移動邊緣計算中資源受限的動態(tài)服務(wù)部署策略

袁景凌，毛慧華，王娜娜，向堯

移動邊緣計算中資源受限的動態(tài)服務(wù)部署策略

袁景凌1，2，毛慧華1，2，王娜娜3，向堯2*

（1.武漢理工大學(xué) 三亞科教創(chuàng)新園，海南 三亞 572019； 2.武漢理工大學(xué) 計算機與人工智能學(xué)院，武漢 430070； 3.武漢理工大學(xué) 土木工程與建筑學(xué)院，武漢 430070）（*通信作者電子郵箱hbycxiangyao@163.com）

移動邊緣計算（MEC）的出現(xiàn)使移動用戶能夠以低延遲訪問部署在邊緣服務(wù)器上的服務(wù)。然而，MEC仍然存在各種挑戰(zhàn)，尤其是服務(wù)部署問題。邊緣服務(wù)器的數(shù)量和資源通常是有限的，只能部署數(shù)量有限的服務(wù)；此外，用戶的移動性改變了不同服務(wù)在不同地區(qū)的流行度。在這種情況下，為動態(tài)請求部署合適的服務(wù)就成為一個關(guān)鍵問題。針對該問題，通過了解動態(tài)用戶請求來部署適當(dāng)?shù)姆?wù)以最小化交互延遲，將服務(wù)部署問題表述為一個全局優(yōu)化問題，并提出了一種基于集群劃分的資源聚合算法，從而在計算、帶寬等資源約束下初步部署合適的服務(wù)。此外，考慮動態(tài)用戶請求對服務(wù)流行度及邊緣服務(wù)器負載的影響，開發(fā)了動態(tài)調(diào)整算法來更新現(xiàn)有服務(wù)，以確保服務(wù)質(zhì)量（QoS）始終滿足用戶期望。通過一系列仿真實驗驗證了所提出策略的性能。仿真結(jié)果表明，與現(xiàn)有基準算法相比，所提出的策略可以降低服務(wù)交互延遲并實現(xiàn)更穩(wěn)定的負載均衡。

服務(wù)部署；移動邊緣計算；資源約束；動態(tài)需求感知；服務(wù)流行度

0 引言

隨著互聯(lián)網(wǎng)和無線通信技術(shù)的快速發(fā)展，移動計算已經(jīng)極大地改變了人們的日常生活；然而，許多新的服務(wù)和時延敏感的應(yīng)用不斷出現(xiàn)，如虛擬現(xiàn)實（Virtual Reality， VR）和增強現(xiàn)實（Augmented Reality， AR）等［1］。此外，在工程領(lǐng)域，一些現(xiàn)代化的項目往往結(jié)合人工智能、VR等智能化技術(shù)，通過終端來進行管理和控制，如大壩的監(jiān)測和預(yù)警。移動設(shè)備的資源（如計算和存儲）限制了這些復(fù)雜服務(wù)的普及［2］。為了克服移動設(shè)備電池容量和計算能力的限制，一些解決方案［3］將任務(wù)卸載到云計算中心以解決資源短缺的問題。然而，由于廣域網(wǎng)通信延遲較高，將任務(wù)卸載到云端可能帶來較低的服務(wù)質(zhì)量（Quality of Service， QoS）。

移動邊緣計算（Mobile Edge Computing， MEC）的出現(xiàn)提供了新的思路［4-5］。通過在終端用戶附近部署邊緣服務(wù)器（Edge Server）來提供服務(wù)，用戶可以直接訪問并獲得更好的QoS，而無需求助于云端，與傳統(tǒng)方案相比，可以進一步縮短服務(wù)響應(yīng)時間。

但是MEC也存在各種挑戰(zhàn)，尤其是服務(wù)部署問題［6］。與具有豐富計算資源和巨大存儲空間的云計算中心相比，邊緣服務(wù)器的規(guī)模更小，通常只配備輕量級的計算組件和有限的存儲、帶寬等資源，所以邊緣服務(wù)器只能部署數(shù)量有限的服務(wù)，因此，需要仔細選擇所要部署的服務(wù)來提高QoS［7］。此外，服務(wù)部署和任務(wù)卸載具有高度耦合性，服務(wù)部署策略會影響任務(wù)卸載決策，進而影響MEC系統(tǒng)的性能［8］。由于用戶的移動性，用戶需求會隨著時間的推移而動態(tài)變化，從而影響服務(wù)的流行程度，使較早部署的服務(wù)不再適用。在這種情況下，為動態(tài)變化的服務(wù)需求自適應(yīng)地調(diào)整服務(wù)就成為一個關(guān)鍵問題。

