[发明专利]移动边缘计算环境中自主学习的服务缓存策略

说明书

本发明公开了一种移动边缘计算环境中自主学习的服务缓存策略，本发明首先将多服务供应商在资源有限的移动边缘计算环境中的服务缓存问题建模成联合多臂老虎机问题。使用Q‑Learning算法来学习如何协调多主体系统中的缓存决策。将系统中每个主体视为独立的学习者，提出了自主学习的服务缓存策略（ILSCS），其目标是最小化服务供应商的社会成本。并且，将本发明提出的策略与其他策略在不同实验参数下进行对比，证明了本发明所提出的策略的有效性。

技术领域

本发明涉及移动边缘计算领域，尤其涉及一种自主学习的服务缓存策略。

背景技术

移动边缘计算(MEC)作为一种新型的计算模型，能够将存储资源和计算资源下沉到网络边缘。不仅能支持边缘服务器与用户之间进行高效的数据传输，还能为用户提供充足的计算资源，大大降低服务的响应时延和移动设备的能耗。但是，由于边缘网络中资源有限，使得针对边缘网络中服务的合理缓存日益重要。由于边缘网络中资源有限，网络服务供应商之间将会对资源进行争抢。需要根据服务缓存后服务的响应时延和服务的缓存成本对服务供应商的服务缓存位置进行决策。

发明内容

为了解决上述问题，本发明提供了一种自主学习的服务缓存策略。

本发明具体采用的技术方案如下：

S1.建立系统模型：

本发明中提出的边缘网络由n个边缘服务器eNB＝{eNB₁，...，eNB_i，...，eNB_n}和中心云CL组成。对于移动边缘服务器eNB_i，可由三元组eNB_i＝C_i，B_i，S_i表示，其中C_i表示边缘服务器的计算能力，B_i表示边缘服务器的带宽能力，S_i表示边缘服务器的存储能力。

根据大多数云平台的机制，会通过在服务器中创建虚拟机来实现服务供应商之间的资源共享。而且服务器通常会分配一定的带宽资源、计算资源和存储资源给创建出来的虚拟机。本发明考虑每个边缘服务器中创建了m个虚拟机，边缘服务器eNB_i中创建的虚拟机集合可以由VM_i＝{VM_i，1，...，VM_i，j，...，VM_i，m}表示。对于虚拟机VM_i，j，可用二元组VM_i，j＝C_i，j，B_i，j表示，其中C_i，j表示虚拟机的计算能力，B_i，j表示虚拟机的带宽能力。

S2.建立服务供应商模型：

移动边缘计算网络中存在K个网络服务供应商SP＝{SP₁，...，SP_k，...，SP_K}，每个服务供应商都为用户提供一项服务。供应商所提供的服务集合可以用SE＝{SE₁，...，SE_k，...，SE_K}表示。对于服务实例SE_k，可由二元组SE_k＝W_k，D_k表示，其中W_k表示执行服务的工作负载(MHZ)，D_k表示服务的数据尺寸(GB)。

每个服务都将被部署到中心云CL中，并且每个服务都会收到一组用户请求，需要由对应的服务实例进行处理并返回给用户。如果服务供应商将服务实例SE_k缓存到边缘服务器中，那么需要服务实例SE_k处理的用户请求将会被重定向到缓存其服务实例的边缘服务器中。否则，将由中心云CL中的原始服务实例来满足用户请求。这种将服务实例从中心云缓存至边缘服务器的行为称为服务缓存。