一种移动场景中时延敏感程序的服务部署方法

本发明涉及网络通信，具体为一种移动场景中时延敏感程序的服务部署方法。

背景技术：

1、近年来，随着物联网基础设施的建设，边缘服务器、移动计算节点和各种传感器呈指数级增长。然而，各种数据信息需要在整个mec中进行存储、传输和计算，这给整个mec架构带来了巨大的能源成本。移动应用正在消耗越来越多的存储资源、计算资源和能源。在mec架构中，在部署服务的决策过程中，不仅要考虑存储和计算资源的消耗，还要考虑能源的消耗。边缘计算节点在正常工作负载和超频工作负载下消耗的能量是不同的，与云服务器相比，边缘服务器的运营成本预计会较高，因为每次操作的成本高度依赖于系统的整体规模，对于mec运营商而言，服务的部署不仅要考虑计算节点本身的资源情况，还要考虑计算节点本身的能源成本，因此，在对延迟敏感的应用程序的mec服务部署中，应考虑延迟和能耗两个方面。

技术实现思路

1、本发明要解决的技术问题是克服现有的缺陷，提供一种移动场景中时延敏感程序的服务部署方法，通过结合遗传算法和模拟退火算法的优势，首先利用遗传算法的快速收敛特性，找到局部最优解，然后运用模拟退火算法的思想跳出局部最优，寻找全局最优解，通过将边缘计算的服务部署问题转化为0-1背包问题，获得最高的qos值，能够在考虑资源和能耗的情况下，实现最优的服务部署，提高系统的服务质量，解决了移动场景中时延敏感程序的服务部署问题，可以有效解决背景技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：一种移动场景中时延敏感程序的服务部署方法，包括以下步骤：

3、s1、构建一个移动边缘计算场景的系统模型，包含边缘服务器个数n，es＝{es1,es2,es3,...,esn},请求边缘服务器服务的用户个数m，u＝{u1,u2,u3,...,um}，在该系统模型中，边缘服务器esj和信号基站部署在同一个地方，边缘服务节点的计算能力用cj表示，边缘服务器根据自己的资源启动容器为任务提供服务，用户ui通过4g或5g或wifi方式将任务卸载到边缘服务器的容器中，用户ui请求的边缘服务器的可用资源大小可以用等效容器的个数来表示，完成用户任务所用的时间由ωi表示；

4、用户ui在时隙t内从服务器esj收到的服务质量定义为：

5、

6、其中σ是一个常数参数，用来表示传输介质的效率，ri用于表示用户ui任务请求的数据量，dij用于表示用户ui和边缘服务器esj之间的距离，cj代表边缘服务器的计算能力；

7、边缘服务器esj为用户ui的任务提供的服务期间的能耗为：

8、

9、其中γ是一个常数参数，代表不同服务器的能耗系数，ri是服务请求的数据量，cj是边缘服务器的计算能力，ri与cj的比值表示服务器esj完成用户ui任务请求所需的cpu周期数，根据cpu周期数，可以计算出服务器为任务提供服务所消耗的能量；

10、该系统模型的平均能耗(aec)定义为：

11、

12、其中xij是一个二进制变量。如果xij＝1，则服务器esj为用户ui提供服务。如果xij＝0，则代表服务器不为用户提供服务；

13、服务部署策略是基于时隙t中用户与边缘服务器的距离以及服务器的状态设计的，在此期间，还增加了能源消耗预算，同时满足每个时隙的能耗预算和服务器资源约束，即最大化服务质量并减去后续迁移成本的期望值，服务部署策略的目标函数由以下公式表示：

14、

15、和分别表示xt和yt决策变量的向量，两个决策变量定义如下：(1)表示在时隙t内，服务器esj向用户ui提供服务，否则(2)表示在t时隙内，用户ui的任务从服务器esj迁移到服务器esj'提供服务，否则为因此，时隙t的服务部署问题表述为：

16、

17、其中是移动场景中迁移代价的期望值，qt(xt,yt)是定义的目标函数的时间间隔，其中eδ[.]是移动场景中迁移成本的期望值，ω是定义的目标函数的时间间隔；

18、同时，它具有以下约束：

19、

20、

21、

22、

23、

24、t∈{1,2,...,ω},t'∈{1,2,...,ω}；j≠j',t≠t'               (10)

25、

26、约束(6)是服务器资源约束，即服务器为用户提供的服务不能超过服务器自身的资源限制；

27、约束(7)表达了能源消耗资源成本约束，提供服务的服务器不应超过其自身的能源成本；

28、约束(8)表示在一个时隙内只有一台服务器为任务i提供服务；

29、约束(9)表示任务i的数据是连续服务的，下一时刻需要服务的数据量比上一时刻要少；

30、约束(10)确保在迁移服务时，服务部署策略会相应更改；

31、约束(11)确保服务部署策略是二元变量。

32、s2、采用一种基于遗传算法和模拟退火算法的改进算法(spiga)对步骤s1中归纳的服务部署问题进行求解；

33、在场景中有一个任务簇m，算法中的任务i和a都属于这个任务簇，初始化遗传算法需要的一些参数，其中，m代表种群规模，g代表进化迭代次数，cp代表交叉概率，v代表种群适应度，k代表程序设定的最大迭代次数，τ代表适应度不更新的次数，n是收敛判断条件，适应值v表述为：

