李邦源,張春輝,常 榮,陳 君,許小龍

(1.云南電網(wǎng)有限責(zé)任公司玉溪供電局,云南 玉溪 653100) (2.南京信息工程大學(xué)計算機與軟件學(xué)院,江蘇 南京 210044)

近年來移動設(shè)備普及率不斷提高,用戶對移動應(yīng)用程序的需求量也不斷增加,這使得移動數(shù)據(jù)流量開始呈指數(shù)型增長[1-2]. 根據(jù)思科網(wǎng)絡(luò)視覺指數(shù)(Cisco Network Vision Index)報告,預(yù)計截止2020年底數(shù)據(jù)流量需求的增速將達到57%,數(shù)據(jù)規(guī)模將是2014年的10倍. 而第五代無線通訊系統(tǒng)(fifth-generation wireless systems,5G)的廣泛應(yīng)用可以在一定程度上緩解數(shù)據(jù)流量的負擔(dān). 5G網(wǎng)絡(luò)的架構(gòu)包括分布式單元(distributed unit,DU)和中心單元(central unit,CU),但是這兩個單元無法直接處理移動應(yīng)用的計算任務(wù)[3-4]. 邊緣計算是一種將傳統(tǒng)云計算下沉到網(wǎng)絡(luò)邊緣以提供高效服務(wù)的新型計算范式. 在邊緣計算的輔助下,5G網(wǎng)絡(luò)的處理能力得到了補充與增強[5-6]. 考慮到DU的廣泛使用性,將CU增強為邊緣節(jié)點(Edge Node,EN)更適合于協(xié)助DU處理數(shù)據(jù)[7]. 其中,時間敏感型的邊緣服務(wù)可以遷移到EN上進行處理,而非敏感型服務(wù)既可以按需遷移到EN處理,也可以遷移到遠程云數(shù)據(jù)中心執(zhí)行[8]. 在服務(wù)遷移中需要使用大量的計算資源,而資源利用率和負載均衡是衡量服務(wù)遷移方案的重要指標. 其中,資源利用率反映了邊緣節(jié)點對計算資源的使用情況,負載均衡則反映了網(wǎng)絡(luò)總體的吞吐量、處理能力等[9-10]. 在上述的處理方式下如何合理利用邊緣節(jié)點的計算資源并提高資源利用率是本文的一個主要研究點.

此外,在服務(wù)的遷移過程中存在隱私信息泄露問題. 當執(zhí)行用戶目標服務(wù)(包括遠程視頻、語音聊天、實時定位等)時,服務(wù)所需的隱私信息將隨著服務(wù)本身一起被遷移到邊緣節(jié)點上. 如果這些隱私信息被不法分子竊取并破解,這將嚴重損害用戶的利益[9-10]. 因此,在5G邊緣環(huán)境下執(zhí)行服務(wù)遷移時防止服務(wù)數(shù)據(jù)發(fā)生隱私泄露是本文另一個主要研究點.

針對現(xiàn)存的移動應(yīng)用服務(wù)遷移問題,國內(nèi)外學(xué)術(shù)界以及工業(yè)界都展開了深入研究. 在服務(wù)從移動設(shè)備遷移到EN或遠程云端的過程中,如何在保證網(wǎng)絡(luò)高性能的同時保護隱私信息是一個亟待解決的重要問題. Qian等[11]設(shè)計出一種基于隱私感知服務(wù)的放置方案用以在服務(wù)放置時保護用戶的隱私. Lu等[12]設(shè)計了一種霧計算下用于增強物聯(lián)網(wǎng)的隱私保護服務(wù)聚合方案. Du等[13]使用差分隱私算法設(shè)計了一種機器學(xué)習(xí)策略. 該策略包含輸出擾動算法和目標擾動算法,可以有效保證隱私信息的安全性. Ding等[14]為文檔分類制定了一套體系結(jié)構(gòu)用來增強安全性. 該體系結(jié)構(gòu)可以幫助處理和分析邊緣計算中數(shù)據(jù)資源周圍的原始數(shù)據(jù)流. 而針對隱私泄露問題,He等[15]提出了一種將隱私感知任務(wù)卸載算法與約束馬爾可夫決策過程相結(jié)合的方法.

