CN114554420B - 一种基于轨迹预测的边缘计算服务迁移方法 - Google Patents

一种基于轨迹预测的边缘计算服务迁移方法 Download PDF

Info

Publication number
CN114554420B
CN114554420B CN202210440772.1A CN202210440772A CN114554420B CN 114554420 B CN114554420 B CN 114554420B CN 202210440772 A CN202210440772 A CN 202210440772A CN 114554420 B CN114554420 B CN 114554420B
Authority
CN
China
Prior art keywords
base station
track
migration
path
user
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
Application number
CN202210440772.1A
Other languages
English (en)
Other versions
CN114554420A (zh
Inventor
戴梦轩
马勇
夏云霓
赵从俊
赵涵
王英
李建歧
何美斌
李国政
谢洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202210440772.1A priority Critical patent/CN114554420B/zh
Publication of CN114554420A publication Critical patent/CN114554420A/zh
Application granted granted Critical
Publication of CN114554420B publication Critical patent/CN114554420B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/08—Reselecting an access point
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/12—Communication route or path selection, e.g. power-based or shortest path routing based on transmission quality or channel quality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/248—Connectivity information update
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于轨迹预测的边缘计算服务迁移方法，可以根据用户的轨迹信息、位置信息确定所述用户的预测轨迹；根据所述预测轨迹和真实轨迹确认历史轨迹偏差度；再根据所述历史轨迹偏差度确定目标预测轨迹；根据所述目标预测轨迹确定备选基站列表；通过计算所述备选基站列表中各基站的综合匹配度获得最优迁移基站；并通过计算所述最优迁移基站的路径分数，确定最优服务迁移路径；并实现对最优迁移基站进行实时更新。本发明提供的服务迁移方法可根据轨迹预测结果选择最优转移服务器，减少因用户转移产生的用户等待服务迁移时间，并可根据迁移综合时间动态更新服务补救迁移。

