CN116483585A - 一种基于边缘计算的多服务预部署方法 - Google Patents

一种基于边缘计算的多服务预部署方法 Download PDF

Info

Publication number
CN116483585A
CN116483585A CN202310712455.5A CN202310712455A CN116483585A CN 116483585 A CN116483585 A CN 116483585A CN 202310712455 A CN202310712455 A CN 202310712455A CN 116483585 A CN116483585 A CN 116483585A
Authority
CN
China
Prior art keywords
mobile user
service
mobile
refers
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
CN202310712455.5A
Other languages
English (en)
Other versions
CN116483585B (zh
Inventor
马勇
苏家俊
赵涵
周新宇
郑文胜
邹健
夏云霓
邵诗韵
刘志全
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 CN202310712455.5A priority Critical patent/CN116483585B/zh
Publication of CN116483585A publication Critical patent/CN116483585A/zh
Application granted granted Critical
Publication of CN116483585B publication Critical patent/CN116483585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于边缘计算的多服务预部署方法，包括：从边缘服务器中核心管理单元获取服务相关数据，并进行数据预处理；构建移动用户距离相似度矩阵和移动用户时间相似度矩阵，计算移动用户相似度矩阵；进行同簇聚类分析，获得移动用户簇以及同簇移动用户相似度矩阵；计算同簇移动用户请求服务概率评分矩阵，通过所述评分矩阵对服务进行降序排列，得到移动用户预测服务队列；通过Comm‑Comp算法选择合适的边缘服务器，从所述预测服务队列中选择服务部署到合适的边缘服务器。通过上述方式，本发明能够有效降低移动用户等待服务的时延，极大的满足了时效性要求高的移动用户，提高了移动用户体验度，保障了边缘计算服务器的准确率。

Description

一种基于边缘计算的多服务预部署方法
技术领域
本发明涉及计算机边缘计算领域，特别是涉及一种基于边缘计算的多服务预部署方法。
背景技术
随着互联网的不断发展，海量的数据和服务对服务器造成了巨大的挑战，边缘计算技术的提出，为解决这种服务请求提供了高效的方法。目前移动用户通过边缘服务器向云端请求部分服务所需要时间过长，现有技术中移动用户向云端请求服务大部分都有较长的延时，导致部分移动用户等待时间太久，甚至一直不能得到服务满足。因此要通过选择算法选择合理的服务，缓存到合适的边缘服务器上，能极大地提高边缘服务器的服务命中率，减少用户等待服务的时间，对提高用户体验度起到关键作用。
公开号为CN115834386A，名称为面向边缘计算环境中的智能服务部署方法、系统及终端的专利，考虑边缘环境服务部署的各类信息，包括时延、成本、路由、可用资源等，在此基础上，做出对时延与成本联合优化的方案，从而提升边缘系统性能，减少部署成本，降低边缘系统设计时的时间成本和工作量，解决了集中型服务部署方案中请求时延过长的问题、基于服务请求的服务部署方案中部署成本过高的问题、基于用户轨迹预测的服务部署方案中需要动态部署服务的问题。但是没有考虑到服务部署时，对于部署的服务选择上对与用户等待时延的影响，从而不能有效的减少用户等待服务时间，导致用户体验度较差。
