基于MOEA/D多目标优化算法的边缘服务器配置方法及系统技术方案

本发明专利技术涉及基于MOEA/D多目标优化算法的边缘服务器配置方法及系统，其配置方法包括：S1、建模边缘服务器和公交车站变量；S2、构建智慧公交场景下边缘服务器配置模型；S3、建模边缘网络的平均时延、时延均衡、流量、流量负载均衡和约束条件；S4、利用MOEA/D多目标优化算法，得到实现最小化平均时延、时延均衡、流量和流量负载均衡对应的边缘服务器配置策略。本发明专利技术将智慧公交场景下的边缘服务器配置归结为多目标优化问题，同时考虑流量和流量负载均衡，在让边缘网络中平均时延和流量最小化的基础上，让各个边缘服务器下的平均时延和流量更加均衡，避免服务质量参差不齐和网络拥塞问题，从而得到恰当的边缘服务器的配置位置。从而得到恰当的边缘服务器的配置位置。从而得到恰当的边缘服务器的配置位置。

【技术实现步骤摘要】
基于MOEA/D多目标优化算法的边缘服务器配置方法及系统


[0001]本专利技术属于边缘服务器配置
，具体涉及基于MOEA/D多目标优化算法的边缘服务器配置方法及系统。

技术介绍

[0002]近年来，随着智慧公交系统的不断发展，其对公交人数实时统计的精度和实时性提出了更高的要求。实时公交人数统计作为智能公交系统的关键，不仅能够为公交部门的车辆调度提供重要信息，还可以为乘客合理的安排出行提供重要的参考。目前，传统的公交车人数统计方法在准确率和速度方面存在的不足，不能满足当前的需要。最近，基于深度学习的视频或图像处理的乘客自动计数方法引起了越来越多的关注。这类方法可以提供更高的检测准确性，但是它实时性和高昂的硬件成本均未能达到推广和使用的标准。
[0003]为了能够实现基于深度学习的技术的人数统计并且同时满足实时性的要求，引入边缘计算，可以将其卸载到网络边缘，利用边缘服务器来处理。作为实现边缘计算的第一步，边缘服务器的位置对任务的执行性能产生重大的影响。在部署边缘服务器的过程中，不仅要考虑终端设备接入时延的影响，还需要考虑边缘网络中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MOEA/D多目标优化算法的边缘服务器配置方法，其特征在于，包括以下步骤：S1、建模边缘服务器和公交车站变量；S2、构建智慧公交场景下边缘服务器配置模型；S3、建模边缘网络的平均时延、时延均衡、流量、流量负载均衡和约束条件；S4、利用MOEA/D多目标优化算法，得到实现最小化平均时延、时延均衡、流量和流量负载均衡对应的边缘服务器配置策略。2.根据权利要求1所述的基于MOEA/D多目标优化算法的边缘服务器配置方法，其特征在于，所述步骤S1，包括：整个边缘网络中有n个公交车站和m个边缘服务器，m＜＜n；公交车站的数据表示为集合BS＝{bs1,bs2,
…
,bs
n
}，其中，bs
i
表示第i个公交车站，1≤i≤n；边缘服务器的数据表示为集合S＝{s1,s2,
…
,s
m
}，其中，s
j
表示是第j个边缘服务器，1≤j≤m。3.根据权利要求2所述的基于MOEA/D多目标优化算法的边缘服务器配置方法，其特征在于，所述步骤S2，包括：设需要部署的边缘服务器的数量为K，则从公交车站集合BS＝{bs1,bs2,
…
,bs
n
}中选择K不同的公交车站以部署边缘服务器。4.根据权利要求3所述的基于MOEA/D多目标优化算法的边缘服务器配置方法，其特征在于，所述步骤S3中，平均时延的构建过程包括：采用公交车站与边缘服务器之间的距离表示时延；通过Haversine公式计算公交车站和边缘服务器之间的距离：其中，和分别以弧度表示公交车站bs和边缘服务器s的纬度，λ1和λ2分别以弧度表示公交车站bs和边缘服务器s的经度；则时延d为d＝dis(l
bs
,l
s
)；令x
ij
＝{0,1}表示该公交车站i是否由边缘服务器j提供服务；若x
ij
＝1，表示公交车站i由边缘服务器j提供服务；否则，表示公交车站i不由边缘服务器j提供服务；令bs
i
的时延为编号为j的边缘服务器所控制的网络中的总时延表示为整个边缘网络中的总时延表示为每个公交车站的平均时延表示为5.根据权利要求4所述的...

【专利技术属性】
技术研发人员：徐海涛，郭志辉，邬惠峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：