技术领域
[0001] 本
发明属于
软件优化技术领域，具体涉及一种面向移动边缘计算环境的服务选择方法。
背景技术
[0002] 随着移动设备和移动通信技术的发展，移动设备越来越普及，给的我们工作、生活和学习带来了极大便利。与此同时，日益复杂多样的移动应用也对移动设备的计算、通讯和存储等能
力提出了越来越高的要求，这些应用时常会超出移动设备的能力范围。为了满足这些需求，移动边缘计算随之被提出，移动边缘计算旨在网络的边缘设备上为移动设备提供服务，以此扩展移动设备的能力。边缘设备是指网络边缘的路由器、交换机、基站等设备，通过在这些设备上部署并提供服务以达到扩展移动设备能力的目的。与
云服务相比，由于数据传输不经过主干网，因此边缘服务可以大大缩减服务响应时间，缓解主干网的通信压力，并在一定程度上减少网络拥塞。
[0003] 虽然与云
服务器相比，边缘设备提供服务的方式具有上述诸多优点，但是边缘服务器资源有限，只能部署有限的服务，所以只能满足部分服务
请求，不能满足所有的服务请求。所以，当边缘服务器收到其不能满足的服务请求时，只能将服务请求传递到其它部署有该服务的边缘服务器或者云服务器上执行；此时，如何为服务请求选择服务成为一个关键问题。另外，在移动环境中，服务执行的同时，用户也在移动；因此，服务执行完成以后，还需要查找可以
覆盖用户当前
位置的边缘服务器，将结果服务执行结果传送到该边缘服务器上，反馈给用户。
[0004] 移动技术发展的同时，移动应用也变得日益复杂多样，复杂的移动应用通常包含多个子任务。在移动边缘计算系统中，这些子任务可以由不同的设备独立执行并通过
服务组合的形式进行组合，因此服务选择需要对服务请求中的每个子任务选择满足其需求的服务，这无疑更增加的移动边缘计算环境中服务选择的难度。
发明内容
[0005] 鉴于上述，本发明提供了一种面向移动边缘计算环境的服务选择方法，能够解决移动边缘计算环境中的服务选择问题。
[0006] 一种面向移动边缘计算环境的服务选择方法，包括如下步骤：
[0007] (1)收集系统中的所有设备信息、设备的服务信息以及设备之间的连接信息，所述设备包括边缘服务器以及云服务器；
[0008] (2)由边缘服务器接收服务请求；
[0009] (3)应用GAMEC(Combined Genetic Algorithm and Simulated Annealing Algorithm for Service Selection in Mobile Edge Computing Systems)
算法为服务请求中的各子任务选择服务；
[0010] (4)根据服务选择方案和用户的移动路径计算确定目的边缘服务器，并由目的边缘服务器将服务执行结果传送给用户。
[0011] 进一步地，所述步骤(1)中的设备信息包括边缘服务器的覆盖区域以及边缘服务器上部署的服务，服务信息包括边缘服务器和云服务器上部署的服务种类、功能、服务执行时间以及输入和输出数据量，连接信息包括任意两台边缘服务器之间的数据传输速率以及各边缘服务器与云服务器之间的数据传输速率。
[0012] 进一步地，所述步骤(2)中的服务请求包含多个子任务、各子任务之间的组合关系(顺序、并发等)、服务请求的接收时间以及用户的移动路径。
[0013] 进一步地，所述步骤(3)中GAMEC算法的具体执行过程如下：
[0014] 3.1初始化一定规模的种群，计算种群中每个
染色体的适应度，取适应度最高的染色体作为最优染色体；所述染色体包含有n个基因，n为服务请求
中子任务的数量，所述基因与子任务为对应关系即表示为对应子任务所选择的服务编号，则染色体即对应为服务请求中所有子任务的一整套服务选择方案；
[0015] 3.2使种群中的染色体进行交叉变异，对于交叉变异过程中生成的任一子染色体，则计算该子染色体的适应度并使其与对应的父染色体进行比较：若子染色体的适应度小于等于父染色体的适应度，则使子染色体按概率η替换父染色体；若子染色体的适应度大于父染色体的适应度，则使子染色体替换父染色体，进而使该子染色体与最优染色体进行适应度比较，若子染色体的适应度大于最优染色体的适应度，则使子染色体替换最优染色体；所述概率η基于模拟
退火算法确定；
[0016] 3.3以设定的冷却速率对模拟退火算法中的当前
温度进行降温；
[0017] 3.4根据步骤3.2～3.3反复进行遗传
迭代直至温度降至设定的最低温度
阈值，输出种群中的最优染色体并根据其对应的服务选择方案为服务请求中各子任务选择最优服务。
[0018] 进一步地，所述步骤3.1中对于初始化种群每一染色体的基因，则从可执行对应子任务的候选服务集合中随机选取，并将所选服务的编号赋予对应的基因。
[0019] 进一步地，所述步骤3.1中计算每个染色体的适应度，即采用染色体所对应的服务选择方案为服务请求中每个子任务选择服务，并选择目的边缘服务器将结果传送给用户的服务请求总体响应时间，该总体响应时间即为从服务请求被提出到所有子任务执行结束返
回执行结果的时间间隔，具体包括用户上传数据到边缘服务器的时间、设备执行各子任务的时间以及将执行结果反馈给用户的时间的总和，服务请求总体响应时间越少则适应度越高。
[0020] 进一步地，所述步骤3.2中基于模拟退火算法确定概率η的计算表达式如下：
[0021]
[0022] 其中：K为给定常数，T为当前温度，Is和If分别为子染色体和父染色体的适应度。
[0023] 本发明应用
遗传算法不断产生新的服务选择方案，然后针对每个选择方案选择目的边缘服务器并计算整体服务响应时间，对这些选择方案进行选择，保留较优的方案，淘汰较差的方案，重复迭代过程，对选择方案进行交叉、变异、评价、选择，最终得到最后的选择方案和目的边缘服务器。
[0024] 相对于
现有技术，本发明方法可以在移动边缘计算环境中服务请求复杂即包含多个子任务且服务响应时间敏感的环境中对服务请求进行选择，并选择目的边缘服务器来传递服务执行结果；本发明在服务选择过程中，考虑了用户的位置移动，并将用户的移动信息融入到服务选择中；本发明不仅通过服务选择来减小服务总体响应时间，还提出了目的边缘服务器的选择方案，进一步减小服务响应时间；本发明采用启发式方法，在遗传算法中引入模拟退火方法的
温度控制机制，可以在算法初始阶段扩大算法的搜索范围，有效避免陷入局部最优，在算法的终止阶段加快收敛速度，提高算法的效率。
附图说明
[0025] 图1为本发明方法的整体流程示意图。
具体实施方式
[0026] 为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
[0027] 现有的服务选择方法不适用于边缘计算环境，经过研究发现，一方面因为云服务器功能强大，默认可以满足所有的用户请求的功能，不需要向其它服务器转移服务请求；另一方面，在传统的固网环境下，服务调用过程中，数据的传输速率相对稳定，且用户上传服务输入参数和接受服务执行结果的地理位置一致。而相比于传统固网环境，边缘服务器功能有限不能满足所有的服务请求，需要向其它设备转移服务请求，移动边缘计算环境中，用户在不断移动，数据传输速率因受到位置和相连的边缘服务器的影响而不断变化。此外，用户的移动导致位置和关联服务器的变化，因此，服务执行完成后需要查找传输服务执行结果的边缘服务器。为此，本发明提出面向移动边缘计算环境的服务选择方法，在移动边缘计算环境中对服务进行选择，并在选择完成以后查找用于传输服务执行结果的目标边缘服务器，使得服务的总体响应时间最小。
[0028] 如图1所示，本发明面向移动边缘计算环境的服务选择方法，包括如下步骤：
[0029] (1)收集系统中的所有设备信息、设备上的服务信息以及各设备之间的连接信息；设备信息是指每个边缘设备的覆盖区域及其部署的服务，设备上的服务信息是指所有边缘设备和云服务器上部署的服务种类、功能、服务执行时间、输入/输出数据量等信息，各设备之间的连接信息主要是指任意两个设备之间的数据传输速率，包括各边缘设备之间的数据传输速率以及每个边缘设备和云服务中心之间的数据传输速率。
[0030] (2)边缘服务器接收服务请求，服务请求包含其中的所有子任务、各子任务之间的组合关系(顺序、并发等)、请求的接收时间，以及用户的移动路径等信息。为了方便计算，我们将用户的路径划分为多个小的
片段，片段足够小时可以近似认为用户在此范围内静止，用户的移动路径具体表示为离散的时间片段，每一个时间片段对应一个地理位置、一个边缘服务器和一个数据传输速率，表示用户在该时间片段内所处的地理位置、相连的边缘服务器和与边缘服务器之间的数据传输速率。
[0031] (3)应用GAMEC算法为服务请求选择服务，具体包括如下步骤：
[0032] S301：将服务选择问题建模为遗传模型。染色体表示可行解，染色体对应服务选择方案；基因对应满足对应服务请求子任务的服务，即可以是边缘服务器上部署的服务也可以是云服务器上部署的服务；基因的位置对应服务请求中的子任务；染色体的适应度表示服务请求的总体响应时间，染色体的适应度越高表示对应服务选择方案的服务请求总体响应时间越低。
[0033] S302：对GAMEC算法进行初始化，包括初始种群大小、交叉概率、变异概率、初始温度、最低温度、冷却速率等，根据服务选择问题的规模大小，选择合适的参数。
[0034] S303：根据初始化数据产生初始种群，初始种群中的每个染色体代表一个可行服务选择方案，它包含多个基因，基因的个数与服务请求中包含的子任务个数相同，染色体上的每个位置对应一个子任务，该位置上的基因表示为对应子任务选择的服务。初始化种群的大小在算法的初始化参数设置中决定，初始化时为每一个染色体的每一个位置随机选择候选基因，候选基因对应为所有能满足对应子任务的服务，即包含边缘设备上的服务也包含云服务器上的服务。
[0035] S304：对初始种群进行评价、选择，从而保留较优个体，淘汰较劣个体。种群的选优过程受到各染色体适应度的影响，适应度越高的染色体被保留的可能性越高，适应度越低的染色体被淘汰的可能性越大；适应度对应的服务选择方案中服务请求的总体响应时间，即从服务请求被提出到所有服务执行结束返回执行结果的时间间隔，具体包含用户上传数据到边缘服务器的时间，边缘系统执行所有服务的时间，以及将结果反馈给用户的时间。
[0036] 边缘系统执行服务的时间需要对各子任务的响应时间进行组合，对于顺序执行的子服务，将其响应时间进行求和得到组合响应时间；对于并发执行的子服务，取较长的响应时间作为组合响应时间，不断对子服务的响应时间进行组合，最终可以得到服务请求的总体响应时间。
[0037] 对每一个子任务，其响应时间为服务执行时间和服务的输入输出数据传输时间之和，服务的执行时间为服务的属性不受其它因素影响，服务的数据传输时间可以通过传输数据量除以服务器之间的数据传输速率来计算。
[0038] S305：对保留的个体进行交叉操作，从而产生新的个体；交叉的过程即基因重组的过程，交叉过程涉及两个染色体。本发明采用经典的单点交叉操作，即在染色体上选择一个点位，两条染色体上位于该点位之前的基因保持不变，该点位之后的基因进行交换。每次交叉将产生两条新的个体，新的个体对两个母体的基因进行了重组，其适应度有可能比两个母体都要高。因此，通过交叉可能会产生适应度更高的染色体，在此问题中对应产生了更优的服务选择方案。
[0039] 交叉的次数由初始化时产生的交叉概率决定，具体过程为对每个染色体随机产生一个0到1之间的实数，如果该实数小于交叉概率，则随机选择另外一个染色体进行交叉操作。
[0040] S306：对个体进行变异操作，变异的过程同样是产生新染色体的过程。不同的是，变异过程仅涉及一个染色体，变异操作同样在染色体上选择一个点位，并把该点位上的基因随机更换为另一个基因；每次变异将产生一条新的个体，新的个体对母体的基因进行了变异，其适应度有可能比母体要高。因此，通过变异可能会产生适应度更高的染色体，在此问题中对应产生了更好的服务选择方案，即服务请求的总体响应时间更低。
[0041] 变异的次数由初始化时产生的变异概率决定，具体过程为对每个染色体随机产生一个0到1之间的实数，如果该实数小于变异概率，则对该染色体进行变异操作。
[0042] S307：根据服务选择方案选择目的边缘服务器，目的边缘服务器决定了将服务执行结果反馈给用户所需要的时间，具体选择过程为：根据服务选择方案计算服务执行完成的时间，并据此找到该时间用户所在的位置，然后计算将服务执行结果传送到该位置的时间，如果该时间早于用户离开此位置的时间，则覆盖该位置的边缘服务器即为目的边缘服务器；如果该时间晚于用户离开此位置的时间，则找到用户移动轨迹的下一位置，并计算将服务执行结果传送到覆盖该位置的边缘服务器的时间，与用户离开该位置的时间进行比较，重复计算，直至找到服务执行结果到达时间早于用户离开时间的位置，覆盖该位置的边缘服务器即为目的边缘服务器。
[0043] S308：对新的种群进行评价、选择；确定目的服务器之后，就可以计算通过交叉和变异产生的新染色体的适应度；如果产生的新染色体的适应度高于原染色体的适应度，则用新染色体替换原染色体；如果衍生的新染色体的适应度低于原染色体，则计算替换概率：
[0044] 替换概率＝exp(-(子染色体适应度-父染色体适应度)/K×当前温度)[0045] 其中：K为一固定常数；选择的原则是优胜劣汰，适应度变高的新染色体替换原染色体，而适应度变低的染色体在其适应度与原染色体相差不大，或者当前温度很高的情况下也可以大概率替换原染色体。这样一来，既能实现优胜劣汰，也可以充分利用温度属性，在算法初始阶段温度较高时扩大搜索范围，防止陷入局部最优，在算法终止阶段温度较低时加快收敛速度，提高算法的效率。
[0046] S309：不断重复遗传迭代过程直至温度降至最低温度，得到最优服务选择方案。遗传迭代是不断地交叉、变异，以及选优的过程，它是GAMEC算法的主要过程，每轮迭代以后，温度按照冷却速度降低，以减小算法搜索范围，提高收敛速度。GAMEC算法的遗传迭代过程就是对以上交叉、变异、选择过程的不断重复执行，一次迭代完成之后，如果温度没有降至最低温度，则算法继续，开始新一轮的迭代执行；如果温度已达到最低温度，则迭代过程完成，返回历史最优染色体，算法结束。
[0047] (4)根据服务选择方案和用户路径计算目的边缘服务器，即按照服务选择过程中的目的边缘服务器查找方法确定目的边缘服务器，传送服务执行结果。
[0048] 上述对
实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种
修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。
