申请/专利权人：浙江工业大学

申请日：2021-03-02

公开（公告）日：2024-03-22

公开（公告）号：CN112835684B

主分类号：G06F9/455

分类号：G06F9/455;G06F9/50;G06N3/006;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.06.11#实质审查的生效;2021.05.25#公开

摘要：本发明涉及一种面向移动边缘计算的虚拟机部署方法，构建移动边缘计算环境，定义每一个边缘服务器的能源消耗模型、虚拟机集合VM和边缘服务器队列S，以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器，以虚拟机部署的历史数据训练改进的LSTM学习模型，基于学习模型进行虚拟机部署。本发明在Bat算法中引入二阶震荡，解决局部最优解的问题，并在搜索接近最优时使用订单转移机制，继续寻找最优解，最后使用该算法得到的历史部署数据训练改进的LSTM模型；本发明能充分利用边缘节点的历史数据，同时考虑到边缘端的资源有限和去中心化等问题，综合考虑能耗问题和时延问题，达到低能耗低时延的目标。

主权项：1.一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述方法包括以下步骤：步骤1：构建移动边缘计算环境；步骤2：定义边缘计算环境中每一个边缘服务器的能源消耗模型Ps，Ps＝Pidle+Pmax-Pidle*u其中，Pidle是空闲状态下边缘服务器消耗的功率，Pmax是边缘服务器在满载状态下消耗的功率，u是边缘服务器的CPU利用率，u∈[0，1]；步骤3：定义虚拟机集合VM和边缘服务器队列S，VM＝{vm1，vm2,vm3,...vmm}，S＝{S1，S2，...Sn}，其中，m和n为大于0的整数；步骤4：以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器，包括以下步骤：步骤4.1：参数初始化，令蝙蝠搜索空间为D维， fi＝fmin+fmax-fmin×β其中，i为第i个种群，j为第j个任务，fi为适应度函数，fmin和fmax分别为频率的最大值和最小值，β为服从均匀分布的随机向量，β∈[0，1]，和分别为t+1时刻更新后和t时刻更新前的蝙蝠的速度，X*为当前的全局最优位置；设定改进后的蝙蝠位置更新公式， 其中，和分别为t+l时刻更新后和t时刻更新前的蝙蝠的位置，τ为扰动幅度，σ为随机数，τ∈0，0.1]，σ∈[-1，1]；步骤4.2：产生新的方案，得到新的解xnew，xnew＝xold+rand1×At其中，xold为上一个解，randl为-1至1间的随机数，At是所有蝙蝠在这个时间步长内的平均响度；步骤4.3：更新响度和脉冲发射率，产生一个[0，1]上的随机数rand2，若rand2小于响度Ai且新适应度fnew小于上一时刻的适应度值fi，则更新： fi＝fnew其中，α为响度更新系数，α∈0，1，和分别为t+1时刻更新后和t时刻更新前的脉冲发射的概率，γ为调节系数，γ∈0，1；步骤4.4：对所有个体适应值进行排序，找出最佳解；步骤4.5：若最佳解未过载，则更新X*的值，否则使用订单转移机制进行本地搜索；若迭代次数为最大迭代次数，则输出全局最优值，否则，迭代次数加1，返回步骤4.2；步骤5：得到虚拟机部署的历史数据，训练改进的LSTM学习模型，改进的LSTM学习模型包括基础LSTM网络，配合所述网络设置sigmoid输入门、遗忘门和输出门，包括以下步骤：步骤5.1：构建改进的LSTM学习模型；步骤5.2：获取虚拟机部署的历史数据，以自适应收敛函数对LSTM学习模型进行训练， 其中，flag为用于计数的临时变量，当flag不等于0时，flag加1、进行下一轮训练，当flag累加到10时，令flag为0；k为训练中的当前迭代次数，为k次迭代的损失函数的平均值，lossbefore是之前的损失函数的平均值，losscur为当前迭代的损失函数的平均值，损失函数为 pi是预测值，ri是实际值，z是实验的批量大小，i为训练批量的序号；gard满足预设条件则进行步骤5.3；步骤5.3：使用训练好的学习模型进行虚拟机的部署。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种面向移动边缘计算的虚拟机部署方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD