关键词：
移动边缘计算
服务部署
计算卸载
服务迁移
用户移动性
摘要：
随着物联网技术快速发展,智能手机、平板电脑、物联网终端等移动设备数量持续增长,计算密集型和时延敏感型等新型应用大量涌现,如虚拟现实、增强现实、在线游戏、车联网应用等,要求网络服务提供低时延高可靠的服务能力。而传统的移动云计算网络建立在远离移动用户的中心云上,导致数据通过广域网传输产生了过高的时延和设备能耗,影响用户的体验质量。在这种背景下,移动边缘计算应运而生。移动边缘计算将云计算的能力下沉至靠近移动设备的网络边缘,以满足移动设备和应用对低时延、低能耗的需求。随着物联网、5G、工业互联网、人工智能的快速发展,移动边缘计算已经为一项必不可少的支撑技术。移动边缘计算的资源管理关键技术包括服务部署、计算卸载、服务迁移等。边缘服务部署选择合适的边缘云服务器部署服务,而用户服务请求的动态时空变化导致服务部署代价和服务效率难以权衡;计算卸载将移动终端上的计算任务卸载到边缘云服务器或者其它设备等智能节点进行处理,而计算资源和带宽资源的受限性导致卸载设备无法高效完成任务;服务迁移将正在运行的边缘服务从源站点迁移至目标站点,而迁移过程的被动性导致服务时延过长,无法满足时延敏感型应用的要求。如何解决上述问题是实现移动边缘计算资源高效利用和提升用户服务质量所面临的严峻挑战。用户移动性是移动网络的本质属性。在边缘计算中,正是移动性引起了移动设备对资源的需求发生了动态变化。研究发现,用户移动呈现一定的时空规律特征:用户在不同的时间、不同的位置倾向于使用某种特定类型的应用;用户移动的相似性对于用户/设备间的社交关系具有强暗示;移动性是可预测的等等。以上移动特征为按需配置边缘计算资源提供重要依据。因此,本文从用户移动特征的角度出发来解决移动边缘计算中的资源管理问题,分别从服务部署、计算卸载、服务迁移三个方面展开研究,主要研究内容如下:1、针对用户服务请求的动态时空变化所导致的服务部署代价和服务效率难以权衡的问题,提出了基于移动时空特征的边缘服务部署方法。引入用户移动对应用使用行为影响的规律性特征,建立了服务时延模型和部署代价模型,提出了基于多目标背景多臂赌博机(multi-objective Context Multi-Armed Bandit learning with a Dominant Objective,CMABDO)的服务部署方法。具体地,以用户移动信息作为背景信息,将服务时延作为支配目标、部署代价作为非支配目标,设计了基于多目标学习的局部优化算法,在该过程中,首先将移动信息空间划分为具有相似移动性的分块,通过观察过去的决策历史所获得的收益和当前观察到的服务请求,学习每个分块中用户的服务需求,从而选择理想的边缘服务器来放置服务。最后,通过理论分析证明了所提方法的收敛性,并且仿真结果表明所提方法在服务时延和部署代价方面明显优于基准对比方法。2、针对移动微云受限于多约束条件所导致的任务卸载失败的问题,提出基于移动相似度的卸载可用性评估方法,建立移动设备的能耗和流量模型,将任务卸载问题建模为多目标优化问题并求解帕累托解集,设计了基于多目标模拟退火的低复杂度任务卸载算法,具体地,首先从随机生成的初始解向量获得三个目标函数值,根据当前最优解生成的新向量计算新的目标函数值,利用多温度退火计划判断是否接受新解;其次在每个目标函数对应的不同温度下,进行一定长度的迭代,并根据退火时间表分别降低三个目标函数对应的温度,直到温度低于给定值阈值;最后获得多任务的卸载站点方案,仿真结果验证了所提算法具有低复杂性,并在卸载可用性、能耗、流量方面优于基准对比算法。3、针对服务迁移过程的被动性所导致的服务时延过长无法满足时延敏感型应用要求的问题,提出了基于移动预测的服务迁移方法,建立了端到端时延和服务迁移时延最小化模型;联合考虑基于移动预测的目标服务器选择和容器迁移流程的优化问题。具体地,利用循环神经网络和偏好嵌入的马尔可夫链结合的集成学习方法,得到用户移动的下一个位置所在的目标服务器;通过预先迁移容器的基础镜像和应用镜像文件来优化服务迁移流程,提出了容器迁移流程的时序规划方案,利用容器的检查点恢复技术,设计了源服务器、目标服务器、控制器上的服务迁移算法,从而实现主动式边缘云服务迁移。最终,仿真结果验证了所提方案在提供低时延方面明显优于基准对比方法。
欢迎来到三峡大学图书馆！
