基于仿真的方法在移动边缘计算QoS-Aware服务选择

文摘

边缘计算是一个新兴的计算模型,使有效的服务请求卸载到边缘服务器。通过利用云计算的成熟的技术,移动设备的计算能力可以显著增强边缘计算范例。然而,在用户请求的到来,是否派遣他们到边缘服务器或云服务器为了保证服务质量(QoS),即。QoS-aware服务选择问题,仍然是一个开放的问题。由于动态迁移的用户和任务到达和服务的变化过程,这是非常昂贵的获得全局最优解的数学方法和基于仿真的方案。攻击这一挑战,本文提出了一种基于仿真的方法QoS-aware移动边缘计算系统的动态服务选择。提出了随机系统模型和数学分析。基于分析结果,QoS-aware服务选择问题是由一个动态优化问题。目标应用软化最初的问题,使用顺序优化技术和服务选择算法的设计。进行仿真实验来验证本文提出的方法的有效性。

1。介绍

边缘的计算是一个新兴的技术优化云计算系统通过执行数据处理网络的边缘附近的原始数据的来源(1]。它把应用程序、数据和服务集中的点(即。云)的逻辑极端网络。因此,传感器和中央数据中心之间的通信带宽需要通过执行分析和知识生成可以显著减少。与移动通信的快速发展和移动服务,移动边缘计算(MEC)作为一种特殊类型的边缘计算出现了。这是一个网络架构,实现云计算功能和It服务环境的边缘移动网络(2]。由于其高性能和大力支持新的个性化服务为特定客户,MEC在工业和学术界已成为一个热点话题。

在MEC系统,手机运营商可以有效的边缘节点上部署他们的服务通常是蜂窝基站。由于蜂窝基站结合信息技术和电信网络的元素在相同的设备,他们的表现已经成为一个关键问题特别是对于一些特殊的应用,如物联网(物联网)。一般比较云数据中心,可以视为一个高性能计算(HPC)系统,基站的容量通常在现实中遇到一些瓶颈。当蜂窝基站的负载沉重,用户请求必须被转移到云网站为了保证服务质量(QoS)为用户服务请求和服务已经运行在边缘节点。因此,如何确定边缘服务器或云服务器处理用户请求在他们到达以满足QoS要求,即。,QoS-aware服务选择问题,对MEC系统的性能至关重要。

由于高工作负载的到来和MEC系统的动态特性,服务选择理论上可以制定作为一个动态优化问题。有几个数学方法求解动态优化问题。然而,他们中的大多数在大型MEC系统应对挑战。一方面,基于动态规划的方法,如马尔可夫决策过程(MDP)面对状态爆炸问题当MEC系统变得相当大的规模,导致在可接受的时间不可能解决问题。另一方面,queueing-based方法,比如李雅普诺夫优化在动态优化现在很受欢迎,只能给出一个下界的优化算法。此外,一些方法必须做出假设,以促进他们的优化程序,需要额外的先验知识的数学分布的动态过程,或导致不准确的绩效评估。攻击这些挑战,出现了另一种方法,其基本思想是将设计仿真模型,进行仿真实验得到最佳的服务选择策略(3]。然而QoS-aware服务选择问题,模拟的性能是一个关键问题。使用仿真评估输出变量对于一个给定的输入变量的设置已经计算昂贵甚至没有提到最好的政策提供了输入变量的搜索空间巨大,而且变异性是不可或缺的一部分的问题使模拟更复杂的(4]。因此,模拟方法有时面对空间爆炸问题的状态空间和动作空间。因此,如何设计和实施有效的方法解决QoS-aware服务选择问题仍然是一个悬而未决的问题。

在这项工作中,我们试图填补这一空白,提出一个有效的方案,基于仿真QoS-aware MEC系统的服务选择。仿真模型捕获MEC系统精心设计的动态和特点,及其相应的数学分析。一个事件驱动的仿真框架,和提出了基于仿真的服务选择算法。对于促进长期的动态优化,我们稍微牺牲一些最优的一部分软化我们的目标从“寻找最佳”到“选择好解决方案。提出了“数学公式和定量分析性能约束和收敛速度。通过应用顺序优化(OO)技术,我们提出一个有效的方案,基于仿真的优化MEC QoS-aware服务选择的系统。最后,我们根据现实数据进行实证实验来验证我们的方法的有效性。