公开号为CN110049130A，名称为一种基于边缘计算的服务部署和任务调度方法及装置的专利，提供了一种基于边缘计算的服务部署和任务调度方法及装置。通过比较第一节点服务器和备选节点服务器分别对业务请求的计算成本，从而选取出部署有计算单元，且可以高效及时处理该业务请求的节点服务器，避免了将业务请求迁移到某节点服务器之后，导致该节点服务器超载而无法及时处理该业务请求的情况，进而能够有效降低通信延迟，均衡网络负载，提升网络服务质量。但是没有考虑到服务在节点服务器之间进行计算业务请求的计算时间，在一定程度上提高了用户的等待时间同时也会造成服务器的计算资源浪费，导致用户进行服务请求时效率降低，从而造成用户体验度较差。
发明内容
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于边缘计算的多服务预部署方法，该方法包括：
S100：从边缘服务器中的核心管理单元获取服务相关数据，并对所述服务相关数据进行预处理；
S200：根据预处理后的服务相关数据，构建移动用户距离相似度矩阵和移动用户时间相似度矩阵，并通过所述移动用户距离相似度矩阵和移动用户时间相似度矩阵计算得到移动用户相似度矩阵；
S300：根据所述移动用户相似度矩阵进行同簇聚类分析，得到移动用户类簇以及同簇移动用户相似度矩阵；
S400：根据所述移动用户类簇和所述同簇移动用户相似度矩阵，获得同簇移动用户请求服务概率评分矩阵，通过所述同簇移动用户请求服务概率评分矩阵对服务进行降序排列，得到移动用户预测服务队列；
S500：通过Comm-Comp算法选择合适的边缘服务器，从所述移动用户预测服务队列中选择服务部署到所述合适的边缘服务器中；
所述服务相关数据，包括：边缘服务器信息、移动用户信息和请求服务信息；
所述移动用户信息，包括：移动用户经纬度数据、移动用户历史请求服务数据、移动用户请求服务时间和移动用户集合；
所述请求服务信息，包括：请求的服务信息大小数据、服务复杂度数据和服务所需的计算资源数据。
进一步的，所述S200包括：
S210：计算移动用户的兰氏距离并进行归一化，获得移动用户的兰氏距离相似度，根据移动用户的兰氏距离相似度构建移动用户距离相似度矩阵；
S220：通过时间重合公式计算移动用户请求服务时间重合值并进行归一化，获得移动用户时间相似度，根据所述移动用户时间相似度构建移动用户时间相似度矩阵；
S230：通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵，计算得到移动用户相似度矩阵；
所述移动用户的兰氏距离，计算公式为：
；
其中，是指移动用户和移动用户的兰氏距离，是指移动用户 的3维位置信息数组，，是指移动用户的经度，是指移动用 户的纬度，是指移动用户当前位置的时间，，是指移动用 户的经度，是指移动用户的纬度，是指移动用户当前位置的时间；
所述移动用户距离相似度矩阵表示为：
；
其中， 是指移动用户距离相似度矩阵，/>是指移动用户/>和移动用户/>的兰氏距离相似度，n是指移动用户个数；
所述移动用户时间相似度矩阵表示为：
；
其中， 是指移动用户时间相似度矩阵，/>是指移动用户/>和移动用户/>的时间相似度，n是指移动用户个数；
所述通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵，计算得到移动用户相似度矩阵，计算公式为：
；
；
其中，是指移动用户相似度矩阵，/>是指移动用户/>和移动用户/>的相似度，n是指移动用户个数。
进一步的，所述时间重合公式，是指计算两个移动用户之间的移动用户请求服务时间的重合时间大小，所述通过时间重合公式计算移动用户请求服务的时间重合值，计算公式为：
；
其中，是指/>时间段的时间重合值，/>，/>是指移动用户A活跃时间集合，/>，/>是指移动用户B活跃时间集合，，/>是指/>时间段开始时刻和结束时刻，/>是指时间段开始时刻和结束时刻。
进一步的，所述同簇聚类分析是指，从所述移动用户集合中选取第一个移动用户作为聚类中心，根据所述移动用户相似度矩阵，将所有与聚类中心相似度大于阈值的移动用户聚为一个移动用户类簇，将已经聚类的移动用户移出移动用户集合，对移动用户集合重复进行同簇聚类分析，将移动用户聚为m个移动用户类簇，并建立同簇移动用户相似度矩阵/>，所述阈值大小为0.6，m为大于等于1的正整数；
所述移动用户类簇，其中，/>是指第m个移动用户类簇；
所述同簇移动用户相似度矩阵，表示为：
；
其中，是指同簇移动用户相似度矩阵，/>是指同簇移动用户/>和同簇移动用户/>的相似度，/>是指同簇移动用户个数。
进一步的，所述S400，包括：
S410：根据移动用户历史请求服务数据，获得同簇移动用户最常请求服务的概率；
S420：根据所述同簇移动用户最常服务概率和所述同簇移动用户相似度矩阵，计算得到同簇移动用户请求服务概率评分矩阵；
