CN114745394A - 云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法 - Google Patents

云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法 Download PDF

Info

Publication number
CN114745394A
CN114745394A CN202210362658.1A CN202210362658A CN114745394A CN 114745394 A CN114745394 A CN 114745394A CN 202210362658 A CN202210362658 A CN 202210362658A CN 114745394 A CN114745394 A CN 114745394A
Authority
CN
China
Prior art keywords
edge
moth
server
cloud
edge server
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.)
Granted
Application number
CN202210362658.1A
Other languages
English (en)
Other versions
CN114745394B (zh
Inventor
李静
燕秀坤
祝铭
于飞龙
刘聪
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.)
Shandong University of Technology
Original Assignee
Shandong University of Technology
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 Shandong University of Technology filed Critical Shandong University of Technology
Priority to CN202210362658.1A priority Critical patent/CN114745394B/zh
Publication of CN114745394A publication Critical patent/CN114745394A/zh
Application granted granted Critical
Publication of CN114745394B publication Critical patent/CN114745394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/104—Peer-to-peer [P2P] networks
    • H04L67/1044—Group management mechanisms 
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/302—Route determination based on requested QoS
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters 
    • 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)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及服务选择技术领域，具体涉及一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法。包括输入带有QoS属性的服务；将服务随机分布在云和边缘服务器；移动用户发出请求并上传；初始化飞蛾和火焰种群，计算最优飞蛾的位置；对最优飞蛾和火焰的位置进行迭代运算；将迭代得到的最优飞蛾的位置所对应的一组候选服务输出；迭代运算包括：对每个飞蛾和火焰的位置进行更新；计算当前迭代种群中最优飞蛾的位置Q1；通过差异进化算法在每只飞蛾周围更新其他位置Q2，将更优的位置作为当前迭代轮次输出的最优飞蛾位置。将飞蛾扑火优化算法与差异进化算法结合，可以从多个角度高效的找到全局最优解，为解决多目标优化问题提供更加可靠的保障。

Description

云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法
技术领域
本发明涉及服务选择技术领域，具体涉及一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法。
背景技术
随着移动互联网技术的飞速发展，移动环境下的服务计算成为近年来研究的热点。具体来说，随着边缘计算的出现，可以将服务部署到更靠近移动用户的位置，以提供相应的功能。与传统云计算相比，部署在边缘计算环境中的服务可以有效缩短与用户的距离，保证高效的网络运营交付，实现高性能、低延迟、高带宽的服务交互体验。然而，由于用户的移动特性和边缘设备的资源有限，仅靠边缘设备提供的服务无法满足大量日益复杂的计算需求。云计算擅长全局、非实时和长期计算，而边缘计算更适合本地、实时和短期计算。因此，云计算和边缘计算可以相辅相成，匹配复杂的用户需求场景，扩大云计算和边缘计算的应用价值。