本文的其余部分组织如下。节2,我们将讨论相关工作最相关的。节3,我们现在详细模型的动态模拟,进行定量分析模型。节4,我们设计基于仿真方法的基本框架,MEC服务选择和提出一个有效的方案通过应用面向对象技术。节5,我们进行基于真实数据的实验来验证方案的有效性。最后,我们总结论文部分6。

2。相关工作

服务选择一直是一个热门话题在服务计算社区。经典的服务选择往往是一个问题的检索功能描述服务存储库和确保描述和被要求的接口匹配技术水平(6]。解决方案服务选择的功能方面通常从建模或语义的角度研究了这个问题(7,8]。与快速增长的互联网上可用的功能类似的服务,对服务选择的研究集中在QoS问题。QoS-aware服务选择的基础是评估服务的QoS。最简单的一种方法是设计和实现一些硬件设备或计算机程序和部署在实际运行系统或模拟器获得QoS指标。现有方法充分利用了测量和反馈技术改善QoS的准确性评价(9]。现有方法的另一个类型是prediction-based计划,它使用QoS历史数据预测从先前的调用的服务的用户的QoS指标由当前用户在调用前的特定服务。自从prediction-based方法允许数据丢失,他们强大的力量出现在QoS评价特别是大规模计算系统的服务。应用了若干理论和技术为提高QoS的预测质量价值观,和例子包括集团决策理论(10),协同过滤(11)和神经网络(12]。QoS的第三种类型的评估是基于模型的方法,即建立一个数学模型制定的动态服务,开展定量QoS分析根据模型参数。服务可以通过马尔可夫链模型(13)或排队模型(14)和QoS属性可以计算在服务实施和部署之前,根据可以获得最佳的服务选择策略。最后,一些研究人员研究了从仿真的角度来看这个问题。系统动力学进行了分析,在此基础上仿真实验的设计和实现的性能进行评价(15]。

分析结果,服务选择可以解决其相关优化问题的研究。几个方面可以注意而选择最佳的为用户服务。例如,用户需求的多样性和偏好应该仔细考虑特别是配方的优化目标和约束(16]。诚信应该制定和优化更好地满足QoS需求的用户17]。有时候,可以制定作为一个多维服务选择,多目标,和multichoice问题如此复杂np困难,只能解决由启发式算法(约18]。

服务选择在移动计算边缘可能面临新的特点和挑战。由于边缘层的出现,一些额外的方面可能会影响系统的性能,带来了更多的不确定因素的端到端QoS。例如,任务到达MEC系统(19),数据处理速率在边缘层和云网站(20.),和服务调度策略(21,22都会影响的动态系统,使服务选择问题更复杂。因此,如何设计和实现有效和实用的解决方案QoS-aware服务选择捕捉的动态和特点MEC系统基本上仍是无人涉足。我们的基于仿真的方法,描述了接下来,旨在填补这一空缺。

3所示。系统模型

为了解决移动边缘计算中的服务选择问题,我们必须首先制定理论上的问题。为此,我们研究了两个移动用户和服务器的动态行为。捕捉的动态系统的数学模型,然后提供定量分析。分析结果,问题是因此制定一个优化模型。

3.1。用户移动模型

在移动边缘计算系统中,我们假设存在对于某些用户,每个请求的服务部署在一个边缘服务器或云服务器。的用户 ,让代表用户的地理位置点 。因为用户的物理位置在MEC系统通常是改变随着时间的推移,被定义为一个随机变量的分布不同用户在不同系统的不同。

在MEC系统,用户通过移动基站连接到系统,这也是一个边缘服务器。我们假设边缘服务器在移动计算系统。每个服务器上运行多个服务满足用户请求的访问。事实上,我们通常不关心用户的物理位置。相反,我们关注的边缘服务器用户连接。因此,随机变量的值可以设置ID的边缘服务器访问,例如, 。