S430：根据所述同簇移动用户请求服务概率评分矩阵，对移动用户请求服务进行降序排序，得到移动用户预测服务队列；
所述计算得到同簇移动用户请求服务概率评分矩阵，计算公式为：
；
其中，是指同簇移动用户请求服务概率评分矩阵，/>是指同簇移动用户相似度矩阵，/>是指由同簇移动用户最常服务概率/>转化为的对角矩阵；
所述移动用户预测服务队列，表示为：
；
其中，是指预测服务队列，是指第m个预测服务。
进一步的，所述S500，包括：
S510：通过边缘服务器的中心控制器获取边缘服务器信息；
S520：根据所述边缘服务器信息计算边缘服务器通信时延和边缘服务器计算时延；
S530：根据所述边缘服务器通信时延和所述边缘服务器计算时延，计算服务最小时延，得到最小时延的边缘服务器信息；
S540：根据最小时延边缘服务器空闲量大小，计算预测服务部署数量，根据预测服务部署数量从所述移动用户预测服务队列选择预测服务部署在所述最小时延边缘服务器上；
S550：将最小时延边缘服务器地址传输给移动用户使得移动用户通过最小时延边缘服务器进行服务请求。
进一步的，所述边缘服务器通信时延，计算公式为：
；
其中，是指边缘服务器通信时延，/>是指边缘服务器上传数据所占带宽的百分比，/>是指边缘服务器的发送功率，/>是指边缘服务器与云端的信道衰落系数，/>是指边缘服务器与移动用户的距离，/>是指路径损耗，/>是指路径损耗和信道的噪声功率；
所述边缘服务器计算时延，计算公式为：
；
其中，是指边缘服务器计算时延，/>是指服务的大小，/>是指边缘服务器的计算能力；
所述服务最小时延，计算公式为：
；
其中，是指服务最小时延，/>是指边缘服务器计算时延， />是指边缘服务器通信时延；
所述预测服务部署数量，计算公式为：
；
其中，表示为预部署服务的数量，/>表示预部署服务的服务大小，表示边缘服务器空闲量大小。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明提供的一种基于边缘计算的多服务预部署方法通过对移动用户的位置、历史请求服务和请求服务时间进行分析、提取移动用户特征进行聚类分析，形成移动用户类簇，将同类簇移动用户之间的相似度和历史请求服务的概率进行预测，能够较为精确的提前感知移动用户请求的服务，并预先将服务部署在边缘服务器，提高服务效率和移动用户体验度。
2. 本发明提供的一种基于边缘计算的多服务预部署方法通过Comm-Comp算法选择合适的边缘服务器提前进行服务预部署，返回移动用户目标边缘服务器的地址，使得移动用户能够直接与边缘服务器进行通信，无需通过中间查询、部署和等待，能够有效降低移动用户等待服务的时延，极大的满足了时效性要求高的移动用户，保障了边缘计算服务器的准确率。
附图说明
图1是一种基于边缘计算的多服务预部署方法的流程图。
图2是一种基于边缘计算的多服务预部署方法的移动用户相似度矩阵计算流程图。
图3是一种基于边缘计算的多服务预部署方法的移动用户预测服务队列获取流程图。
图4是一种基于边缘计算的多服务预部署方法的Comm-Comp算法流程图。
图5是一种基于边缘计算的多服务预部署方法的流程示意图。
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。
请参阅图1、图2、图3、图4和图5本发明实施例包括：
图1是本发明实施例提供的一种基于边缘计算的多服务预部署方法的流程图，该方法包括：
S100：从边缘服务器中的核心管理单元获取服务相关数据，并对所述服务相关数据进行预处理。
进一步的，所述服务相关数据，包括：边缘服务器信息、移动用户信息和请求服务信息；
所述移动用户信息，包括：移动用户经纬度数据、移动用户历史请求服务数据、移动用户请求服务时间和移动用户集合；
所述请求服务信息，包括：请求的服务信息大小数据、服务复杂度数据和服务所需的计算资源数据。
S200：根据预处理后的服务相关数据，构建移动用户距离相似度矩阵和移动用户时间相似度矩阵，并通过所述移动用户距离相似度矩阵和移动用户时间相似度矩阵计算得到移动用户相似度矩阵。
进一步的，参照图2，所述S200包括：
S210：计算移动用户的兰氏距离并进行归一化，获得移动用户的兰氏距离相似度，根据移动用户的兰氏距离相似度构建移动用户距离相似度矩阵；
所述移动用户的兰氏距离，计算公式为：
；
其中，是指移动用户和移动用户的兰氏距离，是指移动用户 的3维位置信息数组，，是指移动用户的经度，是指移动用 户的纬度，是指移动用户当前位置的时间，，是指移动用 户的经度，是指移动用户的纬度，是指移动用户当前位置的时间；
