CN114760311A - 一种面向移动边缘网络系统的优化服务缓存及计算卸载方法 - Google Patents

Abstract

本发明公开了一种面向移动边缘网络系统的优化服务缓存及计算卸载方法，包括，对系统中的每一个元素进行定义，建立系统模型；建立移动边缘网络系统优化服务的缓存模型；建立移动边缘网络系统优化服务的计算卸载模型；提出面向移动边缘网络系统的优化服务缓存及计算卸载算法；解决每一个时间间隙最小化优化问题；本发明综合考虑在面向移动边缘网络系统的优化服务缓存及计算卸载方法的各种约束条件，在这些条件下通过联合缓存和计算卸载策略达到时延最小化。

Description

一种面向移动边缘网络系统的优化服务缓存及计算卸载方法

技术领域

本发明涉及边缘计算技术领域，尤其是一种面向移动边缘网络系统的优化服务缓存及计算卸载方法。

背景技术

物联网和移动计算正在推动更多的计算密集型、时延敏感型的应用出现。为了保证用户体验，必须对高性能任务的时延以及能耗要求提出更高的要求。由于不可预测的网络延迟和昂贵的带宽，云计算无法满足延迟敏感型应用的要求，分布式数据的日益增长也使得骨干网无法传输更多的移动数据到云端。为了减少云中的长回程传输延迟，移动边缘计算(MEC)应运而生，以支持无处不在的高性能计算，特别是对延迟敏感的应用程序。具体来说，MEC将计算、数据和服务从云计算基础设施推进到网络的逻辑边缘，因此，处理计算任务可以在更接近数据源的地方进行，比如蜂窝基站和Wi-Fi接入点。

计算任务既需要用户任务作为输入，也需要相应处理它的程序。将边缘服务器部署在蜂窝基站，能更快，更节能地接收用户的计算任务，并且事先存储处理计算任务的程序或数据，能更好地降低计算时延，能源消耗和带宽成本。对于超乎边缘服务器计算能力的任务，需要被进一步卸载到云上。这样用户、边缘服务器集群和云端的分层卸载结构，结构清晰，分工明确。虽然计算卸载和服务缓存一直是研究MEC的两个重要研究方向，但是结合协作缓存、协作卸载的研究通常被忽略。由于现实世界中任务流量不均衡分布，网络运营商必须智能地将工作负载均衡地分布在用户附近的MEC服务器上，这既可以提高网络性能，又可以为用户提供高质量的服务。

服务缓存和计算卸载面临许多挑战。第一，移动用户的设备是异构的，不仅需要计算和存储资源，而且不同用户对这些资源的需求偏好不同，这些需求通常在空间和时间上都是变化的。因此，服务缓存策略和卸载策略必须在资源有限的MEC服务器上根据预测的用户偏好进行自适应更新。第二，不同区域用户在不同时隙移动的不确定性会使得工作负载到达不均匀，因此系统的性能不仅需要短期性能约束，长期性能约束也是非常重要的。同时，网络运营商很难获得用户未来请求任务的信息，这促使我们需要研究跨越不同时隙的在线任务缓存和计算卸载策略。第三，为了满足移动用户激增的任务请求，基站的密度从蜂窝网络诞生至今便不断增加。如此密集的节点创造了一个非常复杂的网络环境，需要所有MEC服务器之间仔细协调，其次，为了降低复杂性，研究者经常会选择分散的解决方案。再者，为了满足对延迟敏感的任务的延迟约束，应该考虑联合计算卸载和内容缓存。

因此，确实有必要提出一种面向移动边缘网络系统的优化服务缓存及卸载方法以及验证装置，以解决上述问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述或现有技术中所存在的问题，提出了本发明。

因此，本发明所要解决的技术问题是现有技术难以满足对延迟敏感的任务的延迟约束的问题。

为解决上述技术问题，本发明提供如下技术方案：一种面向移动边缘网络系统的优化服务缓存及计算卸载方法，包括，

对系统中的每一个元素进行定义，建立系统模型；

建立移动边缘网络系统优化服务的缓存模型；

建立移动边缘网络系统优化服务的计算卸载模型；

提出面向移动边缘网络系统的优化服务缓存及计算卸载算法；

解决每一个时间间隙最小化优化问题。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：建立所述系统模型包括：

