没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
1 引言
云计算技术依靠其具有强大计算和存储能力的中心服务器,可以为用户提
供广泛的服务及资源,然而,面对目前 VR、智能电网、智慧城市等新型技术
[1
,2
,3
,4
]
中万物互联的通信场景及低时延、高质量的服务要求,传统云计算技术的部
署架构及应用技术亟需改善。例如,集中、单一式的云计算资源无法满足密集
型任务的计算需求,海量数据传送到远程云中心进行处理的过程极大增加了中
心网络的负担和任务时延,隐私保护、数据安全性及能耗方面有待优化等。
作为传统云计算技术的一种补充与演进,边缘计算(edge computing)
[5
]
技术将云中心服务器的远程集中式部署方式转化为近端离散化部署,通过在网
络边缘部署小型云服务器,实现数据计算、存储、识别、分析等能力的下放,
在极大减少核心网络带宽和数据处理负荷的同时,也为 物联网
应用提供了更好
的支持。此外,其对于隐私数据的保护和权限设置更加灵活。基于此,边缘计
算技术广受关注并成为热点研究领域
[6
,7
]
。进一步地,随着移动网络的飞速发展,
思科预测到 2021 年全球移动业务流量月增长速度将达到 7.2 EB
[8
]
,为满足高质
量 的 移 动 服 务 要 求 , 移 动 边 缘 计 算 ( MEC,mobile edge computing ) 技 术
[9
,10
,11
,12
,13
,14
]
于 2013 年 被 提 出 并 获 得 欧 洲 电 信 标 准 协 会 ( ETSI,European
Telecommunications Standards Institute)的认可
[15
]
。
在车辆边缘网络(vehicular edge network)中,由于车辆高速移动及边缘
服务器(ES,edge server)覆盖范围有限,移动服务的连续性难以得到有效保
障
[16
]
,因此,为降低请求时延与服务中断频率、保障服务连续性,本文为车辆边
缘 网 络 设 计 了 基 于 多 参 数 马 尔 可 夫 决 策 过 程 ( MDP,Markov decision
process ) 的 动 态 服 务 迁 移 算 法 ( DSMMP,dynamic service migration
algorithm based on multiple param eter)。
本文的创新点如下。
1) 改进了单纯基于跳数距离进行服务迁移方案的不足,DSMMP 构造了基
于网络性能、服务器处理能力及车辆运动的多参数 MDP 收益函数。
2) 摒除了单一迁移目标边缘服务器(D-ES,destination ES)的限制,结合
车辆运动参数及请求对应的时延限制构造候选边缘服务器( C-ES,candidate
edge server)集合 Set
C-ES
,利用 Bellman 方程构造长期收益表达式,根据长期
收益值进行迁移决策。
3) 弥补了服务迁移方案动态适应性差的缺点,提出了一种基于历史数据的
收益权重因子计算及网络数据定期更新方案,提高了 DSMMP 算法对动态网络
环境的适应能力。
2 相关工作
Taleb 等
[17
]
在 FMC-Follow Me Cloud 架构
[18
]
中引入了一维马尔可夫决策过
程模型
[19
]
,为移动用户寻找最优数据中心(DC,data center)。该方案基于随机
移动模型将 MDP 状态函数定义为用户与最优 DC 之间的跳数,利用用户运动概
率进行状态聚类,加深了对用户行为的了解,并提高了预测准确度。然而,其
计算及设计严格依赖蜂窝网络规则的部署方式,在移动 Wi-Fi 等不规则信号覆盖
场景中的适用性较差。
有研究者将移动云计算(MCC,mobile cloud computing)场景下的服务迁
移问题
[20
]
建模为一维 MDP,并进一步在文献[21
]中用“常数+指数”的函数形式具
体化 MDP 开销函数,并利用平衡方程求封闭解,同时改进策略迭代方式以获得
更精准
的最优策略,该设计的计算复杂度过高,而且在进行 MDP 开销函数定义
时未考虑环境动态性对函数参数的影响。
为规避 MDP 迁移方案中的大量复杂计算和统计过程,IBM 研究人员
[22
]
将
Lyapunov 优化 技术
[23
]
扩展 到约 束的 MDP 中, 利用 MDP 的解 耦特 性将约 束
MDP 问题转化为一个简单的确定性优化问题,从而高效地求解。类似地,其设