计算机系统总是运行在离散时间的方式,因为他们每个人配备了一个内部离散时钟。因此,时间线可以被认为是一个序列的时间间隔定义为一系列的点 。因此,收集是一个随机过程表示用户在MEC的流动系统。这可以被视为一般用户移动性模型,可以应用于大多数类型的MEC系统在现实中。

3.2。边缘服务器排队模型

边缘服务器的动态包括以下三个基本部分。首先,请求到达服务器完成某些任务根据他们的需求。其次,因为服务器的计算/存储资源不是无限的,有时需要等待队列的请求,直到服务是可用的。否则,没有排队立即到达请求继续服务。第三,从服务器请求得到服务,最后离开。这种动力可以捕捉到一个排队模型,可以图形化的代表人物1。圆圈代表一个边缘服务器,和一个开放的盒子代表一个缓冲区(队列)前这个服务器,在队列中的位置是为了显示等待请求。请求被认为是到达队列并离开服务器,并假定服务过程通常需要一个严格的积极的时间。

排队模型可以制定一个离散事件系统(DES),其“事件”包括一系列任务的到来和离开。具体地说,让表示工作负载(队列中的请求数)的服务器 在时间 ,因此是一个可以被定义为随机变量的排队模型。此外,我们定义 代表请求到达服务器的数量的时间间隔来 ,和 表达的离职人数相同的时间间隔。假设边缘服务器有限缓冲区和缓冲区大小用 。因此,排队模型的动力学的州可以被以下表达式:

边缘服务器的平均队列长度可以通过计算获得的意思吗 ,如下。

与小定律它提供了一个通用的排队系统的稳态性能分析与任何随机时钟结构、平均响应时间平均队列长度成正比 的比例常数是在边缘服务器请求的平均到达率吗 。

为每个用户请求由一个边缘服务器,响应时间,也被称为逗留时间,可以计算请求花费的总时间在排队系统中,这是其等待时间和服务时间的总和。假设一个请求到达的时间 用而它的起飞时间表示为 ,因此可以获得的响应时间(5)。我们应该注意到,虽然直观,但这个表达式与价值尤其是仿真方案,指读者部分4获取详细信息。

3.3。服务选择模型

服务选择是决定当地服务位于一个边缘服务器或远程部署在云一个网站会处理用户请求。从一个边缘服务器可以被视为一个中间层用户和云之间能够处理部分工作负载和本地服务(23),它通常带来性能增强特别是一些轻量级实时任务。然而,边缘服务器通常是一个轻量级虚拟化云服务器部署在一个基站,因此其容量远低于一个云服务器。如果边缘服务器的工作负载超过一定程度导致沉重的工作量或请求拥塞,端到端性能显著降低。因此,服务选择策略是动态的根据边缘服务器的工作负载状态。

我们让一个随机变量表示服务选择的决策变量的时代 。我们假设 表明用户提交的请求将由边缘服务器访问吗 ,而 代表这一次时代的请求将提交云网站。这样的定义,可以得到,如果 然后将没有提交到边缘服务器在当时的时代,因此(1)可以表达更具体地说 考虑到服务部署在云通常通过SLA保证QoS,我们假设一个云服务用户请求的响应时间几乎是确定的。然而,随着云服务通常部署在一个偏远的云网站,应该有一个额外的云服务的端到端响应时间的一部分,即。网络通信延迟。与服务的响应时间在边缘服务器上,这个延迟通常长。我们使用(7)来表达云服务的端到端响应时间要求提交的用户 ,在哪里是在云网站和响应时间是通信延迟。

服务选择方案是最小化所有用户提交的请求的响应时间,这是一个最受欢迎的方法保证端到端QoS。定期服务选择的决定,并在每次时代服务选择策略是相同的。我们应该注意到这样的计划是一个完全时间驱动;项目即。,the decisions are made at certain time points. One may also design and implement the service selection scheme as an event-driven one; i.e., a decision has to be made upon the occurrence of any event (e.g., arrival and departure). This is a special case of time-driven scheme when we set the time points of making decision to the exact time when events occur. However, the event-driven approaches are usually too costly that the dispatchers have to obtain the optimal solution upon every event resulting in significant overhead. Thus, in the following parts of this paper, we focus on the time-driven schemes which are much more practical in reality.