所述归一化，公式如下：
；
其中，是指移动用户和移动用户的兰氏距离相似度，是指移动 用户和移动用户的兰氏距离，是指移动用户兰氏距离最小值，是指移动用户 兰氏距离最大值；
所述移动用户距离相似度矩阵表示为：
；
其中， 是指移动用户距离相似度矩阵，是指移动用户和移动用户 的兰氏距离相似度，n是指移动用户个数；
S220：通过时间重合公式计算移动用户请求服务时间重合值并进行归一化，获得移动用户时间相似度，根据所述移动用户时间相似度构建移动用户时间相似度矩阵。
进一步的，所述时间重合公式，是指计算两个移动用户之间的移动用户请求服务时间的重合时间大小，所述通过时间重合公式计算移动用户请求服务的时间重合值，计算公式为：
；
其中，是指时间段的时间重合值，，是指移动用户A 活跃时间集合，，是指移动用户B活跃时间集合，，是指时间段开始时刻和结束时刻，是指时间段开始时刻和结束时刻；
所述归一化，公式如下：
；
其中，是指移动用户i和移动用户j之间的时间相似度，是指移动用 户和移动用户之间时间重合值，是指移动用户最小时间重合值，是指移动用 户最大时间重合值；
所述移动用户时间相似度矩阵表示为：
；
其中， 是指移动用户时间相似度矩阵，是指移动用户和移动用户 的相似度，n是指移动用户个数。
S230：通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵，计算得到移动用户相似度矩阵；
所述通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵，计算得到移动用户相似度矩阵，计算公式为：
；
；
其中，是指移动用户相似度矩阵，是指移动用户和移动用户的相 似度，n是指移动用户个数。
S300：根据所述移动用户相似度矩阵进行同簇聚类分析，得到移动用户类簇以及同簇移动用户相似度矩阵。
进一步的，所述同簇聚类分析是指，从所述移动用户集合中选取第一个移动用户 作为聚类中心，根据所述移动用户相似度矩阵，将所有与聚类中心相似度大于阈值的移动 用户聚为一个移动用户类簇，将已经聚类的移动用户移出移动用户集合，对移动用户集合 重复进行同簇聚类分析，将移动用户聚为m个移动用户类簇，并建 立同簇移动用户相似度矩阵，所述阈值大小为0.6，m为大于等于1的正整数；
所述移动用户类簇，其中，是指第m个移动用户类簇；
所述同簇移动用户相似度矩阵，表示为：
；
其中，是指同簇移动用户相似度矩阵，是指同簇移动用户和同 簇移动用户的相似度，是指同簇移动用户个数。
S400：根据所述移动用户类簇和所述同簇移动用户相似度矩阵，获得同簇移动用户请求服务概率评分矩阵，通过所述同簇移动用户请求服务概率评分矩阵对服务进行降序排列，得到移动用户预测服务队列。
进一步的，参照图3，所述S400，包括：
S410：根据移动用户请求服务数据，获得同簇移动用户最常请求服务的概率；
所述同簇移动用户最常请求服务概率，计算公式为：
；
其中，是指同簇移动用户最常请求服务概率，是指移动用户历史请求服务，是指用户历史请求服务数量；
S420：根据所述同簇移动用户最常请求服务概率和所述同簇移动用户相似度矩阵，计算得到同簇移动用户请求服务概率评分矩阵；
所述计算得到同簇移动用户请求服务概率评分矩阵，计算公式为：
；
其中，是指同簇移动用户请求服务概率评分矩阵，是指同簇移 动用户相似度矩阵，是指由同簇移动用户最常服务概率转化为的对角矩阵；
S430：根据所述同簇移动用户请求服务概率评分矩阵，对移动用户请求服务进行降序排序，得到移动用户预测服务队列；
所述移动用户预测服务队列，表示为：
；
其中，是指预测服务队列，是指第m个预测服务。
S500：通过Comm-Comp算法选择合适的边缘服务器，从所述移动用户预测服务队列中选择服务部署到所述合适的边缘服务器中。
进一步的，参照图4和图5，所述S500，包括：
S510：通过边缘服务器的中心控制器获取边缘服务器信息；
S520：根据所述边缘服务器信息计算边缘服务器通信时延和边缘服务器计算时延。
进一步的，所述边缘服务器通信时延，计算公式为：
；
其中，是指边缘服务器通信时延，是指边缘服务器上传数据所占带宽的 百分比，是指边缘服务器的发送功率，是指边缘服务器与云端的信道衰落系数，是 指边缘服务器与移动用户的距离，是指路径损耗，是指路径损耗和信道的噪声功率；
所述边缘服务器计算时延，计算公式为：
；
其中，是指边缘服务器计算时延，是指服务的大小，是指边缘 服务器的计算能力。
