CN114500560B - 一种最小化网络时延的边缘节点服务部署与负载均衡方法 - Google Patents

Abstract

一种最小化网络时延的边缘节点服务部署与负载均衡方法，包括以下步骤：根据边缘设备和边缘节点的位置，把边缘系统分成N个簇；根据边缘节点的任务负载情况，确定总时延表达式和限制条件表达式，建立最小化网络时延问题数学模型；采用一种启发式与蚁群算法相结合的算法求解问题，得到服务部署方案、计算任务卸载方案，以及计算资源分配方案；将服务部署方案、计算卸载方案以及计算资源分配方案应用到边缘节点上。本发明适用于多任务类型的移动边缘计算系统中多边缘节点协作服务的场景，可以根据边缘服务器的计算任务负载情况，通过合理部署服务，调度边缘节点中的计算任务，以及分配相应的计算资源，可有效减少边缘计算系统的任务响应时延。

Description

一种最小化网络时延的边缘节点服务部署与负载均衡方法

技术领域

本发明属于5G网络边缘计算卸载技术领域，尤其涉及一种最小化网络时延的边缘节点服务部署与负载均衡方法。

背景技术

移动边缘计算是解决服务型任务(即完成任务需要在系统中部署相应的服务)时延问题的新型计算范式之一。移动边缘计算通过将云计算的功能下沉到网络的边缘，解决了长距离传输问题，并且有效地减少了计算任务的响应时延和核心网络的流量。但是，与传统的中心云不同，边缘云中存储资源的限制使得在边缘节点中只能部署部分服务，并且边缘节点中计算资源的约束使得边缘节点只能处理一定数量的计算任务。因此，如何在边缘节点中部署服务，平衡边缘节点的负载，降低响应时延，提高整个边缘网络的服务效益是一个非常重要的研究问题。

发明内容

为了最小化服务型任务的响应时延，本发明将软件定义网络和边缘计算相结合，设计了在移动边缘计算环境中边缘节点间协作服务部署和计算卸载模型。首先，在边缘节点中部署服务，使得服务型任务可以卸载到边缘云中；其次，调度边缘节点中过载节点的计算任务，通过一跳的方式卸载到其他资源空闲的边缘节点；最终，在边缘节点资源约束条件下，最小化整个网络系统的任务响应时延。

为了实现上述过程，本发明提供以下的技术方案：

一种最小化网络时延的边缘节点服务部署与负载均衡方法，包括以下步骤：

步骤1：根据边缘设备和边缘节点的位置，把边缘系统分成N个簇，每个簇包含一个边缘节点和|U_i|个边缘设备,其中，U_i表示与节点i相关连的设备集合。N个边缘节点之间两两可以相互通信，表示边缘节点的集合；

步骤2：边缘系统中共有S种服务，每个边缘节点可动态部署若干种类型的服务，服务部署方案用表示，其中a_i,k表示第k种服务是否部署在第i个边缘节点上，1表示部署，0表示不部署。每个边缘节点可动态向其周边的边缘节点卸载部分某类型的计算任务，用b_i,k,j表示节点i中的任务k在节点j上的卸载比例。每个边缘节点可动态调整分配给某类计算任务的计算资源，用f_,k表示节点i分配给任务k的计算资源；

步骤3：假定每个设备产生一个计算任务，给定计算任务k的大小为d_k、完成任务k所需CPU周期数为ω_k、与节点i相连且产生任务k的设备数量为m_i,k、以及边缘节点i的存储容量限制C_i和计算资源限制确定总时延的表达式和限制条件表达式，建立最小化网络时延问题的数学模型P1；

步骤4：采用一种启发式与蚁群算法相结合的算法对步骤3中归纳的数学问题P1进行求解，从而得到服务部署方案a、计算任务卸载方案b_i,k,j,以及计算资源分配方案f_i,k。

进一步地，所述步骤3中，所述总时延表达式为：

其中表示边缘节点i本地计算时间，/>表示任务k从节点i到节点j的传输时间，r_i,j表示链路(i,j)的传输速率，/>表示任务k从节点i卸载到节点j的处理时间。

再进一步地，所述步骤3中，所述限制条件的表达式为：

∑_k∈Sa_i,kc_k≤C_i (1)

a_i,k∈{0,1} (2)

