[发明专利]一种基于MOMBI面向智慧城市应用多目标计算迁移方法和装置

说明书

本发明涉及一种基于MOMBI面向智慧城市应用多目标计算迁移方法，基于R2指标的MOMBI算法，联合移动设备的时延、能耗以及边缘服务器计算资源和集群负载均衡，通过迭代不断更新种群参考点位置，使用R2指标对种群中的个体进行分层，并通过锦标赛选择方法保留种群中的精英个体，最终得到多目标优化后的迁移策略；根据当前的能耗、时延以及边缘服务器的资源利用率和负载均衡方差，在每一次迁移策略确定后进行新一轮的计算更新，并使用SAW和MCDM选择最优的迁移策略，针对边缘赋能的智慧城市中四目标进行优化。通过本发明的方法，针对智慧城市中移动设备产生的应用进行计算迁移，为用户提供质量较高的服务，且可提升服务器资源利用率，同时保证服务器集群负载平衡。

技术领域

本发明涉及智慧城市任务迁移技术领域，特别涉及一种基于MOMBI面向智慧城市应用多目标计算迁移方法和装置。

背景技术

近年来，物联网、云计算、大数据等一系列新一代信息技术的应用，推动智慧城市这一框架逐步形成。智慧城市的运行过程中会产生海量的数据，这些数据往往由移动云计算(Mobile Cloud Computing,MCC)来解决，由于城市中的移动设备和云服务器距离较远，设备的数据发送到云计算中心时，也产生了一定的时间延迟。为了减轻网络拥塞和提升计算效率，移动边缘计算(Mobile Edge Computing,MEC)被加入到智慧城市的网络架构中，使大量的数据交由位于网络边缘的中的边缘服务器处理。MEC使智慧城市中的移动设备在提升处理效率的同时提供更好的服务。如图2所示，在边缘计算赋能的智慧城市框架下，为了优化移动设备计算资源、降低设备处理时延和能耗，一些应用程序通过计算迁移技术将数据从移动设备迁移到了边缘服务器和远程云主机中。但随着用户端产生的任务变得更为复杂，甚至包括了时延敏感的计算任务，如果不能针对单个任务合理的规划迁移策略，应用程序执行时延长、服务器过载等一系列会造成严重影响的情况仍然可能发生。考虑到智慧城市中的本地设备执行的任务往往有自身的时间约束，因此需要在端边云之间选择合适的执行位置进行迁移和执行。

近年来，针对现有的MEC环境下的研究，都关注到端边云系统的多目标优化。吴华明等人在文献“Collaborate Edge and Cloud Computing With Distributed DeepLearning for Smart City Internet of Things”中针对移动设备的智慧城市应用，提出了智慧城市中一种适用于边云协同的MEC环境的计算迁移算法。该文献采用分布式深度学习方法，来获得智慧城市中最优的迁移策略。许小龙等人在文献“Trust-Oriented IoTService Placement for Smart Cities in Edge Computing”中强度帕累托进化算法2(Strength Pareto Evolutionary Algorithm,SPEA2)针对智慧城市任务提出了一种多目标计算迁移方法。他们的目标是优化系统能耗的同时降低服务器负载均衡并且提高资源利用率。将三个目标联合起来考虑，在提升服务端资源分配的同时，优化用户端的服务质量。综上所述，现有的研究对智慧城市任务进行了很好的研究，提出了很多有效地方法。