CN107919986A

CN107919986A - 超密集网络中mec节点间vm迁移优化方法

Info

Publication number: CN107919986A
Application number: CN201711098566.2A
Authority: CN
Inventors: 张鹤立; 杨腾; 纪红; 李曦
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2017-11-09
Filing date: 2017-11-09
Publication date: 2018-04-17
Anticipated expiration: 2037-11-09
Also published as: CN107919986B

Abstract

本发明属于无线通信技术领域，具体涉及一种超密集网络中移动边缘计算节点间VM迁移优化方法。所应用的超密集网络，包含网关节点、聚合节点和边缘节点；在MEC节点的VM需要迁移时，首先计算初始化特征，根据预测的用户的迁移时间，计算用户在同一个网关节点范围内活动时与VM进行交互所产生的能耗，能耗包括数据传输到目的节点的能耗W^mig、数据传输到源节点的能耗W^pre、以及用户位置变化时在三种节点覆盖区域与VM连接进行数据传输的能耗W^after；其次建立最优收益模型；最后求解最优收益模型，选出最优的VM迁移策略。本发明方法可以实现特殊场景下的VM的灵活迁移功能，有效地降低***的能量消耗，提高迁移效率；合理进行资源搭配，满足了用户服务要求。

Description

超密集网络中MEC节点间VM迁移优化方法

技术领域

本发明属于无线通信技术领域，具体涉及一种超密集网络(ultra-densenetwork,UDN)中移动边缘计算(Mobile Edge Computing,MEC)节点间VM(虚拟机)迁移优化方法。

背景技术

近年来，无线服务的需求迅速增长，根据业界内预测，不久的未来无线服务需求还将有千倍的增长，现有的接入网服务设备难以满足日益增长高速需求，异构蜂窝(smallcell)的密集部署成为这一问题最为关键的解决方案。与此同时，为了适应密集蜂窝的灵活性和降低成本，无线传输方案成为蜂窝通过网关节点与核心网络相连的重要选择。此外，不同波段的无线回程，诸如非视距传播(低于6GHz)和点对点的直线毫米波传播，能够满足特定情况下的无线传输。无线回程技术已经成为蜂窝部署的回程解决方案之一。

新型的应用和云服务，对资源的传输时延和计算时延均有严格的要求，进而对云和边缘计算服务器的放置以及传输条件也有着苛刻要求。将边缘计算服务器部署在蜂窝节点，更加靠近用户，可以提供充足的传输和计算资源。但将服务器部署在蜂窝节点，不可避免地减少了服务器的覆盖范围，用户的移动性更加频繁和复杂，VM迁移会更加频繁，尤其是在异构的蜂窝之间。异构的回程链路更加复杂，VM迁移技术需要考虑这些新型因素，以减少***的能耗、时延和优化吞吐量，保证***整体的服务效率。

迁移位置的选择以及迁移方式是当前的VM迁移技术主要研究工作。多用户情况下，用户的资源占用是一个均衡问题，在VM迁移时，不仅考虑相关服务器的工作负载状况，即服务器上其他用户的工作状况，也要考虑传输状况和用户的移动性。VM迁移由于要考虑VM组件和内存更新的情况，在迁移过程中要有内存转移和计算的代价，迁移收益成为VM迁移的主要决定条件。为了提高迁移的收益，移动性预测和成本预测成为新的影响因素。此外，通过迁移方式的改变来减少迁移时间，比如通过压缩算法实现传输较少数据量等方式和通过内存预迁移的模式来减少VM中断时间，来减少迁移代价，从而不仅可以减少执行时延，同时也可以增加***的吞吐量，减少***负载的压力。

文献[1](L.Tong,Y.Li and W.Gao,"A hierarchical edge cloud architecturefor mobile computing,"IEEE INFOCOM 2016-The 35th Annual IEEE InternationalConference on Computer Communications,San Francisco,CA,2016,pp.1-9.)中建立了异构的MEC服务器框架，分层的框架，可以提供更加灵活的服务，保证资源的合理利用和用户的服务卸载效率，解决了边缘服务器的在任务量在不同时间变化下的部署问题，但没有具体的讨论此种情况的回程链路和VM迁移问题。

文献[2](M.N.Islam,A.Sampath,A.Maharshi,O.Koymen and N.B.Mandayam,"Wireless backhaul node placement for small cell networks,"2014 48th AnnualConference on Information Sciences and Systems(CISS),Princeton,NJ,2014,pp.1-6.)中讨论了一种部署在密集网络中的无线回程节点，这种回程方式利用不同的波段进行节点间的通信，使得小区能够灵活部署，解决了在城市中的垂直节点的部署问题，但没有结合其他应用场景，比如MEC计算资源的部署，以及VM迁移相关的部分。

