CN113574842A - 用于对应用请求的处理进行优化的方法和系统 - Google Patents
用于对应用请求的处理进行优化的方法和系统 Download PDFInfo
- Publication number
- CN113574842A CN113574842A CN202080020049.7A CN202080020049A CN113574842A CN 113574842 A CN113574842 A CN 113574842A CN 202080020049 A CN202080020049 A CN 202080020049A CN 113574842 A CN113574842 A CN 113574842A
- Authority
- CN
- China
- Prior art keywords
- processing
- edge
- application request
- received
- application
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- G06F9/5044—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 considering hardware capabilities
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
-
- 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
- H04L67/2866—Architectures; Arrangements
- H04L67/289—Intermediate processing functionally located close to the data consumer application, e.g. in same machine, in same home or in same sub-network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0284—Traffic management, e.g. flow control or congestion control detecting congestion or overload during communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
- H04W8/24—Transfer of terminal data
- H04W8/245—Transfer of terminal data from a network towards a terminal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/02—Terminal devices
- H04W88/06—Terminal devices adapted for operation in multiple networks or having at least two operational modes, e.g. multi-mode terminals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本公开涉及用于将支持具有比第4代(4G)系统的更高的数据速率的第5代(5G)通信系统与物联网(IoT)技术融合的通信方法和系统。本公开可以应用于基于5G通信技术和IoT相关技术的智能服务(例如,智能家居、智能建筑、智慧城市、智能汽车、联网汽车、医疗保健、数字教育、零售业务、安保和安全服务等)。本公开涉及一种用于对应用请求的处理进行优化的方法。
Description
技术领域
本公开涉及多接入边缘计算(MEC)的领域,并且更具体地涉及使得能够最佳地利用本地计算和多接入边缘计算(MEC)来以低时延处理应用请求。
背景技术
为了满足自部署4G通信系统以来对无线数据业务的日益增长的需求,已经努力开发改进的5G或pre-5G通信系统。因此,5G或pre-5G通信系统也被称为“超4G网络”或“后LTE系统”。5G通信系统被认为在更高的频率(mmWave)频带(例如,60GHz频带)中实现,以便实现更高的数据速率。为了减少无线电波的传播损失并增加传输距离,在5G通信系统中考虑了波束成形、大规模多输入多输出(MIMO)、全维度MIMO(FD-MIMO)、阵列天线、模拟波束成形和大型天线技术。另外,在5G通信系统中,正在基于高级小型小区、云无线接入网络(RAN)、超密集网络、设备到设备(D2D)通信、无线回程、移动网络、协作通信、协同多点(CoMP)、接收端干扰消除等进行对系统网络改进的开发。在5G系统中,已经开发了作为高级编码调制(ACM)的混合FSK和QAM调制(FQAM)和滑动窗口叠加编码(SWSC),以及作为高级访问技术的滤波器组多载波(FBMC)、非正交多址(NOMA)和稀疏代码多址(SCMA)。
互联网作为人类产生和消费信息的以人为中心的连接网络,现在正在发展为物联网(IoT),在这种物联网中,在没有人介入的情况下物体等分布式实体交换和处理信息。已经出现了万物互联(IoE)技术,它是通过与云服务器的连接的IoT技术和大数据处理技术的组合。作为技术要素,诸如“传感技术”、“有线/无线通信和网络基础设施”、“服务接口技术”和“安全技术”一直是实施IoT所需要的,并且最近已研究了传感器网络、机器对机器(M2M)通信、机器类型通信(MTC)等。这样的IoT环境可以提供智能互联网技术(IT)服务,其通过收集和分析在所连接的物体之间生成的数据来为人类生活创造新的价值。通过现有信息技术(IT)与各种行业应用的融合和结合,IoT可以应用于包括智能家居、智能建筑、智能城市、智能汽车或联网汽车、智能电网、医疗保健、智能家电和高级医疗服务等的各个领域。
与此一致,已经进行了各种尝试以将5G通信系统应用于IoT网络。例如,可以通过波束成形、MIMO和阵列天线来实现诸如传感器网络、机器类型通信(MTC)和机器对机器(M2M)通信的技术。作为上述的大数据处理技术的云无线接入(RAN)的应用也可以被认为是5G技术与IoT技术之间融合的示例。
发明内容
技术问题
本文中的实施例的一个目的是公开一种用于通过利用多接入边缘计算(MEC)以及用户设备(UE)本地计算来对至少一个应用请求的处理进行优化的方法和系统。
本文中的实施例的另一个目的是公开一种用于预测用于处理至少一个应用请求的至少一个处理模式的方法和系统,其中该至少一个处理模式包括本地处理、边缘处理、以及混合处理中的至少一种。
本文中的实施例的另一目的是公开一种用于使用至少一种机器学习(ML)方法来预测针对至少一个应用请求的边缘处理时间的方法和系统。
本文中的实施例的另一目的是公开一种用于基于UE的本地处理时间、预测的边缘处理时间、电池电量和用户偏好中的至少一者来推导成本函数的方法和系统。
本文中的实施例的另一目的是公开一种用于使用ML方法来分析推导出的成本函数和预测的边缘处理时间以决定处理至少一个应用请求的至少一种处理模式的方法和系统。
本文中的实施例的另一目的是公开一种使UE能够从边缘服务器下载计算模块以对至少一个应用请求进行本地处理的方法和系统。
本文中的实施例的另一目的是公开一种用于托管边缘服务器上的公共计算模块的方法和系统,该方法和系统可适用于处理各种类型的应用请求。
问题的解决方案
因此,本文中的实施例提供了用于对应用请求的处理进行优化的方法和系统。所述用于对应用请求的处理进行优化的方法包括:用户设备(UE)接收由至少一个应用发起的至少一个应用请求;所述UE识别接收到的至少一个应用请求是否支持多接入边缘计算(MEC);所述UE基于接收到的至少一个应用请求支持MEC,决定接收到的至少一个应用的处理模式,其中,所述处理模式是利用所述MEC和本地计算中的至少一者来决定的;以及所述UE基于针对接收到的至少一个应用请求所决定的处理模式来执行至少一个动作。
所述处理模式可以包括本地处理、边缘处理和混合处理中的至少一种。
决定所述处理模式可以包括:通过针对接收到的至少一个应用请求访问设备状态系统来确定至少一个参数,其中,所述至少一个参数包括由所述UE支持的无线接入网络(RAN)的信号强度、所述RAN的类型、与所述RAN相关联的网络拥塞状态、与接收到的至少一个应用请求相关联的所述至少一个应用的唯一标识符(UID)中的至少一者;通过将接收到的至少一个应用请求和所确定的至少一个参数作为密钥(key)值传递给至少一个机器学习(ML)表,来确定针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者;针对接收到的至少一个应用请求推导成本函数;以及基于对所述成本函数以及针对接收到的至少一个应用请求确定的本地处理时间和边缘处理时间中至少一者的分析,生成处理决策参数,所述处理决策参数表示针对接收到的至少一个应用请求的处理模式。
所述方法可以进一步包括:所述UE通过从本地处理数据库和边缘处理数据库中的至少一者获取训练数据来建立所述至少一个ML表,其中,从所述本地处理数据库中获取的训练数据包括关于针对多个应用请求的先前确定的本地处理时间的信息,并且从所述边缘处理数据库获取的训练数据包括关于针对所述多个应用请求的先前确定的边缘处理时间的信息,以及由所述UE支持的所述RAN的信号强度、所述RAN的类型、与所述RAN相关联的网络拥塞状态中的至少一者。
