CN113296909B - 移动边缘计算中的优化服务部署方法 - Google Patents
移动边缘计算中的优化服务部署方法 Download PDFInfo
- Publication number
- CN113296909B CN113296909B CN202110526178.XA CN202110526178A CN113296909B CN 113296909 B CN113296909 B CN 113296909B CN 202110526178 A CN202110526178 A CN 202110526178A CN 113296909 B CN113296909 B CN 113296909B
- Authority
- CN
- China
- Prior art keywords
- service
- deployment
- variable
- service deployment
- edge node
- 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
Images
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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
-
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种移动边缘计算中的优化服务部署方法,根据历史数据预估服务应用故障的数量,将服务部署问题建模成关于服务部署变量和服务请求调度变量的最大化的优化问题,然后将优化问题简化为只关于服务部署变量的单变量优化问题,再将单变量优化问题转化为关于服务部署变量的集合函数优化问题,最后通过鲁棒算法得到服务部署策略,从而实现优化部署。本发明在面临移动边缘计算环境中可能出现的硬件和软件故障时,能够使得部署服务的总效用达到最大,其中效用可以用任务响应时间等方式来衡量。
Description
技术领域
本发明涉及的是一种网络资源配置领域的技术,具体是一种移动边缘计算中的优化服务部署方法。
背景技术
目前大多数云服务的目标是提供99.9%的可用性,就保证鲁棒性而言,移动边缘计算的服务供应也希望实现与之类似的目标。但实现移动边缘计算的鲁棒性面临以下困难:首先,与云计算中的专用硬件设备相比,商用的边缘服务器更容易出现故障和错误;其次服务的软件实现也可能包含错误,并且容易出现故障。当不认真解决,服务故障可能导致用户大量停机,从而可能违反移动边缘计算运营商与用户之间已经制定的服务水平协议。不幸的是,按照现有的服务部署策略在面临服务故障时,均可能导致很大的性能损失,例如较大的响应时间。
发明内容
本发明针对现有技术没有考虑移动边缘计算环境中的不确定因素,没有任何鲁棒性的设计,从而导致可能出现的硬件和软件故障会导致很大的服务性能损失,例如较大的任务响应时间等不足,提出一种移动边缘计算中的优化服务部署方法,在面临移动边缘计算环境中可能出现的硬件和软件故障时,能够使得部署服务的总效用达到最大,其中效用可以用任务响应时间等方式来衡量。
本发明是通过以下技术方案实现的:
本发明涉及一种移动边缘计算中的优化服务部署方法,根据历史数据预估服务应用故障的数量,将服务部署问题建模成关于服务部署变量和服务请求调度变量的最大化的优化问题,然后将优化问题简化为只关于服务部署变量的单变量优化问题,再将单变量优化问题转化为关于服务部署变量的集合函数优化问题,最后通过鲁棒算法(Robust)得到服务部署策略,从而实现优化部署。
所述的历史数据是指:之前一段历史时间内服务应用发生故障的数量。
所述的预估是指:基于历史数据中记录的服务应用故障,通过逻辑线性回归算法估计将来可能发生的服务应用故障的数量,记为k。
所述的关于服务部署变量和服务请求调度变量的最大化的优化问题是指:
限制条件:其中:n为边缘节点的序号,N为所有边缘节点的集合,s为服务应用的序号,S为所有服务应用的集合,m为用户的序号,M为所有用户的集合,sm为用户m所需要的服务的序号,xns表示是否将服务应用s部署在边缘节点n的标识变量:xns=1为将服务应用s部署在边缘节点n,xns=0为不部署,即,xns代表了服务部署的方案,znm为将用户m的服务请求迁移到边缘节点n的概率,为服务请求调度的方案,unm为将用户m的计算任务迁移到边缘节点n处进行服务的效用,cns为在边缘节点n处部署服务s的成本,B为部署服务应用的总预算,l为每个服务应用所需要的存储空间的大小,即在本发明中我们考虑的是每个服务应用大小相同的情况,Ln为边缘节点n的存储空间大小,ws为传输服务应用s所需要的带宽资源,Wn为边缘节点n的总带宽,fs为服务应用s所需要的计算资源,Fn为边缘节点n的总计算资源。
所述的简化是指:对于给定的服务部署方案通过求解线性规划问题来得到最优的服务请求调度方案,其线性规划的优化目标仍为最大化总效用限制条件为:通过得到的服务请求调度方案可以得到最优的总效用,即对于给定的服务部署方案总是能够有效地得到最优的目标函数值,将这个目标函数记为xns的函数ψ(xns),则原问题简化为只关于服务部署变量xns的单变量优化问题:优化目标为ψ(xns),限制条件为:
所述的集合函数优化问题,通过构建服务部署集合V和服务部署变量xns之间的关系:V={(n,s)|xns=1,n∈N,s∈S},将目标函数记为g(V),再将对变量xns的约束转化为对集合V的约束其中:1(n,s)∈V为指示函数,当(n,s)∈V成立时函数值为1,否则为0;约束中∑s:(n,s)∈V1(n,s)∈V≤Ln/为拟阵约束,记为τ,将∑(n,s)∈Vcns记为CV,表示集合V中元素的部署成本的和。
所述的鲁棒算法(Robust),具体步骤包括:
i)初始化集合V1和V2为空集,并设置辅助集合R为空集,取全集初始化参数ε为范围中的某值,其中:n为边缘节点的序号,N为所有边缘节点的集合,s为服务应用的序号,S为所有服务应用的集合,集合中的元素(n,s)为将在边缘节点n部署服务s,e为自然常数。
ii)当辅助集合R不等于全集Ω时,重复步骤iii,iv,v,否则跳到步骤vi。
v)更新辅助集合R为R∪{u}。
vii)当布尔变量q为true时,重复步骤viii,ix,否则跳到步骤x。
viii)令布尔变量q为false。
ix)当在集合(Ω\V1)\V2中存在元素a而且在集合中存在元素a′,使得 而且那么令更新集合V2为(V2\{a′})∪{a}并且令布尔变量q为true,其中:为空集,|N|为边缘节点的数量,|S|为服务应用的数量。
x)取V=V1∪V2,输出算法结果为V,对于集合V中的每一个元素(n,s),在边缘节点n处部署服务s。
技术效果
本发明整体解决了现有技术在面对移动边缘计算环境中可能出现的硬件和软件故障时,没有任何鲁棒性的设计,从而导致可能出现的硬件和软件故障会使得即使计算任务被迁移到边缘计算服务器但仍然无法执行,只能继续迁移到云服务器执行,进而导致较大的任务响应时间的问题。
与现有技术相比,本发明通过移动边缘计算中的优化服务部署方法,使得在面临移动边缘计算环境中可能出现的硬件和软件故障时,能够使得总效用仍然最大,其中效用可以用任务响应时间等方式来衡量。
附图说明
图1为实施例应用示意图;
图2为实施例效果示意图。
具体实施方式
如图1所示,为本实施例涉及一种边缘计算中优化服务部署实现,基于一个拥有着6个边缘节点和500个用户的边缘计算网络中模拟部署100个服务应用,设置在边缘节点部署服务的成本的取值范围为[0.4,2],设置总的部署预算为60,设置边缘节点的存储能力的取值范围为[20,50]TB,服务应用的存储大小为1TB。将用户任务迁移到边缘节点的效用取值范围为[0.5,1],设置服务应用需要的带宽的取值范围为[0.5,1]KB/s,设置服务应用需要的计算资源的取值范围为[0.5,1]Mflops/s,设置边缘节点的带宽的取值范围为[16,24]KB/s,设置边缘节点的计算资源的取值范围为[32,48]Mflops/s。
本实施例具体包括以下步骤:
第一步、根据历史数据通过逻辑线性回归的方法预估可能发生服务故障的数量k,调研将用户m的计算任务迁移到边缘节点n处进行服务的效用记为unm。调研在边缘节点n处部署服务s的成本记为cns。调研部署服务应用的总预算记为B。调研每个服务应用所需要的存储空间的大小记为l。调研边缘节点n的存储空间大小记为Ln。调研传输服务应用s所需要的带宽资源记为ws,调研边缘节点n的总带宽记为Wn。调研服务应用s所需要的计算资源记为fs,调研边缘节点n的总计算资源记为Fn。
如图1所示,图中包含N个边缘节点,S个服务应用,M个用户,可以通过基于软件定义的核心网将用户的服务请求迁移到边缘节点进行处理。
第二步、对服务部署和服务请求调度建立关于服务部署变量和服务请求调度变量的最大化的优化问题,具体为:
限制条件:其中:n表示边缘节点的序号,N表示所有边缘节点的集合,s表示服务应用的序号,S表示所有服务应用的集合,m表示用户的序号,M表示所有用户的集合,sm表示用户m所需要的服务的序号。xns表示是否将服务应用s部署在边缘节点n的标识变量:xns=1表示将服务应用s部署在边缘节点n,xns=0表示不部署。即,xns代表了服务部署的方案。znm表示将用户m的服务请求迁移到边缘节点n的概率,表示服务请求调度的方案。
第三步、将步骤2中的优化问题转化为只关于服务部署的单变量优化问题,具体步骤包括:
3.2)通过得到的服务请求调度方案可以得到最优的总效用。
3.3)对于给定的服务部署方案我们总是可以有效地得到最优的目标函数值,将这个目标函数记为xns的函数ψ(xns),那么原问题可以转化为只关于服务部署变量xns的单变量优化问题:优化目标是ψ(xns),限制条件为:
第四步、将步骤3中的优化问题转化为关于服务部署变量的集合函数优化问题,具体步骤包括:
构建服务部署集合V和服务部署变量xns之间的关系:V={(n,s)|xns=1,n∈N,s∈S},将目标函数记为g(V),再将对变量xns的约束转化为对集合V的约束其中:1(n,s)∈V为指示函数,当(n,s)∈V成立时函数值为1,否则为0。将第一个拟阵约束记为τ。将∑(n,s)∈Vcns记为CV,表示集合V中元素的部署成本的和。
第五步、通过鲁棒算法(Robust)得到服务部署策略。该算法具体步骤包括:
i)初始化集合V1和V2为空集,并设置辅助集合R为空集,取全集 初始化参数ε为范围中的某值,其中:n表示边缘节点的序号,N表示所有边缘节点的集合,s表示服务应用的序号,s表示所有服务应用的集合,集合中的元素(n,s)表示将在边缘节点n部署服务s,e表示自然常数。