Description

一种基于轨迹预测的边缘计算服务迁移方法
技术领域
本发明涉及通讯技术领域，特别是涉及一种基于轨迹预测的边缘计算服务迁移的方法。
背景技术
边缘计算技术凭借其低时延、低带宽成本、高安全性、高弹性等特点，广泛应用在智能穿戴设备、视频流分析、语言语音处理、物联网无线传感器、增强现实技术等多种场景中。
移动边缘计算通过在网络边缘部署边缘服务器来支持高宽带低延迟的服务，但这种服务的应用存在覆盖范围、服务资源有限的问题，当用户远离边缘服务器时，随着与边缘服务器的距离增大会导致用户QoS急剧降低甚至服务失效，因此需要将有状态的服务迁移至离用户最近边缘服务器；但当服务总体迁移时间大于车辆在通信基站范围内移动的时间时会产生极差的服务体验（服务迁移完毕用户已经离开服务范围），因此若可以使用轨迹预测出用户下一时刻所在位置，并提前将服务迁移至对应边缘服务器，在用户到达之时完成服务迁移，这样用户甚至无法感知服务已经发生迁移，使用户的使用体验大大提高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，包括以下步骤：
S1.当前基站根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；
S2.根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度；其中，所述真实轨迹由所述用户的历史轨迹信息得到；所述历史轨迹偏差度为表示所述预测轨迹对于所述用户所处位置的路况预测准确程度；
S3.确认所述历史轨迹偏差度最小的预测轨迹作为目标预测轨迹；根据所述目标预测轨迹确定备选基站列表；
S4.计算所述备选基站列表中各基站的综合匹配度；选择综合匹配度最高的基站作为最优迁移基站；所述综合匹配度为表示所述备选基站对于所述用户的服务迁移匹配度；
S5.计算所述最优迁移基站的路径分数，确定最优服务迁移路径；
S6.对最优迁移基站进行实时更新。
进一步的，所述当前基站根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；包括：
所述预测轨迹，包括：第一预测轨迹和第二预测轨迹；
所述第一预测轨迹由所述基站使用所述用户的当前地理位置信息对用户进行轨迹预测得到；
所述第二预测轨迹由所述基站使用所述用户的历史地理位置信息对用户进行轨迹预测得到。
进一步的，所述根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度，包括：
S21.获取第一预测轨迹、第二预测轨迹、真实轨迹中每隔间隔时间t的坐标点对应的方位角An（i）和速度V(i)，所述i=T-k*t；所述T为当前时刻，k为n-1、n-2、…、0，其中n为由起始时刻到当前时刻按每隔间隔时间t划分而得到的个数，t为间隔时间；
S22.对所述第一预测轨迹、第二预测轨迹、真实轨迹中每隔间隔时间t的坐标点对应的方位角和速度进行归一化，得到归一化后的方位角Annor、速度Vnor；
S23.计算所述第一预测轨迹、第二预测轨迹、真实轨迹中每隔间隔时间t的坐标点的方位角与速度归一化后的偏差值之和Ans、Vs；
S24.计算所述第一预测轨迹、第二预测轨迹与真实轨迹的历史轨迹偏差度P；公式如下：P = a*Ans +b*Vs (0<a+b<1，a、b>0 )，所述a、b为影响因子。
进一步的，所述根据所述目标预测轨迹确定备选基站列表，包括：
选择所述目标预测轨迹中T+1*t时刻对应的坐标点，以所述坐标点为圆心，将半径为R内所有的基站作为备选基站；统计所述备选基站，得到所述备选基站列表；所述T为当前时刻。
进一步的，所述计算所述备选基站列表中各基站的综合匹配度，包括：
S41.获取所述备选基站列表中各基站与目标预测轨迹T+1*t时刻对应坐标点的距离Bdis，并对所述距离进行归一化处理，得到归一距离Bdisnor;所述T为当前时刻，t为间隔时间；
S42.获取所述备选基站列表中各基站的负载值LO，并对所述负载值进行归一化处理，得到归一负载值LOnor；
S43.获取所述备选基站列表中各基站的剩余算力Ca，并对所述剩余算力进行归一化处理，得到归一算力Canor；
S44.计算所述各基站的综合匹配度；计算公式为：
Bp =w1*（1-Bdisnor）+w2*(1-LOnor)+ (1-w1-w2）*Canor (0<w1+w2<1)，
所述w1，w2为影响因子。
进一步的，所述计算所述最优迁移基站的路径分数，确定最优服务迁移路径，包括：
