CN115134366B - 一种移动边缘分发网络服务器放置方法及系统 - Google Patents

一种移动边缘分发网络服务器放置方法及系统 Download PDF

Info

Publication number
CN115134366B
CN115134366B CN202210743069.8A CN202210743069A CN115134366B CN 115134366 B CN115134366 B CN 115134366B CN 202210743069 A CN202210743069 A CN 202210743069A CN 115134366 B CN115134366 B CN 115134366B
Authority
CN
China
Prior art keywords
mobile
distribution
edge
user
mobile 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
CN202210743069.8A
Other languages
English (en)
Other versions
CN115134366A (zh
Inventor
陆佃杰
张桂娟
徐卫志
蔡永青
郭振华
霍吉东
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 Mass Institute Of Information Technology
Shandong Normal University
Original Assignee
Shandong Mass Institute Of Information Technology
Shandong 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 Shandong Mass Institute Of Information Technology, Shandong Normal University filed Critical Shandong Mass Institute Of Information Technology
Priority to CN202210743069.8A priority Critical patent/CN115134366B/zh
Publication of CN115134366A publication Critical patent/CN115134366A/zh
Application granted granted Critical
Publication of CN115134366B publication Critical patent/CN115134366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及移动边缘计算技术领域，提供了一种移动边缘分发网络服务器放置方法及系统，包括：获取所有移动用户设备的位置；基于所有移动用户设备的位置，通过多种群人工蜂群算法最大化目标函数，得到被选为边缘服务器的移动用户设备；其中，目标函数为在给定时间窗口内能够以分发速率从边缘服务器接收内容的移动用户设备的数量。适用于具有差异性的用户移动设备。

Description

一种移动边缘分发网络服务器放置方法及系统
技术领域
本发明属于移动边缘计算技术领域，尤其涉及一种移动边缘分发网络服务器放置方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
移动边缘计算(Mobile Edge Computing，MEC)可利用5G技术为用户提供具备高性能、低延迟与高带宽的内容服务和计算功能。内容分发是MEC的关键技术之一。在MEC中，大量边缘服务器被部署在互联网的“边缘”，内容模块提供者(Content Module Providers，CMPs)通过边缘服务器就近为周围的用户提供内容、服务及应用的快速下载。
随着移动设备硬件技术的不断发展，移动用户的手持设备比如手机、平板电脑等也经常被用来作为边缘服务器以及中转设备使用，该类称作移动边缘分发网络(MobileEdge Delivery Networks,MEDNs)。
但是，由于用户移动设备的差异性，所构建的MEDNs通常都是异构的，基于MEDNs的内容分发往往受到众多约束，比如边缘服务器数量、内容分发时间以及分发速率等限制。目前，对于如何在考虑边缘服务器数量、内容分发时间以及分发速率限制下最大化用户覆盖的问题，尚缺乏有效的解决方案。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种移动边缘分发网络服务器放置方法及系统，在考虑边缘服务器数量、内容分发时间以及分发速率限制下将移动边缘分发过程建模为覆盖最大化问题，并利用多种群人工蜂群(Artificial bee colony，ABC)算法对该问题进行了求解，适用于具有差异性的用户移动设备。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种移动边缘分发网络服务器放置方法，其包括：