ii)当R不等于Ω时,重复步骤iii,iv,v,否则跳到步骤vi。
v)更新R为R∪{v}。
vii)当变量q为true时,重复步骤viii,ix,否则跳到步骤x。
viii)令布尔变量q为false。
ix)当在集合(Ω\V1)\V2中存在元素e而且在集合中存在元素e′,使得 而且那么令更新集合V2为(V2\{e′})∪{e}并且令布尔变量q为true,其中:表示空集,|N|表示边缘节点的数量,|S|表示服务应用的数量。
x)取V=V1∪V2,输出算法结果为V,对于集合V中的每一个元素(n,s),在边缘节点n处部署服务s。
经过具体实际实验,本实施例在发生任务迁移失败的数量分别为0-5时,通过鲁棒算法能够达到的总效用分别为509.6,481.5,466.2,457.1,439.5和423.1;如图2所示,为不同服务故障数量情况下总效用的示意图。本实施例设置随机算法(Random)、贪心算法(OsGreedy)、启发式算法(TOP-R)作为对比项,一共取了6组进行对照,可以看出,在不同的任务调度失败数量的情况下,本发明提出的鲁棒算法(Robust)的性能明显优于其他的对比算法。具体来说,本方法的总效用相对于随机算法、迭代优化算法和启发式算法分别提高了174%,24%和30%。
综上,本发明通过先贪心后局部搜索的方法来获取边缘服务应用的部署方案,其与现有常规技术手段相比,在第一步贪心过程中选取使得目标函数最大的部署方案对应的元素,在第二步局部搜索过程中选取使得已选取的集合里面的元素与该集合之外的元素互相交换后至少大倍的元素,其中|N|表示边缘节点的数量,|S|表示服务应用的数量,ε为范围中的某值,这两步得到的集合的并集作为算法的服务部署方案的结果。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种移动边缘计算中的优化服务部署方法,其特征在于,根据历史数据预估服务应用故障的数量,将服务部署问题建模成关于服务部署变量和服务请求调度变量的最大化的优化问题,然后将优化问题简化为只关于服务部署变量的单变量优化问题,再将单变量优化问题转化为关于服务部署变量的集合函数优化问题,最后通过鲁棒算法得到服务部署策略,从而实现优化部署;
所述的鲁棒算法,具体包括:
i)初始化集合V1和V2为空集,并设置辅助集合R为空集,取全集初始化参数ε为范围中的某值,其中:n为边缘节点的序号,N为所有边缘节点的集合,s为服务应用的序号,S为所有服务应用的集合,集合中的元素(n,s)为将在边缘节点n部署服务s,e为自然常数;
ii)当辅助集合R不等于全集Ω时,重复步骤iii,iv,v,否则跳到步骤vi;
v)更新辅助集合R为R∪{v};
vii)当布尔变量q为true时,重复步骤viii,ix,否则跳到步骤x;
viii)令布尔变量q为false;
ix)当在集合(Ω\V1)\V2中存在元素r而且在集合中存在元素r′,使得 而且那么令更新集合V2为(V2\{r′})∪{r}并且令布尔变量q为true,其中:为空集,|N|为边缘节点的数量,|S|为服务应用的数量;
x)取V=V1∪V2,输出算法结果为V,对于集合V中的每一个元素(n,s),在边缘节点n处部署服务应用s;
所述的关于服务部署变量和服务请求调度变量的最大化的优化问题是指:
限制条件:其中:n为边缘节点的序号,N为所有边缘节点的集合,s为服务应用的序号,S为所有服务应用的集合,m为用户的序号,M为所有用户的集合,sm为用户m所需要的服务的序号,xns表示是否将服务应用s部署在边缘节点n的标识变量:xns=1为将服务应用s部署在边缘节点n,xns=0为不部署,即,xns代表了服务部署的方案,znm为将用户m的服务请求迁移到边缘节点n的概率,为服务请求调度的方案,unm为将用户m的计算任务迁移到边缘节点n处进行服务的效用,cns为在边缘节点n处部署服务s的成本,B为部署服务应用的总预算,l为每个服务应用所需要的存储空间的大小,即考虑每个服务应用大小相同的情况,Ln为边缘节点n的存储空间大小,ws为传输服务应用s所需要的带宽资源,Wn为边缘节点n的总带宽,fs为服务应用s所需要的计算资源,Fn为边缘节点n的总计算资源。
2.根据权利要求1所述的移动边缘计算中的优化服务部署方法,其特征是,所述的预估是指:基于历史数据中记录的服务应用故障,通过逻辑线性回归算法估计将来可能发生的服务应用故障的数量,记为k。
5.根据权利要求1所述的移动边缘计算中的优化服务部署方法,其特征是,具体包括:根据历史数据通过逻辑线性回归的方法预估可能发生服务故障的数量k,将关于服务部署变量和服务请求调度变量的最大化的优化问题转化为只关于服务部署的单变量优化问题,具体包括:
3.2)通过得到的服务请求调度方案得到最优的总效用;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526178.XA CN113296909B (zh) | 2021-05-14 | 2021-05-14 | 移动边缘计算中的优化服务部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526178.XA CN113296909B (zh) | 2021-05-14 | 2021-05-14 | 移动边缘计算中的优化服务部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113296909A CN113296909A (zh) | 2021-08-24 |
