CN114449530A - 一种基于多目标优化策略的边缘计算服务迁移方法 - Google Patents

Abstract

一种基于多目标优化策略的边缘计算服务迁移方法，在蜂窝网络中部署移动边缘计算服务所面临的一个挑战是支持用户的移动性，特别是移动速度较快时，使卸下的任务能够在不影响资源利用效率和链路可靠性的情况下，在基站之间进行无缝迁移。在服务迁移场景中，需要解决三个问题：当用户设备通过相邻边缘计算服务器时，是否需要迁移该用户设备对应的虚拟机；如果虚拟机决定迁移，它应该迁移到哪个边缘计算服务器；如何找到用户设备与对应虚拟机之间的最佳通信路径。考虑了虚拟化、虚拟机之间的I/O干扰以及多用户访问干扰等问题，提出一种基于松弛和舍入的新方法，最大限度的提高整体服务质量和最小化迁移成本。实验结果表明，本发明能够在真实场景中做出最优决策。

Description

一种基于多目标优化策略的边缘计算服务迁移方法

技术领域

本发明属于物联网领域，具体涉及一种基于多目标优化策略的边缘计算服务迁移方法。

背景技术

边缘计算可以被称作是一种很有前途的计算范式，因为其可以加速几乎所有主流移动应用程序(如面部识别等)。在实际应用当中，边缘计算一般是融合到物联网平台中出现。在边缘计算环境中，基站配有一定数量的计算资源，并且可以为在服务范围内的移动用户提供计算服务。当物联网设备中需要处理的数据量过大时，为了保证低延时性，可以将产生的大量数据转移到网络的“边缘”进行计算处理。边缘计算范式不是远程中心云处理数据，而是充分利用局部性，使数据存储和计算能力更靠近最需要它的设备或数据源。如果将边缘计算和5G技术集成，很多应用程序会展现出前所未有的低时延和高访问速度。在物联网中通过这种范式，对于延迟敏感或者等待时间较长的任务，边缘应用程序在执行任务时会有明显的改善，使得一些在传统云平台上表现性能较弱的应用(如在线游戏等)变的可行。

在边缘计算环境中，除了云数据中心之外，边缘服务器还部署在靠近用户和物联网设备的网络边缘。边缘服务器以分布式方式处理物联网设备生成的数据，然后与云数据中心协同工作，以根据需要进一步处理数据。通常，边缘服务器中的数据处理由对应于需要服务的虚拟机执行。通过处理边缘服务器中的数据，可以分配网络链路上的负载，从而避免网络拥塞并减少网络延迟(即路由器中的排队延迟)。此外，可以减少云数据中心的负载，从而导致低处理延迟。在设计边缘计算系统时，应考虑服务器放置、虚拟机分配、流量路由等多重问题，以便有效地利用边缘计算环境。

最近引入了移动边缘计算来提高物联网系统的服务质量。MEC通过提供一种高可伸缩性、可靠性和减少与远程云服务的延迟的计算平台，可以比传统云服务更熟练的处理任务的实时执行。该技术将计算资源部署到更靠近用户设备的地方，可以在紧邻用户设备的无线接入网内提供计算及存储服务，中心云的部分应用程序和服务就可以在MEC服务器中完成，这不仅大大缩短了系统的服务时延，而且会减轻回程线路的负担，从某种程度上说，也可以提高物联网系统的安全性。

移动边缘计算平台虽然在通信时延方面比云计算平台有明显的缩短，但其边缘服务器的计算能力、可用带宽等资源较后者有点差距。因为有限资源的约束，一方面以用户的角度评判，当有很多用户请求分配的时候，近距离的边缘服务器无法为所有用户提供服务，很多任务会在服务器中排队，将会降低服务质量(Quality of Service,QoS)；另一方面以边缘服务器的角度评判，没有优越的资源分配策略(如用户请求到的资源过多或过少、部分服务器长时间闲置)会浪费大量边缘计算平台的能量。这可以通过将任务密集型执行传递给最近的可用服务器或一些远程服务器来完成，以便调节系统中的负载平衡。因而为了保证服务的连续性，需要为边缘计算平台提出一种合理的、自适应性的调节机制来间歇性地监控MEC上服务器爆发的情况，并在超过某个阈值之前进行可行的调整，优化资源分配，提高服务器的资源利用率。