定义有N个边缘服务器和1个云服务器的系统，所述N个边缘服务器部署在一片区域中并具有存储和计算功能。区域中的用户通过高速局域网连接所在区域内的边缘服务器，这个服务器成为该用户的本地服务器。用户能够将请求任务发送给本地的边缘服务器进行处理；

若本地边缘服务器中已经缓存所述任务，且边缘服务器拥有足够的计算资源，则直接计算并发送给用户，否则将任务卸载到云服务器进行处理。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：建立移动边缘网络系统优化服务的缓存模型包括：

当用户将计算任务k发送给MEC服务器n时，MEC服务器n判断是否缓存；

若计算任务k已经缓存，减少计算时延；若MEC服务器的存储空间空间有限，不能同时缓存所有业务；

MEC服务器判断缓存哪些任务。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：建立移动边缘网络系统优化服务的计算卸载模型包括：

用户将计算任务k发送给MEC服务器n时，MEC服务器判断做出本地计算或计算卸载到云端；

根据计算任务的泊松生成，计算卸载系统采用M/G/1排队模型进行建模；得到被MEC服务器n处理的计算任务的计算时延。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：建立时延最小化的整形线性规划目标函数a：

其中T_t(x^t,y^t)指在t时隙，当缓存决策为x^t卸载决策为y^t时的时延。E{T_t(x^t,y^t)}指T_t(x^t,y^t)的期望值。我们将时间线划分为几个离散的时间间隙T＝{0,1,…,T-1}，其中T是时间间隙索引的最大值。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：计算MEC服务器n在t时隙，当缓存决策为x^t卸载决策为y^t时的计算能耗

和总的计算时延T_t(x^t,y^t)；并建立优化问题和约束条件；

构造MEC服务器n在t+1时隙的能耗成本队列

作为亏损能耗成本的历史度量，能耗成本队列的集合被表示为：

定义二次函数

表示能量消耗队列的拥挤程度——即能耗队列的长度；

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：在t时隙，当缓存决策为x^t卸载决策为y^t时总的计算时延为：

其中：存储在MEC服务器n上的计算任务在t时隙的总计算时延为：

其中：

指在t时隙MEC服务器n上进行处理的任务数量，

指t时隙，在缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的计算时延。

指t时隙发送到MEC服务器n上的任务数量，则

指t时隙卸载到云服务器上的任务数量，h^t指t时隙任务卸载到云服务器传输延迟；

协作计算在t时隙，在缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的时延为：

其中：

指在t时隙MECn上进行协作处理计算任务的数量，

指在t时隙，缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的计算时延。

指在t时隙计算任务k从MECn传送到MEC n^*的通信时延；

在t时隙，在缓存策略x^t和计算卸载策略y^t下，MECn上的任务直接去云服务器处理的时延为：

其中：h^t指t时隙任务卸载到云服务器传输延迟。

是t时隙所有任务的数量，m,M,k,K,

和

之前已介绍，表达的意思是剩下的这部分任务需卸载到云端处理。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：MEC服务器n在t时隙，在缓存策略x^t和计算卸载策略y^t下的平均计算能耗为：

其中：η_n是MEC服务器n上与工作负载无关的静态功率，当MECn以最大的CPU速度f_n运行时，单位能耗为γ_n。μ_k是任务k的计算需求均值。

是t时隙到达MEC服务器n上进行处理的计算任务k的数目。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：将长期能量约束加入时延最小化的目标函数a，形成新的目标函数b，包括：

构造MEC服务器n在t时隙的能耗成本队列q_n(t)作为亏损能耗成本的历史度量；

定义t时隙MEC服务器n的能耗为

MEC服务器n的长期能耗约束为

能耗成本队列为:

能耗成本队列的集合为：

新的目标函数b的上界：

其中E_max指代每个时隙的最大的能耗约束，V是一个正参数，控制系统的计算时延和能耗成本之间的平衡。

作为本发明所述面向移动边缘网络系统的优化服务缓存及计算卸载方法的一种优选方案，其中：解决每一个时间间隙最小化优化问题包括：

预测服务需求

找到将会发送到MEC服务器n上的服务需求列表taskList，按照任务出现次数排列；

在满足缓存大小的情况下按照taskList中的顺序存储计算任务作为初始的缓存决策，并在已知缓存决策的情况下，找到最佳的卸载决策；

将每个边缘服务器的卸载决策初始化为0，迭代每个边缘服务器，将当前边缘服务器的卸载决策改为1，比较两者的优化问题的值，选择值较高的卸载决策作为所述最佳的卸载决策；

随机改变当前边缘服务器上的缓存决策，找出最佳的卸载决策；

比较缓存决策和卸载决策对应的目标函数b的最小值，将最小值较小的缓存决策和卸载决策作为当前MEC服务器的缓存决策和卸载决策；

若满足优化问题的限制条件，广播给其他边缘服务器，否则，重新计算。

本发明的有益效果：本发明综合考虑在面向移动边缘网络系统的优化服务缓存及计算卸载方法的各种约束条件，在这些条件下通过联合缓存和计算卸载策略达到时延最小化。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为缓存和计算卸载系统的整体架构；

图2为优化服务缓存及计算卸载算法的流程图；

图3为目标函数b最优解算法流程图；

图4为网络时延和网络能耗两个方面展示的不同方法的性能示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

再其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

实施例1

参照图1～3，本实施例提供了一种面向移动边缘网络系统的优化服务缓存及计算卸载方法，一种多接入边缘计算网络下自适应视频协作缓存机制，该系统以边缘计算环境下的存储、计算能力等作为约束，通过对用户请求视频内容在边缘侧进行处理，实现在边缘侧命中率的最大化，同时追求请求时延以及回程流量的优化，具体的：

步骤一，对系统中的每一个元素进行定义，建立系统模型，该步骤具体包括：我们考虑有Ν个边缘服务器和1个云服务器的系统，边缘服务器通过

索引，分别表示为

这些边缘服务器部署在一片区域中，并通过高速局域网(high-speedLAN)连接并具有存储和计算功能。第n个边缘服务器的存储空间为C_n，计算能力为f_n(cycleper second)，表示cpu的最大频率。因此区域中的用户可以将任务发送给本地的边缘服务器进行处理，如果边缘服务器中已经缓存此任务，并且此边缘服务器拥有足够的计算资源，直接计算并发送给用户。否则将任务卸载到云服务器进行处理。假设系统中有M个区域，表示为

并且边缘服务器随机分布在这M个区域中。用集合S_m表示第m个区域中的用户能够到达的基站集合，可以看出

此外，我们将时间线划分为几个离散的时间槽

其中T是时隙索引的最大值。在本文中，我们考虑的应用需求由两部分组成：1)计算任务：可以在边缘服务器上执行，也可以卸载到云服务器上。我们假设云服务器上的存储资源和计算资源无限大。2)请求的内容：可以从云服务器或边缘服务器的缓存存储中下载。一般情况下，我们假设用户生成的计算任务遵循泊松过程。假设共有K个计算任务，表示为

每个计算任务需要的存储空间为C_k，计算需求(cpu cycles)为f_k，其中C_k服从[C_kmin,C_kmax]上的均匀分布，其中C_kmin和C_kmax分别代表均匀分布的上界和下界，f_k服从[f_kmin,f_kmax]上的均匀分布，f_kmin和f_kmax分别代表均匀分布的上界和下界。在t时隙，区域m中任务k的到达遵循大小为

的泊松分布，因此，在t时隙系统对任务k的需求可用一个向量描述：

在实践中，需求预测器可以使用一些经过充分研究的学习技术(如自回归分析)，在t时隙开始之前估计瞬时需求。但是，这种预测是短期的，只针对当前的下一个时隙，这与离线算法需要的长期预测不同。以往的许多研究表明，这种瞬时工作量往往可以以较高的精度预测。