CN113296909B true CN113296909B (zh) | 2022-11-11 |
Family
ID=77322006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110526178.XA Active CN113296909B (zh) | 2021-05-14 | 2021-05-14 | 移动边缘计算中的优化服务部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113296909B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149443B (zh) * | 2023-10-30 | 2024-01-26 | 江西师范大学 | 一种基于神经网络的边缘计算服务部署方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360908A (zh) * | 2014-10-31 | 2015-02-18 | 东北大学 | 基于蚁群优化算法的云环境下sbs资源配置方法 |
CN109901922A (zh) * | 2019-03-05 | 2019-06-18 | 北京工业大学 | 一种面向多层服务的容器云资源调度优化方法 |
CN111090522A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 一种移动边缘计算环境下服务部署与迁移的调度系统及决策方法 |
CN112364507A (zh) * | 2020-11-10 | 2021-02-12 | 大连理工大学 | 一种基于移动边缘计算的分布式动态服务部署方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8775402B2 (en) * | 2006-08-15 | 2014-07-08 | Georgia State University Research Foundation, Inc. | Trusted query network systems and methods |
EP2113872A1 (en) * | 2008-05-01 | 2009-11-04 | Accenture Global Services GmbH | Communications network deployment simulator |
CN110062026A (zh) * | 2019-03-15 | 2019-07-26 | 重庆邮电大学 | 移动边缘计算网络中资源分配和计算卸载联合优化方案 |
CN111629443B (zh) * | 2020-06-10 | 2022-07-26 | 中南大学 | 用于超5g车联网中的动态频谱切片框架的优化方法及系统 |
CN111831445B (zh) * | 2020-07-13 | 2022-05-10 | 上海交通大学 | 边缘服务器优化部署方法 |
CN112291335B (zh) * | 2020-10-27 | 2021-11-02 | 上海交通大学 | 移动边缘计算中的优化任务调度方法 |
-
2021
- 2021-05-14 CN CN202110526178.XA patent/CN113296909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360908A (zh) * | 2014-10-31 | 2015-02-18 | 东北大学 | 基于蚁群优化算法的云环境下sbs资源配置方法 |
CN109901922A (zh) * | 2019-03-05 | 2019-06-18 | 北京工业大学 | 一种面向多层服务的容器云资源调度优化方法 |
CN111090522A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 一种移动边缘计算环境下服务部署与迁移的调度系统及决策方法 |
CN112364507A (zh) * | 2020-11-10 | 2021-02-12 | 大连理工大学 | 一种基于移动边缘计算的分布式动态服务部署方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113296909A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohan et al. | Edge-Fog cloud: A distributed cloud for Internet of Things computations | |
