申请/专利权人：重庆大学

申请日：2019-09-16

公开（公告）日：2019-11-05

公开（公告）号：CN110417605A

主分类号：H04L12/24(20060101)

分类号：H04L12/24(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2022.07.22#发明专利申请公布后的驳回;2019.11.29#实质审查的生效;2019.11.05#公开

摘要：本发明涉及一种基于网络功能虚拟化的移动边缘计算节点放置方法，属于移动通信技术领域。首先通过回溯法作出初始放置决策，给用户提供良好网络初期服务。接着为应对网络负载变化，需要在恰当的时机，合理调整节点位置，因此提出基于用户评价确定调整时机并且采用深度强化学习方法做出调整决策。相比于其他节点放置方法，该方法能够有效应对区域负载变化，长期为用户提供优质服务，降低运营商成本。

主权项：1.一种基于网络功能虚拟化的移动边缘计算节点放置方法，其特征在于：首先，收集初始时刻区域负载均值，并以构建网络拓扑图，每个MEC节点存在一定计算容量fv，每条链路间存在相应延迟dbv，用户能忍受的最大延迟为Dmax；将所述每个MEC节点负载路由情况的解空间构建为树的结构；对所述树进行深度优先搜索，当节点出现过载情况或比最优解差，不再向下搜索，剪枝并向上回溯；通过得到的最优解确定MEC节点位置和相应路由。