获取所有移动用户设备的位置；
基于所有移动用户设备的位置，通过多种群人工蜂群算法最大化目标函数，得到被选为边缘服务器的移动用户设备；
其中，目标函数为在给定时间窗口内能够以分发速率从边缘服务器接收内容的移动用户设备的数量。
进一步地，两个移动用户设备之间的分发时间和所述分发速率为独立且同分布的正随机变量。
进一步地，所述多种群人工蜂群算法利用聚类算法，基于所有移动用户设备的位置，利用聚类算法将移动用户设备分割若干个子种群。
进一步地，所述子种群中第j个雇佣蜂对应的候选解通过生成新候选解来更新，其中：
式中，S为子种群中候选解的数量，|L|为被选为边缘服务器的移动用户设备的数量，表示第j个候选解中第i个位置，/>表示第j个雇佣蜂生成的新候选解中第i个位置，φij和μij均为随机数，/>代表蜜源丰富度最高的子种群的聚类中心。
进一步地，所述候选解需要将每个位置替换为距离该位置最近的移动用户设备的位置。
本发明的第二个方面提供一种移动边缘分发网络服务器放置系统，其包括：
数据获取模块，其被配置为：获取所有移动用户设备的位置；
优化模块，其被配置为：基于所有移动用户设备的位置，通过多种群人工蜂群算法最大化目标函数，得到被选为边缘服务器的移动用户设备；
其中，目标函数为在给定时间窗口内能够以分发速率从边缘服务器接收内容的移动用户设备的数量。
进一步地，两个移动用户设备之间的分发时间和所述分发速率为独立且同分布的正随机变量。
进一步地，所述多种群人工蜂群算法利用聚类算法将雇佣蜂分割为不同的组，一个组即为一个子种群。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种移动边缘分发网络服务器放置方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种移动边缘分发网络服务器放置方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供了一种移动边缘分发网络服务器放置方法，其将移动边缘分发过程映射为Markov状态转移过程，然后在考虑边缘服务器数量、内容分发时间以及分发速率限制下，将其建模为覆盖最大化问题，适用于具有差异性的用户移动设备。
本发明提供了一种移动边缘分发网络服务器放置方法，其利用人工蜂群启发式算法对覆盖最大化问题进行了求解，并且利用聚类算法将蜂群分割为不同的组，组间采用基于环形传递的方式进行解的传递，从而扩展了解的多样性；组内种群间采用基于中心控制的通信方式，加快了算法的收敛速度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例一的一种移动边缘分发网络服务器放置方法的流程图；
图2是本发明实施例一的移动边缘分发网络的示意图；
图3(a)是本发明实施例一的从边缘服务器到目的地的内容分发过程的初始状态示意图；
图3(b)是本发明实施例一的从边缘服务器到目的地的内容分发过程的中间状态示意图；
图3(c)是本发明实施例一的从边缘服务器到目的地的内容分发过程的截止状态示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种移动边缘分发网络服务器放置方法，如图1所示，具体包括以下步骤：
步骤1、构建移动边缘分发网络。
如图2所示，用G(V,E,L,R,T)表示MEC网络。其中，V代表移动用户(即移动用户的手持设备)节点集合，可以接收和发送内容；E代表连接两个用户设备的无线连接边集合。首先，从移动用户节点集合V中选择一组用户L作为边缘服务器；来自云服务器的内容将预先缓存在这些边缘服务器中；然后，L中的边缘服务器将在时间t＝0时将内容以速率R分发给其相邻的用户；一旦相邻的用户接收到内容，它将进一步将该内容转发给其相邻的用户；这个过程一直持续到给定时间窗口T结束。
步骤2、基于Markov过程的移动边缘分发过程建模。
在从边缘服务器到目的节点的分发过程中，根据对内容分发的贡献，用户可以分为两组；一组为转发用户集F(t)，由对内容分发过程做出过贡献的用户组成；一旦这些用户接收并转发了内容，它们就不再重复接收和转发该内容；另一组为冗余用户集K(t)，其用户对向目标用户的分发进程没有任何贡献，即使这些用户接收和转发内容，内容也会最终被其它转发用户阻塞。
由于转发用户和冗余用户在后续都不再参与分发过程，即处于非激活状态，将这两种用户组合成一个非激活用户集合Z(t)，其中
Z(t)＝F(t)∪K(t)