发明内容

本发明重点研究了基于虚拟化的多用户多单元MEC系统的最优JRAM问题。多目标优化问题的目标是通过控制迁移/切换决策，最大限度地提高所有用户的加权总QoS，同时最大限度地降低迁移成本。该问题包括I/O干扰和多用户干扰。这项工作的主要贡献在于开发了一种实用的算法来设计最优的JRAM策略。该问题是一个整数非线性非凸规划问题。为了克服这一困难，本发明提出了两阶段的组合解决方法。首先，放宽了迁移决策的二进制约束，允许应用分数阶编程来解决放宽的问题。其次，基于难题的性质，提出了一种新的四舍五入方法来恢复二元决策解，在实验中，其性能表现良好。

本发明的基于多目标优化策略的边缘计算服务迁移方法，主要包括如下关键步骤：

第1、系统模型的构建：

第1.1、边缘计算服务迁移模型；

第1.2、服务迁移通信模型；

第1.3、服务迁移计算模型；

第2、基于多目标优化策略的服务迁移方法：

第2.1、服务迁移问题制定；

第2.2、服务迁移问题转型及求解。

进一步的，步骤第1.1中建立了边缘计算服务迁移模型，该模型探索的是一种多用户多小区，且具有MEC系统架构的实际场景，在移动边缘计算(Mobile Edge Computing，MEC)系统中，有M＝{1,2,3...,m}个用户设备，N＝{1,2,3...,n}个基站(Base Stations,BSs)，当用户设备在同一波段卸载数据时，用r_m＝1表示频率重用因子，每个基站(BaseStation,BS)都配置了一个服务器，当BS对应的虚拟机(Virtual Machine，VM)中有用户任务时，那么这个服务器就可以为这些用户提供计算服务，假设每个VM仅仅给一个用户提供计算服务，因此每个用户在同一时间片仅拥有一个提供服务的VM。

步骤第1.2中的服务迁移通信模型如下，用g_m,n表示用户m和基站n之间的信道增益，用户m的传输功率表示为t_m，基站n的噪声功率表示为

为了让该模型表现的更加直观，假设用户的传输功率是确定的，因此，当用户m将任务卸载到基站n时的上行传输速率u_m,n为：

由于系统中的发射功率是统一的，所以通过公式(1)可以确定每个用户的传输速率

步骤第1.3中服务迁移计算模型如下，基站中放置的MEC服务器将用户卸载的任务分配到VMs中，以并行的方式执行这些任务，也称之为并行计算，在系统的并行计算中考虑到了I/O干扰的问题，用e_m,n表示用户m在基站n中的VM中独立运行的预期计算速率(bits/s)，此外，考虑到了一个VM与另一个VM多路复用时计算速率变化的问题，用f_n＞0表示为基站n的性能退化因子，用二进制变量x_m,n＝1表示用户m已经迁移到基站n，否则x_m,n＝0，假设每个用户设备只能与一个BS产生通信连接，因此∑_n∈Nx_m,n＝1,

因为本系统中的用户数和BSs中托管的VM的数量是一对一的关系，所以根据与基站连接的用户数量∑_n∈Nx_m,n，可以得出运行用户m中任务的实际计算速率：

上述公式指明了当基站n的用户数量变少时，每个用户的计算速率会提升，否则反之，当基站接受较多的用户时，可以增加基站n并行计算的多路复用增益，但由于I/O干扰而降低每个用户的计算速率。

在本发明中，用卸载速率来衡量本系统的性能，把卸载速率定义为单位时隙用户卸载的比特(bits)，根据公式(1)和(2)，可以得出卸载速率为：

公式(3)中分母分别表示传输速率和计算速率的倒数，表示传输1bit数据需要的时间。

进一步的，步骤第2.1中服务迁移问题制定，在本发明中，主要以控制JRAM(JointResource Allocation and Migration)决策来优化计算资源和无线电资源为目标，使得系统的总加权卸载率最大化，同时降低JRAM的总成本，把最优策略S表述为：

其中X＝{x_m,n}，ω_m＞0表示分配给用户m的卸载率权重，ω_s＞0表示总费率和成本的权重，把用户m的服务从当前BS切换到目标BS时产生的能量消耗表示为c_m,n，其中c_m,n＝0表示JRAM进程没有运行，约束C1规定每个用户同一时刻只能连接一个BS，策略S是一个多目标函数，本发明把JRAM描述为求总效用；