步骤二，建立移动边缘网络系统优化服务的缓存模型。当用户将计算任务k发送给MEC服务器n时，MEC服务器n需要做出是否缓存的决策。如果计算任务k已经缓存，就可以减少计算时延。但是由于MEC服务器n的存储空间空间有限，不能同时缓存所有业务。因此，MEC服务器n必须要有一个好的策略来决定缓存哪些任务。我们用

表示在t时隙k任务缓存在MEC n上，否则

则在t时隙MEC服务器n上的缓存决策可以表示为

此外，服务缓存决策需要小于MEC服务器n的容量，即：

当确认了缓存决策，为了计算MEC服务器n上需要处理的计算任务的k的任务量。我们首先假设在t时隙，缓存了计算任务k的MEC服务器集合为

由上下文可知，

其次，为了使分析简单，假设计算任务k在t时隙对于区域m的需求

是平均分布在基站集合

上的。由此可得MEC服务器n在t时隙上计算任务k的数目为：

步骤三，建立移动边缘网络系统优化服务的计算卸载模型。当用户将计算任务k发送给MEC服务器n时，MEC服务器n还需要做出本地计算还是计算卸载到云端的决策。对于计算密集型的任务来说，计算是一个比较耗时的操作。因此，一个好的计算卸载决策对于减少系统处理时间起着至关重要的作用。我们用

表示t时隙时计算任务在MEC服务器n上进行本地处理。考虑到计算任务的泊松生成，计算卸载系统可采用M/G/1排队模型进行建模，则被MEC服务器n处理的计算任务的计算时延可以通过该模型计算得到。由上下文可知t时隙MEC服务器n上进行本地处理的任务k的工作量为：

则在t时隙MEC服务器n上进行本地处理的任务量为：

这是所有MEC的服务缓存和任务卸载决策的结果。因为实际情况中存在着多种类型的服务，因此我们假设总体服务时间分布是一系列指数分布中的随机抽样。特别地，假设t时隙计算需求均值为μ_k的任务k的概率被简化为

并让变量s代表服务时间的随机变量，则期望为：

其中：

指t时隙在MEC服务器n上进行处理的任务数量

方差为：

根据Pollaczek-Khinchin公式，可得t时隙在MEC服务器n上，在缓存策略x^t和计算卸载策略y^t下期望停留时间即本地计算时延为：

因为我们假设云服务器上的计算能力无限大，因此将计算任务卸载到云端产生的主要是传输延迟，假设t时隙传输延迟为h^t，则t时隙存储在MEC服务器n上的任务在缓存策略x^t和计算卸载策略y^t的总计算时延为：

其中：

指t时隙在MEC服务器n上进行处理的任务数量，

指t时隙在缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的计算时延。

指t时隙发送到MEC服务器n上的任务数量，则

指t时隙卸载到云服务器上的任务数量，h^t指t时隙任务卸载到云服务器传输延迟；

对于区域m上的计算任务k，如果本区域可以到达的MEC服务器集合上没有存储计算任务k，但是其他区域可以到达的MEC服务器集合(即

)上存储计算任务k，则可以通过MEC服务器之间的协作在其他MEC服务器上进行计算任务，我们设这部分的MEC服务器集合为

t时隙在MEC服务器n上进行协作处理计算任务的数量为：

这部分时延主要由本地计算时延和MEC服务器n之间的通信时延组成，为了计算方便，我们的通信时延都用单位距离的通信时延表示，则t时隙在缓存策略x^t和计算卸载策略y^t下协作计算的时延为：