图3(a)、图3(b)和图3(c)显示了从边缘服务器到目的地8的内容分发过程的示例。图3(a)表示初始分发网络，其中选择的边缘服务器集合为L＝{2,5}(需要注意的是，随着分发状态的改建，集合L不会发生变化，L是给定的初始集合)，用户8为目的用户，在时间t＝0，F(0)＝{2,5}，K(0)＝{1}，因为从用户1到用户8的任何路径都被不活动的用户2阻塞；结果，无效的集合在时间t＝0的用户是Z(0)＝{1,2,5}。假设内容将在t＝1时从用户2分发到用户4，且从5分发到用户6(如图3(b)所示)，用户4和6将变为非活动状态，用户3将变为冗余；因此，F(1)＝{2,4,5,6}，K(1)＝{1,3}，并且Z(1)＝{1,2,3,4,5}。图3(c)显示分发过程，在时间t＝2，从用户4前进到目标用户8，用户7变为冗余用户；因此，F(2)＝{2,4,5,6,8}，K(2)＝{1,3,7}，Z(2)＝{1,2,3,4,5,6,7,8}。
按照该过程随时间t的推移，可以获取一系列Z(t)，由于它们在某时刻是唯一的并随时间变化的，可以看作是分发网络的状态。通过研究不同时刻Z(t)之间的转换关系可以得到一个状态空间为Ω＝{Z(t),0<t<T}的连续时间Markov过程，其中，Z(0)为网络的初始状态(Initial State)，Z(T)为吸收状态(Absorb State)，其无穷小生成矩阵Q＝[q(A,B)]：
其中，Rij为用户i到用户j的内容分发速率；A表示网络在时间t的状态，B表示网络中用户收到内容之后的状态，A,B∈Ω；Π(·)代表传递路径上至少经过其中的一个用户；Γ(A)是A与之间的唯一最小分割，Γj(A)＝{(i,j)∈Γ(A)}。
考虑到用户间的内容分发过程受边缘服务器设备发送能力、接收能力以及用户间的距离等因素的影响，用户间的内容分发速率具有非均匀性，将用户间的内容分发速率建模为
Rij＝κiφijρj
其中，κi和ρj分别表示移动用户设备i的发送能力和移动用户设备j的接收能力，其值越大，内容分发速率就越高；φij用来表示用户间内容分发的衰减，借鉴无线电波信号自由空间传播(Free-space Propagation,FSP)衰减模型，将φij建模为
其中，d表示移动用户设备i和移动用户设备j间的距离，υ为可视阈值；用户间距离越远，内容衰减越大，当用户间距离超出可视阈值时，衰减至0，即内容无法传递。
当用户i在时间ti接收内容并将其转发给用户j；假设用户j在时间tj(tj>ti)接收到转发内容。i到j的分发时间为Δti,j＝tj-ti。考虑到MEC用户设备的移动性和网络拓扑的动态变化性，两个连接用户之间的分发时间通常是不确定的。
将Δti,j建模为一个独立且同分布的正随机变量正随机变量δ(Δti,j；Ri,j)，该变量取决于分发速率Ri,j，通常假设为指数分布：
步骤3、移动边缘分发覆盖最大化建模。
设Φ(L,R,T)是在给定时间窗口T内能够以分发速率R从边缘服务器L接收内容的移动用户设备的数量，在时间T之前接收内容的平均用户数：
其中，P(ti<T|L,R)是时间T之前任意用户i接收到内容的概率，e是所有值为1的列向量，a＝(a1,a2,…am)，且ae+am+1＝1，N是用户设备的数量；是生成矩阵，Q'是无穷小的生成矩阵Q的m×m子矩阵，Q是通过删除同吸收状态相关联的一行和一列而获得的；m×1向量d1包含从瞬时状态到吸收状态的转变强度，并且d1＝-Q'e；行向量0是零向量，因为没有发生从吸收状态到瞬时状态的转变。
目标是在L、R和T的约束下，最大化Φ(L,R,T)；因此，约束优化问题，即目标函数，可以表述为：
MaxΦ(L,R,T)
可以通过从任何候选边缘服务器集合L中选择最优服务器来解决最大化问题；因此，可以推导出最优边缘服务器集合L*：
L*＝arg maxΦ(L,R,T)
步骤4、获取所有移动用户设备的位置，并通过多种群ABC算法最大化目标函数，得到被选为边缘服务器的移动用户设备。
由于上述优化问题是NP-hard问题，如何高效求解也是本发明重要内容。本发明提出多种群ABC智能优化算法求解该问题。
本实施例的多种群ABC智能优化算法，候选解方案是从当前个体位置选择，而不是在计算域中自由生成；利用聚类算法将蜂群分割为不同的组，组间采用基于环形传递的方式进行解的传递，从而扩展解的多样性；组内种群间采用基于中心控制的通信方式，加快算法的收敛速度。其具体过程如下：
(1)获取所有移动用户设备的位置，假设存在N个移动用户设备，令迭代次数τ＝1，并初始化可行解。
基于所有移动用户设备的位置，利用聚类算法将移动用户设备分割为k个子种群，且每个子种群的移动用户设备数量分别为{N1,N2,…,Nk}，且
在每个子种群内生成S个初始解(与雇佣蜂一一对应)，每个初始解中包含|L|个移动用户设备的位置：
其中， 表示第j个雇佣蜂对应的候选解中第i个移动用户设备的位置；S为子种群候选解的数量(等同于雇佣蜂的数量)，|L|为每个雇佣蜂中包含的位置的数量，即被选为边缘服务器的移动用户设备的数量，|L|的取值要小于子种群移动用户设备数量Ni。
(2)在子种群内部执行多次搜索优化迭代，并交互共享自身和全局信息。在每次迭代中，每个子种群中的雇佣蜂j通过生成一个新的候选解
来更新解Xj,其中，/>表示第j个雇佣蜂生成的候选解中第i个位置；新候选解引入全局种群信息后可以定义为：
