本发明公开了一种基于路口中心度的城市边缘服务器部署方法，方法包括：获取城市路口数据，计算路口中心度并归一化；根据所述路口中心度计算城市路口的路口优先度；并采用K‑means++算法对所述城市路口聚类，得到若干路口聚类区域；计算所述路口聚类区域中所有城市路口的路口优先度均值从而得到区域优先级，根据区域优先级分配边缘服务器数量；采用优选法从路口聚类区域选择合适的城市路口部署边缘服务器。本发明将城市路口作为边缘服务器的部署位置，扩大了边缘计算服务的范围；并把基站中心度作为路口选择的一个重要指标，以提升边缘服务器部署方案的效果。
1.一种基于路口中心度的城市边缘服务器部署方法，其特征在于，包括：S1：获取城市路口数据，计算路口中心度并归一化；所述城市路口数据，包括：路口经纬度、路口位置信息、车辆轨迹数据和基站经纬度；
S2：根据所述路口中心度计算城市路口的路口优先度；
S3：根据所述路口经纬度，采用K‑means++算法对所述城市路口聚类，得到若干路口聚类区域；
S4：计算所述路口聚类区域中所有城市路口的路口优先度均值；
S5：根据所述路口优先度均值计算所述路口聚类区域的区域重要程度，并根据所述区域重要程度分配边缘服务器数量；
S6：采用优选法从路口聚类区域中选择合适的城市路口部署边缘服务器；
所述静态中心度，包括：连接中心度、中介中心度和基站中心度；
所述交通密度，是指早高峰时城市路口的交通流量，计算公式为：；
其中， 是指城市路口集合 中第 个城市路口， 是指早高峰时城市路口 的交通密度， 是指早高峰时经过城市路口 的车辆数量，是指所有城市路口早高峰时经过车辆的总量；
所述连接中心度，是指与该城市路口有直接相连的城市路口个数，计算公式为：；
其中， 是指城市路口 的连接中心度， 是指城市路口 与其它城市路口连接边的数量，是指城市路口的数量；
所述中介中心度，是指城市路口被作为最短路径中节点的次数，计算公式如下：；
其中， 是指城市路口 的中介中心度， 是指城市路口 和 之间的最短路径的数量， 表示城市路口 和 之间经过城市路口 的最短路径数量；
所述基站中心度，是指城市路口500米范围内的基站数量，计算公式为：；
其中， 是指城市路口 的基站中心度， 表示城市路口 500m范围内基站数量， 表示所有城市路口500m范围内的基站的数量；
所述计算城市路口的路口优先度，以归一化之后的各项数据作为源数据，赋权重并叠加得到，计算公式为：；
其中， 是指城市路口 的路口优先度， 是指城市路口 的连接中心度， 是指城市路口 的中介中心度， 是指城市路口 的基站中心度，是指早高峰时城市路口 的交通密度， 、 、 和 分别是连接中心度、中介中心度、基站中心度和交通密度的权重，均取正值且 ；
所述计算所述路口聚类区域的区域重要程度，计算公式为：；
其中，是指第 个路口聚类区域的区域重要程度，是指路口聚类区域的总量，是指第 个路口聚类区域的路口优先度均值， 是指第 个路口聚类区域的路口优先度均值；
所述根据所述区域重要程度分配边缘服务器数量，是指先将40%的边缘服务器平均分配于各个路口聚类区域；剩余60%的边缘服务器根据区域重要程度进行分配。
2.如权利要求1所述的一种基于路口中心度的城市边缘服务器部署方法，其特征在于，所述归一化，计算公式为：；
其中，是指源数据 归一化之后的数据， 是指源数据中的最小值， 是指源数据中的最大值。
3.如权利要求1所述的一种基于路口中心度的城市边缘服务器部署方法，其特征在于，所述计算所述路口聚类区域中所有城市路口的路口优先度均值，计算公式为：；
其中， 是指第 个路口聚类区域的路口优先度均值；是指当前路口聚类区域中的城市路口总量； 是指路口聚类区域中第 个城市路口的路口优先度。
4.如权利要求1所述的一种基于路口中心度的城市边缘服务器部署方法，其特征在于，所述剩余60%的边缘服务器根据区域重要程度进行分配，计算公式为：；