在超密集网络场景下，接入节点部署密集，边缘计算服务器也越来越靠近用户，其服务范围也在变小，随着用户的移动，边缘服务器上虚拟机需要迁移到合适的节点，才能保证用户的服务效率和网络中的能量消耗，现有的VM迁移没有考虑到异构网络的部署特性；此外，许多节点的部署需要很高的灵活性，无线回程成为了场景中的回程技术选择，不同的波段的发射的功率和传输速率也不相同，这些在VM迁移中也需要被考虑。

发明内容

本发明针对目前超密集网络场景下VM迁移没有考虑异构网络的特性，为了减少超密集网络中的能量消耗，提高VM迁移效率，引入小区的异构场景，提供了一种超密集网络中MEC节点间VM迁移优化方法。

本发明提供的超密集网络中MEC节点间VM迁移优化方法，所应用的超密集网络中，包含网关节点、聚合节点和边缘节点，三类节点的覆盖范围从大到小，各异构的接入点带有MEC服务器，MEC节点是指部署有MEC服务器的节点，在MEC节点的VM需要迁移时，执行如下步骤：

首先，计算初始化特征，包括：根据预测的用户的迁移时间计算用户在同一个网关节点范围内活动时与VM进行交互所产生的能耗，能耗包括数据传输到目的节点的能耗W^mig，数据传输到源节点的能耗W^pre，以及用户位置变化时在三种节点覆盖区域与VM连接进行数据传输的能耗W^after；

能耗W^after分为三个阶段：第一阶段，用户位于VM所在的边缘节点A的覆盖范围下，该阶段用户与VM进行数据传输的能耗为第二阶段，用户在边缘节点B的覆盖范围下，边缘节点A和B在同一个聚合节点下，该阶段用户与VM进行数据传输的能耗为第三阶段，用户移动到边缘节点C，边缘节点A和C在同一个网关节点下，该阶段用户与VM进行数据传输的能耗为

其次，建立最优收益模型：

其中，表示VM的数量，ψ表示网络中节点的集合；g(l)取值为1时，表示VM迁移到节点l上，g(l)取值为0时，表示VM未迁移到节点l上；D_k表示VM k需要占用的资源；M_l表示节点l的资源总量。

最后，求解最优收益模型，选出最优的VM迁移策略。

相对于现有技术，本发明的优点和积极效果在于：

(1)本发明方法可以实现特殊场景下的VM的灵活迁移功能，结合了无线回程、用户的移动性预测等技术，根据仿真结果可以看出，本发明方法能有效地降低***的能量消耗，提高迁移效率；

(2)本发明方法考虑了超密集网络场景中的不同节点的覆盖范围，根据节点覆盖范围的大小，综合考虑资源部署、用户的移动特性和需求、信道状况等多种因素，为需要迁移的VM选择合适的节点，合理进行资源搭配，保证了计算的需求，满足了用户服务要求。

附图说明

图1是一个超密集网络的***模型示意图；

图2是本发明提供的VM迁移优化方法主要流程示意图；

图3是不同方案在用户数量线性增加的能耗变化图；

图4是应用本发明方法时不同类型节点随用户增加的能耗收益变化图；

图5是应用本发明方法时不同类型情况下平均用户的能耗收益变化图；

图6是应用本发明方法时不同类型节点随VM的均内存占用量的能耗收益变化图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

超密集网络中MEC节点间VM迁移优化问题，是一个多服务器多用户的问题，在VM迁移过程中，由于VM有多种位置的选择，并且多用户变化是复杂和随机的，完全优化的情况下，则变成一个纳什均衡问题，其复杂度会大幅的增加，在极短时间内会难以计算，基于VM动态迁移的能耗优化策略是一个简化算法，本发明方法将把收益最大化作为优化目标。这种目标方程有一定的资源占用量，也产生了对应的价值，可以把这个选择问题转化为背包问题，利用动态规划进行求解。由于MEC服务器的异构性，改进的分布式动态规划能够保证服务的收益最大化，也能够保证单个MEC过载的问题，保证用户的服务质量。