其中式(1)是边缘节点的服务缓存约束，式(2)是a_i,k的取值范围，式(3)是边缘节点计算资源分配约束，式(4)(5)是边缘节点中任务分割约束,式(6)是类型卸载约束，表示不能向没有部署某类服务的节点卸载对应的任务。

更进一步地，所述步骤4中，采用启发式与蚁群算法相结合的算法对步骤3中问题P1进行求解的步骤为：

步骤4.1：统计边缘计算系统中总数据量、总缓存空间和单位缓存空间中所需完成的工作量。总数据量总缓存空间/> 计算单位缓存空间中所需完成的工作量/>

步骤4.2：统计每个节点的数据量并排序。统计每个节点i的总数据量并从大到小进行排序；统计任务k在每个边缘节点上的数据量m_i,kd_k，并从大到小排序；

步骤4.3：在边缘节点上部署服务。遍历每个任务k。根据任务k在不同边缘节点上的排序，选择任务k最多、还没有部署服务k且存储资源有空闲的边缘节点i部署服务，使a_i,k＝1；如果任务k最多的节点存储资源已饱和，则选择与其相邻的任务最少且还没有部署服务k的节点部署。服务k部署后，计算节点i的剩余缓存空间C_i＝C_i-c_k，计算节点i中任务k剩余的工作量为m_i,kd_k-c_k·prop，计算节点i中剩余的总工作量为

步骤4.4：计算总的剩余数据量、缓存空间和单位缓存空间中所需完成的工作量。计算总的剩余缓存空间cTota＝cTotal-c_k，计算总的剩余数据量dTotal＝dTotal-c_k·prop；

步骤4.5：求得最优服务部署方案a_i,k。转步骤4.2，直到dTotal＝0或者cTotal＝0，输出最优服务部署方案a_i,k；

步骤4.6：确定服务部署策略后，将问题P1重塑为问题P2。

步骤4.7：定义蚁群算法的基本参数。最大迭代次数NC，蚂蚁数量antNum,信息素启发因子Alpha,信息素蒸发系数Rho,期望启发因子Beta等；

步骤4.8：设计启发因子。启发因子为其中，t_i,k,k是一个行数为|U_i|，列数为N的矩阵，/> 表示节点i中某一任务k从节点i到节点j的传输时延。表示某一任务k在节点j的处理时延；

步骤4.9：设计蚁群算法的路径选择概率。初始化信息素浓度τ_i,j矩阵为1。蚂蚁从起点出发，它会在途经的路上释放信息素，蚂蚁根据信息素浓度的不同选择最佳路径。蚂蚁antK选择节点j的概率为

其中，allowed_antK为蚂蚁antK访问节点的集合，τ_i,j(t)表示t时刻路径(i,j)上的信息素浓度；

步骤4.10：蚂蚁进行任务分配。蚂蚁antK根据公式(7)，为每个任务分配节点j，直到所有的计算任务都分配完成为止。因此，蚂蚁antK的一条路径确定了节点i中所有任务的分配方案。统计任务k在各节点上的数量，即确定b_i,k,j的值；

步骤4.11：信息素浓度更新。蚂蚁完成了所有的任务分配之后，对所选路径上的信息素浓度进行更新，信息素浓度按照

步骤4.12：转步骤4.10，直到达到一定的迭代次数NC，输出最佳的任务调度方案b_i,k,j；

步骤4.13：最后根据所求的最佳任务分配方案，计算出

本发明的有益效果主要表现在：适用于多任务类型的移动边缘计算系统中多边缘节点协作服务的场景，根据边缘服务器的计算任务负载情况，以及计算资源与存储资源情况，合理部署相应服务，调节边缘节点中各节点的计算任务，并分配相应的计算资源，可有效减少边缘计算系统的任务响应时延。

附图说明

图1为移动边缘计算系统的网络模型。

图2为服务部署和负载调度示意图，有阴影的表示服务，无阴影的表示任务。

图3为具体实施方式流程图

具体实施方式

下面结合附图对本发明做进一步说明。

结合图1、图2和图3，一种最小化网络时延的边缘节点服务部署与负载均衡方法，包括如下步骤：

步骤1：根据边缘设备和边缘节点的位置，把边缘系统分成N个簇，每个簇包含一个边缘节点和|U_i|个边缘设备,其中，U_i表示与节点i相关连的设备集合。N个边缘节点之间两两可以相互通信，用表示该网络，/>表示边缘节点的集合；ε表示节点之间的通信链路的集合。如图1所示，系统中共有N个边缘节点，任意一个边缘节点由表示，其中，U_i表示与节点i相关联的设备集合，C_i表示节点i的存储容量，/>表示节点i的最大计算频率。