S530：根据所述边缘服务器通信时延和所述边缘服务器计算时延，计算服务最小时延，得到最小时延的边缘服务器信息。
进一步的，所述服务最小时延，计算公式为：
；
其中，是指服务最小时延，是指边缘服务器计算时延， 是 指边缘服务器通信时延。
S540：根据最小时延边缘服务器空闲量大小，计算预测服务部署数量，根据预测服务部署数量从所述移动用户预测服务队列选择预测服务部署在所述最小时延边缘服务器上；
所述预测服务部署数量，计算公式为：
；
其中，表示为预部署服务的数量，表示预部署服务的服务大小，表示边缘服务器空闲量大小；
S550：将最小时延边缘服务器地址传输给移动用户使得移动用户通过最小时延边缘服务器进行服务请求。
本发明实施例提供的一种基于边缘计算的多服务预部署方法可以从边缘服务器中核心管理单元获取服务相关数据，并进行数据预处理；构建移动用户距离相似度矩阵和移动用户时间相似度矩阵，计算移动用户相似度矩阵；进行同簇聚类分析，获得移动用户簇以及同簇移动用户相似度矩阵；计算同簇移动用户请求服务概率评分矩阵，对服务进行降序排列获得移动用户预测服务队列；通过Comm-Comp算法选择合适的边缘服务器，从所述预测服务队列中选择预测服务部署到合适的边缘服务器。 本发明提供的多服务预部署方法能够较为精确的提前感知移动用户请求的服务，并预先将服务部署在边缘服务器，提高服务效率和移动用户体验度，有效降低移动用户等待服务的时延，极大的满足了时效性要求高的移动用户，保障了边缘计算服务器的准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于边缘计算的多服务预部署方法，其特征在于，包括：
S100：从边缘服务器中的核心管理单元获取服务相关数据，并对所述服务相关数据进行预处理；
S200：根据预处理后的服务相关数据，构建移动用户距离相似度矩阵和移动用户时间相似度矩阵，并通过所述移动用户距离相似度矩阵和移动用户时间相似度矩阵计算得到移动用户相似度矩阵；
S300：根据所述移动用户相似度矩阵进行同簇聚类分析，得到移动用户类簇以及同簇移动用户相似度矩阵；
S400：根据所述移动用户类簇和所述同簇移动用户相似度矩阵，获得同簇移动用户请求服务概率评分矩阵，通过所述同簇移动用户请求服务概率评分矩阵对服务进行降序排列，得到移动用户预测服务队列；
S500：通过Comm-Comp算法选择合适的边缘服务器，从所述移动用户预测服务队列中选择服务部署到所述合适的边缘服务器中；
所述服务相关数据，包括：边缘服务器信息、移动用户信息和请求服务信息；
所述移动用户信息，包括：移动用户经纬度数据、移动用户历史请求服务数据、移动用户请求服务时间和移动用户集合；
所述请求服务信息，包括：请求的服务信息大小数据、服务复杂度数据和服务所需的计算资源数据。
2.如权利要求1所述的一种基于边缘计算的多服务预部署方法，其特征在于，所述S200包括：
S210：计算移动用户的兰氏距离并进行归一化，获得移动用户的兰氏距离相似度，根据移动用户的兰氏距离相似度构建移动用户距离相似度矩阵；
S220：通过时间重合公式计算移动用户请求服务时间重合值并进行归一化，获得移动用户时间相似度，根据所述移动用户时间相似度构建移动用户时间相似度矩阵；
S230：通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵，计算得到移动用户相似度矩阵；
所述移动用户的兰氏距离，计算公式为：
；
其中，是指移动用户/>和移动用户/>的兰氏距离，/>是指移动用户/>的3维位置信息数组，/>，/>是指移动用户/>的经度，/>是指移动用户/>的纬度，/>是指移动用户/>当前位置的时间，/>，/>是指移动用户/>的经度，/>是指移动用户/>的纬度，/>是指移动用户/>当前位置的时间；
所述移动用户距离相似度矩阵表示为：
；
其中， 是指移动用户距离相似度矩阵，/>是指移动用户/>和移动用户/>的兰氏距离相似度，n是指移动用户个数；
所述移动用户时间相似度矩阵表示为：
；
其中， 是指移动用户时间相似度矩阵，/>是指移动用户/>和移动用户/>的时间相似度，n是指移动用户个数；
所述通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵，计算得到移动用户相似度矩阵，计算公式为：
；
；
其中，是指移动用户相似度矩阵，/>是指移动用户/>和移动用户/>的相似度，n是指移动用户个数。