在现实中，由于用户的需求通常很复杂，单一功能有限的服务无法满足用户将服务用于复杂任务的期望。服务组合将现有的多个服务按照特定的逻辑顺序组合起来，完成单个服务无法完成的复杂任务。根据Gartner的2021年预测，部署在云和边缘计算环境中的服务数量将呈爆炸式增长。大量的服务为用户提供了丰富的资源，也带来了新的困难。难点之一是如何在众多候选服务中选择合适的云和边缘服务来满足移动用户的复杂需求。通常，上述云和边缘计算环境中的服务选择问题受到几个因素的影响：无线数据传输速度、用户移动以及边缘和云之间的连接。在这样的环境中从候选服务中选择合适的服务可以建模为一个多目标优化问题，进化算法可以解决这个问题。飞蛾扑火优化算法和主客观加权方法可以用来解决服务选择问题。主客观加权方法有效地结合了用户的主观意愿和服务的客观属性。最近的研究表明，飞蛾扑火优化算法具有快速的收敛速度和全局搜索能力，可以在未知搜索空间中产生有竞争力的输出。如何将飞蛾扑火优化算法应用于云计算的多目标优化中，以解决现有各算法的缺陷，是一个值得解决的问题。
发明内容
本发明的目的就是针对现有技术的缺陷，提供一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，将飞蛾扑火优化算法与差异进化算法结合，同时融合主客观权重方法，可以从多个角度高效的找到全局最优解，为解决多目标优化问题提供更加可靠的保障。
本发明提供的一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其技术方案为：包括：
构建移动用户、边缘服务器、云服务器、无线连接和互联网组成的移动边缘和云计算环境，一台所述云服务器与多台边缘服务器互联；
检索并输入网络中带有QoS属性的服务数据集到云和边缘环境；
将服务随机分布在云和边缘服务器，其中边缘服务器提供少量服务，而云服务器提供更多更全面的服务；
移动用户在当前位置通过物联网设备发出请求并上传至云或边缘服务器；
根据上传的任务初始化飞蛾和火焰种群，并计算初始飞蛾和火焰种群中最优飞蛾的位置，其中，每一个飞蛾和火焰的位置代表每个任务所选择的候选服务对应的一种解决方案；
对最优飞蛾和火焰的位置进行迭代运算，直到达到最大迭代次数；
将迭代得到的最优飞蛾的位置所对应的一组候选服务输出；
所述迭代运算包括：
利用飞蛾扑火优化算法对每个飞蛾和火焰的位置进行更新；
计算当前迭代种群中最优飞蛾的位置Q1；
通过差异进化算法的思想在每只飞蛾周围更新其他位置Q2，将位置Q1和位置Q2中更优的位置作为当前迭代轮次输出的最优飞蛾位置。
较为优选的，所述最优飞蛾的位置判断包括：
分别计算主观权重和客观权重并按照比例将两者结合；
计算解决方案的整体QoS值，并将其作为权重适应度；
将当前迭代种群中具有最高权重适应度的飞蛾作为最优飞蛾。
较为优选的，所述分别计算主观权重和客观权重并按照比例将两者结合包括：
采用序关系法计算主观权重，计算公式包括
Figure BDA0003584572880000031
Figure BDA0003584572880000032
其中，
Figure BDA0003584572880000033
表示序数关系中第i个QoS属性的主观权重，ri表示两个属性之间的重要性关系系数，k表示QoS属性的总数；
采用变异系数法计算客观权重，计算公式包括
Figure BDA0003584572880000034
Figure BDA0003584572880000041
Figure BDA0003584572880000042
Figure BDA0003584572880000043
其中，
Figure BDA0003584572880000044
表示服务的第i个QoS属性的平均值，m是候选服务的数量，xij是候选服务中第j个服务的第i个QoS属性的值，si表示第i个QoS属性值的均方偏差，ci表示第i个QoS属性值的变化系数，
Figure BDA0003584572880000045
表示第i个QoS属性值的客观权重，k是服务的QoS属性的总数；
将主观权重和客观权重进行组合，组合公式包括
Figure BDA0003584572880000046
其中α是调整主客观权重的偏差因子，
Figure BDA0003584572880000047
表示第i个QoS属性的主观权重，
Figure BDA0003584572880000048
表示第i个QoS属性的客观权重，
Figure BDA0003584572880000049
表示第i个QoS属性的整体QoS值。
较为优选的，所述解决方案的整体QoS值为所有对应某一属性的标准化属性值与该属性的计算权重的乘积之和，具体为
Figure BDA00035845728800000410
其中，Trosum表示解决方案的吞吐量，
Figure BDA00035845728800000411
表示吞吐量在该实验中的主客观综合权重，Tsum表示解决方案的总响应时间，
Figure BDA00035845728800000412
表示响应时间在该实验中的主客观综合权重，省略号之后表示其他属性与之相对应的权重乘积。
较为优选的，所述移动用户在当前位置通过物联网设备发出请求并上传至云或边缘服务器包括：
如果解决用户请求的第一个服务位于边缘服务器，并且该边缘服务器于该时刻与用户的距离最近，那么直接上传到该边缘服务器；
如果解决用户请求的第一个服务位于某边缘服务器Edge1，并且该边缘服务器于该时刻与用户的距离大于边缘服务器Edge2于该时刻与用户的距离，那么将计算请求直接上传到边缘服务器Edge1所需的时间T1和从边缘服务器Edge2传输到边缘服务器Edge1所需的时间T2，如果T1<T2，那么直接上传到边缘服务器Edge1，否则，经边缘服务器Edge2上传到边缘服务器Edge1；
如果解决用户请求的第一个服务位于云服务器，那么将计算解决方案从云服务器传输到边缘服务器Edge1返回给用户所需的时间T1和从云服务器传输到边缘服务器Edge2然后上传所需的时间T2，如果T1<T2,那么经边缘服务器Edge1上传到云服务器，否则，经边缘服务器Edge2上传到云服务器。
较为优选的，在飞蛾和火焰的初始种群和每次迭代更新得到新种群时，均结合当前种群对下载路径进行计算，并在得到最终候选服务后将解决方案下载返回给用户，具体包括：
如果解决用户请求的最后一个服务位于边缘服务器，并且该边缘服务器与该时刻与用户的距离最近，那么直接从该边缘服务器下载返回解决方案；
