移动感知边缘计算系统中联合卸载与微服务部署决策优化方法技术方案

移动感知边缘计算系统中联合卸载与微服务部署决策优化方法，包括：首先，将系统的时间划分为若干个时隙，系统中包含若干边缘服务器和处于移动中的用户，每个用户都会在时隙开始时产生一个微服务任务，微服务由若干个分层的镜像组成；以边缘服务器镜像加载决策、任务卸载、传输决策为优化变量，优化系统加权吞吐量和时延效用；最后，与环境交互获得奖励，即得到系统效用。本发明专利技术设计了移动感知MEC系统中多个用户设备的计算任务卸载模型，在线设计系统中的边缘服务器的微服务部署策略，并设计卸载，来增加系统吞吐量、降低时延。本发明专利技术能够有效地利用边缘服务器的存储和计算资源，适应用户设备的移动性和任务需求的变化，提高系统性能和用户体验。能和用户体验。能和用户体验。

【技术实现步骤摘要】
移动感知边缘计算系统中联合卸载与微服务部署决策优化方法


[0001]本专利技术属于基于微服务的5G网络边缘计算卸载技术与资源分配领域，尤其涉及到有多个移动的用户设备的MEC系统的任务卸载与计算、微服务部署的方法。

技术介绍

[0002]近年来，由于智能移动设备和5G的快速发展，产生了许多延迟敏感和计算密集型应用，移动边缘计算为此类应用在用户设备的运行提供了灵活的处理方式，大大提高了用户的体验质量，例如减少时延、降低能耗等。同时，基于容器技术的微服务架构与MEC的结合能够帮助改善应用的可用性、安全性和效率，已经受到了广泛关注。然而，边缘服务器的计算、存储资源都相对有限，且轻量级的微服务往往需要频繁开启与关闭。如何在有效的边缘计算资源下，联合优化卸载与微服务部署方案，使系统的吞吐量增加、时延减少，尚未得到解决。

技术实现思路

[0003]本专利技术要克服现有技术的上述缺点，提供移动感知边缘计算系统中联合卸载与微服务部署决策优化方法。
[0004]针对上述问题，本专利技术利用移动边缘计算的优势，设计了移动感知MEC系统中，多个用户设备的计算任务卸载模型，在线设计系统中的边缘服务器的微服务部署策略，并设计卸载，来增加系统吞吐量、降低时延。
[0005]为了实现上述目的，本专利技术提供如下的专利技术步骤：
[0006]移动感知边缘计算系统中联合卸载与微服务部署决策优化方法，其针对基于微服务架构的多边缘节点系统提出了高效的在线卸载方法，所述方法包括如下步骤：
[0007]步骤1：将边缘计算系统的时间划分为若干个长度为τ的时隙，时隙时隙将系统中的N个边缘服务器的索引表示边缘服务器n与n
′
之间的上行带宽表示为ω
n,n
′
，不存在连接的服务器间的值为0。任何边缘服务器都可以直接向云服务器传输任务，且云服务器已经缓存了所有类型的微服务。
[0008]步骤2：在系统中，存在M个处于移动中的用户，索引表示为索引表示为在时隙t时，第m个用户和边缘服务器之间的距离表示为第m个用户和边缘服务器之间的距离表示为其中第n个边缘服务器的服务范围为c
n
。将第m个用户在时隙t是否被第n个边缘服务器覆盖表示为如下定义的二元变量：
[0009][0010]步骤3：每个用户都会在时隙t开始时产生一个随机微服务类型的计算任务，在系统中共有Z种微服务，索引表示为其中，每一种微服务都由若干个分
层的镜像组成，将系统中的I种镜像表示为其中第i个镜像的大小表示为b
i
。
[0011]步骤4：根据步骤3，将第z个微服务所需的镜像表示为集合将第z个微服务所需的镜像表示为集合其中表示第z个微服务是否需要镜像i。
[0012]步骤5：将用户m在时隙t产生的任务表示为元组其中表示任务的类型，表示任务的期望截止时间，表示任务大小，以批次为单位。批次是系统对任务大小的通用衡量单位，计算一个批次数据需要ψ个CPU周期。
[0013]步骤6：将第n个边缘服务器的计算资源表示为元组G
n
＝(h
n
,r
n
,f
n
)，其中h
n
表示服务器的存储资源大小，r
n
表示服务器加载镜像的速度，f
n
表示服务器的CPU计算能力。将第n个服务器计算1个批次数据的时延表示为常数
[0014]步骤7：将边缘服务器的每个时隙划分为两个阶段，首先，服务器根据镜像缓存策略加载微服务镜像，开启微服务。之后，服务器以批次为单位进行任务计算。将第n个边缘服务器在时隙t时的镜像加载策略表示为务器在时隙t时的镜像加载策略表示为其中
[0015][0016]步骤8：第n个边缘服务器在时隙t开启所有微服务的时间取决于当前时隙的镜像加载策略以及在上一个时隙已经加载了的镜像，当二者出现差别时，服务器需要删除本时隙不加载的镜像(不考虑这部分的成本)，以及加载缺失的镜像。第n个边缘服务器开启所有微服务的时间表示为：
[0017][0018]步骤9：根据步骤8，计算服务器n在时隙t剩余时间能够处理的数据批次数量为
[0019]步骤10：用户的任务首先需要卸载到附近的边缘服务器，随后该服务器可以将任务在本地执行，或者分发到一跳之内的临近边缘服务器执行，又或者直接上传到云服务器执行。首先，第m个用户的任务选择一个处于其覆盖范围内的边缘服务器进行卸载，表示为：
[0020][0021]其次，由于任务支持部分卸载，还需要决定第m个用户的任务将在哪些服务器进行计算(包括云服务器)，表示为：
[0022][0023]其中表示第m个用户的任务在服务器n
′
所完成的批次数量。
[0024]步骤11：结合步骤1
‑
10，将边缘服务器镜像加载决策向量表示为μ
t
＝[μ
1,t
,μ
2,t
,
…
,μ
N,t
]，将任务的卸载、传输决策变量表示为与使用效用来衡量系统性能，从吞吐量和时延两个维度考虑，表示为二者的加权和：U
t
＝w1U
1,t
+
w2U
2,t
。其中吞吐量效用为任务在边缘服务器计算所完成批次数量占的比例，即需要去除在云服务器完成的批次，表示为：时延效用为任务在边缘服务器计算，且在其期望的截止时间之前完成批次比例。将能够在期限前完成的批次数量表示为于是时延效用表示为：建立如下关于任务卸载的数学模型：
[0025][0026][0027][0028][0029][0030][0031][0032]其中问题描述的是多个移动中的用户设备，在有限的计算资源约束下，最大化系统加权吞吐量和时延效用的问题，问题的决策包括边缘服务器的镜像加载策略，任务的卸载、传输策略。约束(A1)表示服务器所加载镜像的大小不能超过其存储资源的大小。约束(A2)和(A3)第m个用户的任务会被卸载到一个且只能卸载到一个边缘服务器，且该用户需要处于要卸载的边缘服务器的覆盖范围。约束(A4)表示任务必须被全部完成。约束(A5)表示服务器n向服务器n
′
传输的任务总和不能超过它们的带宽。约束(A6)表示服务器n
′
在时隙t所计算的任务总和不能超过它能够处理的任务批次数量。
[0033]步骤12：将原问题转化为马尔可夫决策过程(Markov decision process，MDP)问题。时隙t的状态状态定义为当前用户位置与用户产生的任务表示为：时隙t的动作定义为服务器镜像加载决策μ
t
＝[μ
1,t
,μ
2,t
,
…
,μ
N,t
]与任务卸载、传输决策务卸载、传输决策表示为：将奖励方程定义为：
[0034][0035]步骤13：使用优势演员
‑...

