CN114126066B - 面向mec的服务器资源配置与选址联合优化决策方法 - Google Patents
面向mec的服务器资源配置与选址联合优化决策方法 Download PDFInfo
- Publication number
- CN114126066B CN114126066B CN202111426368.0A CN202111426368A CN114126066B CN 114126066 B CN114126066 B CN 114126066B CN 202111426368 A CN202111426368 A CN 202111426368A CN 114126066 B CN114126066 B CN 114126066B
- Authority
- CN
- China
- Prior art keywords
- edge server
- edge
- base station
- mobile base
- scheme
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- 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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向MEC的服务器资源配置与选址联合优化决策方法,根据历史流量数据分析各移动基站计算需求特性;采集移动基站地理位置相关数据;构建移动边缘计算环境模型;定义MEC平台性能模型和运营成本模型;以MEC平台性能、边缘服务器最大配置资源、边缘服务器利用率为约束条件,移动网络运营商的总运营成本为优化目标,建立多约束优化问题;根据拉格朗日乘子法和遗传算法求解优化问题,寻找边缘服务器的战略部署个数、战略选址以及最优计算资源配置方案。可以实现经济高效的边缘服务器的资源配置与选址,大幅度降低成本,提高成本效率。
Description
技术领域
本发明属于分布式计算与系统技术领域,特别是涉及一种面向MEC的服务器资源配置与选址联合优化决策方法。
背景技术
新一代应用程序的兴起和对便携式服务日益增长的需求给全球移动网络环境带来了重大挑战。作为一种新型的计算范式,移动边缘计算(MEC)将计算密集型任务从计算能力和电池电量有限的移动设备(MDs)转移到更接近用户的边缘服务器(ESs)。它不仅减轻了移动设备和骨干网络的压力,而且避免了高延迟通信问题,将成为主流计算范式。
构建MEC平台的第一步是部署边缘服务器,这就引发了边缘服务器的选址问题。然而,这个问题不同于传统的设施选址问题,因为边缘服务器的放置方案与边缘服务器的计算资源配置方案是紧密耦合的,两者都会影响移动网络运营商的运营成本和系统性能。显然,如果我们在所有移动基站(BSs)部署具有丰富计算资源的边缘服务器,我们的用户将拥有无与伦比的体验质量。然而,这项计划是不现实的,因为它将导致我们的预算急剧膨胀,并将因高成本和低回报而失败。我们不仅需要找到边缘服务器的战略部署位置,还需要获得每个边缘服务器的最佳计算资源配置,这样我们可以在系统建立后提供一定的服务质量保证,同时最小化运营成本,提高成本效率。
因此,在构建MEC平台之前,需要解决边缘服务器资源配置方案和选址方案的联合优化问题。边缘服务器的高密度部署和过多的计算资源配置将直接降低移动网络运营商(MNO)的投资回报(ROI),而部署密度和资源配置不足会降低服务质量(QoS)和体验质量(QoE)。一般而言,将计算资源集中在少数大型边缘服务器上可以帮助移动网络运营商节省运营成本,但这是以潜在的QoS和QoE降级为代价的。不仅要保证MEC平台的QoS和QoE,还要控制整个系统的运营成本,这对解决该问题提出了重大挑战。
由于边缘服务器的计算资源配置和选址问题是构建MEC平台的关键步骤,因此对此类问题的研究越来越受关注。然而,现有的研究大多将这两个问题分开考虑,忽略了配置方案和布局方案之间的耦合。另一方面,现有研究中存在一类问题,乍一看类似于边缘服务器的资源配置和部署联合优化问题,即网络功能虚拟化背景下的联合资源分配和服务部署问题,但是实质上与本问题的是不同的。
从边缘服务器的资源配置、边缘服务器选址问题以及网络功能虚拟化背景下的联合资源分配和服务部署问题三个方面回顾现有研究。
(1)边缘服务器计算资源配置。提高成本效率的常用方法是动态扩展机制,即根据实时工作负载动态关闭服务器实例或降低边缘服务器的CPU周期频率。现有技术研究了边缘服务器的成本高效的资源供应问题。建立了M/M/1排队模型来对ES建模,并提出了一种动态调整ES和云实例计算能力的算法。还有现有技术为物联网设备提出了一种灵活的资源分配方案,以优化执行成本和容错性。又有现有技术,设计了一种算法来动态调整边缘服务器的CPU周期频率,并根据计算需求和无线衰落信道获得最佳任务调度决策。还有现有技术,为启用MEC的物联网平台设计了一个动态微服务调度方案,为物联网设备提供公平的QoS和满意度。有现有技术研究了计算卸载、资源分配和缓存策略的联合优化。有现有技术提出了一种自适应服务调度方案,以提高资源利用率,同时最大限度地减少总服务延迟。有现有技术提供了一种动态资源分配机制来优化边缘云的利润和经济平衡。但是,动态扩展机制的应用前提是边缘服务器上配置的计算资源充足且确定,即边缘服务器的计算资源已经配置完成且足够充足。但是这样的配置方案对于位于计算需求较低的郊区等地域来说是不合理的。因此,最根本的解决方案仍然是根据计算需求提前优化边缘服务器的资源配置,以便在构建MEC平台时能提供硬件选型、配置参考。
(2)边缘服务器选址策略。近年来,边缘服务器的选址问题受到越来越多的关注。有现有技术,通过混合整数规划(MIP)研究了联合边缘服务器选址和任务调度问题。有现有技术研究了无源光网络中的边缘服务器选址问题,并构建了一个非线性MIP来确定边缘服务器的最佳位置以最小化部署成本。有现有技术提出了一种边缘服务器选址策略,目的是最小化端到端延迟。有现有技术将边缘服务器的选址问题建模为多目标约束优化问题,并采用MIP找到K个边缘服务器的最佳部署位置。有现有技术将边缘服务器选址问题建模为一个有容量的设施选址问题,并采用MIP来确定K个边缘服务器的最佳部署位置。除了MIP的方法,现有的一些研究采用聚类算法来获得边缘服务器选址方案。有现有技术研究了无线城域网中的边缘服务器选址问题。他们根据多个时间段的计算需求快照设计了一种获取多个边缘服务器放置方案的算法,并通过使用K-Mean聚类算法得到最终的选址方案。也有一些现有的研究采用进化算法来获得边缘服务器选址方案。有现有技术设计了一种基于粒子群优化的边缘服务器选址策略,以寻找边缘服务器的最佳部署位置。有现有技术将边缘服务器的选址问题表述为多目标优化问题,然后设计基于遗传算法的策略以获得低延迟和均衡工作负载的选址方案。然而,所有这些研究都假设在边缘服务器上配置的计算资源是相同的,没有考虑异构性,也忽略了边缘服务器选址方案对资源配置方案的依赖性。另一方面,一些研究假设边缘服务器的部署数量是已知的(如:K个),但在实际应用中很难直接定义一个最优的部署数量。