如果解决用户请求的最后一个服务位于某边缘服务器Edge1，并且该边缘服务器于该时刻与用户的距离大于边缘服务器Edge2于该时刻与用户的距离，那么将计算解决方案从边缘服务器Edge1直接下载返回给用户所需的时间T1和从边缘服务器Edge2传输到边缘服务器Edge2然后下载所需的时间T2，如果T1<T2，那么直接从边缘服务器Edge1下载，否则，从边缘服务器Edge1经边缘服务器Edge2下载；
如果解决用户请求的最后一个服务位于云服务器，那么将计算解决方案从云服务器传输到边缘服务器Edge1返回给用户所需的时间T1和从云服务器传输到边缘服务器Edge2然后下载所需的时间T2，如果T1<T2，那么直接从边缘服务器Edge1下载，否则，从边缘服务器Edge2下载。
较为优选的，利用飞蛾扑火优化算法对每个飞蛾和火焰的位置进行更新包括：
计算更新飞蛾或者火焰的位置Mi，包括
Mi＝Di×ebt×cos 2πt+Fj；
计算飞蛾与火焰之间的距离，包括
Di＝|Fj-Mi|；
当迭代次数增加时，自适应减少火焰的数量，包括：
Figure BDA0003584572880000061
其中，Mi表示第i个飞蛾的位置，Di表示第i个飞蛾和第j个火焰之间的距离，b是预定义的螺旋形状的路径系数，t是[-1,1]范围内中的随机数，Fj代表第j个火焰的位置，f是迭代自适应减少的火焰的数量，l是当前迭代次数，T表示最大迭代次数，M为最大飞蛾数量，N为最大火焰数量，e是自然对数的底数。
较为优选的，还包括：
根据公式
Figure BDA0003584572880000062
计算移动用户在某一时间点与边缘服务器之间的距离d；
其中，D为用户与边缘服务器之间的初始距离，v为用户移动的速度，t为上传/下载过程中用户移动的时间，θ为用户与服务器之间的角度。
较为优选的，在服务选择的过程中，同时考虑了云服务器和云服务器、云服务器和边缘服务器、边缘服务器和边缘服务器之间的数据传输延迟。
较为优选的，所述数据传输延迟的计算包括：
Figure BDA0003584572880000071
∑Sizetask表示上传或下载数据的大小，tp是移动设备的无线发射功率，B是带宽，σ是接收器处的噪声，d表示移动设备和边缘服务器之间的距离，α是路径损耗因子。
本发明的有益效果为：
1、将飞蛾扑火优化算法与差异进化算法结合，通过差异进化算法本身对于全局搜索的优势，避免飞蛾扑火优化算法产生的局部极值问题，是多目标优化问题中的有效解决方案，根据不断变化的用户位置实时调整处理方案，最大限度地提高移动用户的满意度。
2、移动边缘计算通过在传统无线基站中加入计算、存储、处理能力，将无线网络和互联网融为一体，可以提供贴近用户的低时延、高带宽服务。云计算可以在网络远端集中存储、处理和分析大数据并提供大量服务，而移动边缘计算可以在网络边缘处理数据并提供服务，缓解了云计算的压力。更准确地说，边缘计算是对云计算的补充和优化。
3、将云边结合环境下的服务选择建模为一个多目标优化问题，利用飞蛾扑火优化算法，从众多候选服务中找到问题最优的目标解，为了评估候选解决方案，提出了一种融合主客观权重方法的适应度函数来计算候选解决方案的QoS值。服务的QoS属性的主观权重反映了用户的偏好。属性的主观权重越重，该属性对用户的影响就越大。QoS属性的客观权重是基于属性的内在特征。主客观相结合的方法可以将服务的QoS属性的客观特征和用户对服务属性的主观偏好两者的优点结合在一起。利用序关系分析方法，综合QoS属性的主观权重。与广泛使用的Delphi和AHP(Analytic Hierarchy Process)方法相比，顺序关系分析方法在获取权重指标和调整权重指标时不需要专家反复参与判断矩阵。利用变异系数方法，综合QoS属性的客观权重。变异系数法可以准确反映QoS属性值之间的离散程度。变异系数越大，QoS属性值越离散，反之亦然。降低了从多个任务中选择最优服务的云计算难度。
附图说明
图1为本发明流程示意图；
图2为本发明中运河移动边缘环境示意图；
图3为本发明模块构成示意图；
图4为本发明中移动用户与边缘服务器之间的距离计算模型示意图；
图5为采用主客观权重方法计算适应度与四个常规进化算法的对比仿真示意图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例一
图1示出了本申请较佳实施例提供的一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法的流程示意图，为了便于说明，仅示出了与本实施例相关的部分，详述如下：
本发明提供的一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其技术方案为：包括：
构建移动用户、边缘服务器、云服务器、无线连接和互联网组成的移动边缘和云计算环境，一台所述云服务器与多台边缘服务器互联；
检索并输入网络中带有QoS属性的服务数据集到云和边缘环境；
将服务随机分布在云和边缘服务器，其中边缘服务器提供少量服务，而云服务器提供更多更全面的服务；
移动用户在当前位置通过物联网设备发出请求并上传至云或边缘服务器；
根据上传的任务初始化飞蛾和火焰种群，并计算初始飞蛾和火焰种群中最优飞蛾的位置，其中，每一个飞蛾和火焰的位置代表每个任务所选择的候选服务对应的一种解决方案；
对最优飞蛾和火焰的位置进行迭代运算，直到达到最大迭代次数；
将迭代得到的最优飞蛾的位置所对应的一组候选服务输出；
所述迭代运算包括：
利用飞蛾扑火优化算法对每个飞蛾和火焰的位置进行更新；
计算当前迭代种群中最优飞蛾的位置Q1；
通过差异进化算法的思想在每只飞蛾周围更新其他位置Q2，将位置Q1和位置Q2中更优的位置作为当前迭代轮次输出的最优飞蛾位置。
较为优选的，所述最优飞蛾的位置判断包括：
分别计算主观权重和客观权重并按照比例将两者结合；
计算解决方案的整体QoS值，并将其作为权重适应度；
将当前迭代种群中具有最高权重适应度的飞蛾作为最优飞蛾。
实施例二
本实施例结合云和边缘环境模块、服务选择模块和移动路径模块对本方案的流程进行详细说明。