其中：

指t时隙在MECn上进行协作处理计算任务的数量，

指在t时隙缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的计算时延。

指在t时隙计算任务k从MECn传送到MEC n^*的通信时延；

除此之外的时延需要直接去云服务器处理。这部分时延为：

其中：h^t指t时隙任务卸载到云服务器传输延迟。

是t时隙所有任务的数量，

和

之前已介绍，总体意思就是剩下的这部分任务需卸载到云端处理

因此，t时隙在缓存策略x^t和计算卸载策略y^t下总的计算时延为：

此外，t时隙MEC服务器n和n^*之间的通信速率，可以通过以下公式计算：

其中，B是每个MEC服务器可用的频谱带宽，p_n为MEC服务器n的传动功率，变量

是MEC服务器n和MEC服务器n^*之间的信道增益。σ²是噪声功率。则在t时隙计算任务k从MEC服务器n传送到MEC服务器n^*的通信时延为：

在ME服务器进行计算任务会调动CPU消耗能量，为了方便表示这部分消耗，我们假设在有计算任务时，MEC服务器以最大的CPU速度处理任务，在空闲时，MEC服务器以最小的CPU速度运行。假设MEC服务器n上与工作负载无关的静态功率为η_n，当MEC服务器n以最大的CPU速度f_n运行时，单位能耗为γ_n，则t时隙在缓存策略x^t和计算卸载策略y^t下MEC服务器n的平均计算能耗为：

考虑到处理任务的计算时延以及各项资源约束，我们联合考虑了MEC服务器的缓存和卸载决策，以最小化计算时延，同时保持较低的计算能耗。优化问题a可以表述为：

其中，

是每个MEC的长期能耗约束。

确保每个时隙的能耗约束。T_t(x^t,y^t)≤T_max确保每个时隙的时延约束。

保证所有缓存内容不能超过每个边缘服务器的存储能力。

和

表示缓存策略和卸载策略的可能值。

优化问题a的主要挑战是MEC服务器的长期能量约束以及不同时间段的缓存和计算卸载策略。为了解决没有全局信息的MEC服务器的长期能耗约束问题，在系统的计算时延和能耗成本之间取得平衡。首先，我们构造MEC服务器n的能耗成本队列作为亏损能耗成本的历史度量，以此来知道缓存和卸载决策，以遵循长期的能量约束。能耗成本队列可以表示为:

其中，q_n(t)是时隙t MEC服务器n的能耗队列长度，以及初始队列长度q_n(0)＝0，MEC服务器n的能耗成本通过q_n(t)估算，以执行缓存决策和卸载决策。如果

值变大，系统的能耗成本将超过长期能耗成本预算

为了保证约束(15.1)，每个MEC服务器

的q_n(t)需要是稳定的，即

对于边缘计算网络中的所有服务器来说，能耗成本队列的集合被表示为：

我们定义一个二次函数：

表示能量消耗队列的“拥挤程度”，若

变量值较小，说明队列积压较小，且队列稳定。为了保持能耗成本队列稳定，即通过不断地将目标函数a推向一个较低的值来加强能源消耗约束，我们引入了一步条件漂移

漂移量

表示二次函数中能耗成本队列在一个时隙内的变化。新的目标函数b定义为：

函目标函数b中的V是一个正参数，控制系统的计算时延和能耗成本之间的平衡。漂移惩罚函数的上界可通过以下方式推导得出：

步骤四，提出了优化服务缓存及计算卸载算法，将原来的长期优化问题转化为只需要当前时间间隙信息的优化问题。其次，我们的算法使得MEC服务器能够决定缓存哪些计算任务，在边缘服务器上以多少的比例进行本地计算，其余以分布式的方式卸载到云上。具体的步骤是，对每一个时间间隙最小化优化问题，之后更新花销队列。