其中， 是指路口聚类区域i中后续分配的边缘服务器数量，是指边缘服务器总数。
5.如权利要求1所述的一种基于路口中心度的城市边缘服务器部署方法，其特征在于，所述采用优选法从路口聚类区域选择合适的城市路口部署边缘服务器，包括：S6‑1:获取被分配的边缘服务器数量、路口聚类区域中的城市路口数量；
S6‑2:选择路口优先度最高的城市路口部署边缘服务器；
S6‑5:重复步骤S6‑1至S6‑4直至被分配的边缘服务器数量或路口聚类区域中的城市路口数量其中一个为零。
一种基于路口中心度的城市边缘服务器部署方法
技术领域
[0001] 本发明涉及边缘服务器部署领域，特别是涉及一种基于路口中心度的城市边缘服务器部署方法。
背景技术
[0002] 智能城市中的下一代移动应用，包括辅助自动驾驶、高维数据预处理，需要复杂的数据处理和快速信息交换。解决这些需求的一种实用方法是采用5G体系结构的边缘计算范式，将存储、计算和网络资源置于网络边缘，即更接近最终用户。任何大城市都需要设置多个边缘节点，以支持未来5G场景中车辆网络的预期应用。在预算有限的情况下，如何在城市场景中有效部署数量有限的边缘节点，称为边缘节点放置问题。
[0003] 首先，城市路口布置有红绿灯设备，为边缘服务器提供部署空间、节省了部署成本；其次，车辆在城市路口经常停留一段时间，为任务计算提供时间，因此部署在城市路口的边缘服务器可以为车辆提供服务；最后，车辆的轨迹数据与城市道路相关联，因此城市路口部署的边缘服务器，可以为任务迁移的预测任务减少复杂度，以提升任务迁移的准确度，而在城市路口对边缘服务器进行部署时，仅从路口中心度角度去考虑路口的优先程度，而发达地区中的城市路口的路口中心度比欠发达地区高，会导致边缘服务器只被部署在少数几个发达区域，从而产生聚集效应。
[0004] 公告号为CN113347267B，名称为一种移动边缘云计算网络中的MEC服务器部署方法，提出对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式。然后利用得到计算部署效率所需要的各个参数的值。接着根据部署效率的计算公式和各参数的值，使用三层优化方法计算出最优的部署决策；以此在城市中的基站上部署 MEC服务器和计算资源量。
[0005] 公告号为CN110972152B，名称为一种考虑信号阻隔效应的城市空间5G基站选址优化方法，提出在考虑城市建筑物对通信信号阻隔效应的前提下，优化通信基站的数量和空间布局，实现合理控制基站数量及其信号覆盖范围的最大化。
[0006] 上述两个发明专利皆在城市进行部署边缘服务器或基站，旨在使得信号覆盖范围最大，都从数量等因素提高部署效率，但是本发明将城市路口作为边缘服务器的部署位置，扩大了边缘计算服务的范围，并把基站中心度作为路口选择的一个重要指标，以提升边缘服务器部署方案的效果。
发明内容
[0007] 本发明提供一种基于路口中心度的城市边缘服务器部署方法，能够解决基于路口中心度部署边缘服务器容易出现的聚集效应的问题。
[0008] 为解决上述技术问题，本发明采用的一个技术方案是：一种基于路口中心度的城市边缘服务器部署方法，包括：
[0009] S1：获取城市路口数据，计算路口中心度并归一化；所述城市路口数据，包括：路口经纬度、路口位置信息、车辆轨迹数据和基站经纬度；
[0010] S2：根据所述路口中心度计算城市路口的路口优先度；
[0011] S3：根据所述路口经纬度，采用K‑means++算法对所述城市路口聚类，得到若干路口聚类区域；
[0012] S4：计算所述路口聚类区域中所有城市路口的路口优先度均值；
[0013] S5：根据所述路口优先度均值计算所述路口聚类区域的区域重要程度，并根据所述区域重要程度分配边缘服务器数量；
