CN117149443B - 一种基于神经网络的边缘计算服务部署方法 - Google Patents
一种基于神经网络的边缘计算服务部署方法 Download PDFInfo
- Publication number
- CN117149443B CN117149443B CN202311412775.5A CN202311412775A CN117149443B CN 117149443 B CN117149443 B CN 117149443B CN 202311412775 A CN202311412775 A CN 202311412775A CN 117149443 B CN117149443 B CN 117149443B
- Authority
- CN
- China
- Prior art keywords
- edge server
- vehicle user
- edge
- cluster
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 48
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005562 fading Methods 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- DIWRORZWFLOCLC-UHFFFAOYSA-N Lorazepam Chemical compound C12=CC(Cl)=CC=C2NC(=O)C(O)N=C1C1=CC=CC=C1Cl DIWRORZWFLOCLC-UHFFFAOYSA-N 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于神经网络的边缘计算服务部署方法,首先边缘服务器获取车辆用户的特征信息;通过图神经网络预测模型进行预测,将所有车辆用户下一时刻的位置在地图上根据经纬度进行标记得到位置坐标图;使用改进的k‑means聚类算法进行聚类得到k个类簇;计算每个类簇中边缘服务器的适应度值,将适应度值最大的边缘服务器作为预部署边缘服务器;计算将服务直接迁移到预部署边缘服务器和从云服务器直接将服务部署到预部署边缘服务器的总成本,比较两种方案的总成本,选择总成本小的方案进行服务部署。通过上述方式,本发明能够有效降低用户等待服务的时延,极大的满足了对时效性要求高的移动用户,提高了用户体验度。
Description
技术领域
本发明涉及边缘计算领域,特别是涉及一种基于神经网络的边缘计算服务部署方法。
背景技术
随着物联网、5G通信和大数据技术的快速发展,人们对实时性和低延迟的需求越来越高。传统的云计算模式中,用户的数据和服务需求需要通过远程的云端进行处理和响应。然而,这种集中式的计算模式存在着一定的局限性。首先,云端的计算和存储资源有限,可能难以应对大量用户的实时请求。其次,数据需要经过远程传输,导致较高的网络延迟和响应时间,不适合对实时性要求较高的应用场景。边缘计算通过将计算和存储资源移近到数据源和用户端,在网络边缘提供了更高效、快速和可靠的服务,边缘计算将服务提前部署在靠近用户的边缘节点上,这样可以在用户发起请求时,边缘节点就能够立即响应,大大减少了网络延迟和数据传输时间,提高了服务响应速度。
服务部署策略是提升对延迟敏感的应用程序请求速度和降低 MEC 整体能耗的决定性因素,在边缘计算节点上部署与请求对应的服务,以最大化QoS,同时考虑用户移动性、资源需求和能源消耗,由于用户在 MEC 中处于运动状态,因此之前的最佳服务部署策略可能会在几分钟内变成非最佳服务部署策略,如果根据用户位置频繁调整服务部署策略,可能会导致 MEC 整体服务质量不佳,因此,在为 MEC 中延迟敏感的应用程序设计服务部署策略时,考虑用户动态至关重要。
公开号为CN112969144A,名称为一种面向移动边缘计算的微服务预部署方法及系统的专利文献,利用用户的历史轨迹信息,通过深度学习的LSTM网络来预测出用户未来的轨迹,通过结合用户的未来轨迹信息和待请求的服务组合信息生成用户预部署请求序列,然后先通过简单的遍历生成基础的方案,再通过多个典型场景对基础方案进行优化,然后基于优化过的基础方案,通过采用遗传算法的思路,生成最终的最优预部署方案,最后利用最优预部署方案完成实际的微服务预部署工作,但是对于用户移动的不确定性因素考虑较少,从而导致预测的轨迹准确度较差,不能有效提高用户体验度。
公开号为CN113296909A,名称为移动边缘计算中的优化服务部署方法的专利文献,根据历史数据预估服务应用故障的数量,将服务部署问题建模成关于服务部署变量和服务请求调度变量的最大化的优化问题,然后将优化问题简化为只关于服务部署变量的单变量优化问题,再将单变量优化问题转化为关于服务部署变量的集合函数优化问题,最后通过鲁棒算法得到服务部署策略,从而实现优化部署,在面临移动边缘计算环境中可能出现的硬件和软件故障时,能够使得部署服务的总效用达到最大,但是没有考虑边缘环境场景下的边缘服务器的资源限制和覆盖范围限制,且仅考虑了用户的移动性,没有对用户进行移动性预测,从而导致服务部署的效果较差。
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:提供一种基于神经网络的边缘计算服务部署方法,该方法包括:
S10:边缘服务器获取车辆用户的特征信息;
S20:通过将所述车辆用户的特征信息输入到图神经网络预测模型进行轨迹预测,得到车辆用户下一时刻的位置,将所有车辆用户下一时刻的位置在地图上根据经纬度进行标记得到位置坐标图;
S30:对所述位置坐标图使用改进的k-means聚类算法进行聚类,得到k个类簇与k个类簇中心;
S40:计算每个类簇中边缘服务器的优先度,创建优先度队列,将边缘服务器按照优先度大小进行降序排序依次存入所述优先度队列;
S50:计算所述优先度队列中排序前三的边缘服务器的适应度值,将所述适应度值最大的边缘服务器作为预部署边缘服务器;
S60:计算将服务直接迁移到所述预部署边缘服务器的总成本和从云服务器直接将服务部署到所述预部署边缘服务器的总成本,比较两种方案的总成本,选择总成本小的方案进行服务部署;
所述车辆用户的特征信息包括车辆用户之间的关系、历史轨迹信息、当前位置坐标信息、常驻点位置坐标信息、时间、车辆用户移动速度和移动方向;