步骤2：边缘系统中共有S种服务，每个边缘节点可动态部署若干种类型的服务。如图2所示，节点1中包含三类任务(即圆形、三角形、菱形)，而节点1中只部署了两类服务(菱形、圆形)。由于存储资源的限制，节点1只能将三角形任务传输到其他节点，比如可以传输到节点5。服务部署方案用 表示，其中a_i,k表示第k种服务是否部署在第i个边缘节点上，1表示部署，0表示不部署。每个边缘节点可动态向其周边的边缘节点卸载部分某类型的计算任务，用b_i,k,j表示节点i中的任务k在节点j上的卸载比例。每个边缘节点可动态调整分配给某类计算任务的计算资源，用f_i,k表示节点i分配给任务k的计算资源。

步骤3：假定每个设备产生一个计算任务，给定计算任务k的大小为d_k、完成任务k所需CPU周期数为ω_k、与节点i相连且产生任务k的设备数量为m_i,k、以及边缘节点i的存储容量限制C_i和计算资源限制确定总时延的表达式和限制条件表达式，建立最小化网络时延问题的数学模型P1。

进一步地，步骤3中，限制条件表达式设置方法如下：

1)边缘节点服务缓存约束。由于边缘节点部署服务有存储容量的限制，故有其中，/>表示服务的集合，c_k表示服务k的所需存储空间大小。

2)边缘节点中任务分割约束。由于节点i中任务k的量是一定的，则有

3)边缘节点中计算资源分配约束设置。由于每个边缘节点的计算资源有限，则有

再进一步地，步骤3中，总时延的表达式计算方法如下：

1)统计边缘节点的工作负载情况。假设与节点i关联且向该节点卸载任务的终端设备的集合为U_i。每个设备产生的计算任务大小为d_k，完成任务k所需CPU周期数为ω_k，则边缘节点接收到任务k的数据量大小为m_i,kd_k，计算负载为m_i,kω_k。因此，边缘节点接收到总任务的数据量大小为总计算负载为/>

2)计算任务k从源节点i到目标节点j的传输时延。r_i,j表示链路(i,j)的传输速率。因此，任务k从节点i到节点j的传输时延为：

3)计算任务k在节点j的计算时延。定义目标节点j分配给任务k的计算资源为f_j,k，则任务k在节点j上的处理时延为

4)计算任务k在目标节点j的总时延。任务k在节点j的时延由任务k从节点i到节点j的传输时延和任务k在节点j的计算时延组成。因此，处理b_i,k,jm_i,kd_k的数据量需要的总时延为

更进一步地，步骤3中，最小化网络时延问题的数学模型P1归纳如下：

a_i,k∈{0,1} (2)

其中式(1)是边缘节点的服务缓存约束，式(2)是a_i,k的取值范围，式(3)是边缘节点计算资源分配约束，式(4)(5)是边缘节点中任务分割约束,式(6)是类型卸载约束，表示不能向没有部署某类服务的节点卸载对应的任务。

步骤4：采用一种启发式与蚁群算法相结合的算法对步骤3中归纳的数学问题P1进行求解，从而得到服务部署方案a、计算任务卸载方案b_i,k,j,以及计算资源分配方案f_i,k。

进一步地，所述步骤4中，采用启发式与蚁群算法相结合的算法对步骤3中问题P1进行求解的步骤为：

步骤4.1：统计边缘计算系统中总数据量、总缓存空间和单位缓存空间中所需完成的工作量。总数据量总缓存空间/> 计算单位缓存空间中所需完成的工作量/>

步骤4.2：统计每个节点的数据量并排序。统计每个节点i的总数据量并从大到小进行排序；统计任务k在每个边缘节点上的数据量m_i,kd_k，并从大到小排序；

步骤4.3：在边缘节点上部署服务。遍历每个任务k。根据任务k在不同边缘节点上的排序，选择任务k最多、还没有部署服务k且存储资源有空闲的边缘节点i部署服务，使a_i,k＝1；如果任务k最多的节点存储资源已饱和，则选择与其相邻的任务最少且还没有部署服务k的节点部署。服务k部署后，计算节点i的剩余缓存空间C_i＝C_i-c_k，计算节点i中任务k剩余的工作量为m_i,kd_k-c_k·prop，计算节点i中剩余的总工作量为

