CN116866931A - 一种城市移动边缘服务器部署方法 - Google Patents

Abstract

本发明公开了一种城市移动边缘服务器部署方法，使用移动边缘服务器来动态跟踪城市车联网用户的计算需求，解决固定站点无法满足动态变化的计算卸载需求的问题，解决使用无人机部署边缘服务器电池寿命短，有效载荷和里程有限，缺乏全天候操作能力的问题。利用城市已有的公共资源，如服务车辆作为载体部署边缘服务器，无需额外征地，不占用空域，可以不改变服务车辆已有的行驶路线。安装配置方便，成本低，可行性高，灵活性强。将部署方案具体化，建立数学模型来描述移动边缘服务器的部署成本，提出聚类算法和遗传算法进行迭代求解最优解，提出的移动边缘服务器部署方案能大幅度减小移动边缘服务器的部署成本。

Description

一种城市移动边缘服务器部署方法

技术领域

本发明涉及车联网移动边缘计算设施建设规划的技术领域，尤其涉及到一种城市移动边缘服务器部署方法。

背景技术

目前，边缘计算被认为是未来智慧车联网的核心技术之一，而其中移动边缘计算的概念也逐渐引起关注。边缘计算通过将计算能力放置在靠近车联网用户的网络边缘，能够为车联网用户提供高吞吐、低延迟和海量连接的车联网计算服务。在未来的车联网时代，边缘计算将承担大部分终端用户的计算任务，因此大量的边缘服务器将会部署在路边单元、基站、信号灯、摄像头甚至无人机和其他移动车辆上。这样的布局将使车联网用户能够更快速地处理数据和执行计算，以满足对实时性和响应性的要求，并支持更广泛的车联网应用场景。

随着车联网的不断发展，出现了对低延迟计算、超宽带传输、实时用户交互等需求的新应用。在边缘计算服务器的部署方面，国内外的研究目前仍处于初步阶段。虽然已经有一些理论研究，但将其扩展到实际部署中仍然面临许多挑战，实现高效、实用、广泛应用且成本低廉的解决方案仍然需要更多的工作。边缘计算以其在边缘处理数据的特点，成为满足车联网需求的最佳选择。边缘服务器的部署是向车辆提供边缘计算服务的先决条件。已有研究建议将边缘服务器放置在基站、路灯、Wi Fi热点，甚至无人机(UAV)上。但是，基站等固定站点边缘服务器的位置和计算能力通常是固定的，缺乏计算弹性，这种方案相对较容易实施，但一旦部署，这些服务器就无法移动，并且很难实时调整计算能力。然而，车联网用户具有高度的时空动态变化的特性，这就要求边缘计算服务器能够适应具有时空动态负载的特点。显然，仅依靠固定站点部署边缘服务器无法满足车联网场景下的用户卸载需求。另一方面，无人机搭载的服务器具有跟踪地面动态交通的潜力，虽然满足了部分动态变化的计算卸载需求，但由于电池寿命短，其有效载荷和里程有限，并且缺乏全天候操作能力；无人机受天气影响较大，容易因为天气原因造成无人机无法正常运行；无人机的应变能力不强，不能应付意外事件，当有强信号干扰时，易造成接收机与地面工作站失去联系。但若不解决以上的问题，其服务效率会大大降低，无法达到好的效果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种城市移动边缘服务器部署方法。

为实现上述目的，本发明所提供的技术方案为：

一种城市移动边缘服务器部署方法，使用车辆搭载移动边缘服务器，具体部署包括：

对需要部署移动边缘服务器的场景进行建模；

构建关于移动边缘服务器和基站部署成本的目标函数；

基于聚类算法和遗传算法的启发式算法求解目标函数，从而得到城市移动边缘服务器部署方案的最优解。

进一步地，对需要部署移动边缘服务器的场景进行建模，包括：

设G＝(V，ε)表示道路网络，V＝{v_i|i＝1，...，N}为表示路口的交点和端点的集合，ε＝{e_x＝e_i，j＝(i，j)|v_i，v_j∈V；i＜j}表示路网上的每个路段的集合，w_i，j表示路段e_i，j的负载值，d_i，j表示路段e_i，j的长度；