所述当前位置坐标信息包括经度、纬度;
所述k为正整数;
所述所有车辆用户,表示为,u和N为正整数。
进一步地,所述图神经网络预测模型,包括:
S21.将车辆用户的特征信息进行组合得到特征信息组,对所述特征信息组进行线性函数归一化处理;
所述特征信息组表示为:
;
其中,为历史轨迹,/>为当前位置坐标信息,为常驻位置坐标信息,/>为时间,/>为速度,move为移动方向;
所述线性函数归一化处理的计算公式为:
;
其中,为特征信息组的数据最小值,/>为特征信息组的数据最大值,为特征信息组的数据归一化后的值;
S22.通过处理后的特征信息组构建特征矩阵X,根据车辆用户之间的关系构建邻接矩阵A;
所述特征矩阵X与邻接矩阵A表示为:
;
;
;
其中, 为第一个车辆用户第1个特征,/>为第N个车辆用户第D个特征,N与D均为正整数,/>为车辆用户/>和车辆用户/>之间的关系,/>为第p个车辆用户,为第h个车辆用户,p和h均为正整数且小于N,/>为经过归一化处理的邻接矩阵,/>为特征矩阵X加上一个自连接的单位矩阵;
S23.通过两层GCN网络以及两层全连接网络堆叠,通过堆叠的网络中的空间依赖关系得到车辆用户的强化特征矩阵;
所述空间依赖关系表示为:
;
;
;
;
其中, 为第一层GCN网络传播计算输出的特征矩阵,CELU()与ReLU()为激活函数,/>为第一层GCN网络的参数矩阵,/>为第二层GCN网络传播计算输出的特征矩阵,为第二层GCN网络的参数矩阵,/>为第一层全连接网络输出的特征矩阵,/>为第一层全连接网络的权重矩阵,/>为第二层全连接网络的权重矩阵,/>为车辆用户/>经过全连接层输出的强化特征矩阵,所述全连接层由两层全连接网络构成;
S24.在两层GCN网络之后接入的全连接层,将车辆用户的强化特征矩阵进行线性映射得到车辆用户下一时刻的预测位置坐标,并不断更新形成预测轨迹;
所述线性映射的计算公式为:
;
其中,为车辆用户/>在t时刻的预测位置坐标,/>为全连接层的权重矩阵,/>为全连接层的偏置向量;
S25.计算图神经网络预测模型的均方根误差、轨迹相似度和平均绝对误差;
所述均方根误差、轨迹相似度/>和平均绝对误差/>的计算公式为:
;
;
;
;
其中,为第/>个车辆用户的位置坐标的真实值,/>为第/>个车辆用户的位置坐标的预测值,N为车辆用户总数量,/>为车辆用户在前一时刻处位置的真实值和预测值之间的弗朗明歇距离的最小值,/>为车辆用户在t时刻处位置的真实值与预测值之间的弗朗明歇距离,即轨迹相似度,/>为车辆用户在t-1时刻处位置的真实值与t时刻处位置的预测值之间的弗朗明歇距离,/>为车辆用户在t时刻处位置的真实值与t-1时刻处位置的预测值之间的弗朗明歇距离,/>为车辆用户在t-1时刻处位置的真实值与预测值之间的弗朗明歇距离, />为车辆用户在t时刻处位置的真实值与预测值之间的欧式距离;
S26.根据所述均方根误差、轨迹相似度和平均绝对误差计算损失函数综合值;
所述损失函数综合值的计算公式为:
;
S27.通过对图神经网络预测模型中的参数进行调整,使所述损失函数综合值最小,从而训练出高准确率的图神经网络预测模型。
进一步地,所述S30,包括:
S31.创建边缘服务器集合M,将位置坐标图区域范围内的边缘服务器存入所述边缘服务器集合M;
所述边缘服务器集合M表示为,c、m为正整数;
S32.从所述边缘服务器集合M中随机选择一个边缘服务器作为初始类簇中心;
S33.计算每个边缘服务器与已选取的类簇中心的距离,通过所述距离计算取样概率;
所述距离和取样概率/>的计算公式为:
;
;
其中,为边缘服务器队列中第j个边缘服务器,/>为边缘服务器/>与上一时刻选取的初始类簇中心/>的距离,/>为边缘服务器/>被选择作为类簇中心的概率;
S34.创建类簇中心边缘服务器队列,按照所述取样概率对所述边缘服务器集合M进行随机取样,选取k个边缘服务器作为类簇中心,将所述类簇中心存入类簇中心边缘服务器队列;
所述类簇中心边缘服务器队列表示为:
;
S35.通过计算每个车辆用户下一时刻的预测位置与所述类簇中心边缘服务器队列中每个类簇中心的位置的闵可夫斯基距离,将每个车辆用户分配到距离最近的类簇;
所述闵可夫斯基距离的计算公式为:
;
其中,为类簇中心边缘服务器队列中第j个边缘服务器的位置坐标,/>为第/>个车辆用户的位置坐标的预测值,N为车辆用户总数量,p为闵可夫斯基距离的阶数,取值为一个常数;
S36.计算每个车辆用户与所述分配到距离最近的类簇的合理系数;
S37.通过所述合理系数更新每个类簇的类簇中心。
进一步地,所述合理系数,包括:
通过计算车辆用户与类簇的合理系数,验证聚类合理度提高聚类结果的准确性,若车辆用户与类簇的合理系数/>在区间[0.6,1]中,则表示车辆用户聚类合理;若车辆用户与类簇的合理系数/>在区间[-1,-0.6]中,则表示车辆用户需要被分到其它类簇;若车辆用户与类簇的合理系数/>在区间(-0.6,0.6)中,则表示车辆用户在两个类簇的边界上,通过所述合理系数提高聚类结果的准确性;
所述合理系数的计算公式为:
;
;
;
其中,为以边缘服务器/>为中心的类簇中车辆用户/>的簇内不相识度,第u个类簇中的车辆用户集合表示为/>,u<k,/>为边缘服务器/>的类簇中车辆用户的个数,/>为边缘服务器/>的类簇中车辆用户的坐标,/>,/>为边缘服务器/>的类簇中车辆用户/>的坐标,为边缘服务器/>的坐标,/>以边缘服务器/>为中心的类簇中车辆用户/>的簇间不相识度,/>为类簇中车辆用户/>的合理系数。
进一步地,所述S40,包括:
S41.计算每个类簇中车辆用户到边缘服务器的信号传播时延;
所述信号传播时延的计算公式为:
;
其中,B为带宽,R为载波组,w为车辆用户的载波,为边缘服务器的发射功率,为边缘服务器与类簇中车辆用户之间的信道衰退系数,/>为边缘服务器满足误码率的信噪裕度,/>为路径损害,/>为噪声功率;
S42.计算每个类簇中边缘服务器的资源占用率;
所述边缘服务器的资源占用率的计算公式为:
;
其中,为服务占用的资源量,/>为边缘服务器拥有的资源总量;
S43.计算每个类簇中边缘服务器的请求时延;
所述请求时延的计算公式为;
;
其中,为所需迁移的服务的大小,/>为路径损害,/>为边缘服务器的发射功率,/>为噪声功率,/>为边缘服务器满足误码率的信噪裕度;