如图1所示，为一个超密集网络模型，网关节点(Gateway Nodes,GN)位于建筑物的顶端，其特殊功能是通过光纤通信接入核心网络。聚合节点(Aggregator Nodes,AN)位于部署蜂窝的建筑物的顶端，一方面可以连接到网关节点，并通过网关节点进入核心网。边缘节点(Edge Nodes,EN)位于建筑物内部，此节点直接为用户提供网络服务。三种节点负责不同的任务，其不同的覆盖范围，决定其服务器大小部署。本发明方法所应用的超密集网络中，各接入点都布置有MEC服务器，本发明所述的MEC节点是指部署有MEC服务器的节点，例如图1所示，包括异构的网关节点、聚合节点和边缘节点，三者信号覆盖范围依次减小。

本发明的超密集网络中MEC节点间VM迁移优化方法，针对单一用户时，针对用户的移动特性，选择合适的节点进行VM迁移，能够提高VM的工作效率，减少因VM迁移所产生的中断情况，并且可以减少总体的能量消耗。针对多用户的情况，则需要考虑资源占用等情况，调整VM迁移的位置，保证整体收益。

迁移过程中，为了保证用户的QoS，用户设备仍然要与初始位置的VM保持正常的工作状态，VM迁移时间越长，能耗越多，相对来说迁移的频率也会降低。本发明方法首先基于用户的移动特性对用户移动的时间进行合理预测，然后计算出迁移的能量消耗，根据计算结果进行分配，再对各节点进行优化选择，得出最佳结果。

节点i到节点j间的功率p_i,j可以通过香农公式求解得出，如下：

其中，r是传输速率，N₀是信道噪声，w表示信道带宽，g_i,j表示链路增益。

为VM迁移的总时间，在传输速率固定的情况下，迁移时间满足以下公式：

其中，M_k,0代表标号为k的VM的初始内存大小，VM的标号按照自然数顺序编号；R是VM迁移的数据传输速率，在这里被设为固定的值；D_k是脏页率，表示内存的生成速率，其中必然满足R＞D_k，否则迁移过程无法收敛，VM预迁移恶化，极度占用服务器资源；M^th是脏页阈值，达到阈值，则进入切换阶段。

下面结合图2来说明本发明VM迁移优化方法的一个实现流程。

步骤一：首先判断VM是否需要迁移。若用户的计算数据量不足够大，或者目的服务器的资源不足，则不需要进行迁移操作。若需要迁移，则调取用户的移动特性。

步骤二：初始化特征计算。异构节点导致VM有多个位置可以放置，当用户移动到一个位置时，这个位置都会在三种不同的节点覆盖范围内，理论上VM可以迁移到这三种节点的任一节点，但需要选择最佳收益的。本发明针对每个任务(即VM)在覆盖用户的所有不同类型节点，都要计算在不同节点的能量消耗速率，并根据用户的移动特性，对迁移能耗进行预估，然后计算出相对的收益，根据收益大小将VM分配到最优的MEC服务器节点。VM在迁移过程中，需要保证链路的连通，并需要保证一定的传输速率，这段时间的消耗与上述的迁移时间有直接的关系。

W^mig表示VM迁移过程中，VM所包含的配置文件和必须的数据缓存传输到目的节点所消耗的能量。

f(x)为归一化函数，当x＝0时，f(x)＝0，当x≠0时，f(x)＝1。

φ_k＝(i,j,z)表示虚拟机k的位置，i表示VM所在节点的网关节点序号，j是VM所在节点的聚合节点序号，z表示VM所在节点的边缘节点序号，若VM不在边缘节点上，那z为0，若也不在聚合节点上，那j为0，i是网关节点代号，不会为0，VM不一定在边缘节点或聚合节点服务器上，但一定会在某一个网关节点覆盖下，其中为不同类型节点的代号，上标t+1和t代表两个不同的时间段，t表示上一个时段，一般代表VM的源节点位置，t+1代表用户当前所在位置。分别代表VM在上一时刻和当前时刻所在的边缘节点，分别代表VM在上一时刻和当前时刻所在的聚合节点，分别代表VM在上一时刻和当前时刻所在的网关节点。以为例，若为1，表明VM k在t时刻在代号为的边缘节点上运行。

VM的迁移涉及四种节点间迁移，包括边缘节点与聚合节点之间的迁移，聚合节点和网关节点之间的迁移。设en代表边缘节点，an代表聚合节点，D表示目的，R代表源。表示任务k从聚合节点向边缘节点传输时的能耗功率，表示任务k从网关节点向聚合节点传输时的能耗功率，表示任务k从聚合节点向网关节点传输时的能耗功率，表示任务k边缘节点向聚合节点传输时的能耗功率。表示任务k光纤传输的能耗功率。

