一种联合边缘服务器部署与服务放置的方法

边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES),并将服务放置在ES上,从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多,但两者存在高度耦合关系。考虑到EC系统的收益,有必要提供付费服务,使得EC系统处理用户服务请求时会获得相应收入。同时,EC系统处理用户服务请求时会产生时延和能耗成本,为了最大化EC系统的收益,在用户服务请求和服务价格不同的约束下,需要合适的服务放置方案来提高EC系统的收益。为此,在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下,提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法,使EC系统的收益最大化。首先,构建一个联合ES部署和服务放置模型,其中ES部署明确考虑了基站之间的位置关系,服务放置明确考虑了ES部署的位置,以及不同的服务请求和价格;然后,基于基站的位置关系和基站的服务请求负载,通过带约束的k-means算法,在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域;最后,以最大化EC系统收益为目标,通过多智能体强化学习算法在ES上放置服务。实验结果表明,与对比方法相比,所提方法能够提高收益7%~23%。

面向动态边缘网络的数字孪生自适应联合优化部署

在数字孪生赋能的移动边缘计算(Mobile Edge Computing,MEC)网络中,如何实现数字孪生服务器的高效部署是确保数字孪生实时交互性的瓶颈问题。针对该问题,提出一种面向动态边缘网络的数字孪生自适应联合优化部署机制。首先,该机制构建面向动态边缘网络的双层数字孪生模型以实时捕捉MEC网络状态和UE资源利用情况等特征。然后,联合数字孪生交互时延模型、负载均衡模型和能源消耗模型建立数字孪生服务器自适应动态更新部署问题。最后,提出多阶段自适应动态联合部署优化算法,将数字孪生服务器自适应动态更新部署问题分解为数字孪生服务器初始化部署和自适应动态更新部署两阶段优化求解,以实现部署策略随MEC网络的即时系统状态进行自适应动态调整。仿真分析验证了所提出算法在预测精度、交互时延、工作负载和能耗方面的有效性。

基于成本感知的边缘服务器部署方法

针对移动边缘计算(mobile edge computing,MEC)中边缘服务器(edge server,ES)供应商的成本预算问题,建立一种以最小化时延和部署成本为目标的数学模型。通过归一化方法将其转化为单目标优化问题,提出一种基于交叉算法的鲸鱼优化算法的边缘服务器部署方法;采用精英反向学习策略构造新种群,提高种群的多样性和全局收敛速度;采用改进的非线性收敛因子平衡算法的整体开发能力和局部探索能力;利用纵横交叉策略提高算法跳出局部最优的能力。使用上海电信基站的真实数据集进行仿真,其结果表明,与其它4种算法相比,该算法在时延和部署成本方面的表现均优于其它算法,系统成本下降了42.1%。

车联网中基于多智能体强化学习的边缘服务器选址策略

为解决车联网环境下边缘服务器选址难的问题,提出一种基于多智能体强化学习的边缘服务器部署策略(记为CKM-MAPPO),重点优化边缘服务器间的负载均衡,同时最小化边缘服务器的时延和能耗。首先,使用Canopy和K-means算法确定边缘服务器部署的数量和初始位置;然后,基于多智能体强化学习算法确定边缘服务器的最优部署位置;最后,通过一系列实验评估所提出算法的准确性和有效性。研究结果表明:与基准算法相比,本文提出的方法的负载均衡度提升了26.5%,时延和能耗分别降低了12.4%和17.9%。

算力网络下的算力边缘服务器部署算法

算力边缘服务器部署问题是构建算力网络的基础性问题。在实践过程中,算力边缘服务器靠近算力资源并为其加入算力网络提供接入服务。然而,算力资源的整体结构往往由现实需求所决定,并时刻随需求的变化而变化。在算力边缘服务器资源有限的情况下,如何合理部署算力边缘服务器,使得其能够保障算力网络有效地建设已成为当前各界所关注的热点。首先,对算力边缘服务器部署问题进行分析,并将其转换为带约束的多目标优化问题。针对该问题,提出一种改进型遗传算法予以解决。该算法优点在于:寻找无重复可行解作为初始种群,为选择操作提供了更多挑选的余地;选择时,采用个体均衡选择策略,保证了迭代群体的多样化与分散化;交叉和变异时,分别采用不同种类的随机两点交叉与轮流随机单点变异的策略,从而保障了新生种群的多元性与多样性。实验从算力资源总量偏差率、负载平衡误差率、收敛率、期望最优解误差率四个方面验证,该算法适合应用于算力边缘服务器的部署。

一种基于加权K⁃means的边缘服务器部署方案

随着5G时代的到来,移动边缘计算(MEC)在移动网络的RAN侧提供计算、资源存储和IT服务等系统功能,实现高带宽、低时延的业务支撑和本地管理。从长远角度来看,边缘服务器的合理部署可以提高MEC的服务质量,节省运营商的成本,降低网络资源的浪费。为此,文中提出一种加权K⁃means算法来优化边缘服务器的部署问题。所提方案根据基站侧的日统计流量计算不同区域范围内移动终端的权值,通过目标方程和约束进行算法设计。在实验阶段,分别通过加权K⁃means算法、传统K⁃means算法和随机选择的方法得到边缘服务器的部署位置。在不考虑传输链路异常等情况下,基于不同服务器个数和测试时段,分别计算移动设备与边缘服务器的响应时延。评估结果表明,在相同的移动终端分布和资源分配的条件下,相较于传统K⁃means算法和随机选择方法,所提方案能够提供更好的部署位置,减少设备的响应时延。

基于时延与能量感知的边缘服务器放置方法

针对移动边缘计算中无线城域网环境下的边缘服务器放置(WESP)问题,建立时延和能耗模型并将WESP问题转化为带约束条件的单目标优化问题,进而提出一种基于混沌麻雀搜索算法的边缘服务器放置方法。使用精英反向学习策略初始化种群,增加初始种群的多样性,加快算法搜索速度。通过设计新的个体编码方式准确描述WESP问题,优化算法更新过程。采用逻辑混沌映射策略改进麻雀个体,保证迭代后期的种群多样性,加快算法收敛速度。仿真结果表明,与主流放置方法相比,该方法在时延和能耗优化方面表现突出,并且系统开销下降了18.1%。

智能工厂中边缘服务器的部署方法研究

为提高智能工厂系统中数据处理服务的时效性,提出了一种将边缘计算服务器部署在靠近终端设备层的策略。采用Gap-statistic++算法对比待分类样本数据集与参考数据集在不同分类数时的离散程度之差,将最大差值对应的分类数作为最佳边缘服务器数量。以服务时延和负载均衡构建目标函数,运用K-means++算法得出初始簇类,构建以计算时间为权值的边缘服务器与簇的有权二分图,利用匈牙利算法找出最小匹配,得到目标函数最小值,从而达到最优部署。对智能工厂的智能终端设备分布数据集进行仿真实验,结果表明该算法能够使系统实现最小化服务时延和整体的负载均衡。

RIA流媒体交互系统安全措施——边缘服务器部署

文章从边缘服务器的安全作用,客户计算机、边缘服务器和源服务器的工作关系,边缘服务器在DMZ中部署,边缘服务器的集群方式,配置Flash Media Server边缘服务器,建立边缘服务器集群,管理和维护边缘服务器集群等几个方面阐述了RIA流媒体交互系统安全措施的边缘服务器部署。