阅读说明：本技术 基于无线城域网的微云节点放置方法 (Micro cloud node placement method based on wireless metropolitan area network ) 是由 刘漳辉 郑勇杰 陈星� 黄引豪 郭莹楠 于 2019-11-08 设计创作，主要内容包括：本发明涉及一种基于无线城域网的微云节点放置方法。在无线城域网中选取K接入点放置微云节点,将粒子直接编码为接入点序号,基于粒子群优化算法,先通过随机初始化一批粒子,通过适应度函数计算每个粒子的适应度值,记为该粒子的自身粒子最优值,同时选出其中适应度值最优的个体为种群最优粒子,并将该粒子的适应度值记为种群粒子最优值,同时在每一次迭代时将粒子通过变异操作与对优秀个体的交叉操作得到新的粒子,并选出每个粒子的自身最优值,与种群粒子最优值,进入下一代,重复迭代至预设阈值次数,完成微云节点的放置搜索。本发明通过优化微云节点放置,更好地减小用户任务的平均响应时间,得到高效率、低延迟的服务。(The invention relates to a micro cloud node placement method based on a wireless metropolitan area network. Selecting a K access point in a wireless metropolitan area network to place a micro cloud node, directly coding particles into access point serial numbers, initializing a batch of particles at random based on a particle swarm optimization algorithm, calculating the fitness value of each particle through a fitness function, recording the fitness value as the optimal particle value of the particle, selecting an individual with the optimal fitness value as an optimal population particle, recording the fitness value of the particle as the optimal population particle value, obtaining new particles through variation operation and cross operation on the excellent individual during each iteration, selecting the optimal value of each particle, entering the next generation together with the optimal population particle value, repeating the iteration to the preset threshold number of times, and completing the placement and search of the micro cloud node. According to the invention, by optimizing the placement of the micro cloud nodes, the average response time of the user task is better reduced, and high-efficiency and low-delay service is obtained.)

基于无线城域网的微云节点放置方法

技术领域

本发明涉及一种基于无线城域网的微云节点放置方法。

背景技术

随着万物互联的到来，网络连接对象正从人扩展至物。手机，pad等智能设备在人们日常生活、学习、社交、工作等领域的作用越来越大。同时如各种传感器、智能仪表、智能相机等在工农业、医疗、教育、交通、智能家居、环境保护等行业中得到广泛应用。据统计，截至2017年，移动云流量已经占整个移动流量的84％。而且根据IDC的预测，2020年全球移动数据总量将达40000EB，年复合增长率达36％，移动云流量将占整个移动流量的94％；而中国互联网数据流量增长速度更为突出，2020年中国互联网数据流量将达8806EB，占全球数据产量的22％，年复合增长率达49％。

移动终端的通信流量呈现出***式的增长，同时用户和企业对终端的使用流畅度、用户体验等各方面的要求也日益增高，移动应用程序变得越来越计算密集型，计算能力需求增大，而移动设备的计算能力、电池寿命、存储容量等因其体积尺寸而受到限制，尤其是电量续航。

边缘计算(Edge Computing)应运而生。OEC给出了对边缘计算的定义：边缘计算在接近用户的位置提供小型数据中心，即边缘节点。微云是一种资源丰富的、能够连接到高速互联网并能为移动设备提供服务的可信计算机或计算机集群，运用微云技术，能够使移动设备的电池压力得到缓解，提高数据的存储和处理能力，致力于实现信息的超低时延传输。相比于移动边缘计算(MEC)和雾计算，微云主要用于移动增强，能够为移动设备提供丰富的计算资源，尤其是关注边缘的视频分析应用，能够提取边缘数据的标签和元数据并传输到云，以实现高效的全局搜索。

用户将计算密集型任务卸载到最近的微云上，能显著缩短时延，降低成本。用户接入微云具有短时延、单跳、高带宽和低成本等优势，并能获得实时响应，是减小移动设备中程序的系统响应时间的有效方法之一。但是和云计算中心相比，微云又有以下不足：微云只能通过小覆盖范围的Wi-Fi接入点来访问，并且和云端数据中心相比，计算资源明显不足，

