[500,1000]cycles/bit之间随机均匀分布。用户的移动性数据则是由目前被广泛采用的The One模拟器生成的，在实验中统计迁移时延时，迁移失败案例的时间无法统计，因此本实验中只记录了迁移成功的VM的耗时和时延。在标准化平均时延D(t)和实际平均时延方面，本实验对比了PDOA(Partial Dynamic Optimization Algorithm，局部动态优化算法)和MDP(MarkovDecision Process，马尔科夫决策方案)方案，并与最优解(Optimal)进行了对比；在实际运行时间方面，本实验对比了PDOA、MDP和AUSP(Adaptive User-managed ServicePlacement，自适应用户管理的服务放置，TAO OUYANG,RUI LI,XU CHEN,et al.AdaptiveUser-managed Service Placement for Mobile Edge Computing:An Online LearningApproach[C]//INFOCOM,2019:1468-1476.)方案，并与完全离线方案以及最优解进行了对比，具体实验结果如图4、图5、图6、图7所示，将本发明的方案命名为BMS(Best MigrationService，最佳迁移服务)方案。

图5显示了信道可用资源α对长期标准化平均时间延迟的影响。实验中将α从0.1增加到0.8，由实验结果图可以看出，随着α的增大，平均时延呈逐渐减小的趋势，这是因为随着信道可用资源的增加，可供使用的资源变多，迁移等待的队列将变少，所需的时间也随之减少。可以看到，当信道可用资源较少(从0.1到0.4之间)时，MDP的时延最长，BMS和PDOA方案十分接近最优解，这是因为MDP方案将所有的MD2N服务同等的对待，而BMS、PDOA和最优解方案则是动态的迁移MD2N服务。当信道资源充足(0.65之后)时，从图5中的小图可以看出，BMS和PDOA方案的平均时延要略高于MDP方案，这是因为随着信道资源的增多，本发明提出的BMS方案仍然保持之前的迁移策略，由于计算规模没有改变，因此时间上很难再有提高，所以平均时延略高于MDP方案，但就整体而言，这个时间的差值是十分小的，在实际应用中是可以容忍的。此外，虽然BMS方案的平均时延略微高于PDOA方案，但总体上来看是不相上下的，而且，从图4中可以看出，BMS方案的稳定性要优于PDOA方案。

图6记录了某个时隙t内，不同数量服务器下各方案的运行时间，图7为图6中服务器数量在12～26之间的运行时间图。从图中可以看出，BMS、AUSP和PDOA方案所用的时间要明显比离线算法时间短，且三种方案耗时基本相同，特别是随着服务器数量的增多，离线算法消耗的时间急剧增大，而另外几种算法的耗时趋于稳定。虽然MDP方案的耗时一直趋于稳定，但其平均时延较长，且稳定性差。本发明提出的BMS方案运行时间虽然略高于其他两种，但相差不大，可以忽略不计，且从图4可以看出，BMS方案的稳定性最好。

本发明的方法工作在如图3所示的云-边网络架构的边缘层，对有迁移需要的移动设备中的服务进行迁移。通过以上实施方式的描述，当移动设备上计算资源不足以支持当前服务的计算时，或者由于用户的移动导致设备离开原MEC服务器的服务范围时，可以向MEC服务器提出迁移请求，MEC服务器通过计算传输、计算、迁移的时间延迟做出最佳迁移决策，将服务迁移到合适的服务器上进行计算。将本发明中的迁移方法应用到图3架构工作中，目标是在基于边缘计算的提议框架中降低服务迁移的时间，使更多的空闲资源得到充分利用。

本说明书未详细描述的内容属于本专业技术人员公知的现有技术。

以上结合附图和技术方案对本发明的具体实施方式作了说明，上述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此，本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种边缘计算环境下的虚拟机动态迁移方法，其特征是，包括如下步骤：

a、确定场景大小；

移动边缘网络的状态用N×N的矩阵表示，矩阵中的第(i,j)个元素(G)_i,j∈[0,η_max)表示在第i个和第j个MEC服务器之间是否有直接的连接，(G)_i,j＝0则表示没有直接的连接；η_max是最大信道容量；N为MEC服务器的数量；

b、选择要迁移的服务；

产生迁移的服务有两种：

①、用户由于本身资源不够提出迁移请求；

②、由于用户的移动造成设备离开原基站的服务范围而进入其他基站的服务范围；

c、选择MEC服务器；

根据迁移策略π(t)预测移动设备任意时隙t所可能移动到的位置，并找出移动设备从当前位置到移动后的位置这一移动过程中所经区域所对应的MEC服务器；

d、对步骤c中所有MEC服务器进行迁移成本计算；

d-1、计算通信时延；

对于服务m，其传输消耗为：

式(4)中，λ_m表示输入的需要被处理的数据大小，α(t)表示时隙t内网络中可用的信道资源，η_L(t),j表示从L(t)到j＝(π)_t,m的信道容量，L(t)表示移动设备的当前位置；D_add为常数，表示无线传输的消耗；

对于MEC服务器n提供服务m，其计算时延为：

式(5)中，σ_m,n表示MEC服务器n可以分配给服务m的CPU频率，γ_m为计算强度，表示每个服务需要CPU资源来计算一位输入数据的要求；

当迁移策略为π(t)时，时隙t中数据传输和处理之和的通信时延U_m(t)如下：

d-2、计算迁移策略时延；

对于服务m，在时隙t内执行π(t-1,t)迁移策略的时延为：

式(7)中，θ_max是服务示例数据的最大可能大小，η_g,e是从g＝(π)_t-1,m到e＝(π)_t,m的信道容量；

d-3、计算迁移成本；

对于服务m，在时隙t内，其总服务时延为：

式(8)中，τ是一个时间间隙，f_m表示消息发送的频率；

M个服务的标准化平均时延，即迁移成本如下：

式(10)中，D_m为最大允许延迟时间，ω_m为对应服务m的权重；

e、选取迁移成本最小的MEC服务器作为最优MEC服务器，进行服务迁移。

2.根据权利要求1所述的边缘计算环境下的虚拟机动态迁移方法，其特征是，在步骤c中，迁移策略π(t)的求解如下：

根据用户当前的状态s将未来一系列可能的状态变迁的行为关联到A_s，对于一个给定的行为a，当从一个状态s切换到另一个状态s′时，关联一个瞬时奖励r(s,s′,a)，该奖励以迁移开销大小为标准，r(s,s′,a)＝α(t)-D(t)；因此马尔科夫决策过程表述为：

(S,(A_s,s∈S),q(s'|s,a),r(s,s',a)) (2)

式(2)中，q(s′|s,a)表示在行为a下，从状态s切换到另一个状态s′时的转换速率，定义一个衰减因子ψ∈[0,1]，则迁移策略π(t₁,t₂,……,t_q)表示为：

式(3)中，E为移动设备距最初位置的平均距离：

h表示移动设备所在位置处于以最初位置为中心的第h环上，设最初位置是第0环；

通过式(3)即可求得迁移策略π(t)。

3.根据权利要求1所述的边缘计算环境下的虚拟机动态迁移方法，其特征是，步骤a中，N为12。

4.根据权利要求1所述的边缘计算环境下的虚拟机动态迁移方法，其特征是，步骤d中，α(t)为0.65。

Images