(3)网络功能虚拟化(NFV)背景下的资源分配和服务放置。随着网络功能虚拟化技术(NFV)的发展,有学者指出MEC应用可以部署在NFV环境中,这就提出了NFV环境下的资源分配和服务放置问题。有现有技术提出了一种应用于MEC-NFV环境的服务放置算法,其主要目标是在最小化延迟的同时最大化服务可用性。有现有技术研究了MEC-NFV环境中的联合虚拟化网络功能(VNF)实例放置和用户分配问题,其中主要目标是最大化服务用户的数量,同时最小化服务成本。有现有技术提出了一种将VNF实例动态分配到MEC或云数据中心的算法,其主要目标是最大化服务用户的数量。有现有技术研究了MEC-NFV环境中的服务放置问题,并构建了基于匈牙利语的算法来优化资源利用率和QoS。有现有技术通过基于MIP和遗传算法研究了MEC-NFV环境中的联合VNF放置和资源分配问题,其主要目标是最小化管理成本。然而,在本发明中,考虑的先决条件与网络功能虚拟化(NFV)背景下的资源分配和服务放置技术方案中考虑的先决条件不同。在联合资源分配和服务放置问题中,每个边缘服务器内的计算资源总量和类型是确定和已知的。在本发明的技术方案中,边缘服务器尚未部署,即我们需要确定边缘服务器处理器的配置数量、处理速度和边缘服务器的战略部署个数、位置。这两类技术方案的应用场景是不同的。
现有技术的缺点是:
(1)没有考虑边缘服务器计算资源配置策略与选址策略的紧密耦合。
在部署边缘服务器构建MEC平台时,只考虑MEC的选址方案是不够的,MEC的计算资源配置方案也十分重要;此外,边缘服务器的选址方案依赖边缘服务器的计算资源配置方案,它们是紧密耦合的。通过以下几点进行说明:
1)、与云服务器相比边缘服务器上的计算资源是有限。由于移动网络运营商(MNO)的预算有限,因此为所有边缘服务器配置丰富的计算资源是不现实的。此外,边缘服务器由于地理位置不同而有不同的计算需求。当边缘服务器配置的计算资源超过其计算需求时,一些可用的计算资源将处于空闲状态。这些闲置的计算资源会产生大量浪费的功耗,从而增加移动网络运营商的运营成本。根据最近的一项研究,空闲状态下服务器的基础能耗占满状态下服务器能耗的60%以上。因此,如何优化边缘服务器的计算资源配置对移动网络运营商控制运营成本和服务质量之间的权衡具有重要意义。
2)、边缘服务器的选址方案与边缘服务器的资源配置方案紧密耦合,两者都会影响移动网络运营商的运营支出和系统性能。边缘服务器的选址方案是依赖于边缘服务器的计算资源配置方案的。例如:计算资源配置较多的边缘服务器适合放置在人口稠密区域,如:住宅区、商业区等;相反,小型边缘服务器适合放置在郊区等人口稀少区域。
(2)不能在MEC平台构建之前提供处理器选型指导。
现有技术方案中常用的通过计算资源动态扩展机制来提高资源利用率和成本效益的方法只能在计算资源规模、数量已经确定的情况下使用。然而,服务器切换和睡眠模式的唤醒可能带来其他负面影响,包括转换能耗的增加、数据迁移引起的延迟,以及服务器切换带来的损耗。因此这样的机制并不总是有益的。最有效的办法依然是根据计算需求预先优化边缘服务器的资源配置。众所周知,边缘服务器配备的计算资源越多,其覆盖范围内移动终端获得的服务质量越好。然而,计算资源规模与成本、能耗是矛盾的。边缘服务器的资源配置需要在满足用户计算需要的前提下优化能耗与成本。在本发明中,我们求解的边缘服务器资源配置方案包括各边缘服务器需配置的最优处理器个数与最优频率,可以为边缘服务器具体的硬件选型提供科学指导。
(3)没有考虑边缘服务器的异构性和计算任务处理时间的多样性,模型泛化能力不足。
现有技术方案通常假设边缘服务器上配置的计算资源是相同的,没有考虑异构性,另一方面,一些研究假设边缘服务器的部署数量是已知的,但在实际应用中很难直接定义一个最优的部署数量。此外,采用M/M/1或M/M/m排队模型具有局限性,均要求任务处理时间服从指数分布。随着智能应用的兴起,移动终端卸载的计算任务需求更加复杂,任务执行时间可能是多样的。针对现有相关技术方案存在模型泛化能力不足的问题,本发明基于M/G/m排队模型对异构边缘服务器进行建模(该模型允许移动终端卸载的计算任务执行时间服从任意分布,且各边缘服务器可拥有不同数量的计算资源,泛化能力更强),从而进一步建立系统的性能模型和运营成本模型。
(4)无法在大规模问题实例上求解。
采用混合整数线性/非线性规划等方案只适用于小规模问题,在大规模问题实例上求解较为困难。然而,一个城市部署的基站数量可能数以千计(例如上海市的电信移动基站就有4000个以上),这意味着边缘服务器的潜在部署位置较多,问题的解空间是庞大的,计算量也是巨大的。本发明基于遗传算法设计了一种启发式算法,能适用于大规模问题实例,并能求出有效的次优解。
发明内容
本发明实施例的目的在于提供一种面向MEC的服务器资源配置与选址联合优化决策方法,以实现经济高效的边缘服务器的资源配置与选址,大幅度降低成本,提高成本效率。
为解决上述技术问题,本发明所采用的技术方案是,面向MEC的服务器资源配置与选址联合优化决策方法,包括以下步骤:
S1,根据历史流量数据分析各移动基站计算需求特性;采集移动基站地理位置相关数据;
S2,构建移动边缘计算环境模型;
S3,定义MEC平台性能模型和运营成本模型;
S4,以MEC平台性能、边缘服务器最大配置资源、边缘服务器利用率为约束条件,移动网络运营商的总运营成本为优化目标,建立多约束优化问题;
S5,根据拉格朗日乘子法和遗传算法求解优化问题,寻找边缘服务器的战略部署个数、战略选址以及最优计算资源配置方案。
本发明的有益效果是:
(1)考虑了服务器资源配置方案和选址方案之间的耦合,设计了一种算法来同时获得边缘服务器的次优部署数量和位置,以及每个边缘服务器的最佳处理器配置数量和配置速度。能在MEC平台部署前,根据各地区潜在计算需求,提前合理获得边缘服务器的选址方案与计算资源配方案。
(2)在MEC平台部署前进行决策,不同于大多数现有研究立足于边缘服务器配置资源确定下的动态资源管理机制。在MEC平台部署前,为边缘服务器的处理器选型提供指导。
(3)考虑了移动网络运营商的运营成本与MEC平台性能之间的平衡,即优化目标是在预估MEC平台建立后能提供一定程度的服务质量保证的前提下,最小化服务供应商的运营成本,以提高成本效率。
(4)考虑了边缘服务器的异构性和计算任务处理时间的多样性,模型泛化能力较强。
(5)可以在大规模问题实例上应用,适合城市范围内的MEC平台构建使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的整体流程图。
图2是本发明实施例中计算需求特征的分析流程图。
图3是本发明实施例中地理位置相关数据的采集流程图。
图4是本发明实施例中小型MEC环境示意图。
图5是本发明实施例中基于拉格朗日乘子法和遗传算法的方法的流程图。
图6是本发明实施例中判断初始边缘服务器选址方案的合理性的流程图。
图7是本发明实施例中种群初始化方法流程图。
图8为本发明实施例中找到拉格朗日乘子的下界的流程图。
