CN113347267A - 一种移动边缘云计算网络中的mec服务器部署方法 - Google Patents

Abstract

本发明公开了一种移动边缘云计算网络中的MEC服务器部署方法，目的是使得MEC服务器的部署效率最大化。技术方案是：先对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式。然后利用得到计算部署效率所需要的各个参数的值。接着根据部署效率的计算公式和各参数的值，使用三层优化方法计算出最优的部署决策。最后使用最优的部署决策，决定在哪些基站部署MEC服务器，并在每个基站上部署多少的计算资源量，并以此在城市中的基站上部署MEC服务器和计算资源量。采用本发明可保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟，降低MEC服务器部署期间造成的浪费。

Description

一种移动边缘云计算网络中的MEC服务器部署方法

技术领域

本发明涉及计算机网络技术领域，特别涉及一种移动边缘云计算网络中的 MEC(Mobile EdgeComputing，移动边缘计算)服务器部署方法。

背景技术

随着无线网络技术和移动设备的不断发展，各式各样的移动应用程序在人们的日常生活中扮演着越来越重要的角色。但是，随着移动应用行业的蓬勃发展和用户需求水平的提高，由于无法预测的网络延迟和相对有限的Internet带宽，传统的移动云计算(MobileCloud Computing,MCC)已经逐渐无法满足应用程序对延迟的严格要求。为了解决这个问题，人们通过将服务器部署在靠近移动用户 (例如，与蜂窝基站(BS)共置)的位置，提出了移动边缘计算(Mobile Edge Computing,MEC)的概念。这样，用户可以在附近的MEC服务器上处理计算任务，可以减轻网络带宽的压力并削弱不可预测的网络延迟的不利影响。凭借其优势和移动设备的普及，MEC的发展得到了极大的推动。

近年来，人们对MEC中的计算分流和计算资源分配进行了广泛的研究。一方面，人们已经设计了许多计算卸载机制，以使移动应用程序可以将其对延迟敏感的资源密集型任务有效地卸载到MEC服务器，从而提高MEC服务器的QoS和效率。另一方面，由于相对有限的计算资源(与云相比)和移动应用程序的不可预测行为，有必要设计高效的计算资源分配方案以确保移动用户的QoS并提高MEC服务器的资源利用率。现有的计算资源分配方案主要分为两类。一种是MEC服务器将其本地计算资源分配给用户或应用程序，另一种是MEC操作员将资源分配给每个 MEC服务器。这些工作大大提高了MEC系统的性能。

但是，大多数现有工作都假定MEC服务器已正确部署在基站或其他给定位置。在此假设下，他们利用已经部署的MEC服务器的可用计算资源量来设计计算卸载方案或计算资源分配方案，针对处理延迟，能耗，用户体验，系统成本等目标制定了优化问题。但是，它们中的大多数都忽略了MEC服务器本身在部署时的性能和效率。只有在MEC服务器被高效率地部署的前提下，以上的研究工作才是有意义的。值得注意的是，由于每个基站的网络覆盖范围是有限的，每个基站和MEC 服务器的部署成本是因地理位置而异的，移动用户的计算需求量是随时间变化的等等不确定因素，高效的MEC服务器部署方法对于低MEC服务器的部署造成的浪费，减少成本以提高MEC运营商的盈利能力、减少处理延迟以改善移动用户的体验而言至关重要。研究MEC服务器的部署问题可以为MEC中的其他工作打下坚实的基础，具有重要的意义。

为了确保MEC服务器被高效率地部署，研究MEC服务器部署优化问题，以最大化MEC服务器的部署效率是本领域技术人员极为关注的技术问题。部署MEC 服务器时应考虑很多因素，包括部署的位置，部署的计算资源量，建筑和运营成本，潜在的计算需求，处理延迟等。如何降低MEC服务器的部署造成的浪费的同时，尽可能的保证MEC服务器对移动用户的覆盖率和降低MEC服务器处理用户计算任务时的延迟是技术难点。

发明内容

本发明要解决的技术问题是在现有基站上部署MEC服务器，使得MEC服务器的部署效率最大化，部署效率指的是在降低MEC服务器的部署造成的浪费的同时，尽可能的保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟和增加能够批发给云端的计算资源量。

本发明所要处理的问题的场景是：一个MEC运营商在一个城市的现有基站上如何部署MEC服务器以提供计算服务。考虑到移动用户的时变计算需求以及不同基站的各种建设成本和限制，MEC运营商需要确定选择哪个基站来部署MEC服务器和相应数量的计算资源量。接着，将MEC服务器的部署方法公式化为部署效率最大化问题，然后设计一个三层优化算法以逐渐使MEC服务器的部署效率最大化。

随着移动应用程序的爆炸性增长，移动边缘计算(MEC)的发展非常迅速，因为移动边缘计算可以通过提供低延迟和高质量的计算服务来提高移动应用程序的服务质量(QoS)。然而，大多数现有工作都集中在假设MEC服务器已经部署的前提下，如何在MEC服务器上进行计算卸载和资源分配。但是，如果不适当的部署MEC服务器，则整个MEC系统的效率和性能会受到严重限制，从而阻碍了 MEC的快速推广。

为了解决此问题，本发明包含如下步骤：

第一步，对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式。具体是：

步骤1.1定义部署决策。本发明MEC服务器部署方法的部署决策为选择在哪些基站上部署MEC服务器和在每个基站上部署多少的计算资源量，才能使得 MEC服务器的部署效率最大化。令B＝{1，2，...，I}表示为所有可以用来部署MEC服务器的基站的集合，其中I表示基站的总数，i表示第i个基站。将部署决策用(S_i，N_i) 表示，其中S_i∈{0，1}，表示是否在第i个基站处部署MEC服务器，S_i＝0表示不在第i个基站处部署MEC服务器，S_i＝1表示在第i个基站处部署MEC服务器；N_i为小于等于

的自然数，表示在第i个基站处部署的计算资源量的数量，其中一个计算资源量代表一个内存容量为1TB的CPU；

表示由于第i个基站的空间限制，第i个基站处的N_i的值的上限，

的取值由实际情况决定，为正整数，

的优选取值为[10，20]，表示第i个基站处部署的上限计算资源量为[10，20] 之间的任意整数；

步骤1.2定义时隙。为了准确的描绘移动用户的计算需求的动态性，需要将整个时间段划分为多个时隙。用T表示整个时间段内的时隙总数，用t表示第t个时隙，其中t＝{1，2，...，T}。在这里，一个时隙可以是数十分钟或几小时，而整个时间段可以是数月或数年。在不失一般性的前提下，假定在时隙t期间，到达第i 个基站的计算任务遵循参数λ_i，t的泊松分布，并且每个计算任务的计算需求遵循期望值为R_i的指数分布。λ_i，t的值根据实际情况计算得出，计算过程将在第二步中给出。每个基站将按照先来先服务(FCFS)策略处理它收到的计算任务。本发明的目标是最大化整个时间段内所有部署MEC服务器的基站的总部署效率；

步骤1.3计算批发计算资源对部署效率带来的正面影响。MEC运营商可以将 MEC服务器的冗余计算资源批发到云端以产生利润。因此，如果MEC运营商能够将越多的计算资源量批发到云端，则MEC服务器的部署效率越高。令a_2，t表示将单位计算资源量批发到云端对部署效率带来的正面影响，

表示第i个基站在时隙t内最优的批发的计算资源量的数量。a_2，t的取值由实际情况决定，a_2，t的取值优选为[6，9]正面影响/计算资源量，

的值根据实际情况计算得出，计算方法将在第三步中给出。令

表示在时隙t期间将计算资源从第i个基站上批发到云端对部署效率带来的正面影响。

具体为：

其中，W为英文wholesale的首字母，代表批发。e为英文edge的首字母，代表计算资源量由边缘端批发；

步骤1.4计算用户覆盖率对部署效率带来的正面影响。MEC运营商的主要目的是通过向移动用户提供计算服务来产生利润。因此，部署了MEC服务器的基站对移动用户的覆盖率越高，MEC服务器的部署效率就越高。令