隨著移動計算的發(fā)展和邊緣云的出現(xiàn)，移動邊緣系統(tǒng)中的服務(wù)部署問題也得到了廣泛研究［9-12］。對于優(yōu)化目標，一些研究方法側(cè)重于服務(wù)成本［9］或者服務(wù)提供商（Service Provider， SP）的利潤［10］，而另一些研究方法則關(guān)注于減少服務(wù)部署的延遲［12］或者服務(wù)響應(yīng)時間［13-14］。例如，文獻［9］中考慮成本，提出了一種基于認證的云服務(wù)組合方法，該方法同時考慮了部署和認證/驗證的成本；文獻［10］中的目標是最大化所有服務(wù)提供商的總利潤，提出了一種基于李雅普諾夫優(yōu)化的在線算法來研究聯(lián)合服務(wù)放置和請求調(diào)度問題；文獻［11］中主要關(guān)注跨多個軟件定義網(wǎng)絡(luò)（Software Defined Network， SDN）的動態(tài)網(wǎng)絡(luò)服務(wù)部署問題，并利用Dijkstra算法提出了一種啟發(fā)式服務(wù)部署方法來解決這個問題；文獻［13］中研究了復(fù)合云服務(wù)的部署和請求調(diào)度問題，提出了負載感知的服務(wù)部署方法和基于任務(wù)排序機制的服務(wù)請求調(diào)度方法。

本文旨在根據(jù)動態(tài)服務(wù)需求為每個邊緣服務(wù)器設(shè)計服務(wù)部署策略，以使用戶的交互延遲最小化；此外，還考慮了邊緣服務(wù)器的資源限制以及如何平衡邊緣服務(wù)器的請求負載。

本文主要工作總結(jié)如下：

1）提出了一種基于集群劃分的資源聚合算法，將邊緣服務(wù)器劃分成集群，在計算、存儲和帶寬資源的約束下初步部署合適的服務(wù)。

2）考慮了動態(tài)用戶需求對服務(wù)流行度及邊緣服務(wù)器負載的影響，提出了一種動態(tài)調(diào)整算法來更新現(xiàn)有服務(wù)，保持整個邊緣網(wǎng)絡(luò)的穩(wěn)定性。

3）實施了仿真實驗來評估本文所提出策略的性能，與遺傳算法（Genetic Algorithm， GA）、模擬退火（Simulated Annealing， SA）算法、隨機算法（Random）和貪婪算法（Greedy）等基準算法相比，本文的策略可以有效地減少交互延遲并實現(xiàn)更穩(wěn)定的負載均衡。

1 問題描述與建模

本章詳細闡述服務(wù)部署問題和系統(tǒng)模型。

圖1 邊緣服務(wù)器上的服務(wù)部署示例

2 動態(tài)服務(wù)部署策略

對于第一章中描述的問題，本文提出了一種動態(tài)需求感知和負載均衡（Dynamic Requirement Awareness and Load Balance， DRLB）的策略來動態(tài)更新服務(wù)。該策略包括初始服務(wù)部署和動態(tài)調(diào)整兩個階段。

2.1 初始服務(wù)部署階段

在部署服務(wù)之前，一般需花費巨大的成本收集所有邊緣服務(wù)器的狀態(tài)。為了使服務(wù)部署和動態(tài)調(diào)整更容易，將邊緣服務(wù)器劃分為多個集群。

集群劃分過程如算法1所示，主要包括三個步驟：

3）對于剩下未分配到集群中的邊緣服務(wù)器，將其劃分到最近的中心邊緣服務(wù)器所在的集群。

算法1 集群劃分算法。

算法2 服務(wù)部署算法。

6） 根據(jù)式（3）～（5）計算約束條件；

7） If 不滿足約束條件 then

8） 按照排序次序補選；

9） End If

10） End For

2.2 動態(tài)服務(wù)調(diào)整階段

算法3 服務(wù)動態(tài)更新算法。

輸出 該集群調(diào)整后的服務(wù)部署方案。

4） End For

9） End If

12） End If

15） End If

16） End For

17） End For

3 仿真與分析

本文將遺傳算法（GA）、模擬退火（SA）算法、隨機算法（Random）和貪婪算法（Greedy）作為基準算法。

表1 實驗參數(shù)設(shè)置

如第2章所述，問題的規(guī)模主要與集群、服務(wù)和邊緣服務(wù)器的數(shù)量。本文參考了文獻［6］中的實驗方法來測試這三個參數(shù)對本文策略DRLB性能的影響。考慮了三組參數(shù)，如表2所示。在每組參數(shù)中，其中一個參數(shù)是變化的，另外兩個參數(shù)保持不變。所有實驗均重復(fù)10次，使用平均值作為結(jié)果。

