一种面向移动边缘计算的虚拟机部署方法技术

本发明专利技术涉及一种面向移动边缘计算的虚拟机部署方法，构建移动边缘计算环境，定义每一个边缘服务器的能源消耗模型、虚拟机集合

【技术实现步骤摘要】
一种面向移动边缘计算的虚拟机部署方法
本专利技术涉及的电数字数据处理
，特别涉及一种面向移动边缘计算的虚拟机部署方法。
技术介绍
随着在虚拟现实、自动驾驶和用户设备中智能应用的发展，对服务器高计算能力和低延迟的要求越来越高；由于云数据中心一般远离用户侧，不能及时处理计算密集型和数据密集型的应用，移动边缘计算应运而生，其通过向边缘服务器卸载计算任务，从而提高服务质量和降低延迟。然而，当边缘服务器接收到大量存储任务将会造成巨大的能耗，同时处理大量的任务也会增加时间延迟，因此，合理分配边缘服务器上的存储或计算任务、达到节能和低延迟的目的是十分必要的。虚拟机是根据客户端的应用程序请求、所需的资源数量以及客户端指定的操作系统类型而创建的，通过虚拟化允许多个虚拟机在同一物理服务器上运行，因此可以基于适当的布局策略来集成虚拟机，进而达到节能和低延迟的目的。在过去的几年里，虚拟机布局一直是云计算研究的热点，已有许多成熟的理论和研究成果，然而，关于边缘计算的虚拟机部署问题较少，或是关注的指标往往较单一。根据虚拟机布局中的优化目标的不同，可以大致分为部署成本、能耗问题、响应时间、服务提供商最大盈利这四类，但是，现有的技术仍然存在一些弊端：首先，以上的策略往往侧重于单一指标，没有综合考虑多方面因素；其次，虽然边缘计算中的虚拟机部署类似于云计算，都可以被看作NP问题来求解，但是边缘环境与云环境的硬件差异较大，在虚拟机部署问题中需额外考虑节点分散、边缘端硬件基础薄弱和资源有限的问题；最后，上述策略没有充分利用历史数据来进行虚拟机部署。
技术实现思路
为了克服现有技术中没有综合考虑多个指标、忽略了边缘计算环境的特殊性和没有充分利用历史数据等问题，本专利技术提出一种面向移动边缘计算的虚拟机部署方法，能够充分利用历史数据，并针对边缘环境中的资源薄弱和去中心化等特点提出相应的解决方法，达到能耗降低和时延降低的目标，进而被应用在移动边缘计算环境中。本专利技术所采用的技术方案是，一种面向移动边缘计算的虚拟机部署方法，所述方法包括以下步骤：步骤1：构建移动边缘计算环境；步骤2：定义边缘计算环境中每一个边缘服务器的能源消耗模型Ps；步骤3：定义虚拟机集合VM和边缘服务器队列S，VM＝{vm1,vm2,vm3,...vmm}，S＝{S1,S2,...Sn}，其中，m和n为大于0的整数；步骤4：以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器；步骤5：得到虚拟机部署的历史数据，训练改进的LSTM学习模型，基于学习模型进行虚拟机部署。优选地，所述移动边缘计算环境包括顺次配合设置的终端层、边缘层和云数据层；所述终端层分布设置若干移动设备；配合所述移动设备的边缘层分布设有基站和边缘服务器；配合所述边缘服务器的所述云数据层包括服务器和存储设备。优选地，所述步骤2中，Ps＝Pidle+(Pmax-Pidle)*u其中，Pidle是空闲状态下边缘服务器消耗的功率，Pmax是边缘服务器在满载状态下消耗的功率，u是边缘服务器的CPU利用率，u∈[0,1]。优选地，所述步骤3中，任意两个边缘服务器的计算能力不相同。优选地，所述步骤4包括以下步骤：步骤4.1：参数初始化，令蝙蝠搜索空间为D维，fi＝fmin+(fmax-fmin)×β其中，i为第i个种群，j为第j个任务，fi为适应度函数，fmin和fmax分别为频率的最大值和最小值，β为服从均匀分布的随机向量，β∈[0,1]，和分别为t+1时刻更新后和t时刻更新前的蝙蝠的速度，X*为当前的全局最优位置；设定改进后的蝙蝠位置更新公式；步骤4.2：产生新的方案，得到新的解xnew，xnew＝xold+rand1×At其中，xold为上一个解，rand1为-1至1间的随机数，At是所有蝙蝠在这个时间步长内的平均响度；步骤4.3：更新响度和脉冲发射率，产生一个[0,1]上的随机数rand2，若rand2小于响度Ai且新适应度fnew小于上一时刻的适应度值fi，则更新：fi＝fnew其中，α为响度更新系数，α∈(0,1)，和分别为t+1时刻更新后和t时刻更新前的脉冲发射的概率，γ为调节系数，γ∈(0,1)；步骤4.4：对所有个体适应值进行排序，找出最佳解；步骤4.5：若最佳解未过载，则更新X*的值，否则使用订单转移机制进行本地搜索；若迭代次数为最大迭代次数，则输出全局最优值，否则，迭代次数加1，返回步骤4.2。优选地，所述步骤4.1中，改进后的蝙蝠位置更新公式为，其中，和分别为t+1时刻更新后和t时刻更新前的蝙蝠的位置，τ为扰动幅度，σ为随机数，τ∈(0,0.1]，σ∈[-1,1]。优选地，τ＝0.1。优选地，所述步骤4.5中，订单转移机制包括有序交换操作和迁移操作。优选地，所述步骤5中，改进的LSTM学习模型包括基础LSTM网络，配合所述网络设置sigmoid输入门、遗忘门和输出门；所述步骤5包括以下步骤：步骤5.1：构建改进的LSTM学习模型；步骤5.2：获取虚拟机部署的历史数据，以自适应收敛函数对LSTM学习模型进行训练；步骤5.3：使用训练好的学习模型进行虚拟机的部署。优选地，所述步骤5.2中，以自适应收敛函数对LSTM学习模型进行训练为其中，flag为用于计数的临时变量，当flag不等于0时，flag加1、进行下一轮训练，当flag累加到10时，令flag为0；k为训练中的当前迭代次数，为k次迭代的损失函数的平均值，lossbefore是之前的损失函数的平均值，losscur为当前迭代的损失函数的平均值，损失函数为pi是预测值，ri是实际值，z是实验的批量大小，i为训练批量的序号；gard满足预设条件则进行步骤5.3。本专利技术中，通过在Bat算法中引入二阶震荡，解决局部最优解的问题，并在搜索接近最优时，使用订单转移机制，继续寻找最优解，最后使用该算法得到的历史部署数据来训练改进的LSTM模型。本专利技术的有益效果为，能够充分利用边缘节点的历史数据，同时考虑到边缘端的资源有限和去中心化等问题，综合考虑了能耗问题和时延问题，达到了低能耗低时延的目标。附图说明图1为本专利技术的流程图；图2为本专利技术中移动边缘计算环境的系统架构图；图3为本专利技术中订单交换和迁移机制示意图；图4为本专利技术中改进的LSTM学习模型结构示意图。具体实施方式下面结合实施例和附图来详细描述本专利技术，但本专利技术并不仅限于此。本专利技术涉及一种面向移动边缘计算的虚拟机部署方法，所述方法包括以下步骤。步骤1：构建移动边缘计算环境。所述移动边缘计算环境包括顺次配合设置本文档来自技高网...