將邊緣任務(wù)遷移到5G邊緣節(jié)點以優(yōu)化網(wǎng)絡(luò)的整體性能同樣有著廣泛研究. Mao等[16]提出了一種帶有能量采集裝置的移動邊緣計算系統(tǒng),并引入了一種高效的任務(wù)卸載策略. Chen等在[17]將計算卸載決策問題定義為一個計算卸載博弈問題以更好地優(yōu)化服務(wù)遷移過程中的通訊延遲. Tao等[18]研究了如何在滿足所有用戶的服務(wù)體驗的同時實現(xiàn)網(wǎng)絡(luò)中心的節(jié)能以降低能耗. Tian等[19]提出了一種集成云、邊緣云和物聯(lián)網(wǎng)設(shè)備的新架構(gòu)來解決網(wǎng)絡(luò)的可擴展性問題. 為了解決密集交通環(huán)境下的任務(wù)計算和遷移問題,Zhang等[20]提出了一種基于邊緣云的車輛計算卸載體系結(jié)構(gòu).

此外,服務(wù)遷移的效率與自適應(yīng)機制也是值得考慮的重要問題. Wang等[21]提出了一種改進邊緣計算性能的創(chuàng)新框架,以及一種優(yōu)化的資源卸載方案,該方案的目的是使接入節(jié)點的整體能量消耗最小化. Wang等[22]將服務(wù)遷移場景中的能耗最小化問題轉(zhuǎn)化為凸問題,并對非凸和非光滑的延遲最小化問題提出了單變量搜索局部最優(yōu)算法,以獲得最優(yōu)結(jié)果. Chen等[23]將服務(wù)遷移問題歸納為NP-hard(non-deterministic polynomial,非確定性多項式)問題,并設(shè)計了一個有效的解決任務(wù)分配和資源分配子問題的方案. Yu等[24-25]提出了一種基于緩存改進的加載模型,該模型通過在資源共享場景中移動終端節(jié)點的聯(lián)合加載策略來最小化總體實施延遲.

隨著相關(guān)研究的不斷推進,服務(wù)遷移場景中存在的問題在一定程度上得到解決,但是很少有工作考慮在進行服務(wù)遷移時,邊緣設(shè)備如何在存在隱私保護約束的條件下進行資源利用率與負載均衡方差指標的聯(lián)合優(yōu)化. 因此,本文針對性地提出了一種邊緣計算環(huán)境下資源效用與隱私保護權(quán)衡的服務(wù)遷移方法,在隱私保護的約束下,能夠保證邊緣設(shè)備的資源利用率和負載狀態(tài)保持理想水平.

1 系統(tǒng)模型

1.1 資源模型

本文旨在對邊緣用戶的服務(wù)請求進行遷移,并進行合理的分配以實現(xiàn)邊緣節(jié)點整體的高效利用與隱私保護. 本文提出的服務(wù)遷移框架如圖1所示,主要由3部分組成,底層是由產(chǎn)生計算服務(wù)的各種實際場景與分布在場景周圍的分布式單元構(gòu)成;中間層是由邊緣計算節(jié)點與接受服務(wù)傳輸?shù)幕緲?gòu)成,這些邊緣節(jié)點只處理所屬基站覆蓋范圍內(nèi)的服務(wù)請求;上層由遠端云數(shù)據(jù)中心構(gòu)成.

