CN115002113A - 一种移动基站边缘计算力资源调度方法、系统、电子设备 - Google Patents

一种移动基站边缘计算力资源调度方法、系统、电子设备 Download PDF

Info

Publication number
CN115002113A
CN115002113A CN202210590134.8A CN202210590134A CN115002113A CN 115002113 A CN115002113 A CN 115002113A CN 202210590134 A CN202210590134 A CN 202210590134A CN 115002113 A CN115002113 A CN 115002113A
Authority
CN
China
Prior art keywords
user
edge
computing
representing
resource
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
CN202210590134.8A
Other languages
English (en)
Other versions
CN115002113B (zh
Inventor
邵旺
王一为
吕珺
刘军宁
李新良
葛妍
林晓勇
王明伟
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.)
Zhong Tongfu Energy Conservation Technology Services Co ltd
Nanjing University of Posts and Telecommunications
Original Assignee
Zhong Tongfu Energy Conservation Technology Services Co ltd
Nanjing University of Posts and Telecommunications
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 Zhong Tongfu Energy Conservation Technology Services Co ltd, Nanjing University of Posts and Telecommunications filed Critical Zhong Tongfu Energy Conservation Technology Services Co ltd
Priority to CN202210590134.8A priority Critical patent/CN115002113B/zh
Publication of CN115002113A publication Critical patent/CN115002113A/zh
Application granted granted Critical
Publication of CN115002113B publication Critical patent/CN115002113B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5051—Service on demand, e.g. definition and deployment of services in real time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5054—Automatic deployment of services triggered by the service manager, e.g. service implementation by automatic configuration of network components
    • 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
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1021—Server selection for load balancing based on client or server locations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H04W28/14—Flow control between communication endpoints using intermediate storage
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/50—Service provisioning or reconfiguring
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种提高用户满意度的移动基站边缘计算力资源调度方法，根据用户类型的特点综合考虑了边缘服务器计算、网络以及存储资源的分配对于用户的影响，提现计算力共享的思想，建立移动基站边缘缓存策略、用户移动模型、资源分配模型以及用户满意度评估，通过与本地边缘基站和云端服务器协作调度进行计算力资源分配，本发明可以有效提高移动用户对基站带宽资源服务满意程度的可实现方法。同时，本发明还提出了一种提高用户满意度的移动基站边缘计算力资源调度系统、电子设备，最大化地提高移动用户在动态资源分配中对服务的满意程度。