如图2所示云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法的整体框架，主要由三个模块组成：云和边缘环境模块、服务选择模块和移动路径模块。云和边缘环境模块描述了云和边缘服务器网络上的服务分布，指定边缘服务器、云服务器和移动用户之间的连接信息，并捕获边缘服务器、云服务器和移动用户之间的数据传输信息。服务选择从多个候选服务中选择合适的服务来满足用户的复杂请求。首先，对于每个QoS属性，设计一个属性适应度函数，根据主客观权重，同时考虑用户的移动和服务组合的结构，计算所选服务的整体QoS值。其次，提出了一种综合适应度函数，根据所有属性适应度函数的结果计算所选服务的所有QoS属性的合成值，算法利用合成适应度函数迭代地选择最优服务。运动路径模块根据模型记录用户的运动位置、运动方向和速度。每个模块对应不同的功能，相互配合，解决用户请求。为了对本发明进行说明，以下结合图2、3和4进行描述，其具体流程如下：
步骤1、构建云和边缘环境，图3展示了一个由移动用户、边缘服务器、云服务器、无线连接和互联网组成的移动边缘和云计算环境，一台云服务器与多台边缘服务器互联，用户向边缘或云服务器上传请求，用户从边缘或云服务器下载结果，边缘服务器提供少量服务，而云服务器提供更多服务。
步骤2、检索并输入网络中带有QoS属性的服务到云和边缘环境，按照功能属性分组，不同功能的服务用来解决不同的任务，将所有的候选服务随机分布在云和边缘服务器上。
步骤3、移动用户在当前位置通过物联网设备发出请求。
步骤4、计算请求上传时间并将请求上传至云或边缘服务器。
如果解决用户请求的第一个服务位于边缘服务器，并且该边缘服务器与该时刻与用户的距离最近，那么直接上传到该边缘服务器；如果解决用户请求的第一个服务位于某边缘服务器Edge1，并且该边缘服务器于该时刻与用户的距离大于边缘服务器Edge2于该时刻与用户的距离，那么将计算请求直接上传到边缘服务器Edge1所需的时间T1和从边缘服务器Edge2传输到边缘服务器Edge1所需的时间T2，如果T1<T2，那么直接上传到边缘服务器Edge1，否则，经边缘服务器Edge2上传到边缘服务器Edge1。如果解决用户请求的第一个服务位于云服务器，那么将计算解决方案从云服务器传输到边缘服务器Edge1返回给用户所需的时间T1和从云服务器传输到边缘服务器Edge2然后上传所需的时间T2，如果T1<T2，那么经边缘服务器Edge1上传到云服务器，否则，经边缘服务器Edge2上传到云服务器。
步骤5、飞蛾扑火优化算法对飞蛾和火焰位置进行初始化。每一个飞蛾和火焰的位置代表每个任务所选择的候选服务对应的一种解决方案。
步骤6、计算从用户发出请求到找到可以下载解决方案的服务器将结果返回给用户为止可能需要消耗的响应时间等不同QoS属性值。
步骤7、根据主观和客观权重计算方法计算飞蛾或者火焰(在服务选择算法中等同于解决方案)响应时间等不同QoS属性的的权重。
步骤8、计算飞蛾(解决方案)的整体QoS值：OverallQoS。使当前飞蛾的权重适应度＝OverallQoS。
步骤9、根据适应度计算更新当前最优位置。具体为根据步骤6～8计算出权重适应度，通过比较各个位置的权重适应度，将权重适应度最高的位置作为当前最优位置进行更新。
步骤10、判断当前迭代是否达到最大迭代次数，如果是，则执行步骤16，否则执行步骤11。
步骤11、根据飞蛾扑火优化算法中的公式对每个飞蛾和火焰的位置进行更新。
步骤12、根据适应度计算方法(即步骤6～8的算法)计算当前迭代轮次中具有最优权重适应度的飞蛾，其位置为Q1。
步骤13、通过差异进化算法的思想在每只飞蛾周围更新其他位置Q2，并计算新位置Q2的适应度，选择位置Q1和位置Q2中适应度更高的位置作为本次迭代的最优飞蛾位置。
步骤14、服务选择模块记录每一个任务选择对应的服务，同时随着迭代的进行，不断更新算法计算出来的服务，确定解决任务的候选服务。
步骤15、在步骤14每次确定出解决任务的候选服务时，均基于当前候选服务对下载路径进行计算，具体方法如下：
用户在服务器服务范围内移动，根据用户当前所处位置和解决用户请求子任务的服务所处的位置判断下载的服务器。如果解决用户请求的最后一个服务位于边缘服务器，并且该边缘服务器与该时刻与用户的距离最近，那么直接从该边缘服务器下载返回解决方案；如果解决用户请求的最后一个服务位于某边缘服务器Edge1，并且该边缘服务器于该时刻与用户的距离大于边缘服务器Edge2于该时刻与用户的距离，那么将计算解决方案从边缘服务器Edge1直接下载返回给用户所需的时间T1和从边缘服务器Edge2传输到边缘服务器Edge2然后下载所需的时间T2，如果T1<T2，那么直接从边缘服务器Edge1下载，否则，从边缘服务器Edge1经边缘服务器Edge2下载。如果解决用户请求的最后一个服务位于云服务器，那么将计算解决方案从云服务器传输到边缘服务器Edge1返回给用户所需的时间T1和从云服务器传输到边缘服务器Edge2然后下载所需的时间T2，如果T1<T2，那么直接从边缘服务器Edge1下载，否则，选择从边缘服务器Edge2下载。
步骤16、按照选择的服务器将解决方案返回给移动用户。
根据主客观权重计算初始飞蛾和火焰响应时间等QoS属性的权重，按照整体QoS的计算方法计算解决方案的权重适应度的计算方法包括：
1、如图4所示，通过遵循随机路模型来研究用户的移动路径。连续移动路径被建模为一系组段。在每个部分，假设边缘或者云服务器与用户之间的网络连接条件保持稳定，用户的移动方向和速度保持不变。用户与边缘服务器的初始距离为D。然后，用户以不变的方向角θ移动，移动的总长度取决于用户的速度v和移动时长t。在分段结束时，用户与边缘服务器之间的距离d计算如下:
Figure BDA0003584572880000131
2、计算请求上传或者下载时间时，需要考虑用户与服务器之间的传输时延，计算方法如下：
Figure BDA0003584572880000132