虽然目前在微云计算和微云卸载技术方面已经有了大量的研究，但是很少关注微云节点的放置，如何更进一步地优化微云节点放置问题以提升移动应用性能仍有待深入研究。

发明内容

本发明的目的在于在边缘环境下，针对无线城域网中复杂的网络环境进行微云节点放置，提供一种基于无线城域网的微云节点放置方法。

为实现上述目的，本发明的技术方案是：一种基于无线城域网的微云节点放置方法，在无线城域网中选取K接入点放置微云节点，将接入点序号记录在粒子集合中，粒子直接编码为接入点序号，基于粒子群优化算法，先通过随机初始化一批粒子，通过适应度函数计算每个粒子的适应度值，记为该粒子的自身粒子最优值，同时选出其中适应度值最优的个体为种群最优粒子，并将该粒子的适应度值记为种群粒子最优值，同时在每一次迭代时将粒子通过变异操作与对优秀个体的交叉操作得到新的粒子，并选出每个粒子的自身最优值，与种群粒子最优值，进入下一代，重复迭代至预设阈值次数，完成微云节点的放置搜索。

在本发明一实施例中，该方法具体实现如下：

步骤S1、粒子编码：

在无线城域网中选取K接入点放置微云节点，即粒子的编码长度为K，将接入点序号记录在粒子集合中，粒子直接编码为接入点序号，且按照序号大小递增，值不超过接入点序号最大值；

步骤S2、适应度函数：

应用下式计算粒子的平均响应时间记为当前粒子的适应度函数值，若粒子的平均响应时间越短，则粒子越优秀；

其中：

t_i＝w_ij+D_jk+t_cloudlet(k)

t_cloudlet(k)＝Func_Q(Λ(k))+1/μ

Func_Q(λ)＝C(c,λ/μ)/(cμ-λ)

W＝{w_ij|0≤i＜n,0≤j＜m}表示用户与无线连接的接入点之间的无线延迟的集合，D＝{D_jk|0≤j,k＜m}表示接入点之间的传输时延的集合；μ表示微云中服务器的服务率；Func_Q(λ)根据任务抵达率总和λ，和微云的工作能力得出该微云在负载下的队列时间；Λ(k)表示被调度到微云k的任务抵达率总和；User_i表示用户集合；C(c,ρ)计算公式是经典的Erlang队列公式，c表示服务器数量，ρ表示每台服务器在相应任务下的处理时间；

步骤S3、粒子迭代：

采用改进后的PSO-GA算法粒子引入了遗传算子的交叉变异操作，更新策略公式为：

其中，t代表当前的迭代次数；X_i ^t分别表示第i个粒子在第t次迭代时的位置；w为惯性权重，表示粒子具有保持当前速度的能力；p_best_i ^t和g_best^t分别表示粒子经过t次迭代后粒子自身历史最优值与种群历史最优值；c₁和c₂是学习因子，可以控制粒子对自身历史最优值与种群历史最优值的学习能力；C_g表示粒子与种群历史最优值的交叉操作；C_p表示粒子与该粒子自身历史最优值的交叉操作；

粒子在更新过程中会经过粒子个体自身的变异，个体认知交叉和社会种群认知交叉三个过程，使得粒子朝着最优解搜索；粒子个体自身变异公式、个体认知交叉公式、社会种群认知交叉公式分别如下：

步骤S4、由于微云节点放置问题是非线性问题，因此将惯性权重w公式调整为

是求解粒子与最优解之间不同值在粒子长度中的比例。

相较于现有技术，本发明具有以下有益效果：本发明方法，考虑了复杂的无线城域网环境中用户和接入点之间的联系，在研究证实在合理的微云节点数量，找到一个合理且合适的微云节点放置方案可以带来更高的性价比下，并结合遗传算法与粒子群优化算法的优点，生成微云节点放置结果；本发明提出的方法通过优化微云节点放置，在合理的个数的微云下，更好地减小用户任务的平均响应时间，得到高效率、低延迟的服务，符合用户密度规律的，同时在此基础上得到了优化。

