本发明涉及一种基于业务需求的多尺度频谱接入方案，尤其是一种基于边缘计算的用户业务排队优化方法，属于移动通信技术领域。
背景技术：
近年来，移动设备飞速发展，用户量也随之急剧上涨，随着物联网的快速发展和互联网5g技术的诞生，社会已经进入了万物互联的时代，网络边缘设备数量的迅速增加，使得该类设备所产生的数据已达到泽字节级别。以云计算模型为核心的大数据处理时代，其关键技术已经不能高效处理网络边缘设备所产生的数据，移动网络面临着前所未有的挑战。针对上述问题，边缘计算模型应运而生，边缘计算模型能够较好地解决物联网时代大数据处理中所存在的上述问题。边缘计算是指在网络边缘设备上执行任务计算的一种新型计算模型，边缘计算的“边缘”是指从网络边缘设备所产生的数据源到云计算中心数据路径之间的任意计算资源和网络资源，其基本理念是将计算任务在接近数据源的计算资源上运行。
排队论作为一种基于随机过程理论发展起来的数学工具经常被用于系统建模和性能分析。早期利用排队论建模并评估通信网络时，考虑到顾客的到达具有随机性，可用概率分布来表示到达过程，在排队论的研究初始阶段，主要研究了顾客的到达过程为最简单流的排队系统。随着网络的发展，描述网络流量的模型越来越复杂。在各种排队模型中，批量到达排队模型由于具有较强的适用性而得到广泛研究。
在未来5g环境下，考虑到超密集场景，d2d场景等等，边缘设备更是向高密度方向发展。由于边缘计算节点本身就具有计算、存储等功能，可以利用边缘计算对用户产生的大量数据进行处理，另外边缘计算在靠近用户端处理数据不必经过云计算中心，降低了用户业务处理的时延。用户业务的到达具有很大的随机性，因此用排队论模型对用户的服务做一定的优化，可以优化边缘计算节点对用户业务分配的，提高效率。
技术实现要素：
本发明的目的在于：针对现有技术存在的缺陷，提出一种基于边缘计算的用户业务排队优化方法，该方法一方面能够有效提高用户业务订单qos，另一方面对节能有很大帮助，具有很好的应用前景。
为了达到以上目的，本发明提供了一种基于边缘计算的用户业务排队优化方法，该方法包括以下步骤：
第一步、采用包分类器将用户产生的不同业务，根据用户识别号和服务质量(qos)需求进行分类，然后将分类好的业务放入相应的子缓存管理模块；
第二步、建立批量到达模型并采用批量到达模型对业务到达进行概率估计；
第三步、根据批量到达模型获得边缘计算节点的服务参数，然后根据边缘计算节点的服务参数选择边缘节点；
第四步、设置时间阈值为t，根据时间阈值t控制边缘计算节点的开闭，以节约能源。
本发明能够利用排队论中批量到达模型，对随机到达的业务进行概率分析，根据参数进行节点选择优化，并且对于单位时间内请求的任务数量时少时多，由于边缘设备数量很多，一直处于服务状态会耗费相当多的能量，本发明对这一问题也进行了一定改进，在以上基础上，本发明提出了一种新的基于边缘计算的用户业务排队优化方案，能够在5g环境下采用排队论对基于边缘计算的用户业务排队进行优化。本发明的用户业务排队优化方案首先将用户业务根据不同的业务qos和用户识别号对包进行分类，然后排队论中的批量到达模型对用户业务的到达概率进行预测，并且计算出相关参数，进行性能估计，以在此基础上提升用户业务服务的灵活度和服务质量。总之，本发明的方法简单、易于实现，具有很好的应用前景。
优选地，所述第一步中，子缓存管理模块符合以下要求：
1.1假设一个带有子缓存管理模块的用户，其缓存大小为hj，缓存需要第j级服务，则第j级服务所需的带宽为cjrb；
1.2假设某一边缘计算节点的总调度容量为带宽c，用户的子缓存管理模块有m个，则m个子缓存管理模块由同一个边缘计算节点提供服务时，所需总带宽为c，根据(1)式计算c值，
1.3设上述边缘计算节点服务用户的总个数为n，根据(2)式计算n值，
说明上述边缘计算节点可同时服务n个用户，
设上述边缘计算节点支持包的总个数为n，根据(3)式计算n值，
其中，cj为第j级业务的包个数，说明上述边缘计算节点可同时支持n个包。