在稳态的角度来看,服务选择方案应该最小化所有用户请求的平均响应时间。州以来边缘服务器队列的请求(数字)随时间,该计划也应该是动态的。因此,动态服务选择是由一个动态优化问题制定如下。

决定时代。被决定的时代 执行时间和相应的决定 。如果每个决策时代需要等效时间统一(即, ),决策时间 。

状态和状态空间。国家在时代的开始被定义为系统的状态。因为系统包括边缘服务器,我们定义

行动和行动空间。服务选择时时代的作用表达的是

优化目标。QoS-aware服务选择的目标是最小化所有用户请求的平均响应时间由用户提交到系统,通过调优决策变量 。数学上,目标函数表示如下:

我们应该注意,响应时间的请求密切相关的决定它的到来。如果选择边缘服务器上的服务,应该计算(5)。否则如果被云服务服务器,请求将回应时间表达的(7)。

4所示。方法

4.1。基于仿真的优化

在前一节中给出的模型,服务选择问题已经可以另外解决制定和优化理论和技术。(定义的优化问题10)类似于一个马尔可夫决策过程(MDP)是一个著名的动态优化问题被研究了几十年。然而,这是一个很大的不同之处。MDP总是分配奖励每一个州,和优化的目标是最大化或最小化的期望值奖励,折扣或尚未完全。但对于我们的问题(所示10),目标是最小化平均响应时间的一个瞬态时变变量。瞬态响应时间相关的队列的状态和政策已经做出决策。因此,马尔可夫链的(无记忆)属性有时可能不会举行,在优化过程中导致重大困难。此外,实际系统不符合一些假设(如泊松到达,指数服务费率)为了简化模型,和他们过于复杂,收益率的分析解决方案。因为分析和算法的解决方案可能会失败为解决这个问题,我们设计一个基于仿真的方法。

模拟的基本思想进行了一系列的实验流程通过系统模型是数值计算,从流程和数据被用来估计不同数量的我们的利益。物理系统的状态表示为状态变量,并模拟程序修改复制物理系统随时间的演化。不同的政策,系统的性能评估和比较,在此基础上优化解决方案最终将表面。基于仿真的优化的最吸引人的优点是相对简单和广泛的适用性,尤其是比较老式的实验室实验的实际物理系统必须实现的。唯一涉及硬件是一台电脑,相互连接的物理服务器,而我们有软件程序捕捉所有这些相互作用和活动。随机性也充分考虑,取而代之的是适当的软件由随机变量驱动发电机。

虽然服务选择方案是一个完全时间驱动,项目我们使用事件驱动的方式实现我们的模拟,为了捕获所有整个MEC的动力学系统。的整体框架模拟显示的图2。仿真实验的基本过程是不断重复以下5个步骤。(1)第一个条目 从事件列表选择和删除。(2)我们更新仿真时间通过推进新事件的时间 。(3)状态系统的根据更新状态转换函数 。更具体地说,如果是一个事件,我们有什么 ;否则,如果是一个离职,因此我们获得吗 。(4)如果存在任何不可行事件在新状态,我们从事件列表中删除相应的条目。(5)新的可行的事件引发的将被添加到事件列表。预定的事件时间事件是由 ,在哪里是一辈子的吗随机变量生成器。

在MEC QoS-aware服务选择系统的仿真方法是设计和实现如图3。基于用户移动模型中,服务器排队模型,和服务选择模型提出了在前面的小节中,我们进行仿真实验确定参数设置和分析输出(例如,用户请求的平均响应时间)。不同的政策,输出进行了分析和比较,其中可以获得最优解。

4.2。目标软化

传统的基于仿真的优化实验评估所有候选策略并选择最优的目标。然而,这种类型的方法满足挑战尤其是在长期服务的优化选择问题探讨。

首先,搜索空间非常大。讨论的部分3.3,我们获得的数量只有一个可行的政策决定的时代 。此外,在一个模拟实验中,我们必须做出决定的一系列决策时代,导致搜索空间的进一步指数增加。数量非常大的,特别是当MEC的规模系统长大。因此,存在一个临界极限可伸缩性的传统基于仿真的优化方法。