附图说明

图1为简单的无线城域网示意图。

图2为粒子编码示例。

图3为粒子变异。

图4为粒子交叉。

图5为不同微云节点数量下的系统平均响应时间。

图6为K＝8时的三种微云节点放置。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于无线城域网的微云节点放置方法，在无线城域网中选取K接入点放置微云节点，将接入点序号记录在粒子集合中，粒子直接编码为接入点序号，基于粒子群优化算法，先通过随机初始化一批粒子，通过适应度函数计算每个粒子的适应度值，记为该粒子的自身粒子最优值，同时选出其中适应度值最优的个体为种群最优粒子，并将该粒子的适应度值记为种群粒子最优值，同时在每一次迭代时将粒子通过变异操作与对优秀个体的交叉操作得到新的粒子，并选出每个粒子的自身最优值，与种群粒子最优值，进入下一代，重复迭代至预设阈值次数，完成微云节点的放置搜索。

以下为本发明的具体实现过程。

1、设计模式

无线城域网包含若干个能通过互联网互相连接的无线接入点集合(AccessPoint,AP)和众多可以通过无线接入点接入无线网络的用户集合(User)。无线城域网中的用户与接入点之间的关联关系可以用一个无向图G＝(V,E)来表示，其中V＝AP∪User，表示所有的接入点和用户集合，E中含有两种类型的边：一种是两个接入点AP_i与AP_j之间的连接(AP_i,AP_j)，两接入点通过有线连接直接相连，具有一条低延迟的高速网络传输路径；另一种边是用户i与接入点AP_j之间的无线连接(User_i,AP_j)，该用户可以通过该接入点连接网络。同时，我们定义接入点组成的图是无向连通图，这就意味着G中包含的任何一个接入点都可以通过高速的互联网访问另一个接入点。

图1是一个简单的无线城域网系统模型，所有接入点通过有线高速网络互相连通，构成无向连通图，接入点可以直接连接在其覆盖范围内的所有用户，因此定义用户可以与多个接入点相连接，如图1中有用户既可以选择接入点4和也可以选择接入点6。在无线城域网系统中，移动用户产生的任务量是浮动且无法准确预知的，尤其是在同一时间运行多个应用的时候，因此我们定义用户在某一时间段的平均任务量为该用户某一时刻的任务量，并且该任务是一束可卸载的任务流，以抵达率λi的泊松过程随机进入系统。

对于W＝{w_ij|0≤i＜n,0≤j＜m}表示用户与他的若干个无线连接的接入点之间的无线延迟的集合。对于D＝{D_jk|0≤j,k＜m}表示接入点之间的传输时延的集合。

在无线网络系统中首先会产生传输任务所需的延时，在网络中的用户通过与之直接相连的接入点，将任务需求传递给微云，并将自己的任务卸载到微云上去执行。假定被卸载的任务都有同样的数据包大小，因此用户的每一个任务通过网络在同一组接入点之间传输时所产生的延时都是相等的，我们定义一个矩阵D∈R^m*m，其中D_j,_k表示任务在接入点AP_j与接入点AP_k之间传输所产生的传输延时。首先，用户i传输任务给与之无线连接的接入点AP_j，需要无线延时ω_ij，此时，如果用户i的任务需求还需被调度到部署在AP_k上的微云去执行，那么任务就需要从AP_j传到AP_k，那么就会额外产生接入点之间传输任务的延时D_jk。

定义函数FuncQ，函数根据从所有用户输入到该微云的任务抵达率总和λ，即当前微云的工作负载，和微云的工作能力得出该负载下微云的队列时间。

Func_Q(λ)＝C(c,λ/μ)/(cμ-λ) (1)

