[发明专利]一种基于分解的多目标优化的计算迁移方法

说明书

本发明提供了计算机领域的一种基于分解的多目标优化的计算迁移方法，包括如下步骤：步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型；步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化；步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移。本发明的优点在于：综合考虑终端用户的满意度以及边缘云服务提供商的收益的同时，极大的提升了计算迁移的速度。

技术领域

本发明涉及计算机领域，特别指一种基于分解的多目标优化的计算迁移方法。

背景技术

近年来物联网技术得到大力发展，但物联网设备的计算能力是有限的，因此大量的计算密集型任务无法在本地的物联网设备进行计算。为了延长物联网设备的电池寿命并满足计算需求，移动云计算(MCC,Mobile Cloud Computing)应运而生，通过将部分计算密集型的任务请求计算迁移到云端进行处理。尽管MCC可以有效地降低物联网设备的计算开销和功耗，但与此同时MCC也面临着一些新的挑战。一方面，随着物联网设备的激增，越来越多的任务请求显著增加了云端的计算负担；另一方面，由于云端与物联网设备之间的地理距离非常遥远，会导致部分应用的请求时延和传输时延变大，进而影响用户体验，甚至导致有一些严格时间约束的任务执行失败。

移动边缘计算(MEC,Mobile Edge Computing)能够有效缓解以上挑战，MEC利用接近终端用户及边缘侧的网络设备的计算与存储功能辅佐用户，将任务请求迁移到距离终端用户更近的边缘服务器上执行，可以为终端用户提供效率更高、时延更低的计算服务、存储服务以及通信服务，进而提升终端用户的服务质量(Quality of Service,QoS)。

典型的MEC环境包括公有云服务提供商、边缘云服务提供商和终端用户，如图2所示。公有云服务提供商用于提供软硬件资源，完成对服务器集群的搭建和维护，通过资源池化生成统一资源池，向终端用户提供计算、存储和带宽等资源。边缘云服务提供商从公有云服务提供商租赁服务器资源，根据自身的服务类型构建好服务环境向终端用户提供诸如图像处理、科学计算、视频编解码等服务。终端用户向可以为其提供所需服务的边缘云服务提供商发送服务请求，根据服务等级协议(Service-Level Agreement,SLA)和边缘服务器的最终返回结果缴纳费用。

Ghamkhar等人在文献“Energy and Performance Management of Green DataCenters:A Profit Maximization Approach.2013”中考虑了数据中心及其客户之间当前存在的服务级别协议(SLA)以及数据中心工作负载的随机性等因素，提出了一种新的基于优化的数据中心利润最大化策略。李梦在文献“面向云计算资源的收益优化模型与任务分配算法的研究.2015”中提出的云计算收益优化模型，在考虑服务商的收益的同时兼顾SLA协议，利用排队理论估计服务请求的响应时间，并计算请求的处理时间，提出面向云资源收益模型的PAO-ACO算法对模型进行求解，证明了该算法能够动态寻找最优解，且在种群规模较大时，并行求解能节省运算的时间，提高执行效率。邵高原在文献“云计算环境中利润最大化的最优服务定价与多服务器系统配置研究.2017”中在云计算环境中以利润最大化为目标研究云服务的最优定价以及多服务器最优配置问题，他的定价模式可以在符合市场环境中用户需求定律的前提下，根据服务价格的变化提出一个Monetary Reward返现奖励模型，设计出一个基于服务请求响应时间的低服务质量费用补偿算法。张锋辉等人在文献“基于马尔科夫博弈的云代理与微云收益优化.2018”中建立马尔科夫博弈模型对云服务器和微云进行分析，通过反向迭代算法求得纳什均衡策略，最后证明了采用马尔科夫博弈可以明显提高系统收益。