移動邊緣計算中數據緩存和計算遷移的智能優化技術

彭 智

（中國西南電子技術研究所，四川 成都 610036）

0 引 言

隨著移動互聯網和物聯網的多元化發展，虛擬現實與視頻會議等方面呈現差異化發展，用戶對網絡服務質量的要求越來越高。因此，為解決移動互聯網高負荷和低延遲等問題，以移動邊緣計算為主要手段，通過計算任務及請求數據遷移到MEC服務器，減少網絡設備能耗和傳輸時間延遲等問題，這對提高用戶體驗方面有積極作用。在計算遷移的過程中，需要充分利用MEC的優點，實現業務卸載控制，并通過分析決策過程，從而達到智能優化的目的[1]。

1 移動邊緣計算的綜合分析

在分析移動邊緣計算與云計算的結合應用中，可以通過最小化任務的執行實現遷移決策的綜合管理與控制。在實現移動終端能量消耗及關系分析的過程中，需要通過基站服務的請求數量實現數據緩存與分析。移動邊緣計算本身具有較強的計算與數據傳輸能力，但是隨著移動終端數量及業務的綜合增長，移動邊緣計算的資源處理效率仍有提升空間。基于此，在綜合分析移動邊緣計算的過程中，需要以移動邊緣計算與數據中心的相互配合為中心，結合排隊理論，控制不同任務的平均執行延時，在緩存空間約束下解決時延最小化問題。此外，在實際應用的過程中可以通過改進數學算法解決上述問題，從而達到降低用戶請求時延，提高緩存性能及效率等目的[2]。

2 移動邊緣計算的數據分析

在對移動邊緣計算系統進行分析的過程中，其側重點是通過B個BS及M個用戶設備進行運行。在研究與分析中，以移動邊緣計算系統為計算和存儲的數據中心，在實現數據檢驗中通過部署與邊緣交換機關聯的虛擬機，將計算任務遷移在移動邊緣計算系統的服務器上[3]。假設UE的業務請求可以實現數據分布與統計，那么在統計與分析中，UEi的請求速率可以通過數據量和訪問時間實現數據緩存統計與分析。將BS覆蓋范圍內的UE看作是每個UE的M/M/1排隊系統進行處理，在實現數據統計及信息處理的基礎上實現緩存數據的處理與分析。通常情況下，移動終端在發送數據請求后可以通過BS接收處理或者請求發送到云端進行處理[4]。控制BS與云端的傳輸關系，在實現數據傳輸及信息處理的基礎上，需要對遷移過程進行計算與綜合分析，在實現數據信息處理與控制的過程中，根據移動邊緣計算系統服務器的數據傳輸和本次處理數據等實現傳輸管理與控制。

根據排隊論，在計算與分析中可以對服務器處理后的計算任務進行分析，并統計分析數據遷移過程遷移到服務器的總計算任務量，在此基礎上通過用戶進行數據的本地處理。用戶會產生不同的計算任務，在不同的處理方式下可以計算執行時延。結合數據傳輸過程中所產生的傳輸時延，在對移動邊緣計算服務器緩存的用戶請求數據進行分析中，則需要綜合控制用戶與服務器之間的傳輸時延。如果服務器緩存中沒有用戶所需的內容數據，則需要計算與分析服務器與數據中心之間的數據傳輸時延，這說明用戶所請求的內容可以緩存在服務器里，而且無需訪問數據中心。用戶產生的總時延是請求執行時延和傳輸時延的綜合。在對約束條件進行綜合定額控制中可以限制服務器中的緩存數據量，其他約束條件方面則可以通過數據存儲實現數據信息處理與控制[5]。

3 改進的遺傳算法

在利用遺傳算法進行分析中，結合移動邊緣計算的運行狀態，并以生物進化過程和機制求解優化問題為中心，在智能搜索及個體計算分析的基礎上實現數據信息的統計與處理。在實際應用的過程中，需要從選擇、交叉以及變異等方式建立種群，種群搜索策略及種群個體之間的信息交換需要針對非線性關系和數據傳輸等方面進行綜合控制。綜合計算與分析中可以采用貪心算法，而實際搜索的過程中可以通過隨機因子統計與分析局部信息。對遺傳算法進行改進與處理，交叉過程中可以通過種群進行模擬，并通過退火操作，綜合控制概率遺傳，在交叉模擬及數據信息處理的基礎上實現局部信息的綜合分析[6]。

