一种5G/6G边缘计算场景下的多服务器混合部署架构及方法

摘要

本发明公开了一种5G/6G边缘计算场景下的多服务器混合部署架构及方法，本发明的方法包括以下步骤：第一阶段面向多个动态边缘服务器，通过经营遗传算法优化，输出设备分配方案；第二阶段面向单个动态边缘服务器，通过Gibbs采样，由步骤一输出路径规划，步骤二输出任务调度，在步骤一二之间进行循环迭代更替以寻找最优解。本发明针对边缘服务器部署过密、支出过大的问题，提出了移动边缘的部署框架、联合优化模型、两阶段优化算法，建立了边缘服务器移动与运算之间的并行执行，降低部署服务器的开销，提高资源利用率。

权利要求

1.一种5G/6G边缘计算场景下的多服务器混合部署系统，包括多动态服务器和多静态服务器，其特征在于，同时利用静态服务器和动态服务器组成的混合部署架构，服务边缘计算中的时延敏感型或计算密集型任务，从而完成边缘场景下物联网节点的服务覆盖；

所述动态服务器同时允许“移动‑计算并行”和“移动‑计算串行”两种移动机制；

所述“移动‑计算并行”是将计算卸载过程解耦合为请求上传、任务计算和结果返回，使得动态服务器能够在移动过程中进行任务处理；

所述“移动‑计算串行”是将服务器按现有移动机制在原地停留，待任务计算完毕再移动至下一节点；

动态服务器根据网络中终端节点状态、服务器计算资源和边缘网络环境综合考量后决策对上述两种移动机制的选择。

2.根据权利要求1所述的一种5G/6G边缘计算场景下的多服务器混合部署系统，其特征在于，所述静态服务器和动态服务器的数量是基于两阶段优化算法确定的给定边缘网络设备的服务器最小部署数；所述静态服务器的位置是基于两阶段优化算法确定的多静态服务器的部署位置。

3.根据权利要求1所述的一种5G/6G边缘计算场景下的多服务器混合部署系统，其特征在于，还包括基于两阶段优化算法联合优化多动态服务器的路径规划模块和任务调度模块。

4.根据权利要求1所述的一种5G/6G边缘计算场景下的多服务器混合部署系统，其特征在于，所述动态服务器优先用于处理计算密集且时延容忍型任务，所述静态服务器优先用于处理时延敏感型任务。

5.一种5G/6G边缘计算场景下的多服务器混合部署方法，其特征在于，包括以下步骤：S1、使用动态服务器和静态服务器组成的混合部署架构，所述动态服务器同时允许“移动‑计算并行”和“移动‑计算串行”两种移动机制；所述“移动‑计算并行”是将计算卸载过程解耦合为请求上传、任务计算和结果返回，使得动态服务器能够在移动过程中进行任务处理；所述“移动‑计算串行”是将服务器按现有移动机制在原地停留，待任务计算完毕再移动至下一节点；

S2、提出基于上述混合部署架构的最优化问题模型；

S3、优化动态和静态服务器的部署方案，动态服务器根据网络中终端节点状态、服务器计算资源和边缘网络环境综合考量后决策对上述两种移动机制的选择；

S4、按照优化结果完成5G/6G边缘网络中物联网节点的全覆盖。

6.根据权利要求5所述的5G/6G边缘计算场景下的多服务器混合部署方法，其特征在于，所述步骤S3中包括联合优化多动态服务器的路径规划和任务调度的两阶段优化算法，该算法包括以下步骤：第一阶段，基于精英遗传算法的设备分配，即将众多物联网设备分配至多动态服务器，从而将多服务器规划问题转变为单服务器规划问题；

第二阶段，基于Gibbs采样的单动态服务器调度，联合优化单服务器的路径规划和任务调度，以达到总完成时延最小化。

7.根据权利要求6所述的5G/6G边缘计算场景下的多服务器混合部署方法，其特征在于，所述第二阶段还包括：基于Gibbs采样迭代更新解决耦合的两个子问题；基于2‑OPT算法进行路径规划，使其适用于“移动‑计算并行性”移动机制；基于该移动机制，进一步提出启发式任务调度算法。

8.根据权利要求6所述的5G/6G边缘计算场景下的多服务器混合部署方法，其特征在于，所述的两阶段优化算法的优化对象是给定边缘网络确定服务器最小部署数量和静态服务器部署位置。