其中ΣSizetask表示上传或者下载数据的大小，tp是移动设备的无线发射功率，B是带宽，g＝d-α，σ是接收器处的噪声，d表示移动设备和服务器之间的距离(计算方法见公式(1))，α是路径损耗因子。
3、在飞蛾扑火优化算法的服务选择模块，考虑到用户的服务请求可能非常复杂并且由一组任务组成，因此选择一组合适的服务来协同完成请求的任务。两个服务的组合可以完成比单个服务更复杂的请求。假设给定两个服务w1和w2，组合服务有三种结构，分别是顺序(w1；w2)、并发(w1||w2)和选择性(w1或w2)结构。在本实例中，我们以响应时间和成本为例，对于每种结构，在云和边缘计算环境中服务组合的成本和响应时间方面的QoS值计算如下：
两个连接服务(w1,w2)的成本C计算如下：
C(wi；wj)＝∑{C(wi)，C(wj)} (3)
C(wi||wj)＝∑{C(wi)，C(wj)} (4)
C(wi or wj)＝min{C(wi)，C(wj)} (5)
连接两个服务wi和wj的时间延迟R计算如下，假设wi可以部署在服务器sk(wi∈sk)并且wj可以部署在服务器sk或sp(wi∈sk或wi∈sp)
Figure BDA0003584572880000141
Figure BDA0003584572880000142
Figure BDA0003584572880000143
4、由于不同的QoS属性以不同的尺度和单位进行测量，因此需要对各种属性的QoS值进行比较归一化。为了比较成本和响应时间两个属性的值进行归一化：
Figure BDA0003584572880000144
其中，qmax表示当前计算属性中的最大值，qmin表示当前计算属性中的最小值，q表示当前计算属性值。
5、采用序关系法和变异系数法分别计算主观和客观权重，并按照比例将两者结合。主观权重计算方法
Figure BDA0003584572880000151
Figure BDA0003584572880000152
其中，
Figure BDA0003584572880000153
表示序数关系中第i个QoS属性的主观权重，ri表示两个属性之间的重要性关系系数，具体系数从表格1中取值，k表示QoS属性的总数。
表1
r<sub>i</sub>数值 关系 解释
1.8 绝对重要 q<sub>i-1</sub>比q<sub>i</sub>绝对重要
1.6 非常重要 q<sub>i-1</sub>比q<sub>i</sub>非常重要
1.4 明显重要 q<sub>i-1</sub>比q<sub>i</sub>明显重要
1.2 稍微重要 q<sub>i-1</sub>比q<sub>i</sub>稍微重要
1.0 同等重要 q<sub>i-1</sub>比q<sub>i</sub>同等重要
客观权重计算方法：
(1)
Figure BDA0003584572880000154
(2)
Figure BDA0003584572880000155
(3)
Figure BDA0003584572880000156
(4)
Figure BDA0003584572880000157
其中，
Figure BDA0003584572880000158
表示服务的第i个QoS属性的平均值，m是候选服务的数量，xij是候选服务中第j个服务的第i个QoS属性的值，si表示第i个QoS属性值的均方偏差，ci表示第i个QoS属性值的变化系数，
Figure BDA0003584572880000159
表示第i个QoS属性值的客观权重，k是服务的QoS属性的总数。
在计算出所选服务组合的所有属性的主观权重和客观权重之后，一个属性的主观权重和客观权重的组合值包括：
Figure BDA0003584572880000161
其中α是调整主客观权重的偏差因子，
Figure BDA0003584572880000162
表示第i个QoS属性的主观权重，
Figure BDA0003584572880000163
表示第i个QoS属性的客观权重，
Figure BDA0003584572880000164
表示第i个QoS属性的整体QoS值。
6、服务选择解决方案的总成本由所选服务的标准化成本之和决定：
Figure BDA0003584572880000165
其中一个请求有n个任务，每个任务都有一个完成它的服务si，
Figure BDA0003584572880000166
是服务si的成本，它基于任务组合结构公式(3-5)。
服务选择解决方案花费的总时间Tsum是由标准化请求上传时间、组合服务的标准化执行时间和标准化解决方案下载时间之和决定：
Tsum＝Norm(Tup)+Norm(Tcomp)+Norm(Tdown) (18)
其中，Tup表示请求的上传时间；Tdown表示解决方案的下载时间；Tcomp表示完成任务的所有选定服务的执行时间，它基于任务组合结构公式(6-8)。
7、成本和响应时间是选择的要分析的QoS属性，代表选择服务质量的整体QoS值计算如下：
Figure BDA0003584572880000167
其中，Csum表示解决方案的成本，Tsum表示解决方案的总响应时间，
Figure BDA0003584572880000168
表示成本在该实验中的主客观综合权重，
Figure BDA0003584572880000169
表示响应时间在该实验中的主客观综合权重，OverallQoS作为解决方案的适应度参与计算流程。
为验证方法的有效性，采用响应时间和成本计算出的权重适应度为衡量标准，将本文提出的改进飞蛾扑火优化算法与原始飞蛾扑火算法、粒子群算法、蚁群算法等四个进化算法进行对比实验，如图5所示。
测试的软件及硬件的环境如下：
(1)CPU：Intel(R)Core(TM)i7-8650U CPU@1.90GHz 2.11GHz
(2)RAM：16GB
(3)硬盘：NVMe KBG30ZMS256G NVM
(4)操作系统：Windows 10专业版