式中，i∈{1,2,…,|L|}是随机选择的上标索引；l∈{1,…,S},l≠j是随机选择的候选解的索引；代表蜜源丰富度(即适应度值)最高的子种群的聚类中心；φij和μij均为区间[-1,1]内的随机数。
其中，计算出的新的候选位置需要映射到群体中最近的个体，即将每个位置(c2i -1,c2i)(1≤i≤N)替换为离该位置最近的移动用户设备的位置o(xo,yo)，
c2i-1＝xo
c2i＝yo
如果f(Cj)>f(Xj)，则将Xj替换为Cj；否则，Xj保持不变。
通过与其它种群交互获取所有种群的最优候选解，选取适应度值最高的候选解作为全局最优候选解，并利用其位置更新子种群的聚类中心
(3)在每个子种群中，每个跟随蜂都使用轮盘选择机制来选择雇佣蜂，从而进一步优化每个雇佣蜂找到的解；第j个雇佣蜂被选择的概率可以定义为：
(4)在子种群内部执行多次搜索优化迭代，并交互共享自身和全局信息。在每次迭代中，每个子种群中的雇佣蜂j若被选择(即pj>z，z为设定值)，则雇佣蜂j通过生成一个新的候选解 来更新解Xj，新候选解的计算与步骤(3)一致。
其中，计算出的新的候选位置需要映射到群体中最近的个体，即将每个位置(c2i -1,c2i)(1≤i≤N)替换为离该位置最近的个体o(xo,yo)。
如果f(Cj)>f(Xj)，则将Xj替换为Cj；否则，Xj保持不变。
其中，定义适应度函数为T时间内影响的个体数量，例如，对于第i个子种群的第j个雇佣蜂对应的候选解Cj的适应度为：
其中，L是候选解(即将来要被选为边缘服务器)对应的移动用户设备的集合，R是用户内容分发速率的集合，ti为个体i接收到内容的时间，Nr是子种群r中的移动用户设备数量。
(5)判断是否满足结束条件，若没有，τ＝τ+1，并返回步骤(2)；否则，迭代结束，最终保留的Cj中，适应度最大的一个。
(6)将所有子种群获得的候选集适应度值进行比较，值最大的那一个候选集即为被选为边缘服务器的移动用户的位置集合。
本发明将移动边缘分发过程映射为Markov状态转移过程，然后在考虑边缘服务器数量、内容分发时间以及分发速率限制下，将其建模为覆盖最大化问题，适用于具有差异性的用户移动设备；利用人工蜂群启发式算法对覆盖最大化问题进行了求解，并且利用聚类算法将蜂群分割为不同的组，组间采用基于环形传递的方式进行解的传递，从而扩展了解的多样性；组内种群间采用基于中心控制的通信方式，加快了算法的收敛速度。
实施例二
本实施例提供了一种移动边缘分发网络服务器放置系统，其具体包括如下模块：
数据获取模块，其被配置为：获取所有移动用户设备的位置；
优化模块，其被配置为：基于所有移动用户设备的位置，通过多种群人工蜂群算法最大化目标函数，得到被选为边缘服务器的移动用户设备；
其中，目标函数为在给定时间窗口内能够以分发速率从边缘服务器接收内容的移动用户设备的数量。
两个移动用户设备之间的分发时间和所述分发速率为独立且同分布的正随机变量。
多种群人工蜂群算法利用聚类算法将雇佣蜂分割为不同的组，一个组即为一个子种群。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种移动边缘分发网络服务器放置方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种移动边缘分发网络服务器放置方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种移动边缘分发网络服务器放置方法，其特征在于，包括：
获取所有移动用户设备的位置；
基于所有移动用户设备的位置，通过多种群人工蜂群算法最大化目标函数，得到被选为边缘服务器的移动用户设备；
其中，目标函数为在给定时间窗口内能够以分发速率从边缘服务器接收内容的移动用户设备的数量；所述目标函数的建模步骤如下：
步骤1、构建移动边缘分发网络；用G(V,E,L,R,T)表示MEC网络；
其中，V代表移动用户节点集合；E代表连接两个用户设备的无线连接边集合；
步骤2、基于Markov过程的移动边缘分发过程建模；
在从边缘服务器到目的节点的分发过程中，根据对内容分发的贡献，用户分为两组；一组为转发用户集F(t)，另一组为冗余用户集K(t)，将这两种用户组合成一个非激活用户集合Z(t)，其中Z(t)＝F(t)∪K(t)；
按照该过程随时间t的推移，获取一系列Z(t)；通过研究不同时刻Z(t)之间的转换关系得到一个状态空间为Ω＝{Z(t),0<t<T}的连续时间Markov过程，其中，Z(0)为网络的初始状态，Z(T)为吸收状态，其无穷小生成矩阵Q＝[q(A,B)]：
其中，Rij为用户i到用户j的内容分发速率；A表示网络在时间t的状态，B表示网络中用户收到内容之后的状态，A,B∈Ω；Π(·)代表传递路径上至少经过其中的一个用户；Γ(A)是A与之间的唯一最小分割，Γj(A)＝{(i,j)∈Γ(A)}；
用户间的内容分发速率具有非均匀性，将用户间的内容分发速率建模为
Rij＝κiφijρj
其中，κi和ρj分别表示移动用户设备i的发送能力和移动用户设备j的接收能力；φij用来表示用户间内容分发的衰减，借鉴无线电波信号自由空间传播衰减模型，将φij建模为