步骤4.4：计算总的剩余数据量、缓存空间和单位缓存空间中所需完成的工作量。计算总的剩余缓存空间cTotal＝cTotal-c_k，计算总的剩余数据量dTotall＝dTotal-c_k·prop；

步骤4.5：求得最优服务部署方案a_i,k。转步骤4.2，直到dTotal＝0或者cTotal＝0，输出最优服务部署方案a_i,k；

步骤4.6：确定服务部署策略后，将问题P1重塑为问题P2。

步骤4.7：定义蚁群算法的基本参数。最大迭代次数NC，蚂蚁数量antNum,信息素启发因子Alpha,信息素蒸发系数Rho,期望启发因子Beta等；

步骤4.8：设计启发因子。启发因子为其中，t_i,k,j是一个行数为|U_i|，列数为N的矩阵，/> 表示节点i中某一任务k从节点i到节点j的传输时延。/>表示某一任务k在节点j的处理时延；

步骤4.9：设计蚁群算法的路径选择概率。初始化信息素浓度τ_i,j矩阵为1。蚂蚁从起点出发，它会在途经的路上释放信息素，蚂蚁根据信息素浓度的不同选择最佳路径。蚂蚁antK选择节点j的概率为

其中，allowed_antK为蚂蚁antK访问节点的集合，τ_i,j(t)表示t时刻路径(i,j)上的信息素浓度；

步骤4.10：蚂蚁进行任务分配。蚂蚁antK根据公式(7)，为每个任务分配节点j，直到所有的计算任务都分配完成为止。因此，蚂蚁antK的一条路径确定了节点i中所有任务的分配方案。统计任务k在各节点上的数量，即确定b_i,k,j的值；

步骤4.11：信息素浓度更新。蚂蚁完成了所有的任务分配之后，对所选路径上的信息素浓度进行更新，信息素浓度按照

步骤4.12：转步骤4.10，直到达到一定的迭代次数NC，输出最佳的任务调度方案b_i,k,j；

步骤4.13：最后根据所求的最佳任务分配方案，计算出

针对如图1所示的N个边缘节点和S种服务类型的场景来说明本发明的具体实施方案，如图3所示。

首先，根据边缘设备和边缘节点的位置，把边缘系统分成N个簇，每个簇包含一个边缘节点和|U_i|个边缘设备；

其次，根据边缘节点的任务负载情况、边缘节点i的存储容量限制C_i和计算资源限制确定总时延的表达式和限制条件表达式，建立最小化网络时延问题的数学模型P1；

然后，采用一种启发式与蚁群算法相结合的算法求解问题P1，从而得到服务部署方案a、计算任务卸载方案b_i,k,j,以及计算资源分配方案f_i,k；

最后，根据所求的最优解，将服务部署方案、计算卸载方案以及计算资源分配方案应用到边缘节点上；

一旦SDN监控到节点中服务任务的变化，重复上述步骤更新服务部署和任务卸载调度。

本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (1)

1.一种最小化网络时延的边缘节点服务部署与负载均衡方法，其特征在于，所述方法包括步骤如下：

步骤1：根据边缘设备和边缘节点的位置，把边缘系统分成N个簇，每个簇包含一个边缘节点和|U_i|个边缘设备,其中，U_i表示与节点i相关连的设备集合,N个边缘节点之间两两可以相互通信，表示边缘节点的集合；

步骤2：边缘系统中共有S种服务，每个边缘节点可动态部署若干种类型的服务，服务部署方案用表示，其中a_i,k表示第k种服务是否部署在第i个边缘节点上，1表示部署，0表示不部署;每个边缘节点可动态向其周边的边缘节点卸载部分某类型的计算任务，用b_i,k,j表示节点i中的任务k在节点j上的卸载比例;每个边缘节点可动态调整分配给某类计算任务的计算资源，用f_i,k表示节点i分配给任务k的计算资源；