表2 變量設(shè)置

圖2 集群數(shù)量對平均交互延遲的影響

圖3 集群數(shù)量對負載均衡的影響

圖4、5顯示了不同服務(wù)數(shù)量對平均交互延遲和負載均衡的影響。從圖4中可以看出，本文策略DRLB在所有情況下的平均交互延遲均最小。從圖5中還可以發(fā)現(xiàn)，本文策略DRLB的服務(wù)請求量的方差均值也是對比算法中最小的，這表明本文策略在面對更復(fù)雜的用戶請求時保證了更穩(wěn)定的QoS。

不同數(shù)量的邊緣服務(wù)器對平均交互延遲的影響如圖6所示，可以看出所有方法的平均交互延遲隨著邊緣服務(wù)器數(shù)量的增加而增加，這是因為邊緣服務(wù)器的數(shù)量對優(yōu)化空間有影響，會增加問題解決的復(fù)雜性。邊緣服務(wù)器數(shù)量對負載均衡的影響如圖7所示，可以看出本文策略DRLB的服務(wù)請求量的方差更小，明顯優(yōu)于其他基準算法，圖5中也體現(xiàn)了這一點。綜上所述，可以得出結(jié)論，本文策略能夠解決不同規(guī)模的服務(wù)部署問題，具有良好的可擴展性；此外，該策略的動態(tài)調(diào)整算法還具有提高邊緣服務(wù)器負載均衡的能力。。

圖4 服務(wù)數(shù)量對平均交互延遲的影響

圖5 服務(wù)數(shù)量對負載均衡的影響

圖6 邊緣服務(wù)器數(shù)量對平均交互延遲的影響

圖7 邊緣服務(wù)器數(shù)量對負載均衡的影響

4 結(jié)語

本文重點研究了邊緣計算系統(tǒng)中的服務(wù)部署和更新機制，提出了資源受限的動態(tài)服務(wù)部署策略DRLB。借助服務(wù)流行度來動態(tài)調(diào)整服務(wù)的部署，本文策略可以實現(xiàn)更穩(wěn)定的負載均衡。實驗結(jié)果表明，與傳統(tǒng)方法相比，本文策略可以實現(xiàn)更低的平均交互延遲。未來將會在更實際的場景中考慮這個問題，比如預(yù)測用戶的路徑以及邊緣之間的服務(wù)協(xié)作，以進一步提高部署質(zhì)量。

[1] REN J， ZHANG D Y， HE S W， et al. A survey on end-edge-cloud orchestrated network computing paradigms： transparent computing， mobile edge computing， fog computing， and cloudlet［J］. ACM Computing Surveys， 2020， 52（6）： No.125.

[2] XIANG Z， DENG S， TAHERI J， et al. Dynamical service deployment and replacement in resource-constrained edges［J］. Mobile Networks and Applications， 2020， 25（2）： 674-689.

[3] GUO S T， XIAO B， YANG Y Y， et al. Energy-efficient dynamic offloading and resource scheduling in mobile cloud computing［C］// Proceedings of the 35th Annual IEEE International Conference on Computer Communications. Piscataway： IEEE， 2016： 1-9.

[4] FERRER A J， MARQUèS J M， JORBA J. Towards the decentralised cloud： survey on approaches and challenges for mobile， ad hoc， and edge computing［J］. ACM Computing Surveys， 2019， 51（6）： No.111.

[5] YIN J W， ZHENG B P， DENG S G， et al. Crossover service： deep convergence for pattern， ecosystem， environment， quality and value［C］// Proceedings of the IEEE 38th International Conference on Distributed Computing Systems. Piscataway： IEEE， 2018： 1250-1257.

[6] PENG Q L， XIA Y N， FENG Z， et al. Mobility-aware and migration-enabled online edge user allocation in mobile edge computing［C］// Proceedings of the 2019 IEEE International Conference on Web Services. Piscataway： IEEE， 2019： 91-98.

[7] WU H Y， DENG S G， LI W， et al. Mobility-aware service selection in mobile edge computing systems［C］// Proceedings of the 2019 IEEE International Conference on Web Services. Piscataway： IEEE， 2019： 201-208.

[8] LI X， ZHANG X L， HUANG T S. Asynchronous online service placement and task offloading for mobile edge computing［C］// Proceedings of the 18th Annual IEEE International Conference on Sensing， Communication， and Networking. Piscataway： IEEE， 2021： 1-9.