[0014] S6：采用优选法从路口聚类区域中选择合适的城市路口部署边缘服务器。
[0015] 进一步地，所述路口中心度，包括：动态中心度、静态中心度；
[0016] 所述动态中心度，是指城市路口的交通密度；
[0017] 所述静态中心度，包括：连接中心度、中介中心度和基站中心度。
[0018] 进一步地，所述交通密度，是指早高峰时城市路口的交通流量，计算公式为：
[0019] ；
[0020] 其中， 是指城市路口集合 中第 个城市路口， 是指早高峰时城市路口的交通密度， 是指早高峰时经过城市路口 的车辆数量，是指所有城市路口早高峰时经过车辆的总量。
[0021] 进一步地，所述连接中心度，是指与该城市路口有直接相连的城市路口个数，计算公式为：
[0022] ；
[0023] 其中， 是指城市路口 的连接中心度， 是指城市路口 与其它城市路口连接边的数量， 是指城市路口的数量；
[0024] 所述中介中心度，是指城市路口被作为最短路径中节点的次数，计算公式如下：
[0025] ；
[0026] 其中， 是指城市路口 的中介中心度， 是指城市路口 和 之间的最短路径的数量， 表示城市路口 和 之间经过城市路口 的最短路径数量；
[0027] 所述基站中心度，是指城市路口500米范围内的基站数量，计算公式为：
[0028] ；
[0029] 其中， 是指城市路口 的基站中心度， 表示城市路口 500m范围内基站数量， 表示所有城市路口500m范围内的基站的数量。
[0030] 进一步地，所述归一化，计算公式为：
[0031] ；
[0032] 其中， 是指源数据 归一化之后的数据， 是指源数据中的最小值，是指源数据中的最大值。
[0033] 进一步地，所述计算城市路口的路口优先度，以归一化之后的各项数据作为源数据，赋权重并叠加得到，计算公式为：
[0034] ；
[0035] 其中， 是指城市路口 的路口优先度， 是指城市路口 的连接中心度， 是指城市路口 的中介中心度， 是指城市路口 的基站中心度，是指早高峰时城市路口 的交通密度， 、 、 和 分别是连接中心度、中介中心度、基站中心度和交通密度的权重，均取正值且 。
[0036] 进一步地，所述计算所述路口聚类区域中所有城市路口的路口优先度均值，计算公式为：
[0037] ；
[0038] 其中， 是指第 个路口聚类区域的路口优先度均值；是指当前路口聚类区域中的城市路口总量； 是指路口聚类区域中第 个城市路口的路口优先度。
[0039] 进一步地，所述计算所述路口聚类区域的区域重要程度，计算公式为：
[0040] ；
[0041] 其中， 是指第 个路口聚类区域的区域重要程度，是指路口聚类区域的总量，是指第 个路口聚类区域的路口优先度均值, 是指第 个路口聚类区域的路口优先度均值；
[0042] 所述根据所述区域重要程度分配边缘服务器数量，是指先将40%的边缘服务器平均分配于各个路口聚类区域；剩余60%的边缘服务器根据区域重要程度进行分配。
[0043] 进一步地，所述剩余60%的边缘服务器根据区域重要程度进行分配，计算公式为：
[0044] ；
[0045] 其中， 是指路口聚类区域i中后续分配的边缘服务器数量，是指边缘服务器总数。
[0046] 进一步地，所述采用优选法从路口聚类区域选择合适的城市路口部署边缘服务器，包括：
[0047] S6‑1:获取被分配的边缘服务器数量、路口聚类区域中的城市路口数量；
[0048] S6‑2:选择路口优先度最高的城市路口部署边缘服务器；
[0049] S6‑3:删除被部署边缘服务器的城市路口；
[0050] S6‑4:删除被部署边缘服务器覆盖的城市路口；
[0051] S6‑5:重复步骤S6‑1至S6‑4直至被分配的边缘服务器数量或路口聚类区域中的城市路口数量其中一个为零。
[0052] 本发明的有益效果是：