图9是本发明实施例中在拉格朗日乘子和处理器个数确定时求解处理器执行速度的流程图。
图10是本发明实施例中在拉格朗日乘子确定时同时求解边缘服务器应配置的处理器个数与速度的流程图。
图11是本发明实施例中求解拉格朗日乘子的值以及所有边缘服务器应配置的处理器个数与速度的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为构建经济高效的移动边缘计算平台,本发明实施例公开了面向MEC的服务器资源配置与选址联合优化决策方法,基于具体应用场景中边缘服务器潜在部署位置的相关计算需求特性,在平台性能(任务平均响应时间)满足设定基准的前提下,同时求解边缘服务器的战略部署个数、战略选址以及最优计算资源配置方案(各边缘服务器需配置的最优处理器个数及最优频率),优化移动网络运营商(MNO)的运营成本,有效提高成本效率,为边缘服务器处理器硬件选型和选址方案提供指导。
本发明的方法流程如图1所示,包括以下步骤:
S1,根据历史流量数据分析各移动基站计算需求特性;采集移动基站地理位置相关数据;
S2,构建移动边缘计算环境模型;
S3,定义MEC平台性能模型和运营成本模型;
S4,以MEC平台性能、边缘服务器最大配置资源、边缘服务器利用率为约束条件,移动网络运营商的总运营成本为优化目标,建立多约束优化问题;
S5,根据拉格朗日乘子法和遗传算法求解优化问题,寻找边缘服务器的战略部署个数、战略选址以及最优计算资源配置方案。
关于步骤S1,
MEC相对广义边缘计算更强调通过在不同区域的移动基站内部或附近部署边缘服务器来提供近似云服务,因此移动基站位置集为边缘服务器潜在部署位置集。移动网络运营商在部署移动基站时已经考虑了无线覆盖问题,各移动基站可以通过城域网进行有线通讯。要在MEC平台构建之前对平台性能和运营成本进行评估,必须首先对各移动基站的潜在计算需求特性进行分析,再次对其地理位置相关数据进行采集,具体步骤如下:
S11,根据历史流量数据分析各移动基站计算需求特性
n表示应用场景中的移动基站数量,整个场景中的移动基站用集合B={b1,b2,...,bn}表示。
在MEC环境中,潜在计算需求具有时间相关性,主要体现在移动网络流量随着时间的推移表现出较强的周期性规律。以泊松分布拟合单位时间内到达移动基站计算任务数量。
对每个移动基站,将单位时间内移动设备访问移动基站的次数视为单位时间内移动设备卸载的计算任务数,并将其当作一个随机变量使用泊松分布进行拟合,从而分析各移动基站计算需求特性。
主要分析任务到达率λj,用λj表示基站bj的任务到达率,即单位时间内由移动设备发送到基站bj的平均计算任务数量。采用每秒到达的平均任务数衡量。此时,称基站bj接受到达率为λj的泊松计算任务流。整个计算需求特性的分析流程如图2所示,具体是:
获取移动网络流量历史数据集,轮询移动基站列表,用泊松分布拟合单位时间内到达移动基站计算任务数量,判断是否轮询完毕,当轮询完毕,输出各基站任务到达率,当轮询没有完毕,继续轮询移动基站列表。
S12,采集移动基站地理位置相关数据
用lj表示移动基站bj的地理位置,因此使用集合L={l1,l2,...,ln}表示应用场景中基站的地理位置集,有
lj=(xj,yj),1≤j≤n
其中xj和yj分别代表位置lj的纬度和经度,即移动基站bj的纬度和经度。集合L={l1,l2,...,ln}也是边缘服务器潜在部署位置集。
移动运营商的运营成本取决于两个主要因素,即场地租金和能源消耗成本。根据收集的基站地理经纬度,使用该地理位置周围的房屋价格信息进行评估,即平均价格/每年,即用cj代表部署地点lj的年场地租金。地理位置相关数据的采集流程如图3所示,具体为:
采集所有移动基站的经纬度信息,采集所有移动基站周边的房屋价格信息,评估各移动基站周边的场地租用年费。
关于步骤S2,
为了建立MEC平台,需要战略性地在一些合适的基站位置部署一些边缘服务器,然后为每个边缘服务器配置合适的计算资源。首先建立移动边缘计算环境模型,从而进一步定义MEC平台性能模型和运营成本模型。
令k表示边缘服务器的部署数量(单位为个,该变量为所求值之一),S={s1,s2,...,sk}表示需要部署的边缘服务器集合,表示k个边缘服务器的战略部署位置(该部署位置集也为所求值之一)。第i个边缘服务器(即si)的部署位置表示为
其中R=6371.009km表示地球的平均半径,hav是Haversine函数,通过hav(θ)=sin2(θ/2)计算,为现有技术。
如果边缘服务器si部署在基站bj上,bj覆盖范围内的移动设备将通过无线接入网络直接将计算密集型任务卸载到si。否则,基站bj需要通过城域网进一步将可卸载的任务转发到最近的边缘服务器,从而导致额外的传输延迟。例如:如图4,表示由分布广泛的移动设备、七个基站和两个边缘服务器组成的小型MEC环境。移动设备通过无线接入网络将其可卸载的任务传输到基站。对于基站1和7,计算密集型任务将分别由边缘服务器1和2直接处理。对于基站2至基站6,可卸载的任务将迁移到最近的边缘服务器进行处理。
每个基站可以表示为
bj=(lj,λj),1≤j≤n,lj∈L,
其中lj表示移动基站bj的地理位置(包含经纬度),λj表示基站bj的任务到达率(即单位时间内由移动设备发送到基站bj的平均计算任务数量)。
每个边缘服务器可以表示为
其中代表边缘服务器si的总任务到达率,mi和fi分别表示需要为边缘服务器si配置的处理器个数和相应处理速度(单位为BIPS,即每秒十亿次指令);mi和fi为所求值,不是给定参数。另外,根据定义的映射函数h,边缘服务器的部署位置与移动基站部署位置lh(i)相同,即具有相同的经纬度,有:
其中,λh(i)代表边缘服务器si所在移动基站的任务到达率(该基站接收的计算卸载任务);λv代表地理位置lv所在移动基站的任务到达率,代表最接近si但没有部署边缘服务器的移动基站转发给边缘服务器si的计算任务到达率(该基站接收的来自于其他基站迁移的计算任务);ne(i)表示离边缘服务器si位置最近但没有部署边缘服务器的基站位置集合。该集合本质是移动基站部署位置集的子集。可以通过一个数学约束理解该集合的计算过程,即对于ne(i)中的每个元素lv,有
表明地理位置lv为没有部署边缘服务器的移动基站位置集中的元素;表明针对任何一个边缘服务器部署位置(w可以是任意值,因为有符号),位置lv与位置的球面距离都比位置lv与的球面距离小。以上两个数学公式只是为了表述这句话:“ne(i)表示离边缘服务器si位置最近但没有部署边缘服务器的基站位置集合”,因为它里面的每个元素都有上面两个特性。
由于边缘服务器的计算资源有限,是小型计算资源集群,使用mmax和fmax分别表示为边缘服务器配置的处理器的最大数量和最大速度。然后,有mi≤mmax和fi≤fmax,对于所有1≤i≤k,该约束称为边缘服务器最大配置资源约束。
使用uj∈{0,1}来表示是否将一个边缘服务器放置在移动基站bj附近(即位置lj),并且uj=1表示一个边缘服务器将部署在bj,否则uj=0。然后有