S44.通过所述信号传播时延、资源占用率、请求时延计算每个类簇中边缘服务器的优先度;
所述优先度的计算公式为:
;
S45.创建优先度队列,将边缘服务器按照所述优先度大小进行降序排序后依次存入所述优先度队列。
进一步地,所述S50,包括:
S51.从优先度队列中选取排序前三的边缘服务器;
S52.计算所述选取排序前三的边缘服务器部署所需的能耗成本;
所述能耗成本计算公式为:
;
其中,为类簇中车辆用户/>与边缘服务器/>之间的能耗成本,/>为边缘服务器/>的服务处理能力,E为单位服务请求的数据量,/>为常数参数;
S53.计算所述选取排序前三的边缘服务器的服务部署成本;
所述服务部署成本的计算公式为:
;
其中,为类簇中车辆用户/>与边缘服务器/>之间的服务部署成本,为边缘服务器/>的服务处理能力,/>为服务请求所需的资源大小,/>为所需迁移的服务的大小,/>为边缘服务器的发射功率,/>为边缘服务器满足误码率的信噪裕度;
S54.通过所述能耗成本和服务部署成本计算适应度值,将所述适应度值最大的边缘服务器作为预部署边缘服务器;
所述适应度值的计算公式为:
;
其中,为排序前三的边缘服务器计算所得的最大适应度值;
S55.若所述适应度值最大的预部署边缘服务器发生故障,则选取除发生故障外当前适应度值最大的边缘服务器作为预部署边缘服务器;
进一步地,所述S60,包括:
S61.计算将服务直接迁移到所述预部署边缘服务器的总成本;
所述将服务直接迁移到所述预部署边缘服务器的总成本的计算公式为:
;
其中,为边缘服务器在t时刻占用的资源,/>为边缘服务器所拥有的总资源,为云服务器的发射功率,/>为所需迁移的服务的大小,/>为边缘服务器满足误码率的信噪裕度;
S62.计算从云服务器直接将服务部署到所述预部署边缘服务器的总成本;
所述从云服务器直接将服务部署到所述预部署边缘服务器的总成本的计算公式为:
;
其中,为云服务器的发射功率,/>为云服务器与车辆用户之间的信道衰退系数,/>为云服务器满足误码率的信噪裕度,/>为路径损害,/>为噪声功率;
S63.判断将服务直接迁移的总成本是否大于或等于从云服务器直接部署的总成本,若是,则将服务直接迁移到所述预部署边缘服务器;若否,则从云服务器直接将服务部署到所述预部署边缘服务器。
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神经网络的边缘计算服务部署方法通过在图神经网络模型中加入车辆用户的特征信息,对于用户移动的不确定性因素考虑较多,通过利用人工智能领域的移动性预测方法对车辆用户未来轨迹路线进行预测,可以提高预测的轨迹准确度,从而达到更有效的服务部署,且方法复杂程度低,从而有效提高用户体验度。
2、本发明提供的一种基于神经网络的边缘计算服务部署方法使用改进的k-means聚类算法对用户进行聚类,并提出采用合理系数评判聚类结果的准确程度,可以有效提高服务预部署的效率和MEC 整体服务质量。
3、本发明提供的一种基于神经网络的边缘计算服务部署方法考虑边缘环境场景下的边缘服务器的资源限制和覆盖范围限制,并且考虑服务部署的能耗成本,选择总成本最低的部署方案进行服务部署,有效提高用户体验度。
4、本发明提供的一种基于神经网络的边缘计算服务部署方法支持多用户服务部署,同时考虑了用户的移动性,具有广泛的适用性,以最小化用户服务请求时延和成本进行联合优化,同时考虑保障突发性聚集下多服务请求能够及时响应,能够有效降低移动用户等待服务的时延,极大的满足了对时效性要求高的移动用户,提高了移动用户体验度,方法复杂程度较低,预测精度较高,灵活性较好,可以有效适应新的环境等问题。
附图说明
图1是本发明提供的一种基于神经网络的边缘计算服务部署方法的流程图。
图2是本发明提供的一种基于神经网络的边缘计算服务部署方法构建的图神经网络预测模型的流程图。
图3是本发明提供的一种基于神经网络的边缘计算服务部署方法使用改进的k-means聚类算法进行聚类的流程图。
图4是本发明提供的一种基于神经网络的边缘计算服务部署方法计算边缘服务器优先度的流程图。
图5是本发明提供的一种基于神经网络的边缘计算服务部署方法得到预部署边缘服务器的流程图。
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。
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,但本发明还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本发明的一部分实施例,而不是全部的实施例。
图1是本发明实施例提供的一种基于神经网络的边缘计算服务部署方法的流程图,该方法包括:
S10:边缘服务器获取车辆用户的特征信息;
所述车辆用户的特征信息包括车辆用户之间的关系、历史轨迹信息、当前位置坐标信息、常驻点位置坐标信息、时间、车辆用户移动速度和移动方向;
所述当前位置坐标信息包括经度、纬度。
S20:通过将所述车辆用户的特征信息输入到图神经网络预测模型进行轨迹预测,得到车辆用户下一时刻的位置,将所有车辆用户下一时刻的位置在地图上根据经纬度进行标记得到位置坐标图;
所述所有车辆用户,表示为,u和N为正整数。
进一步地,参照图2,所述图神经网络预测模型,包括:
S21.将车辆用户的特征信息进行组合得到特征信息组,对所述特征信息组进行线性函数归一化处理;
所述特征信息组表示为:
;
其中,为历史轨迹,/>为当前位置坐标信息,为常驻位置坐标信息,/>为时间,/>为速度,move为移动方向;
所述线性函数归一化处理的计算公式为:
;
其中,为特征信息组的数据最小值,/>为特征信息组的数据最大值,为特征信息组的数据归一化后的值;
S22.通过处理后的特征信息组构建特征矩阵X,根据车辆用户之间的关系构建邻接矩阵A;
所述特征矩阵X与邻接矩阵A表示为:
;
;
;
其中, 为第一个车辆用户第1个特征,/>为第N个车辆用户第D个特征,N与D均为正整数,/>为车辆用户/>和车辆用户/>之间的关系,/>为第p个车辆用户,为第h个车辆用户,p和h均为正整数且小于N,/>为经过归一化处理的邻接矩阵,/>为特征矩阵X加上一个自连接的单位矩阵;
S23.通过两层GCN网络以及两层全连接网络堆叠,通过堆叠的网络中的空间依赖关系得到车辆用户的强化特征矩阵;