其中，d表示移动用户设备i和移动用户设备j间的距离，υ为可视阈值；
步骤3、移动边缘分发覆盖最大化建模；
Φ(L,R,T)是在给定时间窗口T内以分发速率R从边缘服务器L接收内容的移动用户设备的数量，在时间T之前接收内容的平均用户数：
其中，P(ti<T|L,R)是时间T之前任意用户i接收到内容的概率，e是所有值为1的列向量，a＝(a1,a2,…am)，且ae+am+1＝1，N是用户设备的数量；是生成矩阵，Q'是无穷小的生成矩阵Q的m×m子矩阵，Q是通过删除同吸收状态相关联的一行和一列而获得的；m×1向量d1包含从瞬时状态到吸收状态的转变强度，并且d1＝-Q'e；行向量0是零向量；
目标是在L、R和T的约束下，最大化Φ(L,R,T)。
2.如权利要求1所述的一种移动边缘分发网络服务器放置方法，其特征在于，两个移动用户设备之间的分发时间和所述分发速率为独立且同分布的正随机变量；所述两个移动用户设备之间的分发时间求法如下：当用户i在时间ti接收内容并将其转发给用户j；用户j在时间tj接收到转发内容,tj＞ti；i到j的分发时间为Δti,j＝tj-ti。
3.如权利要求1所述的一种移动边缘分发网络服务器放置方法，其特征在于，所述多种群人工蜂群算法利用聚类算法，基于所有移动用户设备的位置，利用聚类算法将移动用户设备分割若干个子种群。
4.如权利要求3所述的一种移动边缘分发网络服务器放置方法，其特征在于，所述子种群中第j个雇佣蜂对应的候选解通过生成新候选解/>来更新，其中：
式中，S为子种群中候选解的数量，|L|为被选为边缘服务器的移动用户设备的数量，表示第j个候选解中第i个位置，/>表示第j个雇佣蜂生成的新候选解中第i个位置，φij和μij均为随机数，/>代表蜜源丰富度最高的子种群的聚类中心。
5.如权利要求4所述的一种移动边缘分发网络服务器放置方法，其特征在于，所述候选解需要将每个位置替换为距离该位置最近的移动用户设备的位置。
6.一种移动边缘分发网络服务器放置系统，其特征在于，包括：
数据获取模块，其被配置为：获取所有移动用户设备的位置；
优化模块，其被配置为：基于所有移动用户设备的位置，通过多种群人工蜂群算法最大化目标函数，得到被选为边缘服务器的移动用户设备；
其中，目标函数为在给定时间窗口内能够以分发速率从边缘服务器接收内容的移动用户设备的数量；所述目标函数的建模步骤如下：
步骤1、构建移动边缘分发网络；用G(V,E,L,R,T)表示MEC网络；
其中，V代表移动用户节点集合；E代表连接两个用户设备的无线连接边集合；
步骤2、基于Markov过程的移动边缘分发过程建模；
在从边缘服务器到目的节点的分发过程中，根据对内容分发的贡献，用户分为两组；一组为转发用户集F(t)，另一组为冗余用户集K(t)，将这两种用户组合成一个非激活用户集合Z(t)，其中Z(t)＝F(t)∪K(t)；
按照该过程随时间t的推移，获取一系列Z(t)；通过研究不同时刻Z(t)之间的转换关系得到一个状态空间为Ω＝{Z(t),0<t<T}的连续时间Markov过程，其中，Z(0)为网络的初始状态，Z(T)为吸收状态，其无穷小生成矩阵Q＝[q(A,B)]：
其中，Rij为用户i到用户j的内容分发速率；A表示网络在时间t的状态，B表示网络中用户收到内容之后的状态，A,B∈Ω；Π(·)代表传递路径上至少经过其中的一个用户；Γ(A)是A与之间的唯一最小分割，Γj(A)＝{(i,j)∈Γ(A)}；
用户间的内容分发速率具有非均匀性，将用户间的内容分发速率建模为
Rij＝κiφijρj
其中，κi和ρj分别表示移动用户设备i的发送能力和移动用户设备j的接收能力；φij用来表示用户间内容分发的衰减，借鉴无线电波信号自由空间传播衰减模型，将φij建模为
其中，d表示移动用户设备i和移动用户设备j间的距离，υ为可视阈值；
步骤3、移动边缘分发覆盖最大化建模；
Φ(L,R,T)是在给定时间窗口T内以分发速率R从边缘服务器L接收内容的移动用户设备的数量，在时间T之前接收内容的平均用户数：
其中，P(ti<T|L,R)是时间T之前任意用户i接收到内容的概率，e是所有值为1的列向量，a＝(a1,a2,…am)，且ae+am+1＝1，N是用户设备的数量；是生成矩阵，Q'是无穷小的生成矩阵Q的m×m子矩阵，Q是通过删除同吸收状态相关联的一行和一列而获得的；m×1向量d1包含从瞬时状态到吸收状态的转变强度，并且d1＝-Q'e；行向量0是零向量；
目标是在L、R和T的约束下，最大化Φ(L,R,T)。
7.如权利要求6所述的一种移动边缘分发网络服务器放置系统，其特征在于，两个移动用户设备之间的分发时间和所述分发速率为独立且同分布的正随机变量；所述两个移动用户设备之间的分发时间求法如下：当用户i在时间ti接收内容并将其转发给用户j；用户j在时间tj接收到转发内容,tj＞ti；i到j的分发时间为Δti,j＝tj-ti。