VM迁移过程中计算数据传输消耗的能量W^pre，代表迁移时间内计算数据仍需要传输至源服务器，传输能耗为：

VM迁移完成后，用户的位置发生变化，其位置可以分为三个类型的区域，因此消耗也可以分为三个阶段，计算数据传输的消耗W^after：

1)第一阶段，时间为这一阶段是用户在初始边缘节点的能耗时间，用户的能量消耗：

其中，T表示时间，设T_{tier_3}、T_{tier_2}、T_{tier_1}分别表示用户在与VM同一个边缘节点、同一个聚合节点、同一个网关节点下的预测停留时间。表示VM迁移所需的时间。由公式(5)可知，若VM迁移到边缘节点，此时为0，表示VM在边缘节点就可以为用户服务，节点之间没有能量消耗；若迁移到聚合节点或者网关节点，此时节点之间需要数据传输，有能量消耗。

2)第二阶段，时间为T_{tier_2}-T_{tier_3}，这一阶段是用户在相同聚合节点但不同边缘节点的能耗时间，用户离开了原边缘节点，但仍在同一个聚合节点覆盖范围内，这一阶段的能量消耗：

其中，en’表示位于与边缘节点en同一个聚合节点an下的另一个边缘节点。表示任务k从聚合节点向另外一个边缘节点en’传输时的能耗功率。

3)第三阶段，时间为T_{tier_1}-T_{tier_2}，表示用户在相同的网关节点但不同的聚合节点的能耗消耗时间。这个阶段是网关节点的覆盖范围下，所以也不用考虑VM再次迁移的情况。其能耗为：

其中，en”表示用户位置在同一个网关节点范围内的另一个聚合节点范围的边缘节点下，an’表示同一个网关节点范围下的另一个聚合节点。

通过本步骤的初始化特征计算，根据用户的预测时间，判断用户在同一个网关节点范围内活动时，与VM进行交互所产生的能耗。

步骤三：分布最优收益计算。在初始化计算完成后，任务被预分配到相应的阶段，节点根据自身的资源量、用户的占用空间和价值，计算总的收益如下：

其中，表示用户或者VM的数量，用户和VM是一一对应的。ψ表示所有节点的集合。g(l)表示VM是否迁移到节点l上，M_l表示节点l的资源总量。D_k表示用户k或VM k需要占用的资源。公式(8)中的限制条件是，保证一个节点上的VM占用的资源不超该节点的资源最大值。

本发明将VM没有迁移的能耗W^static作为基准线，可以通过更改W^pre条件求出，公式如下：

VM k的基准能耗为根据公式(9)获得，设则将的差值作为收益目标，计算最优收益的目标表达式可以转化为：

由于服务器分布存在，想求出整体最优解，其计算复杂度和时间消耗非常高，因此本发明的目标为求出次优解，即每个服务器通过动态规划递归地求出局部最优解，其迭代的核心公式如下：

W(n,m)＝max{W(n-1,m),W(n-1,m-D_n)+w_k} (10)

其中，n是迭代次数，m是节点上MEC服务器的资源占用量，设该服务器的资源可被占用量的最大值为M。w_k是单个VM k的预计收益，通过这种方式可以求出最大收益。

步骤四：循环补缺计算。步骤三中没有资源存放的VM将选择更高层的服务器节点，在原来的基础上在进行一次求解，进行再次迭代求解。

本发明提出可一种基于异构节点的VM迁移方案，首先介绍了网络***模型，紧接着描述了VM迁移场景和具体的放大，最后给出性能仿真。所提出的方法能有效的减少***的能量消耗，同时提升了用户的服务质量。

实施例：

考虑如下场景：两个网关节点、四个聚合节点和十二个边缘节点。如表1，本实施例选择了5.8GHz带宽作为超视距传输，选择60GHz作为直线视距。设定最大用户数为10000个，其传输速率的要求满足正态分布N(300Mbps,100Mbps)，其资源占用量随机分布，其范围为[5,20]；脏页率为[10,20]k/s，迁移数据的传输速率定为200Mbps，高斯噪声为10⁴，用户在三个节点下的时间随机生成，生成规则为T_{tier_1}∈(T_{tier_2},3T_{tier_2})，T_{tier_2}∈(T_{tier_1},3T_{tier_1})，T_{tier_3}∈(0,7200)s。

