CN110445866B - 一种移动边缘计算环境中任务迁移和协作式负载均衡方法 - Google Patents

Abstract

本发明公开了一种移动边缘计算环境中任务迁移和协作式负载均衡方法，包括：周期初始微云检查是否有新的微云进入自己的通信范围，如果有，则更新邻居微云的列表；计算各邻居微云的当前负载，计算各邻居微云的延迟指标并广播；由得到的延迟指标，计算延迟参数和迁移概率，确定最优迁移对象；将任务迁移到最优迁移对象的邻居微云；进入下一个周期并回到步骤一执行，直到计算任务结束；计算最大负载、失衡度量和统计偏度，并进行负载均衡。所述方法根据微云当前的负载信息为移动用户选择最优的任务迁移对象；以及针对微云的协作式负载均衡策略，只需获取局部信息就可以有效地实现移动微云之间的负载均衡。

Description

一种移动边缘计算环境中任务迁移和协作式负载均衡方法

技术领域

本发明涉及一种移动边缘计算环境中任务迁移和协作式负载均衡方法，属于边缘计算领域。

背景技术

随着物联网和5G技术以及各种新型移动应用的***式发展，例如增强现实、在线游戏和视频直播等应用。用户对于网络服务质量的要求也越来越高。但由于电池、存储容量和计算能力的限制，移动设备很难满足这些资源密集型和延迟敏感型应用对于时延和可靠性的要求。移动云计算拥有丰富的云端资源，能够为用户更快速高效地处理应用程序的计算任务请求，从而解决移动设备的电池能耗和资源短缺问题。然而，将任务迁移到位于核心网络的中心云会导致额外的网络延迟，同时消耗带宽资源，难以保证用户满意的网络服务质量要求。

为了有效解决以上挑战，基于传统的移动云计算，移动边缘计算的概念得以提出。将小规模数据中心即微云部署在网络边缘节点，如基站、无线接入点。通过在网络边缘为邻近区域的移动用户提供云计算服务，能够有效减少网络时延、节省通信消耗以及减轻网络中心的拥塞。除此之外，相比于迁移到中心云处理任务，在靠近边缘节点的微云上处理能够更好地保护用户隐私。

在传统的部署策略中，一旦微云被搭建部署，其最大可用的物理资源量也被固定，移动设备的任务迁移请求通常也由距离最近的微云处理。这种部署策略会造成微云的计算资源利用率不足和负载不平衡导致的微云过载问题。因此，移动性增强的动态微云网络开始受到关注，城市区域密集的车辆被看作具有计算能力的移动微云，由这些微云组成的动态微云网络可以更有效地处理来自移动用户的任务迁移请求。

由于车辆的移动方向和速度的不确定性，间接性连接的移动微云网络可能会导致微云之间无法连续地进行任务迁移而发生传输错误。除此之外，不同区域移动用户的密度不同，发送的任务迁移请求会不断波动，直接影响移动微云之间的负载均衡。比如在用户高密度区域，微云因任务数量过多发生过载，而在人群松散区域的微云处于低负载甚至是闲置状态。

发明内容

本发明所要解决的技术问题是针对当前微云***计算资源比较低以及任务响应时间长的情况，提出一种移动边缘计算环境中任务迁移和协作式负载均衡方法。

本发明为解决上述技术问题采用以下技术方案：

本发明提出一种移动边缘计算环境中任务迁移和协作式负载均衡方法，具体包括以下步骤：

步骤一、在周期的初始阶段，微云c_i检查是否有新的微云进入自己的通信范围，如果有，则更新邻居微云的列表；

步骤二、计算各邻居微云的当前负载，进一步计算各邻居微云的延迟指标并广播；

步骤三、由步骤二得到的延迟指标，计算延迟参数和迁移概率，确定最优迁移对象；

步骤四、将任务迁移到最优任务迁移对象的邻居微云；进入下一个周期并回到步骤一执行，直到计算任务结束；

步骤五、计算最大负载、失衡度量η和统计偏度

并进行负载均衡。

如前所述的一种移动边缘计算环境中任务迁移和协作式负载均衡方法，进一步地，步骤二所述计算各邻居微云的当前负载的表达式为：

其中，γ_i为微云c_i的负载，k(x)为任务分配指标函数，如果微云c_i向x处的用户提供服务，则任务分配指标函数值为1，否则为0；

τ(x)为来自处于位置x∈R处移动用户的迁移任务密度，且有τ(x)＝λ(x)ω(x)，其中此刻处于位置x∈R处移动用户的迁移任务到达速率为λ(x)，平均任务大小为ω(x)；