S51.计算当前区域内所有可连通的基站之间的路径分数，包括：
Score = Timenor*c+Costnor*d+LinkS*(1-c-d) (0<c+d<1)
其中Score为路径分数，Timenor为归一化后的路径传输时间，Costnor为归一化后路径成本，LinkS为路径传输失败率，所述c、d为影响因子；
S52.使用Dijkstra算法计算当前基站转移到最优迁移基站的路径分数总和最小的迁移路径；
S53.将所述路径分数总和最小的迁移路径为最优服务迁移路径。
进一步的，所述路径分数为表示所述迁移路径的评价分数；
进一步的，所述对最优迁移基站进行实时更新，包括：
S61.在T+1*t时刻，判断用户的实际位置是否在最优迁移基站的服务范围内；若在，则不对最优迁移基站进行更新；若不在，则转S62；
S62.判断是否需要对最优迁移基站进行更新，包括：
S621.将最优迁移基站设为第一迁移基站；
S622.将T+1*t时刻用户的实际位置距离最近的基站设定为第二迁移基站；计算第一迁移基站和第二迁移基站的路径分数，确定第二迁移路径；所述路径分数的计算与S5计算方法相同；所述第二迁移路径为所述第一迁移基站和所述第二迁移基站的最优服务迁移路径；
S623.计算所述第二迁移路径的迁移综合时间AllTime,公式如下：
AllTime = RouteTime + LoadTime，
其中RouteTime为链路传输时间、LoadTime为基站加载服务时间；
S624.若迁移综合时间大于预设的时间间隔time_span，则不进行更新，否则将第二迁移基站作为最优迁移基站。
本发明实施例提供的技术方案与现有技术相比具有如下优点：
本发明实施例提供的一种基于轨迹预测的边缘计算服务迁移方法可以根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度；确认所述历史轨迹偏差度最小的预测轨迹作为目标预测轨迹；根据所述目标预测轨迹确定备选基站列表；通过计算所述备选基站列表中各基站的综合匹配度获得最优迁移基站；并通过计算所述最优迁移基站的路径分数，确定最优服务迁移路径；并实现对最优迁移基站进行实时更新。如此，本发明提供的服务迁移方法可将据轨迹预测结果选择最佳转移服务器，并根据一系列路径选择算法，挑选出成本、时间、容错较高的转移路径，减少因用户转移产生的用户等待服务迁移时间，并根据迁移综合时间动态选择服务补救迁移策略。
附图说明
图1是本发明提供的一种基于轨迹预测的边缘计算服务迁移方法的流程图。
图2是本发明提供的根据预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度的流程图。
图3是本发明提供的计算备选基站列表中各基站的综合匹配度的流程图。
图4是本发明提供的对最优迁移基站实时更新的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
图1是本发明实施例提供的一种基于轨迹预测的边缘计算服务迁移方法的流程图，该方法包括：
S1.基站根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；
S2.根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度；其中，所述真实轨迹由所述用户的历史轨迹信息得到；所述历史轨迹偏差度为表示所述预测轨迹对于所述用户所处位置的路况预测准确程度；
S3.确认所述历史轨迹偏差度最小的预测轨迹作为目标预测轨迹；根据所述目标预测轨迹确定备选基站列表；
S4.计算所述备选基站列表中各基站的综合匹配度；选择综合匹配度最高的基站作为最优迁移基站；所述综合匹配度为表示所述备选基站对于所述用户的服务迁移匹配度；
S5.计算所述最优迁移基站的路径分数，确定最优服务迁移路径；
S6.对最优迁移基站进行实时更新。
进一步的，所述当前基站根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；包括：
所述预测轨迹，包括：第一预测轨迹和第二预测轨迹；
所述第一预测轨迹由所述基站使用所述用户的当前地理位置信息对用户进行轨迹预测得到；
所述第二预测轨迹由所述基站使用所述用户的历史地理位置信息对用户进行轨迹预测得到。
在一些实施例中，用户可以针对其自身的用户使用服务信息进行周期性采样，并将采样得到的位置信息发送至基站。基站可以根据用户的至少一个采样周期采集的位置信息预测该用户的预测轨迹。