【技术保护点】
1.一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述方法包括以下步骤：/n步骤1：构建移动边缘计算环境；/n步骤2：定义边缘计算环境中每一个边缘服务器的能源消耗模型P

【技术特征摘要】
1.一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述方法包括以下步骤：
步骤1：构建移动边缘计算环境；
步骤2：定义边缘计算环境中每一个边缘服务器的能源消耗模型Ps；
步骤3：定义虚拟机集合VM和边缘服务器队列S，VM＝{vm1,vm2,vm3,...vmm}，S＝{S1,S2,...Sn}，其中，m和n为大于0的整数；
步骤4：以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器；
步骤5：得到虚拟机部署的历史数据，训练改进的LSTM学习模型，基于学习模型进行虚拟机部署。


2.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述移动边缘计算环境包括顺次配合设置的终端层、边缘层和云数据层；
所述终端层分布设置若干移动设备；
配合所述移动设备的边缘层分布设有基站和边缘服务器；
配合所述边缘服务器的所述云数据层包括服务器和存储设备。


3.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述步骤2中，
Ps＝Pidle+(Pmax-Pidle)*u
其中，Pidle是空闲状态下边缘服务器消耗的功率，Pmax是边缘服务器在满载状态下消耗的功率，u是边缘服务器的CPU利用率，u∈[0,1]。


4.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述步骤3中，任意两个边缘服务器的计算能力不相同。


5.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1：参数初始化，令蝙蝠搜索空间为D维，



fi＝fmin+(fmax-fmin)×β
其中，i为第i个种群，j为第j个任务，fi为适应度函数，fmin和fmax分别为频率的最大值和最小值，β为服从均匀分布的随机向量，β∈[0,1]，和分别为t+1时刻更新后和t时刻更新前的蝙蝠的速度，X*为当前的全局最优位置；
设定改进后的蝙蝠位置更新公式；
步骤4.2：产生新的方案，得到新的解xnew，
xnew＝xold+rand1×At
其中，xold为上一个解，rand1为-1至1间的随机数，At是所有蝙蝠在这个时间步长内的平均响度；
步骤4.3：更新响度和脉冲发射率，产生一个[0,1]上的随机数rand...

【专利技术属性】
技术研发人员：简琤峰，鲍璐锟，张美玉，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33