3.如权利要求2所述的一种基于边缘计算的多服务预部署方法，其特征在于，所述时间重合公式，是指计算两个移动用户之间的移动用户请求服务时间的重合时间大小，所述通过时间重合公式计算移动用户请求服务的时间重合值，计算公式为：
；
其中，是指/>时间段的时间重合值，/>，/>是指移动用户A活跃时间集合，/>，/>是指移动用户B活跃时间集合，，/>是指/>时间段开始时刻和结束时刻，/>是指时间段开始时刻和结束时刻。
4.如权利要求1所述的一种基于边缘计算的多服务预部署方法，其特征在于，所述同簇聚类分析是指，从所述移动用户集合中选取第一个移动用户作为聚类中心，根据所述移动用户相似度矩阵，将所有与聚类中心相似度大于阈值的移动用户聚为一个移动用户类簇，将已经聚类的移动用户移出移动用户集合，对移动用户集合重复进行同簇聚类分析，将移动用户聚为m个移动用户类簇，并建立同簇移动用户相似度矩阵，所述阈值大小为0.6，m为大于等于1的正整数；
所述移动用户类簇，其中，/>是指第m个移动用户类簇；
所述同簇移动用户相似度矩阵，表示为：
；
其中，是指同簇移动用户/>和同簇移动用户/>的相似度，/>是指同簇移动用户个数。
5.如权利要求1所述的一种基于边缘计算的多服务预部署方法，其特征在于，所述S400，包括：
S410：根据移动用户历史请求服务数据，获得同簇移动用户最常请求服务的概率；
S420：根据所述同簇移动用户最常服务概率和所述同簇移动用户相似度矩阵，计算得到同簇移动用户请求服务概率评分矩阵；
S430：根据所述同簇移动用户请求服务概率评分矩阵，对用户请求服务进行降序排序，得到移动用户预测服务队列；
所述计算得到同簇移动用户请求服务概率评分矩阵，计算公式为：
；
其中，是指同簇移动用户请求服务概率评分矩阵，/>是指同簇移动用户相似度矩阵，/>是指由同簇移动用户最常服务概率/>转化为的对角矩阵；
所述移动用户预测服务队列，表示为：
；
其中，是指预测服务队列，/>是指第m个预测服务。
6.如权利要求1所述的一种基于边缘计算的多服务预部署方法，其特征在于，所述S500，包括：
S510：通过边缘服务器的中心控制器获取边缘服务器信息；
S520：根据所述边缘服务器信息计算边缘服务器通信时延和边缘服务器计算时延；
S530：根据所述边缘服务器通信时延和所述边缘服务器计算时延，计算服务最小时延，得到最小时延的边缘服务器信息；
S540：根据最小时延边缘服务器空闲量大小，计算预测服务部署数量，根据预测服务部署数量从所述移动用户预测服务队列选择预测服务部署在所述最小时延边缘服务器上；
S550：将最小时延边缘服务器地址传输给移动用户使得移动用户通过最小时延边缘服务器进行服务请求。
7.如权利要求6所述的一种基于边缘计算的多服务预部署方法，其特征在于，所述边缘服务器通信时延，计算公式为：
；
其中，是指边缘服务器通信时延，/>是指边缘服务器上传数据所占带宽的百分比，/>是指边缘服务器的发送功率，/>是指边缘服务器与云端的信道衰落系数，/>是指边缘服务器与移动用户的距离，/>是指路径损耗，/>是指路径损耗和信道的噪声功率；
所述边缘服务器计算时延，计算公式为：
；
其中，是指边缘服务器计算时延，/>是指服务的大小，/>是指边缘服务器的计算能力；
所述服务最小时延，计算公式为：
；
其中，是指服务最小时延，/>是指边缘服务器计算时延， />是指边缘服务器通信时延；
所述预测服务部署数量，计算公式为：
；
其中，表示为预测服务部署的数量，/>表示预测服务部署的服务大小，表示边缘服务器空闲量大小。
CN202310712455.5A 2023-06-16 2023-06-16 一种基于边缘计算的多服务预部署方法 Active CN116483585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310712455.5A CN116483585B (zh) 2023-06-16 2023-06-16 一种基于边缘计算的多服务预部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310712455.5A CN116483585B (zh) 2023-06-16 2023-06-16 一种基于边缘计算的多服务预部署方法

Publications (2)

Publication Number Publication Date
CN116483585A true CN116483585A (zh) 2023-07-25
CN116483585B CN116483585B (zh) 2023-09-15