8.如权利要求6所述的一种移动边缘分发网络服务器放置系统，其特征在于，所述多种群人工蜂群算法利用聚类算法将雇佣蜂分割为不同的组，一个组即为一个子种群。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的一种移动边缘分发网络服务器放置方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的一种移动边缘分发网络服务器放置方法中的步骤。
CN202210743069.8A 2022-06-28 2022-06-28 一种移动边缘分发网络服务器放置方法及系统 Active CN115134366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210743069.8A CN115134366B (zh) 2022-06-28 2022-06-28 一种移动边缘分发网络服务器放置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210743069.8A CN115134366B (zh) 2022-06-28 2022-06-28 一种移动边缘分发网络服务器放置方法及系统

Publications (2)

Publication Number Publication Date
CN115134366A CN115134366A (zh) 2022-09-30
CN115134366B true CN115134366B (zh) 2024-03-15

Family

ID=83380557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210743069.8A Active CN115134366B (zh) 2022-06-28 2022-06-28 一种移动边缘分发网络服务器放置方法及系统

Country Status (1)

Country Link
CN (1) CN115134366B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109041073A (zh) * 2018-09-01 2018-12-18 哈尔滨工程大学 一种自供能无线传感器网络最优节点放置方法
WO2020026140A1 (en) * 2018-07-30 2020-02-06 Telefonaktiebolaget Lm Ericsson (Publ) Machine learning method for adaptive virtual network functions placement and readjustment
CN111601327A (zh) * 2020-05-14 2020-08-28 北京赛宝工业技术研究院有限公司 一种服务质量优化方法、装置、可读介质和电子设备
WO2020209703A1 (en) * 2019-04-12 2020-10-15 Samsung Electronics Co., Ltd. Method and system for discovering edge-server or edge-service through domain name server (dns) resolution
CN111988787A (zh) * 2020-07-27 2020-11-24 山东师范大学 一种任务的网络接入和服务放置位置选择方法及系统
CN112261623A (zh) * 2020-09-14 2021-01-22 山东师范大学 基于全局最优人工蜂群算法的无人机基站部署方法及系统
CN112395090A (zh) * 2020-11-19 2021-02-23 华侨大学 一种移动边缘计算中服务放置的智能混合优化方法
CN112469047A (zh) * 2020-11-24 2021-03-09 大连大学 一种天地一体化智能网络卫星节点部署方法
CN112784362A (zh) * 2021-01-25 2021-05-11 南京航空航天大学 一种用于无人机辅助边缘计算的混合优化方法及系统
CN113504949A (zh) * 2021-06-22 2021-10-15 山东师范大学 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统
CN113918318A (zh) * 2021-09-03 2022-01-11 山东师范大学 移动边缘计算的联合优化方法及系统
CN114126066A (zh) * 2021-11-27 2022-03-01 云南大学 面向mec的服务器资源配置与选址联合优化决策方法
CN114423023A (zh) * 2021-12-08 2022-04-29 重庆邮电大学 一种面向移动用户的5g网络边缘服务器部署方法