其次,随机变量的数量也非常大。对于每一个事件的模拟,即。,task arrivals and service processes, the random variate generator has to generate a new random variable in order to obtain new feasible events. In each of the decision interval, there might be a number of event having occurred, and thus more events are generated. In an MEC system with multiple edge nodes, the event table shown in Figure2增长非常快。因为大量的相关数据必须记录和计算,整体性能和内存空间仿真编程将面临严重挑战。

最后但并非最不重要,因为工作负载在现实中通常是动态的,随时间的推移,我们必须模拟很长时间为了捕捉工作负载的特点,为保证仿真结果的准确性。然而,这样非常耗时、耗资源。对于一些大型MEC系统,这对我们来说是不可能进行这种长期模拟每一个可行的政策与现有的计算机系统。

因此,为了攻击这些挑战,我们必须牺牲部分的最优求解优化问题在合理的时间。这里,我们从顺序优化(OO)借这个想法是首先提出的Ho et al。24为解决极其复杂的基于搜索的优化问题。面向对象的基本思想是“软优化难题”,这意味着人们可以解决这个困难的问题在一个可接受的时间内软化后的优化目标。

因为我们已经知道寻找全局最优的解决方案实际上是不可行的,我们切换到一个合理的目标是找到一个足够好的解决方案有高概率。数学上,目标是表示为 在这里,是实际的足够好的设置通常顶部-优化问题的可行的解决方案, 。 选择解决方案的设置是OO通常估计最高由仿真实验方案选择, 。 被称为对齐概率这表明实际上的概率真正的好解决方案 ,和被称为校准水平。我们应该注意到,在大多数情况下,用户通常会选择最好的一个解决方案 , 可以设置为1。

第一个面向对象的基本思想是顺序的优化是容易得多比红衣主教的优化。传统的红衣主教问题通常要求我们估计两种策略之间的性能差异。在基于仿真的优化,因为所有的仿真实验是相同的和独立的,总体性能(例如,平均响应时间)计算使用的意思估计平均所有的模拟实验结果。我们假设相同的和独立的仿真实验获得的序列i.i.d.估计样本观测所表达的 。因此,估计表示为 。我们让表示整体性能的实际价值。与强大数定律,我们有 ,表明该估计量是无偏的。此外,我们可以得出结论,可以计算标准差的估计量 ,这表明估计的收敛速度不超过是不能令人满意地缓慢。另一方面,中心极限定理说明样本均值收敛于高斯分布时足够大。因此,如果我们只想确定一个政策比另一个通过比较他们的模拟输出和OO精神后,我们发现微分 也符合高斯分布。假设实际值有关系 ,因此我们有 ,显示订单估计之间的两个结果同意真正的秩序收敛指数和利率不低于1 。总之,具有更高的收敛速度,OO更容易比传统的红衣主教的优化。

OO的第二个想法是,一个软目标的优化足够好是容易得多比试图找到确切的最佳解决方案。这个放松的目标可以买我们很多宽松的计算和记忆负担,同时保证最优在一个可接受的水平。我们讨论一个盲目的选择方案,能够提供一个下界对齐概率分析。这样的方案是随机选择从搜索空间政策获得选中的组 ,因此没有先验知识用于选择。因此,我们有对齐概率时 由以下表达式给出,代表整个搜索空间。 因此,对齐概率收敛指数集的大小和 。此外,对齐概率的下界有一个一般形式如下:

4.3。服务选择方案

我们利用面向对象的技术来解决动态服务选择问题。目标软化后,一个高效的基于仿真的方案在MEC系统动态服务选择是精心设计的。我们的方法显示了算法的基本步骤1。

我们首先用一个粗略的模型——顶部候选人的政策。粗糙模型将提供一个粗略的估计每个策略的性能,但它是相当高效的计算操作和内存空间。在优化问题MEC在节中定义的服务选择3仔细控制,模拟参数。由于资源消耗是密切相关的仿真时间,我们实现我们的粗糙模型估计性能的可行的政策使用仿真实验只是一个相对较小的时间段。换句话说,尽管参数在(10)应该足够大,以获得一个准确的估计的平均响应时间,我们在原油设置一个非常小的数字模型,使模拟完成在短时间内导致资源消耗小。因此,第一步可以在合理的时间完成。