在一个示例中，位置信息可以包括经度和纬度，此时，基站可以对当前采样周期采集的经度和纬度、以及至少一个历史采样周期采集的经度和纬度进行马尔科夫链计算，得到预测轨迹。例如，基站可以对当前采样周期（第j采样周期，j为大于2的正整数）采集的经度和纬度、以及两个历史采样周期（第j-1采样周期和第j-2采样周期）采集的经度和纬度进行马尔科夫链计算，得出预测轨迹。
在另一个示例中，用户的位置信息还可以包括速度以及方位角，此时，基站可以对当前采样周期采集的速度和方位角、以及至少一个历史采样周期采集的速度和方位角，通过运行递归函数进行计算，得到预测轨迹。
进一步的，参考图2，所述根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度，包括：
S21.获取第一预测轨迹、第二预测轨迹、真实轨迹中T-k*t时刻的坐标点对应的方位角An（T-k*t）和速度V(T-k*t)，所述T为当前时刻，k为n-1、n-2、…、0，其中n为由起始时刻到当前时刻按每隔间隔时间t划分而得到的个数，t为间隔时间；
S22.对所述第一预测轨迹、第二预测轨迹、真实轨迹中T-k*t时刻的坐标点对应的方位角和速度进行归一化，公式如下：
Figure 613873DEST_PATH_IMAGE001
Figure 796592DEST_PATH_IMAGE002
其中k为n-1、n-2…、0，其中n为由起始时刻到当前时刻按每隔间隔时间t划分而得 到的个数，An(T-k*t)为T-k*t时刻当前轨迹对应角度、AnMAX为对应轨迹最大角度，AnMIN为对 应轨迹最小角度，V（T-k*t）为T-k*t时刻当前轨迹对应速度、VMAX为对应轨迹最大速度，
Figure 248433DEST_PATH_IMAGE003
为对应轨迹最小速度，
Figure 112484DEST_PATH_IMAGE004
为归一化后的角度，
Figure 192436DEST_PATH_IMAGE005
为归 一化后的速度，T为当前时刻，t为间隔时间；
S23.计算所述第一预测轨迹、第二预测轨迹、真实轨迹中T-k*t时刻的坐标点的方位角与速度归一化后的偏差值之和Ans、Vs，公式如下：
Ans=
Figure 483740DEST_PATH_IMAGE006
Vs=
Figure 219615DEST_PATH_IMAGE007
其中
Figure 887356DEST_PATH_IMAGE008
为真实轨迹归一化后T-k*t时刻的角度；
Figure 759497DEST_PATH_IMAGE009
为真实轨迹归一化后T-k*t时刻的速度，Ans为方位角偏差值之和，Vs为 速度偏差值之和；
S24.计算所述第一预测轨迹、第二预测轨迹、真实轨迹的历史轨迹偏差度，公式如下：
P = a*Ans +b*Vs (0<a+b<1 a、b>0 );
其中P为历史轨迹偏差度，a、b为影响因子；具体的，影响因子a、b的选择根据实际情形而定，通常选取原则与轨迹相关；例如：在轨迹移动速度相对较大，角度相对较小的情形下，b相对较大一些；在轨迹移动速度相对较小，角度相对较大的情形下，a相对较大一些。
进一步的，所述根据所述目标预测轨迹确定备选基站列表，包括：
选择所述目标预测轨迹中T+1时刻对应的坐标点，以所述坐标点为圆心，将半径为R内所有的基站作为备选基站；统计所述备选基站，得到所述备选基站列表；所述T为当前时刻。
进一步的，参照图3，所述计算所述备选基站列表中各基站的综合匹配度，包括：
S41.获取所述备选基站列表中各基站与用户当前位置的距离Bdis，并对所述距离 进行归一化处理，得到归一距离
Figure 221703DEST_PATH_IMAGE010
；具体公式为：
Figure 444874DEST_PATH_IMAGE011
所述
Figure 650727DEST_PATH_IMAGE012
为所述备选基站列表中与用户距离最近的基站与用户之间的距离， 所述
Figure 642954DEST_PATH_IMAGE013
为所述备选基站列表中与用户距离最远的基站与用户之间的距离；
S42.获取所述备选基站列表中各基站的负载值LO，并对所述负载值进行归一化处理，得到归一负载值LOnor；具体公式为：
Figure 338377DEST_PATH_IMAGE014
所述
Figure 48844DEST_PATH_IMAGE015
为所述备选基站列表中负载值最低的基站对应的负载值；所述
Figure 792809DEST_PATH_IMAGE016
为所述备选基站列表中负载值最高的基站对应的负载值；