[0053] 1.在城市环境下，首次将路口作为边缘服务器的部署位置，扩大了边缘计算服务的范围；
[0054] 2.考虑到城市环境下的基站部署策略，将基站数量作为衡量一个区域重要程度的指标，提出了路口基站中心度的概念，并把它作为城市路口选择的一个重要指标，以提升边缘服务器部署方案的效果；
[0055] 3.使用K‑means++算法对城市区域做划分，为每个路口聚类区域分配固定数量的边缘服务器，再根据区域优先级分配多余边缘服务器，避免了有限边缘服务器被部署在城市的少数区域，导致其它区域不被提供边缘服务；
[0056] 4.在同一片区域多个部署服务器，容易出现聚集效应，采用优选法选择优先级高的城市路口作为部署路口，避免了服务范围的重复。
附图说明
[0057] 图1是一种基于路口中心度的城市边缘服务器部署方法的流程图。
[0058] 图2是一种基于路口中心度的城市边缘服务器部署方法的城市路口图。
[0059] 图3是一种基于路口中心度的城市边缘服务器部署方法的城市路口聚类图。
[0060] 图4是一种基于路口中心度的城市边缘服务器部署方法的城市路口的边缘服务器的部署效果图。
具体实施方式
[0061] 下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0062] 请参阅图1、图2、图3和图4，本发明实施例包括：
[0063] 一种基于路口中心度的城市边缘服务器部署方法，包括：
[0064] S1：获取城市路口数据，计算路口中心度并归一化；所述城市路口数据，包括：路口经纬度、路口位置信息、车辆轨迹数据和基站经纬度；
[0065] S2：根据所述路口中心度计算城市路口的路口优先度；
[0066] S3：根据所述路口经纬度，采用K‑means++算法对所述城市路口聚类，得到若干路口聚类区域；
[0067] S4：计算所述路口聚类区域中所有城市路口的路口优先度均值；
[0068] S5：根据所述路口优先度均值计算所述路口聚类区域的区域重要程度，并根据所述区域重要程度分配边缘服务器数量；
[0069] S6：采用优选法从路口聚类区域中选择合适的城市路口部署边缘服务器。
[0070] 如图2所示，根据所示城市路口数据，得到一种基于路口中心度的城市边缘服务器部署方法的城市路口图。
[0071] 所述K‑means++算法，包括：
[0072] S3‑1：根据边缘服务器数量，确定路口聚类区域的区域数量；
[0073] S3‑2：随机选择一个城市路口作为所述路口聚类区域的聚类中心；
[0074] S3‑3：对应每个非聚类中心的城市路口，计算其与所述聚类中心的距离；
[0075] S3‑4：选择所述距离的最大值作为新的聚类中心；
[0076] S3‑5：重复步骤S3‑2、步骤S3‑3和步骤S3‑4，找出k个路口聚类区域的聚类中心；
[0077] S3‑6：对于非聚类中心的城市路口，计算其到所述聚类中心的距离，选择最小的距离的聚类中心，并归入该路口聚类区域；
[0078] 所述根据边缘服务器数量，确定路口聚类区域的区域数量，计算公式为：
[0079] ；
[0080] 其中，n是指边缘服务器的总数，k是指路口聚类区域的区域数量。
[0081] 如图3所示，通过K‑means++算法，将图2的1236个城市路口划分为7个路口聚类区域。
[0082] 进一步地，所述路口中心度，包括：动态中心度、静态中心度；
[0083] 所述动态中心度，是指城市路口的交通密度；
[0084] 所述静态中心度，包括：连接中心度、中介中心度和基站中心度。
[0085] 进一步地，所述交通密度，是指早高峰时城市路口的交通流量，计算公式为：
[0086] ；
[0087] 其中， 是指城市路口集合 中第 个城市路口， 是指早高峰时城市路口的交通密度， 是指早高峰时经过城市路口 的车辆数量，是指所有城市路口早高峰时经过车辆的总量。