Family

ID=87214130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310712455.5A Active CN116483585B (zh) 2023-06-16 2023-06-16 一种基于边缘计算的多服务预部署方法

Country Status (1)

Country Link
CN (1) CN116483585B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117149443A (zh) * 2023-10-30 2023-12-01 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 (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105430099A (zh) * 2015-12-22 2016-03-23 湖南科技大学 一种基于位置聚类的协同式Web服务性能预测方法
CN110049130A (zh) * 2019-04-22 2019-07-23 北京邮电大学 一种基于边缘计算的服务部署和任务调度方法及装置
CN110308995A (zh) * 2019-07-08 2019-10-08 童晓雯 一种边缘云计算服务系统边缘云节点部署装置
CN110740473A (zh) * 2019-10-22 2020-01-31 中国科学院计算技术研究所 一种用于移动边缘计算的管理方法及边缘服务器
CN112508408A (zh) * 2020-12-10 2021-03-16 北京科技大学 一种边缘计算下无线资源管理指标的映射模型构建方法
US20220210686A1 (en) * 2020-07-15 2022-06-30 Nantong University Energy-efficient optimized computing offloading method for vehicular edge computing network and system thereof
CN114742166A (zh) * 2022-04-15 2022-07-12 北京邮电大学 一种基于时延优化的通信网现场维护模型迁移方法
CN115484314A (zh) * 2022-08-10 2022-12-16 重庆大学 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法
CN115767596A (zh) * 2022-11-15 2023-03-07 重庆邮电大学 边缘计算中面向用户移动性与偏好的边缘协同缓存方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105430099A (zh) * 2015-12-22 2016-03-23 湖南科技大学 一种基于位置聚类的协同式Web服务性能预测方法
CN110049130A (zh) * 2019-04-22 2019-07-23 北京邮电大学 一种基于边缘计算的服务部署和任务调度方法及装置
CN110308995A (zh) * 2019-07-08 2019-10-08 童晓雯 一种边缘云计算服务系统边缘云节点部署装置
CN110740473A (zh) * 2019-10-22 2020-01-31 中国科学院计算技术研究所 一种用于移动边缘计算的管理方法及边缘服务器
US20220210686A1 (en) * 2020-07-15 2022-06-30 Nantong University Energy-efficient optimized computing offloading method for vehicular edge computing network and system thereof
CN112508408A (zh) * 2020-12-10 2021-03-16 北京科技大学 一种边缘计算下无线资源管理指标的映射模型构建方法
CN114742166A (zh) * 2022-04-15 2022-07-12 北京邮电大学 一种基于时延优化的通信网现场维护模型迁移方法
CN115484314A (zh) * 2022-08-10 2022-12-16 重庆大学 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法