S43. 获取所述备选基站列表中各基站的剩余算力Ca，并对所述剩余算力进行归一化处理，得到归一算力Canor；
S44.计算所述各基站的综合匹配度；计算公式为：
Bp =w1（1-Bdisnor）+w2*(1-LOnor)+ (1-w1-w2）*Canor (0<w1+w2<1)，
所述w1，w2对应为基站与用户之间距离与剩余算力的影响因子，默认取值为0.33、0.33，可根据实际情形需求作调整。
进一步的，所述计算所述最优迁移基站的路径分数，确定最优服务迁移路径，该步骤为计算当前区域内所有基站两两之间的路径分数，最终确认一条当前基站迁移到最优迁移基站的迁移路径；具体的，所述当前区域，为最优迁移基站与当前基站之间中点为圆心，最优迁移基站与当前基站的距离为半径所覆盖的区域；
具体步骤包括：
S51.计算所有当前区域内可连接基站之间的路径分数，包括：
Score = Timenor*c+Costnor*d+LinkS*(1-c-d) (0<c+d<1)
其中Score 为路径分数，Timenor为归一化后的路径传输时间，Costnor为归一化后的路径成本，LinkS为路径传输失败率，所述c、d为影响因子；
所述Timenor、Costnor计算公式为：
Figure 639543DEST_PATH_IMAGE017
Figure 443551DEST_PATH_IMAGE018
所述
Figure 641314DEST_PATH_IMAGE019
为待计算的可连接基站的路径传输时间，所述
Figure 188970DEST_PATH_IMAGE020
为当前区域所 有可连接基站中路径传输时间最短的相连基站对应的路径传输时间；所述
Figure 952527DEST_PATH_IMAGE021
为当 前区域所有可连通基站中路径传输时间最长的相连基站对应的路径传输时间；
所述
Figure 193015DEST_PATH_IMAGE022
为待计算的可连接基站的路径成本，所述
Figure 612495DEST_PATH_IMAGE023
为当前区域所有可 连接基站中路径成本最低的相连基站对应的路径成本；所述
Figure 698263DEST_PATH_IMAGE024
为当前区域所有可 连接基站中路径成本最高的相连基站对应的路径成本；
所述c、d默认值为0.33、0.33，具体取值与需求结合，当对路径传输时间要求高于路径与传输失败率时，c取值高于d，反之亦然。
S52. 使用Dijkstra算法计算一条当前基站转移到最优迁移基站的路径分数总和最小的迁移路径；
S53.将所述路径分数总和最小的迁移路径为最优服务迁移路径。
进一步的，所述路径分数为表示所述最优迁移基站的评价分数。
进一步的，所述对最优迁移基站进行实时更新，参考图4，该部分内容包括：
S61.在T+1时刻，判断用户的实际位置是否在最优迁移基站的服务范围内；若在，则不对进行最优迁移基站进行更新；若不在，则转S62；
S62.判断是否需要对最优迁移基站进行更新，包括：
S621.确认迁移基站和T+1时刻用户实际接入基站的实际迁移路径；
S623.计算所述第二迁移路径的迁移综合时间AllTime，公式如下：
AllTime = RouteTime + LoadTime，
其中RouteTime为链路传输时间、LoadTime为基站加载服务时间；所述链路传输时间为第二迁移路径的服务迁移过程中通过链路传输的时间，所述基站加载时间为服务信息加载的时间；
S623.若迁移综合时间大于预设的时间间隔time_span，则不进行更新，否则进行更新;
所述time_span默认值为1/2t，所述t为所述S23中提到的间隔时间。
本发明实施例提供的一种基于轨迹预测的边缘计算服务迁移方法可以根据根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度；确认所述历史轨迹偏差度最小的预测轨迹作为目标预测轨迹；根据所述目标预测轨迹确定备选基站列表；通过计算所述备选基站列表中各基站的综合匹配度获得最优迁移基站；并通过计算所述最优迁移基站的路径分数，确定最优服务迁移路径；并实现对最优迁移基站进行实时更新。如此，本发明提供的服务迁移方法可将据轨迹预测结果选择最佳转移服务器，并根据一系列路径选择算法，挑选出成本、时间、容错较高的转移路径，减少因用户转移产生的用户等待服务迁移时间，并根据迁移综合时间动态选择服务补救迁移策略。
附图中的流程图和框图，图示了按照本发明各种实施例的方法可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (6)

