[发明专利]一种基于混合模型的优化边缘云资源的分配方法及系统

说明书

本发明公开了一种基于混合模型的优化边缘云资源的分配方法，包括如下步骤：收集边缘云设备和边缘云业务的特征数据，并对特征数据进行转换；将转换后的特征数据输入多层感知机进行训练，同时利用基于梯度下降的BP算法进行优化训练得到带宽跑量预测模型；根据带宽跑量预测模型所预测的带宽跑量计算平均带宽利用率、毛利和毛利率，利用NSGA‑II遗传算法和DQN算法求解平均带宽利用率、毛利和毛利率最大化的目标优化问题得到最优资源分配方案。本发明解决了混部问题，最优化了资源综合利用率。

技术领域

本发明属于边缘云计算技术领域，具体涉及一种基于混合模型的优化边缘云资源的分配方法及系统，不仅能应用到边缘云场景，而且能复用到中心云、IDC、CDN、终端设备等多个场景进行优化云资源分配部署。

背景技术

边缘云的超低时延、海量数据、边缘智能等特性使得边缘云迅速发展，也使得边缘云计算成为构筑在中心云与终端之间的重要组成。在边缘云计算场景下，如何充分利用计算资源，在有限的资源上尽可能提供更多的服务能力，是边缘云计算服务的核心能力之一。一个好的边缘云资源分配方法，通过将各种类型的业务(计算、存储、流量等)混合部署，充分利用业务的资源偏好、时间偏好的差异，可以提升各类资源的利用率，从而带来更多营收。

现有的云资源分配方法只关注同构的中心云资源在分配不同业务情况下的收益表现，解决不了边缘云设备异构复杂、业务多变的实际边缘云场景，具体来说具有以下的缺点：能够面向的场景相对单一，边缘云设备资源极其异构，业务在边缘云设备上的收益(如带宽跑量、收入等)表现受到服务器本身属性，部署地域、业务特征、人口、时空等等各种复杂因素的影响；业务需求固化，现有分配方案基于单一的最优化算法或打分模型，在进行资源分配时假设业务需求固定或遵循上一时间周期的规律，导致需求偏差，降低分配方案在实际应用中的效果，产生滞后性；优化目标相对单一，边缘云资源的分配效果需要多维度的衡量，如资源利用率，收益(收入)，毛利，收益率等；边缘云的混部问题，由于边缘云的性能异构，有些边缘云设备能提供的资源超过单一业务的需求，这时就产生了在同一设备商部署多类业务的混部需求，这大大提高分配方法的设计难度。

发明内容

由于边缘云设备的异构复杂和业务多变的特性，使得传统云资源分配方案无法适应现有异构性设备且无法满足边缘云上的业务混部，本发明提出了一种基于混合模型的优化边缘云资源的分配方法及系统，解决了常规的云资源分配方案主要基于对已知的业务需求进行分配所产生的滞后性，边缘云设备资源所带来的异构性及边缘云上的业务混合部署也即混部问题。为解决以上技术问题，本发明所采用的技术方案如下：

一种基于混合模型的优化边缘云资源的分配方法，包括如下步骤：

S1，收集边缘云设备和边缘云业务的特征数据，并对特征数据进行转换；

S2，将转换后的特征数据输入多层感知机进行训练，同时基于梯度下降的BP算法进行优化训练得到带宽跑量预测模型；

S3，根据带宽跑量预测模型所预测的带宽跑量计算平均带宽利用率、毛利和毛利率，利用NSGA-II遗传算法和DQN算法求解平均带宽利用率、毛利和毛利率最大化的目标优化问题得到最优资源分配方案。

所述步骤S1包括如下步骤：

S1.1，收集边缘云设备和边缘云业务的特征数据，并对收集到的特征数据进行预处理；

所述特征数据包括任务id、带宽类型、NAT类型、运营商类型、计费规则、带宽、cpu线程数、内存、带宽压测满意度、丢包压测满意度和历史带宽，其中，任务id、带宽类型、NAT类型、isp运营商和计费规则为离散型特征数据，其余数据为连续型特征数据；

S1.2，利用Min-Max标准化方法对预处理后的连续型特征数据分别进行转换得到无量纲特征序列；

S1.3，使用one-hot编码方法对离散型特征数据进行编码转换。