表示在时隙t期间第i个基站处的用户覆盖率，其中A为英文accept的首字母，代表用户被边缘端接受后接入边缘端。a_1，t表示在时隙t内单位用户覆盖率对部署效率带来的正面影响。a_1，t的取值由实际情况决定，a_1，t的取值优选为[8000，9500]正面影响/ 用户覆盖率。令

表示在时隙t期间在第i个基站处用户覆盖率对部署效率带来的正面影响，

具体为：

其中C为英文coverage的首字母，代表覆盖。为了得到

采用排队论方法计算在时隙t期间第i个基站处的用户覆盖率

方法为：

步骤1.4.1定义平均处理延迟的上限。由于基站上的计算资源是有限的，每个基站都难以或不可能在其规定时间内处理完所有计算任务。通常，对于计算任务，平均处理延迟

上存在一个上限，用

表示。

的取值由实际情况决定，

的取值优选为[1，10]毫秒。如果

那么该用户的计算任务将不会被卸载到第i个基站；如果

那么该用户的计算任务会被卸载到第i个基站上处理；

步骤1.4.2建立排队论模型。根据排队论理论，可以将时隙t期间第i个基站的计算任务处理建模为M/M/c排队模型，M/M/c排队模型指顾客的到达间隔服从参数为λ的负指数分布，到达的人数服从泊松分布，每位顾客的服务时间服从参数为μ的负指数分布，且顾客的到达和服务时间相互独立，系统有c个服务台的排队模型。其中c＝N_i，

ρ＝λ_i，t/μ，ρ_s＝λ_i，t/(cμ)，并且

在此c，μ，ρ，ρ_s和

是排队论定理计算过程中所需要使用的参数， c是服务台的个数，这里指计算资源量的个数，μ是每个用户的平均服务时间，这里指单位时间单位计算资源量能够处理的计算任务量，ρ是相同时间内用户的到达的平均数和单个计算资源量被服务的平均用户数的比值，ρ_s是相同时间内用户的到达的平均数和c个计算资源量被服务的平均用户数的比值，

是最大队列长度，E是单位计算资源量处理计算任务的能力。μ和

的取值由实际情况决定，μ的取值优选为[500，1000]任务/(小时×计算资源量)，

的取值优选为[1，10] 计算任务和的取值分别为。根据排队论定理，排队系统的稳态分布具体为：

其中

这里P_n指系统中有n个用户的概率，P₀指系统空闲的概率；

步骤1.4.3计算用户被拒绝率。如果一个用户的计算任务的平均处理延迟

那么该用户的计算任务将不会被卸载到第i个基站，即该用户会被第i个基站所拒绝；根据排队论定理，时隙t期间第i个基站处用户的被拒绝率

为：

其中R为英文refuse的首字母，代表用户被边缘端拒绝后接入云端。

步骤1.4.4计算用户覆盖率。由于没有被拒绝的移动用户均会接受MEC系统的服务，因此在时隙t期间第i个基站处的用户覆盖率

具体为：

步骤1.5计算延迟对部署效率带来的负面影响。对于MEC系统，处理延迟是服务质量的重要因素，因为它决定了用户体验的好坏。通常，随着处理延迟的增加，服务质量下降，也就意味着MEC服务器的部署效率降低。令第i个基站处的计算延迟对部署效率带来的负面影响为

通常，

是平均处理延迟

的递增凸函数。这是因为移动用户对处理延迟很敏感。在本发明中，将

设置为：

其中L为英文latency的首字母，代表延迟。σ_i，t是保证

是平均处理延迟

的递增函数的参数，τ_i，t是保证

是平均处理延迟

的凸函数的参数。σ_i，t和τ_i，t的取值由实际情况决定，σ_i，t和τ_i，t的取值均为[1×10⁴，10×10⁴]。

根据M/M/c排队定理，

具体为：

其中，

表示平均队列长度，

具体为：

步骤1.6计算MEC服务器的建设和运营造成的浪费。在基站上部署MEC服务器，其建设和运营成本过程中造成的浪费是不可避免的，浪费量越多，则MEC 服务器的部署效率越低。通常，建设和运营造成的浪费量主要来自两个方面：一方面是在基站上部署MEC服务器的建设和日常维护会造成一定的浪费量。另一方面是MEC服务器上计算资源的每日运营造成的浪费量。令α_i，t表示时隙t期间的第 i个基站的平均浪费量，令β_i，t表示单位计算资源量的平均浪费量。α_i，t和β_i，t的取值由实际情况决定，α_i，t的取值为[1，10]负面影响/(小时×基站)，β_i，t的取值为 [2，3]元/(负面影响×计算资源量)。令

表示在时隙t期间在基站i处MEC服务器的建设和运营造成的浪费，

具体为：

其中，B为英文building的首字母，代表建设和运营。

步骤1.7构建部署效率的计算公式。整个时间段内所有部署MEC服务器的基站的总部署效率U具体为：

步骤1.8构建部署效率的最优化模型，该模型如公式(11)所示：

其中，U表示总部署效率，

表示选择在哪些基站上部署MEC服务器和在每个基站上部署多少的计算资源量，才能使得MEC服务器的部署效率最大化，即在降低MEC服务器的部署造成的浪费的同时，尽可能的保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟和增加能够批发给云端的计算资源量；S_i∈{0，1}，

表示S_i只能从0和1之间取值，S_i＝0表示不在第i个基站处部署MEC服务器，S_i＝1表示在第i个基站处部署MEC服务器；

表示N_i为小于等于

的自然数；

t表示平均处理延迟不能超过其上限

第二步，利用符合本发明要求的真实数据集，将数据集中的数据视为在边缘端处理计算任务的一个移动用户，以此得到计算部署效率所需要的各个参数(包括每个基站覆盖范围内的用户数、每个时隙内每个基站处理计算任务的延迟等) 的值。具体是：

步骤2.1选取符合要求的数据集。符合本发明要求的数据集具有如下特征：

1.数据集中的信息为移动设备用户的信息或者可以被当做移动设备用户的信息(比如出租车用户的信息，网络游戏用户的信息等)；数据集中的一条数据对应一个用户；

2.数据集中的每一条数据需要包括用户ID(用户名)，时间，用户所在经度，用户所在纬度的信息；

3.数据集中的数据总条数M需要超过一亿条；

4.数据集中的时间总跨度需要超过10天(即240小时)；

步骤2.2确定T和I的值。其中，T和I的值需要满足T≥240，I≥50；

步骤2.3初始化i＝1；t＝1；

步骤2.4根据数据集中的数据，计算时隙t期间移动用户对于第i个基站的期望数量λ_i，t。为了方便第三步中算法的计算，还需将每个λ_i，t划分为可以连接到附近的基站j(i≠j)处的λ_i，j，t和时隙t内不处于任何其他基站覆盖范围内的用户数量θ_0，t。在这里，λ_i，j，t表示时隙t期间接近并被第j个基站覆盖且在第i个基站被移除后会选择连接到第j个基站的移动用户的预期数量，而λ_i，i，t表示在时隙t内仅被第i个基站覆盖且在第i个基站被移除后不处于任何基站覆盖范围内的移动用户的预期数量。λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值均需要计算。方法是：

步骤2.4.1从数据集中获得时隙t内每个用户所在的经纬度位置，还有每个基站的经纬度位置和覆盖范围；

步骤2.4.2计算λ_i，t的值，方法是：

步骤2.4.2.1初始化λ_i，t＝0，令数据变量m＝1；

步骤2.4.2.2根据数据集中的第m条数据对应的用户所在的经纬度位置和第 i个基站的经纬度位置和覆盖范围，判断该用户是否在第i个基站的覆盖范围内，若用户与第i个基站的距离小于第i个基站的覆盖范围，即该用户在第i个基站的覆盖范围内，且该用户与第i个基站的距离小于与其他任何基站的距离，令λ_i，t＝λ_i，t+1，转2.4.2.3；否则说明该用户不在第i个基站的覆盖范围内，λ_i，t保持不变，直接转2.4.2.3；