因为二进制变量X的存在，所以策略S可以归到整数非线性规划问题，这类问题很难求的精确的值，因此，本发明设计了一种低复杂度的次优算法。

步骤第2.2所述服务迁移问题转型及求解的描述如下，使用一个新的变量y_n(表示基站n可以容纳的VM数量)替换∑_n∈Nx_m,n，其次，为了使得S更容易求解，把二进制变量X的范围扩展到[0,1]，因此，松弛问题S可以重新表示为：

其中I_m,n＝I-λc_m,n是与成本相关的聚合项，I是一个足够大的常数，可以使得每个I_m,n不是复数，一般来说，把I的值设置为远大于MAX{λc_m,n}，通过引用常量I，可以使得目标函数的每一项都是非负的，方便后续算法的实现，值得注意的是，O_m,n会随着y_n的增加而单调减少，因此为了寻求最优解，y_n总是能到达∑_n∈Nx_m,n的下界，即满足约束C2；

S1是一个以SOR为目的的连续优化问题，可通过如下进一步转化为等价的参数化减法问题，

假设

是S1的最优解，那么存在

使得下述难题在(α,β,γ)＝(α^*,β^*,γ^*)时的一个解为

当(α,β,γ)＝(α^*,β^*,γ^*)时，

还需要满足以下约束：

γ_m,n-x_m,nI_m,n＝0(9)

以上转化彰显了当(α,β,γ)＝(α^*,β^*,γ^*)时，难题S1和难题S2被认为是有相同的最优解，其中(α^*,β^*,γ^*)表示首先符合

三个等式的参数，并且是难题S2的解

对应的最优参数组，根据以上转化，可以通过嵌套迭代的方法来求解难题S1：在最里层，使用给定的(α,β,γ)求解难题S2；然后在外层找到满足

三个等式的最优的(α^*,β^*,γ^*)。

本发明的优点和积极效果：

本发明主要设计了一种基于多目标优化策略的边缘计算服务迁移方法，在该方法中，主要研究了考虑I/O干扰的多用户多服务器MEC系统的JRAM优化问题。本发明提出了一种有效的松弛和舍入算法来解决组合问题，达到了接近最优的性能。通过真实场景的仿真实验，得到了以下对实际多用户多服务器MEC设计有用的启示：当用户数量较小时，通信方面主导系统性能；当用户数量较大时，由于I/O干扰，计算是关键因素。

附图说明

图1是场景1案例图；

图2是场景2案例图；

图3是系统模型示例图；

图4是服务规模与平均成本的比较图；

图5是服务规模与平均延迟的比较图；

图6是平均最后期限保证率的比较图；

图7是用户规模和平均延迟的对比图；

图8是用户规模和跟踪精度的对比图；

图9是不同负载下总完成时间比对图；

图10是不同负载下平均成本时间比对图；

图11是不同负载下平均能耗比对图；

图12是不同移速平均服务延迟比较图；

图13是平均最后期限保证率的比较图；

图14是不同BS数量平均能耗比较图；

图15是不同用户数量平均能耗比较图；

图16是不同用户数量平均服务延迟比较图；

图17是本发明基于多目标优化策略的边缘计算服务迁移方法的流程图。

具体实施方式

实施例1：

为了验证本发明提出的算法的性能优劣，本实施例设计了两种实验场景，使用Matlab进行了大量实验。

场景1采用的是拥有多个小区的仿真场景，在面积为1km²的正方形区域内部署了N＝7个基站，使用的是泊松分布布局，如图1所示，在边长100m的区域内，圆形区域表示该BS信号覆盖最优范围。在初始时刻，所有的用户被随机分配在该区域内，他们与基站的关联依据传统的最大信干比进行初始化。本发明采用随机航点移动性模型在每个时间片为每个新用户择取位置，而且其速度在[0,5]m/s中随机初始化。同时本发明考虑了系统能量消耗，主要考虑用户m的本地消耗能量和服务迁到基站n的能量消耗，初始能量为