计忽略了网络参数的动态特性,从而影响了迁移方案的动态适应性及可靠性。
美国罗格斯大学的研究人员结合服务响应时间参数和 MDP 模型设计了一种
主动式的边缘云 服务迁移决策 系统 SEGUE (quality of service aware edge
cloud service migration)
[24
]
。基于一种混合的 push/probe 技术
[25
]
,SEGUE 可
以 实 现 对 网 络 中 各 个 服 务 器 响 应 时 间 变 化 的 监 测 与 收 集 ; 使 用 服 务 质 量
(QoS,quality of service )预测模块来检测性 能冲突 并进行迁移 决策 ;利用
MDP 的收益函数测量累计的 QoS 提高程度,并选择一个累计 QoS 收益最高的
ES 作为目标迁移 ES。该方案主动监测 QoS 并进行服务迁移的过程能够在一定
程度上提高服务的可靠性。然而,其监测数据的准确性与及时性缺乏有效保障
机制,响应时间完全反映网络状态的设计思想也有待验证。
文献[26
]提出了基于多属性的边缘计算服务迁移算法,该算法考虑了每个虚
拟机的能量消耗、迁移开销、通信开销、时延以及服务器计算能力等多个属性
因素对于服务迁移决策的影响,并建立相应的决策矩阵,在用户离开最优服务
器的连接范围后,通过决策矩阵来决策此时是否需要进行服务迁移。该算法虽
然在服务迁移过程中充分考虑了能量、时延等开销的影响,但忽略了网络环境
的动态性,缺乏参数的实时更新机制。
已有方案对比如表
1
所示。通过以上调研发现,大多数的服务迁移方案忽
略了网络及节点动态性对迁移决策的影响,同时,动态决策参数的实时更新也
是保障迁移算法有效性与可靠性的一个重要因素,如果不能根据环境变化对参
数进行学习更新,往往会因参数退化而导致算法性能下降。为此,本文提出了
车辆边缘网络中基于多参数 MDP 模型的动态服务迁移方案 DSMMP。
3 DSMMP 算法设计
3.1 最优迁移状态阈值存在性证明
为保证 DSMMP 算法的科学性,本节将利用一个通用的 MDP 模型来证明
MDP 服务迁移方案中最优迁移阈值的存在。
本文将时间划分为一个个相邻等值的状态检测时隙,在每个状态检测时隙
开始时,ES 基于以下 MDP 模型进行迁移决策。
1) 状态函数 S(t)
从 ES 角度出发,将 S(t)定义为状态检测时隙为 t 时,ES 与对应的车辆节
点之间的链路跳数 hop,有
S(t)={0,
车辆在
ES
服务范围内
hop,
车辆不在
ES
服务范围内
(1)S(t)={0,?车辆在 ES 服务范围内 hop,?车辆不在 ES 服务范围内 (1)
2) 动作函数 a(t)
a(t)表示时隙为 t 时 ES 节点对于某一特定车辆节点请求服务的迁移决策,
有
a(t)={0,
不进行服务迁移
1,
进行服务迁移
(2)a(t)={0,?不进行服务迁移 1,?
进行服务迁移 (2)
3) 概率函数 ps′s(t)ps's(t)
ps′s(t)ps's(t)表示时隙为 t 时,ES 从 s'迁移到状态 s 的概率。
4) 收益函数
需要说明的是,在本节中利用时延开销来定义 MDP 收益函数,则收益函数
值越小对应的策略越优。DSMMP 综合网络性能、ES 处理能力、节点运动的收
益来定义 MDP 收益函数,取收益函数值最大时的策略为最优策略。虽然二者的
定义不同,但其实质意义相同,因此 2 种定义方式具有一致性,并不冲突。
对服务不迁移和迁移这 2 种决策分别产生的网络时延开销进行如下分析。
① 不进行服务迁移。如图
1
所示,初始 t 时刻车辆 V
1
处于节点 ES
2
的覆盖
范围内,则 S(t)=0,此时 V
1
向 ES
2
发送了一个分组请求,设请求时延为 t
req
;然
后 ES
2
开始对该请求进行服务计算,计算时延为 t
com
;在服务计算完成之前的每
个状态检测时隙中,ES
2
?均采取不迁移的动作,当计算完成后 ES
2
准备向 V
1
回
复数据,却发现 V
1
节点已经离开其信号覆盖范围并其处于 ES
1
的覆盖范围,则
ES
2
将结果数据返回给 ES
1
,此过程的时延为 ES 之间的传输时延 t
data-tra ns
;最后
由节点 ES
1
将请求应答数据回复给 V
1
,此时的时延为车辆和 ES 之间的传输时延
t
rep
。
则不迁移策略的总时延开销为
tnon-mig=trep+tcom+tdata-trans+trep (3)tnon-mig=trep+tcom+tdata-
trans+trep (3)