设有K个基站，这K个基站需要部署到部分道路的交叉点，使用B＝{b_i|i＝1，...，K；b_i∈V}表示所有基站的集合，路径u_i被定义为有条边，即有/>条路段的有序集合；其中连续的边必须有一个共同的顶点，并且第一个边e₁和最后一个边/>有一个共同的顶点v_x∈B，U＝{u_i|i＝1，...，M}表示所有选中的路径，M为地图的总路径数量。

进一步地，构建的关于移动边缘服务器和基站部署成本的目标函数为：

其中，C^{all bases}表示基站的部署成本，表示在路径i部署移动边缘服务器的成本，/>C^dist为单个移动边缘服务器移动单位距离的成本，/>为路径i上移动边缘服务器的数量，计算公式为：/> 表示第i条路上移动边缘服务器的密度，即每公里移动边缘服务器的数量；/>μ为每个移动边缘服务器可能支持的卸载请求，该公式表示为了满足沿线的所有计算卸载需求，必须遵循任何路段需要解决的负载不大于所有路径的计算能力之和；/> 表示每个移动边缘服务器有一个直径为D的通信范围，移动边缘服务器必须覆盖所有路段。

进一步地，基于聚类算法和遗传算法的启发式算法求解目标函数，得到城市移动边缘服务器部署方案的最优解，包括：

A1、初始化，将移动边缘服务器总数设置为0，移动边缘服务器的最优部署成本设置为无穷大；

A2、输入车联网节点的坐标集H；

A3、通过K-medoids聚类算法将车联网节点的坐标集H聚为K个簇，即得到K个区域，并在每个区域部署一个基站，从而将问题分解为几个小规模的问题；

A4、设置基站数K的范围以及地图路径总数M的范围作为限制条件；

A5、采用遗传算法优化移动边缘服务器的最优部署成本、规划每个区域内的路径及其移动边缘服务器数量；

A6、依据A5得到的数据计算基站部署和移动边缘服务器部署的总成本，并记录基站数量K和地图路径总数M的值；

A7、通过多次迭代，逐步逼近总成本最低时的基站数量K和路径总数M的值，最后输出基站数量K、地图路径总数M和总移动边缘服务器的数量、移动边缘服务器的部署成本这四个变量的最优解作为城市移动边缘服务器的最优部署方案。

进一步地，步骤A3包括：

将路段的负载视为沿该路段均匀分布的统一分布的卸载点的数量，并使用K-medoids聚类算法将这些点划分为若干簇，即划分为地图中的若干区域；

其中，每个点代表一个车联网节点；K-medoids聚类算法最初随机选择k个点作为初始中心点；每个点被分配给距离最近的k个中心点中的那个中心点，形成k个集群；然后，计算新的中心点以最小化与每个簇中的点的距离；这些中心点被迭代更新，直到收敛；最后，每个聚类代表一个区域，基站就位于该区域的中间。

进一步地，应用遗传算法来确定移动边缘服务器的最优部署成本、每个区域内的路径及其移动边缘服务器数量，包括：

输入：第k个区域V_k的向量集；单个移动边缘服务器的计算能力、移动边缘服务器覆盖直径D、最大迭代次数T_max、第k个区域的中心点坐标、第k个区域的路径总数M_k；

经过种群初始化、选择、交叉、变异、翻转和最终迭代进化的步骤，最终该算法的输出为：移动边缘服务器的最优部署成本、最优路线矩阵、第k个区域的移动边缘服务器数量；

种群初始化、适应度函数、选择、交叉、变异、翻转和最终迭代进化具体如下：

1)种群初始化:初始种群由多个数字序列组成；一个数字序列来表示一条路径，每个数字对应一个路口或顶点；它们通过排除基站base以外的道路交叉口的索引随机生成；将区域k中的路径数设为M_k，并在序列中随机选择M_k-1个断点，将其划分为M_k个子序列，每个子序列代表一条路径；为了确保每条路径的起点和终点都在基站，将每个子序列的第一个和最后一个数字设置为基站的索引；检查序列并将缺失的边加到序列中以形成一个解；以及设定种群规模；