实验数据：在实验中，使用墨尔本CBD的基站坐标，并假设每个基站都配备了边缘服务器。此外，假设两台云服务器可以为CBD内的用户提供服务，两台云服务器之间的传输延迟为20-50ms，两台互连的边缘服务器之间为1-3ms，云服务器和边缘服务器之间的时间延迟为10-50ms。这些云和边缘服务器构成了一个模拟的云和边缘环境。在这种环境下，假设有一个用户可以在请求中向无线传输覆盖范围或云内的边缘提交任务，而用户在CBD中移动。对于每个任务，假设有多个候选服务来完成任务，并且服务随机分布到边缘和云。用户上传请求(50MB)。完成所有任务后，用户可以下载结果(1MB)。使用两组数据集进行比较。第一组数据集包含数据集1、数据集2和数据集3，分别有10、20和30个任务，每个任务有60个候选服务。第二组数据集包含数据集4、数据集5和数据集6，每个任务分别有30、40和50个候选服务，每个数据集有20个任务。使用这两组数据集的基本原理是，可以通过具有相同数量的候选服务的不同数量的任务和具有相同数量的任务的不同数量的候选服务来分析改进飞蛾扑火算法(DEMF)的性能。为了进行实验，表2中提供了与用户对QoS属性、用户移动、无线传输和DEMF的偏好相关的一些参数。
表2
参数 数值 参数 数值
上传请求数据大小 50MB v<sub>min</sub> 1m/s
下载结果数据大小 1MB v<sub>max</sub> 1.5m/s
σ 10<sup>-8</sup>W d<sub>min</sub> 10m
t<sub>p</sub> 100W d<sub>max</sub> 200m
带宽(B) 100Mbps 变异因子 2
交叉概率 0.5 QoS重要性参数 1.6
实验结果如表3所示，所提出的DEMF与广泛使用的人工鱼群算法(AFS)、粒子群优化算法(PSO)、蚁群优化算法(ACO)和原始蛾火焰优化算法(MFO)在选择能够满足用户功能和QoS要求的适当服务方面。可以观察到，DEMF可以在每个数据集中找到适应度值最高且方差值最小的解。这意味着与AFS、PSO、ACO和MFO相比，DEMF总能找到总体QoS值最佳的服务选择方案。
实验表明，改进飞蛾扑火优化算法要比其他算法在多目标优化问题上效率更优，计算性能更好。
表3
Figure BDA0003584572880000181
Figure BDA0003584572880000191
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，包括：
构建移动用户、边缘服务器、云服务器、无线连接和互联网组成的移动边缘和云计算环境，一台所述云服务器与多台边缘服务器互联；
检索并输入网络中带有QoS属性的服务数据集到云和边缘环境；
将服务随机分布在云和边缘服务器；
移动用户在当前位置通过物联网设备发出请求并上传至云或边缘服务器；
根据上传的任务初始化飞蛾和火焰种群，并计算初始飞蛾和火焰种群中最优飞蛾的位置，其中，每一个飞蛾和火焰的位置代表每个任务所选择的候选服务对应的一种解决方案；
对最优飞蛾和火焰的位置进行迭代运算，直到达到最大迭代次数；
将迭代得到的最优飞蛾的位置所对应的一组候选服务输出；
所述迭代运算包括：
利用飞蛾扑火优化算法对每个飞蛾和火焰的位置进行更新；
计算当前迭代种群中最优飞蛾的位置Q1；
通过差异进化算法的思想在每只飞蛾周围更新其他位置Q2，将位置Q1和位置Q2中更优的位置作为当前迭代轮次输出的最优飞蛾位置。
2.根据权利要求1所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，所述最优飞蛾的位置判断包括：
分别计算主观权重和客观权重并按照比例将两者结合；
计算解决方案的整体QoS值，并将其作为权重适应度；
将当前迭代种群中具有最高权重适应度的飞蛾作为最优飞蛾。
3.根据权利要求2所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，所述分别计算主观权重和客观权重并按照比例将两者结合包括：
采用序关系法计算主观权重，计算公式包括
Figure FDA0003584572870000021
Figure FDA0003584572870000022
其中，
Figure FDA0003584572870000023
表示序数关系中第i个QoS属性的主观权重，ri表示两个属性之间的重要性关系系数，k表示QoS属性的总数；
采用变异系数法计算客观权重，计算公式包括
Figure FDA0003584572870000024
Figure FDA0003584572870000025
Figure FDA0003584572870000026
Figure FDA0003584572870000027
其中，
Figure FDA0003584572870000028
表示服务的第i个QoS属性的平均值，m是候选服务的数量，xij是候选服务中第j个服务的第i个QoS属性的值，si表示第i个QoS属性值的均方偏差，ci表示第i个QoS属性值的变化系数，
Figure FDA0003584572870000029
表示第i个QoS属性值的客观权重，k是服务的QoS属性的总数；
将主观权重和客观权重进行组合，组合公式包括
Figure FDA00035845728700000210
其中α是调整主客观权重的偏差因子，
Figure FDA0003584572870000031
表示第i个QoS属性的主观权重，
Figure FDA0003584572870000032
表示第i个QoS属性的客观权重，
Figure FDA0003584572870000033
表示第i个QoS属性的整体QoS值。
4.根据权利要求2所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，所述解决方案的整体QoS值为所有对应某一属性的标准化属性值与该属性的计算权重的乘积之和。
5.根据权利要求1所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，所述移动用户在当前位置通过物联网设备发出请求并上传至云或边缘服务器包括：