说明书

一种5G/6G边缘计算场景下的多服务器混合部署架构及方法

技术领域

[0001] 本发明属于物联网和边缘计算技术领域，具体涉及一种5G/6G边缘计算场景下的多服务器混合部署架构及方法。

背景技术

[0002] 随着5G/6G通信技术和物联网(Internet of Things，IoT)的发展，以自动驾驶、增强/虚拟现实游戏为代表的“杀手级”应用剧增，该类应用具备时延敏感、计算量密集的特性。物联网终端设备不具备在本地运行该类应用的计算能力；云计算虽具备强大算力，但传输距离过远导致端到端时延过大，无法满足应用的极低时延需求。

[0003] 边缘计算是一种将计算资源下沉至网络边缘的计算范例，弥补了云计算传输时延过大的不足，可同时满足应用的高计算量和极低时延需求。5G/6G通信技术的发展使得边缘计算中最后一跳的传输时延大幅减小，进一步提高了边缘网络的性能。同时5G/6G通信技术引入的新特性，也为边缘计算带来了许多挑战。

[0004] 部署开销过大是5G/6G边缘计算面临的主要挑战之一，即需要大量边缘服务器才可完成目标网络的全覆盖。由于5G/6G通信距离大幅缩减，覆盖同一片范围需要部署更多的服务器才可达到4G相同的覆盖效果。具体地，基站的有效通信范围从4G网络中的1‑25千米，缩减为5G网络的100‑300米，6G网络的几十米。覆盖同范围的终端节点，5G/6G的部署成本大致为4G边缘网络的100‑10000倍。考虑到边缘计算中时延敏感型应用的剧增，需要部署更为密集的服务器才可满足该类应用对服务质量(Quality‑of‑Service，QoS)的极高要求，实际部署成本可能更高。

发明内容

[0005] 本发明提供了一种5G/6G边缘计算场景下的多服务器混合部署架构，通过动态和静态两种边缘服务器组成的混合部署架构，最大化服务器的资源利用率，减少边缘服务器的部署数量，以解决5G/6G边缘网络中服务器密集部署问题，降低部署成本，提高资源利用率。

[0006] 本发明通过下述技术方案实现：

[0007] 一种5G/6G边缘计算场景下的多服务器混合部署架构，包括多动态服务器和多静态服务器，同时利用静态和动态边缘服务器组成的混合部署架构，服务边缘计算中的时延敏感型或计算密集型任务，从而完成边缘场景下物联网节点的服务覆盖。

[0008] 优选的，动态边缘服务器具有“计算‑移动并行性”，所述“计算‑移动并行性”是将计算卸载过程解耦合为请求上传、任务计算和结果返回，使得动态边缘服务器能够在移动过程中进行任务处理。

[0009] 优选的，所述静态和动态边缘服务器的数量是基于两阶段优化算法确定给定边缘网络设备的服务器最小部署数；所述静态边缘服务器的位置是基于两阶段优化算法确定的多静态服务器的部署位置。

[0010] 优选的，5G/6G边缘计算场景下的多服务器混合部署架构，还包括基于两阶段优化算法联合优化多动态服务器的路径规划模块和任务调度模块。

[0011] 优选的，所述动态边缘服务器优先用于处理计算密集且时延容忍型任务，所述静态边缘服务器优先用于处理时延敏感型任务。

[0012] 另一方面，本申请还涉及一种5G/6G边缘计算场景下的多服务器混合部署方法，包括以下步骤：

[0013] S1、使用动态和静态两种边缘服务器组成的混合部署构架；

[0014] S2、提出基于上述混合部署架构的最优化问题模型；

[0015] S3、优化动态和静态边缘服务器的部署方案；

[0016] S4、按照优化结果完成5G/6G边缘网络中物联网节点的全覆盖。

[0017] 优选的，所述步骤S3中包括联合优化多动态服务器的路径规划和任务调度的两阶段优化算法，该算法包括以下步骤：

[0018] 第一阶段，基于精英遗传算法(Elitism Genetic Algorithm,EGA)的设备分配，即将众多物联网设备分配至多动态边缘服务器，从而将多服务器规划问题转变为单服务器规划问题。

[0019] 第二阶段，基于Gibbs采样的单动态服务器调度，联合优化单服务器的路径规划和任务调度，以达到总完成时延最小化。

[0020] 优选的，所述第二阶段还包括：基于Gibbs采样迭代更新解决耦合的两个子问题；基于2‑OPT算法进行路径规划，使其适用于“移动‑计算并行性”移动机制；基于该移动机制，进一步提出启发式任务调度算法，提高资源利用率。