Description

一种移动基站边缘计算力资源调度方法、系统、电子设备
技术领域
本发明涉及移动通信技术和边缘计算领域，尤其涉及一种基于提高用户满意度的移动基站移动边缘计算的缓存、计算以及网络资源分配方法。
背景技术
随着IoT(Internet of Things，物联网)和通信技术的不断发展，移动终端设备在日常生活中的应用迅速地增加，导致单位时间内的用户请求数以及数据量呈爆炸式增长。目前，以传统的方式来处理用户请求业务已经越来越难以满足其服务质量的需求，这对于运营商的传输网络以及核心网也都产生了巨大的压力。在这种背景下，边缘计算(edgecomputing)逐渐成为了一种有前途的解决方案。
边缘计算是通过在靠近用户终端的基站或接入点部署边缘服务器，为用户提供计算和网络等资源，以完成用户的各种业务请求。作为边缘计算的一项关键技术，资源分配为用户带来了更低的时延和能耗，缓解了云端服务器的压力。此外，边缘计算的关键技术还有边缘缓存以及计算卸载等，其研究的相关场景中也会涉及到缓存资源、计算资源以及网络资源的分配和调度等问题。在边缘计算中，资源分配技术的应用广泛并且对于用户终端请求的时延和能耗等服务质量指标的影响重大。
边缘缓存的目的是为了使更多的用户在边缘获取资源和服务，因为边缘比云端更接近用户，用户在边缘产生的时延和能耗比云端显著降低。关于边缘服务器中缓存内容的选择问题一般可以分为缓存各类用户业务和单一用户业务两种类型。
计算卸载是为了降低用户本地终端的压力，将计算密集型的任务送到服务器中执行。关于计算卸载的研究通常会涉及到资源分配问题，主要目的有降低用户时延和能耗、最大化能源效率以及提高5G大数据等业务的更好体验等。
不过目前关于边缘资源分配的研究都倾向于只考虑单一的计算资源或缓存资源，未能联合考虑计算、网络以及缓存资源的分配对于用户的影响。但是在实际情况中，用户请求需要多种资源来协作分配完成的，并且用户的请求是复杂多样，产生的计算任务也是性质不一的。
发明内容
本发明所要解决的技术问题是为更加科学和客观地实现边缘计算下的用户资源分配，考虑了边缘服务器的计算、网络和缓存资源的分配对于不同类型的用户的影响，提出了一种提高用户满意度的移动基站边缘计算力资源调度方法，最大化地提高移动用户在动态资源分配中对服务的满意程度。
本发明为解决以上技术问题而采用以下技术方案：
本发明提出一种提高用户满意度的移动基站边缘计算力资源调度方法，包括：
S1、边缘服务器对本地数据库中所有的用户请求内容进行流行度分析，并将本地数据库中各类流行度不同的用户请求放入边缘缓存服务器中；
S2、分析每个周期下用户的本地资源状态和运动状态，把本地闲置的计算资源放入边缘服务器中，更新所有用户的位置坐标，并停止所有离开基站覆盖区域内的用户服务；
S3、边缘服务器根据S1和S2的结果对用户请求进行分析，与本地和云端协作并结合计算和网络资源分配模型，将整体的资源分配问题建模成混合整数非线性规划问题，从而求解得到各类用户请求的资源获取方式和大小。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，步骤S1的具体步骤如下：
(a)用户请求分类：将本地的用户请求分为视频业务、小数据业务、大数据业务以及超大业务；
(b)内容缓存分析：通过分析用户请求的特点，得到本地所有可缓存的内容；
(c)边缘缓存判决：用Zipf分布来描述基站覆盖区域内用户请求内容的流行度，其表达式如下：
Figure BDA0003664790260000021
其中，pi表示每个访问内容的流行度，N表示本地所有可缓存内容的总数，ξ是Zipf的参数；
(d)流行度缓存判决：根据边缘服务器的缓存空间来计算各类型用户请求的最大缓存数量，将各类用户请求中流行度高的内容放入边缘缓存服务器中，得到边缘服务器的缓存结果。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，步骤S2的具体步骤如下：
(a)用户计算算力共享：分析每个用户在完成本地计算任务后的闲置计算资源大小，再把用户提供的所有闲置计算资源集中到边缘处，得到边缘服务器实际上提供的计算资源总数；
(b)用户运动分析：通过建立用户运动模型，得到每个请求周期下用户位置。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，步骤S3的具体步骤如下：
(a)计算资源分析：根据用户产生计算任务的特点，分为在终端产生和在服务器中产生的计算任务；根据计算任务的大小和本地终端的计算资源，将终端处产生的计算任务分为本地执行、边缘执行以及云端执行三种；
(b)网络资源分析：除了卸载计算任务需要的信道带宽，用户的上下行业务还需要对应不同的网络带宽；用
Figure BDA0003664790260000031
表示服务器提供给用户的网络带宽，用
Figure BDA0003664790260000032
表示用户期望的网络带宽，定义网络时延
Figure BDA0003664790260000033
(c)满意程度分析：根据实际产生的时延和能耗与用户要求的关系来建立如下的用户满意度公式：