34、

35、全局优化问题转换为时隙t内的一次性优化问题，时隙t中的一次性优化问题为：

36、

37、时隙t中的一次性优化问题公式(13)也是一个np-hard难题，由于np-hard问题是一个非确定性的复杂多项式求解问题，使用启发式算法；

38、每个时隙的服务部署策略问题等价于0-1背包问题，每个任务相当于一个项目，相当于项目的价值，pij相当于项目的权重，将任务i分配给背包j。边缘服务器相当于一个背包，相当于背包的容量，当满足约束条件时，服务部署策略的目标是将项目(任务)分配给背包(边缘服务器)，以最大程度地提高总服务质量(权重)，即获得较高的qos。

39、优选的，所述步骤s1中时隙t中用户ui与服务器esj之间的距离

40、

41、用户ui位于时隙t的单元格(au,bu)中，服务器esj位于单元格(aes,bes)中。

42、优选的，所述步骤s2中采用一种基于遗传算法和模拟退火算法的改进算法(spiga)对步骤s1中归纳的服务部署问题进行求解的步骤为：

43、步骤1：计算每个任务i的qos值以及能耗，

44、步骤2：初始化遗传算法参数：m,g,cp,v,k,τ,n；

45、步骤3：从所有任务中随机选择n个作为初始化种群；

46、步骤4：在生成的种群中计算每个种群的适应度，计算服务资源消耗和能源成本是否超过边缘服务器预算，如果或者a∈m，进行下一步；

47、步骤5：从种群n中删除样本a；

48、步骤6：初始化适应度：v＝0；

49、步骤7：如果不超过边缘服务器资源限制或能耗预算限制，则进行下一步，否则返回步骤4；

50、步骤8：进行遗传算法的迭代，当进化迭代次数小于等于程序设定的最大迭代次数，也就是g≤k，进行下一步；

51、步骤9：基于交叉概率cp生成下一代样本；

52、步骤10：对于新生成的种群，计算新种群的适应度，计算服务资源消耗和能源成本是否超过边缘服务器预算，如果或者b∈m，进行下一步；

53、步骤11：从种群n中删除样本b；

54、步骤12：如果服务资源消耗和能源成本不超过边缘服务器预算，则进行下一步，否则返回步骤10；

55、步骤13：计算新样本的适应度：v'；

56、步骤14：如果v'＞v，则更新全局适应度值v←v'；

57、步骤15：否则，τ(没有更新适应度)的值加1，τ+＝1；

58、步骤16：如果v'＞v，进行下一步，否则返回步骤14；

59、步骤17：如果τ超过系统设定的最大适应度未更新数n时，τ＞n，进行下一步；

60、步骤18：满足收敛条件并结束循环；

61、步骤19：如果τ不超过系统设定的最大适应度未更新数n，进行下一步，否则，返回步骤17；

62、步骤20：将程序设定的最大迭代次数加减，k+＝1，结束遗传算法的迭代；

63、步骤21：当程序达到收敛时，不能确定此时得到的值是全局最优的，在约束条件允许的情况下，将任务i加入种群或用任务i将种群中的一个任务替换出来；

64、步骤22：当遗传算法收敛时，算法改变了现有的服务部署策略，是否可以在不超出服务资源和能源成本的情况下为新任务提供服务，如果且i∈m，进行下一步；

65、步骤23：重新计算适应度水平；计算加入任务i之后的样本适应度v'；

66、步骤24：如果高于以前，v'＞v，则进行下一步；

67、步骤25：将任务i加入样本并更新种群；

68、步骤26：如果新的适应度水平小于以前，进行下一步，否则返回步骤24；

69、步骤27：如果服务资源消耗和能源成本超过边缘服务器预算，进行下一步，否则，返回步骤22；

70、步骤28：更新服务部署策略。

71、与现有技术相比，本发明的有益效果是：通过构建一个移动边缘计算场景的系统模型，考虑了边缘服务器的资源和能耗成本，以及用户的移动性，在该模型中，边缘服务器根据自身资源状态和能耗来部署服务，用户通过网络将任务卸载到边缘服务器的容器中，通过合理的服务部署策略，最大化系统的服务质量；通过结合遗传算法和模拟退火算法的优势，首先利用遗传算法的快速收敛特性，找到局部最优解，然后运用模拟退火算法的思想跳出局部最优，寻找全局最优解，通过将边缘计算的服务部署问题转化为0-1背包问题，获得最高的qos值，能够在考虑资源和能耗的情况下，实现最优的服务部署，提高系统的服务质量，解决了移动场景中时延敏感程序的服务部署问题。