所述方法可以进一步包括:所述UE通过从至少一个边缘服务器接收边缘处理能力来建立所述至少一个ML表。
接收所述边缘处理能力可以包括以下至少之一:通过来自所述至少一个边缘服务器的众包数据的平均值来接收所述边缘处理能力,其中,所述众包数据的平均值是由所述至少一个边缘服务器从由多个用户设备(UE)向所述至少一个边缘服务器上传的多个ML表推导出的;以及通过与所述至少一个边缘服务器进行握手,从至少一个边缘服务器接收所述边缘处理能力以及所述众包数据的平均值。
确定针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者可以包括:将接收到的至少一个应用请求和针对接收到的至少一个应用请求确定的至少一个参数与所述ML表的数据进行比较,其中,所述ML表的数据包括映射有多个参数的多个应用的多个应用请求、边缘处理时间、以及本地处理时间;识别至少一个应用请求和与接收到的至少一个应用请求和针对接收到的至少一个应用确定的至少一个参数相匹配的对应的所述ML表的至少一个参数;以及将与所识别的至少一个应用请求和对应的所述ML表的至少一个参数相映射的所述本地处理时间和所述边缘处理时间中的至少一者确定为针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者。
推导所述成本函数可以包括:将至少一个权重分配给针对接收到的至少一个应用请求确定的本地处理时间、针对接收到的至少一个应用请求确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项;以及根据分配给所确定的本地处理时间、所确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项的至少一个权重,推导所述成本函数。
生成所述处理决策参数可以包括:对推导出的成本函数和针对接收到的至少一个应用请求确定的边缘处理时间进行分析,其中,所述对推导出的成本函数进行分析包括基于相关联的至少一个权重在所确定的本地处理时间、所确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项之间进行比较;以及基于所执行的分析生成所述处理决策参数。
执行所述至少一个动作可以包括以下至少之一:基于所决定的处理模式为所述本地处理,对接收到的至少一个应用请求进行本地处理;基于所决定的处理模式为所述边缘处理,将接收到的至少一个应用请求转移到至少一个边缘服务器;以及基于所决定的处理模式为混合处理,利用所述本地处理和所述边缘处理的组合来对接收到的至少一个应用请求进行处理。
所述方法可以进一步包括:所述UE从所述至少一个边缘服务器下载至少一个计算模块作为库,以对所述至少一个应用请求进行本地处理。
根据实施例,一种用户设备(UE)包括存储器和控制器。所述控制器耦接到所述存储器并被配置为:接收由至少一个应用发起的至少一个应用请求;识别接收到的至少一个应用请求是否支持MEC;基于接收到的至少一个应用请求支持MEC,决定接收到的至少一个应用的处理模式,其中,所述处理模式是利用MEC和本地计算中的至少一者来决定的;以及基于针对接收到的至少一个应用请求所决定的处理模式来执行至少一个动作。
所述处理模式包括本地处理、边缘处理和混合处理中的至少一种。
所述控制器可以被进一步配置为:在发起所述至少一个应用请求时确定至少一个参数,其中,所述至少一个参数包括由所述UE支持的至少一个无线接入网络(RAN)的信号强度、所述至少一个RAN的类型、与所述至少一个RAN相关联的网络拥塞状态、与接收到的至少一个应用请求相关联的所述至少一个应用的唯一标识符(UID)中的至少一者;利用所学习的至少一个参数和至少一个机器学习(ML)表,确定针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者;针对接收到的至少一个应用请求推导成本函数;以及基于对所述成本函数以及针对接收到的至少一个应用请求确定的本地处理时间和边缘处理时间中的至少一者的分析,生成处理决策参数,其中,所述处理决策参数表示针对接收到的至少一个应用请求的处理模式。
所述控制器可以被进一步配置为:通过从本地处理数据库和边缘处理数据库中的至少一者获取训练数据来建立所述至少一个ML表,其中,从所述本地处理数据库中获取的训练数据包括关于针对多个应用请求的先前确定的本地处理时间的信息,并且从所述边缘处理数据库获取的训练数据包括关于针对所述多个应用请求的先前确定的边缘处理时间的信息,以及由所述UE支持的所述RAN的信号强度、所述RAN的类型、与所述RAN相关联的网络拥塞状态中的至少一者。
所述控制器可以被进一步配置为通过从至少一个边缘服务器接收边缘处理能力来建立所述至少一个ML表。
所述控制器可以被进一步配置为:将接收到的至少一个应用请求和针对接收到的至少一个应用请求确定的至少一个参数与所述ML表的数据进行比较,其中,所述ML表的数据包括映射有多个参数的多个应用的多个应用请求、边缘处理时间、以及本地处理时间;识别至少一个应用请求和与接收到的至少一个应用请求和针对接收到的至少一个应用确定的至少一个参数相匹配的对应的所述ML表的至少一个参数;以及将与所识别的至少一个应用请求和对应的所述ML表的至少一个参数相映射的所述本地处理时间和所述边缘处理时间中的至少一者确定为针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者。
所述控制器可以被进一步配置为:将至少一个权重分配给针对接收到的至少一个应用请求确定的本地处理时间、针对接收到的至少一个应用请求确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项;以及根据分配给所确定的本地处理时间、所确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项的至少一个权重,推导所述成本函数。
所述控制器可以被进一步配置为:对推导出的成本函数和针对接收到的至少一个应用请求确定的边缘处理时间进行分析,其中,所述对推导出的成本函数进行分析包括基于相关联的至少一个权重在所确定的本地处理时间、所确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项之间进行比较;以及基于所执行的分析生成所述处理决策参数。
所述控制器可以被进一步配置为:基于所决定的处理模式为所述本地处理,对接收到的至少一个应用请求进行本地处理;基于所决定的处理模式为所述边缘处理,将接收到的至少一个应用请求转移到至少一个边缘服务器;以及基于所决定的处理模式为混合处理,利用所述本地处理和所述边缘处理的组合来对接收到的至少一个应用请求进行处理。
当结合以下描述和附图考虑时,将更好地领会和理解本文中的示例实施例的这些和其他方面。然而,应该理解,以下描述虽然表示示例实施例及其许多具体细节,但是是以说明而非限制的方式给出的。在不脱离本该公开的精神的情况下,可以在本文的示例实施例的范围内进行许多改变和修改,并且本文中的示例实施例包括所有这些修改。
本发明的有益效果
提供了能够最佳地利用本地计算和边缘计算来以低时延处理应用请求的方法和系统。
附图说明
在附图中示出了本文中的实施例,在所有附图中,贯穿所有附图,相似的附图标记指示各个附图中相应的部分。通过以下参考附图的描述,将会更好地理解本文中的实施例,其中:
图1A至图1E描绘了在多接入边缘计算(MEC)中处理应用的示例场景;
图2A和图2B描绘了根据本文所公开的实施例的MEC系统;
图3描绘了根据本文所公开的实施例的用户设备(UE);
图4是示出根据本文所公开的实施例的MEC处理器的各种模块的框图;
图5描绘了根据本文所公开的实施例的示例MEC系统;
图6是示出根据本文所公开的实施例的用于以低时延对UE上的应用请求的处理进行优化的方法的示例流程图;
图7是示出根据本文所公开的实施例的用于决定用于处理UE上的应用请求的处理模式的方法的示例流程图;
图8A、图8B和图8C是示出根据本文所公开的实施例的用于建立机器学习(ML)表/学习模型的训练数据的示例图;
图9是示出根据本文所公开的实施例的从边缘服务器下载计算库以用于应用请求的本地处理的示例图;以及
图10是根据本文所公开的实施例的用于对应用请求的处理进行优化的方法的示例流程图。
具体实施方式
本文中的示例性实施例及其各种特征和有利的细节将参照在附图中示出并在以下描述中详细说明的非限制性实施例进行更充分的解释。对众所周知的部件和处理技术的描述被省略,以避免不必要地掩盖这里的实施方案。本文中的描述仅仅是为了便于理解本文中的示例性实施例的实施方式,并进一步使本领域的技术人员能够实施这里的示例性实施例。因此,本公开内容不应解释为限制这里的示例性实施例的范围。
通常,当用户从在集中式公共云上运行的服务器访问至少一项服务时,网络的时延可能会出现波动。由于用户与服务器之间的距离随着当前用户位置而变化,因此网络时延可能会出现波动。例如,网络时延可能会在100至500毫秒之间波动,如图1A所示。这种波动的时延可能会成为引入要求一致的超低时延的新服务的障碍。如图1A所示,多接入边缘计算(MEC)(以前称为移动边缘计算)可以通过提供一致的低时延(例如,小于30毫秒)来克服这种障碍。
MEC使服务器分布在尽可能靠近终端用户的电信边缘云上,这样用户就可以通过体验低时延来获得新的服务。此外,MEC可以与任何通信网络一起工作。
此外,利用MEC,用户可以利用低网络时延和服务器计算功能的优势,将与在用户设备上运行的应用相关的计算转移到分布在电信边缘云上的服务器。然而,当前在MEC中,通信网络决定将计算从用户设备转移到部署在电信边缘云上的服务器。然而,由于通信网络可能不知道用户设备的处理能力,因此这种基于网络的决策可能并不总是将计算从用户设备转移到服务器的最佳选择。