Figure BDA0003664790260000034
其中，
Figure BDA0003664790260000035
以及
Figure BDA0003664790260000036
分别表示用户的计算时延、能耗以及网络时延的要求，
Figure BDA0003664790260000037
和
Figure BDA0003664790260000038
分别表示用户需要和实际提供的网络带宽，ti和ei分别表示实际产生的计算时延和能耗；参数αi、βi、γi分别对应表示在用户满意度中计算时延、能耗以及网络时延的权重，且满足条件αi+βi+γi＝1，具体值取决于用户请求的类型；
(d)资源分配分析：以最大化用户平均满意度为目的，为所有请求用户分配所需的计算和网络资源；将连续时间内的资源分配决策问题转化成每个周期下的资源分配决策问题，并将其建模成混合整数非线性规划问题：
Figure BDA0003664790260000039
其中N表示当前周期内用户请求总数；
(e)求解分配问题：通过改进遗传算法求解混合整数非线性规划问题，得到当前周期内用户请求的最大平均满意度，进而得到一段连续时间内的资源分配结果。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，计算资源分配模型如下：
用户在本地生成计算任务时，选择本地执行或者卸载到边缘和云端执行；本地执行计算任务的时延为
Figure BDA00036647902600000310
产生的用户能耗为
Figure BDA00036647902600000311
卸载到边缘执行计算任务的时延为
Figure BDA0003664790260000041
产生的用户能耗为
Figure BDA0003664790260000042
其中
Figure BDA0003664790260000043
卸载到云端执行计算任务的时延为
Figure BDA0003664790260000044
产生的用户能耗为
Figure BDA0003664790260000045
其中
Figure BDA0003664790260000046
用户在服务器内部生成计算任务时且只能在服务器内处理，只产生计算任务执行时延，且不产生的用户能耗；
其中，ci表示用户任务所需的计算量，di表示用户任务的大小，
Figure BDA0003664790260000047
表示用户的本地计算能力，fi e表示边缘服务器提供的计算能力，fi c表示云端服务器提供的计算能力，k表示用户终端的有效电容开关，pi表示用户终端的发射功率，ri表示用户计算任务上传到边缘的速率，Ri表示用户计算任务上传到云端的速率，
Figure BDA0003664790260000048
表示卸载到边缘时的信道带宽，
Figure BDA0003664790260000049
表示卸载到云端时的信道带宽，hi表示信道增益，σ2表示噪声功率。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，求解分配问题步骤，是通过改进遗传算法来求解最优化问题，包括编码、产生初始种群、适应度评估、选择、交叉和变异步骤；其中，
采用实数编码，染色体的每个基因值表示一组变量，每个染色体就代表一种资源分配方案；通过随机生成的方法生成多个染色体；将所有的用户满意度的算术平均值为该染色体的适应度值；采取轮盘赌法，使用单点交叉的方法产生新的资源分配方案；通过随机改变用户的资源获取方式或大小来改变整体分配方案，寻找到资源分配方案的最优解。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，所述参数ξ的取值为0.6。
进一步，本发明所提出的一种提高用户满意度的移动基站边缘计算力资源调度方法，在进行用户运动分析时，将连续时间下的运动分析转化为每一秒下的运动分析；把用户在每一秒下的运动看作是有固定方向和速度的，但是每秒之间的运动方向和速度是没有联系的。
本发明还提出一种提高用户满意度的移动基站边缘计算力资源调度系统，包括：
流行度分析模块，其被配置用于：采用边缘服务器对本地数据库中所有的用户请求内容进行流行度分析，并将本地数据库中各类流行度不同的用户请求放入边缘缓存服务器中；
资源分析模块，其被配置用于：分析每个周期下用户的本地资源状态和运动状态，把本地闲置的计算资源放入边缘服务器中，更新所有用户的位置坐标，并停止所有离开基站覆盖区域内的用户服务；
资源分配模块，其被配置用于：根据流行度分析模块和资源分析模块的结果对用户请求进行分析，与本地和云端协作并结合计算和网络资源分配模型，将整体的资源分配问题建模成混合整数非线性规划问题，从而求解得到各类用户请求的资源获取方式和大小。
本发明还提出一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，其特征在于，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述的本发明方法。
本发明采用以上的方案与现有技术相比，具有以下效果：