表1 5.8GHz与60GHz无线信道特征表

特征	5.8GHz	60GHz
			雨致衰落(dB)	0	10
氧吸收(dB)	0	15
			信道增益(dB)	17	38
最大传输功率(dBm)	19	25
			衰落余量(dB)	15	25
信道带宽(MHz)	40	160
			信道数	6	6

对上面场景，对VM采用本发明方法、随用户迁移方案和不迁移方案来进行仿真实验。图3给出了三种不同的方案在用户数量线性增加的能耗变化图，其中本发明方法的曲线采用的是选择迁移策略。这个图主要体现在不同用户的情况下，其总能量消耗总趋势是逐渐增加的，其中不迁移方案的状态，几乎处于线性状态，选择迁移比不迁移要有比较好收敛，但在用户量增大到一定程度才有更好的表现。总的来说，在正常情况下，本发明方法具有很好的节约能耗的效果。

图4是优化策略中，能耗随着用户数量的每一类的MEC服务器的能量总收益变化图。其相对于不迁移状态，其中收益最多的是边缘节点，因为边缘节点作为最为接近用户的节点，若用户的特征属于长时间处于某地时，若VM迁移到边缘节点上，此时能量消耗速率是最低的，所以迁移到边缘节点上的VM的收益最大，成为总收益中的主要部分，所以边缘节点的部署成为关键。

图5表示平均每个用户的能耗变化，随着用户的增加，不同服务器节点上的收益不断减少，这是由于用户的增加，其资源的冲突，造成某些VM进行二次选择服务器，其收益必然下降。这两点都表明想要更好的取得减少能耗的效果，需要部署更多合适的边缘节点，并且需要有更多的资源满足VM灵活的迁移。

图6中，展示了随着VM的均内存占用量的能耗收益变化图。随着VM的资源量的增加，不同类型服务器的能耗收益都有所减少。在不同类别的服务器上，网关节点的能耗最大，体现出用户的移动性的比较高，其VM迁移的位置覆盖范围越大，则收益越高，因此，在服务器资源部署时，覆盖范围大的节点，比如网关节点，可以部署更多的资源,但其传输的距离边长，有可能会牺牲一部分的传输时延，从而降低任务的计算速率。

Claims

1.一种超密集网络中MEC节点间VM迁移优化方法，其特征在于，所应用的超密集网络中包含网关节点、聚合节点和边缘节点，各节点部署有MEC服务器，其中，将部署有MEC服务器的节点称为MEC节点，MEC表示移动边缘计算，VM表示虚拟机；

所述的方法，在MEC节点的VM需要迁移时，执行如下步骤：

首先，计算初始化特征，包括：根据预测的用户的迁移时间计算用户在同一个网关节点范围内活动时与VM进行交互所产生的能耗，能耗包括数据传输到目的节点的能耗W^mig，数据传输到源节点的能耗W^pre，以及用户位置变化时在三种节点覆盖区域与VM连接的能耗W^after；

其次，建立最优收益模型，如下：

g(x)∈(0,1)

其中，表示VM的数量，ψ表示网络中节点的集合；g(l)表示VM是否迁移到节点l上，取值为1表示迁移到，取值为0表示未迁移到；D_k表示VM k需要占用的资源；M_l表示节点l的资源总量；

最后，求解最优收益模型，选出最优的VM迁移策略。

2.根据权利要求1所述的方法，其特征在于，所述的用户的迁移时间根据下面公式计算获得：

其中，M_k,0代表标号为k的VM的初始内存大小；R为VM迁移的数据传输速率；D_k是脏页率；M^th是脏页阈值。

3.根据权利要求1所述的方法，其特征在于，所述的数据传输到目的节点的能耗W^mig根据下面公式计算获得：

其中，f(x)为归一化函数，当x＝0时，f(x)＝0，当x≠0时，f(x)＝1；

设φ_k＝(i,j,z)表示虚拟机k的位置，i表示VM所在节点的网关节点序号，j表示VM所在节点的聚合节点序号，z表示VM所在节点的边缘节点序号；表示当前时刻VM k所在的边缘节点；表示当前时刻VM k所在的聚合节点；分别表示上一时刻VM k所在的边缘节点、聚合节点；

表示任务k从聚合节点向边缘节点传输时的能耗功率，表示任务k从网关节点向聚合节点传输时的能耗功率，表示任务k从边缘节点向聚合节点传输时的能耗功率，表示任务k从聚合节点向网关节点传输时的能耗功率，表示任务k的光纤传输的能耗功率。