当前,在MEC中,在做出将计算转移到部署在电信边缘云上的服务器的决定之前,可以不考虑用户设备的处理能力。
考虑如图1B所示的示例场景,其中用户设备是具有低处理能力的低端用户设备,其使用计算的本地处理而不是将计算转移到部署在电信边缘云上的服务器。在这种情况下,由于更高的本地处理时间,低端用户设备可能会失去低时延的优势。
考虑如图1C所示的示例场景,其中用户设备是具有高处理能力的高端用户设备,其将计算转移到部署在电信边缘云上的服务器。在这种情况下,由于远程/边缘处理速度比本地处理速度慢,因此高端用户设备最终可能会增加时延。
当前,由于拥塞,MEC无法处理网络处理中的动态变化。此外,变化的网络拥塞可能导致可变的时延,从而将计算转移到部署在电信边缘云上的服务器可能并不总是如图1D所示的计算的最佳选择。
当前,在MEC中,在做出转移的决定时,可能不考虑通信网络中的网络转换和更改(例如4G-5G-4G)。网络可能会导致可变的时延,因此将计算转移到部署在电信边缘云上的服务器可能并不总是如图1E所示的计算的最佳选择。
此外,由于没有选择性的转移选项,因此应用在将计算转移到部署在电信边缘云上的服务器上可能没有选择。
因此,当前MEC不涉及用于以低时延处理计算的动态决策。
本文中的实施例公开了用于预测用于优化处理至少一个应用请求的至少一个处理模式的方法和系统,其中该处理模式包括本地处理、边缘处理和混合处理中的至少一个。现在参考附图,并且更具体地参考图2A至图10,其中在所有附图中相似的附图标记始终表示对应的特征,其中示出了示例实施例。
图2A和图2B描绘了根据本文所公开的实施例的多接入边缘计算(MEC)系统。多接入边缘计算(MEC)使得MEC应用仅作为软件实体来实现,这些软件实体在位于网络边缘中或附近的虚拟化基础架构之上运行。MEC系统200可以被配置为根据欧洲电信标准协会(ETSI)MEC向多个用户提供服务、支持服务的应用、以及内容中的至少一项。服务的示例可以是但不限于流媒体服务(多媒体数据的流媒体,例如音频、视频、文本等)、呼叫相关的服务、文件下载服务、轮播服务(结合文件下载服务和流媒体服务)、电视(TV)服务、点播媒体服务等。应用的示例可以是但不限于与呼叫相关的应用、Over-the Top-(OTT)应用、流媒体应用、文件下载相关的应用、社交网络应用、相机应用、IoT相关的应用、增强现实(AR)相关的应用等。内容的示例可以是但不限于文件、数据、视频、音频/语音等。
MEC系统200包括远程云202、边缘服务器204、基站(BS)206a和用户设备(UE)208。
远程云202可以包括一个或更多个服务器(例如,应用服务器/第三方服务器),用于将服务、应用和内容中的至少一者转移到至少一个UE 208的至少一个用户。根据基于ETSI的MEC,如图2B所示,远程云202可以被配置为在由不同服务提供商/运营商提供的运营商网络206内靠近BS206a的地方部署、放置或分布一个或更多个服务器,以在转移时实现低时延。因此,系统可以改进对用户的服务、内容和应用的交付。
如图2B所示,运营商网络206可以包括BS 206a、服务器分布模块206b等。BS 206a(eNodeB/gNodeB)可以被配置为使得至少一个UE 208能够与至少一个外部设备进行通信。BS 206a可以服务于至少一个无线接入网(RAN)206c的小区。RAN 206c的示例可以是但不限于第三代合作伙伴计划(3GPP)、长期演进(LTE/4G)、高级LTE(LTE-A)、3GPP2、5G新无线(NR)、基于5G的无线通信系统、基于4G的无线通信系统、EUTRA-NR双连接(EN-DC/4G-5G双连接)等。
服务器分布模块206b可以是属于MEC平台提供商的MEC平台。MEC平台可以与远程云202连接,以将服务器分布或放置在尽可能靠近至少一个UE 208的BS 206a之一附近。靠近BS 206a放置的服务器204可以被称为边缘服务器204。本文的实施例使用诸如但不限于“边缘服务器”、“分布式边缘云”、“边缘云”、“边缘服务器模块”、“MEC服务器”、“MEC边缘服务器”、“MEC云”等之类的术语可互换地指代放置在靠近BS 206a的远程云202的至少一个服务器/第三方服务器/应用服务器。边缘服务器/MEC服务器204中存在的服务、应用、内容等中的至少一项可以被称为支持MEC的服务/应用/内容。
边缘服务器204可以以低时延将服务、与服务相对应的应用/MEC应用、内容等中的至少一项转移到至少一个附近的UE 208。
在实施例中,边缘服务器204可以托管可由多个应用(多个应用的服务器实例)用来处理其计算或请求的公共处理功能或模块。该计算或请求的示例可以是但不限于面部检测、照片处理、媒体(音频、视频、图像等)处理、面部标记、媒体中的对象识别、图形相关处理、游戏相关处理等。本文的实施例使用诸如“应用请求”、“计算”、“计算请求”、“任务请求”等术语来可互换地指代由至少一个应用发起的处理请求。在本文的实施例中,公共计算模块可以是基于机器学习(ML)的训练模型。例如,边缘服务器204可以托管可由在边缘服务器204上运行的多个应用使用的公共对象训练模型(例如,计算模块之一)。因此,将公共计算模块托管在边缘服务器204上消除了对具有它们自己的计算模块的应用的需求。
在实施例中,边缘服务器204还可以将计算模块托管为多个应用的库。计算模块可以是可用于处理应用请求的即插即用库。边缘服务器204可以使UE 208能够在本地按需下载用于处理请求的计算模块(例如,与多个应用有关的计算)。例如,边缘服务器204可以在相机应用发起处理照片的请求时托管照片模式(例如,计算模块之一),使得当UE 208想要处理照片/图像时,UE 208可以从至少一个边缘服务器204下载照片模式。
UE 208可以是支持MEC的设备。UE 208的示例可以是但不限于移动手机、智能手机、平板电脑、平板手机、个人数字助理(PDA)、笔记本电脑、计算机、可穿戴计算设备、车辆信息娱乐设备、物联网(IoT)设备、医疗设备和连接到无线调制解调器或具有射频(RF)处理能力的任何其他处理设备。UE 208可以支持一个或更多个用户身份模块(SIM)。此外,UE208支持的一个或更多个SIM可以由不同的服务提供商或运营商来运行。UE 102可以包括一个或更多个物理SIM、和/或一个或更多个虚拟SIM。
UE 208可以通过空口连接到至少一个BS 206a,使得UE 208可以接入位于至少一个BS 206a附近的至少一个边缘服务器204。UE 208还可以通过利用互联网、有线网络(局域网(LAN)、以太网等)、无线网络(Wi-Fi网络、RAN、Wi-Fi热点、蓝牙、Zigbee等)等中的至少一种连接到至少一个外部数据库、外部服务器、应用服务器中的至少一者,以访问应用,处理应用请求等。
在实施例中,UE 208可以包括启用层或MEC启用层,其允许UE 208从至少一个边缘服务器204访问应用、内容、服务等中的至少一个。启用层还允许UE 208将由多个应用发起的应用请求转移到至少一个边缘服务器204以进行处理。本文的实施例可互换地使用诸如“MEC计算”、“边缘计算”、“边缘处理”等术语,以指代将应用请求从UE 208转移到至少一个边缘处理器204以进行处理。
在实施例中,UE 208可以被配置为利用MEC计算以及本地计算(例如,由UE 208本地处理应用程序)来对应用请求的处理进行优化。在由至少一个应用发起应用请求时,UE208动态地决定处理应用请求的处理模式。
该处理模式可以是本地处理、边缘处理和混合处理中的至少一种。本地处理涉及UE 208本地处理发起的应用请求。边缘处理涉及将发起的应用请求转移到至少一个边缘服务器204以进行处理。混合处理包括结合本地处理和边缘处理以用于并行处理发起的应用请求,其中该应用请求可以是独立的请求。考虑其中社交网络应用发起两个应用请求(例如,用于面部标记的第一应用请求和用于标记位置的天气信息的第二应用请求)并且这两个应用请求彼此独立的示例场景。在这种情况下,UE 208决定混合处理,以处理发起的两个应用请求。在本文的示例中,UE 208可以本地处理第一应用请求(例如,本地处理),并且UE208可以将第二应用请求转移到至少一个边缘服务器204以进行处理(例如,边缘处理),以便可以并行处理这两个应用请求。
在实施例中,UE 208可以基于使用至少一种机器学习(ML)方法学习的参数、以及在本地处理与边缘处理之间的成本比较等来决定用于处理应用请求的处理模式。
图2A和2B示出MEC系统200的示例性框,但是应当理解,其他实施例不限于此。在其他实施例中,MEC系统200可以包括更少或更多数量的框。此外,框的标签或名称仅用于说明目的,并不限制本文实施例的范围。在MEC系统200中,两个或更多的块可以组合在一起,执行相同或基本相似的功能。
图3描绘了根据本文所公开的实施例的UE 208。UE 208包括通信接口302、显示器304、存储器306、本地处理器308和MEC处理器310。
通信接口302可以被配置为使UE 208能够与至少一个外部设备(例如,BS 206a、边缘服务器204、外部数据库等)建立通信。
显示器304可以被配置为使得用户能够与UE 208进行交互。在实施例中,显示器304可以被配置为从用户接收用户偏好。用户偏好可以指示用户是否已选择本地处理还是边缘或MEC处理来作为默认模式或处理应用请求的选项。
