【技术实现步骤摘要】
本专利技术涉及网络通信，具体为一种移动场景中时延敏感程序的服务部署方法。
技术介绍
1、近年来，随着物联网基础设施的建设，边缘服务器、移动计算节点和各种传感器呈指数级增长。然而，各种数据信息需要在整个mec中进行存储、传输和计算，这给整个mec架构带来了巨大的能源成本。移动应用正在消耗越来越多的存储资源、计算资源和能源。在mec架构中，在部署服务的决策过程中，不仅要考虑存储和计算资源的消耗，还要考虑能源的消耗。边缘计算节点在正常工作负载和超频工作负载下消耗的能量是不同的，与云服务器相比，边缘服务器的运营成本预计会较高，因为每次操作的成本高度依赖于系统的整体规模，对于mec运营商而言，服务的部署不仅要考虑计算节点本身的资源情况，还要考虑计算节点本身的能源成本，因此，在对延迟敏感的应用程序的mec服务部署中，应考虑延迟和能耗两个方面。
技术实现思路
1、本专利技术要解决的技术问题是克服现有的缺陷，提供一种移动场景中时延敏感程序的服务部署方法，通过结合遗传算法和模拟退火算法的优势，首先利用遗传算法的快速收敛特性，找到局部最优解，然后运用模拟退火算法的思想跳出局部最优，寻找全局最优解，通过将边缘计算的服务部署问题转化为0-1背包问题，获得最高的qos值，能够在考虑资源和能耗的情况下，实现最优的服务部署，提高系统的服务质量，解决了移动场景中时延敏感程序的服务部署问题，可以有效解决
技术介绍
中的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种移动场景中时延敏感程序的服务部
3、s1、构建一个移动边缘计算场景的系统模型，包含边缘服务器个数n，es＝{es1,es2,es3,...,esn},请求边缘服务器服务的用户个数m，u＝{u1,u2,u3,...,um}，在该系统模型中，边缘服务器esj和信号基站部署在同一个地方，边缘服务节点的计算能力用cj表示，边缘服务器根据自己的资源启动容器为任务提供服务，用户ui通过4g或5g或wifi方式将任务卸载到边缘服务器的容器中，用户ui请求的边缘服务器的可用资源大小可以用等效容器的个数来表示，完成用户任务所用的时间由ωi表示；
4、用户ui在时隙t内从服务器esj收到的服务质量定义为：
5、
6、其中σ是一个常数参数，用来表示传输介质的效率，ri用于表示用户ui任务请求的数据量，dij用于表示用户ui和边缘服务器esj之间的距离，cj代表边缘服务器的计算能力；
7、边缘服务器esj为用户ui的任务提供的服务期间的能耗为：
8、
9、其中γ是一个常数参数，代表不同服务器的能耗系数，ri是服务请求的数据量，cj是边缘服务器的计算能力，ri与cj的比值表示服务器esj完成用户ui任务请求所需的cpu周期数，根据cpu周期数，可以计算出服务器为任务提供服务所消耗的能量；
10、该系统模型的平均能耗(aec)定义为：
11、
12、其中xij是一个二进制变量。如果xij＝1，则服务器esj为用户ui提供服务。如果xij＝0，则代表服务器不为用户提供服务；
13、服务部署策略是基于时隙t中用户与边缘服务器的距离以及服务器的状态设计的，在此期间，还增加了能源消耗预算，同时满足每个时隙的能耗预算和服务器资源约束，即最大化服务质量并减去后续迁移成本的期望值，服务部署策略的目标函数由以下公式表示：
14、
15、和分别表示xt和yt决策变量的向量，两个决策变量定义如下：(1)表示在时隙t内，服务器esj向用户ui提供服务，否则(2)表示在t时隙内，用户ui的任务从服务器esj迁移到服务器esj'提供服务，否则为因此，时隙t的服务部署问题表述为：
16、
17、其中是移动场景中迁移代价的期望值，qt(xt,yt)是定义的目标函数的时间间隔，其中eδ[.]是移动场景中迁移成本的期望值，ω是定义的目标函数的时间间隔；
18、同时，它具有以下约束：
19、
20、
21、
22、
23、
24、t∈{1,2,...,ω},t'∈{1,2,...,ω}；j≠j',t≠t' (10)
25、
26、约束(6)是服务器资源约束，即服务器为用户提供的服务不能超过服务器自身的资源限制；
27、约束(7)表达了能源消耗资源成本约束，提供服务的服务器不应超过其自身的能源成本；
28、约束(8)表示在一个时隙内只有一台服务器为任务i提供服务；
29、约束(9)表示任务i的数据是连续服务的，下一时刻需要服务的数据量比上一时刻要少；
30、约束(10)确保在迁移服务时，服务部署策略会相应更改；
31、约束(11)确保服务部署策略是二元变量。
32、s2、采用一种基于遗传算法和模拟退火算法的改进算法(spiga)对步骤s1中归纳的服务部署问题进行求解；
33、在场景中有一个任务簇m，算法中的任务i和a都属于这个任务簇，初始化遗传算法需要的一些参数，其中，m代表种群规模，g代表进化迭代次数，cp代表交叉概率，v代表种群适应度，k代表程序设定的最大迭代次数，τ代表适应度不更新的次数，n是收敛判断条件，适应值v表述为：
34、
35、全局优化问题转换为时隙t内的一次性优化问题，时隙t中的一次性优化问题为：
36、
37、时隙t中的一次性优化问题公式(13)也是一个np-hard难题，由于np-hard问题是一个非确定性的复杂多项式求解问题，使用启发式算法；
38、每个时隙的服务部署策略问题等价于0-1背包问题，每个任务相当于一个项目，相当于项目的价值，pij相当于项目的权重，将任务i分配给背包j。边缘服务器相当于一个背包，相当于背包的容量，当满足约束条件时，服务部署策略的目标是将项目(任务)分配给背包(边缘服务器)，以最大程度地提高总服务质量(权重)，即获得较高的qos。
39、优选的，所述步骤s1中时隙t中用户ui与服务器esj之间的距离
40、
41、用户ui位于时隙t的单元格(au,bu)中，服务器esj位于单元格(aes,bes)中。
42、优选的，所述步骤s2中采用一种基于遗传算法和模拟退火算法的改进算法(spiga)对步骤s1中归纳的服务部署问题进行求解的步骤为：
43、步骤1：计算每个任务i的qos值以及能耗，
44、步骤2：初始化遗传算法参数：m,g,cp,v,k,τ,n；
45、步骤3：从所有任务中随机选择n个作为初始化种群；
46、步骤4：在生成的种群中计算每个种群的适应度，计算服务资源消耗和能源成本是否超过边缘服务器预算，如果或者a∈m，进本文档来自技高网...
【技术保护点】
1.一种移动场景中时延敏感程序的服务部署方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种移动场景中时延敏感程序的服务部署方法，其特征在于：所述步骤S1中时隙t中用户Ui与服务器ESj之间的距离
3.根据权利要求1所述的一种移动场景中时延敏感程序的服务部署方法，其特征在于：所述步骤S2中采用一种基于遗传算法和模拟退火算法的改进算法(SPIGA)对步骤S1中归纳的服务部署问题进行求解的步骤为：
【技术特征摘要】
1.一种移动场景中时延敏感程序的服务部署方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种移动场景中时延敏感程序的服务部署方法，其特征在于：所述步骤s1中时隙t中用户ui与服务器esj之间的距...
【专利技术属性】
技术研发人员：郑瑞娟，朱军龙，吴庆涛，张明川，冀治航，王琳，刘宇桓，
申请(专利权)人：河南科技大学，
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。