如果解决用户请求的第一个服务位于边缘服务器，并且该边缘服务器于该时刻与用户的距离最近，那么直接上传到该边缘服务器；
如果解决用户请求的第一个服务位于某边缘服务器Edge1，并且该边缘服务器于该时刻与用户的距离大于边缘服务器Edge2于该时刻与用户的距离，那么将计算请求直接上传到边缘服务器Edge1所需的时间T1和从边缘服务器Edge2传输到边缘服务器Edge1所需的时间T2，如果T1<T2，那么直接上传到边缘服务器Edge1，否则，经边缘服务器Edge2上传到边缘服务器Edge1；
如果解决用户请求的第一个服务位于云服务器，那么将计算解决方案从云服务器传输到边缘服务器Edge1返回给用户所需的时间T1和从云服务器传输到边缘服务器Edge2然后上传所需的时间T2，如果T1<T2,那么经边缘服务器Edge1上传到云服务器，否则，经边缘服务器Edge2上传到云服务器。
6.根据权利要求1所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，在飞蛾和火焰的初始种群和每次迭代更新得到新种群时，均结合当前种群对下载路径进行计算，并在得到最终候选服务后将解决方案下载返回给用户，具体包括：
如果解决用户请求的最后一个服务位于边缘服务器，并且该边缘服务器与该时刻与用户的距离最近，那么直接从该边缘服务器下载返回解决方案；
如果解决用户请求的最后一个服务位于某边缘服务器Edge1，并且该边缘服务器于该时刻与用户的距离大于边缘服务器Edge2于该时刻与用户的距离，那么将计算解决方案从边缘服务器Edge1直接下载返回给用户所需的时间T1和从边缘服务器Edge2传输到边缘服务器Edge2然后下载所需的时间T2，如果T1<T2，那么直接从边缘服务器Edge1下载，否则，从边缘服务器Edge1经边缘服务器Edge2下载；
如果解决用户请求的最后一个服务位于云服务器，那么将计算解决方案从云服务器传输到边缘服务器Edge1返回给用户所需的时间T1和从云服务器传输到边缘服务器Edge2然后下载所需的时间T2，如果T1<T2，那么直接从边缘服务器Edge1下载，否则，从边缘服务器Edge2下载。
7.根据权利要求1所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，利用飞蛾扑火优化算法对每个飞蛾和火焰的位置进行更新包括：
计算更新飞蛾或者火焰的位置Mi，包括
Mi＝Di×ebt×cos2πt+Fj；
计算飞蛾与火焰之间的距离，包括
Di＝|Fj-Mi|；
当迭代次数增加时，自适应减少火焰的数量，包括：
Figure FDA0003584572870000041
其中，Mi表示第i个飞蛾的位置，Di表示第i个飞蛾和第j个火焰之间的距离，b是预定义的螺旋形状的路径系数，t是[-1,1]范围内中的随机数，Fj代表第j个火焰的位置，f是迭代自适应减少的火焰的数量，l是当前迭代次数，T表示最大迭代次数，M为最大飞蛾数量，N为最大火焰数量，e是自然对数的底数。
8.根据权利要求1所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，还包括：
根据公式
Figure FDA0003584572870000051
计算移动用户在某一时间点与边缘服务器之间的距离d；
其中，D为用户与边缘服务器之间的初始距离，v为用户移动的速度，t为上传/下载过程中用户移动的时间，θ为用户与服务器之间的角度。
9.根据权利要求1所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于：在服务选择的过程中，同时考虑了云服务器和云服务器、云服务器和边缘服务器、边缘服务器和边缘服务器之间的数据传输延迟。
10.根据权利要求9所述的云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法，其特征在于，所述数据传输延迟的计算包括：
Figure FDA0003584572870000052
∑Sizetask表示上传或下载数据的大小，tP是移动设备的无线发射功率，B是带宽，σ是接收器处的噪声，d表示移动设备和边缘服务器之间的距离，α是路径损耗因子。
CN202210362658.1A 2022-04-07 2022-04-07 云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法 Active CN114745394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210362658.1A CN114745394B (zh) 2022-04-07 2022-04-07 云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210362658.1A CN114745394B (zh) 2022-04-07 2022-04-07 云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法

Publications (2)

Publication Number Publication Date
CN114745394A true CN114745394A (zh) 2022-07-12
CN114745394B CN114745394B (zh) 2023-07-07

Family

ID=82278672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210362658.1A Active CN114745394B (zh) 2022-04-07 2022-04-07 云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法

Country Status (1)