步骤2.4.2.3令m＝m+1，m≤M，M为数据集中的数据条数，转2.4.2.2；若m＞M，说明得到了λ_i，t转至步骤2.4.3；

步骤2.4.3若第i个基站被移除，则在时隙t内，原来接入该基站的用户会分为两部分：一部分是选择接入其他基站的用户，预期数量为λ_i，j，t和当第i个基站被移除后不存在于任何一个基站覆盖范围内的用户，预期数量为λ_i，i，t。因此需将λ_i，t划分为可以连接到附近的基站j(i≠j)处的λ_i，j，t和时隙t内不存在于任何一个基站覆盖范围内的λ_i，i，t，方法是：

步骤2.4.3.1令j＝1；

步骤2.4.3.2初始化λ_i，j，t＝0，令数据变量m＝1；

步骤2.4.3.3根据λ_i，t中的第m条数据对应的用户所在的经纬度位置和第j个基站的经纬度位置和覆盖范围，判断该用户是否在第j个基站的覆盖范围内，若用户与第i个基站的距离小于第j个基站的覆盖范围，即该用户在第j个基站的覆盖范围内，且该用户与第j个基站的距离小于与其他任何基站的距离，令λ_i，j，t＝λ_i，j，t+1，转2.4.3.4；否则说明该用户不在第i个基站的覆盖范围内，λ_i，j，t保持不变，直接转2.4.3.4；

步骤2.4.3.4令m＝m+1，若m≤λ_i，t，转2.4.3.3；若m＞λ_i，t，说明得到了λ_i，j，t，转至步骤2.4.3.5；

步骤2.4.3.5更新λ_j，t的值，由于第j个基站覆盖范围内的用户数量等于原来第j个基站覆盖范围内的用户数量加上原来在第i个基站覆盖范围内，当第i个基站被移除后接入第j个基站的用户数量，因此λ_j，t＝λ_j，t+λ_i，j，t；

步骤2.4.3.6令j＝j+1，j≤I-1，转2.4.3.2；若J＞I-1，说明得到了λ_i，j，t转至步骤2.4.4；

步骤2.4.4计算λ_i，i，t的值，由于不存在于任何一个基站覆盖范围内的用户数量等于原来在基站覆盖范围内的用户数量减去接入到其他基站的用户数量，因此λ_i，i，t＝λ_i，t-∑_jλ_i，j，t；

步骤2.4.5更新θ_0，t的值，由于不存在于任何一个基站覆盖范围内的总用户数量等于原来不存在于任何一个基站覆盖范围内的用户数量加上原来在第i个基站覆盖范围内，当第i个基站被移除后不存在于任何一个基站覆盖范围内的用户数量，因此θ_0，t＝θ_0，t+λ_i，i，t；

步骤2.5若t＜T，令t＝t+1，转至步骤2.4；否则令t＝1，转至步骤2.4；

步骤2.6若i＜I，令i＝i+1，转至步骤2.4；否则转至步骤2.7；

步骤2.7结束，得到最终的λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值；

第三步，根据部署效率计算公式和各参数的值，使用三层优化方法 (Three-tieroptimization algorithm，TOA)优化出最优的部署决策，该方法包含以下步骤：

步骤3.1使用三分法，在给定N_i时，计算最佳

即利用三分法来计算对于给定的N_i，最佳批发计算单位量

的含义为当N_i给定时，对于不同t的

的值的集合。具体是：

步骤3.1.1初始化i＝1，初始化α_i，t，β_i，t，σ_i，t，τ_i，t，a_1，t，a_2，t，μ，

和N_i的值；

步骤3.1.2令t＝1；

步骤3.1.3令a＝0，b＝N_i；a代表三分法计算过程中最优值的上边界，b 代表下边界；

步骤3.1.4令误差参数ε＝0.00001，若b-a＞ε，转至步骤3.1.5；否则，转至步骤3.1.6；

步骤3.1.5令第一三分点x₁＝a+(b-a)/3，令第二三分点x₂＝x₁+(b- a)/3；根据公式(10)计算U(x₁)和U(x₂)；这里U(x)表示当

的取值为x时，总部署效率U的值；若U(x₁)＞U(x₂)，则令b＝x₂，转至步骤3.1.4；否则，令a＝ x₁；转至步骤3.1.4；

步骤3.1.6根据公式(10)计算U(a)，U(b)和U((a+b)/2)，将

的值设为a，b，(a+b)/2中能够使得U最大的值；

步骤3.1.7若t＜T，令t＝t+1，转至步骤3.1.3；否则令t＝1，转至步骤 3.1.8；

步骤3.1.8若i＜I，令i＝i+1，转至步骤3.1.3；否则转至步骤3.1.9；

步骤3.1.9得到

步骤3.2使用穷举搜索方法，当给定S_i时找到最佳N_i。即在给定部署MEC服务器的基站时，计算最优的计算资源量。具体是：

步骤3.2.1初始化α_i，t，β_i，t，σ_i，t，τ_i，t，a_1，t，a_2，t，μ，

和S_i的值；

步骤3.2.2令i＝1；

步骤3.2.3令U的最大值U′＝0；U′用于存储U的最大值；

步骤3.2.4令j＝1；

步骤3.2.5令N_i＝j；获取步骤3.1中得到的此时的

步骤3.2.6利用步骤3.1获取的

根据公式(10)计算U；若U＞U′，则令U′＝U，令最优的N_i的值N′_i＝N_i；

步骤3.2.7若

令j＝j+1，转至步骤3.2.5；否则令j＝1，转至步骤3.2.8；

步骤3.2.8若i＜I，令i＝i+1，转至步骤3.2.3；否则转至步骤3.2.9；

步骤3.2.9得到最优的N_i，即N′_i；

步骤3.3使用排除法计算是否要在第i个基站部署MEC服务器，即计算S_i。在选择了基站后，可以通过步骤3.1和步骤3.2获得最佳的

和N_i。由于总部署效率U是S_i的非凹非凸函数，很难设计一种有效的方法来找到最优的S_i。因此，使用一种排除方法尝试逐一移除不盈利的基站，以逐步提高总部署效率U。具体为：

步骤3.3.1初始化S₁，...，S_i，...，S_I均为1，且假设I个基站都部署了具有最佳N_i和

的MEC服务器，获取步骤3.2中得到的此时的U′；

步骤3.3.2令i＝1；

步骤3.3.3令S_i＝0，即假设移除第i个基站中的MEC服务器，并储存此时λ_i，t，λ_i，j，t，λ_i，it，θ_0，t和U′的值；

步骤3.3.4令t＝1；j＝1；

步骤3.3.5对于时隙t和第i个基站以外的基站j，根据步骤2.4所述的计算时隙t期间移动用户的期望数量方法，计算λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值；基于更新的λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值，采用步骤3.1和步骤3.2所述的方法，重新计算最优的

和相应的总部署效率U，这里

的含义为对于不同的j和t，N_j和

的值的集合；如果总部署效率U大于移除第i个基站之前的总部署效率U′(步骤3.2中得到)，则令S_i＝0，即移除第i个基站并令U′＝U；否则，令S_i＝1，即选择不移除第i个基站，并将参数λ_i，t，λ_i，j，t，λ_i，i，t，θ_0，t和U′恢复为步骤3.3.3中储存的值；