由此可知,向量(u1,u2,...,un)实际上是ESs的选址方案,向量(m1,f1,m2,f2,...,mk,fk)实际上是ESs的计算资源配置方案。这两个向量为所求解。
关于步骤S3,
S31、MEC平台性能模型
为了保证MEC平台建立后有一定的服务质量保证,需要建立性能模型来分析环境中所有卸载任务的平均响应时间。通常,网络时延主要由传输时延、传播时延、执行时延和排队时延四部分组成。然而,与传输数据包所需的时间相比,传播延迟通常被认为可以忽略不计。因此,只关注由传输、执行和排队引起的延迟。
使用M/G/m排队模型来表征多个异构边缘服务器(因为边缘服务器会配置不同数量的处理器,不同边缘服务器上的处理器可能是不同的类型,因此执行速度不同),从而分析卸载任务的平均响应时间。边缘服务器si上所有任务的平均执行时间(包括传输、执行延迟)用以下公式计算:
其中为边缘服务器si上计算任务的执行要求,即si上计算任务需要执行的平均指令数,以十亿条指令为单位,即BI。为si上计算任务涉及的计算输入数据的平均大小,以百万位为单位,即Mb。fi表示需要为边缘服务器si配置处理器的处理速度,单位为BIPS,即每秒十亿次指令。为边缘服务器si覆盖范围内的移动设备和边缘服务器si所在基站之间的平均无线数据传输速率,以每秒百万比特为单位测量,即Mbps。为最接近si但没有部署边缘服务器的移动基站和si之间的平均有线数据传输速率。代表边缘服务器si的总任务到达率。代表最接近si但没有部署边缘服务器的移动基站转发给边缘服务器si的计算任务到达率。
其中,为边缘服务器si上计算任务的执行要求二阶矩,单位为BI2;为si上计算任务涉及的计算输入数据大小二阶矩,单位为Mb2;为边缘服务器si覆盖范围内的移动设备和边缘服务器si所在基站之间的无线数据传输速率二阶矩,单位为Mbps2;为最接近si但没有部署边缘服务器的移动基站和si之间的有线数据传输速率二阶矩,单位为Mbps2;fi 2表示需要为边缘服务器si配置处理器的处理速度的平方;
S32、移动网络运营商的运营成本模型
运营成本取决于两个主要因素,即场地租金和能源消耗成本。能耗成本主要是指为边缘服务器提供电力的成本,与边缘服务器上配置的处理器数量及其计算能耗成正比。
MEC平台的运营成本C用以下公式计算:
其中Cs代表总场地租金成本,Cp代表总能源消耗成本;κ表示MEC平台的经济生命周期(以年为单位),这是一个自定义参数,即所考虑的MEC平台经济寿命期;cj代表部署地点lj的年场地租金(单位为人民币/年);ξ和α是能耗相关技术常数,通常有ξ=1.5,α=3.0;P*表示单个处理器的基本功耗,包括静态和短路功耗,单位为瓦特,可自定义设置;Ce代表每瓦每秒的电价,根据应用场景的城市定价计算;υ=31536000是一个常数,表示一年的总秒数。n是移动基站数量,k是所求值之一即的边缘服务器战略部署数量。
关于步骤S4,
要解决的问题可以建模如下:给定n个移动基站b1,b2,...,bn,移动基站相关部署位置l1,l2,...,ln,各位置年场地租金c1,c2,...,cn,各移动基站任务到达率λ1,λ2,...,λn,数据传输相关参数包括计算任务相关参数包括能耗参数包括ξ,α,P*,Ce,经济生命周期κ,移动网络运营商期望的MEC平台所具备的计算任务响应时间找到最优边缘服务器配置方案(m1,f1,m2,f2,...,mk,fk)和边缘服务器战略放置方案(u1,u2,...,un),注意是ES的部署数量,使得MEC平台的运营成本最小化,即
并遵循以下约束
uj∈{0,1},(边缘服务器选址方案的数学化形式表现)
mi≤mmax,for all 1≤i≤k,(边缘服务器最大配置资源约束)
fi≤fmax,for all 1≤i≤k,(边缘服务器最大配置资源约束)
ρi<1,for all 1≤i≤k,(边缘服务器利用率约束)
关于步骤S5,
同时获得两个优化方案是极其困难和具有挑战性的。因此,尝试解耦这些依赖关系。根据之前的定义,边缘服务器资源配置方案不会影响总场地租金成本Cs,只会影响总能源消耗成本Cp。因此,设计了基于拉格朗日乘子法和遗传算法的方法求解以上问题,其具体流程如图5。
S51,根据建立的移动边缘计算环境模型和定义的性能模型、运营成本模型接收输入参数;
S52,根据编码方案和种群初始化方法建立边缘服务器选址方案初代种群;
其中编码方案为:
由于u1,u2,...,un,uj∈{0,1}表示边缘服务器的选址方案。因此,它可以自然地表示为染色体,例如,如果n=10,将在第1、第6和第7个BS的位置部署三个ES,则可以对染色体进行编码为1000011000。
种群初始化方法:
如果应用场景中有n个移动基站,显然选址方案解空间具有2n个不同的选址方案。然而,这些选址方案并不都是合理的。不合理情况有两种,如下所述。
边缘服务器的利用率超过其最大承受能力,即边缘服务器即使配置了最多的计算资源,其利用率仍然大于1(说明该位置为重度需求地区,只有一个边缘服务器无法满足需求),此时该选址方案不合理。数学表达如下:如果存在且有
最小任务平均响应时间不能满足给定的性能约束。对于某一选址方案,如果所有边缘服务器都配置了最大计算资源的情况下,MEC平台的平均任务相应时间(即最小任务平均响应时间)依然大于我们的性能约束,即则放置方案不合理。
因此我们需要判断初始边缘服务器选址方案的合理性,其具体流程如图6。
判断初始边缘服务器选址方案的合理性,具体如下:
S52-11,根据给定的选址方案,将剩余移动基站根据地理位置距离分配给最近的边缘服务器;
S52-12,计算各边缘服务器的总任务到达率;
S52-13,遍历所有边缘服务器,判断是否遍历完成;
当遍历完成后,为所有边缘服务器配置最大计算资源;判断此时MEC平台的计算任务平均响应时间是否大于设定的性能约束;如果是,确定该选址方案不合理;如果不是,确认该选址方案合理;
当遍历没完成,计算当前边缘服务器最大计算资源配置下的利用率;并判断是否大于1,如果不大于1,继续判断是否遍历完成;如果大于1,确定该选址方案不合理。
基于以上合理性验证算法提出了一种基于随机游走算法的种群初始化策略,以加速收敛并避免陷入局部最优解,令p表示种群大小,即选址方案种群中含有的边缘服务器选址方案数量。种群初始化方法流程如图7。
建立边缘服务器选址方案初代种群的步骤如下:
S52-21,初始化种群数量p与选址方案种群存储列表;
S52-22,判断初代种群是否产生完毕,即种群存储列表是否已满;
如是,则产生初始总群;
如否,则随机选择一个移动基站,新增为边缘服务器部署节点;判断当前选址方案是否合理,如否,继续随机选择一个移动基站,新增为边缘服务器部署节点;如是,将该选址方案进行编码,产生选址方案对应基因,存储到选址方案种群列表;继续判断初代种群是否产生完毕。
S53,判断是否到达最大迭代数;
如果是,获得整个迭代过程中的全局最优基因编码,即适应度函数值最小的选址方案;解码当前染色体获得对应的边缘服务器选址方案,将剩余移动基站根据地理位置距离分配给最接近的边缘服务器;计算各边缘服务器的总任务到达率;根据拉格朗日乘子法获得该选址方案下最优的边缘服务器计算资源配置方案;