[0021] 优选的，所述的两阶段优化算法的优化对象是给定边缘网络确定服务器最小部署数量和静态服务器部署位置。

[0022] 本申请的一种5G/6G边缘计算场景下的多服务器混合部署架构，具有以下特点：

[0023] 使用动态和静态两种边缘服务器组成的混合部署构架；

[0024] 动态边缘服务器利用“移动‑计算并行性”可在移动过程中进行任务处理；

[0025] 使用基于该混合部署构架的最优化问题模型优化部署方案；

[0026] 使用两阶段优化算法确定给定边缘网络设备的服务器最小部署数；

[0027] 使用两阶段优化算法联合优化多动态服务器的路径规划和任务调度；

[0028] 使用两阶段优化算法确定多静态服务器的部署。

[0029] 本发明使用静态和动态两类边缘服务器解决边缘网络中各类计算请求，以降低服务器部署成本。优先使用动态边缘服务器处理计算密集且时延容忍型任务，使用静态边缘服务器处理时延敏感型任务。

[0030] 优选的，本发明将计算卸载过程解耦合为请求上传、任务计算和结果返回，利用“移动‑计算并行性”，使得移动服务器可以在移动过程中进行任务处理。

[0031] 本发明提出基于上述混合部署架构的最优化问题模型，优化动态和静态边缘服务器的部署方案，从而以最小部署开销完成5G/6G边缘网络中物联网节点的全覆盖。

[0032] 优选的，所述优化模型的具体优化目标为确定设备‑服务器分配、动态服务器移动路径和任务调度。

[0033] 本发明提出两阶段优化算法用于规划移动边缘服务器。其第一阶段基于精英遗传算法进行设备分配，将众多物联网设备分配至多移动边缘服务器，从而将多服务器规划问题转变为单服务器规划问题。其第二阶段基于Gibbs采样进行单移动服务器调度，联合优化单服务器的路径规划和任务调度，以达到总完成时延最小化。

[0034] 优选的，算法第一阶段基于精英遗传算法完成设备分配。针对该边缘架构的特殊移动机制，定制化了EGA中染色体表示、适应度计算、种群初始化和相应的遗传步骤，使得算法可在多项式时间内快速收敛到近优解。

[0035] 优选的，算法第二阶段基于Gibbs采样完成单动态服务器的规划，联合优化耦合子问题：路径规划和任务调度。具体地，基于2‑OPT算法优化服务器移动路径，以多项式时间完成该类TSP问题；基于启发式算法进行任务调度，进一步提高服务器移动和任务计算的并行性，提高资源利用率。

[0036] 本发明基于上述的两阶段优化算法，提出对给定网络确定服务器最小部署数量和静态服务器部署位置的实施方案。

[0037] 本发明具有如下的优点和有益效果：

[0038] 1、本发明针对5G/6G边缘服务器覆盖范围有限，服务器密集部署的问题，提出了混合部署架构，利用动态和静态两类边缘服务器服务边缘计算中的不同应用需求，动态服务器创新性利用“移动‑计算并行性”，使得服务器可以在移动过程中完成对计算请求的处理，大幅提高资源利用率，降低部署开销。

[0039] 2、本发明提出了一个两阶段优化算法来规划上述架构的服务器部署，联合优化了动态服务器的路径规划和任务调度两个耦合子问题。对于该NP难问题，该算法可以在多项式时间内收敛至近优解。

[0040] 3、对于给定网络，本发明提出的两阶段算还可用于确定给定场景中待部署的服务器数量和静态服务器部署位置，进一步完善了该边缘架构的部署方案。

附图说明

[0041] 此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

[0042] 图1为本发明提出的两阶段优化算法的流程示意图。

[0043] 图2为两阶段优化算法的第一阶段的算法流程图。

[0044] 图3为两阶段优化算法的第一阶段中遗传操作的示例。

[0045] 图4为两阶段优化算法的第二阶段的算法流程图。

[0046] 图5为两阶段优化算法的第二阶段中任务调度的示例。

具体实施方式

[0047] 为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

[0048] 实施例1

[0049] 本实施例提出了一种5G/6G边缘计算场景下的多服务器混合部署架构。本实施例的架构针对5G/6G服务器通信范围较小导致的密集部署问题，提出了静态和动态边缘服务器混合部署的边缘架构，降低服务器部署成本，提高资源利用率。

[0050] 本实施例的架构包括静态和动态两类边缘服务器的部署方案，采用静态服务器处理时延敏感型任务，采用动态服务器处理时延容忍型任务。本实施例的5G/6G边缘架构具体如下：