CN115767596A (zh) * 2022-11-15 2023-03-07 重庆邮电大学 边缘计算中面向用户移动性与偏好的边缘协同缓存方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUNJIE QI.ET: "Edge-edge Collaboration Based Micro-service Deployment in Edge Computing Networks", 《2023 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE (WCNC)》 *
任丽芳;王文剑;: "一种移动边缘计算环境中服务QoS的预测方法", 小型微型计算机系统, no. 06 *
蔡星娟等: "基于进化多任务的边缘计算服务部署和任务卸载", 《计算机工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117149443A (zh) * 2023-10-30 2023-12-01 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
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

Also Published As

Publication number Publication date
CN116483585B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN108509276B (zh) 一种边缘计算环境中的视频任务动态迁移方法
WO2023168824A1 (zh) 一种基于联邦学习的移动边缘缓存优化方法
CN107734558A (zh) 一种基于多服务器的移动边缘计算控制及资源调度方法
CN109150738B (zh) 工业互联网资源管理方法及系统、可读存储介质和终端
CN110933139A (zh) 一种解决Web服务器高并发的系统及方法
CN108170530B (zh) 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法
WO2019184836A1 (zh) 数据分析设备、多模型共决策系统及方法
CN116483585B (zh) 一种基于边缘计算的多服务预部署方法
WO2019184739A1 (zh) 一种数据查询方法、装置及设备
CN111836284B (zh) 基于移动边缘计算的能耗优化计算、卸载方法和系统
CN113347267B (zh) 一种移动边缘云计算网络中的mec服务器部署方法
CN113407249B (zh) 一种面向位置隐私保护的任务卸载方法
CN109495565B (zh) 基于分布式泛在计算的高并发服务请求处理方法和设备
CN113573320B (zh) 边缘网络中基于改进的演员-评论家算法的sfc部署方法
CN115878227B (zh) 一种基于人群分类的边缘计算任务卸载方法
CN113316116A (zh) 一种基于多臂赌博机的车辆计算任务卸载方法
CN111935025B (zh) 一种tcp传输性能的控制方法、装置、设备和介质
CN115967990A (zh) 一种基于分类和预测的边端协同业务卸载方法
CN115209426A (zh) 一种边缘车联网内数字孪生服务器动态部署方法
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
CN115361710A (zh) 一种边缘缓存中的内容放置方法
CN115022332A (zh) 一种边缘计算中基于深度强化学习的动态服务放置方法
Li et al. Neighborhood search-based job scheduling for IoT big data real-time processing in distributed edge-cloud computing environment
CN113778675A (zh) 一种基于面向区块链网络的计算任务分配系统及方法
CN111626354A (zh) 应用于车联网中的基于任务依赖性的聚类方法

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