CN113950081B - 一种面向微服务的动态服务迁移和请求路由方法 - Google Patents

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

一种面向微服务的动态服务迁移和请求路由方法

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M_j(t)，它表示边缘服务器b_j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；

其中，c_j(t)是将服务s^k迁移到边缘服务器b_j的成本，是迁移成本的时间平均预算，且为了保证虚拟队列的非负性，需要与0比较取其二者最大值；

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；

其中，Θ(t)是迁移成本的队列积压向量，为一个常数，与路由请求决策和服务部署决策是独立的，α是基站的最大迁移成本；

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(x_ij(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x_ij(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u_i的请求路由到基站b_j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b_j的用户请求的总计算强度不得超过其基站的计算容量W_j；

约束(5.7)表示部署在基站b_j的服务的总存储大小不能超过其基站的存储容量R_j；

约束(5.8)表示用户u_i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；

首先，松弛决策变量x_ij(t)和

x_ij(t)∈{0,1}→x_ij(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x_ij(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x_ij(t)根据服务部署变量进行四舍五入；当u_i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x_iφ(t)的值；

当处理u_i请求的基站集时，路由到云中心的概率为；

当时，请求路由到云中心的概率取决于/>和/>且概率非负，计算如下；

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，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{M_j(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(a)为不同存储能力R、计算能力W和用户数U下的网络效益图。

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(a)为不同下的卸载数据总量图。

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，b_j∈B,j∈J＝{1,2,…,m}，u_i∈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，w^k表示服务s^k所需要的计算强度，单位为CPU周期数/位，q^k表示服务请求的大小，单位为bit，/>表示服务s^k的总负载，指的是总CPU周期数，ρ^k表示服务s^k的最大容忍时延，S表示MEC网络的服务库。表示用户u_i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u_i在时隙t的位置表示为l_i(t)＝(u_i,x(t),u_i,y(t))，基站b_j的位置表示为l_j＝(r_j,x,r_j,y)，为固定的位置，与时隙无关。如果||l_j-l_i(t)||≤R_j，则表示u_i在基站b_j的覆盖范围内，且覆盖半径为R_j。如果b_j在时隙t覆盖了用户t，则表示b_j∈Ω_i(t)，Ω_i(t)表示u_i在时隙t的被覆盖集合，即属于Ω_i(t)中的基站都覆盖了u_i。于是，u_i与b_j最大上行传输速率如下式(12)所示：

其中，h_ij(t)表示u_i和b_j的信道增益，W表示信道带宽，P_i表示u_i的传输功率，I_i表示多用户间干扰，I_j表示小区间干扰。因此，u_i的传输延迟可表示为

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x_ij(t)∈{0,1}和x_iφ(t)∈{0,1}表示，在时隙t，若x_ij(t)＝1，则用户u_i将服务请求路由到边缘基站b_j表示；否则，它被路由到云中心，表示为x_iφ(t)＝1。服务部署决策用表示，在时隙t，若/>表示服务s^k部署在基站b_j。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：

其中，表示服务s^k的迁移成本，指示函数表示是否需要在时隙t中将s^k迁移到b_j，当且只有/>即/>时，服务需要从邻近基站或云中心迁移到基站b_j；时隙t中所有基站的总迁移成本表示为/>

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x_ij(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

1)用I_s(t)表示时隙t有任务请求的用户集，处理这些任务请求的请求路由决策x_ij(t)和服务部署决策需要满足以下约束(18)(19)；

2)t时隙用户u_i的覆盖基站集合为用户一定会将任务请求卸载到覆盖基站或者云中心

3)非覆盖基站不能接受用户请求，即

4)若要将用户u_i的任务请求路由到b_j中，必须先在b_j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M_j(t)，它表示b_j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：

其中，为一个常数，与路由请求决策和服务部署决策是独立的，α是基站的最大迁移成本。

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

为了解决上述问题，我们提出了一种LOSM方法，它将连续时间优化问题转化为多离散时隙优化问题。于是，现在我们的目标是获得当前时隙的最佳请求路由决策x_ij(t)和服务部署决策

本发明使用随机舍入方法来解决上述混合整数规划问题。首先，松弛决策变量x_ij(t)和如下式(21)和(22)所示：

x_ij(t)∈{0,1}→x_ij(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x_ij(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x_ij(t)根据服务部署变量进行四舍五入。如果u_i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x_iφ(t)的值。

当可以处理u_i请求的基站集时，路由到云中心的概率如式(24)所示：

当时，请求路由到云中心的概率取决于/>和/>且概率非负，计算方法如下式(25)：

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 (5)

1.一种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；

构建一个针对长期服务迁移成本的虚拟队列M_j(t)，它表示边缘服务器b_j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；

其中，c_j(t)是将服务s^k迁移到边缘服务器b_j的成本，是迁移成本的时间平均预算，且为了保证虚拟队列的非负性，M_j(t)+c_j(t)与0比较取二者最大值；

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；

其中，Θ(t)是迁移成本的队列积压向量，为一个常数，与路由请求决策和服务部署决策是独立的，α是基站的最大迁移成本；m是基站总数；

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(x_ij(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，x_ij(t)为请求路由决策，x_ij(t)＝1，则用户u_i将服务请求路由到边缘基站b_j表示；否则，用户u_i将服务请求路由到云中心，表示为x_iφ(t)＝1；i∈I＝{1,2,…,n}，j∈J＝{1,2,…,m}；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x_ij(t)∈{0,1}和服务部署决策k∈K＝{1,2,...,l}表示服务模型；在时隙t，/>表示服务s^k部署在基站b_j；使用随机舍入方法解决上述多离散时隙优化问题——请求路由决策和服务部署决策问题；

(a)问题转换；

首先，松弛决策变量x_ij(t)和

x_ij(t)∈{0,1}→x_ij(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，/>被线性转换为：然后通过线性规划求解关于决策变量x_ij(t)和/>的最优解集求解的决策变量/>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x_ij(t)根据服务部署变量进行四舍五入；当u_i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x_iφ(t)的值；

当处理u_i请求的基站集时，路由到云中心的概率为；

当时，请求路由到云中心的概率取决于/>和/>且概率非负，计算如下；

2.根据权利要求1所述的一种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；

I_s(t)表示时隙t有任务请求的用户集；k∈K＝{1,2,...,l}表示服务模型；

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；

Ω_i(t)表示u_i在时隙t的被覆盖集合；

约束(5.5)表示用户u_i的请求路由到基站b_j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b_j的用户请求的总计算强度不得超过其基站的计算容量W_j；

约束(5.7)表示部署在基站b_j的服务的总存储大小不能超过其基站的存储容量R_j；

约束(5.8)表示用户u_i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；

表示时隙t服务s^k服务请求的大小、/>表示时隙t的上行传输速率、/>表示时隙t服务s^k的总负载、/>表示时隙t服务s^k的计算强度、ρ^k表示服务s^k的最大容忍时延。

3.根据权利要求2所述的一种面向微服务的动态服务迁移和请求路由方法，其特征在于，得到第一步所建迁移成本虚拟队列的稳定性。

4.根据权利要求3所述的一种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。

5.根据权利要求4所述的一种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{M_j(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。