1.一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，包括以下步骤：
S1.当前基站根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；
S2.根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度；其中，所述真实轨迹由所述用户的历史轨迹信息得到；所述历史轨迹偏差度为表示所述预测轨迹对于所述用户所处位置的路况预测准确程度；
其中，所述根据所述预测轨迹和真实轨迹确认所述预测轨迹的历史轨迹偏差度，包括：
S21.获取第一预测轨迹、第二预测轨迹、真实轨迹中每隔间隔时间t的坐标点对应的方位角An（i）和速度V(i)，所述i=T-k*t，其中T为当前时刻，k为n-1、n-2、…、1，t为间隔时间；
S22.对所述第一预测轨迹、第二预测轨迹、真实轨迹中每隔间隔时间t的坐标点对应的方位角和速度进行归一化，得到归一化后的方位角
Figure 844387DEST_PATH_IMAGE001
、速度
Figure 495948DEST_PATH_IMAGE002
；
S23.计算所述第一预测轨迹、第二预测轨迹、真实轨迹中每隔间隔时间t的坐标点的方位角与速度归一化后的偏差值之和Ans、Vs；
S24.计算所述第一预测轨迹、第二预测轨迹与真实轨迹的历史轨迹偏差度P；公式如下：P = a*Ans +b*Vs (0<a+b<1，a、b>0 )，所述a、b为影响因子；
S3.确认所述历史轨迹偏差度最小的预测轨迹作为目标预测轨迹；根据所述目标预测轨迹确定备选基站列表；
S4.计算所述备选基站列表中各基站的综合匹配度；选择综合匹配度最高的基站作为最优迁移基站；所述综合匹配度为表示所述备选基站对于所述用户的服务迁移匹配度；
其中，所述计算所述备选基站列表中各基站的综合匹配度，包括：
S41.获取所述备选基站列表中各基站与目标预测轨迹T+1*t时刻对应坐标点的距离Bdis，并对所述距离进行归一化处理，得到归一距离Bdisnor；所述T为当前时刻，t为间隔时间；
S42.获取所述备选基站列表中各基站的负载值LO，并对所述负载值进行归一化处理，得到归一负载值LOnor；
S43.获取所述备选基站列表中各基站的剩余算力Ca，并对所述剩余算力进行归一化处理，得到归一算力Canor；
S44.计算所述各基站的综合匹配度；计算公式为：
Bp =w1*（1-Bdisnor）+w2*(1-LOnor)+ (1-w1-w2）*Canor (0<w1+w2<1)，
所述w1，w2为影响因子；
S5.计算所述最优迁移基站的路径分数，确定最优服务迁移路径；
S6.对最优迁移基站进行实时更新。
2.如权利要求1所述的一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，
所述当前基站根据用户的历史轨迹信息、当前地理位置信息、历史地理位置信息、用户使用服务信息，确定所述用户的预测轨迹；包括：
所述预测轨迹，包括：第一预测轨迹和第二预测轨迹；
所述第一预测轨迹由所述基站使用所述用户的当前地理位置信息对用户进行轨迹预测得到；
所述第二预测轨迹由所述基站使用所述用户的历史地理位置信息对用户进行轨迹预测得到。
3.如权利要求1所述的一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，
所述根据所述目标预测轨迹确定备选基站列表，包括：
选择所述目标预测轨迹中T+1*t时刻对应的坐标点，以所述坐标点为圆心，将半径为R内所有的基站作为备选基站；统计所述备选基站，得到所述备选基站列表；所述T为当前时刻，所述t为间隔时间。
4.如权利要求1所述的一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，
所述计算所述最优迁移基站的路径分数，确定最优服务迁移路径，包括：
S51.计算当前区域内所有可连接的基站之间的路径分数，包括：
Score = Timenor*c+Costnor*d+LinkS*(1-c-d) (0<c+d<1)
其中Score为路径分数，Timenor为归一化后的路径传输时间，Costnor为归一化后路径成本，LinkS为路径传输失败率，所述c、d为影响因子；S52.使用Dijkstra算法计算当前基站转移到最优迁移基站的路径分数总和最小的迁移路径；
S53.将所述路径分数总和最小的迁移路径为最优服务迁移路径。
5.如权利要求4所述的一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，
所述路径分数为表示所述迁移路径的评价分数。
6.如权利要求1所述的一种基于轨迹预测的边缘计算服务迁移方法，其特征在于，
所述对最优迁移基站进行实时更新，包括：
S61.在T+1*t时刻，判断用户的实际位置是否在最优迁移基站的服务范围内；若在，则不对最优迁移基站进行更新；若不在，则转S62，所述T为当前时刻，所述t为间隔时间；
S62.判断是否需要对最优迁移基站进行更新，包括：
S621.将最优迁移基站设为第一迁移基站；
S622.将T+1*t时刻用户的实际位置距离最近的基站设定为第二迁移基站；计算第一迁移基站和第二迁移基站的路径分数，确定第二迁移路径；所述路径分数的计算与S5计算方法相同；所述第二迁移路径为所述第一迁移基站和所述第二迁移基站的最优服务迁移路径；
S623.计算所述第二迁移路径的迁移综合时间AllTime,公式如下：
AllTime = RouteTime + LoadTime，
其中RouteTime为链路传输时间、LoadTime为基站加载服务时间；
S624.若迁移综合时间大于预设的时间间隔time_span，则不进行更新，否则将第二迁移基站作为最优迁移基站。
CN202210440772.1A 2022-04-26 2022-04-26 一种基于轨迹预测的边缘计算服务迁移方法 Active CN114554420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210440772.1A CN114554420B (zh) 2022-04-26 2022-04-26 一种基于轨迹预测的边缘计算服务迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210440772.1A CN114554420B (zh) 2022-04-26 2022-04-26 一种基于轨迹预测的边缘计算服务迁移方法