所述空间依赖关系表示为:
;
;
;
;
其中, 为第一层GCN网络传播计算输出的特征矩阵,CELU()与ReLU()为激活函数,/>为第一层GCN网络的参数矩阵,/>为第二层GCN网络传播计算输出的特征矩阵,为第二层GCN网络的参数矩阵,/>为第一层全连接网络输出的特征矩阵,/>为第一层全连接网络的权重矩阵,/>为第二层全连接网络的权重矩阵,/>为车辆用户/>经过全连接层输出的强化特征矩阵,所述全连接层由两层全连接网络构成;
S24.在两层GCN网络之后接入的全连接层,将车辆用户的强化特征矩阵进行线性映射得到车辆用户下一时刻的预测位置坐标,并不断更新形成预测轨迹;
所述线性映射的计算公式为:
;
其中,为车辆用户/>在t时刻的预测位置坐标,/>为全连接层的权重矩阵,/>为全连接层的偏置向量;
S25.计算图神经网络预测模型的均方根误差、轨迹相似度和平均绝对误差;
所述均方根误差、轨迹相似度/>和平均绝对误差/>的计算公式为:
;
;
;
;
其中,为第/>个车辆用户的位置坐标的真实值,/>为第/>个车辆用户的位置坐标的预测值,N为车辆用户总数量,/>为车辆用户在前一时刻处位置的真实值和预测值之间的弗朗明歇距离的最小值,/>为车辆用户在t时刻处位置的真实值与预测值之间的弗朗明歇距离,即轨迹相似度,/>为车辆用户在t-1时刻处位置的真实值与t时刻处位置的预测值之间的弗朗明歇距离,/>为车辆用户在t时刻处位置的真实值与t-1时刻处位置的预测值之间的弗朗明歇距离,/>为车辆用户在t-1时刻处位置的真实值与预测值之间的弗朗明歇距离, />为车辆用户在t时刻处位置的真实值与预测值之间的欧式距离;
S26.根据所述均方根误差、轨迹相似度和平均绝对误差计算损失函数综合值;
所述损失函数综合值的计算公式为:
;
S27.通过对图神经网络预测模型中的参数进行调整,使所述损失函数综合值最小,从而训练出高准确率的图神经网络预测模型。
S30:对所述位置坐标图使用改进的k-means聚类算法进行聚类,得到k个类簇与k个类簇中心;
所述k为正整数;
进一步地,参照图3,所述S30,包括:
S31.创建边缘服务器集合M,将位置坐标图区域范围内的边缘服务器存入所述边缘服务器集合M;
所述边缘服务器集合M表示为,c、m为正整数;
S32.从所述边缘服务器集合M中随机选择一个边缘服务器作为初始类簇中心;
S33.计算每个边缘服务器与已选取的类簇中心的距离,通过所述距离计算取样概率;
所述距离和取样概率/>的计算公式为:
;
;
其中,为边缘服务器队列中第j个边缘服务器,/>为边缘服务器/>与上一时刻选取的初始类簇中心/>的距离,/>为边缘服务器/>被选择作为类簇中心的概率;
S34.创建类簇中心边缘服务器队列,按照所述取样概率对所述边缘服务器集合M进行随机取样,选取k个边缘服务器作为类簇中心,将所述类簇中心存入类簇中心边缘服务器队列;
所述类簇中心边缘服务器队列表示为:
;
S35.通过计算每个车辆用户下一时刻的预测位置与所述类簇中心边缘服务器队列中每个类簇中心的位置的闵可夫斯基距离,将每个车辆用户分配到距离最近的类簇;
所述闵可夫斯基距离的计算公式为:
;
其中,为类簇中心边缘服务器队列中第j个边缘服务器的位置坐标,/>为第/>个车辆用户的位置坐标的预测值,N为车辆用户总数量,p为闵可夫斯基距离的阶数,取值为一个常数;
S36.计算每个车辆用户与所述分配到距离最近的类簇的合理系数;
S37.通过所述合理系数更新每个类簇的类簇中心。
进一步地,所述合理系数,包括:
通过计算车辆用户与类簇的合理系数,验证聚类合理度提高聚类结果的准确性,若车辆用户与类簇的合理系数/>在区间[0.6,1]中,则表示车辆用户聚类合理;若车辆用户与类簇的合理系数/>在区间[-1,-0.6]中,则表示车辆用户需要被分到其它类簇;若车辆用户与类簇的合理系数/>在区间(-0.6,0.6)中,则表示车辆用户在两个类簇的边界上,通过所述合理系数提高聚类结果的准确性;
所述合理系数的计算公式为:
;
;
;
其中,为以边缘服务器/>为中心的类簇中车辆用户/>的簇内不相识度,第u个类簇中的车辆用户集合表示为/>,u<k,/>为边缘服务器/>的类簇中车辆用户的个数,/>为边缘服务器/>的类簇中车辆用户的坐标,/>,/>为边缘服务器/>的类簇中车辆用户/>的坐标,为边缘服务器/>的坐标,/>以边缘服务器/>为中心的类簇中车辆用户/>的簇间不相识度,/>为类簇中车辆用户/>的合理系数。
S40:计算每个类簇中边缘服务器的优先度,创建优先度队列,将边缘服务器按照优先度大小进行降序排序依次存入所述优先度队列;
进一步地,参照图4,所述S40,包括:
S41.计算每个类簇中车辆用户到边缘服务器的信号传播时延;
所述信号传播时延的计算公式为:
;
其中,B为带宽,R为载波组,w为车辆用户的载波,为边缘服务器的发射功率,为边缘服务器与类簇中车辆用户之间的信道衰退系数,/>为边缘服务器满足误码率的信噪裕度,/>为路径损害,/>为噪声功率;
S42.计算每个类簇中边缘服务器的资源占用率;
所述边缘服务器的资源占用率的计算公式为:
;
其中,为服务占用的资源量,/>为边缘服务器拥有的资源总量;
S43.计算每个类簇中边缘服务器的请求时延;
所述请求时延的计算公式为;
;
其中,为所需迁移的服务的大小,/>为路径损害,/>为边缘服务器的发射功率,/>为噪声功率,/>为边缘服务器满足误码率的信噪裕度;
S44.通过所述信号传播时延、资源占用率、请求时延计算每个类簇中边缘服务器的优先度;
所述优先度的计算公式为:
;
S45.创建优先度队列,将边缘服务器按照所述优先度大小进行降序排序后依次存入所述优先度队列。
S50:计算所述优先度队列中排序前三的边缘服务器的适应度值,将所述适应度值最大的边缘服务器作为预部署边缘服务器;
进一步地,参照图5,所述S50,包括:
S51.从优先度队列中选取排序前三的边缘服务器;
S52.计算所述选取排序前三的边缘服务器部署所需的能耗成本;
所述能耗成本计算公式为:
;/>
其中,为类簇中车辆用户/>与边缘服务器/>之间的能耗成本,/>为边缘服务器/>的服务处理能力,E为单位服务请求的数据量,/>为常数参数;
S53.计算所述选取排序前三的边缘服务器的服务部署成本;
所述服务部署成本的计算公式为:
;