4.根据权利要求1或3所述的方法，其特征在于，所述的能耗W^pre根据下面公式获得：

其中，表示任务k从聚合节点向边缘节点传输时的能耗功率，表示任务k从网关节点向聚合节点传输时的能耗功率，表示任务k从边缘节点向聚合节点传输时的能耗功率，表示任务k从聚合节点向网关节点传输时的能耗功率，表示任务k的光纤传输的能耗功率，分别表示上一时刻VM k所在的边缘节点、聚合节点；f(x)为归一化函数，当x＝0时，f(x)＝0，当x≠0时，f(x)＝1。

5.根据权利要求1或3所述的方法，其特征在于，所述的消耗W^after根据用户的位置变化分为三个阶段，设T_{tier_3}、T_{tier_2}、T_{tier_1}分别表示用户在与VM同一个边缘节点、同一个聚合节点、同一个网关节点下的预测停留时间；

(1)第一阶段，时间为能耗为：

其中，分别表示当前时刻VM k所在的网关节点、聚合节点、边缘节点；f(x)为归一化函数，当x＝0时，f(x)＝0，当x≠0时，f(x)＝1；表示任务k从网关节点向聚合节点an传输时的能耗功率，表示任务k从聚合节点an向边缘节点en传输时的能耗功率；

(2)第二阶段，时间为T_{tier_2}-T_{tier_3}，能耗为：

<mrow> <msubsup> <mi>W</mi> <mn>2</mn> <mrow> <mi>a</mi> <mi>f</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>e</mi> <mi>r</mi> <mo>_</mo> <mn>2</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>T</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>e</mi> <mi>r</mi> <mo>_</mo> <mn>3</mn> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>(</mo> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>D</mi> </mrow> <mrow> <msup> <mi>en</mi> <mo>&prime;</mo> </msup> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>D</mi> </mrow> <mrow> <mi>a</mi> <mi>n</mi> </mrow> </msubsup> </mrow> <mo>)</mo> <mo>+</mo> <mo>(</mo> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>D</mi> </mrow> <mrow> <msup> <mi>en</mi> <mo>&prime;</mo> </msup> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow>

其中，表示任务k从聚合节点an向另外一个边缘节点en’传输时的能耗功率，节点en’与en同在聚合节点an下；

(3)第三阶段，时间为T_{tier_2}-T_{tier_3}，能耗为：

<mrow> <msubsup> <mi>W</mi> <mn>3</mn> <mrow> <mi>a</mi> <mi>f</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>e</mi> <mi>r</mi> <mo>_</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>T</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>e</mi> <mi>r</mi> <mo>_</mo> <mn>2</mn> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>(</mo> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>D</mi> </mrow> <mrow> <msup> <mi>en</mi> <mrow> <mo>&prime;</mo> <mo>&prime;</mo> </mrow> </msup> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>D</mi> </mrow> <mrow> <msup> <mi>an</mi> <mo>&prime;</mo> </msup> </mrow> </msubsup> </mrow> <mo>)</mo> <mo>+</mo> <mo>(</mo> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <msubsup> <mi>&phi;</mi> <mi>k</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <msubsup> <mi>P</mi> <mrow> <mi>k</mi> <mo>,</mo> <mi>D</mi> </mrow> <mrow> <msup> <mi>en</mi> <mrow> <mo>&prime;</mo> <mo>&prime;</mo> </mrow> </msup> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow>

其中，表示任务k从聚合节点an向另外一个边缘节点en”传输时的能耗功率，节点en”与en在同一个网关节点下的不同聚合节点下；表示任务k从网关节点向聚合节点an’传输时的能耗功率，节点an’和an同在一个网关节点下。

6.根据权利要求1或3所述的方法，其特征在于，所述的最优收益模型在求解时，各VM将没有迁移的能耗作为基准能耗；

基准能耗T_{tier_1}表示用户在与VM同一个网关节点下的预测停留时间；

对于用户k，设其基准能耗为与VM进行交互所产生的总能耗

将的差值作为收益目标，则将计算最优收益的目标表达式转化为：

7.根据权利要求6所述的方法，其特征在于，所述的最优收益模型在求解时，通过对每个节点动态递归地求出局部最优解来实现；

设某节点第n次迭代时的能耗W(n,m)＝max{W(n-1,m),W(n-1,m-D_n)+w_k}；

其中，n是迭代次数，m是节点上MEC服务器的资源占用量，D_n是VM的内存大小，w_k是VM k的预计收益，

当节点没有资源存放VM k时，将为VM k选择更高层的服务器节点，再对该节点进行递归迭代求解。