2)适应度函数:适应度函数表示该区域的总部署成本，包括部署基站的成本和路径的部署成本，成本越低，解决方案越好；

3)选择操作:选择操作用于选择适应度值较高的个体作为下一代的亲本；只有成本低于前一次迭代的最低成本的个体被保留；

4)交叉操作:选择的亲本个体进行两点交叉操作，产生新的子代个体；交叉操作从父个体中选择两个交叉点，并在这两个交叉点之间交换序列部分；

5)变异操作:后代个体进行突变操作，以增加种群的多样性；通过随机交换序列中两个数字的位置来实现个体突变；

6)翻转操作:被选中的父个体选择两个索引值，以及这两个索引之间的顺序值颠倒形成一个新的后代个体；

7)迭代进化:重复进行选择、交叉、突变、翻转操作，直到达到指定的最大迭代次数。

与现有技术相比，本方案原理及优点如下：

1、使用移动边缘服务器来动态跟踪城市车联网用户的计算需求，解决固定站点无法满足动态变化的计算卸载需求的问题，解决使用无人机部署边缘服务器电池寿命短，有效载荷和里程有限，缺乏全天候操作能力的问题。

2、利用城市已有的公共资源，如服务车辆作为载体部署边缘服务器，无需额外征地，不占用空域，可以不改变服务车辆已有的行驶路线。安装配置方便，成本低，可行性高，灵活性强。

3、将部署方案具体化，建立数学模型来描述移动边缘服务器的部署成本，提出聚类算法和遗传算法进行迭代求解最优解，提出的移动边缘服务器部署方案能大幅度减小移动边缘服务器的部署成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种城市移动边缘服务器部署方法的原理流程图；

图2为在道路网络上运行车联网系统的模型示意图；

图3为针对图2进行数学建模后的示意图；

图4为K-medoi ds聚类算法对车联网节点的坐标集进行聚类的原理图；

图5为基于聚类算法和遗传算法的启发式算法求解目标函数的流程图；

图6为图5中应用遗传算法来确定移动边缘服务器的最优部署成本、每个区域内的路径及其移动边缘服务器数量的流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1所示，本实施例所述的一种城市移动边缘服务器部署方法，包括以下步骤：

S1、对需要部署移动边缘服务器的场景进行建模；

数学模型考虑一个具有车辆卸载请求的车联网系统，称为车联网节点，运行在相互连接的道路网络上。十字路口将道路划分为多个路段，每个路段与一个负载相关联，即该路段上的车辆请求卸载的次数。这些部分的负载是不同的，并且是高度动态的。为了在道路上为车联网节点提供卸载请求，需要部署一定数量的车辆，携带边缘服务器，搭载边缘服务器的车辆称为移动边缘服务器，并规划覆盖所有路段并满足其需求的路线。为了对这些移动边缘服务器进行充电和维护，还需要在地图上放置几个基站，移动边缘服务器的每条路线必须在同一个基站开始和结束。

如图2所示，其中包含两条路径，每条路径都用服务车辆部署移动边缘服务器，每个移动边缘服务器有其固定的服务范围，并只包含单个基站对移动边缘服务器进行充电和维护，多个基站的效果演示也和图2类似。

建模具体包括：

设G＝(V，ε)表示道路网络，V＝{v_i|i＝1，...，N}为表示路口的交点和端点的集合，ε＝{e_x＝e_i，j＝(i，j)|v_i，v_j∈V；i＜j}表示路网上的每个路段的集合，w_i，j表示路段e_i，j的负载值，d_i，j表示路段e_i，j的长度；