WO2022121097A1 (zh) * 2020-12-07 2022-06-16 南京邮电大学 一种移动用户计算任务的卸载方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020026140A1 (en) * 2018-07-30 2020-02-06 Telefonaktiebolaget Lm Ericsson (Publ) Machine learning method for adaptive virtual network functions placement and readjustment
CN109041073A (zh) * 2018-09-01 2018-12-18 哈尔滨工程大学 一种自供能无线传感器网络最优节点放置方法
WO2020209703A1 (en) * 2019-04-12 2020-10-15 Samsung Electronics Co., Ltd. Method and system for discovering edge-server or edge-service through domain name server (dns) resolution
CN111601327A (zh) * 2020-05-14 2020-08-28 北京赛宝工业技术研究院有限公司 一种服务质量优化方法、装置、可读介质和电子设备
CN111988787A (zh) * 2020-07-27 2020-11-24 山东师范大学 一种任务的网络接入和服务放置位置选择方法及系统
CN112261623A (zh) * 2020-09-14 2021-01-22 山东师范大学 基于全局最优人工蜂群算法的无人机基站部署方法及系统
CN112395090A (zh) * 2020-11-19 2021-02-23 华侨大学 一种移动边缘计算中服务放置的智能混合优化方法
CN112469047A (zh) * 2020-11-24 2021-03-09 大连大学 一种天地一体化智能网络卫星节点部署方法
WO2022121097A1 (zh) * 2020-12-07 2022-06-16 南京邮电大学 一种移动用户计算任务的卸载方法
CN112784362A (zh) * 2021-01-25 2021-05-11 南京航空航天大学 一种用于无人机辅助边缘计算的混合优化方法及系统
CN113504949A (zh) * 2021-06-22 2021-10-15 山东师范大学 Mar客户端在边缘计算中的任务卸载与参数优化方法及系统
CN113918318A (zh) * 2021-09-03 2022-01-11 山东师范大学 移动边缘计算的联合优化方法及系统
CN114126066A (zh) * 2021-11-27 2022-03-01 云南大学 面向mec的服务器资源配置与选址联合优化决策方法
CN114423023A (zh) * 2021-12-08 2022-04-29 重庆邮电大学 一种面向移动用户的5g网络边缘服务器部署方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种能耗优化的云内容分发网络;刘玉洁;《小型微型计算机系统》(第第10期期);全文 *
基于离散人工群算法的云制造服务组合;常瑞云;周井泉;许斌;亓晋;;计算机技术与发展(07);全文 *
基于蚁群优化算法的移动边缘协作计算;花德培;孙彦赞;吴雅婷;王涛;;电子测量技术(20);全文 *
面向物联网的移动边缘计算任务卸载方法研究;王登辉;陈毅红;;内江师范学院学报(10);全文 *

Also Published As

Publication number Publication date
CN115134366A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Nath et al. Deep reinforcement learning for dynamic computation offloading and resource allocation in cache-assisted mobile edge computing systems
Cui et al. Novel method of mobile edge computation offloading based on evolutionary game strategy for IoT devices
Guo et al. Distributed k–connected fault–tolerant topology control algorithms with PSO in future autonomic sensor systems
Oda et al. WMN–GA: A simulation system for WMNs and its evaluation considering selection operators
Asim et al. Multi-IRS and multi-UAV-assisted MEC system for 5G/6G networks: Efficient joint trajectory optimization and passive beamforming framework