存储器306可以存储应用、内容、用户偏好、关于UE 208的信息(例如,电池电量、本地处理器308的处理能力等)、关于至少一个边缘服务器204的信息等。存储器306还可以存储可以在MEC处理器310上执行的程序指令或程序代码,以执行用于预测用于处理由至少一个应用发起的应用请求的至少一种处理模式的一个或更多个步骤。存储器306可以包括一个或更多个计算机可读存储介质。存储器306可以包括非易失性存储元件。这样的非易失性存储元件的示例可以包括磁性硬盘、光盘、软盘、闪存、或电可编程存储器(EPROM)或电可擦除可编程(EEPROM)存储器的形式。另外,在一些示例中,存储器306可以被认为是非暂时性存储介质。术语“非暂时性”可以表示存储介质没有体现在载波或传播的信号中。然而,术语“非暂时性”不应被解释为存储器306是不可移动的。在一些示例中,存储器306可以被配置为存储比存储器更多的信息量。在某些示例中,非暂时性存储介质(例如,在随机存取存储器(RAM)或高速缓存中)可以存储可以随时间变化的数据。
本地处理器308可以是单处理器、多处理器、多同类核、多异构核、不同种类的多个中央处理单元(CPU)等中的至少一种。本地处理器308可以被配置为本地处理或计算由多个应用发起的应用请求。在实施例中,本地处理器308可以使用由MEC处理器310从至少一个边缘服务器204下载的计算模块来处理应用请求。
MEC处理器310可以是单处理器、多处理器、多同类核、多异构核、不同种类的多个中央处理单元(CPU)等中的至少一种。在实施例中,MEC处理器310还可以使用互联网、有线网络(例如,局域网(LAN)、以太网等)、无线网络(例如,Wi-Fi网络、RAN、Wi-Fi热点、蓝牙、Zigbee等)等中的至少一者与至少一个外部数据库进行通信。至少一个外部数据库可以是处理决策数据库502a、基于ML的数据库502b、基于本地处理的数据库502c、基于边缘处理的数据库502d等中的至少一种。在实施例中,存储器306还可以包括托管在至少一个外部数据库上的信息。
处理决策数据库502a可以包括关于与为不同应用选择的处理模式的信息。基于ML的数据库502b包括ML表/模型或训练/学习数据。训练数据可以包括关于针对至少一个应用的唯一标识符(UID)先前确定的边缘处理时间、各种参数、以及针对至少一个应用的UID确定的本地处理时间的信息。UID可以是唯一标识符的序列号类型,可以为具有边缘服务器实例的每个应用分配标识符。边缘处理时间可以是至少一个边缘服务器204处理由至少一个应用发起的至少一个应用请求所花费的时间。本地处理时间可以是UE 208的本地处理器308对由至少一个应用发起的至少一个应用请求进行本地处理所花费的时间。各种参数可以是但不限于UE 208支持的RAN的信号强度、RAN类型、网络拥塞状态等。
基于边缘处理的数据库502d可以包括关于针对至少一个应用的UID确定的边缘处理时间和各种参数的信息。基于本地处理的数据库502c可以包括针对至少一个应用的UID确定的本地处理时间。
MEC处理器310可以被配置为决定处理应用请求的处理模式。在实施例中,MEC处理器310可以是本地处理器308。本地处理器308可以执行MEC处理器310的至少一种预期功能。
在实施例中,MEC处理器310在MEC环境中执行UE 210内的应用任务管理。MEC处理器310确定与任务/应用请求相关联的应用是否支持MEC。例如,MEC处理器310确定边缘服务器对于该应用的可用性。在确定应用支持MEC之后,MEC处理器310使用MEC服务器/边缘服务器204测量多个网络参数和与任务/应用请求的处理相关联的时间。此外,MEC处理器310估计UE 208执行与UE 208内的至少一个应用相对应的至少一个任务的处理能力。MEC处理器310使UE 208做出使用MEC服务器或在UE 208内执行与支持MEC的应用相对应的任务/应用请求,使得应用执行时间最小。UE 208可以基于执行至少一个任务所需的最小时间来决定执行任务/应用请求。
如图4所示,MEC处理器310包括接收模块402、学习模块404、成本推导模块406和处理决策模块408。接收模块402可以被配置为接收由至少一个应用发起的应用请求。至少一个应用可以基于从与用户交互的UE 208的用户接收到的输入来发起应用请求。
学习模块404可以被配置为建立ML表/学习模型。在实施例中,为了建立ML表/学习模型,学习模块404从存储器306、基于本地处理的数据库502c、基于边缘处理的数据库502d等中的至少一个获取训练数据。训练数据可以是但不限于针对至少一个应用的UID先前确定的边缘处理时间、各种参数(例如,信号强度、RAN类型、网络拥塞状态等)、针对至少一个应用的UID先前确定的本地处理时间等。学习模块404可以使用训练数据来建立ML表/学习模型。在示例中,所建立的学习模块可以是用于至少一个应用的UID的支持向量机(SVM)类型分类模型,其中,SVM模型的向量可以表示训练数据。在示例中,学习模型可以是用于至少一个应用的UID的回归ML模型。学习模块404可以用所建立的ML表/学习模型来更新基于ML的数据库。
在实施例中,当UE 208最初连接到至少一个边缘服务器204时,学习模块404可以从至少一个边缘服务器204获取训练数据。训练数据可以是众包(crowd-sourced)数据的平均值。在实施例中,为了推导众包数据的平均值,边缘服务器204使UE能够使用具有应用签名(pkgname)的REST应用编程接口(API)来上传ML模型/学习模型。至少一个边缘服务器204从不同UE上传到至少一个边缘服务器204的学习模型中推导众包数据值的平均值。可以通过对多个UE上传的学习模型的信息求平均值来推导众包数据的平均值。当UE 208第一次连接到至少一个边缘服务器204时,至少一个边缘服务器204可以将推导出的众包数据的平均值提供给UE 208。学习模块404可以通过众包数据的平均值来提取至少一个边缘服务器204的边缘处理能力,并利用边缘处理能力来更新基于ML的数据库502b。边缘处理能力可以是以下各项中的至少一项:边缘处理时间、边缘服务器的在负载方面的处理能力、边缘服务器每秒可执行的操作数(可以以兆赫(MH)或千兆赫(GHz)表示)、连接UE可用的专用内核数等。因此,可能不需要UE 208来建立学习模型。
在实施例中,学习模块404可以通过与至少一个边缘服务器204执行握手来从至少一个边缘服务器204获取关于边缘处理能力的信息。学习模块404使UE 208能够与至少一个边缘服务器204执行握手以进行认证。在成功认证之后,UE 208向至少一个边缘服务器204请求边缘处理能力。响应于对边缘处理能力的请求,学习模块404从至少一个边缘服务器204接收众包数据的平均值以及边缘处理能力作为初始训练数据。学习模块404使用众包数据的平均值和边缘处理能力来建立ML表/学习模型。学习模块404将所建立的ML表/学习模型存储在基于ML的数据库502b和存储器306中的至少一个中。所存储的ML表/学习模型包括关于针对各种参数的边缘处理能力的信息。
在实施例中,学习模块404还可以将所建立的ML表/学习模型上传到至少一个边缘服务器204和/或远程云202。学习模块404可以使用REST API以及应用签名来上传所建立的ML表/学习模型。
学习模块404还可以被配置为使用所建立的ML表/学习模型来预测由至少一个应用发起的应用请求的边缘处理时间和本地处理时间。当从接收模块402接收到应用请求时,学习模块404通过访问设备状态系统来确定当前时间实例的各种参数。各种参数可以是但不限于UE 208支持的RAN的信号强度、RAN类型、网络拥塞状态、已经发起了应用请求的至少一个应用的UID等。在实施例中,学习模块404访问基于ML的数据库502b和存储器306中的至少一者,并且获取ML表/学习模型。学习模块404将学习到的参数作为密钥(key)值传递给所获取的ML表,以预测已经发起了应用请求的至少一个应用的UID的边缘处理时间和本地处理时间。为了预测本地处理时间和边缘处理时间,学习模块404将发起的应用请求和针对发起的应用请求确定的至少一个参数与ML表的数据进行比较,其中ML表的数据包括映射有多个参数的多个应用的应用请求、边缘处理时间和本地处理时间中的多个。学习模块404识别应用请求、与发起的应用请求匹配的ML表的对应的至少一个参数、以及针对发起的应用请求确定的至少一个参数。学习模块404还预测与识别出的请求和对应的ML表的至少一个参数相映射的本地处理时间和边缘处理时间,作为针对发起的应用请求的本地处理时间和边缘处理时间中的至少一者。学习模块404将关于预测的边缘处理时间和预测的本地处理时间的信息提供给成本推导模块406。学习模块404还将预测的边缘处理时间提供给处理决策模块408。
成本推导模块406可以被配置为针对发起的应用请求推导成本函数。在实施例中,成本推导模块406基于预测的边缘处理时间、本地处理时间、UE 208的电池电量、以及用户偏好中的至少一个来推导成本函数。成本推导模块406可以获取从存储器306自动选择的用户偏好和默认偏好中的至少之一。基于所获取的用户偏好,处理决策模块408检查用户是否已选择本地处理作为用于处理由至少一个应用发起的任务请求的默认模式。处理决策模块408还通过检查设备状态系统来确定UE 208的电池电量。
在实施例中,为了推导成本函数,成本推导模块406将合适的一个或多个权重分配给边缘处理时间、本地处理时间、UE 208的电池电量、以及用户偏好中的至少一个。成本推导模块406可以在计算成本函数的同时,使用预定义的表/数据库来分配合适的权重,其中权重表示元素的优先级(例如,边缘处理时间、本地处理时间、UE 208的电池电量以及用户偏好)。基于分配的权重,成本推导模块406推导成本函数。可以使用以下等式来推导成本函数:
成本=wfn(边缘处理时间,本地处理时间,电池消耗,用户偏好)
成本推导模块406进一步将推导出的成本函数提供给处理决策模块408。
处理决策模块408可以被配置为决定用于处理应用请求的处理模式。处理决策模块408基于分配给边缘处理时间、本地处理时间、UE 208的电池电量和用户偏好中的至少一项的权重、以及通过学习模块404使用学习模型预测的边缘处理时间,来进行对成本函数的分析。处理决策模块408基于对使用学习模型预测的成本函数和边缘处理时间的分析,推导处理决策参数。该分析可以涉及以下至少一项:本地处理时间与边缘处理时间之间的比较、本地处理时间和边缘处理时间与用户偏好和/或UE 208的电池电量的比较、电池电量与预定的电池电量的比较、检查用户偏好设置等。预定的电池电量可以是用户定义的电池电量。预定的电池电量也可以由UE 208自动定义。预定的电池电量可以是一个学习值,该学习值是使用来自多个UE的边缘处理中的失败案例的数据来学习的。处理决策参数指示可用于处理应用请求的处理模式。处理模式可以是本地处理、边缘处理和混合处理中的至少一种。在混合处理模式的情况下,可以为每个应用请求指定本地处理和边缘处理。处理决策模块408使用所决定的处理模式来更新处理决策数据库502a。
考虑示例场景,在该示例场景中,相机应用同时发起两个应用请求,例如照片编辑和位置标记。在这种情况下,处理决策模块408生成用于处理两个应用请求的处理决策参数。在示例中,为了生成处理决策参数,处理决策模块408将本地处理时间和边缘处理时间进行比较。如果本地处理时间小于边缘处理时间,则处理决策模块408生成处理决策参数作为用于处理相机应用的两个应用请求的本地处理。如果本地处理时间大于边缘处理时间,则处理决策模块408访问用户偏好以检查用户是否已选择本地处理作为默认处理模式和/或检查UE 208的电池电量。如果用户已选择本地处理作为默认处理模式和/或电池电量大于预定的电池电量,则处理决策模块404生成处理决策参数作为用于处理相机应用的应用请求的本地处理模式。如果用户没有选择本地处理作为默认处理模式和/或电池电量小于预定的电池电量,则处理决策模块404生成处理决策参数作为用于处理相机应用的应用请求的边缘处理模式。
考虑示例场景,在该示例场景中,社交网络应用发起两个应用请求,例如,识别照片中存在的用户的面部,以及位置的天气更新,其中,照片已同时捕获,并且可以同时处理这两个应用请求。在这种情况下,处理决策模块408生成用于处理两个应用请求的处理决策参数。在示例中,处理决策模块408比较本地处理时间和边缘处理时间以及用户偏好和电池电量。在示例中,考虑到处理决策模块408确定了本地处理时间小于边缘处理时间,并且电池电量大于预定阈值,和/或用户已选择本地处理作为用于对社交网络应用的第一请求(例如,用于识别面部的请求)进行处理的默认模式。处理决策模块408还确定本地处理时间大于边缘处理时间,并且用户尚未选择本地处理作为用于处理第二请求(例如,天气更新的请求)的默认模式。在这种情况下,处理决策模块408通过指示社交网络应用的用于处理第一请求的本地处理和用于处理第二请求的边缘处理,来生成作为混合处理的处理决策参数。
在产生了处理决策参数时,处理决策模块408检查处理决策参数是否指示本地处理。如果处理决策参数指示了本地处理,则处理决策模块408向本地处理器308提供处理应用请求的指令。
在实施例中,处理决策模块408可以从至少一个边缘服务器204下载计算模块作为与发起的应用请求相对应的库。处理决策模块408进一步将下载的计算模块提供给本地处理器308,以处理应用请求。考虑示例场景,在该示例场景,相机应用发起用于处理图像/照片的应用请求。在这种情况下,处理决策模块408将本地处理决定为用于处理图像的最佳模式。在针对相机应用决定了本地处理时,处理决策模块408根据需要从至少一个边缘服务器204下载照片模式(例如,计算模块)以处理照片。因此,这消除了UE 208上的应用具有自己的计算模块的需要。
如果处理决策参数指示边缘处理,则处理决策模块408将应用请求和对应的应用的UID发送到至少一个边缘服务器204,该边缘服务器204可以是根据ETSI规范确定的用于处理的最近的边缘服务器。
如果处理决策参数指示用于处理应用请求的混合处理(例如,本地处理和边缘处理的请求),则处理决策模块408将指令以及针对本地处理指定的一个或多个应用请求和相应的应用的UID提供给本地处理器308以进行本地处理,并将针对边缘处理指定的一个或多个应用请求和相应的应用的UID发送到至少一个边缘服务器以进行处理。
图3和图4示出了UE 208的示例性框,但是应当理解,其他实施例不限于此。在其他实施例中,UE 208可以包括更少或更多数量的框。此外,框的标签或名称仅用于说明目的,并不限制本文实施例的范围。两个或更多个框可以组合在一起以在UE 208中执行相同或基本相似的功能。
图5描绘了根据本文公开的实施例的示例MEC系统200。在本文的示例中,UE 208可以连接到至少一个BS 206a,并且可以从部署在BS 206a附近的至少一个边缘服务器204访问服务、应用、内容等。UE 208可使用至少一个RAN连接到至少一个BS 206a。
UE 208包括存储器306、本地处理器308和MEC处理器310。存储器306包括多个应用。本地处理器308可以被配置为处理由多个应用发起的应用请求。MEC处理器310可以被配置为拦截发起的应用请求,并选择或决定用于处理发起的应用请求的最佳处理模式。在实施例中,MEC处理器310可以基于对成本函数和使用ML表/学习模型预测的边缘处理时间的分析来决定最佳处理模式。最佳处理模式可以是本地处理、边缘处理和混合处理中的至少一种。因此,这使得能够最佳地利用MEC计算和本地计算来以低时延处理应用请求。
图6是示出根据本文所公开的实施例的用于以低时延对UE 208上的应用请求的处理进行优化的方法的示例流程图。本文的实施例使UE 208的MEC处理器310能够决定用于优化UE 208上的应用请求的处理的处理模式。
MEC处理器310从至少一个应用接收应用请求(操作602)。为了最佳地处理应用请求,MEC处理器310基于对针对发起的应用请求而推导出的成本函数以及使用ML表/学习模型预测的边缘处理时间的分析来生成处理决策参数。MEC处理器310检查处理决策参数以确定用于处理应用请求的处理模式(操作604)。在确定未将本地处理决定为处理模式时(操作606,否),MEC处理器310使用MEC对发起的应用请求进行基于云的处理(操作610)。
在确定本地处理被决定为处理模式时(操作606,是),即使在UE 208上支持MEC并且边缘服务器204可用(操作608),MEC处理器310也指示本地处理器308对发起的应用请求进行处理。因此,通过选择本地处理以及边缘处理的最佳组合,可以有效地执行应用请求的处理。
图7是示出了根据本文所公开的实施例的用于决定用于处理UE 208上的应用请求的处理模式的方法的示例流程图。MEC处理器310接收由至少一个应用发起的应用请求(操作702)。MEC处理器310通过访问设备状态系统来学习各种参数。参数可以是但不限于UE208支持的RAN的信号强度、RAN类型、网络拥塞状态、相应的应用的UID等。
MEC处理器310访问基于ML的数据库并获取所建立的ML表/学习模型(操作704)。MEC处理器310进一步将学习到的参数与ML表/学习模型进行比较,并预测边缘处理时间和本地处理时间,以处理所发起的应用请求(操作706)。MEC处理器310使用本地处理时间、边缘处理时间、电池电量和用户偏好中的至少一项来推导成本函数,并将边缘处理时间与本地处理时间进行比较。
MEC处理器310检查预测的本地处理时间是否小于预测的边缘处理时间(操作708)。如果本地处理时间小于预测的边缘处理时间,则MEC处理器310将本地处理决定为用于处理应用的任务请求的最佳模式(操作710)。如果本地处理时间不小于预测的边缘处理时间,则MEC处理器310检查用户是否已选择了本地模式作为用于至少一个应用(其已经发起了应用请求)的默认模式,和/或检查电量是否大于预定级别(例如,5%)(操作712)。如果用户已将本地处理选择为默认模式和/或电池电量大于预定义的值,则MEC处理器310将本地处理决定为用于对发起的应用请求进行处理的最佳模式(操作714)。如果用户尚未将本地处理选择为默认模式并且电池电量不大于预定义的值,则MEC处理器310将边缘处理决定为用于对发起的应用请求进行处理的最佳模式(操作716)。
图8A、图8B和图8C是示出了根据本文所公开的实施例的用于建立ML表/学习模型的训练数据的示例图。本文的实施例使MEC处理器310能够建立ML表/学习模型,以用于决定用于优化应用请求的处理的处理模式。
在实施例中,为了建立ML表/学习模型,MEC处理器310通过访问基于本地处理的数据库502c和基于边缘处理的数据库502d来获取训练数据。从基于本地处理的数据库502c获取的训练数据可以包括关于针对应用的各种UID进行本地处理的信息。从基于边缘处理的数据库502d获取的训练数据包括关于针对应用的各种UID的边缘处理时间和诸如信号强度、RAN类型、网络拥塞状态等的各种参数的信息。从基于本地处理的数据库和基于边缘处理的数据库获取的示例训练数据在图8A中示出。MEC处理器310使用训练数据来为应用的每个UID建立ML模型/学习模型。在本文的示例中,所建立的ML表/学习模型可以是如图8A所示的ML回归模型。MEC处理器310可以使用ML回归模型来预测针对发起的应用请求的边缘处理时间。