[0088] 进一步地，所述连接中心度，是指与该城市路口有直接相连的城市路口个数，计算公式为：
[0089] ；
[0090] 其中， 是指城市路口 的连接中心度， 是指城市路口 与其它城市路口连接边的数量， 是指城市路口的数量；
[0091] 所述中介中心度，是指城市路口被作为最短路径中节点的次数，计算公式如下：
[0092] ；
[0093] 其中， 是指城市路口 的中介中心度， 是指城市路口 和 之间的最短路径的数量， 表示城市路口 和 之间经过城市路口 的最短路径数量；
[0094] 所述基站中心度，是指城市路口500米范围内的基站数量，计算公式为：
[0095] ；
[0096] 其中， 是指城市路口 的基站中心度， 表示城市路口 一定范围内基站数量， 表示所有城市路口在一定范围内的基站的数量。
[0097] 进一步地，所述归一化，计算公式为：
[0098] ；
[0099] 其中， 是指源数据 归一化之后的数据， 是指源数据中的最小值，是指源数据中的最大值。
[0100] 进一步地，所述计算城市路口的路口优先度，以归一化之后的各项数据作为源数据，赋权重并叠加得到，计算公式为：
[0101] ；
[0102] 其中， 是指城市路口 的路口优先度， 是指城市路口 的连接中心度， 是指城市路口 的中介中心度， 是指城市路口 的基站中心度，是指早高峰时城市路口 的交通密度， 、 、 和 分别是连接中心度、中介中心度、基站中心度和交通密度的权重，均取正值且 。
[0103] 进一步地，所述计算所述路口聚类区域中所有城市路口的路口优先度均值，计算公式为：
[0104] ；
[0105] 其中， 是指第 个路口聚类区域的路口优先度均值；是指当前路口聚类区域中的城市路口总量； 是指路口聚类区域中第 个城市路口的路口优先度。
[0106] 进一步地，所述计算所述路口聚类区域的区域重要程度，计算公式为：
[0107] ；
[0108] 其中， 是指第 个路口聚类区域的区域重要程度，是指路口聚类区域的总量，是指第 个路口聚类区域的路口优先度均值, 是指第 个路口聚类区域的路口优先度均值；
[0109] 所述根据所述区域重要程度分配边缘服务器数量，是指先将40%的边缘服务器平均分配于各个路口聚类区域；剩余60%的边缘服务器根据区域重要程度进行分配。
[0110] 进一步地，所述剩余60%的边缘服务器根据区域重要程度进行分配，计算公式为：
[0111] ；
[0112] 其中， 是指路口聚类区域i中后续分配的边缘服务器数量，是指边缘服务器总数。
[0113] 进一步地，所述采用优选法从路口聚类区域选择合适的城市路口部署边缘服务器，包括：
[0114] S6‑1:获取被分配的边缘服务器数量、路口聚类区域中的城市路口数量；
[0115] S6‑2:选择路口优先度最高的城市路口部署边缘服务器；
[0116] S6‑3:删除被部署边缘服务器的城市路口；
[0117] S6‑4:删除被部署边缘服务器覆盖的城市路口；
[0118] S6‑5:重复步骤S6‑1至S6‑4直至被分配的边缘服务器数量或路口聚类区域中的城市路口数量其中一个为零。
[0119] 通过上述方式，采用K‑means++算法已将1236个城市路口划分为7个路口聚类区域，将250个边缘服务器部署于这7个路口聚类区域；事先每个路口聚类区域被分配到14个边缘服务器；再根据路口中心度计算路口优先度，累加得到路口聚类区域的区域优先级，根据所述区域优先级分配剩下的152边缘服务器数量；根据被分配得到的边缘服务器数量、城市路口数量以及各个城市路口的路口优先度，采用优选法进行边缘服务器的部署；边缘服务器部署效果如图4所示。
[0120] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