1、本发明综合考虑了边缘服务器中的计算、缓存以及网络资源对于整体方案的影响。其中，引入了“算力共享”思想，增加了边缘服务器的计算资源。可以使尽可能多的用户在边缘侧获取请求的内容；并且通过及时停止无效的用户服务来提高资源利用率；根据不同用户请求的特点为用户进行分类，可以为不同类型的用户请求分配所需资源，尽可能地满足用户的差异化要求，提高用户对整体服务的满意程度。
2、结合边缘缓存策略、用户移动模型、资源分配模型以及用户满意度模型进行资源分配，通过改进遗传算法来求解最终的资源分配决策问题，提高了用户整体的服务质量。
附图说明
图1是本发明提供的用户请求与边缘服务器的交互示意图。
图2是本发明提供的基于用户满意度的边缘计算的资源分配方法的流程示意图。
图3是本发明提供的TCP常用的端口号。
图4是本发明提供的用户在基站覆盖区域内的运动示意图。
图5是本发明的云端处理和边缘处理的示意图。
具体实施方式
下面结合附图对本发明的资源分配方案做进一步地详细说明：
本发明提供了一种提高用户满意度的移动基站边缘计算力资源调度方法，考虑了用户移动性的影响，引入了“算力共享”的思想，结合了边缘缓存和计算卸载技术，用户请求与基站以及边缘服务器的交互流程如图1、图5所示。其中，边缘服务器的资源分配方法的具体流程如图2所示，该方法具体步骤包括：
S1、边缘服务器对本地数据库中所有的用户请求内容进行流行度分析，将各类流行的用户请求放入边缘缓存服务器中，具体描述如下：
S11、边缘缓存模型分析：主要涉及到服务提供商、边缘服务器以及移动用户三部分。其中，服务提供商在云端服务器中提供不同类型的需求服务，响应用户的访问请求；边缘服务器部署在基站上，以较低的时延为附近的用户缓存并提供一些数据和服务内容；做为智能运算用户(ICU,Intelligent Computing user)的移动用户根据自身的资源需求和时延要求等特性发送请求，依从缓存策略决定是从边缘服务器中还是云端服务器中获取请求内容和资源；考虑到实际情况中的用户请求是多样的，所以要先把用户请求分为视频业务、小数据业务、大数据业务以及新兴的超大业务；因为用户语音业务所需的资源有限且通常优先于其他业务而可以被分配足够的资源，所以此场景下不考虑语音业务；用户请求业务采用的协议通常承载于TCP之上，可以通过端口号判断用户请求的类型，常见的TCP端口号如图3所示。
S12、建立边缘缓存策略：因为本发明的目的是提高用户对整体服务的满意程度，而用户在边缘处获取资源的时延和能耗都比较低，所以如何提高边缘服务器服务用户的比例就成为了ECS(Edge Computing Scheduling,边缘计算调度)方案的问题；移动通信系统中用户访问内容的流行度是遵循Zipf分布，用Zipf分布函数来描述基站覆盖区域内的各类用户请求流行度，其表达式如下：
Figure BDA0003664790260000061
其中，pi表示每个访问内容的流行度，N表示本地所有可缓存内容的总数，ξ是Zipf的参数，其取值一般为[0.32，0.85]。
S13、得出边缘缓存结果：由于用户的请求类型是多样的，所以要为各类型用户请求都分配缓存空间；根据边缘服务器的缓存空间来计算各类型用户请求的最大缓存数量，将各类用户请求中流行度高的内容放入边缘缓存服务器中；假定边缘缓存的视频时长相同并且都是最高比特率，而且同一类型的网页和文件等数据业务的大小是相差不大的；因此，每种类型的用户请求的最大缓存空间可以表述为其最大缓存数量，但是不同类型的用户请求的可缓存个数是不同的。
S2、通过对用户终端的计算资源和运动状态的分析，把本地闲置的计算资源放入边缘服务器中，更新所有用户的位置坐标，并停止所有离开基站覆盖区域内的用户服务，具体描述如下：
S21、用户共享分析：首先，对用户终端的计算资源状态进行分析；用户请求需要的计算资源不仅可以从服务器中获取，也可以从本地终端中得到；由于用户的请求内容是千差万别的，所以其所需要的计算资源也是大小不同的；在现实生活中，同一区域内常常会出现有闲置计算资源的用户和计算资源紧缺的用户，一般会通过卸载多余的计算任务到边缘或云端处理，却没有考虑利用本地其他终端闲置的计算资源；不过通过把“算力共享”的思想引入到边缘计算的场景中，可以把用户提供的闲置计算资源集中到边缘处，为拥有计算密集型任务的用户提供更多的计算资源，使用户执行计算任务的整体时延得到了降低；其中，用户的闲置资源是指用户终端能够在时延要求内完成计算任务后的剩余计算资源。
S22、用户运动分析：用户的移动性是边缘计算中必须要考虑的因素，因为用户移动会使其与基站的距离发生变化，既会影响本地卸载计算任务的上传速率，也会在用户离开基站覆盖区域后继续占用服务器资源；由于用户是时不时地发送请求且其时间也是不一样的，所以可以把每个周期内目标用户的运动看作是杂乱无章的；图4是本发明提供的用户在基站覆盖区域内的运动示意图，假设用户在每一秒下的运动是有固定方向和速度，那么用户在一段时间内的运动便可以看作是无序的；因此，把对用户移动性的分析转化为对用户在每一秒下的运动分析，可以得到目标用户在每个时刻下的位置信息。