在实施例中,如图8B所示,MEC处理器310可以将所建立的ML回归模型上传到至少一个边缘服务器204。MEC处理器310可以使用边缘处理能力的REST API上传ML回归模型,并以唯一的密钥作为应用签名。
在实施例中,MEC处理器310可以在第一次连接边缘服务器204时从至少一个边缘服务器204请求训练数据/回归模型(例如,ML表/学习模型)。响应于来自MEC处理器310的请求,边缘服务器204从不同UE上传的ML回归模型中推导众包数据的平均值。边缘服务器204将来自ML回归模型的众包数据的平均值作为训练数据传递给MEC处理器310,如图8B所示。因此,MEC处理器310可能不需要独立地建立ML表/学习模型。
在实施例中,MEC处理器310可以基于从边缘服务器204接收到的边缘处理能力来建立ML表/学习模型。如图8C所示,为了接收边缘处理能力,MEC处理器310与至少一个边缘服务器204执行握手,以执行对UE 208(1)的认证。边缘服务器204执行对UE 208的认证,并将成功的认证通知给MEC处理器310(2)。
一旦认证成功,MEC处理器310向至少一个边缘服务器204请求处理能力(3)。响应于对处理能力的请求,边缘服务器204针对已经发起任务请求的至少一个应用传递众包数据/值的平均值(4)。众包数据的平均值可以用作初始训练集。此后,边缘服务器204还将边缘服务器204的处理能力传递给MEC处理器310(5)。MEC处理器310可以使用众包数据的平均值和边缘处理能力来建立ML表/学习模型。
图9是示出根据本文所公开的实施例的从边缘服务器下载计算库以用于应用请求的本地处理的示例图。本文的实施例使MEC处理器310能够下载计算模块,该计算模块用于本地处理UE 108上的应用请求。在实施例中,MEC处理器310可以基于UE 208从MEC启用区域(边缘服务器204到UE 208的可用性)到MEC未启用区域(边缘服务器204到UE 208的不可用性)的移动来触发计算模块的下载。在实施例中,在决定用于处理应用请求的本地处理时,MEC处理器310可以触发从边缘服务器204下载计算模块。
MEC处理器310向边缘服务器204发送请求,该请求用于下载计算模块作为用于对特定应用的请求进行处理的库。响应于对计算模块的请求,边缘服务器204使MEC处理器310能够下载计算模块,该计算模块可用作用于对特定应用的请求进行处理的即插即用服务。
图10是根据本文所公开的实施例的用于对应用请求的处理进行优化的方法的示例流程图1000。
在操作1002,该方法包括:UE 208接收由至少一个应用发起的至少一个应用请求。
在操作1004,该方法包括:UE 108确定接收到的至少一个应用请求是否支持MEC。
在操作1006,该方法包括:如果接收到的至少一个应用请求支持MEC,则UE 208决定接收到的至少一个应用请求的处理模式。可以使用MEC计算和本地计算中的至少一种来决定处理模式。该处理模式可以是本地处理、边缘处理和混合处理中的至少一种。
在操作1008,该方法包括:UE 208基于针对接收到的至少一个应用请求所决定的处理模式来执行至少一个动作。该至少一个动作包括以下至少一项:UE 208对发起的至少一个应用请求进行本地处理,UE 208将发起的至少一个应用请求转移到边缘服务器204以进行处理,以本地处理和边缘处理的组合对发起的至少一个请求进行处理。
本文的实施例提供了可以用于对应用请求进行处理的处理模式。处理模式可以是本地处理、边缘处理和混合处理中的至少一种。本文中的实施例使应用能够利用本地处理、边缘处理和混合处理中的至少一种来使用与应用相关联的一组唯一的应用程序接口(API)来处理或计算其任务请求。
本文的实施例在用户设备内提供了唯一的基于规则的(机器学习(ML))模块,其可以提供用于预测边缘处理时间的训练模型。本文的实施例推导出了已经发起任务请求的应用的成本函数。可以基于UE的本地处理时间、边缘处理时间、用户偏好和电池电量中的至少一项来推导成本函数。本文的实施例分析成本函数和预测的边缘处理时间,以决定用于处理应用请求的处理模式。
本文中的实施例使UE能够使用众包ML训练模块,通过将应用签名作为密钥值,从边缘服务器获得边缘服务器处理能力。本文的实施例使UE能够从服务器基础设施上托管的边缘计算平台获得边缘服务器处理能力。
本文的实施例提供了基于ML的触发器,该触发器使UE能够从边缘服务器下载计算模块作为即插即用计算库,以处理应用请求。
本文的实施例使边缘服务器能够托管公共计算模块,该公共计算模块可以由在边缘基础设施上运行的应用服务器实例按需下载。
本文中公开的实施例可以通过在至少一个硬件装置上运行并且执行网络管理功能以控制元件的至少一个软件程序来实施。图2A、图2B、图3和图4中所示的元件可以是硬件设备,或者硬件设备和软件模块的组合中的至少一种。
本文公开的实施例描述了用于对应用请求的处理进行优化的方法和系统。因此,要理解的是,保护范围被扩展到这样的程序,并且除了其中具有消息的计算机可读装置之外,这种计算机可读存储装置还包含:当程序在服务器或移动设备或任何合适的可编程设备上运行时,用于实施该方法的一个或更多个步骤的程序代码装置。该方法在一个优选的实施例中通过或与用例如超高速集成电路硬件描述语言(VHDL)或其他编程语言编写的软件程序一起实现,或由一个或多个VHDL或若干软件模块在至少一个硬件设备上执行实现。硬件设备可以是任何一种可以被编程的便携式设备。该设备还可以包括一些装置,这些装置可以是硬件装置(例如,ASIC)或硬件和软件装置的组合(例如,ASIC和FPGA),或至少一个微处理器和至少一个位于其中的存储器。本文描述的方法实施例可以部分地以硬件并且部分地以软件来实施。或者,本发明可以例如使用多个CPU在不同的硬件设备上实施。
具体实施例的前述描述将如此充分地揭示本文实施例的一般性质,其他人在不脱离一般概念的情况下可以通过应用当前知识来容易地修改和/或改编各种应用,并且因此,在所公开的实施例的等同物的含义和范围内,应当并且旨在理解这些改编和修改。应当理解,这里使用的措辞或术语是为了描述而不是为了限制的目的。因此,尽管已经根据实施例描述了本文实施例,但是本领域技术人员将认识到,可以在本文所述的实施例的精神和范围内通过修改来实践本文的实施例。
Claims (15)
1.一种用于对应用请求的处理进行优化的方法,所述方法包括:
用户设备(UE)接收由至少一个应用发起的至少一个应用请求;
所述UE识别接收到的至少一个应用请求是否支持多接入边缘计算(MEC);
所述UE基于接收到的至少一个应用请求支持MEC,决定接收到的至少一个应用的处理模式,其中,所述处理模式是利用所述MEC和本地计算中的至少一者来决定的;以及
所述UE基于针对接收到的至少一个应用请求所决定的处理模式来执行至少一个动作。
2.根据权利要求1所述的方法,其中,所述处理模式包括本地处理、边缘处理和混合处理中的至少一种。
3.根据权利要求1所述的方法,其中,决定所述处理模式包括:
通过针对接收到的至少一个应用请求访问设备状态系统来确定至少一个参数,其中,所述至少一个参数包括由所述UE支持的无线接入网络(RAN)的信号强度、所述RAN的类型、与所述RAN相关联的网络拥塞状态、与接收到的至少一个应用请求相关联的所述至少一个应用的唯一标识符(UID)中的至少一者;
通过将接收到的至少一个应用请求和所确定的至少一个参数作为密钥值传递给至少一个机器学习(ML)表,来确定针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者;
针对接收到的至少一个应用请求推导成本函数;以及
基于对所述成本函数以及针对接收到的至少一个应用请求确定的本地处理时间和边缘处理时间中的至少一者的分析,生成处理决策参数,
其中,所述处理决策参数表示针对接收到的至少一个应用请求的处理模式。
4.根据权利要求3所述的方法,所述方法进一步包括:所述UE通过从本地处理数据库和边缘处理数据库中的至少一者获取训练数据来建立所述至少一个ML表,
其中,从所述本地处理数据库中获取的训练数据包括:关于针对多个应用请求的先前确定的本地处理时间的信息;从所述边缘处理数据库获取的训练数据包括:关于针对所述多个应用请求的先前确定的边缘处理时间的信息,以及由所述UE支持的所述RAN的信号强度、所述RAN的类型、与所述RAN相关联的网络拥塞状态中的至少一者。
5.根据权利要求3所述的方法,所述方法进一步包括:所述UE通过从至少一个边缘服务器接收边缘处理能力来建立所述至少一个ML表。
6.根据权利要求5所述的方法,其中,接收所述边缘处理能力包括以下至少之一:
通过来自所述至少一个边缘服务器的众包数据的平均值来接收所述边缘处理能力,其中,所述众包数据的平均值是由所述至少一个边缘服务器从多个用户设备(UE)上传到所述至少一个边缘服务器的多个ML表推导出的;以及
通过与所述至少一个边缘服务器进行握手,从至少一个边缘服务器接收所述边缘处理能力以及所述众包数据的平均值。
7.根据权利要求3所述的方法,其中,确定针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者包括:
将接收到的至少一个应用请求和针对接收到的至少一个应用请求确定的至少一个参数与所述ML表的数据进行比较,其中,所述ML表的数据包括映射有多个参数的多个应用的多个应用请求、边缘处理时间、以及本地处理时间;
识别至少一个应用请求和与接收到的至少一个应用请求和针对接收到的至少一个应用确定的至少一个参数相匹配的对应的所述ML表的至少一个参数;以及
将与所识别的至少一个应用请求和对应的所述ML表的至少一个参数相映射的所述本地处理时间和所述边缘处理时间中的至少一者确定为针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者。