在下一步,我们确定顺序的参数优化。用户指定的大小足够好和所需的对齐水平 。成熟的理论和实践成果,评估后下令性能曲线(OPC)类问题和噪音水平的粗糙模型通过我们的方法,我们能够获得适当的选择集的大小通过查找一个预先计算的表(5]。

前,后可行的政策选择的粗糙模型,我们运用精确的模型模拟候选人找到最优的政策。我们注意到精确模型模拟原油更昂贵的比之前的版本,这需要更多的时间和计算资源。然而,我们只需要运行的精确模拟政策,因此比较原始的搜索空间的开销是完全可以接受的。同时,我们在下一节将说明这些问题由仿真实验获得的实验结果我们在现实行为。

5。评价

5.1。实验装置

我们基于真实数据进行实验来验证我们的方法的有效性。QoS-aware服务选择方案介绍了前面部分实现在仿真实验中,根据实际的跟踪数据生成工作负载和面向对象理论应用于找到一个足够好的解决方案在合理的时间。

我们应用微软研究院公布的一个真实的数据集,即“t驾驶系统”生成工作负载在我们的实验。它包含10357辆出租车的GPS轨迹GPS采集的伐木工和GPS手机在北京的一周期间在2008年25,26]。每一块数据的确切时间提交系统已经记录,这是来自不同用户的任务到达的参考价值。在我们的实验中,当用户发起一个请求是紧随其后的是每一块出租车GPS数据的时间戳。我们假设用户MEC系统基本上遵循随机游走迁移模型不同的覆盖区域内不同的边缘服务器,我们实现一个指数分布的随机变量发电机为服务在边缘服务器处理事件。服务选择方案是设计和实现一个完全时间驱动方式,项目后的程序部分4。

MEC系统模拟与英特尔四核CPU和PC环境8 gb内存。模拟器是设计和实现捕捉基本系统的动力学行为,包括请求到达,任务调度和服务程序。与我们的方法,收集和分析实验数据,验证我们的方法的有效性和效率。我们推迟读者详情下面的小节。

5.2。实验结果

我们通过调优参数进行多次仿真实验等的数量决定时代我们认为在长期优化(例如, )MEC系统和边缘服务器的数量(例如, )。同时,原油实现模型和精确的模型。运行仿真实验后,我们说明实验结果。我们应该注意到,在我们的实验中,我们发现,传统的基于仿真的优化方法需要这么长时间,我们不能在合理的时间完成所有的实验。因此,我们说明了比较这两种方法在有限的情况下。

首先,我们评估我们的方法的有效性。获得的响应时间的粗糙模型和精确模型第一subfigure图所示4。的 - - - - - -轴表示使用粗糙模型获得的响应时间在我们的模拟, - - - - - -轴显示了响应时间计算使用精确的模型仿真结果。我们还画的虚线 为清晰的演示。数据点间距离越近的点线,粗糙模型估算错误越少。我们获得从图4大多数的数据点是接近。第二个subfigure进一步分析出错率的分布,说明其概率密度函数(PDF)。它已经表明,大部分的数据是在下面的错误率 。定量,我们计算的平均错误率粗糙模型,显示这些值%。考虑到原油的重要奖励减少搜索空间模型,这样的错误率是相当令人满意的。

其次,我们调整实验参数,讨论搜索空间的大小与优化问题的规模的增加。实验结果图所示5。一方面,我们发现精确的搜索空间模型与决策周期时间的增加呈指数增长,表明传统的基于仿真的方法需要花大量的时间和资源来获得一个长期的最优性。然而,原油的搜索空间模型基本上是相同的,因为我们只进行固定的短期动态规划优化获取选中的组。因此,使用粗糙模型是强劲增长的长期优化。另一方面,我们发现从第二subfigure粗糙模型和精确的搜索空间模型呈现指数级增长数量增加的边缘服务器。行动空间成指数增加的原因是在这种情况下,和两个模型必须在更大范围内寻找最优解决方案。然而,很明显,他们提高利率之间存在显著差异。搜索空间的大小增长慢于粗糙模型精确模型。总之,我们的方法的有效性在减少搜索空间可以验证。