如图2所示，本发明方案首先以基站为原点建立一个平面直角坐标系，将其覆盖区域近似看作一个半径为r的圆，定义移动用户的坐标为(xi,yi)，其运动方向与x轴正方向的夹角为θ，运动速度为vi；用户运动一秒后的坐标位置
Figure BDA0003664790260000071
此时用户与边缘服务器的距离
Figure BDA0003664790260000072
因此可以得到每个周期中用户的位置以及其与基站的距离，还可以判断用户在何时会离开基站覆盖区域。
S3、边缘服务器根据S1和S2得到的结果对用户请求进行分析，与本地和云端协作并结合计算和网络资源分配模型，将整体的资源分配问题建模成混合整数非线性规划问题，从而求解得到各类用户请求的资源获取方式和大小，具体描述如下：
S31、计算资源分配模型：因为被考虑的用户请求是被并行处理的，所以不考虑用户排队时延；由于用户发送的请求可能在终端处产生计算任务，也可能在服务器中产生计算任务；所以如何处理计算任务便可以分为以下几种情况：
(1)在终端产生计算任务，本地执行且产生的时延满足用户需求；
(2)在终端产生计算任务，本地执行产生的时延过大，可以考虑选择卸载到边缘或云端执行；
(3)用户请求在服务器中产生的计算任务，只能服务器中执行；
定义产生计算任务的决策向量
Figure BDA0003664790260000073
二进制变量
Figure BDA0003664790260000074
表示任务是在终端处产生还是服务器内产生，即：
Figure BDA0003664790260000081
定义计算任务执行的决策向量
Figure BDA0003664790260000082
二进制变量
Figure BDA0003664790260000083
表示终端处产生的任务是否在本地执行，即：
Figure BDA0003664790260000084
定义计算任务执行的决策向量
Figure BDA0003664790260000085
二进制变量
Figure BDA0003664790260000086
表示在服务器内产生和终端处产生却不在本地执行的任务，是在边缘执行还是云端执行，即：
Figure BDA0003664790260000087
用ci表示用户任务所需的计算量，di表示用户任务的大小，fi l表示用户的本地计算能力，fi e表示边缘服务器提供的计算能力，fi c表示云端服务器提供的计算能力，k表示用户终端的有效电容开关，pi表示用户终端的发射功率，ri表示用户计算任务上传到边缘的速率，Ri表示用户计算任务上传到云端的速率，
Figure BDA0003664790260000088
表示卸载到边缘时的信道带宽，
Figure BDA0003664790260000089
表示卸载到云端时的信道带宽，hi表示信道增益，σ2表示噪声功率。
用户在本地生成计算任务时，可以选择本地执行或者卸载到边缘和云端执行；本地执行计算任务的时延为
Figure BDA00036647902600000810
产生的用户能耗为
Figure BDA00036647902600000811
卸载到边缘执行计算任务的时延为
Figure BDA00036647902600000812
产生的用户能耗为
Figure BDA00036647902600000813
其中
Figure BDA00036647902600000814
卸载到云端执行计算任务的时延为
Figure BDA00036647902600000815
产生的用户能耗为
Figure BDA00036647902600000816
其中
Figure BDA00036647902600000817
用户在服务器内部生成计算任务时且只能在服务器内处理，只产生计算任务执行时延，即
Figure BDA00036647902600000818
没有产生用户能耗。
因此，可以将各种情况下产生的时延用一个公式来表示，即：
Figure BDA0003664790260000091
也可以用一个公式来表示各种情况下处理计算任务产生的用户能耗，即：
Figure BDA0003664790260000092
S32、网络资源分配模型：除了卸载计算任务需要的信道带宽，用户的上下行业务还需要一定的网络带宽；其中，对于用户的视频直播、视频上传、网页和文件数据上传等业务而言，其目的是将用户的内容传送到云端对应的服务器中，所需的网络资源主要就是上行带宽；而视频下载、视频观看、文件下载等业务是从服务器中获取请求内容，其所需的网络资源主要是下行带宽；假定边缘服务器的带宽总和有限，并且可以自由调节上下行带宽的比例；云端服务器的总带宽虽然是无限的，但是其提供给用户的带宽是有上限的；用
Figure BDA0003664790260000093
表示服务器提供给用户的网络带宽，用
Figure BDA0003664790260000094
表示用户期望的网络带宽，定义网络时延
Figure BDA0003664790260000095
S33、用户满意度模型：根据计算和网络资源的分配模型可知，计算时延和能耗的大小影响着用户对于计算资源分配的满意程度，网络时延影响着用户对于网络资源分配的满意程度；此外，考虑到每个用户请求都有自己的时延和能耗要求，所以入一些非负的参数来建立如下的用户满意度公式：