步骤五，解决每一个时间间隙最小化优化问题的原理如下：

第一步，对于每个MEC服务器n，执行以下步骤：

第二步，预测服务需求

找到将会发送到MEC服务器n上的服务需求列表taskList，并按照任务出现次数排列；

第三步，在满足缓存大小的情况下按照taskList中的顺序存储计算任务作为初始的缓存决策。并在已知缓存决策的情况下，按照第四步的方式找到最佳的卸载决策；

第四步，将每个MEC服务器的卸载决策初始化为0，迭代每个MEC服务器，将当前MEC服务器的卸载决策改为1，比较两者的目标函数b值，选择值较高的卸载决策；

第五步，随机改变当前MEC服务器上的存储决策，以和第三步一样方法找出最佳的卸载决策。

第六步，比较第三步和第五步中的缓存决策和卸载决策对应的目标函数b的最小值，将最小值较小的缓存决策和卸载决策作为当前MEC服务器的缓存决策和卸载决策；

第七步，如果满足目标函数b的限制条件，广播给其他MEC服务器，否则，回到第二步。

本发明根据边缘服务器提供的缓存和计算能力，设计了一种移动边缘网络系统的优化服务以及计算卸载方法，以得到用户请求计算内容的最小化时延。

实施例2

对本文中提到的一种面向移动边缘网络系统的优化服务缓存及计算卸载方法，本实施例采用java语言编写仿真环境进行测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。实验主要参数如下表所示：

参数	值
		区域个数	25
边缘服务器个数	9
		任务数目	[0,12]
任务类型数目	10
		任务需要的计算能力	[0.1,0.5]GHz
任务需要的存储空间	[20,100]GB
		MEC存储空间	200GB
计算能力	10GHz

本实施例将所提出的服务缓存及计算卸载算法(JCCO)与其他三个基线进行了比较:

(1)非合作任务缓存(Non-cooperative)：MEC的缓存服务是系统中需求量最大的服务，每个MEC独立工作，没有相互通信且不考虑能耗约束；

(2)短视任务缓存(Myopic)：在每个时间间隔中施加能耗约束并且最小化系统延迟。

(3)OREO：基于Gibbs采样变体的分散算法，开发出联合优化服务缓存和任务卸载的算法。

图4从网络时延和网络能耗两个方面展示了不同方法的性能。可以观察到，所有算法的网络时延随着时间的增长而增长，所有算法的网络能耗随着时间的增长而下降。结果表明了JCCO在能量消耗较小的情况下达到了最优的时间延迟性能。Myopic达到了最少的能量消耗，但是它的时延表现较差，而且过低的能量消耗意味着能源使用效率的低下。OREO的时间延迟表现和能耗表现相对中庸，与JCCO相比，它的能耗维持在一个较低的水平，但是时延增长较快。相比之下，JCCO稍微牺牲了能耗需求而使时延优化到最高水平。在非合作的情况下，MEC根据需求预测单独做出决定，此种方式忽略了MEC之间的相互合作，导致其在时延和降低能耗上均性能较差。

重要的是，应注意，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。

此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。

应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：包括，

对系统中的每一个元素进行定义，建立系统模型；

建立移动边缘网络系统优化服务的缓存模型；

建立移动边缘网络系统优化服务的计算卸载模型；

提出面向移动边缘网络系统的优化服务缓存及计算卸载算法；

解决每一个时间间隙最小化时延优化问题。

2.根据权利要求1所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：建立所述系统模型包括：

定义有N个边缘服务器和1个云服务器的系统，所述N个边缘服务器部署在一片区域中并具有存储和计算功能；区域中的用户通过高速局域网连接所在区域内的边缘服务器，所述边缘服务器成为该用户的本地服务器；用户能够将请求任务发送给本地的所述边缘服务器进行处理；

若本地边缘服务器中已经缓存所述任务，且边缘服务器拥有足够的计算资源，则直接计算并发送给用户，否则将任务卸载到云服务器进行处理。

3.根据权利要求1或2所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：建立移动边缘网络系统优化服务的缓存模型，包括：

当用户将计算任务k发送给MEC服务器n时，MEC服务器n判断是否缓存；

若计算任务k已经缓存，减少计算时延；因为MEC服务器的存储空间有限，不能同时缓存所有业务；

MEC服务器判断缓存哪些任务。

4.根据权利要求3所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：建立移动边缘网络系统优化服务的计算卸载模型，包括：

用户将计算任务k发送给MEC服务器n时，MEC服务器n判断做出本地计算或计算卸载到云端；

根据计算任务的泊松生成，计算卸载系统采用M/G/1排队模型进行建模；得到被MEC服务器n处理的计算任务的计算时延。

5.根据权利要求4所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：建立时延最小化的整形线性规划目标函数a：