8.根据权利要求3所述的方法,其中,推导所述成本函数包括:
将至少一个权重分配给针对接收到的至少一个应用请求确定的本地处理时间、针对接收到的至少一个应用请求确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项;以及
根据分配给所确定的本地处理时间、所确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项的至少一个权重,推导所述成本函数。
9.根据权利要求3所述的方法,其中,生成所述处理决策参数包括:
对推导出的成本函数和针对接收到的至少一个应用请求确定的边缘处理时间进行分析,其中,对推导出的成本函数进行分析包括基于相关联的至少一个权重在所确定的本地处理时间、所确定的边缘处理时间、所述UE的电池电量、以及至少一个用户偏好中的至少一项之间进行比较;以及
基于所执行的分析生成所述处理决策参数。
10.根据权利要求1所述的方法,其中,执行所述至少一个动作包括以下至少之一:
基于所决定的处理模式为本地处理,对接收到的至少一个应用请求进行本地处理;
基于所决定的处理模式为边缘处理,将接收到的至少一个应用请求转移到至少一个边缘服务器;以及
基于所决定的处理模式为混合处理,利用所述本地处理和所述边缘处理的组合来对接收到的至少一个应用请求进行处理。
11.根据权利要求1所述的方法,所述方法进一步包括:所述UE从所述至少一个边缘服务器下载至少一个计算模块作为库,以对所述至少一个应用请求进行本地处理。
12.一种用户设备(UE),所述UE包括:
存储器;以及
控制器,所述控制器耦接到所述存储器并被配置为:
接收由至少一个应用发起的至少一个应用请求;
识别接收到的至少一个应用请求是否支持MEC;
基于接收到的至少一个应用请求支持MEC,决定接收到的至少一个应用的处理模式,其中,所述处理模式是利用MEC和本地计算中的至少一者来决定的;以及
基于针对接收到的至少一个应用请求所决定的处理模式来执行至少一个动作。
13.根据权利要求12所述的用户设备,其中,所述处理模式包括本地处理、边缘处理和混合处理中的至少一种。
14.根据权利要求12所述的用户设备,其中,所述控制器被进一步配置为:
在发起所述至少一个应用请求时确定至少一个参数,其中,所述至少一个参数包括由所述UE支持的至少一个无线接入网络(RAN)的信号强度、所述至少一个RAN的类型、与所述至少一个RAN相关联的网络拥塞状态、与接收到的至少一个应用请求相关联的所述至少一个应用的唯一标识符(UID)中的至少一者;
利用所学习的至少一个参数和至少一个机器学习(ML)表,确定针对接收到的至少一个应用请求的本地处理时间和边缘处理时间中的至少一者;
针对接收到的至少一个应用请求推导成本函数;以及
基于对所述成本函数以及针对接收到的至少一个应用请求确定的本地处理时间和边缘处理时间中的至少一者的分析,生成处理决策参数,其中,所述处理决策参数表示针对接收到的至少一个应用请求的处理模式。
15.根据权利要求12所述的用户设备,其中,所述控制器被进一步配置为:
基于所决定的处理模式为本地处理,对接收到的至少一个应用请求进行本地处理;
基于所决定的处理模式为边缘处理,将接收到的至少一个应用请求转移到至少一个边缘服务器;以及
基于所决定的处理模式为混合处理,利用所述本地处理和所述边缘处理的组合来对接收到的至少一个应用请求进行处理。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201941009482 | 2019-03-12 | ||
IN201941009482 | 2019-11-19 | ||
PCT/KR2020/003434 WO2020185000A1 (en) | 2019-03-12 | 2020-03-12 | Methods and systems for optimizing processing of application requests |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113574842A true CN113574842A (zh) | 2021-10-29 |
Family
ID=72425406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080020049.7A Pending CN113574842A (zh) | 2019-03-12 | 2020-03-12 | 用于对应用请求的处理进行优化的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11140565B2 (zh) |
EP (1) | EP3854063B1 (zh) |
KR (1) | KR20200109272A (zh) |
CN (1) | CN113574842A (zh) |
WO (1) | WO2020185000A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102432007B1 (ko) * | 2020-10-08 | 2022-08-12 | 인하대학교 산학협력단 | 모바일 엣지 컴퓨팅에서 엣지 서버 한도 전력 하에서 보상을 최대화하는 작업 오프로딩 |
KR102368165B1 (ko) * | 2020-11-04 | 2022-02-28 | 한국과학기술원 | 엣지 컴퓨팅 환경에서 비용을 고려한 마이크로서비스 기반 어플리케이션 배포 방법 |
US11218212B1 (en) * | 2020-11-09 | 2022-01-04 | Industry-Academic Cooperation Foundation, Korea National University of Transportation | Method and apparatus for performing wireless communication through channel state prediction using local dynamic map |
CN112764936B (zh) * | 2021-01-29 | 2022-06-14 | 北京邮电大学 | 基于深度强化学习的边缘计算服务器信息处理方法及装置 |
CN113727362B (zh) * | 2021-05-31 | 2022-10-28 | 南京邮电大学 | 一种基于深度强化学习的无线供电系统的卸载策略方法 |
KR102627462B1 (ko) * | 2022-12-19 | 2024-01-23 | 주식회사 비플러스헬스케어 | Mec를 이용한 의료기기 연동 및 문진성능 향상시스템 및 그 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017211377A1 (en) * | 2016-06-06 | 2017-12-14 | Nokia Solutions And Networks Oy | Method, apparatus and system for mobile edge computing |
US20180183855A1 (en) * | 2016-12-28 | 2018-06-28 | Intel Corporation | Application computation offloading for mobile edge computing |
CN108600002A (zh) * | 2018-04-17 | 2018-09-28 | 浙江工业大学 | 一种基于半监督学习的移动边缘计算分流决策方法 |
CN109257429A (zh) * | 2018-09-25 | 2019-01-22 | 南京大学 | 一种基于深度强化学习的计算卸载调度方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3257303A1 (en) * | 2015-02-12 | 2017-12-20 | Nokia Solutions and Networks Oy | Access control to services in a network |
US10587721B2 (en) | 2015-08-28 | 2020-03-10 | Qualcomm Incorporated | Small cell edge computing platform |
US11070442B2 (en) | 2015-11-24 | 2021-07-20 | NEC Laboratories Europe GmbH | Method and network for managing and orchestrating virtual network functions and network applications |
WO2018206844A1 (en) | 2017-05-08 | 2018-11-15 | Nokia Technologies Oy | Routing and policy management at network edge |
US20180352038A1 (en) | 2017-05-30 | 2018-12-06 | Intel Corporation | Enhanced nfv switching |