服务迁移的能量取决于用户的服务而且从集合{2,4,6}×10⁵中选取。

场景2选取的是用arcGIS处理过的博洛尼亚收集到的真实车辆轨迹，并从OpenstreetMap上下载路线图。在数据中随机选取了3000辆车辆作为移动用户。轨迹的采样频率为1Hz。将原始地图按比例缩小为77个BSs服务的区域。在新地图(图2)上，每个用户的速度约为1.4m/s，与人类的行走速度相当接近。

参见附图17，本实施例基于多目标优化策略的边缘计算服务迁移方法，主要包括如下关键步骤：

第1、系统模型的构建：

第1.1、边缘计算服务迁移模型；

第1.2、服务迁移通信模型；

第1.3、服务迁移计算模型；

第2、基于多目标优化策略的服务迁移方法：

第2.1、服务迁移问题制定；

第2.2、服务迁移问题转型及求解。

本发明步骤第1.1中建立了边缘计算服务迁移模型，该模型探索的是一种多用户多小区，且具有MEC系统架构的实际场景。如图3所示。在MEC系统中，有M＝{1,2,3...,m}个用户设备，N＝{1,2,3...,n}个基站。当用户设备在同一波段卸载数据时，用r_m＝1表示频率重用因子。每个基站都配置了一个服务器，当BS对应的虚拟机中有用户任务时，那么这个服务器就可以为这些用户提供计算服务。假设每个VM仅仅给一个用户提供计算服务，因此每个用户在同一时间片仅拥有一个提供服务的VM。

步骤第1.2中的服务迁移通信模型如下，用g_m,n表示用户m和基站n之间的信道增益，用户m的传输功率表示为t_m，基站n的噪声功率表示为

为了让该模型表现的更加直观，假设用户的传输功率是确定的。因此，当用户m将任务卸载到基站n时的上行传输速率u_m,n为：

由于系统中的发射功率是统一的，所以通过公式(1)可以确定每个用户的传输速率。

步骤第1.3中服务迁移计算模型如下，基站中放置的MEC服务器将用户卸载的任务分配到VMs中，以并行的方式执行这些任务，也称之为并行计算。在系统的并行计算中考虑到了I/O干扰的问题，用e_m,n表示用户m在基站n中的VM中独立运行的预期计算速率(bits/s)。此外，考虑到了一个VM与另一个VM多路复用时计算速率变化的问题，用f_n＞0表示为基站n的性能退化因子，用二进制变量x_m,n＝1表示用户m已经迁移到基站n，否则x_m,n＝0。假设每个用户设备只能与一个BS产生通信连接，因此∑_n∈Nx_m,n＝1,

因为本系统中的用户数和BSs中托管的VM的数量是一对一的关系，所以根据与基站连接的用户数量∑_n∈Nx_m,n，可以得出运行用户m中任务的实际计算速率：

上述公式指明了当基站n的用户数量变少时，每个用户的计算速率会提升，否则反之。当基站接受较多的用户时，可以增加基站n并行计算的多路复用增益，但由于I/O干扰而降低每个用户的计算速率。

在本发明中，用卸载速率来衡量本系统的性能，把卸载速率定义为单位时隙用户卸载的比特(bits)，根据公式(1)和(2)，可以得出卸载速率为：

公式(3)中分母分别表示传输速率和计算速率的倒数，表示传输1bit数据需要的时间。

进一步的，步骤第2.1中服务迁移问题制定，在本发明中，主要以控制JRAM决策来优化计算资源和无线电资源为目标，使得系统的总加权卸载率最大化，同时降低JRAM的总成本。把最优策略S表述为：

其中X＝{x_m,n}，ω_m＞0表示分配给用户m的卸载率权重，ω_s＞0表示总费率和成本的权重，把用户m的服务从当前BS切换到目标BS时产生的能量消耗表示为c_m,n。其中c_m,n＝0表示JRAM进程没有运行。约束C1规定每个用户同一时刻只能连接一个BS。策略S是一个多目标函数，本发明把JRAM描述为求总效用。

因为二进制变量X的存在，所以策略S可以归到整数非线性规划问题，这类问题很难求的精确的值。因此，本发明设计了一种低复杂度的次优算法。

步骤第2.2所述服务迁移问题转型及求解的描述如下，使用一个新的变量y_n(表示基站n可以容纳的VM数量)替换∑_n∈Nx_m,n。其次，为了使得S更容易求解，把二进制变量X的范围扩展到[0,1]。因此，松弛问题S可以重新表示为：