其中,为类簇中车辆用户/>与边缘服务器/>之间的服务部署成本,为边缘服务器/>的服务处理能力,/>为服务请求所需的资源大小,/>为所需迁移的服务的大小,/>为边缘服务器的发射功率,/>为边缘服务器满足误码率的信噪裕度;
S54.通过所述能耗成本和服务部署成本计算适应度值,将所述适应度值最大的边缘服务器作为预部署边缘服务器;
所述适应度值的计算公式为:
;
其中,为排序前三的边缘服务器计算所得的最大适应度值;
S55.若所述适应度值最大的预部署边缘服务器发生故障,则选取除发生故障外当前适应度值最大的边缘服务器作为预部署边缘服务器;
S60:计算将服务直接迁移到所述预部署边缘服务器的总成本和从云服务器直接将服务部署到所述预部署边缘服务器的总成本,比较两种方案的总成本,选择总成本小的方案进行服务部署;
进一步地,所述S60,包括:
S61.计算将服务直接迁移到所述预部署边缘服务器的总成本;
所述将服务直接迁移到所述预部署边缘服务器的总成本的计算公式为:
;
其中,为边缘服务器在t时刻占用的资源,/>为边缘服务器所拥有的总资源,为云服务器的发射功率,/>为所需迁移的服务的大小,/>为边缘服务器满足误码率的信噪裕度;
S62.计算从云服务器直接将服务部署到所述预部署边缘服务器的总成本;
所述从云服务器直接将服务部署到所述预部署边缘服务器的总成本的计算公式为:/>
;
其中,为云服务器的发射功率,/>为云服务器与车辆用户之间的信道衰退系数,/>为云服务器满足误码率的信噪裕度,/>为路径损害,/>为噪声功率;
S63.判断将服务直接迁移的总成本是否大于或等于从云服务器直接部署的总成本,若是,则将服务直接迁移到所述预部署边缘服务器;若否,则从云服务器直接将服务部署到所述预部署边缘服务器。
本发明提供的一种基于神经网络的边缘计算服务部署方法,通过在图神经网络模型中加入车辆用户的特征信息,对于用户移动的不确定性因素考虑较多,通过利用人工智能领域的移动性预测方法对车辆用户未来轨迹路线进行预测,可以提高预测的轨迹准确度,从而达到更有效的服务部署,且方法复杂程度低,从而有效提高用户体验度;支持多用户服务部署,同时考虑了用户的移动性,具有广泛的适用性,以最小化用户服务请求时延和成本进行联合优化,同时考虑保障突发性聚集下多服务请求能够及时响应,能够有效降低移动用户等待服务的时延,极大的满足了对时效性要求高的移动用户,提高了移动用户体验度,方法复杂程度较低,预测精度较高,灵活性较好,可以有效适应新的环境等问题。
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。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
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 (6)
1.一种基于神经网络的边缘计算服务部署方法,其特征在于,包括:
S10:边缘服务器获取车辆用户的特征信息;
S20:通过将所述车辆用户的特征信息输入到图神经网络预测模型进行轨迹预测,得到车辆用户下一时刻的位置,将所有车辆用户下一时刻的位置在地图上根据经纬度进行标记得到位置坐标图;
S30:对所述位置坐标图使用改进的k-means聚类算法进行聚类,得到k个类簇与k个类簇中心;
S40:计算每个类簇中边缘服务器的优先度,创建优先度队列,将边缘服务器按照优先度大小进行降序排序依次存入所述优先度队列;
S50:计算所述优先度队列中排序前三的边缘服务器的适应度值,将所述适应度值最大的边缘服务器作为预部署边缘服务器;
S60:计算将服务直接迁移到所述预部署边缘服务器的总成本和从云服务器直接将服务部署到所述预部署边缘服务器的总成本,比较两种方案的总成本,选择总成本小的方案进行服务部署;
所述车辆用户的特征信息包括车辆用户之间的关系、历史轨迹信息、当前位置坐标信息、常驻点位置坐标信息、时间、车辆用户移动速度和移动方向;
所述当前位置坐标信息包括经度、纬度;
所述k为正整数;
所述所有车辆用户,表示为,u和N为正整数;
所述图神经网络预测模型,包括:
S21.将车辆用户的特征信息进行组合得到特征信息组,对所述特征信息组进行线性函数归一化处理;
所述特征信息组表示为:
;
其中,为历史轨迹,/>为当前位置坐标信息,为常驻位置坐标信息,/>为时间,/>为速度,move为移动方向;
所述线性函数归一化处理的计算公式为:
;
其中,为特征信息组的数据最小值,/>为特征信息组的数据最大值,/>为特征信息组的数据归一化后的值;
S22.通过处理后的特征信息组构建特征矩阵X,根据车辆用户之间的关系构建邻接矩阵A;
所述特征矩阵X与邻接矩阵A表示为:
;
;
;
其中, 为第一个车辆用户第1个特征,/>为第N个车辆用户第D个特征,N与D均为正整数,/>为车辆用户/>和车辆用户/>之间的关系,/>为第p个车辆用户,为第h个车辆用户,p和h均为正整数且小于N,/>为经过归一化处理的邻接矩阵,/>为特征矩阵X加上一个自连接的单位矩阵;
S23.通过两层GCN网络以及两层全连接网络堆叠,通过堆叠的网络中的空间依赖关系得到车辆用户的强化特征矩阵;
所述空间依赖关系表示为:
;
;
;
;
其中, 为第一层GCN网络传播计算输出的特征矩阵,CELU()与ReLU()为激活函数,为第一层GCN网络的参数矩阵,/>为第二层GCN网络传播计算输出的特征矩阵,/>为第二层GCN网络的参数矩阵,/>为第一层全连接网络输出的特征矩阵,/>为第一层全连接网络的权重矩阵,/>为第二层全连接网络的权重矩阵,/>为车辆用户/>经过全连接层输出的强化特征矩阵,所述全连接层由两层全连接网络构成;
S24.在两层GCN网络之后接入的全连接层,将车辆用户的强化特征矩阵进行线性映射得到车辆用户下一时刻的预测位置坐标,并不断更新形成预测轨迹;
所述线性映射的计算公式为:
;
其中,为车辆用户/>在t时刻的预测位置坐标,/>为全连接层的权重矩阵,/>为全连接层的偏置向量;
S25.计算图神经网络预测模型的均方根误差、轨迹相似度和平均绝对误差;
所述均方根误差、轨迹相似度/>和平均绝对误差/>的计算公式为:
;
;
;
;
