CN113950081A - 一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法 - Google Patents
一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法 Download PDFInfo
- Publication number
- CN113950081A CN113950081A CN202111169754.6A CN202111169754A CN113950081A CN 113950081 A CN113950081 A CN 113950081A CN 202111169754 A CN202111169754 A CN 202111169754A CN 113950081 A CN113950081 A CN 113950081A
- Authority
- CN
- China
- Prior art keywords
- service
- base station
- migration
- request
- queue
- 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.)
- Granted
Links
- 238000013508 migration Methods 0.000 title claims abstract description 87
- 230000005012 migration Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 230000008901 benefit Effects 0.000 claims abstract description 22
- 230000007774 longterm Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于移动边缘计算网络领域,提出了一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法。利用Lyapunov优化将考虑移动性的连续优化问题分解为多个时隙的在线优化问题,由于用户的移动性,正在进行的服务经常在不同的基站之间迁移,这需要一定的迁移成本,为了平衡迁移成本与系统效益,使用Lyapunov优化和随机舍入方法来解决服务部署和请求路由两种决策变量,并通过理论分析证明该方法具有性能保证。对于微服务部署的多单元移动边缘网络中,该方法可以达到最佳的平均时间效用,自适应地平衡服务迁移成本和在线系统效益,且可以有效利用边缘服务器的存储和计算资源,在保证服务迁移成本稳定的同时,最大化MEC网络的长期系统效益。
Description
技术领域
本发明属于移动边缘计算网络领域,涉及一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法。
背景技术
移动设备的爆炸式增长以及网络交互游戏、自动驾驶、增强现实等新兴的移动服务的涌现增加了计算密集型和时延敏感型服务的高需求。由于服务数量的剧增和这些新型应用的严格时效性,为在集中式的云中心有效处理用户请求带来了严峻挑战。为了应对大量实时计算任务和多样化的服务需求,移动边缘计算(Mobile Edge Computing,MEC)将计算、存储资源从集中式的云中心拓展到网络边缘,它通过靠近基站的边缘服务器进行边缘服务缓存并执行覆盖区域内的用户卸载的计算任务,减少了通过广域网传输到云中心进行处理的不可忽视的通信时延。随着5G/B5G,以及6G网络的发展,MEC将在未来网络中得到更广泛的推进并发挥重要作用。目前,微服务作为一种新兴的服务体系结构,它将程序解耦为多个小型服务并进行功能重用,已经被很多大型企业采用。微服务具有轻量级、灵活性和可伸缩性等特点,可以部署在MEC网络中,实现对时延敏感型和计算密集型服务的快速响应和动态部署。
边缘服务器具有受限的存储容量和计算容量,其在某一时刻只能存储部分的服务,并且无法应对高峰时期的所有服务请求。此外,随着5G技术的推广和基站的广泛部署,BS(基站)的密度不断增加,用户可能会同时处于多个基站的共同覆盖范围内,并支持将任务卸载到任意一个覆盖自身的基站上进行执行,这增加了在边缘服务器部署服务和路由用户请求的难度。
近年来,为了应对移动端的高移动性,满足用户多样化的服务需求,移动边缘服务相关的网络优化问题受到了MEC网络研究人员的广泛关注。研究内容主要分为:边缘云中的服务放置,多个边缘云之间的服务协调,服务放置和请求路由的联合优化等。虽然已有的研究提出了一些MEC网络服务优化的解决方法,但仍有一些重要的问题需要进一步研究。对于移动性感知服务优化的研究,现有的方法主要考虑了迁移代价和时延之间的权衡,而很少考虑边缘服务器有限的存储和计算能力等资源。而且,现有的方法大多只考虑在一个时隙内对服务部署和请求路由进行联合优化,而没有考虑系统性能的长期优化。
发明内容