s_i(x)为微云c_i为处于位置x处的移动用用户提供的服务速率，且有

其中

表示微云c_i提供的最大服务速率，dis(x，c_i)表示位于x处的移动用户和微云c_i之间的欧式距离；α和β是用于调整服务速率灵活性的参数，用于适应不同网络场景；

计算延迟指标：将微云c_i的平均任务流量作为延迟指标Γ_i(γ_i)，且有：

如前所述的一种移动边缘计算环境中任务迁移和协作式负载均衡方法，进一步地，步骤三所述的具体步骤包括：

步骤3.1、计算延迟参数：使用上标h来表示第h个时间间隔的开始时刻，此时微云c_i广播的延迟参数

表示为：

步骤3.2、计算迁移概率：基于微云提供的延迟参数和服务速率，位于x处的移动用户选择合适的微云来处理自己的任务迁移请求，所述迁移概率表示为：

其中

用于获取微云c_i是否为x处移动用户服务的信息，s_i(x)表示微云i为x处移动用户提供的服务速率。

如前所述的一种移动边缘计算环境中任务迁移和协作式负载均衡方法，进一步地，步骤五所述计算失衡度量η和统计偏度

的具体步骤包括：

步骤5.1、在n个移动微云中根据d-choice原则随机选取d个微云；如果邻居数量大于d，则随机选择d个微云进行任务迁移；否则令d值减小一半，直到d值小于当前邻居数量；

步骤5.2、根据比例算法计算源微云和目标微云之间的迁移概率，并且以该概率进行任务迁移；

步骤5.3、计算失衡度量η和统计偏度

并输出：

其中，L_max和

分别表示所述d个邻居微云当中的最大负载和平均负载。

如前所述的一种移动边缘计算环境中任务迁移和协作式负载均衡方法，进一步地，步骤五所述计算最大负载的具体步骤包括：

随机在d个微云中选择负载最小的微云进行任务迁移，同时任务和微云数量的关系满足m≥n log n，则认为所有微云中的最大负载为：

本发明采用以上技术方案与现有技术相比，具有以下的优点：

分别从用户和微云角度考虑，设计延迟感知的目标选择策略和协作式负载均衡策略。

在迁移对象的选择过程中，每个移动微云定期会向外广播负载信息，用户能够根据微云广播的信息计算出最优的任务迁移对象。在由纯分布式移动微云组成的动态网络中，获取全局负载信息的代价成本非常高，因此，基于移动微云网络中分布式任务的特性，仅选择并比较通信区域内数个随机邻居云的负载信息，进而选择其中负载最少的邻居进行任务重分配，对于负载均衡而言，这样的分配方式所需的代价成本比获取全局负载信息的代价成本小得多，但同样能够实现微云负载的整体均衡性。

附图说明

图1是本发明的实际应用场景图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

为了达到充分利用计算资源、减少平均任务响应时间的目的，分别从用户和微云角度考虑，设计延迟感知的目标选择策略和协作式负载均衡策略。

在延迟感知的目标选择策略中，每个移动微云定期会向外广播负载信息，用户能够根据微云广播的信息计算出最优的任务迁移对象。在由纯分布式移动微云组成的动态网络中，获取全局负载信息的代价成本非常高，基于移动微云网络中分布式任务的特性，仅选择并比较通信区域部分随机邻居云的负载信息，选择负载最少的邻居进行任务重分配，从而实现微云负载的整体均衡性。

基于上述实际情况，本发明设计的一种移动边缘计算环境中任务迁移和协作式负载均衡方法。图1是本发明的实际应用场景图。其中圆形虚线表示移动微云的可通信区域，车辆旁边的矩形进度条表示该移动微云的负载与当前负载状况。阴影部分占进度条的部分越多，代表该移动微云的当前负载占移动微云总负载能力的比重越大。