Figure BDA0003664790260000096
其中，
Figure BDA0003664790260000097
以及
Figure BDA0003664790260000098
分别表示用户的计算时延、能耗以及网络时延的要求，
Figure BDA0003664790260000099
和
Figure BDA00036647902600000910
分别表示用户需要和实际提供的网络带宽，ti和ei分别表示实际产生的计算时延和能耗；参数满足αi+βi+γi＝1条件，而这些参数的具体值取决于用户请求的类型。
S34、资源分配模型：当用户终端发送各种请求时，ECS是通过资源分配来尽可能地满足其需要，并最大化用户的满意度；通过使每一个周期内所有用户请求的平均满意度达到最大，可以得到连续时间内最大的用户平均满意度；所以将该资源分配决策问题转化如何在一个周期内最大化用户的平均满意度；基于之前提出的资源分配方案，将一个周期内的最大化用户平均满意度的问题描述为：
Figure BDA0003664790260000101
Figure BDA0003664790260000102
Figure BDA0003664790260000103
Figure BDA0003664790260000104
Figure BDA0003664790260000105
Figure BDA0003664790260000106
Figure BDA0003664790260000107
Figure BDA0003664790260000108
Figure BDA0003664790260000109
其中，N表示当前周期内用户请求总数。因为每个用户请求占用资源的时长是不一样的，所以N表示当前周期新增的和在上一周期内还未完成请求的用户总数。C1中
Figure BDA00036647902600001010
是二进制决策变量，决定的是用户的计算任务执行以及产生地点。C2中
Figure BDA00036647902600001011
的分别表示边缘服务器提供本地计算任务的信道带宽、计算资源以及用户请求内容网络带宽。C3和C4分别表示边缘服务器提供单个用户的最大资源约束。C5表示边缘服务器可提供的信道带宽的约束。C6表示边缘服务器可提供的计算资源的约束。C7表示边缘服务器可提供的网络带宽的约束。C8确保每个用户请求的完成时间不能太长，避免出现个别用户基本分不到资源的极端情况。
S35、求解分配问题：由S34可知，求解连续时间内整体的资源分配结果就是求解一个混合整数非线性规划问题；通过引入遗传算法的思想来求解最优化问题，主要包括编码、产生初始种群、适应度评估、选择、交叉和变异几个步骤；采用实数编码，将染色体用数组S＝[s1,s2,s3,…,sN]T来表示，染色体的每个基因值为
Figure BDA00036647902600001012
表示每一个用户请求的资源分配情况；随机生成初始种群中的染色体，用一个细胞矩阵P来表示初始种群，即P＝{[S1],[S2],…,[SM]}，M为种群规模；把用户满意度的平均值作为该染色体的适应度值，即
Figure BDA00036647902600001013
采取轮盘赌法来决定染色体其被选中概率，即
Figure BDA0003664790260000111
使用单点交叉的方法产生新的资源分配方案；随机选中一条染色体，对其中的基因值进行变异，根据资源分配算法的特点，首先随机改变或不变
Figure BDA0003664790260000112
的值，当这三个值发生变化时，对应用户的资源获取方式也发生了变化，所以还需要改变对应的wi,
Figure BDA0003664790260000113
的值以符合每种方式的资源约束，当这三个值没有发生变化时，对wi,
Figure BDA0003664790260000114
的值进行适当地增大。
通过一定次数的迭代，可以得到当前周期内用户请求的最大平均满意度；虽然是可以通过使每一个周期内所有用户请求的平均满意度达到最大，来得到指定时间段内的最大用户平均满意度，但是用户的请求不可能在一个请求周期内完成，并且用户也有可能在未完成请求前就离开了基站的覆盖区域；因此，为了更贴近实际情况，需要在每个用户请求周期完成后，及时更新每个用户位置、本地计算资源以及请求内容的剩余完成时长的信息，以便更好地贴近实际情况。
由此，本发明提出了一种提高用户满意度的移动基站边缘计算力资源调度方法，综合考虑了边缘服务器中的计算、缓存以及网络资源对于整体方案的影响，引入了“算力共享”思想，结合了边缘缓存策略、用户移动模型、资源分配模型以及用户满意度模型，通过边缘与本地和云端协作，为不同类型的用户请求分配资源，最大化移动用户对基站无线服务的满意程度。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
本领域内的技术人员应明白，本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (10)