其中,为第/>个车辆用户的位置坐标的真实值,/>为第/>个车辆用户的位置坐标的预测值,N为车辆用户总数量,/>为车辆用户在前一时刻处位置的真实值和预测值之间的弗朗明歇距离的最小值,/>为车辆用户在t时刻处位置的真实值与预测值之间的弗朗明歇距离,即轨迹相似度,/>为车辆用户在t-1时刻处位置的真实值与t时刻处位置的预测值之间的弗朗明歇距离,/>为车辆用户在t时刻处位置的真实值与t-1时刻处位置的预测值之间的弗朗明歇距离,/>为车辆用户在t-1时刻处位置的真实值与预测值之间的弗朗明歇距离, />为车辆用户在t时刻处位置的真实值与预测值之间的欧式距离;
S26.根据所述均方根误差、轨迹相似度和平均绝对误差计算损失函数综合值;
所述损失函数综合值的计算公式为:
;
S27.通过对图神经网络预测模型中的参数进行调整,使所述损失函数综合值最小,从而训练出高准确率的图神经网络预测模型。
2.如权利要求1所述的一种基于神经网络的边缘计算服务部署方法,其特征在于,所述S30,包括:
S31.创建边缘服务器集合M,将位置坐标图区域范围内的边缘服务器存入所述边缘服务器集合M;
所述边缘服务器集合M表示为,c、m为正整数;
S32.从所述边缘服务器集合M中随机选择一个边缘服务器作为初始类簇中心;
S33.计算每个边缘服务器与已选取的类簇中心的距离,通过所述距离计算取样概率;
所述距离和取样概率/>的计算公式为:
;
;
其中,为边缘服务器队列中第j个边缘服务器,/>为边缘服务器/>与上一时刻选取的初始类簇中心/>的距离,/>为边缘服务器/>被选择作为类簇中心的概率;
S34.创建类簇中心边缘服务器队列,按照所述取样概率对所述边缘服务器集合M进行随机取样,选取k个边缘服务器作为类簇中心,将所述类簇中心存入类簇中心边缘服务器队列;
所述类簇中心边缘服务器队列表示为:
;
S35.通过计算每个车辆用户下一时刻的预测位置与所述类簇中心边缘服务器队列中每个类簇中心的位置的闵可夫斯基距离,将每个车辆用户分配到距离最近的类簇;
所述闵可夫斯基距离的计算公式为:
;
其中,为类簇中心边缘服务器队列中第j个边缘服务器的位置坐标,/>为第/>个车辆用户的位置坐标的预测值, N为车辆用户总数量,p为闵可夫斯基距离的阶数,取值为一个常数;
S36.计算每个车辆用户与所述分配到距离最近的类簇的合理系数;
S37.通过所述合理系数更新每个类簇的类簇中心。
3.如权利要求2所述的一种基于神经网络的边缘计算服务部署方法,其特征在于,所述合理系数,包括:
通过计算车辆用户与类簇的合理系数,验证聚类合理度提高聚类结果的准确性,若车辆用户与类簇的合理系数/>在区间[0.6,1]中,则表示车辆用户聚类合理;若车辆用户与类簇的合理系数/>在区间[-1,-0.6]中,则表示车辆用户需要被分到其它类簇;若车辆用户与类簇的合理系数/>在区间(-0.6,0.6)中,则表示车辆用户在两个类簇的边界上,通过所述合理系数提高聚类结果的准确性;
所述合理系数的计算公式为:
;
;
;
其中,为以边缘服务器/>为中心的类簇中车辆用户/>的簇内不相识度,第u个类簇中的车辆用户集合表示为/>,u<k,/>为边缘服务器/>的类簇中车辆用户的个数,/>为边缘服务器/>的类簇中车辆用户/>的坐标,/>,/>为边缘服务器/>的类簇中车辆用户/>的坐标,为边缘服务器/>的坐标,/>为以边缘服务器/>为中心的类簇中车辆用户的簇间不相识度,/>为类簇中车辆用户/>的合理系数。
4.如权利要求1所述的一种基于神经网络的边缘计算服务部署方法,其特征在于,所述S40,包括:
S41.计算每个类簇中车辆用户到边缘服务器的信号传播时延;
所述信号传播时延的计算公式为:
;
其中,B为带宽,R为载波组,w为车辆用户的载波,为边缘服务器的发射功率,/>为边缘服务器与类簇中车辆用户之间的信道衰退系数,/>为边缘服务器满足误码率的信噪裕度,/>为路径损害,/>为噪声功率;
S42.计算每个类簇中边缘服务器的资源占用率;
所述边缘服务器的资源占用率的计算公式为:
;
其中,为服务占用的资源量,/>为边缘服务器拥有的资源总量;
S43.计算每个类簇中边缘服务器的请求时延;
所述请求时延的计算公式为;
;
其中,为所需迁移的服务的大小,/>为路径损害,/>为边缘服务器的发射功率,为噪声功率,/>为边缘服务器满足误码率的信噪裕度;
S44.通过所述信号传播时延、资源占用率、请求时延计算每个类簇中边缘服务器的优先度;
所述优先度的计算公式为:
;
S45.创建优先度队列,将边缘服务器按照所述优先度大小进行降序排序后依次存入所述优先度队列。
5.如权利要求1所述的一种基于神经网络的边缘计算服务部署方法,其特征在于,所述S50,包括:
S51.从优先度队列中选取排序前三的边缘服务器;
S52.计算所述选取排序前三的边缘服务器部署所需的能耗成本;
所述能耗成本计算公式为:
;
其中,为类簇中车辆用户/>与边缘服务器/>之间的能耗成本,/>为边缘服务器/>的服务处理能力,E为单位服务请求的数据量,/>为常数参数;
S53.计算所述选取排序前三的边缘服务器的服务部署成本;
所述服务部署成本的计算公式为:
;
其中,为类簇中车辆用户/>与边缘服务器/>之间的服务部署成本,/>为边缘服务器/>的服务处理能力,/>为服务请求所需的资源大小,/>为所需迁移的服务的大小,/>为边缘服务器的发射功率,/>为边缘服务器满足误码率的信噪裕度;
S54.通过所述能耗成本和服务部署成本计算适应度值,将所述适应度值最大的边缘服务器作为预部署边缘服务器;
所述适应度值的计算公式为:
;
其中,为排序前三的边缘服务器计算所得的最大适应度值;
S55.若所述适应度值最大的预部署边缘服务器发生故障,则选取除发生故障外当前适应度值最大的边缘服务器作为预部署边缘服务器。
6.如权利要求1所述的一种基于神经网络的边缘计算服务部署方法,其特征在于,所述S60,包括:
S61.计算将服务直接迁移到所述预部署边缘服务器的总成本;
所述将服务直接迁移到所述预部署边缘服务器的总成本的计算公式为:
;
其中,为边缘服务器在t时刻占用的资源,/>为边缘服务器所拥有的总资源,/>为云服务器的发射功率,/>为所需迁移的服务的大小,/>为边缘服务器满足误码率的信噪裕度;
S62.计算从云服务器直接将服务部署到所述预部署边缘服务器的总成本;
所述从云服务器直接将服务部署到所述预部署边缘服务器的总成本的计算公式为:
;
其中,为云服务器的发射功率,/>为云服务器与车辆用户之间的信道衰退系数,为云服务器满足误码率的信噪裕度,/>为路径损害,/>为噪声功率;
