【技术实现步骤摘要】
一种基于MEC环境的服务迁移决策方法、装置、设备及介质
[0001]本专利技术涉及移动通信
,具体涉及一种基于MEC环境的服务迁移决策方法、装置、设备及介质。
技术介绍
[0002]在5G通信和物联网的推动下,移动计算从集中式移动云计算(MCC)向移动边缘计算(MEC)转变,移动边缘计算是由欧洲电信标准协会ETSI提出的,即在移动网络边缘提供IT服务环境和云计算能力,移动边缘计算中最具挑战性的问题之一是考虑用户移动性的服务提供。移动性预测是在移动服务提供问题中实现有效服务迁移的关键功能,预测用户的未来位置和时间序列,则可以估计用户将来可能遇到的预期延迟,并为用户选择最优的MEC服务器。在早期的轨迹预测中,马尔可夫模型和隐马尔可夫模型(HMM)是人们用于预测的主要方法,但马尔可夫模型用于预测人类复杂运动轨迹的表现始终比较有限,且随着近几年深度学习技术的兴起与快速发展,利用神经网络对轨迹进行预测成为研究的新思路,而传统的循环神经网络(RNN)无法解决长期依赖问题。
技术实现思路
[0003]本专利技术的目的在于提供一种基于MEC环境的服务迁移决策方法、装置、设备及介质,针对MEC环境中的移动服务提供问题提出了BL
‑
DRL框架,Bidirectional LSTM用于移动性预测,DRL用于迁移决策,通过结合提出的DRL框架和用户移动预测模型来处理移动性服务提供的问题。
[0004]本专利技术提供了一种基于MEC环境的服务迁移决策方法,所述方法具体包括:
[0005] ...
【技术保护点】
【技术特征摘要】
1.一种基于MEC环境的服务迁移决策方法,其特征在于,所述方法具体包括:基于多对多预测的BidirectionalLSTM模型,利用已知的人类活动流动性数据构建用户移动预测模型;建立DRL框架,所述DRL框架包括状态s、动作a和奖励r,其中,状态s表示用户与各MEC服务器的距离以及用户当前位置,动作a表示用户可选择的MEC服务器,奖励r表示状态s下采用动作a的回报;通过DQN算法训练所述DRL框架,并根据所述用户移动预测模型获得服务迁移决策模型,所述服务迁移决策模型用于预测用户在迁移过程的未来位置并为用户选择最优的MEC服务器。2.根据权利要求1所述的方法,其特征在于,所述基于多对多预测的BidirectionalLSTM模型,利用已知的人类活动流动性数据构建用户移动预测模型,具体步骤包括:将已知的人类活动流动性数据以预设比例划分训练集和测试集,并设定预测窗口大小;基于多对多预测的BidirectionalLSTM模型,将所述训练集进行差分并获得第一差分序列,对所述第一差分序列做归一化处理后进行训练,获得预测差分值的模型;将所述测试集进行差分并获得第二差分序列,再将所述第二差分序列输入至所述预测差分值的模型,获得预测差分值;将所述预测差分值与用户当前时刻所在的位置相加,获得用户未来多个时间步长内的预测位置;通过对所述预测位置和实际位置差值的绝对值进行求和平均,获得平均预测误差;根据所述平均预测误差优化所述预测差分值的模型,获得用户移动预测模型。3.根据权利要求1所述的方法,其特征在于,所述奖励r满足函数值r=K
‑
μ,其中,K表示用户请求数,μ表示固定值。4.根据权利要求3所述的方法,其特征在于,所述用户请求数为一个时间步长与MEC服务器处理每个用户请求的时间之商,所述时间步长为每次采集用户位置数据的时间间隔。5.根据权利要求4所述的方法,其特征在于,所述MEC服务器处理每个用户请求的时间满足T
all
=T
trans
+T
comp
+T
mig
(1)或T
all
=T
trans
+T
comp
(2)其中,T
all
为MEC服务器处理每个用户请求的时间,T
trans
为数据传输时间,T
comp
为MEC服务器计算时间,T
mig
为MEC服务器内的虚拟机迁移时间。6.根...
【专利技术属性】
技术研发人员:宋晖,陈尊炫,陈妍滢,张涵,范善翔,
申请(专利权)人:华南师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。