移动边缘环境下基于联邦学习和移动感知的QoS优化方法技术

本发明专利技术公开了一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法。该方法通过采集边缘位置信息和QoS数据集，融合后得到移动边缘QoS特征数据集；根据边缘网络节点的位置分布，将研究区域划分为若干边缘区域，每个区域内的用户移动设备训练用户偏好模型，拟合移动路径；区域利用用户模型参数训练公有模型；根据用户移动性和边缘网络节点资源约束进行动态QoS优化。本发明专利技术利用联邦学习建立服务缓存模型，并通过使用基站位置拟合用户移动路径来模糊用户位置保，在保护用户的特征隐私和位置隐私的同时，优化了区域服务质量，能够适应网络服务的实时性和吞吐量的要求。

【技术实现步骤摘要】
移动边缘环境下基于联邦学习和移动感知的QoS优化方法
本专利技术涉及一种QoS(QualityofService，服务质量)优化方法，尤其涉及移动边缘环境下基于移动感知的动态QoS优化方法，属于信息

技术介绍
Web服务是面向服务体系架构(SOA)的主要实现技术，是一个独立于平台的低耦合、自包含、可编程的应用程序。Web服务可使用开放的XML标准来描述、发布、发现、协调和配置这些应用程序，用于开发分布式互操作的应用程序。Web服务的非功能属性随着Web服务的发展被更多的研究人员关注。QoS指通过控制网络延迟、抖动、丢包率等因素来调节网络，使网络性能更好，运作更顺畅。随着5G技术的飞速发展，5G网络的建设，5G基站作为5G网络的核心设备也将实现更高密度的部署。边缘计算作为5G核心技术之一，将高带宽、低时延、本地化的业务下沉到网络边缘，解决了网络整体流量大、时延长的问题，为5G网络中的实时性和带宽密集型业务提供更好的支持。与此同时网络中的QoS优化也成为更多研究人员关注的问题。现有的QoS优化问题主要有优化用户分配问题和优化任务卸载问题。其中任务卸载问题主要通过优化能耗和优化任务延时两个手段。He提出将边缘用户分配问题建模为箱打包问题，基于词典目标编程技术，提出解决边缘用户分配问题的最优方法，又进一步考虑客户端和边缘端的计算资源，提出为用户考虑动态QoS级别，将其转变为动态QoS的边缘用户分配问题；Wang等将移动边缘网络中的优化问题转化为凸差问题，制定加权总和能耗最小化问题以优化任务操作顺序和任务调度时间；Ghosh等提出可扩展的QoS优化算法在多处理器环境中为任务分配资源；Wang等考虑了任务属性，用户移动性和网络约束，提出了一种轻量级的启发式解决方案来进行快速调度。在服务缓存的工作上，研究人员提出了多种缓存策略。传统的缓存策略如最近最少使用和最不频繁使用的内容替换策略，忽视了用户个体的差异性。Ahlehagh提出基于用户喜好肖像的缓存策略，考虑了用户特征。Qian等考虑用户的隐私安全，提出基于联邦学习(FederatedLearning，FL)的服务缓存技术，在有限资源下优化用户偏好模型，以保护隐私的方式训练公有模型，以优化服务缓存。在移动性的问题上，大部分研究把移动性解释为边缘服务器上用户数量的移动；也有考虑用户移动轨迹的研究，考虑的是特定场景下的用户移动性，有一定的局限性，如Sodhro等基于患者健康监控方案，提出针对移动边缘计算的移动感知工作流卸载和调度策略，以实现更低的能耗和更小的工作量。随着5G技术的发展、用户移动性的增加，Web服务需要越来越高的服务质量保证，因此既要从任务卸载方面进行优化，也要对用户分配进行优化。
技术实现思路
专利技术目的：考虑传统的QoS优化不适应网络服务的实时性和吞吐量的要求，本专利技术目的在于提供一种在移动边缘环境下基于联邦学习和移动感知的QoS优化方法，在保护用户的特征信息和位置信息的安全的同时，从任务调度和用户分配两个方面同时优化区域服务质量，以适应网络服务的实时性和吞吐量的要求。技术方案：为实现上述专利技术目的，本专利技术所述的一种在移动边缘环境下基于联邦学习和移动感知的QoS优化方法，包括如下步骤：(1)收集边缘位置信息和QoS数据集；(2)以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；(3)整理边缘网络信息，过滤无效边缘网络基站，融合后整理得到移动边缘QoS特征数据集；(4)考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集；(5)各用户基于历史调用信息训练用户偏好模型，各边缘区域的数据集基于联邦学习确定公有模型，根据用户偏好进行服务缓存；(6)根据基站的地理位置预测用户的移动路径，确定可选基站；(7)基于服务缓存优化和用户移动感知，在边缘区域内进行QoS动态优化。作为优选，所述步骤(1)中收集数据包括两个方面：包含用户移动设备ID、Web服务ID、时间段ID和响应时间、吞吐量的QoS数据集；包含边缘网络基站经度纬度信息、时间片信息和调用信息的边缘网络基站数据集。作为优选，所述步骤(2)包括如下步骤：(21)以用户移动设备ID、时间段ID、Web服务ID和属性值的顺序整理QoS数据集，提取一定时间段内一定数量用户移动设备的调用信息，为用户移动设备和时间段进行编号；(22)QoS数据集中的用户移动设备数量、时间段数量和边缘网络基站数据集是相等的，以用户移动设备ID和时间段ID为连接将两个数据集进行融合。作为优选，所述步骤(3)包括：提取边缘网络基站的经纬度信息，投影到直角坐标系，剔除在指定区域之外的基站信息；统计融合处理后数据集包含的边缘网络基站个数，为边缘网络基站编号；边缘网络基站的位置分布体现了数据集的移动性，用户移动设备和Web服务之间的调用产生的服务质量属性体现了边缘QoS特征，融合后得到移动边缘QoS特征数据集。作为优选，所述步骤(4)包括如下步骤：(41)根据边缘网络基站的经纬度对应的直角坐标，基于聚类算法将整个边缘网络划分若干区域，使每个区域中边缘网络基站地理位置的相似度最高；(42)取出各边缘区域在划分的所有时间段内的所有用户移动设备ID、Web服务ID、时间段ID、边缘网络基站ID、响应时间以及吞吐量，形成一个“用户移动设备-Web服务-边缘网络基站”调用属性表；提取数据表中的边缘网络基站和用户移动设备，形成用户移动设备表和边缘网络基站表。作为优选，所述步骤(5)包括如下步骤：(51)根据用户移动设备表创建调用信息表，包含边缘区域中的所有用户对所有服务的调用信息；根据“用户移动设备-Web服务-边缘网络基站”调用属性表中的记录更新调用信息，记录用户对每个服务的调用次数，用于用户偏好模型训练；(52)利用正态分布，为用户移动设备表中的全部用户移动设备生成特征向量，用于训练用户偏好模型；(53)用户移动设备表中的每个用户的特征向量和服务调用信息用于训练用户偏好模型，在训练过程中达成一种共识：对某个Web服务的调用次数越多，调用该服务的概率就越大，聚合用户移动设备的特征向量并计算训练损失和梯度，迭代求出回归系数；(54)根据区域内用户移动设备的特征向量生成区域特征向量，用于区域公有模型的构建；(55)将所有用户移动设备的模型参数上传到公有模型中，以计算用户偏好模型中各参数的均值的方式构建区域公有模型，利用区域特征向量计算出该区域对每个服务的偏好程度；选取偏好程度高的Web服务在该区域中进行缓存。作为优选，所述步骤(6)包括如下步骤：(61)提取出用户移动设备在各时间段调用的边缘网络基站ID，锁定边缘网络基站的位置点，基于用户不断产生服务请求的共识，用边缘网络基站位置来拟合用户的移动路径；(62)将用户调用的边缘网络基站位置点集合作为样本，用拉格朗日插值法拟合用户的移动路径；本文档来自技高网...

