CN113296909B - 移动边缘计算中的优化服务部署方法 - Google Patents

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

移动边缘计算中的优化服务部署方法

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：

优化目标：总效用

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，s_m为用户m所需要的服务的序号，x_ns表示是否将服务应用s部署在边缘节点n的标识变量：x_ns＝1为将服务应用s部署在边缘节点n，x_ns＝0为不部署，即，x_ns代表了服务部署的方案，z_nm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，u_nm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，c_ns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，L_n为边缘节点n的存储空间大小，w_s为传输服务应用s所需要的带宽资源，W_n为边缘节点n的总带宽，f_s为服务应用s所需要的计算资源，F_n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x_ns的函数ψ(x_ns)，则原问题简化为只关于服务部署变量x_ns的单变量优化问题：优化目标为ψ(x_ns)，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x_ns之间的关系：V＝{(n，s)|x_ns＝1，n∈N，s∈S}，将目标函数记为g(V)，再将对变量x_ns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)∈V}1_(n，s)∈V≤L_n/

为拟阵约束，记为τ，将∑_(n，s)∈Vc_ns记为C_V，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。

iii)取单元素集

其中：v为集合Ω\R中的某个元素，argmax为取使得函数值最大的单元素集的操作，a为使得函数值最大的单元素集合中的元素。

iv)当

且|V₁∪{a}|≤k时，更新集合V₁为V₁∪{a}，其中：τ为拟阵约束

k为预估可能发生服务故障的数量。

v)更新辅助集合R为R∪{u}。

vi)取

然后令集合V₂＝{a₁，a₂}，初始化布尔变量q为true。

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u_nm。调研在边缘节点n处部署服务s的成本记为c_ns。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L_n。调研传输服务应用s所需要的带宽资源记为w_s，调研边缘节点n的总带宽记为W_n。调研服务应用s所需要的计算资源记为f_s，调研边缘节点n的总计算资源记为F_n。

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：

优化目标：总效用

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，s_m表示用户m所需要的服务的序号。x_ns表示是否将服务应用s部署在边缘节点n的标识变量：x_ns＝1表示将服务应用s部署在边缘节点n，x_ns＝0表示不部署。即，x_ns代表了服务部署的方案。z_nm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：

3.1)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，其中：线性规划的目标仍为最大化

限制条件为：

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x_ns的函数ψ(x_ns)，那么原问题可以转化为只关于服务部署变量x_ns的单变量优化问题：优化目标是ψ(x_ns)，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x_ns之间的关系：V＝{(n，s)|x_ns＝1，n∈N，s∈S}，将目标函数记为g(V)，再将对变量x_ns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)∈Vc_ns记为C_V，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。

iii)取单元素集

其中：v表示集合Ω\R中的某个元素，argmax表示取使得函数值最大的单元素集的操作，e表示使得函数值最大的单元素集合中的元素。

iv)当

且|V₁∪{e}|≤k时，更新集合V₁为V₁∪{e}，其中：τ表示拟阵约束

k表示预估可能发生服务故障的数量。

v)更新R为R∪{v}。

vi)取

然后令集合V₂＝{e₁，e₂}，初始化布尔变量q为true。

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；

iii)取单元素集

其中：v为集合Ω\R中的某个元素，argmax为取使得函数值最大的单元素集的操作，r为使得函数值最大的单元素集合中的元素；

iv)当

且|V₁∪{e}|≤k时，更新集合V₁为V₁∪{r}，其中：τ为拟阵约束

k为预估可能发生服务故障的数量；

v)更新辅助集合R为R∪{v}；

vi)取

然后令集合V₂＝{r₁，r₂}，初始化布尔变量q为true；

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：

优化目标：总效用

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，s_m为用户m所需要的服务的序号，x_ns表示是否将服务应用s部署在边缘节点n的标识变量：x_ns＝1为将服务应用s部署在边缘节点n，x_ns＝0为不部署，即，x_ns代表了服务部署的方案，z_nm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，u_nm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，c_ns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，L_n为边缘节点n的存储空间大小，w_s为传输服务应用s所需要的带宽资源，W_n为边缘节点n的总带宽，f_s为服务应用s所需要的计算资源，F_n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。

3.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x_ns的函数ψ(x_ns)，则原问题简化为只关于服务部署变量x_ns的单变量优化问题：优化目标为ψ(x_ns)，限制条件为：

4.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)|x_ns＝1，n∈N，s∈S}，将目标函数记为g(V)，再将对变量x_ns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

为拟阵约束，记为τ，将∑_{(n，s)∈ V}c_ns记为C_V，表示集合V中元素的部署成本的和。

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：

3.1)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，其中：线性规划的目标仍为最大化

限制条件为：

3.2)通过得到的服务请求调度方案得到最优的总效用；

3.3)对于给定的服务部署方案

将目标函数记为x_ns的函数ψ(x_ns)，那么原问题转化为只关于服务部署变量x_ns的单变量优化问题：优化目标是ψ(x_ns)，限制条件为：

将只关于服务部署的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，具体包括：构建服务部署集合V和服务部署变量x_ns之间的关系：V＝{(n，s)|x_ns＝1，n∈N，s∈S}，将目标函数记为g(V)，再将对变量x_ns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)∈Vc_ns记为C_V，表示集合V中元素的部署成本的和。

Images