S63.判断将服务直接迁移的总成本是否小于或等于从云服务器直接部署的总成本,若是,则将服务直接迁移到所述预部署边缘服务器;若否,则从云服务器直接将服务部署到所述预部署边缘服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412775.5A CN117149443B (zh) | 2023-10-30 | 2023-10-30 | 一种基于神经网络的边缘计算服务部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412775.5A CN117149443B (zh) | 2023-10-30 | 2023-10-30 | 一种基于神经网络的边缘计算服务部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117149443A CN117149443A (zh) | 2023-12-01 |
CN117149443B true CN117149443B (zh) | 2024-01-26 |
Family
ID=88908449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311412775.5A Active CN117149443B (zh) | 2023-10-30 | 2023-10-30 | 一种基于神经网络的边缘计算服务部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117149443B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528589B (zh) * | 2023-12-29 | 2024-03-22 | 江西师范大学 | 一种基于边缘计算的移动感知层次缓存容错方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112969144A (zh) * | 2021-02-02 | 2021-06-15 | 武汉大学 | 一种面向移动边缘计算的微服务预部署方法及系统 |
CN113296909A (zh) * | 2021-05-14 | 2021-08-24 | 上海交通大学 | 移动边缘计算中的优化服务部署方法 |
CN113472844A (zh) * | 2021-05-26 | 2021-10-01 | 北京邮电大学 | 面向车联网的边缘计算服务器部署方法、装置及设备 |
CN113661721A (zh) * | 2019-05-07 | 2021-11-16 | 英特尔公司 | 用于提供行程特定QoS预测的V2X服务 |
CN114554420A (zh) * | 2022-04-26 | 2022-05-27 | 江西师范大学 | 一种基于轨迹预测的边缘计算服务迁移方法 |
CN115686846A (zh) * | 2022-10-31 | 2023-02-03 | 重庆理工大学 | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 |
CN115878227A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于人群分类的边缘计算任务卸载方法 |
CN116132998A (zh) * | 2023-03-30 | 2023-05-16 | 江西师范大学 | 一种基于路口中心度的城市边缘服务器部署方法 |
CN116319426A (zh) * | 2023-03-27 | 2023-06-23 | 派欧云计算(上海)有限公司 | 一种基于图神经网络的网络稀疏化测量方法及系统 |
CN116390162A (zh) * | 2023-03-23 | 2023-07-04 | 北京工业大学 | 一种基于深度强化学习的移动边缘计算动态服务部署方法 |
CN116483585A (zh) * | 2023-06-16 | 2023-07-25 | 江西师范大学 | 一种基于边缘计算的多服务预部署方法 |
CN116866931A (zh) * | 2023-07-18 | 2023-10-10 | 广东工业大学 | 一种城市移动边缘服务器部署方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220124543A1 (en) * | 2021-06-30 | 2022-04-21 | Oner Orhan | Graph neural network and reinforcement learning techniques for connection management |
-
2023
- 2023-10-30 CN CN202311412775.5A patent/CN117149443B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113661721A (zh) * | 2019-05-07 | 2021-11-16 | 英特尔公司 | 用于提供行程特定QoS预测的V2X服务 |
CN112969144A (zh) * | 2021-02-02 | 2021-06-15 | 武汉大学 | 一种面向移动边缘计算的微服务预部署方法及系统 |
CN113296909A (zh) * | 2021-05-14 | 2021-08-24 | 上海交通大学 | 移动边缘计算中的优化服务部署方法 |
CN113472844A (zh) * | 2021-05-26 | 2021-10-01 | 北京邮电大学 | 面向车联网的边缘计算服务器部署方法、装置及设备 |
CN114554420A (zh) * | 2022-04-26 | 2022-05-27 | 江西师范大学 | 一种基于轨迹预测的边缘计算服务迁移方法 |
CN115686846A (zh) * | 2022-10-31 | 2023-02-03 | 重庆理工大学 | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 |