在考虑用户移动性带来的服务迁移成本预算的情况下,本发明提供了在具有受限的存储容量和计算容量的边缘服务器中进行服务部署和在MEC网络中路由请求以实现MEC网络长期效益最大化方法。这种方法达到最佳的平均时间效用、平衡服务迁移成本和在线系统效益性能,且有效利用边缘服务器的存储和计算资源,在保证服务迁移成本稳定的同时,最大化MEC网络的长期系统效用。
本发明的技术方案如下:一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,构建了一个长期服务迁移成本的虚拟队列,并针对单时隙做出服务部署和请求路由优化,从而达到系统效益长期最大化;该动态服务迁移和请求路由方法包括步骤如下:
第一步,构建虚拟队列和定义目标问题;
构建一个针对长期服务迁移成本的虚拟队列Mj(t),它表示边缘服务器bj在时隙t结束时服务迁移的额外成本,迁移成本虚拟队列更新如下;
一个二次Lyapunov函数用于表示队列积压,队列积压小代表迁移成本稳定,具体如下:
根据迁移成本队列积压的单时隙条件漂移的定义,本方法给出了迁移成本队列积压的单时隙条件漂移;
将请求路由决策和服务部署决策的优化目标定义为时隙t下的漂移差-效用函数,其表达式如下;
其中Z(xij(t))为MEC网络的系统效用,即网络最终处理边缘服务请求的数量,V为迁移成本队列稳定性和网络效用的控制参数,根据当前队列积压情况调整V,实现效用和系统稳定性的权衡;式(3)进一步表示为;
对式(4)进行简化,对常数项β进行缩放,将单时隙优化目标简化为期望上界函数最小,于是单时隙优化目标为;
第二步,单时隙优化;
为了解决第一步中的问题,提出了一种基于李雅普诺夫优化的在线服务迁移方法LOSM,它将连续时间优化问题转化为多离散时隙优化问题;此时目标转换为获得当前时隙的最佳请求路由决策xij(t)∈{0,1}和服务部署决策使用随机舍入方法解决上述混合整数规划问题——请求路由决策和服务部署决策问题;
单时隙优化目标函数满足以下约束;
约束(5.1)(5.2)表示请求路由决策和服务部署决策都是0-1变量;
约束(5.3)表示服务请求卸载到覆盖该用户的基站或者云中心,且只被其中一处进行处理;
约束(5.4)表示基站只处理自己覆盖范围内的用户的服务请求,对于非自己覆盖范围内的服务请求不予处理;
约束(5.5)表示用户ui的请求路由到基站bj的前提是,该基站已部署了该用户所请求的相应服务;
约束(5.6)表示路由到基站bj的用户请求的总计算强度不得超过其基站的计算容量Wj;
约束(5.7)表示部署在基站bj的服务的总存储大小不能超过其基站的存储容量Rj;
约束(5.8)表示用户ui服务请求的执行时延必须满足延迟约束,包括通信延迟和计算延迟;
(a)问题转换;
xij(t)∈{0,1}→xij(t)∈[0,1]
将第一步中的单时隙优化目标函数展开得;
在式(6)中,在时隙t中为一个常量,连续化为一个关于和的形如的线性函数,通过最小化均方误差可以得到的最优线性拟合然后通过线性规划求解关于决策变量xij(t)和的最优解集接下来,以概率方法随机四舍五入通过线性规划计算出的解,以获得用于服务部署和请求路由的整数值。
(b)随机舍入;
服务部署变量以概率舍入,路由请求变量xij(t)根据服务部署变量进行四舍五入;当ui的覆盖基站都未部署相应的服务,则请求以的概率被路由到云中心;当遍历用户的所有覆盖且部署所请求服务的基站,并以概率将路由到每一个基站的路由请求变量设置为1,这种情况也以概率将其路由到云中心;最后,当路由到基站的变量存在为1的,则本单时隙优化方法在为1的变量中随机选择一个,将其路由到对应的基站,未选中的设置为0,否则,取路由到云中心xiφ(t)的值;
一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,以此得到的适用于移动边缘计算网络的成本效益优化方法,得到第一步所建迁移成本虚拟队列的稳定性和小的存储资源越界率以及计算资源越界率;将请求路由和服务部署两类离散变量松弛为连续变量,存在实际所需资源大于服务器资源的情况,继而产生了越界率。
所述迁移成本虚拟队列的稳定性包括性能保证、稳定性保证和迁移成本队列的强稳定性。
所述性能保证LOSM方法得到的在多时隙的平均系统效用与最优平均系统效用之间的差距,表示为;
其中τ为时隙长度;
所述稳定性保证为迁移成本队列的平均速率稳定性:所有队列{Mj(τ)}均为平均速率稳定,满足
所述迁移成本队列的强稳定性为:
其中β,V,Λ,δ是正常数,ψ(δ)是系统效用期望,为原始目标函数的最小值和最大值之间的解,ξ*是最优时间平均效用。
本发明的有益效果为:能够保证在服务迁移成本的稳定下获得最大MEC网络长期系统效益,且能有效提高MEC服务器的资源利用率。
附图说明
图1(b)为不同存储能力R下的网络效益图。
图1(c)为不同计算能力W下的网络效益图。
图1(d)不同用户数U下的网络效益图。
图2(b)为不同存储能力下的卸载数据总量图。
图2(c)为不同计算能力W下的卸载数据总量图。
图2(d)为不同用户数U下的卸载数据总量图。
图3(a)为不同控制参数V下网络效用随时隙变化图。
图3(b)为不同控制参数V下迁移成本随时隙变化图。
图4(a)为不同V值下的网络效益图。
图4(b)为不同V值下的卸载数据总量图。
图5(a)为不同V值下的平均队列积压。
图5(b)为不同时隙的队列积压随着V值的变化图。
图6(a)为存储资源利用率图。