Publications (2)

Publication Number Publication Date
CN114554420A CN114554420A (zh) 2022-05-27
CN114554420B true CN114554420B (zh) 2022-07-29

Family

ID=81667590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210440772.1A Active CN114554420B (zh) 2022-04-26 2022-04-26 一种基于轨迹预测的边缘计算服务迁移方法

Country Status (1)

Country Link
CN (1) CN114554420B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115884094B (zh) * 2023-03-02 2023-05-23 江西师范大学 一种基于边缘计算的多场景协作优化缓存方法
CN117377085B (zh) * 2023-10-20 2024-05-17 四川水利职业技术学院 基于边缘计算的计算资源调度方法、系统、终端及介质
CN117149443B (zh) * 2023-10-30 2024-01-26 江西师范大学 一种基于神经网络的边缘计算服务部署方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109951821A (zh) * 2019-02-26 2019-06-28 重庆邮电大学 基于移动边缘计算的最小化车辆能耗任务卸载方案
WO2021012926A1 (zh) * 2019-07-25 2021-01-28 中兴通讯股份有限公司 基于边缘计算的应用重定位方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616816B (zh) * 2018-05-07 2020-07-03 重庆邮电大学 一种基于极限学习的车辆轨迹预测和mec应用迁移方法
US11412052B2 (en) * 2018-12-28 2022-08-09 Intel Corporation Quality of service (QoS) management in edge computing environments
US11187548B2 (en) * 2019-02-05 2021-11-30 International Business Machines Corporation Planning vehicle computational unit migration based on mobility prediction
WO2020173552A1 (en) * 2019-02-26 2020-09-03 Telefonaktiebolaget Lm Ericsson (Publ) Migration of computing information between edge computing devices
US11132608B2 (en) * 2019-04-04 2021-09-28 Cisco Technology, Inc. Learning-based service migration in mobile edge computing
US20230262740A1 (en) * 2019-12-09 2023-08-17 Koninklijke Kpn N.V. Orchestrating Migration of Edge Computing Resources
CN112788109B (zh) * 2020-12-29 2022-04-19 哈尔滨工业大学 一种基于移动预测和多层服务部署的服务迁移方法和系统
CN112969144B (zh) * 2021-02-02 2022-04-26 武汉大学 一种面向移动边缘计算的微服务预部署方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109951821A (zh) * 2019-02-26 2019-06-28 重庆邮电大学 基于移动边缘计算的最小化车辆能耗任务卸载方案
WO2021012926A1 (zh) * 2019-07-25 2021-01-28 中兴通讯股份有限公司 基于边缘计算的应用重定位方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向车联网边缘计算的智能计算迁移研究;莫瑞超等;《应用科学学报》;20200930(第05期);全文 *

Also Published As

Publication number Publication date
CN114554420A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN114554420B (zh) 一种基于轨迹预测的边缘计算服务迁移方法
US12018951B1 (en) Dynamic geolocation optimization of pickup locations using location scores
US8150611B2 (en) System and methods for providing predictive traffic information
US10242568B2 (en) Adjustment of a learning rate of Q-learning used to control traffic signals
CN110361024B (zh) 用于利用车辆组标识的动态车道级车辆导航的方法和系统
US6421602B1 (en) Method of navigation guidance for a distributed communications system having communications nodes
US8255158B2 (en) Travel route adjustment
US8742954B2 (en) Destination arrival estimates auto-notification based on cellular systems
JP6277569B2 (ja) モバイルユーザの位置を予測するための方法、および機器
US8204682B2 (en) Arrival monitoring with direct and actual travel path reporting
US20020120388A1 (en) Method of optimizing traffic content
JP2002304408A (ja) 移動端末
US10782142B2 (en) Dynamic vehicle navigation system with roadway junction impact
CN113934472B (zh) 任务卸载方法、装置、设备及存储介质
US11506503B2 (en) Prioritizing uploading of map related data from vehicles
US11348458B2 (en) Adaptive traffic control
JP2002260142A (ja) 走行時間予測方法
CA2384778A1 (en) Closed loop tracking system
CN117593900B (zh) 一种院前急救调度方法和系统
US20230273041A1 (en) System and method for navigation showing driving range-area until dark
KR100893008B1 (ko) 단말기, 그의 핸드오버 방법 및 그 방법을 저장한 기록매체
CN114626913A (zh) 一种订单处理方法、装置及电子设备
JP2000065924A (ja) 目標相関統合装置
CN1350159A (zh) 结合路况资讯的较佳路径导航系统及方法

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