1.一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，包括：
S1、边缘服务器对本地数据库中所有的用户请求内容进行流行度分析，并将本地数据库中各类流行度不同的用户请求放入边缘缓存服务器中；
S2、分析每个周期下用户的本地资源状态和运动状态，把本地闲置的计算资源放入边缘服务器中，更新所有用户的位置坐标，并停止所有离开基站覆盖区域内的用户服务；
S3、边缘服务器根据S1和S2的结果对用户请求进行分析，与本地和云端协作并结合计算和网络资源分配模型，将整体的资源分配问题建模成混合整数非线性规划问题，从而求解得到各类用户请求的资源获取方式和大小。
2.根据权利要求1所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，步骤S1的具体步骤如下：
(a)用户请求分类：将本地的用户请求分为视频业务、小数据业务、大数据业务以及超大业务；
(b)内容缓存分析：通过分析用户请求的特点，得到本地所有可缓存的内容；
(c)边缘缓存判决：用Zipf分布来描述基站覆盖区域内用户请求内容的流行度，其表达式如下：
Figure FDA0003664790250000011
其中，pi表示每个访问内容的流行度，N表示本地所有可缓存内容的总数，ξ是Zipf的参数；
(d)流行度缓存判决：根据边缘服务器的缓存空间来计算各类型用户请求的最大缓存数量，将各类用户请求中流行度高的内容放入边缘缓存服务器中，得到边缘服务器的缓存结果。
3.根据权利要求1所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，步骤S2的具体步骤如下：
(a)用户计算算力共享：分析每个用户在完成本地计算任务后的闲置计算资源大小，再把用户提供的所有闲置计算资源集中到边缘处，得到边缘服务器实际上提供的计算资源总数；
(b)用户运动分析：通过建立用户运动模型，得到每个请求周期下用户位置。
4.根据权利要求1所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，步骤S3的具体步骤如下：
(a)计算资源分析：根据用户产生计算任务的特点，分为在终端产生和在服务器中产生的计算任务；根据计算任务的大小和本地终端的计算资源，将终端处产生的计算任务分为本地执行、边缘执行以及云端执行三种；
(b)网络资源分析：除了卸载计算任务需要的信道带宽，用户的上下行业务还需要对应不同的网络带宽；用
Figure FDA0003664790250000021
表示服务器提供给用户的网络带宽，用
Figure FDA0003664790250000022
表示用户期望的网络带宽，定义网络时延
Figure FDA0003664790250000023
(c)满意程度分析：根据实际产生的时延和能耗与用户要求的关系来建立如下的用户满意度公式：
Figure FDA0003664790250000024
其中，
Figure FDA0003664790250000025
以及Ti (1)分别表示用户的计算时延、能耗以及网络时延的要求，
Figure FDA0003664790250000026
和
Figure FDA0003664790250000027
分别表示用户需要和实际提供的网络带宽，ti和ei分别表示实际产生的计算时延和能耗；参数αi、βi、γi分别对应表示在用户满意度中计算时延、能耗以及网络时延的权重，且满足条件αi+βi+γi＝1，具体值取决于用户请求的类型；
(d)资源分配分析：以最大化用户平均满意度为目的，为所有请求用户分配所需的计算和网络资源；将连续时间内的资源分配决策问题转化成每个周期下的资源分配决策问题，并将其建模成混合整数非线性规划问题：
Figure FDA0003664790250000028
其中N表示当前周期内用户请求总数；
(e)求解分配问题：通过改进遗传算法求解混合整数非线性规划问题，得到当前周期内用户请求的最大平均满意度，进而得到一段连续时间内的资源分配结果。
5.根据权利要求4所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，计算资源分配模型如下：
用户在本地生成计算任务时，选择本地执行或者卸载到边缘和云端执行；本地执行计算任务的时延为
Figure FDA0003664790250000029
产生的用户能耗为
Figure FDA00036647902500000210
卸载到边缘执行计算任务的时延为
Figure FDA00036647902500000211
产生的用户能耗为
Figure FDA00036647902500000212
其中
Figure FDA00036647902500000213
卸载到云端执行计算任务的时延为
Figure FDA0003664790250000031
产生的用户能耗为
Figure FDA0003664790250000032
其中
Figure FDA0003664790250000033
用户在服务器内部生成计算任务时且只能在服务器内处理，只产生计算任务执行时延，且不产生的用户能耗；
其中，ci表示用户任务所需的计算量，di表示用户任务的大小，fi l表示用户的本地计算能力，fi e表示边缘服务器提供的计算能力，fi c表示云端服务器提供的计算能力，k表示用户终端的有效电容开关，pi表示用户终端的发射功率，ri表示用户计算任务上传到边缘的速率，Ri表示用户计算任务上传到云端的速率，
Figure FDA0003664790250000034
表示卸载到边缘时的信道带宽，
Figure FDA0003664790250000035
表示卸载到云端时的信道带宽，hi表示信道增益，σ2表示噪声功率。
6.根据权利要求4所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，求解分配问题步骤，是通过改进遗传算法来求解最优化问题，包括编码、产生初始种群、适应度评估、选择、交叉和变异步骤；其中，
采用实数编码，染色体的每个基因值表示一组变量，每个染色体就代表一种资源分配方案；通过随机生成的方法生成多个染色体；将所有的用户满意度的算术平均值为该染色体的适应度值；采取轮盘赌法，使用单点交叉的方法产生新的资源分配方案；通过随机改变用户的资源获取方式或大小来改变整体分配方案，寻找到资源分配方案的最优解。
7.根据权利要求2所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，所述参数ξ的取值为0.6。
8.根据权利要求3所述的一种提高用户满意度的移动基站边缘计算力资源调度方法，其特征在于，在进行用户运动分析时，将连续时间下的运动分析转化为每一秒下的运动分析；把用户在每一秒下的运动看作是有固定方向和速度的，但是每秒之间的运动方向和速度是没有联系的。
9.一种提高用户满意度的移动基站边缘计算力资源调度系统，其特征在于，包括：
流行度分析模块，其被配置用于：采用边缘服务器对本地数据库中所有的用户请求内容进行流行度分析，并将本地数据库中各类流行度不同的用户请求放入边缘缓存服务器中；
资源分析模块，其被配置用于：分析每个周期下用户的本地资源状态和运动状态，把本地闲置的计算资源放入边缘服务器中，更新所有用户的位置坐标，并停止所有离开基站覆盖区域内的用户服务；
资源分配模块，其被配置用于：根据流行度分析模块和资源分析模块的结果对用户请求进行分析，与本地和云端协作并结合计算和网络资源分配模型，将整体的资源分配问题建模成混合整数非线性规划问题，从而求解得到各类用户请求的资源获取方式和大小。
10.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，其特征在于，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任意一项所述的方法。
CN202210590134.8A 2022-05-26 2022-05-26 一种移动基站边缘计算力资源调度方法、系统、电子设备 Active CN115002113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210590134.8A CN115002113B (zh) 2022-05-26 2022-05-26 一种移动基站边缘计算力资源调度方法、系统、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210590134.8A CN115002113B (zh) 2022-05-26 2022-05-26 一种移动基站边缘计算力资源调度方法、系统、电子设备