图6(b)为计算资源利用率图。
具体实施方式
以下结合具体实施例详细阐述本发明的技术方案。
本发明提供了一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,并考虑服务迁移成本、基站存储容量和计算能力等严格约束。然后,通过Lyapunov优化技术将考虑移动性的连续优化问题分解为单时隙的在线优化问题。它不仅不依赖于任何用户移动路径、服务请求的到达等先验信息的可用性,又实现了自适应地平衡服务迁移成本和系统性能。为了解决单时隙优化问题的NP-hard的挑战,本方法将服务迁移决策进行线性转换,通过随机舍入技术同时求解出不独立的两个重要的决策变量即服务部署和请求路由,在有限制地违反资源约束的同时实现性能的近似保证。
具体步骤如下:
步骤1:建立系统模型
步骤1.1:网络模型
在一个多小区MEC网络中,用户在各个基站范围内移动,并且位于多个基站的重叠区域。网络模型表示为G=(B,U),分别表示基站集合和移动用户集合。其中,bj∈B,j∈J={1,2,…,m},ui∈U,i∈I={1,2,…,n}。用户在每个时隙t∈T={0,1,…,τ}随机产生一个服务请求或者不产生服务请求。表示服务模型,其中表示服务所需的存储资源的大小,单位为bit,wk表示服务sk所需要的计算强度,单位为CPU周期数/位,qk表示服务请求的大小,单位为bit,表示服务sk的总负载,指的是总CPU周期数,ρk表示服务sk的最大容忍时延,S表示MEC网络的服务库。表示用户ui在时隙t的服务请求,用户的服务请求被路由到边缘服务器执行或路由到云中心执行。在边缘服务器执行的前提是该服务已经被部署该边缘服务器上。
用户ui在时隙t的位置表示为li(t)=(ui,x(t),ui,y(t)),基站bj的位置表示为lj=(rj,x,rj,y),为固定的位置,与时隙无关。如果||lj-li(t)||≤Rj,则表示ui在基站bj的覆盖范围内,且覆盖半径为Rj。如果bj在时隙t覆盖了用户t,则表示bj∈Ωi(t),Ωi(t)表示ui在时隙t的被覆盖集合,即属于Ωi(t)中的基站都覆盖了ui。于是,ui与bj最大上行传输速率如下式(12)所示:
步骤1.2:决策模型
为了解决多小区MEC网络中考虑用户移动性的成本效益优化问题,需要做出两个决策,包括请求路由和服务部署。请求路由决策用xij(t)∈{0,1}和xiφ(t)∈{0,1}表示,在时隙t,若xij(t)=1,则用户ui将服务请求路由到边缘基站bj表示;否则,它被路由到云中心,表示为xiφ(t)=1。服务部署决策用表示,在时隙t,若表示服务sk部署在基站bj。服务的动态部署和迁移需要额外的操作成本,即服务的迁移成本表示如下式(13)所示:
步骤1.3:问题定义
MEC网络为移动用户提供服务请求可以带来系统效益。在时隙t,MEC网络中的网络效益可衡量为在满足基站的存储能力和计算能力的情况下边缘服务器服务的请求数量,如下式(14):
这里的效益仅包含在边缘服务器处理的服务请求,不包括路由到云处理的请求。MEC运营商的目标是通过请求路由决策xij(t)和服务部署决策最大化MEC网络的系统效益Z(t),时隙t的系统效益表示为下式(15):
但是,考虑到用户的移动性和网络的动态性,MEC网络运营商需要快速部署和迁移微服务到用户的附近的边缘服务器,这导致了迁移成本的产生。在实际情况下,网络运营商通常考虑长期成本预算来优化系统的长期效用,服务迁移成本需要满足不等式(16):
同理,在用户的移动性和服务请求的随机性下,系统长期效用可以用系统效用的时间平均期望来表示,如下式(17):
该目标问题需要满足一定的约束条件,如下
3)非覆盖基站不能接受用户请求,即
4)若要将用户ui的任务请求路由到bj中,必须先在bj中部署相应的服务
5)路由到基站的用户请求所需要的计算强度总和必须小于基站的计算能力
6)基站存储的服务总大小不能超过基站的存储容量
7)服务请求的总执行时延(包括传输时延和计算时延)必须满足服务的最大容忍时延
步骤2:基于Lyapunov的移动感知在线成本效用优化
步骤2.1:构建虚拟队列
本方法构建了一个针对长期服务迁移成本的虚拟队列Mj(t),它表示bj在时隙t结束时服务迁移的额外成本,其迁移成本虚拟队列更新如式(26)所示:
一个二次Lyapunov函数表示如式(27)所示,用来表示队列积压,队列积压小表示迁移成本稳定:
根据迁移成本队列队列加油的单时隙条件漂移的定义,本方法给出了迁移成本队列积压的单时隙条件漂移如式(28)所示:
在本方法中,我们将请求路由决策和服务部署决策的优化目标定义为时隙t下的漂移差-效用函数,其表达式如式(29):
其中V为迁移成本队列稳定性和网络效用的控制参数,MEC运营商可以根据当前队列积压情况灵活调整V,实现效用和系统稳定性的权衡。上式我们可以进一步表示为式(30):
对上式进行简化,对常数项进行缩放,将单时隙优化目标简化为期望上界函数最小,于是单时隙优化目标为(且约束条件为(18)-(25))下式(31)所示:
步骤2.2:单时隙优化
xij(t)∈{0,1}→xij(t)∈[0,1] (21)
将步骤2.1的单时隙目标函数(20)展开得,如下式(23)所示:
在以上公式中,在时隙t中为一个常量,可以被线性转换为:然后通过线性规划求解关于决策变量xij(t)和的最优解集接下来,以概率方法随机四舍五入通过线性规划计算出的解,以获得用于服务部署和请求路由的整数值。
服务部署变量以概率舍入,路由请求变量xij(t)根据服务部署变量进行四舍五入。如果ui的覆盖基站都未部署相应的服务,则请求将以的概率被路由到云中心;否则,遍历用户的所有覆盖且部署所请求服务的基站,并以概率将路由到每一个基站的路由请求变量设置为1,注意这种情况也以概率将其路由到云。最后,若路由到基站的变量存在为1的,则本单时隙优化方法在为1的变量中随机选择一个,将其路由到对应的基站,未选中的设置为0,否则,取路由到云xiφ(t)的值。
本发明的算法1的伪代码如下所示:
本发明算法2的伪代码如下所示:
本发明发明仿真实现基于MTALAB平台,在仿真场景中,设置16个MEC边缘服务器有规律地部署,以及最多1600个移动用户随机分布在地图上,并保证每个移动用户在一个时隙至少处于一个基站的覆盖范围下。MEC服务器的基准存储容量设置为150GB,每个MEC服务器配备多个CPU核,所能承载的基准计算能力为40GHz。我们模拟了500个微服务,这些微服务表示不同类型的延迟敏感型或计算密集型服务,服务的大小为均匀分布在[0.5,10]GB,计算强度均匀分布在[0.1,2.5]GHz;同时为了更好地模拟用户的移动性,我们选择了两种移动模型,包括基于地图的移动模型和随机游走模型,其中70%的用户根据基于地图的移动模型移动,剩下的30%用户根据随机游走模型移动,用户在移动过程中以80%的概率随机产生一个服务请求,即20%的概率在时隙中不会产生服务请求。我们模拟了1000个时隙,在单个时隙中,用户不会从一个基站的覆盖范围移动到另一个基站的覆盖范围,但这在不同的时隙可以实现。
同时在本发明的仿真验证时设置了对比算法。为了评价网络效益、卸载的数据总量、迁移成本、队列积压四种性能指标,分别对MSLR(利用线性规划得到分数解)、GBUM(基于贪心的网络效益最大化)、NSM(无服务迁移)、LCPM(低成本服务优先部署)、MVDO(基于贪心的卸载数据总量最大化)、以及本发明提出的LOSM(基于Lyapunov优化的在线服务迁移算法)在MATLAB平台上进行对比实验。
为了评价迁移成本预算存储能力R、计算能力W、用户数量U、控制参数V五种参数对上述四种指标的影响,我们将这些参数范围设置为R∈[15,300]GB,W∈[1,100]GHz,U∈[200,1600],V∈[0.1,5000],且还关注了在多个时隙里网络效益和迁移成本的变化情况、资源的利用率情况和运行时间。
图1显示了在不同迁移成本预算、存储容量、计算容量和用户数量值下的网络效益性能。
图2显示了在不同迁移成本预算、存储容量、计算容量和用户数量值下的边缘网络卸载数据总量的变化。
图3显示了在参数V值下网络效用和平均迁移成本随着时隙t的收敛性。
图3(a)显示随着时隙的增加,网络效用逐渐下降并趋于稳定,这与漂移-效用函数的定义一致。图3(b)表示随着时隙的增加,迁移成本逐渐减少,并收敛于迁移成本预算。
图4显示了不同V值下的网络效益和卸载数据量。图4(a)显示随着V的增加,LOSM的网络效益也随之增加并趋于稳定,且在稳定的时候其效益大于其它基准算法。图4(b)显示随着V的增加,卸载数据总量也趋于稳定。
图5(a)显示了不同V值下的平均队列积压,随着V的增加,队列积压呈线性增长,说明控制参数V可以调节队列拥塞和系统性能。图5(b)显示了不同时隙的队列积压随着V值的变化情况,虽然V值的不同导致了队列积压的差异,但在一定时隙之后逐渐收敛,其队列积压在很小范围内波动,反映了迁移成本预算的调整和成本队列的稳定性。
图6显示了不同算法的16台边缘服务器的存储资源和计算资源的利用率。
表3显示了各算法的平均运行时间。
表3运行时间
本发明提出的基于Lyapunov优化的在线服务迁移算法与其它基准算法从不同方面进行了性能对比分析,结果表明,在考虑用户移动性带来的服务迁移成本预算的情况下,以及在具有受限的存储容量和计算容量的边缘服务器中部署服务和路由请求,使用本发明提出的算法可以实现MEC网络效益最大化,即本发明提出的算法具有较好的性能。
Claims (8)
1.一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,构建了一个长期服务迁移成本的虚拟队列,并针对单时隙做出服务部署和请求路由优化,从而达到系统效益长期最大化;其特征在于,该动态服务迁移和请求路由方法包括步骤如下:
第一步,构建虚拟队列和定义目标问题;
第二步,单时隙优化;
为了解决第一步中的问题,提出了一种基于李雅普诺夫优化的在线服务迁移方法LOSM,它将连续时间优化问题转化为多离散时隙优化问题;此时目标转换为获得当前时隙的最佳请求路由决策xij(t)∈{0,1}和服务部署决策使用随机舍入方法解决上述混合整数规划问题——请求路由决策和服务部署决策问题;
(a)问题转换;
(b)随机舍入。
2.根据权利要求1所述的一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,其特征在于,所述第一步,构建虚拟队列和定义目标问题,具体为构建一个针对长期服务迁移成本的虚拟队列Mj(t),它表示边缘服务器bj在时隙t结束时服务迁移的额外成本,迁移成本虚拟队列更新如下;