步骤3.3.6若j＜I-1，令j＝j+1，转至步骤3.3.3；否则令j＝1，转至步骤3.3.7；

步骤3.3.7若t＜T，令t＝t+1，转至步骤3.3.5；否则令t＝1，转至步骤 3.3.8；

步骤3.3.8若i＜I，令i＝i+1，转至步骤3.3.5；否则转至步骤3.3.9；

步骤3.3.9得到最终最优部署决策

这里

的含义为对于不同的i和t，S_i，N_i和

的值的集合；

第四步，根据最优部署决策

决定在城市中的哪些基站部署 MEC服务器，并在每个基站上部署多少的计算资源量，并据此在城市中的基站上部署MEC服务器和计算资源量，。方法为：

步骤4.1令i＝1；

步骤4.2根据最优部署决策中的S_i，决定是否在第i个基站部署MEC服务器；若S_i＝1，转至步骤4.3；否则，转至步骤4.5；

步骤4.3根据最优部署决策中的N_i，在第i个基站上部署N_i个计算资源量；

步骤4.4根据最优部署决策中的

决定第i个基站在时隙t内向云端批发

个计算资源量；

步骤4.5若i＜I，令i＝i+1，转至步骤4.2；否则转至步骤4.6；

步骤4.6完成全部基站和计算资源量的部署。

与现有的具有竞争力的其他方法进行对比，采用本发明的MEC服务器部署方法，可以达到如下技术效果：

1.由于在步骤1.3中考虑了批发计算资源对部署效率带来的正面影响，可以达到提高边缘与云共享计算资源产生的潜在收益的技术效果；

2.由于在步骤1.4中考虑了用户覆盖率对部署效率带来的正面影响，可以达到尽可能保证MEC服务器对移动用户的覆盖率的技术效果；

3.由于在步骤1.5中考虑了计算延迟对部署效率带来的负面影响，可以达到降低MEC服务器处理用户计算任务时的延迟的技术效果；

4.由于在步骤1.6中考虑了MEC服务器的建设和运营造成的浪费，可以达到降低MEC服务器部署期间造成的浪费的技术效果；

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明MEC服务器部署方法的总体流程图；

图2是本发明MEC服务器部署方法中第一步对影响部署效率的各种因素进行建模的流程图；

图3是本发明MEC服务器部署方法的数值实验中，在成都市内选择的部署 MEC服务器的基站的示意图；

图4是本发明MEC服务器部署方法的数值实验中，编号为95，100，118，167 的四个基站在10月10日的24个小时内向云端批发的计算资源量的示意图；

图5是本发明MEC服务器部署方法中将TOA算法与现有的具有竞争力的其他方法的总部署效率进行对比的结果图。

具体实施方式

以下结合附图对本发明技术方案结合具体实施例作进一步的描述，但本发明并不限于这些实施例。

还应该理解，此处所描述的具体实施例仅仅用于理解本发明，并不用于限定本发明。

本发明提出的移动边缘云计算网络中的MEC服务器部署方法的流程详见图1，具体包括以下步骤：

第一步，对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式。建模和分析的流程详见图2，具体是：

步骤1.1定义部署决策。本发明MEC服务器部署方法的部署决策为选择在哪些基站上部署MEC服务器和在每个基站上部署多少的计算资源量，才能使得 MEC服务器的部署效率最大化。令B＝{1，2，...，I}表示为所有可以用来部署MEC服务器的基站的集合，其中I表示基站的总数，i表示第i个基站。将部署决策用(S_i，N_i) 表示，其中S_i∈{0，1}，表示是否在第i个基站处部署MEC服务器，S_i＝0表示不在第i个基站处部署MEC服务器，S_i＝1表示在第i个基站处部署MEC服务器；N_i为小于等于

的自然数，表示在第i个基站处部署的计算资源量的数量，其中一个计算资源量代表一个内存容量为1TB的CPU；

表示由于第i个基站的空间限制，第i个基站处的N_i的值的上限，

的取值由实际情况决定，在本发明的数值实验中，

的取值为[10，20]，表示第i个基站处部署的上限计算资源量为[10，20]之间的任意整数；

步骤1.2定义时隙。为了准确的描绘移动用户的计算需求的动态性，需要将整个时间段划分为多个时隙。用T表示整个时间段内的时隙总数，用t表示第t个时隙，其中t＝{1，2，...，T}。在这里，一个时隙可以是数十分钟或几小时，而整个时间段可以是数月或数年。在不失一般性的前提下，假定在时隙t期间，到达第i 个基站的计算任务遵循参数λ_i，t的泊松分布，并且每个计算任务的计算需求遵循期望值为R_i的指数分布。λ_i，t的值根据实际情况计算得出，计算过程将在第二步中给出。每个基站将按照先来先服务(FCFS)策略处理它收到的计算任务。本发明的目标是最大化整个时间段内所有部署MEC服务器的基站的总部署效率；

步骤1.3计算批发计算资源对部署效率带来的正面影响。MEC运营商可以将 MEC服务器的冗余计算资源批发到云端以产生利润。因此，如果MEC运营商能够将越多的计算资源量批发到云端，则MEC服务器的部署效率越高。令a_2，t表示将单位计算资源量批发到云端对部署效率带来的正面影响，

表示第i个基站在时隙t内最优的批发的计算资源量的数量。a_2，t的取值由实际情况决定，在本发明的数值实验中，a_2，t的取值为[6，9]正面影响/计算资源量，

的值根据实际情况计算得出，计算方法将在第三步中给出。令

表示在时隙t期间将计算资源从第 i个基站上批发到云端对部署效率带来的正面影响。

具体为：

其中，W为英文wholesale的首字母，代表批发。e为英文edge的首字母，代表计算资源量由边缘端批发；

步骤1.4计算用户覆盖率对部署效率带来的正面影响。MEC运营商的主要目的是通过向移动用户提供计算服务来产生利润。因此，部署了MEC服务器的基站对移动用户的覆盖率越高，MEC服务器的部署效率就越高。令

表示在时隙t期间第i个基站处的用户覆盖率，其中A为英文accept的首字母，代表用户被边缘端接受后接入边缘端。a_1，t表示在时隙t内单位用户覆盖率对部署效率带来的正面影响。a_1，t的取值由实际情况决定，在本发明的数值实验中，a_1，t的取值为 [8000，9500]正面影响/用户覆盖率。令

表示在时隙t期间在第i个基站处用户覆盖率对部署效率带来的正面影响，

具体为：

其中C为英文coverage的首字母，代表覆盖。为了得到

采用排队论方法计算在时隙t期间第i个基站处的用户覆盖率

方法为：

步骤1.4.1定义平均处理延迟的上限。由于基站上的计算资源是有限的，每个基站都难以或不可能在其规定时间内处理完所有计算任务。通常，对于计算任务，平均处理延迟

上存在一个上限，用

表示。

的取值由实际情况决定，在本发明的数值实验中，

的取值为[1，10]毫秒。如果

那么该用户的计算任务将不会被卸载到第i个基站；如果

那么该用户的计算任务会被卸载到第i个基站上处理；

步骤1.4.2建立排队论模型。根据排队论理论，可以将时隙t期间第i个基站的计算任务处理建模为M/M/c排队模型，M/M/c排队模型指顾客的到达间隔服从参数为λ的负指数分布，到达的人数服从泊松分布，每位顾客的服务时间服从参数为μ的负指数分布，且顾客的到达和服务时间相互独立，系统有c个服务台的排队模型。其中c＝N_i，

ρ＝λ_i，t/μ，ρ_s＝λ_i，t/(cμ)，并且

在此c，μ，ρ，ρ_s和

是排队论定理计算过程中所需要使用的参数， c是服务台的个数，这里指计算资源量的个数，μ是每个用户的平均服务时间，这里指单位时间单位计算资源量能够处理的计算任务量，ρ是相同时间内用户的到达的平均数和单个计算资源量被服务的平均用户数的比值，ρ_s是相同时间内用户的到达的平均数和c个计算资源量被服务的平均用户数的比值，

是最大队列长度，E是单位计算资源量处理计算任务的能力。μ和

的取值由实际情况决定，在本发明的数值实验中，μ的取值为[500，1000]任务/(小时×计算资源量)，

的取值为[1，10]计算任务和的取值分别为。根据排队论定理，排队系统的稳态分布具体为：

其中

这里P_n指系统中有n个用户的概率，P₀指系统空闲的概率；

步骤1.4.3计算用户被拒绝率。如果一个用户的计算任务的平均处理延迟

那么该用户的计算任务将不会被卸载到第i个基站，即该用户会被第i个基站所拒绝；根据排队论定理，时隙t期间第i个基站处用户的被拒绝率

为：

其中R为英文refuse的首字母，代表用户被边缘端拒绝后接入云端。

步骤1.4.4计算用户覆盖率。由于没有被拒绝的移动用户均会接受MEC系统的服务，因此在时隙t期间第i个基站处的用户覆盖率

具体为：

步骤1.5计算延迟对部署效率带来的负面影响。对于MEC系统，处理延迟是服务质量的重要因素，因为它决定了用户体验的好坏。通常，随着处理延迟的增加，服务质量下降，也就意味着MEC服务器的部署效率降低。令第i个基站处的计算延迟对部署效率带来的负面影响为