[9] ANISETTI M，ARDAGNA C A， DAMIANI E， et al. Cost-effective deployment of certified cloud composite services［J］. Journal of Parallel and Distributed Computing， 2020， 135： 203-218.

[10] LEI Z， XU H， HUANG L， et al. Joint service placement and request scheduling for multi-SP mobile edge computing network［C］// Proceedings of the IEEE 26th International Conference on Parallel and Distributed Systems. Piscataway： IEEE， 2020： 27-34.

[11] ZHANG C C， WANG X W， DONG A W， et al. Dynamic network service deployment across multiple SDN domains［J］. Transactions on Emerging Telecommunications Technologies， 2020， 31（2）： No.e3709.

[12] ZHANG S L， LIU C， WANG J W， et al. Latency-aware deployment of IoT services in a cloud-edge environment［C］// Proceedings of the 2019 International Conference on Service-Oriented Computing. Cham： Springer， 2019： 231-236.

[13] ZHOU J Y， FAN J X， WANG J， et al. Dynamic service deployment for budget-constrained mobile edge computing［J］. Concurrency and Computation： Practice and Experience， 2019， 31（24）： No. e5436.

[14] LU Y C， LIN C K， LAI K C， et al. Service deployment and scheduling for improving performance of composite cloud services［J］. Computers and Electrical Engineering， 2019， 74： 616-634.

[15] 陳玉平，劉波，林偉偉，等. 云邊協(xié)同綜述［J］. 計算機科學(xué)， 2021， 48（3）： 259-268.（CHEN Y P， LIU B， LIN W W， et al. Survey of cloud-edge collaboration［J］. Computer Science， 2021， 48（3）： 259-268.）

[16] NEWMAN M E J. Power laws， Pareto distributions and Zipf’s law［J］. Contemporary Physics， 2005， 46（5）： 323-351.

Dynamic service deployment strategy in resource constrained mobile edge computing

YUAN Jingling1，2， MAO Huihua1，2， WANG Nana3， XIANG Yao2*

（1，，572019，；2，，430070，；3，，430070，）

The emergence of Mobile Edge Computing （MEC） enables mobile users to easily access services deployed on edge servers with low latency. However， there are various challenges in MEC， especially service deployment issues. The number and resources of edge servers are usually limited and only a limited number of services can be deployed on the edge servers； in addition， the mobility of users changes the popularities of different services in different regions. In this context， deploying suitable services for dynamic service requests becomes a critical problem. To address this problem， by deploying appropriate services by awareness of the dynamic user requirements to minimize interaction delay， the service deployment problem was formulated as a global optimization problem， and a cluster-based resource aggregation algorithm was proposed， which initially deployed suitable services under the resource constraints such as computing and bandwidth. Moreover， considering the influence of dynamic user requests on service popularity and edge server load， a dynamic adjustment algorithm was developed to update the existing services to ensure that the Quality of Service （QoS） always met user expectations. The performance of this deployment strategy was verified through a series of simulation experiments. Simulation results show that compared with the existing benchmark algorithms， the proposed strategy can reduce service interaction delay and achieve a more stable load balance.

service deployment; Mobile Edge Computing (MEC); resource constraint; dynamic requirement awareness; service popularity

This work is partially supported by National Natural Science Foundation of China （61303029）， Major Science and Technology Project of Sanya Yazhou Bay Science and Technology City Administration （SKJC-KJ-2019KY02）.

YUAN Jingling， born in 1975， Ph. D.， professor. Her research interests include machine learning， distributed parallel processing， intelligent analysis.

MAO Huihua， born in 1996， M. S. candidate. His research interests include edge intelligence， edge computing.

WANG Nana， born in 1978， Ph. D. Her research interests include intelligent method， safety monitoring.

XIANG Yao， born in 1989， Ph. D. His research interests include mobile edge computing， intelligent computing.

TP393

A

1001-9081（2022）06-1662-06

10.11772/j.issn.1001-9081.2021061615

2021?09?13；

2021?11?19；

2021?11?24。

國家自然科學(xué)基金資助項目（61303029）；三亞崖州灣科技城管理局重大科技項目（SKJC?KJ?2019KY02）。

袁景凌（1975—），女，湖北武漢人，教授，博士，CCF會員，主要研究方向：機器學(xué)習(xí)、分布式并行處理、智能分析；毛慧華（1996—），男，江西宜春人，碩士研究生，CCF會員，主要研究方向：邊緣智能、邊緣計算；王娜娜（1978—），女，山東青島人，博士，主要研究方向：智能方法、安全監(jiān)測；向堯（1989—），男，湖北宜昌人，博士，CCF會員，主要研究方向：邊緣計算、智能計算。