US10972575B2 (en) * | 2017-06-02 | 2021-04-06 | Huawei Technologies Co., Ltd. | Method and system for supporting edge computing |
WO2019011408A1 (en) * | 2017-07-10 | 2019-01-17 | Nokia Solutions And Networks Oy | MEC APPLICATION TRANSFER |
US10110495B1 (en) * | 2017-11-22 | 2018-10-23 | Intel Corporation | Multi-access edge computing (MEC) service provision based on local cost measurements |
TWI675572B (zh) * | 2018-11-23 | 2019-10-21 | 財團法人工業技術研究院 | 網路服務系統及網路服務方法 |
US11187548B2 (en) * | 2019-02-05 | 2021-11-30 | International Business Machines Corporation | Planning vehicle computational unit migration based on mobility prediction |
-
2020
- 2020-03-12 US US16/817,057 patent/US11140565B2/en active Active
- 2020-03-12 KR KR1020200030666A patent/KR20200109272A/ko active Search and Examination
- 2020-03-12 WO PCT/KR2020/003434 patent/WO2020185000A1/en unknown
- 2020-03-12 EP EP20770031.1A patent/EP3854063B1/en active Active
- 2020-03-12 CN CN202080020049.7A patent/CN113574842A/zh active Pending
-
2021
- 2021-09-30 US US17/491,049 patent/US20220022075A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017211377A1 (en) * | 2016-06-06 | 2017-12-14 | Nokia Solutions And Networks Oy | Method, apparatus and system for mobile edge computing |
US20180183855A1 (en) * | 2016-12-28 | 2018-06-28 | Intel Corporation | Application computation offloading for mobile edge computing |
CN108600002A (zh) * | 2018-04-17 | 2018-09-28 | 浙江工业大学 | 一种基于半监督学习的移动边缘计算分流决策方法 |
CN109257429A (zh) * | 2018-09-25 | 2019-01-22 | 南京大学 | 一种基于深度强化学习的计算卸载调度方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3854063A1 (en) | 2021-07-28 |
US11140565B2 (en) | 2021-10-05 |
KR20200109272A (ko) | 2020-09-22 |
EP3854063A4 (en) | 2021-12-01 |
EP3854063B1 (en) | 2024-05-01 |
US20200296609A1 (en) | 2020-09-17 |
US20220022075A1 (en) | 2022-01-20 |
WO2020185000A1 (en) | 2020-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113574842A (zh) | 用于对应用请求的处理进行优化的方法和系统 | |
KR102401775B1 (ko) | 차세대 슬라이스 아키텍처를 위한 로밍 지원 | |
WO2019200716A1 (zh) | 面向雾计算的节点计算任务调度方法及其设备 | |
EP3855787A1 (en) | Network slice selection in cellular system | |
US11582757B2 (en) | Facilitation of radio access network intelligent controller resource preservation framework for 5G or other next generation network | |
US11483723B2 (en) | Dynamic facilitation of traffic steering for 4G, 5G, and other next generation networks | |
US20220046482A1 (en) | Microservices coordinator for advanced networks | |
CN114980034A (zh) | 原生算力业务实现方法、装置、网络设备及终端 | |
US20230033272A1 (en) | Method and apparatus for dynamic and efficient load balancing in mobile communication network | |
US11641309B2 (en) | Intelligent policy control engine for 5G or other next generation network | |
US20210314766A1 (en) | Self optimizing aggregation for 5g or other next generations wireless network | |
CN107147987B (zh) | 无线通信网络中提供设备到设备邻近服务的方法和系统 | |
US20230224773A1 (en) | Intelligent dual-connectivity in 5g non-standalone mode | |
US20230124206A1 (en) | Apparatus, methods, and computer programs | |
US11902134B2 (en) | Adaptive resource allocation to facilitate device mobility and management of uncertainty in communications | |
US20220295230A1 (en) | Aggregation of application and systems for services for 6g or other next generation network | |
US11622322B1 (en) | Systems and methods for providing satellite backhaul management over terrestrial fiber | |
US11665686B2 (en) | Facilitating a time-division multiplexing pattern-based solution for a dual-subscriber identity module with single radio in advanced networks | |
JP6945089B1 (ja) | ネットワークスライス構成 | |
WO2016184166A1 (zh) | 载波聚合带宽分配的方法及装置 | |
US11706792B2 (en) | Systems and methods for preempting bearers based on bearer information and network slice information | |
US11768082B2 (en) | Facilitation of predictive simulation of planned environment | |
US11006290B2 (en) | Radio frequency database automation for 5G or other next generation network | |
US20220322462A1 (en) | Method and apparatus for configuring edge computing service information |
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 |