一个二次Lyapunov函数用于表示队列积压,队列积压小代表迁移成本稳定,具体如下:
根据迁移成本队列积压的单时隙条件漂移的定义,本方法给出了迁移成本队列积压的单时隙条件漂移;
将请求路由决策和服务部署决策的优化目标定义为时隙t下的漂移差-效用函数,其表达式如下;
其中Z(xij(t))为MEC网络的系统效用,即网络最终处理边缘服务请求的数量,V为迁移成本队列稳定性和网络效用的控制参数,根据当前队列积压情况调整V,实现效用和系统稳定性的权衡;式(3)进一步表示为;
对式(4)进行简化,对常数项β进行缩放,将单时隙优化目标简化为期望上界函数最小,于是单时隙优化目标为;
3.根据权利要求2所述的一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,其特征在于,所述单时隙优化目标函数满足以下约束;
约束(5.1)(5.2)表示请求路由决策和服务部署决策都是0-1变量;
约束(5.3)表示服务请求卸载到覆盖该用户的基站或者云中心,且只被其中一处进行处理;
约束(5.4)表示基站只处理自己覆盖范围内的用户的服务请求,对于非自己覆盖范围内的服务请求不予处理;
约束(5.5)表示用户ui的请求路由到基站bj的前提是,该基站已部署了该用户所请求的相应服务;
约束(5.6)表示路由到基站bj的用户请求的总计算强度不得超过其基站的计算容量Wj;
约束(5.7)表示部署在基站bj的服务的总存储大小不能超过其基站的存储容量Rj;
约束(5.8)表示用户ui服务请求的执行时延必须满足延迟约束,包括通信延迟和计算延迟;
5.根据权利要求4所述的一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,其特征在于,所述(b)随机舍入,具体步骤如下:服务部署变量以概率舍入,路由请求变量xij(t)根据服务部署变量进行四舍五入;当ui的覆盖基站都未部署相应的服务,则请求以的概率被路由到云中心;当遍历用户的所有覆盖且部署所请求服务的基站,并以概率将路由到每一个基站的路由请求变量设置为1,这种情况也以概率将其路由到云中心;最后,当路由到基站的变量存在为1的,则本单时隙优化方法在为1的变量中随机选择一个,将其路由到对应的基站,未选中的设置为0,否则,取路由到云中心xiφ(t)的值;
6.根据权利要求5所述的一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,以此得到的适用于移动边缘计算网络的成本效益优化方法,其特征在于,得到第一步所建迁移成本虚拟队列的稳定性和小的存储资源越界率以及计算资源越界率。
7.根据权利要求6所述的一种多单元移动边缘计算中面向微服务的动态服务迁移和请求路由方法,以此得到的适用于移动边缘计算网络的成本效益优化方法,其特征在于,所述迁移成本虚拟队列的稳定性包括性能保证、稳定性保证和迁移成本队列的强稳定性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169754.6A CN113950081B (zh) | 2021-10-08 | 2021-10-08 | 一种面向微服务的动态服务迁移和请求路由方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169754.6A CN113950081B (zh) | 2021-10-08 | 2021-10-08 | 一种面向微服务的动态服务迁移和请求路由方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113950081A true CN113950081A (zh) | 2022-01-18 |
CN113950081B CN113950081B (zh) | 2024-03-22 |
Family
ID=79329968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169754.6A Active CN113950081B (zh) | 2021-10-08 | 2021-10-08 | 一种面向微服务的动态服务迁移和请求路由方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113950081B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338504A (zh) * | 2022-03-15 | 2022-04-12 | 武汉烽火凯卓科技有限公司 | 一种基于网络边缘系统的微服务部署和路由方法 |
CN114449530A (zh) * | 2022-03-11 | 2022-05-06 | 天津理工大学 | 一种基于多目标优化策略的边缘计算服务迁移方法 |
CN115361689A (zh) * | 2022-08-08 | 2022-11-18 | 广东工业大学 | 固定站点与无人机搭载边缘服务器的协同部署方法 |