[0051] 1、静态边缘服务器部署遵从ETSI标准，可以部署在接入点或基站。动态服务器为装载在无人小车或无人机上的边缘服务器，具备移动能力。

[0052] 2、理论上，将边缘计算的任务请求按照时延要求是否严苛，分为时延敏感和时延容忍两类。对于时延敏感型任务，部署静态边缘服务器保证服务质量；对于时延容忍型任务，部署动态边缘服务器使得同一服务器的计算资源可以被多地理位置上分割的节点共享，从而有效减少待部署的服务器数目。

[0053] 3、具体实施时，时延敏感和时延容忍型任务难以找到明确划分标准，本发明提出的两阶段优化算法可以跳过任务类型划分环节，根据网络的配置自动确定静态和动态服务器的部署位置。

[0054] 实施例2

[0055] 本实施例为利用上述实施例1中边缘架构中的动态服务器的移动机制。

[0056] 本发明中动态边缘服务器同时允许“移动‑计算并行”和“移动‑计算串行”两种移动机制，具体如下：

[0057] 1、“移动‑计算并行”机制。本发明创新性利用了动态服务架构中服务器的移动过程和任务的计算过程可并行的特点，将计算卸载过程解耦合为请求上传、任务计算和结果返回，使得服务器在接受完请求后，不停留原地服务，而是前往下个地点，在移动过程中进行任务计算。该机制利用了服务器移动时间，在任务计算时间极大的情况下，可以大幅减少服务完成时延，从而部署更少的服务器满足给定物联网设备的服务质量需求。

[0058] 2、“移动‑计算串行”机制。本发明并非对所有的终端节点都执行“移动‑计算并行”机制。对于计算量极小的任务请求，往返的移动开销远大于计算开销，服务器将按现有移动机制在原地停留，待任务计算完毕再移动至下一节点。

[0059] 3、动态服务器对上述两种机制的选择，根据网络中终端节点状态、服务器计算资源和边缘网络环境等要素综合考量后决策。

[0060] 实施例3

[0061] 本实施例为上述实施例1和实施例2提出的边缘部署架构的具体部署方法——两阶段优化算法，具体如下：

[0062] 两阶段优化算法通过对多移动边缘服务器进行调度，规划其移动路径和任务处理顺序，使得服务器可以在IoT设备的服务质量要求和边缘服务器的资源限制下，达到总服务时间最小化，从而降低部署开销、提高资源利用率。算法执行过程如图1所示，具体包含如下步骤：

[0063] 1、第一阶段，基于精英遗传算法的设备分配，即将众多物联网设备分配至多移动边缘服务器，从而将多服务器规划问题转变为单服务器规划问题，以达成最小化系统总时延。算法实施例如图2所示，具体包括：

[0064] 1.1，随机生成初代种群。

[0065] 生成遗传算法的初始种群，该过程增加了海明距离的约束条件，以生成分布更加均匀的初始种群，从而加快遗传算法的收敛。染色体的表达及海明距离的计算距离如图3上半部分所示，蓝色标注的基因为算入海明距离的项。

[0066] 1.2，基于精英遗传算法迭代更新。

[0067] 1.2.1，调用第二阶段算法，计算每个染色体的适应值。该适应值可以用来评估设备分配的质量，以方便锦标赛轮询算法对种群中优良个体的选取，计算方式如下：

[0068]

[0069] 该适应值由两部分组成：优化目标总时延及超出服务质量限制的惩罚项。

[0070] 适应值函数的第一项为优化目标总时延。Ck为染色体编号，即物联网设备‑边缘服务器的分配方案； 为单个服务器的时延，通过调用下文介绍的算法第二阶段获得(优化单服务器的移动路径和任务处理顺序)，每个边缘服务器完成时延的总和为在此染色体指示的设备分配下的系统总时延。显然，总时延应尽可能小。

[0071] 适应值函数的第二项为超出服务质量限制的分配方案的惩罚项， 为服务器完成任务i的计算需要的时间，ddli为指定任务i对服务时延的要求。显然，在规定时间内完成任务的分配方案更有优势，即惩罚项的值应尽可能大。

[0072] 适应值的计算为锦标赛轮询算法对于优异染色体的选取提供指标，该值越大的染色体在竞争中越有优势。

[0073] 1.2,2，染色体选择阶段。基于锦标赛轮询算法确定当代种群中适应度优良的个体，作为下一代个体生成的父母染色体。

[0074] 1.2.3，交叉重组和遗传突变阶段。

[0075] 对于选定的一对染色体，随机选择交叉点，交叉对应染色体的基因片段，并建立映射关系。根据映射关系，修改相关基因，消除重复分配的物联网设备。遗传突变阶段，随机选择突变点，交换两个突变点的基因。上述过程的示例如图3所示。