Country Link
CN (1) CN114745394B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663514A (zh) * 2012-03-22 2012-09-12 长沙理工大学 一种基于可行均衡机制的约束优化进化算法
CN108737569A (zh) * 2018-06-22 2018-11-02 浙江大学 一种面向移动边缘计算环境的服务选择方法
CN109558934A (zh) * 2018-11-26 2019-04-02 长安大学 一种无人机插值飞蛾扑焰低空突防方法
CN109871934A (zh) * 2019-01-16 2019-06-11 湖北工业大学 基于Spark分布式的并行二进制飞蛾扑火算法的特征选择方法
US20200320397A1 (en) * 2019-04-04 2020-10-08 Cisco Technology, Inc. Learning-based service migration in mobile edge computing
WO2022007212A1 (zh) * 2020-07-10 2022-01-13 南京邮电大学 一种面向边缘云系统的软件微服务组合优化方法
CN114282130A (zh) * 2021-12-03 2022-04-05 重庆邮电大学 一种基于选择变异飞蛾火焰优化算法的欺诈网址识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663514A (zh) * 2012-03-22 2012-09-12 长沙理工大学 一种基于可行均衡机制的约束优化进化算法
CN108737569A (zh) * 2018-06-22 2018-11-02 浙江大学 一种面向移动边缘计算环境的服务选择方法
CN109558934A (zh) * 2018-11-26 2019-04-02 长安大学 一种无人机插值飞蛾扑焰低空突防方法
CN109871934A (zh) * 2019-01-16 2019-06-11 湖北工业大学 基于Spark分布式的并行二进制飞蛾扑火算法的特征选择方法
US20200320397A1 (en) * 2019-04-04 2020-10-08 Cisco Technology, Inc. Learning-based service migration in mobile edge computing
WO2022007212A1 (zh) * 2020-07-10 2022-01-13 南京邮电大学 一种面向边缘云系统的软件微服务组合优化方法
CN114282130A (zh) * 2021-12-03 2022-04-05 重庆邮电大学 一种基于选择变异飞蛾火焰优化算法的欺诈网址识别方法

Also Published As

Publication number Publication date
CN114745394B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN108901052B (zh) 一种异构网络的切换方法及装置
CN112860350B (zh) 一种边缘计算中基于任务缓存的计算卸载方法
CN110869943B (zh) Gpu增强的图形模型构建和评分引擎
CN113434212B (zh) 基于元强化学习的缓存辅助任务协作卸载与资源分配方法
CN113055489B (zh) 基于q学习的星地融合网络资源分配策略的实现方法
CN109039954B (zh) 多租户容器云平台虚拟计算资源自适应调度方法及系统
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
Thar et al. A deep learning model generation framework for virtualized multi-access edge cache management
CN108737569B (zh) 一种面向移动边缘计算环境的服务选择方法
CN112990423A (zh) 人工智能ai模型生成方法、系统及设备
CN113938488A (zh) 一种基于动静态加权轮询的负载均衡方法
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN111314862B (zh) 雾无线接入网中深度强化学习下带有推荐的缓存方法
WO2023217127A1 (zh) 一种因果关系确定方法及相关设备
CN111488528A (zh) 内容缓存管理方法及装置、电子设备
CN111460665B (zh) 一种基于克里金代理模型和多目标遗传算法的天线设计方法
CN115499376B (zh) 一种负载均衡方法、系统、电子设备及存储介质
CN114844886A (zh) 云边结合环境下基于海鸥优化算法的移动服务选择方法
CN114745394B (zh) 云和边缘环境中基于飞蛾扑火优化算法的移动服务选择方法
CN112804702B (zh) 基于效用函数的多链路空地数据交换链路性能评估方法
CN111047040A (zh) 基于IFPA算法的Web服务组合方法
CN116663644A (zh) 一种多压缩版本的云边端dnn协同推理加速方法
CN112787833A (zh) 内容分发网络cdn服务器的部署方法和装置
CN115129888A (zh) 一种基于网络边缘知识图谱的主动内容缓存方法
Hoiles et al. Risk-averse caching policies for YouTube content in femtocell networks using density forecasting

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