如果不是,执行交叉和变异操作,将新的后代染色体添加到选址方案种群,遍历选址方案种群;判断是否遍历完毕,如果遍历完毕,基于选址方案种群的适应度函数值利用轮盘赌选择法根据种群规模产生新的选址方案种群,然后继续判断是否到达最大迭代次数;如果没有遍历完毕,解码当前染色体获得对应的边缘服务器选址方案,将剩余移动基站根据地理位置距离分配给最近的边缘服务器;计算各边缘服务器的总任务到达率;根据拉格朗日乘子法获得该选址方案下最优的边缘服务器计算资源配置方案,计算适应度函数值并保存。
进一步的,S53中,所述执行交叉和变异操作:
为了产生新的后代,将种群中的个体平均分成两组并进行交叉操作,即交换两组每行两条染色体的随机片段。由于每个后代都携带父母双方的基因,经过多次迭代,种群中的染色体可能会变得相似。为了保持遗传多样性,降低算法陷入局部最优解的风险,还需要进行变异操作,即根据变异因子(即变异位的个数)改变每条染色体中多个随机位的值。
进一步的,S53中,根据拉格朗日乘子法获得给定选址方案下最优的边缘服务器计算资源配置方案具体方法是:
给定一个边缘服务器选址方案,即任务到达率λ,边缘服务器的部署位置和部署数量k已经确定,相关参数包括ξ,α,P*,找到最优的边缘服务器配置方案m1,m2,...,mk,f1,f2,...,fk,使得MEC平台能耗成本最小化,即
使用拉格朗日乘子法来解决这个多变量优化问题。构造一个拉格朗日函数,即
其中φ是一个拉格朗日乘数。这时有2k个非线性方程,即
有1≤i≤k。直接求解这样复杂的非线性方程组是十分困难的,因此提出一种数值解方法,如下所述。
通过公式求导和化简,能得到
和
为书写方便,令:
Qi=Ni(3ρi-1+mi(1-ρi)2)+2ρi-1,
Gi、Ni、Mi、Qi没有实际物理含义。
(1)、(2)式为:
由于ρi<1且fi≤fmax,可以得到fi的下界是
因此,可以使用以下方法找到拉格朗日乘子φ的下界,即lbφ,具体流程如图8,(由于φ<0,因此拉格朗日乘子的上界定上界定义为0,即ubφ=0)。具体为:
初始化拉格朗日乘子的搜索界限,下界为一个极大的负数,上界为0;
遍历边缘服务器列表;
判断是否遍历完毕;如果是,选择其中最大值作为拉格朗日乘子的下界;如果否,为当前边缘服务器配置最大计算资源,计算此时拉格朗日乘子的值并存储,然后继续判断是否遍历完毕。
给定φ和mi的值,可以通过二分法寻找相应fi的值,使得且由于φ的值由mi和fi共同决定。如果mi的值不合适,fi的搜索可能会超出边界。因此,需要返回超出边界标识来帮助调整mi的值,流程如图9所示,具体步骤是:
接收参数,包括上级算法提供的拉格朗日乘子和边缘服务器处理器配置个数;
计算当前边缘服务器处理速度下界,并定义其上界为可配置的最大速度;
根据二分法在上下界中寻找边缘服务器处理速度使得公式成立;
判断是否搜索时超出边界;如果超出上界,提示超出上界;如果超出下界,提示超出下界;如果没有超出边界,返回满足公式的处理器速度;
由于函数和的变化趋势不同,求解的和可能不同。通过进一步观察,发现的值会随着mi的增加而逐渐减小。因此,根据上一步的算法,可以继续通过二分法在给定的拉格朗日乘子的情况下求解边缘服务器应配置的处理器个数与速度。流程如图10所示,具体步骤是:
接收参数,包括上级算法提供的拉格朗日乘子;
计算当前边缘服务器处理器个数下界,并定义其上界为可配置的最大个数;
根据处理器个数上下界获取中值;
根据中值设定边缘服务器处理器数量,并通过二分法寻找边缘服务器处理速度配置;
判断获得的处理器速度是否超出了边界;如果超出上界,以中值替换边缘服务器个数下界;如果超出下界,以中值替换边缘服务器个数上界;如果找到了合适的速度,判断找到的两个速度值是否有差异;如果差值大于0,以中值替换边缘服务器个数下界;如果差值小于0,以中值替换边缘服务器个数上界;如果无差异,以中值作为边缘服务器处理器配置个数,找到的速度为边缘服务器处理器配置速度,并返回结果。
由于φ的值决定了mi和fi的值,对于所有1≤i≤k,φ的值间接决定了方程组是否成立。发现所有卸载任务的平均响应时间会随着φ的增加而逐渐增加。因此,可以使用如图11的流程来求出φ的值以及mi和fi的值,对于所有1≤i≤k,使得公式和约束成立。但是,算法将服务器规模m1,m2,...,mk视为一系列连续值,但处理器数量只能是正整数。因此,需要进一步将服务器配置的处理器个数四舍五入到最接近的正整数。
求出φ的值以及mi和fi的值的具体步骤是:
根据跟定的边缘服务器选址方案和相应约束条件,获取拉格朗日乘子下界,并将拉格朗日乘子上界设为0;
根据拉格朗日乘子上下界获取中值,将拉格朗日乘子初始值设为中值;
遍历所有边缘服务器;判断是否遍历完成;
如果完成,判断当前MEC平台平均任务相应时间是否达到性能约束要求;如果接近给定性能要求,将服务器配置的处理器个数四舍五入到最接近的正整数,返回所有边缘服务器最优计算资源配置方案;如果没有达到要求,以中值替换拉格朗日乘子上界,继续根据拉格朗日乘子上下界获取中值,将拉格朗日乘子初始值设为中值;如果小于要求的平均相应时间,以中值替换拉格朗日乘子下界,继续根据拉格朗日乘子上下界获取中值,将拉格朗日乘子初始值设为中值;
如果没有完成,根据当前拉格朗日乘子,寻找当前边缘服务器应配置的处理器个数和速度,继续判断是否遍历完成所有边缘服务器。
进一步的,S53中,计算适应度函数值并保存具体为:
为了衡量不同染色体的质量,定义适应度函数为
其中M表示惩罚因子。交叉和变异操作后,新生成的放置方案可能不合理。对于放置方案,如果存在且使用方程(31a)来计算适应值,其中表示工作负载超过ES最大计算资源容量;如果使用方程(31b)来计算适应度值;如果布局方案合理,求出φ的值以及mi和fi的值得到边缘服务器最优配置方案,然后使用方程3c计算运营成本作为适应度值。
进一步的,S53中,基于选址方案种群的适应度函数值利用轮盘赌选择法根据种群规模产生新的选址方案种群的方法是:为了筛选出更好的个体并产生新的种群,首先将亲代染色体和后代染色体合并为一个种群,然后使用轮盘赌法根据它们的适应度值选择p染色体形成一个新种群。更新种群信息后,进入下一次迭代。
本发明基于移动基站历史流量数据、地理位置信息数据,结合凸优化方法和进化算法,同时求解边缘服务器的战略选址方案和最优计算资源配置方案,在最小化运营成本的同时,确保平台服务性能,控制运营成本与服务质量的平衡。
本发明面向MEC应用环境,研究边缘服务器的选址和资源配置问题,基于具体应用场景中边缘服务器潜在部署位置的相关计算需求特性,在任务平均响应时间满足设定基准的前提下,同时求解边缘服务器的战略部署个数、战略选址以及最优计算资源配置方案(各边缘服务器需配置的最优处理器个数及最优频率),优化移动网络运营商(MNO)的运营成本,为边缘服务器处理器硬件选型提供指导,有效提高成本效率。本技术方案能有效推动移动边缘计算的应用发展,为进一步构建经济/高效的移动边缘计算平台提供新思路、探索新途径。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (4)