设有K个基站，这K个基站需要部署到部分道路的交叉点，使用B＝{b_i|i＝1，...，K；b_i∈V}表示所有基站的集合，路径u_i被定义为有条边，即有/>条路段的有序集合；其中连续的边必须有一个共同的顶点，并且第一个边e₁和最后一个边/>有一个共同的顶点v_x∈B，U＝{u_i|i＝1，...，M}表示所有选中的路径，M为地图的总路径数量。单个基站的示意图如图3所示。

S2、构建关于移动边缘服务器和基站部署成本的目标函数：

其中，C^{all bases}表示基站的部署成本，表示在路径i部署移动边缘服务器的成本，/>C^dist为单个移动边缘服务器移动单位距离的成本，/>为路径i上移动边缘服务器的数量，计算公式为：/> 表示第i条路上移动边缘服务器的密度，即每公里移动边缘服务器的数量；/>μ为每个移动边缘服务器可能支持的卸载请求，该公式表示为了满足沿线的所有计算卸载需求，必须遵循任何路段需要解决的负载不大于所有路径的计算能力之和；/> 表示每个移动边缘服务器有一个直径为D的通信范围，移动边缘服务器必须覆盖所有路段；

但上述的优化问题中存在多个变量和限制条件，包括无人机能源补给站的数量、无人机的部署路径、移动边缘服务器的数量和部署位置等。这导致了问题的解空间非常大，可行解的数量呈指数级增长，从而引发了组合爆炸的问题。同时问题中存在多个限制条件，如无人机的续航距离限制、移动边缘服务器的通信范围限制以及计算卸载需求的限制等。这些限制条件增加了问题的复杂性，需要同时考虑多个约束条件。再者，该问题的目标是最小化总成本，其中总成本由基站的部署成本和移动边缘服务器的移动路径成本构成。移动边缘服务器的移动路径成本涉及到路径长度、移动边缘服务器的数量和移动距离等变量，而这些变量之间存在复杂的关联关系。问题的求解目标复杂，难以通过简单的方法进行优化。

S3、基于上述几点问题，下面基于聚类算法和遗传算法的启发式算法求解目标函数，从而得到城市移动边缘服务器部署方案的最优解。

如图5所示，本步骤的具体过程包括：

A1、初始化，将移动边缘服务器总数设置为0，移动边缘服务器的最优部署成本设置为无穷大；

A2、输入车联网节点的坐标集H；

A3、通过K-medoids聚类算法将车联网节点的坐标集H聚为K个簇，即得到K个区域，并在每个区域部署一个基站，从而将问题分解为几个小规模的问题；

本步骤将路段的负载视为沿该路段均匀分布的统一分布的卸载点的数量，并使用K-medoids聚类算法将这些点划分为若干簇，即划分为地图中的若干区域。

如图4所示，每个点代表一个车联网节点。聚类算法最初随机选择k个点作为初始中心点。每个点被分配给距离最近的k个中心点中的那个中心点，形成k个集群。然后，计算新的中心点以最小化与每个簇中的点的距离。这些中心点被迭代更新，直到收敛。最后，每个聚类代表一个区域，基站就位于该区域的中间。

A4、设置基站数K的范围以及地图路径总数M的范围作为限制条件；其中，基站数K的取值范围为1～10，地图路径总数M的范围为1～50。

A5、采用遗传算法优化移动边缘服务器的最优部署成本、规划每个区域内的路径及其移动边缘服务器数量；

如图6所示，本步骤包括：

输入：第k个区域V_k的向量集；单个移动边缘服务器的计算能力、移动边缘服务器覆盖直径D、最大迭代次数T_max、第k个区域的中心点坐标、第k个区域的路径总数M_k；