Reddy et al. Hybrid optimization algorithm for security aware cluster head selection process to aid hierarchical routing in wireless sensor network
Dai et al. Edge intelligence for adaptive multimedia streaming in heterogeneous internet of vehicles
CN113098714A (zh) 一种基于深度强化学习的低时延网络切片的方法
Ali et al. Smart computational offloading for mobile edge computing in next-generation Internet of Things networks
CN108111335A (zh) 一种调度和链接虚拟网络功能的方法及系统
Mohanakrishnan et al. MCTRP: an energy efficient tree routing protocol for vehicular ad hoc network using genetic whale optimization algorithm
Yan et al. Joint user access mode selection and content popularity prediction in non-orthogonal multiple access-based F-RANs
Ahmed et al. An optimized k-nearest neighbor algorithm for extending wireless sensor network lifetime
Banerjee et al. Construction of energy minimized WSN using GA-SAMP-MWPSO and K-mean clustering algorithm with LDCF deployment strategy
Van Truong et al. System performance and optimization in NOMA mobile edge computing surveillance network using GA and PSO
Ramalingam et al. Performance enhancement of efficient clustering and routing protocol for wireless sensor networks using improved elephant herd optimization algorithm
Liu et al. Multi-agent federated reinforcement learning strategy for mobile virtual reality delivery networks
Baek et al. Floadnet: Load balancing in fog networks with cooperative multiagent using actor–critic method
Selvakumar et al. Energy efficient clustering with secure routing protocol using hybrid evolutionary algorithms for mobile adhoc networks
CN115134366B (zh) 一种移动边缘分发网络服务器放置方法及系统
CN112073983A (zh) 基于流量预测的无线数据中心网络拓扑优化方法及系统
Zhou et al. Binary quantum elite particle swarm optimization algorithm for spectrum allocation in cognitive wireless medical sensor network
Lu et al. Maximizing multicast lifetime in unreliable wireless ad hoc network
Balevi et al. Synergies between cloud-fag-thing and brain-spinal cord-nerve networks
Ko et al. Two-Phase Split Computing Framework in Edge-Cloud Continuum

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