Publications (2)

Publication Number Publication Date
CN115002113A true CN115002113A (zh) 2022-09-02
CN115002113B CN115002113B (zh) 2023-08-01

Family

ID=83029285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210590134.8A Active CN115002113B (zh) 2022-05-26 2022-05-26 一种移动基站边缘计算力资源调度方法、系统、电子设备

Country Status (1)

Country Link
CN (1) CN115002113B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660647A (zh) * 2022-11-05 2023-01-31 一鸣建设集团有限公司 一种建筑外墙的维护方法
CN115866678A (zh) * 2023-02-20 2023-03-28 中国传媒大学 一种基于网络能耗热点探测的移动边缘缓存资源优化方法
CN117460047A (zh) * 2023-12-26 2024-01-26 汉朔科技股份有限公司 一种终端定位方法、装置、设备以及存储介质
CN117648172A (zh) * 2024-01-26 2024-03-05 南京邮电大学 一种车载边缘计算调度优化方法及系统
CN117648172B (zh) * 2024-01-26 2024-05-24 南京邮电大学 一种车载边缘计算调度优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585916A (zh) * 2019-12-26 2020-08-25 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法
US20210266834A1 (en) * 2020-02-25 2021-08-26 South China University Of Technology METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT
CN113950066A (zh) * 2021-09-10 2022-01-18 西安电子科技大学 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN113950103A (zh) * 2021-09-10 2022-01-18 西安电子科技大学 一种移动边缘环境下多服务器完全计算卸载方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585916A (zh) * 2019-12-26 2020-08-25 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法
US20210266834A1 (en) * 2020-02-25 2021-08-26 South China University Of Technology METHOD OF MULTI-ACCESS EDGE COMPUTING TASK OFFLOADING BASED ON D2D IN INTERNET OF VEHICLES (IoV) ENVIRONMENT
CN113950066A (zh) * 2021-09-10 2022-01-18 西安电子科技大学 移动边缘环境下单服务器部分计算卸载方法、系统、设备
CN113950103A (zh) * 2021-09-10 2022-01-18 西安电子科技大学 一种移动边缘环境下多服务器完全计算卸载方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
齐平;王福成;徐佳;李学俊;: "移动边缘计算环境下基于信任模型的可靠多重计算卸载策略", 计算机集成制造系统, no. 06 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115660647A (zh) * 2022-11-05 2023-01-31 一鸣建设集团有限公司 一种建筑外墙的维护方法
CN115866678A (zh) * 2023-02-20 2023-03-28 中国传媒大学 一种基于网络能耗热点探测的移动边缘缓存资源优化方法
CN115866678B (zh) * 2023-02-20 2023-05-09 中国传媒大学 一种基于网络能耗热点探测的移动边缘缓存资源优化方法
CN117460047A (zh) * 2023-12-26 2024-01-26 汉朔科技股份有限公司 一种终端定位方法、装置、设备以及存储介质
CN117460047B (zh) * 2023-12-26 2024-03-26 汉朔科技股份有限公司 一种终端定位方法、装置、设备以及存储介质
CN117648172A (zh) * 2024-01-26 2024-03-05 南京邮电大学 一种车载边缘计算调度优化方法及系统
CN117648172B (zh) * 2024-01-26 2024-05-24 南京邮电大学 一种车载边缘计算调度优化方法及系统

Also Published As

Publication number Publication date
CN115002113B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN109857546B (zh) 基于Lyapunov优化的多服务器移动边缘计算卸载方法及装置
CN115002113B (zh) 一种移动基站边缘计算力资源调度方法、系统、电子设备
CN111414252B (zh) 一种基于深度强化学习的任务卸载方法
CN110098969B (zh) 一种面向物联网的雾计算任务卸载方法
CN111124647B (zh) 一种车联网中的智能边缘计算方法
CN113010282B (zh) 一种基于深度强化学习的边云协同串行任务卸载方法
WO2023168824A1 (zh) 一种基于联邦学习的移动边缘缓存优化方法
CN111866601B (zh) 一种基于合作博弈的移动边缘场景中的视频码率决策方法
CN111885147A (zh) 边缘计算中的一种资源动态定价方法
Guo et al. Dueling deep-Q-network based delay-aware cache update policy for mobile users in fog radio access networks
CN110312277B (zh) 一种基于机器学习的移动网络边缘协作缓存模型构造方法
CN112491957B (zh) 一种边缘网络环境下的分布式计算卸载方法及系统
CN108541025B (zh) 一种面向无线异构网络的基站与d2d共同缓存方法
CN111935783A (zh) 一种基于流量感知的边缘缓存系统和方法
Zheng et al. 5G network-oriented hierarchical distributed cloud computing system resource optimization scheduling and allocation
CN113411826A (zh) 一种基于注意力机制强化学习的边缘网络设备缓存方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
Ma et al. Deep reinforcement learning for pre-caching and task allocation in internet of vehicles
Liu et al. Mobility-aware video prefetch caching and replacement strategies in mobile-edge computing networks
Wu et al. Deep reinforcement learning-based video quality selection and radio bearer control for mobile edge computing supported short video applications
CN112689296B (zh) 一种异构IoT网络中的边缘计算与缓存方法及系统
CN106793122B (zh) 一种异构网络每比特最小化无线资源安全分配方法
Wang et al. Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
CN109462879B (zh) 一种接纳控制方法及系统

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