通常，

是平均处理延迟

的递增凸函数。这是因为移动用户对处理延迟很敏感。在本发明中，将

设置为：

其中L为英文latency的首字母，代表延迟。σ_i，t是保证

是平均处理延迟

的递增函数的参数，τ_i，t是保证

是平均处理延迟

的凸函数的参数。σ_i，t和τ_i，t的取值由实际情况决定，在本发明的数值实验中，σ_i，t和τ_i，t的取值均为 [1×10⁴，10×10⁴]。

根据M/M/c排队定理，

具体为：

其中，

表示平均队列长度，

具体为：

步骤1.6计算MEC服务器的建设和运营造成的浪费。在基站上部署MEC服务器，其建设和运营成本过程中造成的浪费是不可避免的，浪费量越多，则MEC 服务器的部署效率越低。通常，建设和运营造成的浪费量主要来自两个方面：一方面是在基站上部署MEC服务器的建设和日常维护会造成一定的浪费量。另一方面是MEC服务器上计算资源的每日运营造成的浪费量。令α_i，t表示时隙t期间的第 i个基站的平均浪费量，令β_i，t表示单位计算资源量的平均浪费量。α_i，t和β_i，t的取值由实际情况决定，在本发明的数值实验中，α_i，t和的取值为[1，10]负面影响 /(小时×基站)，β_i，t的取值为[2，3]元/(负面影响×计算资源量)和的取值分别为。令

表示在时隙t期间在基站i处MEC服务器的建设和运营造成的浪费，

具体为：

其中，B为英文building的首字母，代表建设和运营。

步骤1.7构建部署效率的计算公式。整个时间段内所有部署MEC服务器的基站的总部署效率U具体为：

步骤1.8构建部署效率的最优化模型，该模型如公式(11)所示：

其中，U表示总部署效率，

表示选择在哪些基站上部署MEC服务器和在每个基站上部署多少的计算资源量，才能使得MEC服务器的部署效率最大化，即在降低MEC服务器的部署造成的浪费的同时，尽可能的保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟和增加能够批发给云端的计算资源量；S_i∈{0，1}，

表示S_i只能从0和1之间取值，S_i＝0表示不在第i个基站处部署MEC服务器，S_i＝1表示在第i个基站处部署MEC服务器；

表示N_i为小于等于

的自然数；

t表示平均处理延迟不能超过其上限

第二步，利用符合本发明要求的真实数据集，将数据集中的数据视为在边缘端处理计算任务的一个移动用户，以此得到计算部署效率所需要的各个参数(包括每个基站覆盖范围内的用户数、每个时隙内每个基站处理计算任务的延迟等) 的值。具体是：

步骤2.1选取符合要求的数据集。符合本发明要求的数据集具有如下特征：

1.数据集中的信息为移动设备用户的信息或者可以被当做移动设备用户的信息(比如出租车用户的信息，网络游戏用户的信息等)；数据集中的一条数据对应一个用户；

2.数据集中的每一条数据需要包括用户ID(用户名)，时间，用户所在经度，用户所在纬度的信息；

3.数据集中的数据总条数M需要超过一亿条；

4.数据集中的时间总跨度需要超过10天(即240小时)；

在本发明的数值实验中，采用成都市二环路内驾驶员的车辆轨迹数据作为本 发明研究的数据集。本发明将数据集中的每一个车辆看作是一个将计算任务上传 到MEC系统中的移动用户，以模拟移动用户。该数据集的时间范围是2016年10 月1日至31日。从该数据集中，可以获得每个移动用户的实时经度和纬度信息。 然后，从Opencellid(https：//opencellid.org)获得每个基站经度和纬度信息 以及该区域中每个基站的覆盖范围；

步骤2.2确定T和I的值。其中，T和I的值需要满足T≥240，I≥50；在本发明的数值实验中，取时隙t的长度为一个小时，取整个时间段为2016年10月 1日至31日，总计744小时，即T＝744；取I为数据集中出现的基站的总数，即I＝184；

步骤2.3初始化i＝1；t＝1；

步骤2.4根据数据集中的数据，计算时隙t期间移动用户对于第i个基站的期望数量λ_i，t。为了方便第三步中算法的计算，还需将每个λ_i，t划分为可以连接到附近的基站j(i≠j)处的λ_i，j，t和时隙t内不处于任何其他基站覆盖范围内的用户数量θ_0，t。在这里，λ_i，j，t表示时隙t期间接近并被第j个基站覆盖且在第i个基站被移除后会选择连接到第j个基站的移动用户的预期数量，而λ_i，i，t表示在时隙t内仅被第i个基站覆盖且在第i个基站被移除后不处于任何基站覆盖范围内的移动用户的预期数量。λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值均需要计算。方法是：

步骤2.4.1从数据集中获得时隙t内每个用户所在的经纬度位置，还有每个基站的经纬度位置和覆盖范围；

步骤2.4.2计算λ_i，t的值，方法是：

步骤2.4.2.1初始化λ_i，t＝0，令数据变量m＝1；

步骤2.4.2.2根据数据集中的第m条数据对应的用户所在的经纬度位置和第 i个基站的经纬度位置和覆盖范围，判断该用户是否在第i个基站的覆盖范围内，若用户与第i个基站的距离小于第i个基站的覆盖范围，即该用户在第i个基站的覆盖范围内，且该用户与第i个基站的距离小于与其他任何基站的距离，令λ_i，t＝λ_i，t+1，转2.4.2.3；否则说明该用户不在第i个基站的覆盖范围内，λ_i，t保持不变，直接转2.4.2.3；

步骤2.4.2.3令m＝m+1，m≤M，M为数据集中的数据条数，转2.4.2.2；若m＞M，说明得到了λ_i，t转至步骤2.4.3；

步骤2.4.3若第i个基站被移除，则在时隙t内，原来接入该基站的用户会分为两部分：一部分是选择接入其他基站的用户，预期数量为λ_i，j，t和当第i个基站被移除后不存在于任何一个基站覆盖范围内的用户，预期数量为λ_i，i，t。因此需将λ_i，t划分为可以连接到附近的基站j(i≠j)处的λ_i，j，t和时隙t内不存在于任何一个基站覆盖范围内的λ_i，i，t，方法是：

步骤2.4.3.1令j＝1；

步骤2.4.3.2初始化λ_i，j，t＝0，令数据变量m＝1；

步骤2.4.3.3根据λ_i，t中的第m条数据对应的用户所在的经纬度位置和第j个基站的经纬度位置和覆盖范围，判断该用户是否在第j个基站的覆盖范围内，若用户与第i个基站的距离小于第j个基站的覆盖范围，即该用户在第j个基站的覆盖范围内，且该用户与第j个基站的距离小于与其他任何基站的距离，令λ_i，j，t＝λ_i，j，t+1，转2.4.3.4；否则说明该用户不在第i个基站的覆盖范围内，λ_i，j，t保持不变，直接转2.4.3.4；

步骤2.4.3.4令m＝m+1，若m≤λ_i，t，转2.4.3.3；若m＞λ_i，t，说明得到了λ_i，j，t，转至步骤2.4.3.5；

步骤2.4.3.5更新λ_j，t的值，由于第j个基站覆盖范围内的用户数量等于原来第j个基站覆盖范围内的用户数量加上原来在第i个基站覆盖范围内，当第i个基站被移除后接入第j个基站的用户数量，因此λ_j，t＝λ_j，t+λ_i，j，t；

步骤2.4.3.6令j＝j+1，j≤I-1，转2.4.3.2；若J＞I-1，说明得到了λ_i，j，t转至步骤2.4.4；

步骤2.4.4计算λ_i，i，t的值，由于不存在于任何一个基站覆盖范围内的用户数量等于原来在基站覆盖范围内的用户数量减去接入到其他基站的用户数量，因此λ_i，i，t＝λ_i，t-∑_jλ_i，j，t；

步骤2.4.5更新θ_0，t的值，由于不存在于任何一个基站覆盖范围内的总用户数量等于原来不存在于任何一个基站覆盖范围内的用户数量加上原来在第i个基站覆盖范围内，当第i个基站被移除后不存在于任何一个基站覆盖范围内的用户数量，因此θ_0，t＝θ_0，t+λ_i，i，t；