圖1 邊緣計算環(huán)境下的服務(wù)遷移框架Fig.1 A service offloading framework in edge computing

在遷移框架中,分布節(jié)點周圍存在大量不斷產(chǎn)生服務(wù)請求的設(shè)備,這些設(shè)備產(chǎn)生的請求任務(wù)首先由分布式單元接收. 再由分布式單元傳輸?shù)阶罱腅N. 然后,會對是否在當前節(jié)點處理任務(wù)進行判斷. 此判斷由整體的資源利用率與負載均衡方差決定. 此外,針對傳輸任務(wù)到遠端EN的情況,該框架引入了時間約束. 在特殊情況下,任務(wù)還會由EN直接傳輸?shù)竭h端的云數(shù)據(jù)中心進行處理以滿足框架的整體要求.

在如圖1所示的邊緣計算任務(wù)遷移框架中,將AC={ac1,ac2,ac3,…,acg}(1≤g≤G)定義為CU集合,其中G代表CU的數(shù)量. CU被改造為邊緣節(jié)點以緩沖處理卸載任務(wù)所帶來的負擔(dān).得益于EN中使用的虛擬化技術(shù),虛擬機(virtual machine,VM)作為計算單元被使用. 服務(wù)卸載場景中部署了大量的DU和EN,它們的集合分別被定義為AD={ad1,ad2,ad3,…,adf}(1≤f≤F)和SE={se1,se2,se3,…,seg}.移動設(shè)備的數(shù)量被預(yù)先設(shè)置為E,移動設(shè)備集合被定義為AM={am1,am2,am3,…,ame}(1≤e≤E).相應(yīng)地,被卸載的計算服務(wù)數(shù)量也被設(shè)置為E,該計算任務(wù)集合被定義為AP={ap1,ap2,ap3,…,ape}.

1.2 平均資源利用率模型

在本模型中,資源利用率代表各個EN的使用程度.而平均資源利用率則是重要的模型判斷指標,其計算過程如下:

首先,使用變量αg判斷seg是否已經(jīng)被占用,其公式定義如下:

(1)

(2)

本模型根據(jù)已使用節(jié)點中虛擬機的數(shù)量來計算EN的平均資源利用率. 已使用的邊緣節(jié)點數(shù)量(記作MS)的計算公式定義如下:

(3)

進一步地,使用UEg表示VM的資源利用率,其公式定義如下:

(4)

式中,χg表示第g個EN中的VM數(shù)量,δe表示數(shù)據(jù)集ape中所使用的VM數(shù)量.

最后,所有處于使用狀態(tài)的EN的平均資源利用率被表示為AVE,其公式定義如下:

(5)

1.3 負載均衡模型

負載均衡方差是重要的評價標準,用于表示EN之間使用程度的差異,其計算需要基于資源利用率.seg的負載分布表示為LBg,其公式定義如下:

LBg=(AVE-UEg)2.

(6)

基于上述分析,所有已使用的EN的平均負載均衡方差,記作AL,其公式定義如下:

(7)

1.4 隱私保護模型

隱私保護是所有網(wǎng)絡(luò)中不可忽視的一點.在本場景中,從各種移動設(shè)備卸載的邊緣服務(wù)請求需要相應(yīng)的數(shù)據(jù)集來處理.然而,不同的數(shù)據(jù)集會存在不同程度的隱私?jīng)_突.為了解決這一問題,這些存在隱私?jīng)_突的邊緣服務(wù)需要不同的EN來執(zhí)行處理.

定義φ=(S,C)用以描述邊緣服務(wù)之間的隱私?jīng)_突,其中S表示為邊緣服務(wù)集,C表示為沖突關(guān)系的集合.為了保證邊緣服務(wù)中隱私信息的安全,定義沖突關(guān)系(bi,bi′)(bi,bi′∈S)表示兩個有沖突的任務(wù)不能放在同一個節(jié)點上執(zhí)行.bg的沖突邊緣服務(wù)公式定義如下:

cbi={bi′|(bi,bi′)∈C,i′∈{1,2,3,…,I}}.