1.面向MEC的服务器资源配置与选址联合优化决策方法,其特征在于,包括以下步骤:
S1,根据历史流量数据分析各移动基站计算需求特性;采集移动基站地理位置相关数据;根据历史流量数据分析各移动基站计算需求特性步骤包括:获取移动网络流量历史数据集,轮询移动基站列表,用泊松分布拟合单位时间内到达移动基站计算任务数量,判断是否轮询完毕,当轮询完毕,输出各基站任务到达率λj,当轮询没有完毕,继续轮询移动基站列表;采集移动基站地理位置相关数据步骤包括:采集所有移动基站的经纬度信息,采集所有移动基站周边的房屋价格信息,评估各移动基站周边的场地租用年费;
S2,构建移动边缘计算环境模型;具体步骤是,部署边缘服务器,为每个边缘服务器配置合适的计算资源:
使用函数h(i)=j表示将边缘服务器si部署在移动基站bj上,映射关系取决于边缘服务器的选址方案;bj覆盖范围内的移动设备将通过无线接入网络直接将计算密集型任务卸载到si;否则,基站bj需要通过城域网进一步将可卸载的任务转发到最近的边缘服务器,从而导致额外的传输延迟;
每个移动基站表示为:
bj=(lj,λj),1≤j≤n,lj∈L,
其中lj表示移动基站bj的地理位置,λj表示基站bj的任务到达率;
每个边缘服务器可以表示为
其中,代表边缘服务器si的总任务到达率,mi和fi分别表示需要为边缘服务器si配置的处理器个数和相应处理速度;根据定义的映射函数h,边缘服务器的部署位置与移动基站部署位置lh(i)相同,即具有相同的经纬度,有:
其中,λh(i)代表边缘服务器si所在移动基站的任务到达率;代表最接近si但没有部署边缘服务器的移动基站转发给边缘服务器si的计算任务到达率;λv代表地理位置lv所在移动基站的任务到达率,ne(i)表示离边缘服务器si位置最近但没有部署边缘服务器的基站位置集合,对于ne(i)中的每个元素lv,有:
使用mmax和fmax分别表示为边缘服务器配置的处理器的最大数量和最大速度,然后mi≤mmax和fi≤fmax;
使用uj∈{0,1}表示是否将一个边缘服务器放置在移动基站bj附近,即位置lj附近,并且uj=1表示一个边缘服务器将部署在bj,否则uj=0,然后有
其中,
其中,为边缘服务器si上计算任务的执行要求,为si上计算任务涉及的计算输入数据的平均大小,fi表示需要为边缘服务器si配置处理器的处理速度,为边缘服务器si覆盖范围内的移动设备和边缘服务器si所在基站之间的平均无线数据传输速率,为最接近si但没有部署边缘服务器的移动基站和si之间的平均有线数据传输速率,代表边缘服务器si的总任务到达率,代表最接近si但没有部署边缘服务器的移动基站转发给边缘服务器si的计算任务到达率;λv代表地理位置lv所在移动基站的任务到达率,ne(i)表示离边缘服务器si位置最近但没有部署边缘服务器的基站位置集合;
其中,为边缘服务器si上计算任务的执行要求二阶矩;为si上计算任务涉及的计算输入数据大小二阶矩;为边缘服务器si覆盖范围内的移动设备和边缘服务器si所在基站之间的无线数据传输速率二阶矩;为最接近si但没有部署边缘服务器的移动基站和si之间的有线数据传输速率二阶矩;fi 2表示需要为边缘服务器si配置处理器的处理速度的平方;
所述运营成本模型C为:
其中Cs代表总场地租金成本,Cp代表总能源消耗成本;κ表示MEC平台的经济生命周期;uj=1表示一个边缘服务器将部署在bj,否则uj=0;cj代表部署地点lj的年场地租金;ξ和α是能耗相关技术常数,ξ=1.5,α=3.0;P*表示单个处理器的基本功耗,包括静态和短路功耗;Ce代表每瓦每秒的电价;υ=31536000,表示一年的总秒数,n是移动基站数量,k是边缘服务器战略部署数量;
S4,以MEC平台性能、边缘服务器最大配置资源、边缘服务器利用率为约束条件,移动网络运营商的总运营成本为优化目标,建立多约束优化问题;
S5,根据拉格朗日乘子法和遗传算法求解优化问题,寻找边缘服务器的战略部署个数、战略选址以及最优计算资源配置方案;步骤S5具体步骤包括:
S51,根据建立的移动边缘计算环境模型和定义的性能模型、运营成本模型接收输入参数;
S52,根据编码方案和种群初始化方法建立边缘服务器选址方案初代种群;
S53,判断是否到达最大迭代数;
如果是,获得整个迭代过程中的全局最优基因编码,即适应度函数值最小的选址方案;解码当前染色体获得对应的边缘服务器选址方案,将剩余移动基站根据地理位置距离分配给最接近的边缘服务器;计算各边缘服务器的总任务到达率;根据拉格朗日乘子法获得该选址方案下最优的边缘服务器计算资源配置方案;
如果不是,执行交叉和变异操作,将新的后代染色体添加到选址方案种群,遍历选址方案种群;判断是否遍历完毕;如果遍历完毕,基于选址方案种群的适应度函数值利用轮盘赌选择法根据种群规模产生新的选址方案种群,然后继续判断是否到达最大迭代次数;如果没有遍历完毕,解码当前染色体获得对应的边缘服务器选址方案,将剩余移动基站根据地理位置距离分配给最近的边缘服务器;计算各边缘服务器的总任务到达率;根据拉格朗日乘子法获得该选址方案下最优的边缘服务器计算资源配置方案,计算适应度函数值并保存;
所述根据拉格朗日乘子法获得该选址方案下最优的边缘服务器计算资源配置方案具体为:
给定一个边缘服务器选址方案,找到最优的边缘服务器配置方案m1,m2,...,mk,f1,f2,...,fk,使得MEC平台能耗成本最小化,即:
构造一个拉格朗日函数,即
其中φ是一个拉格朗日乘数,这时有2k个非线性方程,即
有1≤i≤k,
通过公式求导和化简,能得到:
其中,
Qi=Ni(3ρi-1+mi(1-ρi)2)+2ρi-1;
由于ρi<1且fi≤fmax,可以得到fi的下界是
而fi的上限是ubfi=fmax;
使用以下方法找到拉格朗日乘子φ的下界,即lbφ,具体为:
初始化拉格朗日乘子的搜索界限,下界为一个极大的负数,上界为0;
遍历边缘服务器列表;
判断是否遍历完毕;如果是,选择其中最大值作为拉格朗日乘子的下界;如果否,为当前边缘服务器配置最大计算资源,计算此时拉格朗日乘子的值并存储,然后继续判断是否遍历完毕;
接收参数,包括拉格朗日乘子和边缘服务器处理器配置个数;
计算当前边缘服务器处理速度下界,并定义其上界为可配置的最大速度;
根据二分法在上下界中寻找边缘服务器处理速度使得公式成立;
判断是否搜索时超出边界;如果超出上界,提示超出上界;如果超出下界,提示超出下界;如果没有超出边界,返回满足公式的处理器速度;
接收参数,包括拉格朗日乘子;
计算当前边缘服务器处理器个数下界,并定义其上界为可配置的最大个数;
根据处理器个数上下界获取中值;
根据中值设定边缘服务器处理器数量,并通过二分法寻找边缘服务器处理速度配置;
判断获得的处理器速度是否超出了边界;如果超出上界,以中值替换边缘服务器个数下界;如果超出下界,以中值替换边缘服务器个数上界;如果找到了合适的速度,判断找到的两个速度值是否有差异;如果差值大于0,以中值替换边缘服务器个数下界;如果差值小于0,以中值替换边缘服务器个数上界;如果无差异,以中值作为边缘服务器处理器配置个数,找到的速度为边缘服务器处理器配置速度,并返回结果;