μ表示微云中服务器的服务率；

式(2)是经典的Erlang队列公式；c表示服务器数量，ρ表示每台服务器在相应任务下的处理时间；

根据公式(1)可知，如果一个微云的工作负载过重，队列时间就会变得格外的长。微云负载增大，会使得每个工作流的等待时间变长，从而严重增加了整个WMAN系统的平均响应时间，用户的应用处理能力减弱，造成用户不好的使用体验我们用Λ表示被调度到放置在AP(k)处的微云的负载集合。

其中User_j表示被调度到部署在AP_k处的微云的用户集合。

部署在AP_k处的微云上的每个任务的队列等待时间为

t_cloudlet(k)＝Func_Q(Λ(k))+1/μ (4)

根据式(4)可知，用户i将任务卸载后在无线城域网的平均等待时间为传输时延和队列等待时延之和。

t_i＝w_ij+D_jk+t_cloudlet(k) (5)

其中用户i与接入点AP_j无线连接，并通过有线连接的接入点调度到部署在AP_k处的微云。因此在无线城域网系统中所有用户卸载任务的平均等待时间，即系统的响应时间为：

定义在无线城域网中部署微云节点位置问题为(K Cloudlet PlacementProblem,KCP)：根据给定的整数K≥1和系统参数(G,Λ,W,D,μ,c)，给出一个微云节点放置，使得无线城域网系统任务平均响应时间最小化：

2、本发明方法流程

2.1、粒子编码

问题编码的方式会直接影响到算法搜索效率和性能，因此我们需要一种好的问题编码来解决无线城域网中微云部署问题。粒子编码规则：在无线城域网中，若需要部署K个微云，则粒子的编码长度为K，如若在该接入点部署微云，则将该接入点序号记录在粒子集合中，粒子直接编码为接入点序号，且规定按照序号大小递增，值不超过接入点序号最大值。

图2粒子编码所示，在无线城域网中，需要部署K＝5个微云，此时序号为2,3,5,8,10的接入点被选为微云部署点，则粒子编码为如图2。

2.2、适应度函数

粒子的适应度是评价粒子的优劣性的主要指标，通常规定适应度函数值较小的粒子对应更优解。在本发明中，应用公式(7)计算粒子的平均响应时间记为当前粒子的适应度函数值，若粒子的平均响应时间越短，则粒子越优秀。

2.3、粒子迭代

传统PSO粒子更新策略：

其中，t代表当前的迭代次数，V_i ^t和X_i ^t分别表示第i个粒子在第t次迭代时的速度和位置；w为惯性权重，表示粒子具有保持当前速度的能力；p_best_i ^t和g_best^t分别表示粒子经过t次迭代后粒子自身历史最优值与种群历史最优值，r₁和r₂是两个随机因子，c₁和c₂是学习因子，可以控制粒子对自身历史最优值与种群历史最优值的学习能力。但是传统PSO粒子更新策略适合用于解决连续型问题，在迭代过程中容易过早收敛，陷入局部最优，从而无法得到一个更加满意的结果。改进后的PSO-GA算法粒子引入了遗传算子的交叉变异操作，更新策略公式为：

C_g表示粒子与种群历史最优值的交叉操作；C_p表示粒子与该粒子自身历史最优值的交叉操作；

粒子在更新过程中会经过粒子个体自身的变异，个体认知交叉和社会种群认知交叉三个过程，使得粒子朝着最优解搜索。

如图3所示是一个粒子在迭代过程中有着w概率发生个体的变异，w是惯性权重，随着迭代的进行粒子的变异概率也越来越低。

如图4是个体(社会)认知部分的交叉操作。其中K1与K2分别表示个体交叉操作与种***叉操作中随机选择编码粒子的两个分位，将这两个分位之间的所有分位，替换成p_best与g_best中相同分位的数值，形成新粒子。

粒子个体自身的变异：

个体认知交叉公式：

社会种群认知交叉公式：

2.4、参数设置

其中个体和种群的学习因子c1、c2和原有惯性权重w：随着迭代的进行逐渐降低，意味着个体偏向于保持自身原来粒子，对个体历史和种群的最优粒子学习能力降低：

c＝(c_start-c_end)*i/iteration (14)

w＝w_max-(w_max-w_min)*i/iteration (15)