(8)

邊緣服務(wù)的計算卸載策略集被表示為OS={os1,os2,osg,…,osG}(osg∈G)),其中osg表示要處理的bg的目標EN.根據(jù)獲取的一組需要處理的沖突服務(wù),bg存在沖突的EN集合,其公式定義如下:

cdi={csj|csj∈cbi,j∈{1,2,3,…,|cbi|}}.

(9)

1.5 時間消耗模型

如果最先卸載的EN中存在服務(wù)作業(yè),則需要將邊緣服務(wù)卸載空閑節(jié)點進行處理.這一過程將帶來額外時間消耗,需要將其考慮到整體的時間消耗模型中.

首先,使用VFe判斷ape是否被卸載到seg上或者云上,其公式定義如下:

(10)

當邊緣服務(wù)ape被卸載到空閑節(jié)點上,其虛擬機與接入點之間的時間消耗,記作TT,其公式定義如下:

(11)

式中,MSe代表第e個服務(wù)seg的任務(wù)大小,μ表示VM與AP之間的傳輸效率.

其次,使用BE表示服務(wù)卸載中的EN數(shù)量.ENs和ENF分別表示遷移過程中最初到達的EN與最后處理服務(wù)的EN,它們之間的遷移時間被表示為PT,其公式定義如下:

(12)

式中,v代表EN之間的傳輸效率.

如果邊緣服務(wù)從EN遷移到遠程云,則從EN傳遞到云上所需的時間消耗被表示為CT,其公式定義如下:

(13)

式中,σ表示EN和遠程云之間的傳輸效率.

定義二進制變量λ判斷ape被遷移到哪個目的地,其公式定義如下:

(14)

基于上述時間消耗的計算,最后使用OT表示總體時間消耗,其公式定義如下:

(15)

1.6 目標函數(shù)

在上述分析的基礎(chǔ)上,本節(jié)對各邊緣節(jié)點的資源利用率和負載均衡方差進行了建模和量化.如式(5)和(7)所示,資源利用率和負載均衡方差是本文兩個主要優(yōu)化目標.標準的多目標優(yōu)化模型表示為:

maxAVE,

(16)

minAL.

(17)

s.t.cbi?cdi,

(18)

OT≤LT.

(19)

式(18)表明需要考慮隱私約束以確保邊緣服務(wù)中的隱私信息.式(19)表明整個時間消耗根據(jù)傳輸效率、不同EN之間的距離和邊緣服務(wù)的大小計算,將其限制為LT.

2 本文方法

本文設(shè)計了一種基于負載均衡和隱私保護聯(lián)合優(yōu)化的服務(wù)遷移方法(SOM),首先基于改進的強度帕累托進化算法(SPEA2),該方法在處理多目標問題時具有并行處理、全局最優(yōu)和魯棒良好等優(yōu)點,且能精準地對邊緣節(jié)點的資源使用率和負載均衡進行優(yōu)化并得到多組Pareto均衡解;然后利用簡單加權(quán)法(simple additive weighting,SAW)和多準則決策法(multi-criteria decision-making method,MCDM),從SPEA2計算所得的均衡解集合中獲取到最優(yōu)任務(wù)遷移策略.

2.1 基于SPEA2的服務(wù)遷移方法

為了使服務(wù)遷移策略在考慮隱私保護與執(zhí)行時間約束的目標下實現(xiàn)資源利用率與負載均衡的聯(lián)合優(yōu)化,SOM 在求解服務(wù)遷移策略時利用SPEA2 算法來解決該多目標優(yōu)化問題. SPEA2在解決多目標問題時具有更加高效的全局搜索能力,且具有更低的時間和空間復(fù)雜度. SPEA2迭代求解服務(wù)遷移策略的步驟如下所示:

步驟1:初始化(Initialization):在遺傳算法中,需要設(shè)置種群大小Z、交叉概率CP、變異概率MP以及迭代次數(shù)MM,不適合的值會對最后結(jié)果的優(yōu)越程度產(chǎn)生影響.

步驟2:編碼(Encoding):遺傳算法的首要問題是將遷移策略編碼到由基因組成的染色體中. 染色體中的每個基因代表了每個邊緣服務(wù)的遷移策略. 基于對服務(wù)遷移的研究與分析,本文將染色體以整數(shù)數(shù)組的形式進行編碼. 經(jīng)過算法迭代得到的計算任務(wù)遷移策略被定義為FS={FS1,FS2,…,FSZ},其中Z是設(shè)置的種群大小,即策略的個數(shù).

步驟3:選擇(Selection):選擇操作是一個比較的過程. 從目前的策略中選出兩個進行錦標賽選擇,選擇其中更優(yōu)越的策略放入交配池中,而交配池中的較為優(yōu)秀的個體將繼續(xù)進行后續(xù)操作,從而加速遷移策略的生成.

步驟4:交叉和變異(Crossover and Mutation):在交叉過程中采用單點交叉方法,以概率CP隨機選擇交叉點,圍繞這個交叉點,兩個父染色體進行交換,從而產(chǎn)生兩個新的子染色體. 當子染色體的表現(xiàn)不再優(yōu)于父染色體但依然沒有達到全局最優(yōu)解時,就會發(fā)生過早收斂. 此時就會以MP的概率進行突變操作,從而產(chǎn)生種群個體即新的任務(wù)遷移策略,其目的是加速策略生成同時保持策略的多樣性.

步驟5:適應(yīng)性函數(shù)和約束條件(Adaptive Functions and Constraints):遺傳算法選擇基于適應(yīng)度函數(shù)評價每個個體的優(yōu)劣程度. 在本優(yōu)化問題中,兩個對象組成了適應(yīng)度函數(shù):式(5)的資源利用率和式(7)的負載均衡方差. 如何在最大化資源利用率的同時最小化負載均衡方差是本文的目標問題. 此外,由于在邊緣服務(wù)傳輸過程中,隱私保護和傳輸時間的約束也需要滿足,因此定義式(18)和(19)實現(xiàn)隱私保護和時間約束.

經(jīng)過執(zhí)行此方法,一個服務(wù)遷移任務(wù)可能多產(chǎn)生多個可行的遷移策略. 在本文中,上述遷移方法將產(chǎn)生Z個策略,這些策略都是可以滿足約束(18)和(19)的可行解,因此,需要從這些可行解中選取一個最優(yōu)解來充當最終執(zhí)行策略. 本文擬采用SAW和MCDM方法來獲取該解.

2.2 基于SAW和MCDM的最優(yōu)策略選擇

在本文中,資源利用率為正準則,負載均衡為負準則. 根據(jù)模型部分計算出資源利用率和負載均衡方差. 正準則資源利用率的有效性隨著其值的增大而提高,負準則負載均衡的有效性隨著其值的減少而降低. 假定最終經(jīng)過迭代后得到的Z個遷移的策略集合為FS,每一個遷移策略所對應(yīng)的UTz(1≤z≤Z)代表第z個策略的資源使用率,BAz代表第z個策略的負載均衡.正準則資源利用率的公式定義如下:

(20)

式中,UTmax代表資源利用率的最大值,UTmin代表最小值.

負準則負載均衡的公式定義如下:

(21)

式中,BAmax代表負載均衡方差的最大值,BAmin代表最小值.

基于式(20)和(21),效用值公式定義如下:

EYz=VLz,UT·τ1+VLz,BA·τ2,

(22)

式中,τ1代表資源使用率的權(quán)重,τ2代表負載均衡方差的權(quán)重.

最后,MCDM在所有遷移策略中選擇具有最大效用值的策略作為最優(yōu)策略.

2.3 算法概況

算法1 SOM求解過程

輸入MM

輸出ST

Begin

初始化種群

mm=1

formm

執(zhí)行交叉和變異操作

for種群中的每一個染色體 do

根據(jù)式(5)計算資源使用率

根據(jù)式(7)計算負載均衡

end for

執(zhí)行選擇操作

根據(jù)式(20)、(21)和(22)評估效用值

mm=mm+1

end for

Return最優(yōu)服務(wù)遷移策略ST

End

SOM方法旨在滿足隱私保護和時間約束的限制下,優(yōu)化資源利用率以及降低負載均衡方差. 而在多目標優(yōu)化問題中,SPEA2算法有著良好性能,常用來解決此類問題. SOM的流程如下:首先,所有被卸載邊緣服務(wù)的節(jié)點都需要被編碼. 然后,基于選擇、交叉和變異操作,得到相應(yīng)遷移策略. 進一步地,給出該方法的適應(yīng)度函數(shù)和約束條件. 最后,使用SAW和MCDM方法獲得遷移最優(yōu)策略. 在算法1中,偽代碼描述了本文所提出的SOM方法. 其中,MM代表最大迭代次數(shù),ST代表最優(yōu)遷移策略.

3 實驗結(jié)果與討論

3.1 實驗環(huán)境

本實驗的計算服務(wù)器是聯(lián)想Y7000,基本配置包括英特爾i5-8300H 2.3GHz、8GB內(nèi)存和512GB SSD. 表1列出了本實驗所使用的6個基本參數(shù). 為了確保分析準確與合理,本實驗設(shè)置了5種不同規(guī)模的邊緣服務(wù)的數(shù)量來生成5種不同規(guī)模的數(shù)據(jù)集. 邊緣服務(wù)的數(shù)量分別設(shè)置為50、100、150、200和250,這些規(guī)模被統(tǒng)一定義為N.

表1 參數(shù)設(shè)置Table 1 Parameter settings

3.2 對比方法

為了充分展示SOM的性能,在本文實驗中選擇以下3種方法作為對比方法[21],具體描述如下:

Benchmark:邊緣服務(wù)被卸載到最近的邊緣節(jié)點進行處理. 如果邊緣服務(wù)需要更多的虛擬機才能執(zhí)行,則這些服務(wù)將被遷移到當前服務(wù)附近的邊緣節(jié)點. 此過程重復(fù)執(zhí)行,直到遷移完所有邊緣服務(wù).

FFD:根據(jù)任務(wù)所需的虛擬機數(shù)量,按降序排列邊緣服務(wù). 然后,將第一個邊緣服務(wù)遷移到可以提供足夠多虛擬機的第一個邊緣節(jié)點. 這個過程會一直執(zhí)行下去,直到所有邊緣服務(wù)都遷移完.

BFD:邊緣服務(wù)是根據(jù)所需的虛擬機數(shù)量按降序排序. 然后,將第一個邊緣服務(wù)遷移到擁有最少虛擬機數(shù)的邊緣節(jié)點中,但仍然足夠執(zhí)行此邊緣服務(wù)的節(jié)點上. 這個過程重復(fù)執(zhí)行,直到所有的邊緣服務(wù)都遷移完.

3.3 實驗結(jié)果與分析

3.3.1 平均資源利用率對比

平均資源利用率是評價整個系統(tǒng)綜合利用程度與算法實際表現(xiàn)的重要指標之一. 在本實驗中,資源利用率是指各個邊緣計算節(jié)點中硬件的利用程度,越低的資源使用率意味著越多的硬件處于閑置狀態(tài),將極大程度上地造成資源的浪費、影響服務(wù)的執(zhí)行,本文的目標是盡可能地提高各個節(jié)點的資源利用率. 而在實際實驗中,不可避免的情況是不同機器的資源利用率處于不同的水平,因此本實驗采用的評價指標是平均資源利用率,保證整個系統(tǒng)所有資源的整體利用率保持在較高水準.

如圖2所示,在5種邊緣服務(wù)規(guī)模的對比中,可以直觀地看出SOM在平均資源利用率指標上的表現(xiàn)均優(yōu)于Benchmark、FFD和BFD. 而表2展示了上述3種基準方法的對比,即SOM在資源利用率指標上性能的提高程度,可以看出,在任務(wù)較少時,SOM方法在提高資源利用率性能優(yōu)越程度上表現(xiàn)較好. 隨著任務(wù)數(shù)量的增多,SOM的性能提高程度降低,這也符合現(xiàn)實依據(jù),在硬件資源一定的條件下,資源利用率逐漸趨近閾值,提高程度逐漸降低.

圖2 資源使用率對比圖Fig.2 The chart of resource utilization comparison

表2 資源利用率性能提高程度對比Table 2 Comparison of resource utilization

3.3.2 負載均衡方差對比

負載均衡方差是作為評價整個系統(tǒng)靈活性和計算能力的重要指標. 傳統(tǒng)的負載均衡機制按照指定的負載均衡算法分配任務(wù)到指定的邊緣計算節(jié)點,當某些節(jié)點因不可抗力因素導(dǎo)致服務(wù)不可達時,該機制可以保證任務(wù)被合理分配,進而保證系統(tǒng)的健壯性. 當邊緣節(jié)點之間的負載均衡得到保證時,就可以更大程度地發(fā)揮出邊緣節(jié)點的性能,并減少節(jié)點的整體能耗.

如圖3所示,在5種邊緣服務(wù)規(guī)模的對比中,可以直觀地看出SOM在負載均衡方差指標上的表現(xiàn)均優(yōu)于Benchmark、FFD和BFD. 而表3展示了上述3種基準方法對比,即SOM在負載均衡方差指標上性能的提高程度. 可以看出在該指標上,SOM方法的提高程度處于較高的水平,這表明SOM方法比Benchmark、FD和BFD更適用于對靈活系統(tǒng)有較高需求的場景,而服務(wù)遷移對靈活性正有著較高的需求,因此SOM的有效性得到了證明.

圖3 負載均衡方差對比圖Fig.3 The chart of load balance variance comparison

表3 負載均衡方差提高程度對比Table 3 Comparison of load balancing

4 結(jié)論

在服務(wù)遷移的場景下,為了在滿足隱私保護和時間限制約束的同時優(yōu)化資源利用率和保持邊緣節(jié)點的負載均衡,本文提出了一種基于資源效用和隱私保護的服務(wù)遷移方法. 首先分析邊緣節(jié)點的資源利用和隱私保護現(xiàn)狀,然后對問題進行建模,將其規(guī)約為約束條件下的雙目標問題. 然后提出相應(yīng)的服務(wù)遷移方法,利用SPEA2、SAW和MCDM等技術(shù)手段對問題進行求解,使得邊緣用戶的計算任務(wù)可以合理分配,并均衡部署在多個邊緣節(jié)點中進行計算,實現(xiàn)邊緣節(jié)點資源的高效利用. 最后,進行實驗評估,驗證了該方法的有效性.

將任務(wù)用戶的不規(guī)則移動性考慮到服務(wù)遷移中并且擴展到現(xiàn)實世界是筆者未來的工作方向之一:用戶具有復(fù)雜移動性的特征符合現(xiàn)實情況,該研究將具有更高的研究價值與更廣的現(xiàn)實意義. 此外,鑒于當今深度學(xué)習(xí)技術(shù)不斷推進與對人工智能技術(shù)需求不斷提高的現(xiàn)實依據(jù),將與深度學(xué)習(xí)有關(guān)的復(fù)雜異構(gòu)任務(wù)考慮結(jié)合到該邊緣計算的服務(wù)遷移場景下是筆者未來的另一研究方向:不斷探究邊緣智能場景中存在的問題與挑戰(zhàn),最終實現(xiàn)邊緣智能的實際應(yīng)用與落地實現(xiàn).