求φ的值以及mi和fi的值,具体步骤是:
根据跟定的边缘服务器选址方案和相应约束条件,获取拉格朗日乘子下界,并将拉格朗日乘子上界设为0;
根据拉格朗日乘子上下界获取中值,将拉格朗日乘子初始值设为中值;
遍历所有边缘服务器;判断是否遍历完成;
如果完成,判断当前MEC平台平均任务相应时间是否达到性能约束要求;如果接近给定性能要求,将服务器配置的处理器个数四舍五入到最接近的正整数,返回所有边缘服务器最优计算资源配置方案;如果没有达到要求,以中值替换拉格朗日乘子上界,继续根据拉格朗日乘子上下界获取中值,将拉格朗日乘子初始值设为中值;如果小于要求的平均相应时间,以中值替换拉格朗日乘子下界,继续根据拉格朗日乘子上下界获取中值,将拉格朗日乘子初始值设为中值;
如果没有完成,根据当前拉格朗日乘子,寻找当前边缘服务器应配置的处理器个数和速度,继续判断是否遍历完成所有边缘服务器;
所述计算适应度函数值并保存的步骤是:
定义适应度函数为:
2.根据权利要求1所述的面向MEC的服务器资源配置与选址联合优化决策方法,其特征在于,所述步骤S4包括,
给定n个移动基站b1,b2,...,bn,移动基站相关部署位置l1,l2,...,ln,各位置年场地租金c1,c2,...,cn,各移动基站任务到达率λ1,λ2,...,λn,数据传输相关参数1≤i≤k,计算任务相关参数1≤i≤k,能耗参数ξ,α,P*,Ce,经济生命周期κ,移动网络运营商期望的MEC平台所具备的计算任务响应时间找到最优边缘服务器配置方案(m1,f1,m2,f2,...,mk,fk)和边缘服务器战略放置方案(u1,u2,...,un),是边缘服务器的部署数量,使得MEC平台的运营成本最小化,即
并遵循以下约束
uj∈{0,1},
mi≤mmax,for all 1≤i≤k,
fi≤fmax,for all 1≤i≤k,
ρi<1,for all 1≤i≤k,
3.根据权利要求1所述的面向MEC的服务器资源配置与选址联合优化决策方法,其特征在于,所述建立边缘服务器选址方案初代种群的步骤如下:
S52-21,初始化种群数量p与选址方案种群存储列表;
S52-22,判断初代种群是否产生完毕,即种群存储列表是否已满;
如是,则产生初始总群;
如否,则随机选择一个移动基站,新增为边缘服务器部署节点;判断当前选址方案是否合理,如否,继续随机选择一个移动基站,新增为边缘服务器部署节点;如是,将该选址方案进行编码,产生选址方案对应基因,存储到选址方案种群列表;继续判断初代种群是否产生完毕。
4.根据权利要求1所述的面向MEC的服务器资源配置与选址联合优化决策方法,其特征在于,所述基于选址方案种群的适应度函数值利用轮盘赌选择法根据种群规模产生新的选址方案种群的方法是:首先将亲代染色体和后代染色体合并为一个种群,然后使用轮盘赌法根据它们的适应度值选择p染色体形成一个新种群,更新种群信息后,进入下一次迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426368.0A CN114126066B (zh) | 2021-11-27 | 2021-11-27 | 面向mec的服务器资源配置与选址联合优化决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426368.0A CN114126066B (zh) | 2021-11-27 | 2021-11-27 | 面向mec的服务器资源配置与选址联合优化决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114126066A CN114126066A (zh) | 2022-03-01 |
CN114126066B true CN114126066B (zh) | 2022-07-19 |
Family
ID=80370711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111426368.0A Active CN114126066B (zh) | 2021-11-27 | 2021-11-27 | 面向mec的服务器资源配置与选址联合优化决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114126066B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002212B (zh) * | 2022-04-12 | 2024-02-27 | 广州大学 | 基于交叉熵优化算法的联合缓存和卸载方法及系统 |
CN115134366B (zh) * | 2022-06-28 | 2024-03-15 | 山东海量信息技术研究院 | 一种移动边缘分发网络服务器放置方法及系统 |
DE102022118296A1 (de) * | 2022-07-21 | 2024-02-01 | Endress+Hauser Process Solutions Ag | Verfahren und System zum Bewerten von Installationspositionen für ein Netzwerkgerät |
CN115883568B (zh) * | 2023-02-22 | 2023-06-02 | 云南省交通规划设计研究院有限公司 | 一种隧道边缘计算节点部署方法和系统 |
CN116155728B (zh) * | 2023-04-23 | 2023-06-30 | 华东交通大学 | 超密集网络中计算卸载与资源优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347739A (zh) * | 2018-11-14 | 2019-02-15 | 电子科技大学 | 为多接入边缘计算提供资源配置和接入点选择策略的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111447619B (zh) * | 2020-03-12 | 2022-05-20 | 重庆邮电大学 | 一种移动边缘计算网络中联合任务卸载和资源分配方法 |
CN111813538B (zh) * | 2020-05-27 | 2024-03-29 | 西安交通大学 | 一种边缘计算资源分配方法 |
CN112105035B (zh) * | 2020-08-21 | 2022-08-19 | 深圳大学 | 移动边缘计算服务器的部署方法及装置 |
CN112202847B (zh) * | 2020-09-14 | 2022-03-22 | 重庆邮电大学 | 一种基于移动边缘计算的服务器资源配置方法 |
CN112364507B (zh) * | 2020-11-10 | 2022-11-18 | 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 |