【技术保护点】

【技术特征摘要】
1.移动感知边缘计算系统中联合卸载与微服务部署决策优化方法，包括如下步骤:步骤1：将边缘计算系统的时间划分为若干个长度为τ的时隙，时隙时隙将系统中的N个边缘服务器的索引表示边缘服务器n与n
′
之间的上行带宽表示为ω
n,n
′
，不存在连接的服务器间的值为0；任何边缘服务器都可以直接向云服务器传输任务，且云服务器已经缓存了所有类型的微服务；步骤2：在系统中，存在M个处于移动中的用户，索引表示为索引表示为在时隙t时，第m个用户和边缘服务器之间的距离表示为第m个用户和边缘服务器之间的距离表示为其中第n个边缘服务器的服务范围为c
n
；将第m个用户在时隙t是否被第n个边缘服务器覆盖表示为如下定义的二元变量：步骤3：每个用户都会在时隙t开始时产生一个随机微服务类型的计算任务，在系统中共有Z种微服务，索引表示为其中，每一种微服务都由若干个分层的镜像组成，将系统中的I种镜像表示为将系统中的I种镜像表示为其中第i个镜像的大小表示为b
i
；步骤4：根据步骤3，将第z个微服务所需的镜像表示为集合将第z个微服务所需的镜像表示为集合其中表示第z个微服务是否需要镜像i；步骤5：将用户m在时隙t产生的任务表示为元组其中表示任务的类型，表示任务的期望截止时间，表示任务大小，以批次为单位；计算一个批次数据需要ψ个CPU周期；步骤6：将第n个边缘服务器的计算资源表示为元组G
n
＝(h
n
,r
n
,f
n
)，其中h
n
表示服务器的存储资源大小，r
n
表示服务器加载镜像的速度，f
n
表示服务器的CPU计算能力；将第n个服务器计算1个批次数据的时延表示为常数步骤7：将边缘服务器的每个时隙划分为两个阶段，首先，服务器根据镜像缓存策略加载微服务镜像，开启微服务；之后，服务器以批次为单位进行任务计算；将第n个边缘服务器在时隙t时的镜像加载策略表示为在时隙t时的镜像加载策略表示为其中步骤8：计算第n个边缘服务器开启所有微服务的时间：步骤9：根据步骤8，计算服务器n在时隙t剩余时间能够处理的数据批次数量为步骤10：用户的任务首先需要卸载到附近的边缘服务器，随后该服务器可以将任务在本地执行，或者分发到一跳之内的临近边缘服务器执行，又或者直接上传到云服务器执行；首先，第m个用户的任务选择一个处于其覆盖范围内的边缘服务器进行卸载，表示为：
其次，由于任务支持部分卸载，还需要决定第m个用户的任务将在哪些服务器进行计算(包括云服务器)，表示为：其中表示第m个用户的任务在服务器n
′
所完成的批次数量；步骤11：结合步骤1
‑
10，将边缘服务器镜像加载决策向量表示为μ
t
＝[μ
1,t
,μ
2,t
,
…
,μ
N,t
]，将任务的卸载、传输决策变量表示为与使用效用来衡量系统性能U
t
＝w1U
1,t
+w2U
2,t
；；其中表示能够在边缘服务器上完成的批次数量，服务器上完成的批次数量，其中表示能够在期限前完成的批次数量，w1与w2为权重系数；建立如下关于任务卸载的数学模型：建立如下关于任务卸载的数学模型：建立如下关于任务卸载的数学模型：建立如下关于任务卸载的数学模型：建立如下关于任务卸载的数学模型：建立如下关于任务卸载的数学模型：建立如下关于任务...

【专利技术属性】
技术研发人员：田贤忠，孟慧骁，张俊先，李燕君，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：