[0076] 1.2.4，生成新一代种群。

[0077] 新一代种群由上述当代适应度最大的个体及经过步骤1.2.2至1.2.3新生成的个体组成。

[0078] 1.3，上述过程不断迭代，直至达到算法收敛条件。

[0079] 2、第二阶段，基于Gibbs采样的单移动服务器调度，联合优化单服务器的路径规划和任务调度，以达到总完成时延最小化。算法实施例如图4所示，具体包括：

[0080] 2.1，基于算法第一阶段的输出结果，将多服务器规划问题转变为单服务器规划问题。

[0081] 2.2，对每个边缘服务器并行执行吉布斯采样，基于2‑OPT进行路径规划，排除违反存储约束和服务质量约束的路径，使产生的路径适用于“移动‑计算并行性”移动机制。具体内容如下：

[0082] 首先，随机初始化此服务器的移动路径和任务调度；随机选择路径中的两个节点并翻转两个节点内所有路径点；若新生成路径不符合存储限制，则重新选择两节点；否则，计算该路径的总时延。若新路径时延优于原路径，则更新路径，更新迭代次数；否则，重新选择两节点。若迭代后的新路径未达到2‑OPT迭代要求，则重新选择两节点。否则，计算接受概率，根据该概率决策新路径是否保留。

[0083] 2.4基于当前路径进行任务调度。计算当前任务调度的接受概率ρ，决策任务处理顺序是否更新。

[0084]

[0085] 2.4.1，其中t*为每个服务器经过改变路径规划或任务调度后计算的时延，t为每个服务器初始状态下的时延，ω为一个影响算法收敛性的平滑参数。

[0086] 2.5，优先级调度算法的基本思路是：对于单个服务器准备处理的任务集，给予每个任务都设置一个优先级，然后在任务调度的时候，在所有处于就绪状态的任务中选择优先级最高的任务去运行，通过改变任务的优先级可以得到不同的时延。具体示例如图5所示，执行步骤如下：

[0087] 2.5.1，将单个服务器准备处理的任务集按默认顺序排列优先级，此时基于路径规划与任务调度可以算出对于每个任务在服务器中的完成时间与服务器到达此任务对应的物联网设备的时间。

[0088] 2.5.2，依次检视每个任务的完成时间与到达时间，若完成时间大于到达时间，则将此任务的优先级前调一位，继续循环此步骤，直至完成时间不大于到达时间；否则，不改变任务优先级。

[0089] 2.5.3，若出现任务经调动步骤直至处于最高优先级后仍无法达成完成时间不大于到达时间的条件，则不改变此任务优先级，继续对下一个任务进行操作，直至全部任务操作完毕。此操作减少了服务器在物联网设备等待任务完成的时间，进一步减小总时延，优化了任务调度方案。

[0090] 3、上述过程迭代更新，直至基于Gibbs采样的算法达到收敛条件。

[0091] 实施例4

[0092] 本实施例为利用上述实施例3中的方法计算给定边缘网络确定服务器最小部署数量和静态服务器部署的具体实施方案。具体如下：

[0093] 1、为了得到较为准确的服务器最小部署数量，基于两阶段优化算法中的第二阶段，采取预估单个服务器最大部署数量的方法来计算最小部署数量，具体方法如下：

[0094] 1.1，给予单个服务器一个具有一定数量任务的任务集，采用二分法的思想，计算其临界最大可承受任务数量。

[0095] 1.1.1，若服务器可以完成此数量的任务，则将任务数量增至2倍。

[0096] 1.1.2，若服务器无法完成此数量的任务，则将任务数量减半，若可以完成，则选取此时任务数量与之前任务数量的平均值向上取整，该值作为服务器新任务级中的任务数量；否则，将此任务数量减半，直至达到此服务器可完成任务的最大值。

[0097] 1.2，将需求完成的任务数量除以计算得到的此服务器可完成任务的最大值并向上取整，则可得到大致的服务器最小部署数量。

[0098] 1.2.1，此时将任务集以及服务器集带入两阶段优化算法的算法二中计算，若可以完成，则减少服务器的部署数量；否则，增加部署数量，直至得到较为准确的服务器最小部署数量。

[0099] 2、基于前文对于时延敏感型任务的描述，静态边缘服务器可以保证其服务质量。但通过实施例3的计算，根据边缘计算网络的配置自动确定静态和动态服务器的部署位置则更为高效，具体如下：

[0100] 2.1，通过实施例3的计算，每个服务器都被分配了路径规划，根据每个服务器的通讯范围，将路径只在其通讯范围内移动的服务器单独区分，这些服务器将被默认部署为静态服务器以提供更加稳定高效的计算服务。

[0101] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。