在实际应用过程当中，具体如以下步骤执行：

步骤一、计算微云c_i为处于位置x处的移动用户提供的服务速率，具体步骤如下：

在某个城市市中心区域G内，假设有N辆具有计算能力的移动微云，用集合C＝{c₁,c₂,...c_i,...,c_N}表示，其中c_i表示第i个移动微云。当微云c_i和微云c_j之间的距离d_ij在通信范围R内，则可以通过无线接入点互相连接，并为服务区域内的移动用户提供低延迟和高带宽的无线接入和任务处理。移动用户选择通信范围内的任意微云处理发送的迁移任务，微云根据自身负载决定在本地处理用户的任务请求或将任务转发至同一通信区域内的其他微云。

微云c_i和c_j的内部通信时间t_ij遵从成对速率α_ij的指数分布，如：

在任意两个时间间隔t_a和t_b之内，微云c_i和c_j的相遇可能性为：

考虑到在通过Wi-Fi连接的微云网络中，某些应用程序(如增强现实、人脸识别)的任务迁移执行时间大约为10^-4～10^-2秒。因此假设时间间隔(包括执行时间和无线传输的往返时延)足够长，即任务执行结果可以在同一时间间隔内返回给移动用户。

假设此刻处于位置x∈R处移动用户的迁移任务到达速率为λ(x)，平均任务大小为ω(x)，则来自该用户的迁移任务密度为τ(x)＝λ(x)ω(x)。需要指出的是，迁移任务请求经历的延迟与各种因素有关，如微云处理任务时所能提供的最大服务速率，基于微云当前负载产生的队列延迟，用户和微云之间的距离导致的通信延迟和其他网络开销。为了简化分析，假设微云c_i为处于位置x处的移动用用户提供的服务速率为：

其中

表示微云c_i提供的最大服务速率，dis(x,c_i)表示位于x处的移动用户和微云c_i之间的欧式距离。α和β是用于调整服务速率灵活性的参数，以适应各种各样的网络场景。根据以上公式，可以观察到微云能够提供给移动设备的服务速率与其最大服务速率成正比，与用户之间的距离成反比。

步骤二、将微云c_i的平均任务流量作为延迟指标Γ_i，通过该延迟指标量化***延迟性能：

引入任务分配指标函数k(x)，将微云与移动设备之间的任务分配关系具体化。若微云c_i向x处的用户提供服务，则任务分配指标函数值为1，否则为0。微云负载γ_i公式如下所述：

则所有微云的负载集合γ＝(γ₁，γ₂，...，γ_N)可以定义为，其中ε表示任意最小正数：

假设微云转发任务的到达也服从泊松分布，将微云看作M/G/1-处理器共享队列，则微云i的平均任务流量为

根据利特尔法则，在一个稳定的***中，***延迟与平均流量成比。因此，可将微云c_i的平均任务流量作为延迟指标Γ_i(γ_i)，如以下公式所示：

步骤三、根据随机分配的概率模型量化移动微云网络中的负载并计算所有微云的最大负载：

应用经典概率模型，假设有m个任务需要分配给n个移动微云，如果每个任务随机地在数量d≥2的微云中选择负载最小的那个微云，则最大负载近似为

在协作式负载均衡策略算法设计中，随机在d个微云中选择负载最小的微云进行任务迁移，这种选择方案具有两个特性。第一个是随机选择的高效用性，即使简单地随机选择两个对象进行比较，仍然比只选择一个目标能够更有效地实现负载均衡。第二个特性是目标选择的随机性，由于移动微云网络的间接性连接，每个微云的邻居会随着时间间隔的迭代不断更新。