全文数据：一种基于网络功能虚拟化的移动边缘计算节点放置方法技术领域本发明属于移动通信技术领域，涉及一种基于网络功能虚拟化的移动边缘计算节点放置方法。背景技术随着移动互联网和物联网的飞速发展，对计算能力要求更高、延迟要求更低的移动应用如增强现实、人脸识别、高清视频流等爆炸式增长。为了更好地支持未来的新型移动应用，解决现有用户设备受限于电池容量和计算、存储能力的问题，并为用户提供更低延迟、更高质量的服务，移动边缘计算MobileEdgeComputing,MEC应运而生。MEC通过将内容和计算能力下沉到网络边缘，使得原有的网络边缘节点如宏基站、微基站等成为MEC节点，用户设备可以将部分计算任务卸载到MEC节点上，以节约设备计算资源和能量。MEC节点通常部署在网络边缘，但没有明确规定部署位置。运营商成本有限，只能放置有限数量的MEC节点，放置不当有可能造成区域负载不均、请求拥塞等问题，从而影响用户体验，而空载又会加剧运营商成本损耗。同时，随着时间推移，区域负载往往会产生较大的变化，原本的MEC节点位置也有可能不足以为附近用户提供优质服务。因此，面对用户需求和资源限制，如何有效放置MEC节点以及应对长期负载变化成为亟待解决的问题。为了解决上述问题，网络功能虚拟化NetworkFunctionVirtualization,NFV作为一项通过将软硬件解耦及功能抽象，使网络设备功能不再依赖于专用硬件，硬件资源可以充分灵活共享，实现新业务的快速开发和部署的关键技术，受到业界越来越密切的关注。虚拟网络功能VirtualNetworkFunction,VNF抽象出MEC功能，并在相应节点放置该VNF，使得MEC节点摆脱固定位置的约束，更好的因对动态负载，更好满足用户需求。发明人在研究现有技术的过程中发现存在如下缺点：现有的MEC节点放置方法主要侧重于提高用户服务质量，而较少考虑运营商成本，如何在满足用户需求并最小化运营商成本是MEC节点放置方法中需要解决的关键问题。此外，现有研究主要是固定放置一定数量的MEC节点，并未考虑区域负载动态变化情况，而实际应用中，区域负载是随时间动态变化的。因此需要一种动态的MEC节点放置方法，能够即时、高效地选择合适的MEC节点，为用户提供优质服务。发明内容有鉴于此，本发明的目的在于提供一种基于网络功能虚拟化的移动边缘计算节点放置方法，能够在满足用户需求的同时，最小化运营商成本。为达到上述目的，本发明提供如下技术方案：一种基于网络功能虚拟化的移动边缘计算节点放置方法，首先，收集初始时刻区域负载均值，并以构建网络拓扑图，每个MEC节点存在一定计算容量fv，每条链路间存在相应延迟dbv，用户能忍受的最大延迟为Dmax；将所述每个MEC节点负载路由情况的解空间构建为树的结构；对所述树进行深度优先搜索，当节点出现过载情况或比最优解差，不再向下搜索，剪枝并向上回溯；通过得到的最优解确定MEC节点位置和相应路由。可选的，在所述方法中，为防止恶意评价或误触，引入请求调整百分比r，集中控制器收集用户调整请求，当请求人数占比超过r时，集中控制器将请求传达给网络运营商；网络运营商权衡调整成本和用户流失损耗来判断是否在次时刻进行MEC节点调整。可选的，在所述方法中，采用神经网络设计Q网络来拟合Q函数；对于神经网络中的参数，记为θ，对Q值得更新通过更新神经网络得参数实现：而在通过Q网络进行决策时，给定当前状态s的情况下，只需以当前Q值最大的动作作为输出动作：Q网络采用三层神经网络来拟合Q函数，包括一个输入层，一个隐层，一个输出层；每一层均由若干神经元构成；激活函数为relu，参数更新方法为误差反向传输；确定集中控制器为智能体agent，框架中的关键部分是环境和动作；环境需要观察当前的区域负载及MEC节点位置信息，对给出的动作作出相应的奖励值反馈，以及根据该动作对环境作出更新；状态空间：s＝[workload,mec_ser]，workload数组是各个节点负载，mec_ser数组是各个节点MEC激活情况；动作空间：a＝[a0,a1,…,an]，表示MEC节点位置和路由；即时奖励：reward＝-r1+r2+penaltyr1为下一状态总的活跃节点数量导致的成本，r2为下一状态激活关闭-活跃节点数量的成本，r1+r2优点是，当需要一定的MEC节点去处理负载，会优先保证已经激活的节点，而不是关闭之后再重新激活另一个节点；当迭代到一定次数，对模型进行训练；将当前状态输入已经训练好的模型，获得相应决策，确定调整后MEC节点位置和路由，满足用户需求的同时最小化运营商累积成本。本发明的有益效果在于：1一种基于回溯法的MEC节点初始放置方法，为用户提供了良好的初期网络体验，同时最小化运营商成本，相较于其他算法决策更加精确有效。2一种基于用户评价的调整时机确定方法，从用户体验出发，用户提出请求，运营商进行权衡，满足用户需求的同时，减少了调整成本和用户流失，相比于其他调整方法，能够实现用户和运营商双赢，减小运营商压力，更加人性化。3一种基于深度强化学习的MEC节点调整方法，根据当前环境智能调整MEC节点位置，相比于其他调整方法，有效应对区域负载变化导致的用户体验下降，同时，减少运营商累积成本。4一种基于网络功能虚拟化的移动边缘计算节点动态放置方法，相比于其他节点放置方法，长期为用户提供优质服务，有效应对区域负载变化，降低运营商成本。本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：图1是本发明一种基于网络功能虚拟化的移动边缘计算节点动态放置方法的场景图；图2是本发明一种基于用户评价的调整时机确定方法的流程图；图3是本发明一种基于网络功能虚拟化的移动边缘计算节点动态放置方法的流程图。具体实施方式以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。图1是本发明的使用场景图，具体包括：用户层：用户具有各种服务请求、最大忍受延迟、对服务进行评价。网络层：分布着许多宏基站和小基站，这些基站构成了网络节点，这些网络节点都存在网络功能虚拟化基础设施解决方案NFVInfrastructure,NFVI，以支持VNF的放置，在宏基站放置的物理服务器构成了物理资源池，借由NFV技术，实现资源的虚拟化，并通过编排和分配VNF，将具有MEC功能的VNF分配给部分网络节点，使之成为MEC节点控制层：由软件定义网络SoftwareDefinedNetwork,SDN技术，收集用户请求信息、集中管理网络路由、集中管理VNF分配。图2是基于用户评价的调整时机确定方法的流程图，具体描述如下：当用户获取不到满意的服务，会有一定概率流失到其他网络运营商，造成潜在利润的损失，称为用户流失损耗，表示为Clost＝n_rejt·w·Plost。用户与网络运营商之间存在SLA协议，用户调用由网络运营商提供的MEC服务，在使用服务后，对服务进行评价-满意或不满意，不满意则是向网络运营商发出调整请求，希望网络运营商重新调整MEC节点位置和数量，使用户体验增加。考虑到某些用户恶意评价或者误触导致网络运营商频繁进行权衡，带来不必要的成本，影响真正有需求的用户，引入请求调整百分比r，SDN控制器收集用户调整请求，当请求人数占比超过r时，SDN将请求传达给网络运营商。网络运营商收到用户调整请求后，进行调整成本与用户流失损耗的权衡，最终作出是否在此刻进行调整的决策。图3是本发明的一种基于网络功能虚拟化的移动边缘计算节点动态放置方法的流程图，所述方法在满足用户需求的前提下，以初始放置满足用户网络初期服务体验，采用用户评价方法确定调整时机，采用深度强化学习方法确定节点调整方法，有效应对区域负载变化的同时，最小化运营商成本。Part1：收集初始时刻区域负载均值，并以构建网络拓扑图，每个MEC节点存在一定计算容量fv，每条链路间存在相应延迟dbv，用户能忍受的最大延迟为Dmax。进一步，将每个节点负载路由情况的解空间构建为树的结构。进一步，对树进行深度优先搜索，当节点出现过载情况或比最优解差，不再向下搜索，剪枝并向上回溯。进一步，通过得到的最优解确定初始MEC节点位置和相应路由。由于区域负载是变化的，用户满意度也会随之产生变化，用户满意度是用户忠诚度的重要前提，MEC环境作为新型商业环境，用户为服务付费，用户忠诚度直接影响利润。当用户获取不到满意的服务，会有一定概率流失到其他网络运营商，造成潜在利润的损失，称为用户流失损耗。为了防止用户满意度下降，需要进行MEC节点位置的调整。Part2：每个时刻结束，收集使用服务的用户评价。进一步，为防止恶意评价或误触，引入请求调整百分比r，集中控制器收集用户调整请求，当请求人数占比超过r时，集中控制器将请求传达给网络运营商。进一步，网络运营商权衡调整成本和用户流失损耗来判断是否在次时刻进行MEC节点调整。确定调整时机后，需要确定如何进行调整，以满足用户需求的同时，最小化运营商成本。Part3：采用深度强化学习方法，训练模型。采用神经网络设计一个Q网络来拟合Q函数。对于神经网络中的参数，记为θ，对Q值得更新通过更新神经网络得参数实现：而在通过Q网络进行决策时，给定当前状态s的情况下，只需以当前Q值最大的动作作为输出动作：Q网络采用三层神经网络来拟合Q函数，包括一个输入层，一个隐层，一个输出层。每一层均由若干神经元构成。激活函数为relu，参数更新方法为误差反向传输。每次根据ε-greedy策略选择动作，采用经验回放打破数据关联性，加快算法收敛。进一步，确定集中控制器为智能体agent，框架中的关键部分是环境和动作。环境需要观察当前的区域负载及MEC节点位置信息，对给出的动作作出相应的奖励值反馈，以及根据该动作对环境作出更新。状态空间：s＝[workload,mec_ser]，workload数组是各个节点负载，mec_ser数组是各个节点MEC激活情况。动作空间：a＝[a0,a1,…,an]，表示MEC节点位置和路由。即时奖励：reward＝-r1+r2+penaltyr1为下一状态总的活跃节点数量导致的成本，r2为下一状态激活关闭-活跃节点数量的成本，r1+r2优点是，当需要一定的MEC节点去处理负载，会优先保证已经激活的节点，而不是关闭之后再重新激活另一个节点。进一步，迭代一定次数，对模型进行训练。进一步，将当前状态输入已经训练好的模型，获得相应决策，确定调整后MEC节点位置和路由，满足用户需求的同时最小化运营商累积成本。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

