[发明专利]基于ADMM的服务缓存与资源优化方法及其系统、介质及设备

说明书

本申请公开了一种基于ADMM的服务缓存与资源优化方法，包括：网络模型建模与任务描述步骤：基于多点协作的分布式移动边缘网络，建立针对终端、基站及边缘服务器的通信模型、服务缓存与任务卸载模型及任务计算模型，并基于各模型完成边缘网络优化目标问题形式化描述；联合优化步骤：将边缘网络优化目标问题转换为凸优化问题，并将凸优化问题分解得到多个子问题，每个子问题在对应的基站中并行执行，采用ADMM方法，通过全局更新与局部更新交替迭代的方式对凸优化问题进行求解，得到服务缓存与资源分配联合优化策略，以实现边缘网络的负载均衡。本发明还提供了一种基于ADMM的服务缓存与资源优化系统。

技术领域

本申请涉及移动通信领域，特别是涉及一种分布式移动边缘网络架构服务缓存与资源优化分配的方法及其系统。

背景技术

当前，随着5G通信的高速发展以及移动终端的快速普及，越来越多的新型应用，如虚拟现实、增强现实以及自动驾驶等需要在移动终端设备进行运行。这类应用不但需要强大的计算处理能力，而且对实时性提出更为严格的要求。然而，移动终端设备的移动性决定了其计算与存储资源通常是有限的，其薄弱的处理能力将无法处理需要高计算处理能力的应用，如自动驾驶、目标检测等。为此，移动云计算(Mobile Cloud Computing，MCC)作为解决终端资源限制的一种有效方式被提出。MCC的核心思想是通过将任务卸载至具有丰富计算与存储资源云端，以提升终端设备潜在的计算能力。然而，终端设备与云服务器间的长距离传输所产生的时延往往无法满足时延敏感型应用实时性的应用需求。因此，为了进一步降低任务处理时延，移动边缘计算(Mobile Edge Computing，MEC)技术被提出。MEC通过将云端的计算、存储资源下沉至网络边缘侧，就近为终端设备提供计算、通信与存储服务，从而降低任务处理时延，减轻回程链路压力。然而，与MCC相比，MEC的计算与存储资源是有限的，仅依靠MEC无法满足海量多样化的业务应用需求。因此，由终端设备、服务节点以及云服务器组成分布式移动边缘网络架构，为满足低时延、高可靠的业务需求提供了有效解决思路。该网络架构在技术特点上MEC与MCC互为补充，不但可以为终端设备提供更为丰富的计算、通信以及存储资源，同时也为终端设备的任务卸载提供了更多选择性。目前已有相关研究表明，在分布式移动边缘网络下通过卸载决策与资源分配联合优化策略的设计可以提升网络整体的性能。然而在分布式网络场景中，移动业务的多样性以及空间上的分布不均性将导致不同服务节点(由基站与边缘服务器组成的节点称为服务节点)间的计算、通信以及存储负载不同。这种负载不均性将使得负载高的节点任务执行时延高，而负载低或者没有负载的服务节点将会导致资源利用率较低。因此，需要综合考虑计算、通信以及存储资源的相互影响去实现负载均衡，从而降低任务执行时延，提高资源利用率。目前针对负载均衡问题已有相关研究，文献通过服务节点间协作对任务进行卸载、转发以提升网络性能。但这些文献并未针对三层网络架构展开分析。文献则进一步对三层网络下的负载均衡问题展开分析。通过引入服务节点间的协作机制并提出一种基于ADMM(Alternating DirectionMethod of Multipliers，ADMM)的卸载决策与资源优化策略实现负载均衡。

然而，现有研究假设是服务器支持所有类型的计算任务，却忽略了服务缓存对任务时延的影响。服务缓存是指将与计算任务相关的数据库、应用程序、函数库以及相关代码等放置在边缘服务中，从而支持不同类型的应用程序(如：目标识别、跟踪等)。具体来说，当终端执行计算任务时，如果服务节点存储相应的计算服务数据，那么该任务将可以在服务节点中执行，否则任务将会由远端云服务器执行(这里假设云服务器存储所有任务相关的服务数据)。基于以上描述可知，任务卸载与服务缓存具有耦合性，即：不同的服务缓存决策将会直接影响任务的卸载决策从而影响任务完成时延。

因此，亟需提出一种新型基于ADMM的服务缓存与资源优化的方法，可以解决目前现有技术中存在的由于不同的服务缓存决策直接影响任务的卸载决策从而影响任务完成时延的技术问题。本申请在多点协作的分布式移动边缘网络中，需要充分考虑计算任务对资源需求的异构性以及服务缓存与任务卸载的耦合性，通过计算、通信以及存储三者的协同，设计服务缓存与资源分配联合优化策略实现负载均衡。

发明内容