其中I_m,n＝I-λc_m,n是与成本相关的聚合项，I是一个足够大的常数，可以使得每个I_m,n不是复数，一般来说，把I的值设置为远大于MAX{λc_m,n}。通过引用常量I，可以使得目标函数的每一项都是非负的，方便后续算法的实现。值得注意的是，O_m,n会随着y_n的增加而单调减少，因此为了寻求最优解，y_n总是能到达∑_n∈Nx_m,n的下界，即满足约束C2。

S1是一个以SOR为目的的连续优化问题，可通过如下进一步转化为等价的参数化减法问题。

假设(X^*,yn^*)是S1的最优解，那么存在

使得下述难题在(α,β,γ)＝(α^*,β^*,γ^*)时的一个解为

当(α,β,γ)＝(α^*,β^*,γ^*)时，

还需要满足以下约束：

γ_m,n-x_m,nI_m,n＝0 (9)

以上转化彰显了当(α,β,γ)＝(α^*,β^*,γ^*)时，难题S1和难题S2被认为是有相同的最优解。其中(α^*,β^*,γ^*)表示首先符合

三个等式的参数，并且是难题S2的解

对应的最优参数组。根据以上转化，可以通过嵌套迭代的方法来求解难题S1：在最里层，使用给定的(α,β,γ)求解难题S2；然后在外层找到满足

三个等式的最优的(α^*,β^*,γ^*)。

本实施例的参数设定和基准方法如表1所示。

表1场景1实验参数

本发明主要和以下四种基准方法进行性能比较：

LM算法(Lazy Migrate)：当连接基站和服务基站之间的距离超过设定的阈值时，才会激活服务迁移。该方法的目标是最小化迁移的数量。MA算法(MDP Algorithm)：该算法以最小化迁移和通信的总代价为目标，仅根据用户当前时隙的迁移信息进行迁移决定。GA算法(Greedy Algorithm)：迁移决定分为俩个步骤，分别是目标服务器的选择和中继基站的选择。首先，选择负载最低的服务器作为目标服务器。如果目标服务器所在的基站可以直接与用户通信，则不需要中继。否则，选择与用户直接相连的最近的基站作为中继。DP算法(Dynamic Programming)：将服务通过动态规划方法迁移到适当的边缘服务器，以最大限度地降低迁移成本和传输延迟。

本实例的仿真实验结果如下：

(1)实验场景1

首先实验中分别比较了MEC系统中总成本和服务大小以及平均延迟与服务大小之间的关系。在这里，需要指出平均延迟的计算，在后续中提到的延迟的计算均与之相同。将这五个算法运行五次，然后计算所有生成请求的平均访问延迟，访问延迟定义为用户请求生成时间与请求到达所需VM的时间之间的间隔。在图4中，可以直观地发现，五种方法的迁移总成本均会随着服务规模的增加而增加。其中，因为本算法的模型设计在尽可能降低迁移成本的同时，也考虑到了I/O干扰以及多用户干扰，因此在本次实验的初期，本算法实现的迁移成本略高于MDP算法的成本。当服务规模继续增加时，本算法的总成本明显低于其他算法的成本。在图5中，结果表明，随着服务规模的增加，延迟均将变得越来越糟糕。本算法的模型用数学规划并且分两步进行过程的处理，当服务规模增加时，表现出的性能越好。图6显示了五种方法的平均最后期限保证率，即在最后期限之前从边缘服务器接收到响应的请求的百分比。由于传输路径长，LM具有最低的平均最后期限保证率。

其次，评估了提出的算法和其他基准算法在低人员密度和高人员密度时的延迟与跟踪精度。从图7中可以注意到，当人员密集的时候，由于整个系统中的链路和节点资源也会有所增长，几种算法的传输延迟均会随之增加。与其算法相比，提出的算法可以将不同规模网络中的平均延迟都有所降低。在图8中，将服务位置视为用户的位置，把跟踪精度释义为获得用户正确位置的概率。在实际场景中，可以通过服务迁移的轨迹来推断用户的移动轨迹。可以看出，LM算法的跟踪精度最低，本算法的跟踪精度较高且相对稳定。