CN116233262A (zh) * | 2023-05-07 | 2023-06-06 | 湖北省楚天云有限公司 | 基于边缘网络架构的微服务部署与请求路由方法及系统 |
CN117692503A (zh) * | 2024-02-04 | 2024-03-12 | 国网湖北省电力有限公司信息通信公司 | 动态微服务图部署和概率请求路由的联合优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857546A (zh) * | 2019-01-03 | 2019-06-07 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
CN111278132A (zh) * | 2020-01-19 | 2020-06-12 | 重庆邮电大学 | 移动边缘计算中面向低时延高可靠业务的资源分配方法 |
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 |
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN113286329A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于移动边缘计算的通信和计算资源联合优化方法 |
-
2021
- 2021-10-08 CN CN202111169754.6A patent/CN113950081B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857546A (zh) * | 2019-01-03 | 2019-06-07 | 武汉理工大学 | 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置 |
EP3826368A1 (en) * | 2019-11-19 | 2021-05-26 | Commissariat à l'énergie atomique et aux énergies alternatives | Energy efficient discontinuous mobile edge computing with quality of service guarantees |
CN111278132A (zh) * | 2020-01-19 | 2020-06-12 | 重庆邮电大学 | 移动边缘计算中面向低时延高可靠业务的资源分配方法 |
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 |
CN113286329A (zh) * | 2021-05-19 | 2021-08-20 | 南京邮电大学 | 基于移动边缘计算的通信和计算资源联合优化方法 |
Non-Patent Citations (3)
Title |
---|
IBTISSAM LABRIJI: "Mobility Aware and Dynamic Migration of MEC Services for the Internet of Vehicles", 《IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT 》, 31 March 2021 (2021-03-31) * |
丁雪乾等: "边缘计算下基于Lyapunov优化的系统资源分配策略", 《微电子学与计算机》, 16 December 2020 (2020-12-16) * |
王海川: "面向边缘智能的模型训练服务部署和任务卸载研究", 《CNKI优秀硕士论文电子期刊》, 15 January 2021 (2021-01-15) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114449530A (zh) * | 2022-03-11 | 2022-05-06 | 天津理工大学 | 一种基于多目标优化策略的边缘计算服务迁移方法 |
CN114338504A (zh) * | 2022-03-15 | 2022-04-12 | 武汉烽火凯卓科技有限公司 | 一种基于网络边缘系统的微服务部署和路由方法 |
CN115361689A (zh) * | 2022-08-08 | 2022-11-18 | 广东工业大学 | 固定站点与无人机搭载边缘服务器的协同部署方法 |
CN115361689B (zh) * | 2022-08-08 | 2023-06-02 | 广东工业大学 | 固定站点与无人机搭载边缘服务器的协同部署方法 |
CN116233262A (zh) * | 2023-05-07 | 2023-06-06 | 湖北省楚天云有限公司 | 基于边缘网络架构的微服务部署与请求路由方法及系统 |
CN117692503A (zh) * | 2024-02-04 | 2024-03-12 | 国网湖北省电力有限公司信息通信公司 | 动态微服务图部署和概率请求路由的联合优化方法及系统 |
