[發明專利]邊緣計算環境下基于粒子群的服務遷移方法

在審

• 申請號: 201911089524.1
• 申請日: 2019-11-08
• 公開（公告）號: CN110839075A
• 公開（公告）日: 2020-02-25
• 發明（設計）人: 梁靚;肖金濤;武彥飛;賈云健;陳正川
• 申請（專利權）人: 重慶大學
• 主分類號: H04L29/08
• 分類號: H04L29/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.邊緣計算環境下基于粒子群的服務遷移方法，其特征在于：該方法包括以下步驟：

S1：服務器建模；

S2：服務請求報告：設備將自身的狀態信息發送給本地網絡控制器；

S3：找出延時不滿足要求的設備：本地網絡控制器根據收到的設備狀態信息以及狀態收集模塊收集到的網絡信息估計設備的延時，判斷是否滿足相應類型任務的延時要求；

S4：制定遷移決策：對服務器選擇不能滿足要求的設備，結合任務大小，任務類型，鏈路穩定性，服務器狀態等因素綜合考慮能耗和時延，在保障設備任務的性能指標需求的同時制定出收益最大的遷移決策。

2.根據權利要求1所述的邊緣計算環境下基于粒子群的服務遷移方法，其特征在于：所述步驟S1具體為：

對于uRLLC任務來說，先計算出要滿足時延閾值條件需要分配的最小處理能力V_need，再結合服務器中即將釋放的處理能力來對分配給任務的處理能力進行動態分配，剩余處理能力和即將釋放的處理能力越大則分配到的處理能力越大；設置一個URLLC任務的最小處理能力閾值V_umin，當剩余處理能力大于V_umin但小于V_need時，分配給任務的處理能力為V_umin，即

其中表示隨后第i個時隙釋放的處理能力，χ_i表示該時隙的權重，i越大權重越小；

其中表示設備i的任務需要的計算量與成正比，即

D_u是uRLLC任務的時延閾值，t_i為設備i的任務除處理延時外的其余延時的和；

對于eMBB任務來說，時延要求低于uRLLC任務，分配到的處理能力會低于uRLLC任務分配到的處理能力，并且在服務器負載較低時，為盡量保證后續任務分配到的處理能力，分配到的處理能力會有個上限，即

3.根據權利要求1所述的邊緣計算環境下基于粒子群的服務遷移方法，其特征在于：在所述步驟S2中，所述設備狀態信息包括設備產生的任務大小和類型、位置、發送功率、帶寬和服務器選擇。

4.根據權利要求1所述的邊緣計算環境下基于粒子群的服務遷移方法，其特征在于：在所述步驟S3中，具體內容如下：

本地網絡控制器根據接收到的設備信息和狀態收集模塊收集到的信息計算出設備i到基站j的數據傳輸延時為：

其中表示設備i的數據傳輸速度，表示設備i的任務大小；由下式得到

其中

B是信道帶寬，是基站j接收到的設備i的功率，是設備i發送信號的功率，L^i,j是設備i與服務器j之間的路徑損耗，N₀是噪聲功率；

設備i的任務從中繼基站j到目標基站j’的中繼傳輸延時為：

其中表示任務從基站j傳輸到基站j’的速度；

設備i的任務需要的處理時間即為處理延時為：

設備i的服務遷移延時為

其中表示設備i的服務所在虛擬機的大小；假設任務數據量越大，虛擬機所包含的數據量也越大，即虛擬機大小與已經處理了的本服務的任務的數量成正比，即

表示設備i的服務所在虛擬機已經處理了的任務的數據量；

計算排隊延時的步驟如下所示：

①已知排隊隊列中n個任務需要的處理時長服務器中的c_vm個任務還需要的處理時間

②創建一個數組將數組b中的數據從大到小排列；排列后的數組b中的第c_vm個數據就是排隊隊列中第1個設備的服務的排隊延時

③把隊列中第1位的設備處理時長和排隊時長相加再放入數組b中，更新后的數組b中的數據再從大到小排列；排列后的數組b中的第c_vm個數據就是排隊隊列中第2個設備的服務的排隊延時

④以此類推得到隊列中第n個任務的排隊延時

5.根據權利要求1所述的邊緣計算環境下基于粒子群的服務遷移方法，其特征在于：在所述步驟S4中，具體內容如下：

用戶設備i和基站j間的連通性會隨著設備的移動而發生改變；設備與基站間的連通性用中斷概率來表示，由設備與基站間的距離的函數來估計；基站接收到的信號的信噪比的概率密度函數服從對數正態分布，如下所示：

其中σ是對數正態陰影衰落的標準差；

當服務器接收到的信噪比小于某一閾值時，鏈路就會中斷，中斷概率就是接收到的SNR超過Γ的概率，設備i和基站j之間的鏈路穩定性如下表示：

設備i的可選服務器需要滿足以下條件：

其中P_min表示基站的信號接收門限，P_outmax表示中斷概率閾值；

定義兩個整數變量S_i,X_i∈N_server，分別表示設備選擇的目標服務器所在基站和設備選擇的中繼基站，N_server是服務器集合；當X_i＝S_i時，表示設備沒有中繼基站；定義一個二進制變量H_i：

則設備i的任務的總延時為：

總能耗為：

各部分的能耗就是延時乘以相應的功率，分別表示設備i的任務遷移前后的時延和能耗；將時延和能耗歸一化處理以在同一量級下對比：

遷移后的收益為

使用改進的粒子群算法找出使得A最大的遷移決策；

量子粒子群算法中收縮擴張系數β的值越大越有利于全局區域的搜索，此時算法的收斂速度快，但不易得到精度高的解，而β的值越小越有利于局部區域的搜索，容易得到精度高的解，但是算法的收斂速度會變慢；相對于傳統量子粒子群算法中β隨迭代次數線性減小，改進量子粒子群算法中的β設置為隨迭代次數按余弦曲線減小，即

其中β_m,β₀是β的上限和下限，k是當前迭代次數，k_max是最大迭代次數；

在算法初期階段，由于粒子的全局極值和粒子的歷史個體極值差距比較大而在一段時間內使用較大速度全局搜索，以便于迅速接近全局極值；而在算法進化后期，在粒子歷史個體極值接近于全局極值后，在一段時間內使用較小速度以加強算法的局部搜索能力，來提高算法的精確度；

改進的量子粒子群算法還把傳統量子粒子群算法中當前粒子的個體平均最優位置由各粒子最優位置的平均值改為了各粒子最優位置的隨機加權平均值來加強算法隨機性，增強算法掙脫局部極值點約束的能力。