最后，将提出的算法在不同的负载条件下进行仿真实验：重载、正常、轻载。与其他四种基准算法分别比较了迁移策略的性能。下图分别展示了不同策略下的任务完成时间、系统成本、系统能耗。仿真实验中的任务使用计算密集型。通过图9、10、11的结果可以发现，对于传输密集型任务，无论采用何种迁移策略，迁移都是有益的。此外，本发明提出的算法考虑了I/O干扰，本策略更有效。对于计算密集型任务，计算能力是决定性的。因此，与服务器过载相比，任务在服务器的正常范围内更好。

(2)实验场景2

首先以轨迹的速度为标准(用户的平均速度为1.4m/s)，同时对用户的速度进行缩放，以表示不同级别的用户移动性。当用户数量为3000时，五种不同用户移动性方法的平均服务延迟如图12所示。可以发现用户的平均速度对LM的影响很小，因为是一种尽可能不执行操作的方法。其他四个算法均随着用户平均速度的增加，平均服务延迟也增加。这是因为用户移动性高而引发的频繁服务迁移加剧了用户之间的干扰。当用户数量为3000，且用户的平均速度为1.4m/s时，五种方法的平均最后期限保证率如图13所示。本发明提出的方法的保证率在复杂环境中，保证率明显优于其他方法。

其次比较了BS数量对平均能耗的影响，五种方法在3000个用户时的平均能耗如图14所示，其中BS数量从42到77不等。结果表明，在五种方法下，平均能耗随BS数量的增加而降低。这是因为BSs越多，资源越多，用户之间的干扰就越弱。其中DP和MA方法较其他三种方法的平均能耗曲线衰减更快。这是因为DP和MA方法对用户间的干扰更加敏感。

最后，比较了五种方法的平均每用户的平均能耗和平均服务延迟，如图15、16所示。在图15中，用户数量从500到3000不等。可以看出，在四种方法中，LM方法的每用户平均能量最高，这是因为服务极小可能随着用户的移动而迁移，因此会消耗更多的传输能量。随着用户数量的增加，DP、MA和提出的方法的每用户平均能耗首先降低，因为迁移能耗由多个用户共享。但是，当用户数量超过一定数量后，由于用户干扰会消耗额外的迁移能量，每个用户的平均能耗会增加。在图16中，随着用户数量的增加，所有方法的每个用户的平均服务延迟都会增加。由于服务不迁移，用户不断移动，因此请求路由带来的额外服务延迟将导致LM中最高的服务延迟。GA的平均服务延迟是第二高的，因为它较多关注局部平均能耗。当用户数量超过1700左右时，提出的方法的平均服务延迟最低，因为它较多的考虑到了用户之间的干扰。结果表明，提出的方法更适用于多用户密集网络。

Claims (6)

1.一种基于多目标优化策略的边缘计算服务迁移方法，其特征在于该方法主要包括如下步骤：

第1、系统模型的构建：

第1.1、边缘计算服务迁移模型；

第1.2、服务迁移通信模型；

第1.3、服务迁移计算模型；

第2、基于多目标优化策略的服务迁移方法：

第2.1、服务迁移问题制定；

第2.2、服务迁移问题转型及求解。

2.如权利要求1所述的基于多目标优化策略的边缘计算服务迁移方法，其特征在于，步骤第1.1中建立了边缘计算服务迁移模型，该模型探索的是一种多用户多小区，且具有移动边缘计算(Mobile Edge Computing，MEC)系统架构的实际场景，在MEC系统中，有M＝{1,2,3...,m}个用户设备，N＝{1,2,3...,n}个基站(Base Stations,BSs)，当用户设备在同一波段卸载数据时，用r_m＝1表示频率重用因子，每个基站(Base Station,BS)都配置了一个服务器，当BS对应的虚拟机(Virtual Machine，VM)中有用户任务时，那么这个服务器就可以为这些用户提供计算服务，假设每个VM仅仅给一个用户提供计算服务，因此每个用户在同一时间片仅拥有一个提供服务的VM。

3.如权利要求1所述的基于多目标优化策略的边缘计算服务迁移方法，其特征在于，步骤第1.2中的服务迁移通信模型如下，用g_m,n表示用户m和基站n之间的信道增益，用户m的传输功率表示为t_m，基站n的噪声功率表示为