经过种群初始化、选择、交叉、变异、翻转和最终迭代进化的步骤，最终该算法的输出为：移动边缘服务器的最优部署成本、最优路线矩阵、第k个区域的移动边缘服务器数量；

种群初始化、适应度函数、选择、交叉、变异、翻转和最终迭代进化具体如下：

1)种群初始化:初始种群由多个数字序列组成；一个数字序列来表示一条路径，每个数字对应一个路口或顶点；它们通过排除基站base以外的道路交叉口的索引随机生成；将区域k中的路径数设为M_k，并在序列中随机选择M_k-1个断点，将其划分为M_k个子序列，每个子序列代表一条路径；为了确保每条路径的起点和终点都在基站，将每个子序列的第一个和最后一个数字设置为基站的索引；检查序列并将缺失的边加到序列中以形成一个解；以及设定种群规模；

2)适应度函数:适应度函数表示该区域的总部署成本，包括部署基站的成本和路径的部署成本，成本越低，解决方案越好；

3)选择操作:选择操作用于选择适应度值较高的个体作为下一代的亲本；只有成本低于前一次迭代的最低成本的个体被保留；

4)交叉操作:选择的亲本个体进行两点交叉操作，产生新的子代个体；交叉操作从父个体中选择两个交叉点，并在这两个交叉点之间交换序列部分；

5)变异操作:后代个体进行突变操作，以增加种群的多样性；通过随机交换序列中两个数字的位置来实现个体突变；

6)翻转操作:被选中的父个体选择两个索引值，以及这两个索引之间的顺序值颠倒形成一个新的后代个体；

7)迭代进化:重复进行选择、交叉、突变、翻转操作，直到达到指定的最大迭代次数。

A6、依据A5得到的数据计算基站部署和移动边缘服务器部署的总成本，并记录基站数量K和地图路径总数M的值；

A7、通过多次迭代，逐步逼近总成本最低时的基站数量K和路径总数M的值，最后输出基站数量K、地图路径总数M和总移动边缘服务器的数量、移动边缘服务器的部署成本这四个变量的最优解作为城市移动边缘服务器的最优部署方案。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种城市移动边缘服务器部署方法，其特征在于，使用车辆搭载移动边缘服务器，具体部署包括：

对需要部署移动边缘服务器的场景进行建模；

构建关于移动边缘服务器和基站部署成本的目标函数；

基于聚类算法和遗传算法的启发式算法求解目标函数，从而得到城市移动边缘服务器部署方案的最优解。

2.根据权利要求1所述的一种城市移动边缘服务器部署方法，其特征在于，对需要部署移动边缘服务器的场景进行建模，包括：

设G＝(V，ε)表示道路网络，V＝{v_i|i＝1，...，N}为表示路口的交点和端点的集合，ε＝{e_x＝e_i，j＝(i，j)|v_i，v_j∈V；i＜j}表示路网上的每个路段的集合，w_i，j表示路段e_i，j的负载值，d_i，j表示路段e_i，j的长度；

设有K个基站，这K个基站需要部署到部分道路的交叉点，使用B＝{b_i|i＝1，...，K；b_i∈V}表示所有基站的集合，路径u_i被定义为有条边，即确/>条路段的有序集合；其中连续的边必须有一个共同的顶点，并且第一个边e₁和最后一个边/>有一个共同的顶点v_x∈B，U＝{u_i|i＝1，...，M}表示所有选中的路径，M为地图的总路径数量。

3.根据权利要求2所述的一种城市移动边缘服务器部署方法，其特征在于，构建的关于移动边缘服务器和基站部署成本的目标函数为：

min：

其中，C^{all bases}表示基站的部署成本，表示在路径i部署移动边缘服务器的成本，C^dist为单个移动边缘服务器移动单位距离的成本，为路径i上移动边缘服务器的数量，计算公式为：/> 表示第i条路上移动边缘服务器的密度，即每公里移动边缘服务器的数量；μ为每个移动边缘服务器可能支持的卸载请求，该公式表示为了满足沿线的所有计算卸载需求，必须遵循任何路段需要解决的负载不大于所有路径的计算能力之和；/> 表示每个移动边缘服务器有一个直径为D的通信范围，移动边缘服务器必须覆盖所有路段。