CN115878227A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于人群分类的边缘计算任务卸载方法 |
CN116390162A (zh) * | 2023-03-23 | 2023-07-04 | 北京工业大学 | 一种基于深度强化学习的移动边缘计算动态服务部署方法 |
CN116319426A (zh) * | 2023-03-27 | 2023-06-23 | 派欧云计算(上海)有限公司 | 一种基于图神经网络的网络稀疏化测量方法及系统 |
CN116132998A (zh) * | 2023-03-30 | 2023-05-16 | 江西师范大学 | 一种基于路口中心度的城市边缘服务器部署方法 |
CN116483585A (zh) * | 2023-06-16 | 2023-07-25 | 江西师范大学 | 一种基于边缘计算的多服务预部署方法 |
CN116866931A (zh) * | 2023-07-18 | 2023-10-10 | 广东工业大学 | 一种城市移动边缘服务器部署方法 |
Non-Patent Citations (5)
Title |
---|
Derrow-pinion, A. et al..ETA Prediction with Graph Neural Networks in Google Maps.《CIKM '21: The 30th ACM International Conference on Information and Knowledge Management》.2021,全文. * |
一种移动边缘计算环境中服务QoS的预测方法;任丽芳;王文剑;;小型微型计算机系统(06);全文 * |
基于深度强化学习的移动边缘计算任务卸载研究;卢海峰;顾春华;罗飞;丁炜超;杨婷;郑帅;;计算机研究与发展(第07期);全文 * |
基于目标特征选择和去除的改进K-means聚类算法;杨华晖;孟晨;王成;姚运志;;控制与决策(06);全文 * |
黄晨.移动边缘计算中基于多臂老虎机的服务器选择策略研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2022,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117149443A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tyagi et al. | An intelligent and optimal resource allocation approach in sensor networks for smart agri-IoT | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
CN111556461B (zh) | 一种基于深度q网络的车载边缘网络任务分发卸载方法 | |
CN117149443B (zh) | 一种基于神经网络的边缘计算服务部署方法 | |
CN113286317B (zh) | 一种基于无线供能边缘网络的任务调度方法 | |
CN115878227B (zh) | 一种基于人群分类的边缘计算任务卸载方法 | |
CN113254188B (zh) | 调度优化方法和装置、电子设备及存储介质 | |
CN113781002B (zh) | 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法 | |
CN114650228B (zh) | 一种异构网络中基于计算卸载的联邦学习调度方法 | |
Chen et al. | A lifetime optimization algorithm limited by data transmission delay and hops for mobile sink-based wireless sensor networks | |
WO2022242468A1 (zh) | 任务卸载方法、调度优化方法和装置、电子设备及存储介质 | |
CN111093216A (zh) | 一种基于改进二进制粒子群优化的无线传感器网络节点调度方法 | |
Matrouk et al. | Mobility aware-task scheduling and virtual fog for offloading in IoT-fog-cloud environment | |
CN111930435B (zh) | 一种基于pd-bpso技术的任务卸载决策方法 | |
CN111626354B (zh) | 应用于车联网中的基于任务依赖性的聚类方法 | |
CN113159539A (zh) | 多层边缘计算系统中联合绿色能源调度和动态任务分配方法 | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
Sun et al. | Energy efficiency-driven mobile base station deployment strategy for shopping malls using modified improved differential evolution algorithm | |
CN116367310A (zh) | 面向移动边缘计算的最大增益导向的信道分配方法 | |
CN115766478A (zh) | 一种空地协同边缘计算服务器的卸载方法 | |
CN115499876A (zh) | Msde场景下基于dqn算法的计算卸载策略 | |
Kou et al. | Hybrid particle swarm optimization-based modeling of wireless sensor network coverage optimization | |
CN114219074A (zh) | 一种按需动态调整的无线通信网络资源分配算法 |
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 |