步骤3：假定每个设备产生一个计算任务，给定计算任务k的大小为d_k、完成任务k所需CPU周期数为ω_k、与节点i相连且产生任务k的设备数量为m_i,k、以及边缘节点i的存储容量限制C_i和计算资源限制确定总时延的表达式和限制条件表达式，建立最小化网络时延问题的数学模型P1；

总时延表达式为：

其中表示边缘节点i本地计算时间，/>表示任务K从节点I到节点J的传输时间，r_i,j表示链路(I,j)的传输速率，/>表示任务k从节点i卸载到节点j的处理时间；

限制条件的表达式为：

∑_k∈Sa_i,kc_k≤C_i (1)

a_i,k∈{0,1} (2)

其中式(1)是边缘节点的服务缓存约束，式(2)是a_i，k的取值范围，式(3)是边缘节点计算资源分配约束，式(4)(5)是边缘节点中任务分割约束，式(6)是类型卸载约束，表示不能向没有部署某类服务的节点卸载对应的任务;

步骤4：采用一种启发式与蚁群算法相结合的算法对步骤3中归纳的数学问题P1进行求解，从而得到服务部署方案a、计算任务卸载方案b_i，k，j，以及计算资源分配方案f_i，k；具体步骤如下：

步骤4.1：统计边缘计算系统中总数据量、总缓存空间和单位缓存空间中所需完成的工作量;总数据量总缓存空间/> 计算单位缓存空间中所需完成的工作量/>

步骤4.2：统计每个节点的数据量并排序;统计每个节点i的总数据量并从大到小进行排序；统计任务k在每个边缘节点上的数据量m_i，kd_k，并从大到小排序；

步骤4.3：在边缘节点上部署服务;遍历每个任务k;根据任务k在不同边缘节点上的排序，选择任务k最多、还没有部署服务k且存储资源有空闲的边缘节点i部署服务，使a_i，k＝1；如果任务k最多的节点存储资源已饱和，则选择与其相邻的任务最少且还没有部署服务k的节点部署;服务k部署后，计算节点i的剩余缓存空间C_i＝C_i-c_k，计算节点i中任务k剩余的工作量为m_i，kd_k-c_k·prop，计算节点i中剩余的总工作量为

步骤4.4：计算总的剩余数据量、缓存空间和单位缓存空间中所需完成的工作量；计算总的剩余缓存空间cTotal＝cTotal-c_k，计算总的剩余数据量dTotal＝dTotal-c_k·prop；

步骤4.5：求得最优服务部署方案a_i，k;转步骤4.2，直到dTotal＝0或者cTotal＝0，输出最优服务部署方案a_i，k；

步骤4.6：确定服务部署策略后，将问题P1重塑为问题P2，

P2：

s.t.(3)～(6)

步骤4.7：定义蚁群算法的基本参数，最大迭代次数NC，蚂蚁数量antNum，信息素启发因子Alpha，信息素蒸发系数Rho，期望启发因子Beta；

步骤4.8：设计启发因子;启发因子为其中，t_i，k，j是一个行数为|U_i|，列数为|N|的矩阵，/> 表示节点i中某一任务k从节点i到节点j的传输时延，表示某一任务k在节点j的处理时延；

步骤4.9：设计蚁群算法的路径选择概率;初始化信息素浓度τ_i，j矩阵为1，蚂蚁从起点出发，它会在途经的路上释放信息素，蚂蚁根据信息素浓度的不同选择最佳路径;蚂蚁antK选择节点j的概率为：

其中，allowed_antK为蚂蚁antK访问节点的集合，τ_i，j(t)表示t时刻路径(i，j)上的信息素浓度；

步骤4.10：蚂蚁进行任务分配;蚂蚁antK根据公式(7)，为每个任务分配节点j，直到所有的计算任务都分配完成为止;因此，蚂蚁antK的一条路径确定了节点i中所有任务的分配方案;统计任务k在各节点上的数量，即确定b_i，k，j的值；

步骤4.11：信息素浓度更新;蚂蚁完成了所有的任务分配之后，对所选路径上的信息素浓度进行更新，信息素浓度按照

步骤4.12：转步骤4.10，直到达到一定的迭代次数NC，输出最佳的任务调度方案b_i，k，j；

步骤4.13：最后根据所求的最佳任务分配方案，计算出