进一步优选地，当用户或包的个数超出边缘计算节点的承载能力时，若继续使用该边缘计算节点提供服务，则会出现丢包现象，因此当该边缘计算节点满负荷时，应广播信息以分流业务去其他的边缘计算节点。
再进一步优选地，不同的边缘计算节点的业务处理能力不同，根据需要服务的业务带宽以及各端口收到的各个边缘计算节点发出的是否满载的信息，从业务产生处的端口地址，由近及远选择边缘计算节点，以减小时延并且减少丢包。
优选地，所述第二步中，建立批量到达模型的具体方法如下：
2.1假设一个有h个分类缓存的边缘计算节点，同时服务n个用户，在该边缘计算节点服务某一业务a时，设业务a批量到达强度为k个包，且1≤k≤n≤c+h，设每个包的平均速率为rb，针对每个包的流入参数为μ的指数分布，流出参数为λ的指数分布，服务规则为先到先服务，采用马尔科夫链建立排队论模型mapx/m/c/c+h,其中n为最大批量强度，map为批量马尔科夫；
2.2设马尔科夫链的状态空间为s＝{1,2,l,m}，其从i状态转移到j状态，其中1≤i,j≤m≤n，设批量事件到达的概率为pij，当有批量强度为k的事件到达时，其概率为pij(k)，当没有事件到达且i≠j时，其概率为pij(0)，由此可得只有批量事件到达，才能使状态i返回自身；
2.3设排队系统的状态转移矩阵为q，则
其中，d为批量到达率，以dmin(m,n)为例，其为到达状态m的最大批量到达率，dk为m+k状态的批量流入率，令
另外，状态m的流入由m+1状态的流入(m+1)μ和批量到达dk组成，状态m的流出由m-1状态的流出mμ和批量到达dk组成。由于m<n，到达流入状态m的最大值为dm。
进一步优选地，pij(0)为从i状态到j状态没有包流入的概率，pij(k)为从i状态到j状态有k个包流入的概率。
优选地，所述第三步中，根据系统的状态转移矩阵获得边缘计算节点服务参数具体方法如下：3.1设排队系统的稳态概率为πi，根据(4)式解出排队系统的稳态概率，
3.2根据(5)式获得排队系统的业务时延，
3.3根据(6)式获得排队系统的带宽利用率，
优选地，选择边缘节点的方法如下：用户产生的业务根据其服务质量qos的需求选择相应的边缘计算节点，若某业务需求丢包率小，则相应边缘计算节点的丢包率大于用户业务所要求的丢包率，满足选择要求。
优选地，所述第二步中，设业务到达的概率为π，根据(7式)对业务到达进行概率估计，
π＝(π1,lπi)。
优选地，所述第四步中，由于业务到达具有一定的随机性，为了减少边缘计算节点的能源浪费，在边缘计算节点处设置一时间阈值t，将其称为开关延迟期，边缘计算节点在服务完相应业务之后，判断在t时间内是否有业务到达，若在t时间内无业务到达，则将该边缘计算节点的业务通道关闭，当有业务到达时再开启，若在t时间内有业务到达，则保持该边缘计算节点的业务通道开启。
本发明中设置时间阈值，是为了避免边缘计算节点频繁的开关造成能耗浪费和延迟。另外，由于5g环境下不同业务要求的qos不同，可根据上述步骤中解出的性能参数，对边缘计算节点做一些筛选，如对于时延要求高的业务，可选择距离近，且w较小的边缘计算节点。
本发明的优点如下：
1.考虑业务到达的随机性，利用排队论中的批量到达模型对用户业务到达进行概率估计，进而进行边缘计算节点的选择，以保证不同需求的业务能在适当的边缘计算节点进行业务处理，有效降低时延，改善移动通信系统的qos；
2.为了节能起见，引入一个时间阈值控制边缘计算节点的开关。
总之由于5g环境下边缘设备的数量多，爆发的业务量也多，利用排队论中的批量到达模型对业务根据需要选择边缘计算节点有很大帮助，能够显著提高业务的服务质量。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的业务分类图。
图2为本发明中状态m的流入流出图。
图3为本发明中引入时间阈值t的示意图。
图4为本发明的流程图。
具体实施方式
实施例一
