[发明专利]一种基于轻量级学习的实时服务迁移方法

权利要求书

1.一种基于轻量级学习的实时服务迁移方法，其特征在于，包括以下步骤：

1)构建动态边缘网络模型；根据基础设施的通信能力划分区域，一个区域包含服务提供者和服务请求者，设定服务迁移在离散的时隙中执行，用户终端在用作服务请求者的同时也可以用作服务提供者，服务请求者生成的服务设定为可以部分迁移到其他设备上执行，服务的迁移执行过程分为输入、执行和输出三个步，服务请求者将迁移的部分分解为本地执行和迁移执行两个部分并行执行，以分散工作负载来提高工作效率降低成本；

2)分解服务迁移问题；将服务时延和迁移支付费用分别作为服务协作迁移性能和成本的指标，构建双目标优化问题；

3)基础设施基于观测到的全局状态做出最优匹配策略；

4)将专家数据集传给智能体以供智能体基于模仿学习训练智能体策略；

5)智能体基于专家数据集训练智能体策略，并基于元学习策略，加速更新模型过程，从而摆脱传统神经网络的学习成本降低传统学习负载，设定d个时隙为一个更新周期，每个更新周期将更新专家轨迹数据集并将其提供给分布式智能体以学习，每个设备都需要根据可观察到的信息独立学习策略并独立更新策略，以确保策略的准确性。

2.根据权利要求1所述一种基于轻量级学习的实时服务迁移方法，其特征在于：步骤1)具体包括构建服务时延和迁移支付费用；

1.1所述服务时延为，其中为本地执行时延，为迁移执行时延；

为本地计算时延，为本地获取数据包时延；

所述迁移执行时延为，

其中为两设备的通信时延，为设备的计算时延，为服务所需数据包的获取时延；

1.2所述迁移支付费用计算过程如下：

计算资源的租用单价随状态D_j(t)变化，其定义为：

其中参数κ代表价格系数，用于调整可用计算能力和剩余能量对单位租金的影响；

租金函数计算方式如下：

其中R^comp(t)为基础设施可用计算资源，1表示剩余可用能量始终充足，κ为价格因子，因此，相应的能耗计算为

其中γ_i(t)为服务S_i(t)的迁移率，为本地计算时延，e^comp为计算单位耗能百分比，为本地下载时延，e^down为下载单位耗能百分比，为通信时延，e^comm为通信单位耗能百分比。

3.根据权利要求1所述一种基于轻量级学习的实时服务迁移方法，其特征在于：步骤2)所述优化问题P1为

P1：

其中表示执行时隙长度，α_ij(t)表示服务迁移设备决策变量，β_ijh(t)表示服务数据包获取决策变量，γ_i(t)为服务迁移率决策变量，T_i(t)为设备执行时隙，P_i(t)为资源租赁费用，S为待执行的服务请求总数，P1约束于

C6：γ_i(t)∈[0，1]，

约束C1确保服务的执行时延不能超过其可容忍的时延，以保证用户的体验质量，其中T_i(t)为服务执行时延，为K_i类服务的可容忍时延；约束C2保证每个服务的迁移部分都需要在可通信的时间内完成，其中为服务迁移执行时延，为两设备间可通信时延；约束C3确保每个服务提供者不应耗尽其剩余能量，以防止因能量耗尽导致服务中断，其中为设备剩余能量，为执行能耗，D_i(t)和分别表示设备和设备集合；C4限定了设备与基础设施的通信能力上限，α_ij(t)为设备迁移决策变量，R^ch(t)为信道数量上限；约束C5约束了二元决策变量取值，α_ij(t)和β_ijh(t)分别为设备迁移和服务数据包获取方式的决策变量，n_t为设备总数；C6说明了服务迁移率γ_i(t)的取值范围，约束C7说明当迁移率γ_i(t)＝0时，没有服务提供者提供协作时，即