綜合分析種群交叉操作和變異操作等方面問題時，需要重點分析種群的個體適應度函數，在種群進化的基礎上實現數據統計與信息處理。

改進與優化遺傳算法的過程中，種群個體需要在多維向量的基礎上綜合控制約束方程和適應度函數關系等，在實現數據傳輸與信息處理的過程中，通過適應度函數對目標函數進行統計與分析，通過移動邊緣計算實現數據緩存及邊緣計算分析。此外，在目標函數統計與信息處理的基礎上，實現數據傳輸與控制，具體的改進步驟如下。

一是初始化種群Pop；二是針對適應度進行計算與分析；三是存儲Pop中的最優個體；四是根據交叉概率，對新的種群進行交叉統計與處理，建立新的種群Pop1；五是統計與分析Pop1的適應度；六是在對種群Pop1的最優個體及初始化存儲進行比較與分析中，保存最優的個體；七是根據上述流程后得到新種群Pop2；八是在對變異概率及種群Pop1進行對比分析的過程中保存最優的個體，通過數據存儲與信息分析實現變異數據的統計與處理。

在進行計算與分析的過程中，需要對最優個體數據進行綜合管理與分析，而且可以在適應度函數分析的基礎上實現適應度函數關系的檢驗與分析，從而實現數據緩存與數據信息處理。改進遺傳算法的應用是通過數據之間的轉換，建立不同的集合區間，并根據計算遷移的需求數據整合數據信息，從而提升數據信息的處理效果。

4 仿真設計與分析

對改進遺傳算法的實際應用進行研究與分析的過程中，需要在聯合計算與緩存優化的基礎上，從移動邊緣計算系統搭建、資源存儲以及信息處理等角度實現計算任務及邊緣網絡的資源管理與控制。在綜合分析邊緣計算及存儲資源等方面的過程中，采用隨機方式在終端和服務器上執行計算任務。在隨機策略的基礎上，通過數據緩存和數據信息處理實現數據統計與信息控制效果的綜合提升。在實現數據傳輸與信息處理的過程中，結合執行計算參數，綜合管理數據參數。仿真分析的過程中，在主要參數檢驗和延遲變化下綜合統計與分析服務器緩存容量的變化，緩存容量可以從500 MB增加到1 000 MB，時延可以從510.2 ms下降到320.1 ms。在對這一結果進行分析時，隨著服務器緩存容量的增加，可以通過改進的遺傳算法進行自適應調節，數據傳輸的時間也會相對變短。數據容量在達到一定的閾值狀態下，用戶的請求數量相對一定，整體的時延變化比較緩慢。

當用戶數量M從50增加到500時，本次的算法改進與優化可以實現執行延遲的有效控制，而且對減少延遲性方面有積極作用。當用戶數量相對比較少的狀態下，邊緣服務器可以通過數據資源實現部分任務。隨機策略可以通過邊緣網絡的計算及存儲資源實現抗干擾性的進一步提升。在不同策略下，總時延間的差距也會隨著用戶數目的增加而逐漸增大，這說明在移動邊緣計算系統應用的狀態下，可以通過用戶請求數據的大小變化，綜合管理與控制緩存的數據信息，從而達到傳輸時延控制的目的。

5 移動邊緣計算智能優化技術的應用分析

移動邊緣計算在實際應用的過程中，從計算遷移、數據緩存以及邊緣計算的角度進行綜合分析，并聯合分析執行時延和傳輸時延。在改進遺傳算法實際應用中，通過計算遷移和數據緩存的方式綜合控制數據緩存、數據傳輸等方面，達到數據信息快速處理與應用的目的。

分析用戶對數據遷移的實際需求，選擇硬件設備，建立虛擬化網絡架構，方便后續的信息傳輸與處理。

搭建基本網絡結構后，通過移動邊緣計算綜合控制數據信息的接收、處理、交換、緩存以及傳輸等。在這一過程中，可通過API編輯基站與應用層之間的接口協議，滿足數據傳輸的實際需求。

在移動邊緣計算系統搭建與網絡優化中，通過改進遺傳算法可以建立新的數據集群，并通過部署數據匯聚點計算多設備多任務的能耗，達到數據統計與信息處理的目的。

建立數據節點后，處理不同UE的操作請求，并將請求傳輸到服務器。移動網絡的終端數據傳輸則需要綜合分析用戶信息數據和移動網絡的數據傳輸關系等，提高計算遷移和數據緩存處理的綜合水平。

6 結 論

在MEC中，極端遷移和數據緩存屬于比較關鍵的指標，為進一步優化數據緩存決策，可對數據緩存計算過程進行優化，從而達到數據信息快速處理的目的。通過對計算遷移過程進行優化，可提高數據空間的整體使用效率及數據計算可靠性。考慮不同用戶對數據遷移過程的實際需求，完善數據傳輸網絡，并提高服務器的數據處理水平，對進一步提高邊緣計算系統的實際應用效果有現實意義。