但是原有的惯性权重w适用于线性问题求解，本发明的微云节点放置问题是非线性问题，因此将惯性权重公式调整为：

公式(17)的含义是求解该粒子与最优解之间不同值在粒子长度中的比例。

2.5、算法流程

3、实验结果及分析

首先我们在无线城域网系统中，计算不同微云数量的微云节点放置方案对系统所产生的平均响应时间，然后绘制折线图进行比较。

PSO-GA算法的相关参数设置为：最大迭代次数1000，初始种群规模100，w_max＝0.9，w_min＝0.4，c1_start＝0.9，c1_end＝0.3，c2_start＝0.2，c2_end＝0.9。对于算法的惯性因子w、自身认知因子c1和种群认知因子c2均采用公式(14)、(16)线性增减策略进行设置。

在图5中，展示了经过多次试验，在10个具有接入点m＝20和用户n＝80的无线城域网中的不同个数微云部署情况下，随着微云部署数量的变化，系统平均响应时间的变化情况。可以看出所有的部署方案下，系统平均响应时间始终随着微云部署数量的增多逐渐递减，但是随着微云数量的增多，系统平均响应时间的下降速度是降低的，事实证明，微云部署数量不是越多越好，需要考虑当前无线城域网的规模，放置合适数量的微云，不浪费微云资源，同时运用有效的算法合理部署微云以达到最大的性价比。

从图5中可以看出本发明方法总是优于其他算法，且当K>8时，网络中有了足够多的微云，以至于所有的用户任务都能被卸载到附近的微云上执行，因此每个用户可以节省传输时间和等待时间，系统响应时间将趋于稳定，不再有明显的减小。

由于本发明方法是智能搜索算法，所以在合适的参数设置下，总能找到一个全局范围下的一个趋近于最优解的较优解。随机微云部署算法的本质意义是平均情况下微云部署后的系统平均响应时间。密度优先微云部署算法有着接近PSO-GA微云部署算法的性能表现，但有时候考虑到用户任务过于密集导致部分微云负载过重，而影响系统总的平均响应时间。而负载优先微云部署算法的表现则差一些，在K＝2时的系统平均的响应时间大于其他三种部署方案，微云部署在有着最大工作负载的两个接入点上，但是有着最大工作负载的接入点不一定是最接近于其他所服务的用户的接入点，同时有的接入点仅和少量用户无线连接，工作负载接近于零，但是网络中的大部分用户都与该接入点相距不远，此时该接入点应该是一个更优地微云部署点，因此导致系统的平均响应时间高于其他算法，之后当K＝4时，随着微云部署数量的增多，这种部署方案趋近于密度优先部署方案，系统平均响应时间大幅减少。

图6表示在无线城域网中运用三个微云部署算法得到的情况图。图6(a)是一个20个接入点和80个用户的WMAN实例，黑色实线表示接入点之间的有线连接，虚线表示用户与接入点之间的无线连接，图6(b)(c)(d)三幅图中的红点表示微云部署位置，虚线表示用户选择的直接无线连接的接入点。通过运行算法可以看出当K＝8时，这三种算法部署微云得到的系统平均响应时间已经相差不大，且同时观察图6中三种算法得到的微云部署点，可以看出三种算法中部分微云部署位置点有部分已经重合，这也证明我们提出的算法结果是符合用户密度规律的,同时在此基础上得到了优化。

本发明提出了一种基于遗传算法算子的粒子群优化算法(PSO-GA)的微云节点放置方法，该方法考虑了复杂的无线城域网环境中用户和接入点之间的联系，在研究证实在合理的微云节点数量，找到一个合理且合适的微云节点放置方案可以带来更高的性价比下，并结合遗传算法与粒子群优化算法的优点，生成微云节点放置结果。本发明方法通过优化微云节点放置，在合理的个数的微云下，更好地减小用户任务的平均响应时间，得到高效率、低延迟的服务，符合用户密度规律的，同时在此基础上得到了优化。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。