4.根据权利要求3所述的一种城市移动边缘服务器部署方法，其特征在于，基于聚类算法和遗传算法的启发式算法求解目标函数，得到城市移动边缘服务器部署方案的最优解，包括：

A1、初始化，将移动边缘服务器总数设置为0，移动边缘服务器的最优部署成本设置为无穷大；

A2、输入车联网节点的坐标集H；

A3、通过K-medoids聚类算法将车联网节点的坐标集H聚为K个簇，即得到K个区域，并在每个区域部署一个基站，从而将问题分解为几个小规模的问题；

A4、设置基站数K的范围以及地图路径总数M的范围作为限制条件；

A5、采用遗传算法优化移动边缘服务器的最优部署成本、规划每个区域内的路径及其移动边缘服务器数量；

A6、依据A5得到的数据计算基站部署和移动边缘服务器部署的总成本，并记录基站数量K和地图路径总数M的值；

A7、通过多次迭代，逐步逼近总成本最低时的基站数量K和路径总数M的值，最后输出基站数量K、地图路径总数M和总移动边缘服务器的数量、移动边缘服务器的部署成本这四个变量的最优解作为城市移动边缘服务器的最优部署方案。

5.根据权利要求4所述的一种城市移动边缘服务器部署方法，其特征在于，步骤A3包括：

将路段的负载视为沿该路段均匀分布的统一分布的卸载点的数量，并使用K-medoids聚类算法将这些点划分为若干簇，即划分为地图中的若干区域；

其中，每个点代表一个车联网节点；K-medoids聚类算法最初随机选择K个点作为初始中心点；每个点被分配给距离最近的K个中心点中的那个中心点，形成K个集群；然后，计算新的中心点以最小化与每个簇中的点的距离；这些中心点被迭代更新，直到收敛；最后，每个聚类代表一个区域，基站就位于该区域的中间。

6.根据权利要求4所述的一种城市移动边缘服务器部署方法，其特征在于，应用遗传算法来确定移动边缘服务器的最优部署成本、每个区域内的路径及其移动边缘服务器数量，包括：

输入：第K个区域V_k的向量集；单个移动边缘服务器的计算能力、移动边缘服务器覆盖直径D、最大迭代次数T_max、第K个区域的中心点坐标、第K个区域的路径总数M_k；

经过种群初始化、选择、交叉、变异、翻转和最终迭代进化的步骤，最终该算法的输出为：移动边缘服务器的最优部署成本、最优路线矩阵、第K个区域的移动边缘服务器数量；

种群初始化、适应度函数、选择、交叉、变异、翻转和最终迭代进化具体如下：

1)种群初始化：初始种群由多个数字序列组成；一个数字序列来表示一条路径，每个数字对应一个路口或顶点；它们通过排除基站base以外的道路交叉口的索引随机生成；将区域K中的路径数设为M_k，并在序列中随机选择M_k-1个断点，将其划分为M_k个子序列，每个子序列代表一条路径；为了确保每条路径的起点和终点都在基站，将每个子序列的第一个和最后一个数字设置为基站的索引；检查序列并将缺失的边加到序列中以形成一个解；以及设定种群规模；

2)适应度函数:适应度函数表示该区域的总部署成本，包括部署基站的成本和路径的部署成本，成本越低，解决方案越好；

3)选择操作:选择操作用于选择适应度值较高的个体作为下一代的亲本；只有成本低于前一次迭代的最低成本的个体被保留；

4)交叉操作:选择的亲本个体进行两点交叉操作，产生新的子代个体；交叉操作从父个体中选择两个交叉点，并在这两个交叉点之间交换序列部分；

5)变异操作:后代个体进行突变操作，以增加种群的多样性；通过随机交换序列中两个数字的位置来实现个体突变；

6)翻转操作:被选中的父个体选择两个索引值，以及这两个索引之间的顺序值颠倒形成一个新的后代个体；

7)迭代进化:重复进行选择、交叉、突变、翻转操作，直到达到指定的最大迭代次数。