[发明专利]一种边缘计算系统中的在线服务放置方法

说明书

本发明涉及一种边缘计算系统中的在线服务放置方法，在一个考虑异构计算任务随机实时到来的边缘计算系统中，将时间分成等长时间片，在考虑边缘服务器有限的存储空间和计算资源的限制下，决定在边缘服务器上放置哪些服务来服务相应的任务，从而最小化完成所有任务的总时延。本发明采用算法包含两个交替的阶段，第一个阶段为服务放置动作的产生，即基站利用深度神经网络选择出最佳的服务放置决策，然后存储下基站和网络的交互过程作为经验。第二阶段为网络训练部分，利用经验回放技术和一个与在线网络结构相同但参数不同的目标网络来训练在线网络的参数。本发明保证在无法获取未来动态信息的和基站资源受限情况下，计算任务的总完成时延最小。

技术领域

本发明涉及一种边缘计算系统中的在线服务放置方法，是一种边缘计算系统中最小化到达该系统的任务完成时延的在线服务放置方法，在一个考虑异构计算任务随机实时到来的边缘计算系统中，由于边缘服务器的存储空间和计算资源均有限，无法缓存所有的服务，处理所有的任务，通过决策是否在边缘端即基站缓存每种服务，使得到来的计算任务的总完成时延最小化。

背景技术

随着物联网和5G移动通信技术的发展，各种移动终端设备，诸如智能手机、手表等呈爆发式增长。进而涌现了大批新的网络服务和计算密集型的终端应用，如增强现实、视频流分析等应用。这些新型应用给人们的生活带来了巨大的变化，这些新型应用对数据处理和网络性能的要求越来越高，而且这些应用可能需要非常低的延迟。传统的云计算虽然有丰富的资源和计算能力，然而对于用户来说，云中心距离边缘设备距离较远，大量密集型任务的卸载，可能会造成网络的拥塞以及不小的传输时延使得用户的体验度下降。为了有效解决这些挑战，移动边缘计算(MEC)作为一种新的计算范式被提出，通过将云中心的计算资源和存储资源下沉到边缘服务器，移动基站作为MEC的一种主要形式，具有云计算和存储能力，能够代替云服务器处理终端用户的计算请求。如图1所示，一个5G支持的边缘计算系统由随机到来的大量异构任务、边缘服务器和云服务器组成。由于在边缘服务器上缓存哪些服务决定了可以卸载哪些任务到边缘服务器上执行，且边缘服务器的存储资源和计算资源均有限，不同的服务放置决策会显著影响边缘计算系统的性能。

对于服务放置问题而言，尽量降低所有任务的完成时延提高用户的服务质量是首要目标。不同的服务放置决策会引起不同的服务切换时延，任务处理时延，任务卸载时延。然而，服务放置的决策除了考虑任务完成的总时延外，还考虑边缘服务器存储资源和计算资源的制约。首先，边缘服务器的存储空间和计算能力是有限的。与此同时，考虑到计算任务的异构性(即不同应用产生的计算任务在数据量、计算量等方面具有较大差异)以及在没有完整的未来信息，如随机任务到达和动态网络条件的情况下，很难获得最优的服务放置策略。近年来，虽然有一些相关的工作对边缘计系统中的服务放置问题进行了研究，并提出了一些优化算法，但是它们大多考虑静态环境下离线的服务放置策略设计，或者考虑动态环境下未来的动态信息作为先验知识，去设计一个在线服务放置方法。

发明内容

本发明的目的是针对已有技术的不足，提供一种边缘计算系统中的在线服务放置方法，以实现在边缘计算系统中最小化所有计算任务的完成时延。该方法考虑不同服务提供服务的异构任务的随机到达，网络环境动态变化，没有未来动态信息作为先验知识，以及边缘服务器有限的存储空间和计算能力。

为了达到这个目标，本发明是通过以下技术方案来解决其技术问题的：

一种边缘计算系统中的在线服务放置决策方法，操作步骤如下：

步骤一，为边缘计算系统进行建模；

步骤二，为服务放置决策进行建模；

步骤三，卸载决策问题建模成马尔可夫决策过程；

步骤四，设计基于深度强化学习的在线服务放置算法。