其中T_t(x^t,y^t)指在t时隙，当缓存决策为x^t卸载决策为y^t时的时延；

指T_t(x^t,y^t)的期望值；将时间线划分为几个离散的时间间隙T＝{0,1,…,T-1}，其中T是时间间隙索引的最大值。

6.根据权利要求5所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：

计算MEC服务器n在t时隙的计算能耗

和在t时隙总的计算时延T_t(x^t,y^t)；并建立优化问题和约束条件；

构造MEC服务器n在t时隙的能耗成本队列q_n(t),推导出下一时隙t+1的队列长度：

作为亏损能耗成本的历史度量；其中

表示时隙t的能耗，

表示长期能耗约束；能耗成本队列的集合被表示为：

定义二次函数

表示能量消耗队列的“拥挤程度“——即能耗消耗队列长度。

7.根据权利要求4～6任一所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：在t时隙，当缓存决策为x^t卸载决策为y^t时总的计算时延为：

其中：N是MEC索引的最大值，存储在MEC服务器n上的任务的总计算时延为：

其中：

指在t时隙MEC服务器n上进行处理的任务数量，

指t时隙，在缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的计算时延；

指t时隙发送到MEC服务器n上的任务数量，则

指t时隙卸载到云服务器上的任务数量，h^t指t时隙任务卸载到云服务器传输延迟；

协作计算的时延为：

其中：

指t时隙在MEC n上进行协作处理计算任务的数量，

指t时隙，在缓存策略x^t和计算卸载策略y^t下的在MEC服务器n上的计算时延；

指在t时隙计算任务k从MEC n传送到MEC n^*的通信时延；

直接去云服务器处理的时延为：

其中：h^t指t时隙任务卸载到云服务器传输延迟。

是t时隙所有任务的数量，m代指区域，

其中M是区域索引的最大值。

8.根据权利要求7所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：MEC服务器n在t时隙，当缓存决策为x^t卸载决策为y^t时的平均计算能耗为：

其中：η_n是MEC服务器n上与工作负载无关的静态功率，当MEC n以最大的CPU速度f_n运行时，单位能耗为γ_n；μ_k是任务k的计算需求均值；

是t时隙到达MEC服务器n上进行处理的计算任务k的数目。

9.根据权利要求8所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：将长期能量约束加入时延最小化的目标函数a，形成新的目标函数b，包括：

构造MEC服务器n在t时隙的能耗成本队列q_n(t)作为亏损能耗成本的历史度量；

定义t时隙MEC服务器n的能耗为

MEC服务器n的长期能耗约束为

已知t时隙MEC服务器n的能耗成本队列能耗成本队列q_n(t)，则t+1时隙的能耗成本队列q_n(t+1)为:

能耗成本队列的集合为：

新的目标函数b的上界：

其中E_max指代每个时隙的最大的能耗约束，V是一个正参数，控制系统的计算时延和能耗成本之间的平衡。

10.根据权利要求8或9所述的面向移动边缘网络系统的优化服务缓存及计算卸载方法，其特征在于：

解决每一个时间间隙最小化优化问题包括：

预测服务需求

是指t时隙到达区域m中任务k的数量遵循

的泊松分布；找到将会发送到MEC服务器n上的服务需求列表taskList，按照任务出现次数排列；

在满足缓存大小的情况下按照taskList中的顺序存储计算任务作为初始的缓存决策，并在已知缓存决策的情况下，找到最佳的卸载决策；

将每个边缘服务器的卸载决策初始化为0，迭代每个边缘服务器，将当前边缘服务器的卸载决策改为1，比较两者的优化问题的值，选择值较高的卸载决策作为所述最佳的卸载决策；

随机改变当前边缘服务器上的缓存决策，找出最佳的卸载决策；

比较缓存决策和卸载决策对应的目标函数b的最小值，将最小值较小的缓存决策和卸载决策作为当前MEC服务器的缓存决策和卸载决策；

若满足优化问题的限制条件，广播给其他边缘服务器，否则，重新计算。

Images