步骤2.5若t＜T，令t＝t+1，转至步骤2.4；否则令t＝1，转至步骤2.4；

步骤2.6若i＜I，令i＝i+1，转至步骤2.4；否则转至步骤2.7；

步骤2.7结束，得到最终的λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值；

下表总结了本发明的数值实验中，成都市的各个参数设置值；

第三步，根据部署效率计算公式和各参数的值，使用三层优化方法(Three-tieroptimization algorithm，TOA)优化出最优的部署决策，该方法包含以下步骤：

步骤3.1使用三分法，在给定N_i时，计算最佳

即利用三分法来计算对于给定的N_i，最佳批发计算单位量

的含义为当N_i给定时，对于不同t的

的值的集合。具体是：

步骤3.1.1初始化i＝1，初始化α_i，t，β_i，t，σ_i，t，τ_i，t，a_1，t，a_2，t，μ，

和N_i的值；

步骤3.1.2令t＝1；

步骤3.1.3令a＝0，b＝N_i；a代表三分法计算过程中最优值的上边界，b 代表下边界；

步骤3.1.4令误差参数ε＝0.00001，若b-a＞ε，转至步骤3.1.5；否则，转至步骤3.1.6；

步骤3.1.5令第一三分点x₁＝a+(b-a)/3，令第二三分点x₂＝x₁+(b- a)/3；根据公式(10)计算U(x₁)和U(x₂)；这里U(x)表示当

的取值为x时，总部署效率U的值；若U(x₁)＞U(x₂)，则令b＝x₂，转至步骤3.1.4；否则，令a＝ x₁；转至步骤3.1.4；

步骤3.1.6根据公式(10)计算U(a)，U(b)和U((a+b)/2)，将

的值设为a，b，(a+b)/2中能够使得U最大的值；

步骤3.1.7若t＜T，令t＝t+1，转至步骤3.1.3；否则令t＝1，转至步骤 3.1.8；

步骤3.1.8若i＜I，令i＝i+1，转至步骤3.1.3；否则转至步骤3.1.9；

步骤3.1.9得到

步骤3.2使用穷举搜索方法，当给定S_i时找到最佳N_i。即在给定部署MEC服务器的基站时，计算最优的计算资源量。具体是：

步骤3.2.1初始化α_i，t，β_i，t，σ_i，t，τ_i，t，a_1，t，a_2，t，μ，

和S_i的值；

步骤3.2.2令i＝1；

步骤3.2.3令U的最大值U′＝0；U′用于存储U的最大值；

步骤3.2.4令j＝1；

步骤3.2.5令N_i＝j；获取步骤3.1中得到的此时的

步骤3.2.6利用步骤3.1获取的

根据公式(10)计算U；若U＞U′，则令U′＝U，令最优的N_i的值N′_i＝N_i；

步骤3.2.7若

令j＝j+1，转至步骤3.2.5；否则令j＝1，转至步骤3.2.8；

步骤3.2.8若i＜I，令i＝i+1，转至步骤3.2.3；否则转至步骤3.2.9；

步骤3.2.9得到最优的N_i，即N′_i；

步骤3.3使用排除法计算是否要在第i个基站部署MEC服务器，即计算S_i。在选择了基站后，可以通过步骤3.1和步骤3.2获得最佳的

和N_i。由于总部署效率U是S_i的非凹非凸函数，很难设计一种有效的方法来找到最优的S_i。因此，使用一种排除方法尝试逐一移除不盈利的基站，以逐步提高总部署效率U。具体为：

步骤3.3.1初始化S₁，...，S_i，...，S_I均为1，且假设I个基站都部署了具有最佳N_i和

的MEC服务器，获取步骤3.2中得到的此时的U′；

步骤3.3.2令i＝1；

步骤3.3.3令S_i＝0，即假设移除第i个基站中的MEC服务器，并储存此时λ_i，t，λ_i，j，t，λ_i，i，t，θ_0，t和U′的值；

步骤3.3.4令t＝1；j＝1；

步骤3.3.5对于时隙t和第i个基站以外的基站j，根据步骤2.4所述的计算时隙t期间移动用户的期望数量方法，计算λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值；基于更新的λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值，采用步骤3.1和步骤3.2所述的方法，重新计算最优的

和相应的总部署效率U，这里

的含义为对于不同的j和t，N_j和

的值的集合；如果总部署效率U大于移除第i个基站之前的总部署效率U′(步骤3.2中得到)，则令S_i＝0，即移除第i个基站并令U′＝U；否则，令S_i＝1，即选择不移除第i个基站，并将参数λ_i，t，λ_i，j，t，λ_i，i，t，θ_0，t和U′恢复为步骤3.3.3中储存的值；

步骤3.3.6若j＜I-1，令j＝j+1，转至步骤3.3.3；否则令j＝1，转至步骤3.3.7；

步骤3.3.7若t＜T，令t＝t+1，转至步骤3.3.5；否则令t＝1，转至步骤 3.3.8；

步骤3.3.8若i＜I，令i＝i+1，转至步骤3.3.5；否则转至步骤3.3.9；

步骤3.3.9得到最终最优部署决策

这里

的含义为对于不同的i和t，S_i，N_i和

的值的集合；

第四步，根据最优部署决策

决定在城市中的哪些基站部署 MEC服务器，并在每个基站上部署多少的计算资源量，并据此在城市中的基站上部署MEC服务器和计算资源量，。方法为：

步骤4.1令i＝1；

步骤4.2根据最优部署决策中的S_i，决定是否在第i个基站部署MEC服务器；若S_i＝1，转至步骤4.3；否则，转至步骤4.5；图3表示本发明的数值实验中，在成都市内选择的部署MEC服务器的基站，其中圆点表示部署MEC服务器的基站，方点表示不部署MEC服务器的基站，；

步骤4.3根据最优部署决策中的N_i，在第i个基站上部署N_i个计算资源量；下表给出了本发明的数值实验中，在成都市内的基站上部署的计算资源量的数量；

步骤4.4根据最优部署决策中的

决定第i个基站在时隙t内向云端批发

个计算资源量；图4表示编号为95，100，118，167的四个基站在10月10日的 24个小时内向云端批发的计算资源量。其中圆点、方点、上三角形点、下三角形点分别表示编号为95，100，118，167的基站在10月10日的24个小时内向云端批发的计算资源量；

步骤4.5若i＜I，令i＝i+1，转至步骤4.2；否则转至步骤4.6；

步骤4.6完成全部基站和计算资源量的部署；

为了验证本发明中的MEC部署方法的有效性，将本发明示出的移动边缘云计算网络中的MEC服务器部署方法(TOA)与现有的具有竞争力的其他方法进行对比，说明本发明中的MEC部署方法在效率提高方面具有明显优势。具体为：

通过TOA算法，获得部署MEC服务器的基站的总数K；为了保证对比的公平性，将其他的方法的基站总数也设置为K；

以下是用于与本发明对比的较为有效的部署方法：

第一种，K-means方法：将所有基站聚合到K类中，然后选择K个聚类中心来部署MEC服务器；

第二种，K-top方法：选择K个具有最高K个最大计算需求的基站来部署MEC 服务器；

第三种，随机(Random)方法：随机选择K个基站；

在相同的硬件环境下对三种方法进行多次部署实验，计算每一次的总部署效率U；部署实验所使用的硬件环境为windows 10 64位系统，16G内存，i7-9700 处理器；

将几种方法与本发明示出的移动边缘云计算网络中的MEC服务器部署方法 (TOA)得到的多次实验的平均结果进行比较；图5是将TOA算法与现有的具有竞争力的其他方法的总部署效率进行对比的结果图。其中横坐标表示用以比较的四种方法：TOA、K-means、K-top和Random，纵坐标表示每种方法所对应的总部署效率；

从图5中可以得出，本发明示出的移动边缘云计算网络中的MEC服务器部署方法(TOA)的总部署效率明显高于其他具有竞争力的方法。根据总部署效率的计算公式，说明本发明可以在降低MEC服务器的部署造成的浪费的同时，尽可能的保证MEC服务器对移动用户的覆盖率和降低MEC服务器处理用户计算任务时的延迟以及提高边缘与云共享计算资源产生的潜在收益，在效率提高方面具有明显优势。