【技术保护点】
1.一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，包括如下步骤：/n(1)收集边缘位置信息和QoS数据集；/n(2)以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；/n(3)整理边缘网络信息，过滤无效边缘网络基站，融合后整理得到移动边缘QoS特征数据集；/n(4)考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集；/n(5)各用户基于历史调用信息训练用户偏好模型，各边缘区域的数据集基于联邦学习确定公有模型，根据用户偏好进行服务缓存；/n(6)根据基站的地理位置预测用户的移动路径，确定可选基站；/n(7)基于服务缓存优化和用户移动感知，在边缘区域内进行QoS动态优化。/n

【技术特征摘要】
1.一种移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，包括如下步骤：
(1)收集边缘位置信息和QoS数据集；
(2)以用户移动设备ID和时间段ID为连接对QoS数据和边缘位置信息进行融合；
(3)整理边缘网络信息，过滤无效边缘网络基站，融合后整理得到移动边缘QoS特征数据集；
(4)考虑边缘基站的地理位置的平面分布情况，将原始的边缘网络划分为多个边缘区域，并提取各个区域的数据集；
(5)各用户基于历史调用信息训练用户偏好模型，各边缘区域的数据集基于联邦学习确定公有模型，根据用户偏好进行服务缓存；
(6)根据基站的地理位置预测用户的移动路径，确定可选基站；
(7)基于服务缓存优化和用户移动感知，在边缘区域内进行QoS动态优化。


2.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(1)中收集数据包括两个方面：包含用户移动设备ID、Web服务ID、时间段ID和响应时间、吞吐量的QoS数据集；包含边缘网络基站经度纬度信息、时间片信息和调用信息的边缘网络基站数据集。


3.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(2)包括如下步骤：
(21)以用户移动设备ID、时间段ID、Web服务ID和属性值的顺序整理QoS数据集，提取一定时间段内一定数量用户移动设备的调用信息，为用户移动设备和时间段进行编号；
(22)QoS数据集中的用户移动设备数量、时间段数量和边缘网络基站数据集是相等的，以用户移动设备ID和时间段ID为连接将两个数据集进行融合。


4.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(3)包括：
提取边缘网络基站的经纬度信息，投影到直角坐标系，剔除在指定区域之外的基站信息；统计融合处理后数据集包含的边缘网络基站个数，为边缘网络基站编号；边缘网络基站的位置分布体现了数据集的移动性，用户移动设备和Web服务之间的调用产生的服务质量属性体现了边缘QoS特征，融合后得到移动边缘QoS特征数据集。


5.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(4)包括如下步骤：
(41)根据边缘网络基站的经纬度对应的直角坐标，基于聚类算法将整个边缘网络划分若干区域，使每个区域中边缘网络基站地理位置的相似度最高；
(42)取出各边缘区域在划分的所有时间段内的所有用户移动设备ID、Web服务ID、时间段ID、边缘网络基站ID、响应时间以及吞吐量，形成一个“用户移动设备-Web服务-边缘网络基站”调用属性表；提取数据表中的边缘网络基站和用户移动设备，形成用户移动设备表和边缘网络基站表。


6.根据权利要求1所述的移动边缘环境下基于联邦学习和移动感知的QoS优化方法，其特征在于，所述步骤(5)包括如下步骤：
(51)根据用...

【专利技术属性】
技术研发人员：张鹏程，魏芯淼，金惠颖，张雅玲，李清秋，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32