CN113347267B (zh) * | 2021-06-22 | 2022-03-18 | 中南大学 | 一种移动边缘云计算网络中的mec服务器部署方法 |
-
2021
- 2021-11-27 CN CN202111426368.0A patent/CN114126066B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109347739A (zh) * | 2018-11-14 | 2019-02-15 | 电子科技大学 | 为多接入边缘计算提供资源配置和接入点选择策略的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114126066A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114126066B (zh) | 面向mec的服务器资源配置与选址联合优化决策方法 | |
Lu et al. | Optimization of lightweight task offloading strategy for mobile edge computing based on deep reinforcement learning | |
Zhou et al. | Resource sharing and task offloading in IoT fog computing: A contract-learning approach | |
Huang et al. | Result return aware offloading scheme in vehicular edge networks for IoT | |
CN112286677A (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
He et al. | Cost-efficient server configuration and placement for mobile edge computing | |
Ali et al. | Smart computational offloading for mobile edge computing in next-generation Internet of Things networks | |
Shao et al. | A learning based framework for MEC server planning with uncertain BSs demands | |
Lan et al. | Deep reinforcement learning for computation offloading and caching in fog-based vehicular networks | |
da Silva et al. | Resource optimizing federated learning for use with IoT: A systematic review | |
Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
Li et al. | Multi-edge collaborative offloading and energy threshold-based task migration in mobile edge computing environment | |
Fantacci et al. | A d2d-aided federated learning scheme with incentive mechanism in 6G networks | |
Yi et al. | A DRL-driven intelligent joint optimization strategy for computation offloading and resource allocation in ubiquitous edge IoT systems | |
Zhang et al. | Effective multi-controller management and adaptive service deployment strategy in multi-access edge computing environment | |
Tao et al. | Single-Cell Multiuser Computation Offloading in Dynamic Pricing-Aided Mobile Edge Computing | |
Asghari et al. | Server placement in mobile cloud computing: a comprehensive survey for edge computing, fog computing and cloudlet | |
Karimiafshar et al. | A request dispatching method for efficient use of renewable energy in fog computing environments | |
Lei et al. | A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment | |
Ren et al. | A demand-driven incremental deployment strategy for edge computing in IoT network | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Wu et al. | An efficient many-objective optimization algorithm for computation offloading in heterogeneous vehicular edge computing network | |
Zhang et al. | Cost-aware edge server placement | |
Zalat et al. | An Adaptive Offloading Mechanism for Mobile Cloud Computing: A Niching Genetic Algorithm Perspective | |
Li et al. | Energy–latency tradeoffs edge server selection and DQN-based resource allocation schemes in MEC |
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 |