Claims (9)

1.一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于包括以下步骤：

第一步，对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式；具体是：

步骤1.1定义部署决策；令B＝{1，2，...，I}表示为所有可以用来部署MEC服务器的基站的集合，其中I表示基站的总数，i表示第i个基站；将部署决策用(S_i，N_i)表示，其中S_i∈{0，1}，表示是否在第i个基站处部署MEC服务器，S_i＝0表示不在第i个基站处部署MEC服务器，S_i＝1表示在第i个基站处部署MEC服务器；N_i为小于等于

的自然数，表示在第i个基站处部署的计算资源量的数量，其中一个计算资源量代表一个内存容量为1TB的CPU；

表示由于第i个基站的空间限制，第i个基站处的N_i的值的上限，

为正整数；

步骤1.2定义时隙；用T表示整个时间段内的时隙总数，用t表示第t个时隙，其中t＝{1，2，..，T}；在时隙t期间，到达第i个基站的计算任务遵循参数λ_i，t的泊松分布，并且每个计算任务的计算需求遵循期望值为R_i的指数分布；每个基站按照先来先服务策略处理它收到的计算任务；

步骤1.3计算批发计算资源对部署效率带来的正面影响；令a_2，t表示将单位计算资源量批发到云端对部署效率带来的正面影响，

表示第i个基站在时隙t内最优的批发的计算资源量的数量；令

表示在时隙t期间将计算资源从第i个基站上批发到云端对部署效率带来的正面影响；

具体为：

其中，W为英文wholesale的首字母，代表批发；e为英文edge的首字母，代表计算资源量由边缘端批发；

步骤1.4计算用户覆盖率对部署效率带来的正面影响；令

表示在时隙t期间第i个基站处的用户覆盖率，其中A为英文accept的首字母，代表用户被边缘端接受后接入边缘端；a_1，t表示在时隙t内单位用户覆盖率对部署效率带来的正面影响；令

表示在时隙t期间在第i个基站处用户覆盖率对部署效率带来的正面影响，

具体为：

其中C为英文coverage的首字母，代表覆盖；

为时隙t期间第i个基站处的用户覆盖率；

步骤1.5计算延迟对部署效率带来的负面影响；令第i个基站处的计算延迟对部署效率带来的负面影响为

是平均处理延迟

的递增凸函数；

设置为：

其中L为英文latency的首字母，代表延迟；σ_i，t是保证

是平均处理延迟

的递增函数的参数，τ_i，t是保证

是平均处理延迟

的凸函数的参数；

根据M/M/c排队定理，

具体为：

其中，

表示平均队列长度，

具体为：

步骤1.6计算MEC服务器的建设和运营造成的浪费；令α_i，t表示时隙t期间的第i个基站的平均浪费量，令β_i，t表示单位计算资源量的平均浪费量；令

表示在时隙t期间在基站i处MEC服务器的建设和运营造成的浪费，

具体为：

其中，B为英文building的首字母，代表建设和运营；

步骤1.7构建部署效率的计算公式；整个时间段内所有部署MEC服务器的基站的总部署效率U具体为：

步骤1.8构建部署效率的最优化模型，该模型如公式(11)所示：

其中，U表示总部署效率，

表示选择在哪些基站上部署MEC服务器和在每个基站上部署多少的计算资源量，才能使得MEC服务器的部署效率最大化，即在降低MEC服务器的部署造成的浪费的同时，尽可能的保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟和增加能够批发给云端的计算资源量；“S_i∈{0，1}，

”表示S_i只能从0和1之间取值；

表示N_i为小于等于

的自然数；

表示平均处理延迟不能超过其上限

第二步，利用符合本发明要求的真实数据集，将数据集中的数据视为在边缘端处理计算任务的一个移动用户，得到计算部署效率所需要的各个参数的值；具体是：

步骤2.1选取符合要求的数据集；

步骤2.2确定T和I的值；

步骤2.3初始化i＝1；t＝1；

步骤2.4根据数据集中的数据，计算时隙t期间移动用户对于第i个基站的期望数量λ_i，t，方法是将每个λ_i，t划分为可以连接到附近的基站j处的λ_i，j，t和时隙t内不处于任何其他基站覆盖范围内的用户数量θ_0，t，i≠j；λ_i，j，t表示时隙t期间接近并被第j个基站覆盖且在第i个基站被移除后会选择连接到第j个基站的移动用户的预期数量，λ_i，i，t表示在时隙t内仅被第i个基站覆盖且在第i个基站被移除后不处于任何基站覆盖范围内的移动用户的预期数量；分别计算λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值，得到λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值；

第三步，根据部署效率计算公式和各参数的值，使用三层优化方法优化出最优的部署决策，该方法包含以下步骤：

步骤3.1使用三分法，在给定N_i时，计算最佳

即利用三分法来计算对于给定的N_i，最佳批发计算单位量

的含义为当N_i给定时，对于不同t的

的值的集合；

步骤3.2使用穷举搜索方法，当给定S_i时找到最佳N_i，即在给定部署MEC服务器的基站时，计算最优的计算资源量；

步骤3.3使用排除法计算是否要在第i个基站部署MEC服务器，即计算S_i，即使用一种排除方法尝试逐一移除不盈利的基站，以逐步提高总部署效率U；具体为：

步骤3.3.1初始化S₁，...，S_i，...，S_I均为1，且假设I个基站都部署了具有最佳

和

的MEC服务器，获取步骤3.2中得到的最佳N_i；

步骤3.3.2令i＝1；令U′＝0；U′用于存储U的最大值；

步骤3.3.3令S_i＝0，即假设移除第i个基站中的MEC服务器，并储存此时λ_i，t，λ_i，j，t，λ_i，i，t，θ_0，t和U′的值；

步骤3.3.4令t＝1；j＝1；

步骤3.3.5对于时隙t和第i个基站以外的基站j，根据步骤2.4所述的计算时隙t期间移动用户的期望数量的方法，计算λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值；基于更新的λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值，采用步骤3.1和步骤3.2所述的方法，重新计算最优的

和相应的总部署效率U，这里

的含义为对于不同的j和t，N_j和

的值的集合；如果总部署效率U大于移除第i个基站之前的总部署效率U′，则令S_i＝0，即移除第i个基站并令U′＝U；否则，令S_i＝1，即选择不移除第i个基站，并将参数λ_i，t，λ_i，j，t，λ_i，i，t，θ_0，t和U′恢复为步骤3.3.3中储存的值；

步骤3.3.6若j＜I-1，令j＝j+1，转至步骤3.3.3；否则令j＝1，转至步骤3.3.7；

步骤3.3.7若t＜T，令t＝t+1，转至步骤3.3.5；否则令t＝1，转至步骤3.3.8；

步骤3.3.8若i＜I，令i＝i+1，转至步骤3.3.5；否则转至步骤3.3.9；

步骤3.3.9得到最终最优部署决策

第四步，根据最优部署决策

决定在城市中的哪些基站部署MEC服务器，并在每个基站上部署多少的计算资源量，并据此在城市中的基站上部署MEC服务器和计算资源量，方法为：

步骤4.1令i＝1；

步骤4.2根据最优部署决策中的S_i，决定是否在第i个基站部署MEC服务器；若S_i＝1，转至步骤4.3；否则，转至步骤4.5；

步骤4.3根据最优部署决策中的N_i，在第i个基站上部署N_i个计算资源量；

步骤4.4根据最优部署决策中的

决定第i个基站在时隙t内向云端批发

个计算资源量；

步骤4.5若i＜I，令i＝i+1，转至步骤4.2；否则转至步骤4.6；

步骤4.6完成全部基站和计算资源量的部署。

2.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于第一步所述第i个基站处部署的计算资源量上限

的取值为[10，20]之间的任意整数；所述a_2，t的取值为[6，9]正面影响/计算资源量；a_1，t取值为[8000，9500]正面影响/用户覆盖率；σ_i，t和τ_i，t的取值均为[1×10⁴，10×10⁴]；α_i，t的取值为[1，10]负面影响/(小时×基站)，β_i，t的取值为[2，3]元/(负面影响×计算资源量)。