US10033570B2 (en) | Distributed map reduce network | |
JP5629261B2 (ja) | 別々の情報技術製品/ソリューション展開間でパフォーマンス・データを共有する方法およびシステム | |
US10679136B2 (en) | Decision processing and information sharing in distributed computing environment | |
Yao et al. | Reliability-aware fog resource provisioning for deadline-driven IoT services | |
CN113296909B (zh) | 移动边缘计算中的优化服务部署方法 | |
Alsenani et al. | SaRa: A stochastic model to estimate reliability of edge resources in volunteer cloud | |
US7904547B2 (en) | Method, system, and program product for optimizing monitoring and discovery services for a grid computing environment | |
Raj | Efficient information maintenance using computational intelligence in the multi-cloud architecture | |
CN114423023B (zh) | 一种面向移动用户的5g网络边缘服务器部署方法 | |
Siasi et al. | Priority-aware sfc provisioning in fog computing | |
Pandey et al. | Q-Learning based SFC deployment on edge computing environment | |
Mohan et al. | Placing it right!: optimizing energy, processing, and transport in Edge-Fog clouds | |
Pandey et al. | EdgeDQN: Multiple SFC placement in edge computing environment | |
US10873502B2 (en) | System and method for joint embedding and backup provisioning in virtual networks | |
Beigrezaei et al. | Minimizing data access latency in data grids by neighborhood‐based data replication and job scheduling | |
Liao et al. | Efficient provisioning for multicast virtual network under single regional failure in cloud-based datacenters | |
US20200183586A1 (en) | Apparatus and method for maintaining data on block-based distributed data storage system | |
Satpathy et al. | VRMap: A cost and time aware remapping of virtual data centres over a geo-distributed infrastructure | |
CN115562833A (zh) | 一种基于改进樽海鞘算法的工作流优化调度方法 | |
Li et al. | VNE-RFD: Virtual network embedding with resource fragmentation consideration | |
Guan et al. | Ant colony optimization based energy efficient virtual network embedding | |
Zhao et al. | Time constrained service-aware migration of virtualized services for mobile edge computing | |
Abdellah et al. | RAP-G: Reliability-aware service placement using genetic algorithm for deep edge computing | |
US20230214308A1 (en) | Resource capacity management in computing 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 |