本实施例提供了一种基于边缘计算的用户业务排队优化方法，如图4所示，该方法包括以下步骤：
第一步、业务分类：
采用包分类器将用户产生的不同业务，根据用户识别号和服务质量(qos)需求进行分类，然后将分类好的业务放入相应的子缓存管理模块。
假设一个带有子缓存管理模块的用户，运营商可以动态控制其缓存大小，缓存大小为hj，该缓存需要第j级服务，则第j级服务所需的带宽为cjrb，如图1所示。
假设某一边缘计算节点的总调度容量为带宽c，用户的子缓存管理模块有m个，则m个子缓存管理模块由同一个边缘计算节点提供服务时，所需总带宽为c，根据(1)式计算c值，
假设上述边缘计算节点服务用户的总个数为n，根据(2)式计算n值，
说明上述边缘计算节点可同时服务n个用户。假设上述边缘计算节点支持包的总个数为n，根据(3)式计算n值，
其中，cj为第j级业务的包个数，说明上述边缘计算节点可同时支持n个包。
当用户或包的个数超出边缘计算节点的承载能力时，若继续使用该边缘计算节点提供服务，则会出现丢包现象，因此当该边缘计算节点满负荷时，应广播信息以分流业务去其他的边缘计算节点。
不同的边缘计算节点的业务处理能力不同，根据需要服务的业务带宽以及各端口收到的各个边缘计算节点发出的是否满载的信息，从业务产生处的端口地址，由近及远选择边缘计算节点，以减小时延并且减少丢包。
第二步、建立批量到达模型并采用批量到达模型对业务到达进行概率估计：
假设一个有h个分类缓存的边缘计算节点，同时服务n个用户，在该边缘计算节点服务某一业务a时，设业务a批量到达强度为k个包，且1≤k≤n≤c+h，设每个包的平均速率为rb，针对每个包的流入参数为μ的指数分布，流出参数为λ的指数分布，服务规则为先到先服务，以此为基础，采用马尔科夫链建立排队论模型mapx/m/c/c+h,其中n为最大批量强度，map为批量马尔科夫。
设马尔科夫链的状态空间为s＝{1,2,l,m}，其从i状态转移到j状态，其中1≤i,j≤m≤n，对于是否有批量事件到达有两种情况，若有批量强度为k的事件到达，其概率为pij(k)，若没有事件到达且i≠j时，其概率为pij(0)。其中pij(0)为从i状态到j状态没有包流入的概率，pij(k)为从i状态到j状态有k个包流入的概率。由此可得，只有批量事件到达，才能使状态i返回自身。由该关系可以得到
其中，1≤i≤m≤n。令
状态m的流入由m+1状态的流入(m+1)μ和批量到达dk组成，状态m的流出由m-1状态的流出mμ和批量到达dk组成，状态m的流入流出图如图2所示。由于m<n，到达流入状态m的最大值为dm。设排队系统的状态转移矩阵为q，则系统的状态转移矩阵q
其中，d为批量到达率，以dmin(m,n)为例，其为到达状态m的最大批量到达率，dk为m+k状态的批量流入率，设排队系统的稳态概率为πi，根据(4)式可解出排队系统的稳态概率，
设业务到达的概率为π，根据(7式)对业务到达进行概率估计，
π＝(π1,lπi)(7)。
根据(5)式获得排队系统的业务时延，
根据(6)式获得排队系统的带宽利用率，
第三步、根据批量到达模型获得边缘计算节点的服务参数，然后根据边缘计算节点的服务参数选择边缘节点。
选择边缘节点的方法如下：用户产生的业务根据其服务质量qos的需求选择相应的边缘计算节点，若某业务需求丢包率小，则相应边缘计算节点的丢包率大于用户业务所要求的丢包率，满足选择要求。
第四步、设置时间阈值为t，根据时间阈值t控制边缘计算节点的开闭，以节约能源。
如图3所示，由于业务到达具有一定的随机性，为了减少边缘计算节点的能源浪费，在边缘计算节点处设置一时间阈值t，将其称为开关延迟期，边缘计算节点在服务完相应业务之后，判断在t时间内是否有业务到达，若在t时间内无业务到达，则将该边缘计算节点的业务通道关闭，当有业务到达时再开启，若在t时间内有业务到达，则保持该边缘计算节点的业务通道开启。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。