3.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于步骤1.4所述

采用排队论方法计算，具体为：

步骤1.4.1定义平均处理延迟的上限；对于计算任务，平均处理延迟

上存在一个上限，用

表示；如果

该用户的计算任务将不会被卸载到第i个基站；如果

该用户的计算任务会被卸载到第i个基站上处理；

步骤1.4.2建立排队论模型；根据排队论理论，将时隙t期间第i个基站的计算任务处理建模为M/M/c排队模型，M/M/c排队模型指顾客的到达间隔服从参数为λ的负指数分布，到达的人数服从泊松分布，每位顾客的服务时间服从参数为μ的负指数分布，且顾客的到达和服务时间相互独立，系统有c个服务台的排队模型；其中c＝N_i，

ρ＝λ_i，t/μ，ρ_s＝λ_i，t/(cμ)，并且

c，μ，ρ，ρ_s和

是排队论定理计算过程中所需要使用的参数，c是计算资源量的个数，μ是单位时间单位计算资源量能够处理的计算任务量，ρ是相同时间内用户的到达的平均数和单个计算资源量被服务的平均用户数的比值，ρ_s是相同时间内用户的到达的平均数和c个计算资源量被服务的平均用户数的比值，

是最大队列长度，E是单位计算资源量处理计算任务的能力；根据排队论定理，排队系统的稳态分布具体为：

其中

P_n指系统中有n个用户的概率，P₀指系统空闲的概率；

步骤1.4.3计算用户被拒绝率；如果一个用户的计算任务的平均处理延迟

那么该用户的计算任务将不会被卸载到第i个基站，即该用户会被第i个基站所拒绝；根据排队论定理，时隙t期间第i个基站处用户的被拒绝率

为：

其中R为英文refuse的首字母，代表用户被边缘端拒绝后接入云端；

步骤1.4.4计算用户覆盖率；在时隙t期间第i个基站处的用户覆盖率

具体为：

4.如权利要求3所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于所述

的取值为[1，10]毫秒；μ的取值为[500，1000]任务/(小时×计算资源量)，

的取值为[1，10]计算任务。

5.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于步骤2.1所述符合要求的数据集具有如下特征：

1).数据集中的信息为移动设备用户的信息或者可以被当做移动设备用户的信息；数据集中的一条数据对应一个用户；

2).数据集中的每一条数据需要包括用户ID即用户名，时间，用户所在经度，用户所在纬度的信息；

3).数据集中的数据总条数M超过一亿条；

4).数据集中的时间总跨度超过10天。

6.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于步骤2.2所述T和I的值满足T≥240，I≥50。

7.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于步骤2.4所述计算λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值的方法是：

步骤2.4.1从数据集中获得时隙t内每个用户所在的经纬度位置，还有每个基站的经纬度位置和覆盖范围；

步骤2.4.2计算λ_i，t的值，方法是：

步骤2.4.2.1初始化λ_i，t＝0，令数据变量m＝1；

步骤2.4.2.2根据数据集中的第m条数据对应的用户所在的经纬度位置和第i个基站的经纬度位置和覆盖范围，判断该用户是否在第i个基站的覆盖范围内，若用户与第i个基站的距离小于第i个基站的覆盖范围，即该用户在第i个基站的覆盖范围内，且该用户与第i个基站的距离小于与其他任何基站的距离，令λ_i，t＝λ_i，t+1，转2.4.2.3；否则说明该用户不在第i个基站的覆盖范围内，λ_i，t保持不变，直接转2.4.2.3；

步骤2.4.2.3令m＝m+1，若m≤M，M为数据集中的数据总条数，转2.4.2.2；若m＞M，说明得到了λ_i，t，转至步骤2.4.3；

步骤2.4.3若第i个基站被移除，则在时隙t内，原来接入该基站的用户会分为两部分：一部分是选择接入其他基站的用户，预期数量为λ_i，j，t和当第i个基站被移除后不存在于任何一个基站覆盖范围内的用户，预期数量为λ_i，i，t；将λ_i，t划分为可以连接到附近的基站j处的λ_i，j，t和时隙t内不存在于任何一个基站覆盖范围内的λ_i，i，t，方法是：

步骤2.4.3.1令j＝1；

步骤2.4.3.2初始化λ_i，j，t＝0，令数据变量m＝1；

步骤2.4.3.3根据λ_i，t中的第m条数据对应的用户所在的经纬度位置和第j个基站的经纬度位置和覆盖范围，判断该用户是否在第j个基站的覆盖范围内，若用户与第i个基站的距离小于第j个基站的覆盖范围，即该用户在第j个基站的覆盖范围内，且该用户与第j个基站的距离小于与其他任何基站的距离，令λ_i，j，t＝λ_i，j，t+1，转2.4.3.4；否则说明该用户不在第i个基站的覆盖范围内，λ_i，j，t保持不变，直接转2.4.3.4；

步骤2.4.3.4令m＝m+1，若m≤λ_i，t，转2.4.3.3；若m＞λ_i，t，说明得到了λ_i，j，t，转至步骤2.4.3.5；

步骤2.4.3.5更新λ_j，t的值，令λ_j，t＝λ_j，t+λ_i，j，t；

步骤2.4.3.6令j＝j+1，j≤I-1，转2.4.3.2；若J＞I-1，说明得到了λ_i，j，t转至步骤2.4.4；

步骤2.4.4计算λ_i，i，t的值，令λ_i，i，t＝λ_i，t-∑_jλ_i，j，t；

步骤2.4.5更新θ_0，t的值，令θ_0，t＝θ_0，t+λ_i，i，t；

步骤2.5若t＜T，令t＝t+1，转至步骤2.4；否则令t＝1，转至步骤2.4；

步骤2.6若i＜I，令i＝i+1，转至步骤2.4；否则转至步骤2.7；

步骤2.7得到最终的λ_i，t，λ_i，j，t，λ_i，i，t和θ_0，t的值。

8.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于步骤3.1所述计算最佳

的方法是：

步骤3.1.1初始化i＝1，初始化α_i，t，β_i，t，σ_i，t，τ_i，t，a_1，t，a_2，t，μ，

和N_i的值；

步骤3.1.2令t＝1；

步骤3.1.3令a＝0，b＝N_i；a代表三分法计算过程中最优值的上边界，b代表下边界；

步骤3.1.4令误差参数ε＝0.00001，若b-a＞ε，转至步骤3.1.5；否则，转至步骤3.1.6；

步骤3.1.5令第一三分点x₁＝a+(b-a)/3，令第二三分点x₂＝x₁+(b-a)/3；根据公式(10)计算U(x₁)和U(x₂)；这里U(x)表示当

的取值为x时，总部署效率U的值；若U(x₁)＞U(x₂)，则令b＝x₂，转至步骤3.1.4；否则，令a＝x₁；转至步骤3.1.4；

步骤3.1.6根据公式(10)计算U(a)，U(b)和U((a+b)/2)，将

的值设为a，b，(a+b)/2中能够使得U最大的值；

步骤3.1.7若t＜T，令t＝t+1，转至步骤3.1.3；否则令t＝1，转至步骤3.1.8；

步骤3.1.8若i＜I，令i＝i+1，转至步骤3.1.3；否则转至步骤3.1.9；

步骤3.1.9得到

9.如权利要求1所述的一种移动边缘云计算网络中的MEC服务器部署方法，其特征在于步骤3.2所述计算最优的计算资源量的方法是：

步骤3.2.1初始化α_i，t，β_i，t，σ_i，t，τ_i，t，a_1，t，a_2，t，μ，

和S_i的值；

步骤3.2.2令i＝1；

步骤3.2.3令U的最大值U′＝0；U′用于存储U的最大值；

步骤3.2.4令j＝1；

步骤3.2.5令N_i＝j；

步骤3.2.6利用步骤3.1获取的

根据公式(10)计算U；若U＞U′，则令U′＝U，令最优的N_i的值N′_i＝N_i；

步骤3.2.7若

令j＝j+1，转至步骤3.2.5；否则令j＝1，转至步骤3.2.8；

步骤3.2.8若i＜I，令i＝i+1，转至步骤3.2.3；否则转至步骤3.2.9；

步骤3.2.9得到最优的N_i，即此时的N′_i。

Images