最后,我们评估我们的方法的运行时间比较与传统的基于仿真的优化。我们将展示一组实验结果对于小型MEC系统,因为传统的方法不能在可接受的时间内完成任务如果搜索空间增大。如表所示1,可以获得粗糙模型的计算复杂度显著低。应用顺序优化搜索服务选择的优化能够近的开销降低一个数量级,这验证了我们的方法的效率。

6。结论

服务选择问题是一个重要的和开放的移动边缘计算保证服务的质量。本文提出了一种有效的基于仿真的服务选择方法对于MEC系统,解决状态爆炸的挑战和高可变性在基于仿真的优化。框架、模型分析,详细讨论了算法,基于跟踪数据进行实证验证来自现实。已经证明理论上和实验,可以显著提高性能稍微软化的优化目标牺牲获得全局最优的解决方案。这项工作预计将解决优化问题的一个新想法在大规模MEC系统和提供最佳QoS-aware服务选择的实际有效的解决方案。

数据可用性

之前报道t驾驶系统数据集被用来支持这项研究中,并可在https://www.microsoft.com/en-us/research/publication/t-drive-driving-directions-based-on-taxi-trajectories/。这个数据集引用之前在相关地方在文本(25,26]。大部分的仿真实验数据用于支持本研究的结果包括在本文中。更多的额外的数据可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由北京自然科学基金(不支持。4162042),国家自然科学基金(没有。61502043),(没有国家重点研究和发展计划。2016 yfc0303700)。