为了让该模型表现的更加直观，假设用户的传输功率是确定的，因此，当用户m将任务卸载到基站n时的上行传输速率u_m,n为：

由于系统中的发射功率是统一的，所以通过公式(1)可以确定每个用户的传输速率。

4.如权利要求1所述的基于多目标优化策略的边缘计算服务迁移方法，其特征在于，步骤第1.3中服务迁移计算模型如下，基站中放置的MEC服务器将用户卸载的任务分配到VMs中，以并行的方式执行这些任务，也称之为并行计算，在系统的并行计算中考虑到了I/O干扰的问题，用e_m,n表示用户m在基站n中的VM中独立运行的预期计算速率(bits/s)，此外，考虑到了一个VM与另一个VM多路复用时计算速率变化的问题，用f_n＞0表示为基站n的性能退化因子，用二进制变量x_m,n＝1表示用户m已经迁移到基站n，否则x_m,n＝0，假设每个用户设备只能与一个BS产生通信连接，因此

因为本系统中的用户数和BSs中托管的VM的数量是一对一的关系，所以根据与基站连接的用户数量∑_n∈Nx_m,n，可以得出运行用户m中任务的实际计算速率：

上述公式指明了当基站n的用户数量变少时，每个用户的计算速率会提升，否则反之，当基站接受较多的用户时，可以增加基站n并行计算的多路复用增益，但由于I/O干扰而降低每个用户的计算速率；

用卸载速率来衡量本系统的性能，把卸载速率定义为单位时隙用户卸载的比特(bits)，根据公式(1)和(2)，可以得出卸载速率为：

公式(3)中分母分别表示传输速率和计算速率的倒数，表示传输1bit数据需要的时间。

5.如权利要求1所述的基于多目标优化策略的边缘计算服务迁移方法，其特征在于，步骤第2.1中的服务迁移问题制定，以控制JRAM(Joint Resource AllocationandMigration)决策来优化计算资源和无线电资源为目标，使得系统的总加权卸载率最大化，同时降低JRAM的总成本，把最优策略S表述为：

其中X＝{x_m,n}，ω_m＞0表示分配给用户m的卸载率权重，ω_s＞0表示总费率和成本的权重，把用户m的服务从当前BS切换到目标BS时产生的能量消耗表示为c_m,n，其中c_m,n＝0表示JRAM进程没有运行，假设每个用户设备只能与一个BS产生通信连接，因此

约束C1规定每个用户同一时刻只能连接一个BS，策略S是一个多目标函数，本发明把JRAM描述为求总效用；

因为二进制变量X的存在，所以策略S可以归到整数非线性规划问题，这类问题很难求的精确的值，因此，本发明设计了一种低复杂度的次优算法。

6.如权利要求1所述的基于多目标优化策略的边缘计算服务迁移方法，其特征在于，步骤第2.2所述服务迁移问题转型及求解的描述如下，使用一个新的变量y_n(表示基站n可以容纳的VM数量)替换∑_n∈Nx_m,n，其次，为了使得S更容易求解，把二进制变量X的范围扩展到[0,1]，因此，松弛问题S可以重新表示为：

其中I_m,n＝I-λc_m,n是与成本相关的聚合项，I是一个足够大的常数，可以使得每个I_m,n不是复数，一般来说，把I的值设置为远大于MAX{λc_m,n}，通过引用常量I，可以使得目标函数的每一项都是非负的，方便后续算法的实现，值得注意的是，O_m,n会随着y_n的增加而单调减少，因此为了寻求最优解，y_n总是能到达∑_n∈Nx_m,n的下界，即满足约束C2；

S1是一个以SOR(Sum Of Ratios)为目的的连续优化问题，可通过如下进一步转化为等价的参数化减法问题，

假设

是S1的最优解，那么存在

使得下述难题在(α,β,γ)＝(α^*,β^*,γ^*)时的一个解为

当(α,β,γ)＝(α^*,β^*,γ^*)时，

还需要满足以下约束：

γ_m,n-x_m,nI_m,n＝0 (9)

以上转化彰显了当(α,β,γ)＝(α^*,β^*,γ^*)时，难题S1和难题S2被认为是有相同的最优解，其中(α^*,β^*,γ^*)表示首先符合

三个等式的参数，并且是难题S2的解

对应的最优参数组，根据以上转化，可以通过嵌套迭代的方法来求解难题S1：在最里层，使用给定的(α,β,γ)求解难题S2；然后在外层找到满足

三个等式的最优的(α^*,β^*,γ^*)。

Images