权利要求：1.一种基于网络功能虚拟化的移动边缘计算节点放置方法，其特征在于：首先，收集初始时刻区域负载均值，并以构建网络拓扑图，每个MEC节点存在一定计算容量fv，每条链路间存在相应延迟dbv，用户能忍受的最大延迟为Dmax；将所述每个MEC节点负载路由情况的解空间构建为树的结构；对所述树进行深度优先搜索，当节点出现过载情况或比最优解差，不再向下搜索，剪枝并向上回溯；通过得到的最优解确定MEC节点位置和相应路由。2.根据权利要求1所述的一种基于网络功能虚拟化的移动边缘计算节点放置方法，其特征在于：在所述方法中，为防止恶意评价或误触，引入请求调整百分比r，集中控制器收集用户调整请求，当请求人数占比超过r时，集中控制器将请求传达给网络运营商；网络运营商权衡调整成本和用户流失损耗来判断是否在次时刻进行MEC节点调整。3.根据权利要求1所述的一种基于网络功能虚拟化的移动边缘计算节点放置方法，其特征在于：在所述方法中，采用神经网络设计Q网络来拟合Q函数；对于神经网络中的参数，记为θ，对Q值得更新通过更新神经网络得参数实现：而在通过Q网络进行决策时，给定当前状态s的情况下，只需以当前Q值最大的动作作为输出动作：Q网络采用三层神经网络来拟合Q函数，包括一个输入层，一个隐层，一个输出层；每一层均由若干神经元构成；激活函数为relu，参数更新方法为误差反向传输；确定集中控制器为智能体agent，框架中的关键部分是环境和动作；环境需要观察当前的区域负载及MEC节点位置信息，对给出的动作作出相应的奖励值反馈，以及根据该动作对环境作出更新；状态空间：s＝[workload,mec_ser]，workload数组是各个节点负载，mec_ser数组是各个节点MEC激活情况；动作空间：a＝[a0,a1,…,an]，表示MEC节点位置和路由；即时奖励：reward＝-r1+r2+penaltyr1为下一状态总的活跃节点数量导致的成本，r2为下一状态激活关闭-活跃节点数量的成本，r1+r2优点是，当需要一定的MEC节点去处理负载，会优先保证已经激活的节点，而不是关闭之后再重新激活另一个节点；当迭代到一定次数，对模型进行训练；将当前状态输入已经训练好的模型，获得相应决策，确定调整后MEC节点位置和路由，满足用户需求的同时最小化运营商累积成本。

百度查询： 重庆大学 一种基于网络功能虚拟化的移动边缘计算节点放置方法

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