引用

1. p·g·洛佩兹,a .蒙特莎d Epema et al .,“Edge-centric计算:愿景和挑战,”计算机通信评审,45卷,不。5,37-42,2015页。视图:出版商的网站|谷歌学术搜索
2. A·艾哈迈德·e·艾哈迈德,“移动边界计算的一项调查,”学报第十届国际会议上智能系统与控制、ISCO 20162016年1月,印度。视图:出版商的网站|谷歌学术搜索
3. f . Patrizi”,介绍仿真技术自动服务组合,”电子学报》在理论计算机科学,卷2,37-49,2009页。视图:出版商的网站|谷歌学术搜索
4. 研究所。Horng和s。林,”一位序优化理论基础算法的仿真优化问题和应用程序中,“专家系统与应用程序,36卷,不。5,9340 - 9349年,2009页。视图:出版商的网站|谷歌学术搜索
5. t·w·e·刘和研究。Ho”普遍对齐概率和子集选择顺序优化,“优化理论与应用》杂志上,卷93,不。3、455 - 489年,1997页。视图:出版商的网站|谷歌学术搜索|MathSciNet
6. Reiff-Marganiec和m .蒂莉”,基于非功能属性的服务选择:调查和分类的方法,”学报2008年的非功能属性和服务水平协议在面向服务计算车间,2008年。视图:谷歌学术搜索
7. p c, c Pu, m . c .周”协议一级服务组合不匹配:佩特里网基于虹吸的解决方案,“Web服务的国际期刊的研究,7卷,不。4、1、2010页。视图:谷歌学术搜索
8. m . Rouached w . Fdhila, c . Godart“Web服务组合建模分析和编排,”Web服务的国际期刊的研究,7卷,不。2、87 - 110年,2010页。视图:出版商的网站|谷歌学术搜索
9. 王,a .周w . Lei, z, c .许和f·杨,“增强的用户上下文感知的声誉测量多媒体服务,“ACM交易多媒体计算、通信和应用程序(汤米·),12卷,不。4 s,队,2016页。视图:出版商的网站|谷歌学术搜索
10. y, s . Wang p c .挂c·h·许问:太阳,和f·杨,”一个高度精确的预测算法为未知的web服务QoS的价值,”IEEE服务计算,9卷,不。4、511 - 523年,2016页。视图:出版商的网站|谷歌学术搜索
11. m . Tang z郑,g .康j . Liu y,和t .张”合作通过利用web服务质量预测矩阵分解和网络地图,”IEEE网络和服务管理,13卷,不。1,第137 - 126页,2016。视图:出版商的网站|谷歌学术搜索
12. 吴w . Xiong, z, b·李,问:顾,“QoS的学习方法通过多维上下文预测,”《24日IEEE国际会议上Web服务,ICWS 2017美国,页164 - 171年,2017年6月。视图:谷歌学术搜索
13. r·s·马托斯p r·m·马舍尔和r·m·a·席尔瓦”QoS-driven优化组合web服务:基于理解和分析模型的一种方法,“国际期刊的网络和网格服务,9卷,不。3、304 - 321年,2013页。视图:出版商的网站|谷歌学术搜索
14. s . l . Li Li,赵,“面向服务物联网QoS-Aware调度”,IEEE工业信息,10卷,不。2、1497 - 1507年,2014页。视图:出版商的网站|谷歌学术搜索
15. a . p . t .许w·t·李,a . j . c . Trappey c . v . Trappey A.-C。常”,使用系统动力学分析物联网使一站式物流服务的绩效评估,”《IEEE国际会议系统,人,和控制论,SMC 2015香港,页1291 - 1296年,2015年10月。视图:谷歌学术搜索
16. l, l·刘,问:粉丝,“面向用户偏好的调查服务选择和部署在多重云环境中,”学报2017年18并行和分布式计算国际会议上,应用程序和技术(PDCAT),页354 - 359,台北,2017年12月。视图:出版商的网站|谷歌学术搜索
17. h·马、z胡和m . Cai”值得信赖的服务选择集成云模型和区间数的可能性程度排名,“电子杂志,26卷,不。6,1177 - 1183年,2017页。视图:出版商的网站|谷歌学术搜索
18. m . c . Jaeger g . Muhl, s . Golze”QoS-aware web服务组成:一看选择算法,”学报2005年IEEE国际会议上Web服务,ICWS 2005,页807 - 810,美国,2005年7月。视图:谷歌学术搜索
19. 问:赵,z . Wang f . Xu h·戴和y,“检测性能下的数据包到达downclocking为移动计算边缘,”无线通信和移动计算卷,2018篇文章ID 9641712, 7页,2018。视图:谷歌学术搜索
20. 吴j·g·李,j . Wang, j .歌曲“移动边缘计算数据处理时延优化”,无线通信和移动计算,2018卷,2018年。视图:谷歌学术搜索
21. 江x律,h .田l . et al .,“选择性卸载移动边界计算的绿色物联网,”IEEE网络,32卷,不。1,54-60,2018页。视图:出版商的网站|谷歌学术搜索
22. 李。夏W, y、m .周x的太阳,和朱问:“Fluctuation-aware和预测工作流调度中具有成本效益的“基础架构即服务”云,“IEEE访问, 2018年。视图:出版商的网站|谷歌学术搜索
23. r·邓r·卢西莱t·h .烹调的菜肴和h .梁,“最佳负载分配Fog-Cloud计算平衡延迟和功耗,”IEEE物联网,3卷,不。6,1171 - 1181年,2016页。视图:出版商的网站|谷歌学术搜索
24. r . s . y . c . Ho Sreenivas, p . Vakili”DEDS的顺序优化”,离散事件动态系统,卷2,不。1,第88 - 61页,1992。视图:出版商的网站|谷歌学术搜索
25. j .元,y, c . Zhang et al .,”t驾驶系统:基于出租车轨迹行驶方向,”18国际会议上提出的诉讼在ACM SIGSPATIAL地理信息系统(GIS 10)2010年11月,页99 - 108。视图:出版商的网站|谷歌学术搜索
26. 郑j .元,y、x谢和g .太阳,“开车从物理世界,用知识”17 ACM SIGKDD学报》国际会议上知识发现和数据挖掘(KDD ' 11)2011年8月,页316 - 324。视图:出版商的网站|谷歌学术搜索

版权

版权©2018黄楼继伟等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。