如果m≥n log n，则最大负载近似为

因此，随机在d个微云中选择负载最小的微云进行任务迁移，同时任务和微云数量的关系满足m≥n log n，那么所有微云中的最大负载近似为：

所述最大负载经过以上理论保证最小，可以保证本发明所提出的策略可以有效减少最大负载，从而达到负载均衡的目的。

步骤四、根据微云广播的信息计算出x处移动用户的最优任务迁移对象。在当前时间间隔将要结束时，再一次评估当前负载并广播下一个延迟指标：

本发明使用上标h来表示第h个时间间隔的开始时刻，此时微云c_i广播的延迟参数如下所示：

基于微云提供的延迟参数和服务速率，位于x处的移动用户会选择合适的微云来处理自己的任务迁移请求。如以下公式所示：

其中k_i(x)表示获取微云c_i是否为x处移动用户服务的信息，s_i(x)则表示微云c_i为x处移动用户提供的服务速率。

在时间间隔h将要结束时，微云c_i会再一次评估当前负载

然后更新负载信息以便广播下一个延迟指标：

步骤五、计算失衡度量η和统计偏度

以衡量每个时间间隔内的负载均衡情况：

通用任务模型中的“任务”是指应用程序中的一个程序或者微服务，可以被任意移动微云执行，所以来自不同移动用户的迁移任务请求会不断波动。

所有微云在初始阶段检查是否有新的微云进入自己的通信范围并更新邻居列表。如果邻居数量大于d，则随机选择d个微云进行任务迁移；否则，d值减小一半直到小于当前邻居数量。

第二阶段是任务重分配，每个微云在当前的邻居列表中随机选择d个邻居，然后比较邻居云的任务负载并进行排序，选择负载最小的邻居执行任务迁移。根据比例算法计算源微云和目标微云之间的迁移概率，并且该概率进行任务迁移。最后，计算失衡度量η和统计偏度

以衡量每个时间间隔内的负载均衡情况：

L_max和

分别表示最大负载和平均负载。失衡度量可以衡量负载分布的均衡程度，统计偏度则为负载分布提供了更为详细的分布过程描述，例如分布结果是否有过高或者过低的异常值。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种移动边缘计算环境中任务迁移和协作式负载均衡方法，其特征在于，具体包括以下步骤：

步骤一、在周期的初始阶段，微云c_i检查是否有新的微云进入自己的通信范围，如果有，则更新邻居微云的列表；

步骤二、计算各邻居微云的当前负载，表达式为：

其中，γ_i为微云c_i的负载，k(x)为任务分配指标函数，如果微云c_i向x处的用户提供服务，则任务分配指标函数值为1，否则为0；

τ(x)为来自处于位置x∈R处移动用户的迁移任务密度，且有τ(x)＝λ(x)ω(x)，其中此刻处于位置x∈R处移动用户的迁移任务到达速率为λ(x)，平均任务大小为ω(x)；

s_i(x)为微云c_i为处于位置x处的移动用用户提供的服务速率，且有

其中

表示微云c_i提供的最大服务速率，dis(x,c_i)表示位于x处的移动用户和微云c_i之间的欧式距离；α和β是用于调整服务速率灵活性的参数，用于适应不同网络场景；

计算延迟指标：将微云c_i的平均任务流量作为延迟指标Γ_i(γ_i)，且有：

步骤三、由步骤二得到的延迟指标，计算各个微云c_i在各个时间间隔h广播的延迟参数

和迁移概率

确定最优任务迁移对象；

表达式如下：

表达式如下：

其中上标h表示第h个时间间隔的开始时刻，

获取微云c_i是否为x处移动用户服务的信息，s_i(x)表示微云i为x处移动用户提供的服务速率；

步骤四、将任务迁移到最优任务迁移对象的邻居微云；进入下一个周期并回到步骤一执行，直到计算任务结束；

步骤五、计算最大负载、失衡度量η和统计偏度

并进行负载均衡；具体步骤包括：

步骤5.1、在n个移动微云中根据d-choice原则随机选取d个微云；如果邻居数量大于d，则随机选择d个微云进行任务迁移；否则令d值减小一半，直到d值小于当前邻居数量；

步骤5.2、根据比例算法计算源微云和目标微云之间的迁移概率，并且以该概率进行任务迁移；

步骤5.3、计算失衡度量η和统计偏度

并输出：

其中，L_max和

分别表示所述d个邻居微云当中的最大负载和平均负载。

2.如权利要求1所述的一种移动边缘计算环境中任务迁移和协作式负载均衡方法，其特征在于，步骤五所述计算最大负载的具体步骤包括：

随机在d个微云中选择负载最小的微云进行任务迁移，同时任务和微云数量的关系满足m≥n log n，则认为所有微云中的最大负载为：

Images