② 进行服务迁移。如图
2
所示,t 时刻车辆 V
1
处于 ES
2
的覆盖范围内,则
S(t)=0, V
1
此时向 ES
2
发送了一个分组请求,请求时延为 t
req
;在计算服务完成
之前的某一个状态检测时隙 t'',ES
2
发现车辆 V
1
节点离开其信号覆盖范围,进入
ES
1
的覆盖范围,当 S(t'')>k(k 为最优阈值)时,ES
2
选择进行服务迁移,将其
与 V
1
之间的会话过程、请求内容等具体信息打包发送给 ES
1
,该过程的时延为
t
sessio n-trans
;此后,ES
1
开始对车辆 V
1
的请求进行服务计算,计算时延为 t
com
;计算
完成后,ES
1
再将结果数据回复给车辆 V
1
,产生传输时延 t
rep
(此时也可能出现
V
1
离开了 ES
1
的范围,但此处仅为证明阈值存在,故不考虑这种复杂情况)。
表 1已有方案对比
方案 设计 优点 缺点
文献
[17]方
案
利用基于跳数的 MDP 状态函数对蜂
窝网络中的用户运动进行聚类,迭代
求解
提高了对用户行为预
测的准确度
可扩展性低
方案 设计 优点 缺点
文献
[21]方
案
利用“常数+指数”的形式具体化 MDP
开销函数,改进策略迭代以获得更优
策略
实现了 MDP 函数具
体化
计算复杂度高、动
态适应性弱
文献
[22]方
案
利用 Lyapunov 优化及 MDP 的解耦
特性将约束的 MDP 问题转化为简单
的确定性问题,获得高效求解
简化 MDP 模型,提
高了求解效率
忽略了环境的动态
性,可靠性差
文献
[24]方
案
基于服务器响应时间变化检测性能冲
突并进行迁移决策,选择一个累计
QoS 收益最高的 ES 作为目标 ES
利用时延冲突主动进
行服务迁移,与被动
方案相比更及时、可
靠
忽略了动态环境特
点,缺乏监测数据
准确性的保障机制
文献
[26]方
案
考虑了每个虚拟机的多个属性因素并
建立相应的决策矩阵,通过决策矩阵
来决策迁移
充分考虑了能量、时
延等开销的影响,实
用性较高
忽略了网络环境的
动态性,缺乏参数
的实时更新机制
新窗口打开|下载
CSV
图 1
图 1服务不迁移场景
图 2
图 2服务迁移场景
则迁移策略的总时延开销为
tmig=trep+tsession-trans+tcom+trep (4)tmig=trep+tsession-
trans+tcom+trep (4)
对比上述 2 种情况可以发现,t
non-mig
和 t
mig
中存在部分相同参数,为简化计算
过程,去掉了重复的时延部分,并将 MDP 中的收益函数定义为时间开销,因此,
状态 s 下发生动作 a 的开销函数为
Ca(S)=⎧⎩⎨⎪⎪0,
状态不变
tdata-trans,
不迁移
tsession-trans,
服务迁移
(5)Ca(S)={0,?状态不变 tdata-trans,不迁移 tsession-trans,服务迁移 (5)
5)折合系数 γ
γ 表示上述 MDP 模型的当前收益与未来收益之间的差异,本文取 γ=0.9。
需要注意的是,虽然任务类型、网络及节点状态的差异会影响最优阈值的
具体值,但并不影响各个 ES 最优阈值的存在性,因此,本节不针对某一具体
状态下的收益函数进行详细计算。同时,定义状态值上限值为 N,当 s>N 时,
无条件进行服务迁移。
剩余28页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3543
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 学生成绩管理系统-C++版本
- 吉林大学离散数学2笔记.pdf
- 通道处理过程的模拟通常涉及对通道处理机制的理解与实现.txt
- Flume进阶-自定义拦截器jar包
- Dubins曲线算法讲解和在运动规划中的使用.pdf
- 上市公司-股票性质数据-工具变量(民企、国企、央企)2003-2022年.dta
- 上市公司-股票性质数据-工具变量(民企、国企、央企)2003-2022年.xlsx
- Reeds+Shepp曲线算法讲解和实现.pdf
- 毕业设计基于SpringBoot+MyBatisPlus+MySQL+Vue的外卖配送信息系统源代码+数据库
- 词向量(Word Embeddings)是自然语言处理(NLP)领域的一种重要技术.txt
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功