CN117692503B (zh) * | 2024-02-04 | 2024-04-26 | 国网湖北省电力有限公司信息通信公司 | 动态微服务图部署和概率请求路由的联合优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113950081B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113950081B (zh) | 一种面向微服务的动态服务迁移和请求路由方法 | |
Zhao et al. | Edge caching and computation management for real-time internet of vehicles: An online and distributed approach | |
Xu et al. | Joint service caching and task offloading for mobile edge computing in dense networks | |
Asheralieva et al. | Hierarchical game-theoretic and reinforcement learning framework for computational offloading in UAV-enabled mobile edge computing networks with multiple service providers | |
CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN112600921B (zh) | 一种面向异构移动边缘网络的动态任务卸载方法 | |
Deng et al. | Wireless powered mobile edge computing: Dynamic resource allocation and throughput maximization | |
CN108509276A (zh) | 一种边缘计算环境中的视频任务动态迁移方法 | |
Chamola et al. | An optimal delay aware task assignment scheme for wireless SDN networked edge cloudlets | |
CN109922137B (zh) | 无人机协助的计算迁移方法 | |
Li et al. | Capacity-aware edge caching in fog computing networks | |
Kiani et al. | Hierarchical capacity provisioning for fog computing | |
Yun et al. | 5G multi-RAT URLLC and eMBB dynamic task offloading with MEC resource allocation using distributed deep reinforcement learning | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN111629443A (zh) | 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 | |
Wang et al. | Joint optimization of resource allocation and computation offloading based on game coalition in C-V2X | |
Dong et al. | Load balancing of double queues and utility-workload tradeoff in heterogeneous mobile edge computing | |
CN115150893A (zh) | 基于任务划分与d2d的mec任务卸载策略方法 | |
CN113810916B (zh) | 一种5g/6g边缘计算场景下的多服务器混合部署架构及方法 | |
CN114449530A (zh) | 一种基于多目标优化策略的边缘计算服务迁移方法 | |
Sun et al. | Application loading and computing allocation for collaborative edge computing | |
CN115129387A (zh) | 一种基于多策略自适应蝙蝠算法的计算卸载方法 | |
Jiang et al. | Intelligent task offloading and collaborative computation over D2D communication | |
CN114143317A (zh) | 面向跨云层移动边缘计算的多优先级计算卸载策略优化方法 | |
CN114564248A (zh) | 移动边缘计算中一种根据用户移动模式计算卸载的方法 |
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 |