[发明专利]边缘计算中基于Lyapunov控制优化的动态服务放置方法

说明书

本发明公开了一种边缘计算中基于Lyapunov控制优化的动态服务放置方法，移动用户可将大量任务卸载至邻近的边缘服务器处理，以此缓解用户资源短缺的问题，通过协调边缘服务器的空闲资源，进一步实现高效的移动任务执行。由于边缘服务器的覆盖范围有限，为保障移动用户的服务性能，系统需通过服务迁移动态调整用户的服务放置。本发明首先引入了长期服务迁移预算，以此避免因用户过度服务迁移而产生巨大的运营开销，然后利用Lyapunov队列变换，联合优化移动用户的服务性能和运营开销，从而确保在不超过设定迁移预算的前提下，有效提升用户的服务性能。

技术领域

本发明涉及边缘计算以及分布式计算技术领域，具体涉及一种边缘计算中基于Lyapunov控制优化的动态服务放置方法。

背景技术

随着智能设备的广泛使用和无线网络技术的快速发展，网络边缘设备数量激增，以云计算模型为核心的集中式方式难以高效处理边缘设备所产生的海量数据。同时由于物理尺寸和电量限制，移动设备难以单独处理新型的服务应用(如VR/AR)。为了缓解设备资源短缺和任务高资源需求之间的冲突，设备可以将任务计算量卸载至资源更丰富的邻近边缘服务器执行。但由于边缘服务器的覆盖范围有限，为保障移动用户的服务性能，系统需通过服务迁移动态调整用户的服务放置。

目前对于解决边缘计算中的用户长期服务放置问题主要分为两类：基于对长期未知信息(用户行为信息和网络状态信息)能够做出精确预测的假设；基于用户移动符合马尔科夫过程的假设。第一类方式是基于对未知信息的精准预测，另一类是对用户的移动进行马尔科夫建模，并决定任务是否迁移。

第一类方法基于利用已有的数据，通过统计方法或神经网络对用户移动模型和网络信息(数据传输和处理代价等)做出精确预测，再利用已有的优化算法，实现动态调节服务迁移代价和服务性能的冲突，以此得出长期有效的多用户服务放置策略。一方面，在实际网络环境中，用户的突发行为和网络的时变特性极易引起预测误差，由此将导致所得服务放置策略与真实优化策略产生偏差。同时，在长期的未知信息过程中，预测误差将会随时间的增长而累加，从而进一步影响用户服务放置策略的制定。另一方面，预测模型将会产生额外的运行代价，如对用户行为数据，网络状态信息的收集，预测模型的更新时间等，尤其对于密集且易扩展的边缘网络存在大量用户数据，如何降低模型所产生的额外代价以减少对用户体验的影响也是需要考虑的难题。

第二类方法是基于用户移动符合马尔科夫过程的假设，以此分析得出合理的服务迁移放置策略。这类方法通过对用户移动进行马尔科夫建模，再利用马尔科夫决策过程(MDP)的方法分析用户在当前状态下的迁移收益，以及决定是否应当进行服务迁移，从而进一步得出长期服务放置策略。但在实际问题中，这种基于马尔科夫的用户移动假设可能并不有效，尤其是对于用户存在明确移动方向的情况下，如用户拥有确定的移动目的地。尽管在云计算模式中服务放置问题已被广泛研究，但在边缘计算的应用场景下，由于用户的移动性和边缘节点服务覆盖范围的有限性，这对原有的服务放置问题产生了新的挑战。针对这种情况，如何提供一个有效的用户移动管理机制以分析长期服务质量是目前亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术中多移动用户在边缘网络中由于动态网络环境和不确定移动性引起的服务放置问题，提供一种边缘计算中基于Lyapunov控制优化的动态服务放置方法。

本发明的目的可以通过采取如下技术方案达到：

一种边缘计算中基于Lyapunov控制优化的动态服务放置方法，所述动态服务放置方法包括下列步骤：

S1、长期用户服务表现建模步骤，中心控制器将长期服务运行时间划分为T个离散的时间片段，并根据每个离散时间片段内边缘网络中基站所收集到的信息为用户进行长期服务表现建模，其中，所述的长期服务表现为服务性能和运行开销；