基于QoS的资源估计方法在计算边缘

文摘

随着互联网的发展,网络设备的数量增加,云数据中心负载的增加;一些对延迟敏感服务不能及时回应,导致降低服务质量(QoS)。在本文中,我们提出一个基于QoS的资源估计方法在边缘计算来解决这个问题。首先,资源进行分类,根据加权欧氏距离的相似性匹配。惩罚因子,介绍了灰色关联矩阵的相似匹配的函数。然后,我们使用regression-Markov链预测方法来分析候选人资源的负载状态的变化,选择合适的资源。最后,我们分析的精度和召回匹配方法,通过仿真实验,验证了匹配方法的有效性,并证明regression-Markov链预测方法可以提高预测精度。

1。介绍

随着物联网的发展(物联网)1),越来越多的设备,尤其是移动设备,不断地访问互联网。思科预计,500亿台设备将连接到互联网在2020年(2]。这些设备将产生大量数据的网络,导致云数据中心的负担的增加。此外,远程移动设备和云数据中心之间的距离使传输延迟增加,这使得一些对延迟敏感服务得不到快速响应和处理。物联网服务,如车辆和视频连接,需要高带宽和低延迟内容交付保证QoS。边缘计算(3)中扮演一个重要的角色利用网络资源在本地网络提供低延迟服务,提高QoS。

终端设备和云之间的边缘计算位于数据中心。它传输数据和计算能力从云到网络的边缘,过程数据在本地(4]。由于边缘服务器已经接近最终用户、移动设备和数据中心之间的延迟是减少。此外,接近用户的资源,在一定程度上可以提高QoS。

在物联网环境中,网络设备的数量不断增加。资源使用相同的服务功能也逐渐增加。用户需求的复杂性,使得资源管理挑战。在众多可用资源,选择合适的资源来满足用户的需求已成为主要目标。

虽然延迟减少,资源优势计算云计算相比是有限的。资源的可用性和短期预测负载(5,6对任务调度)有一些影响,应用程序的性能和用户的QoS。资源预测的方法可以为用户提供适当的资源,分析资源的负载本身。因此,资源QoS的估计是重要的用户满意度和任务分配计算。

在本文中,我们首先提出一个计算框架。然后,我们介绍了惩罚因子和灰色关联矩阵来提高相似度匹配的准确性并选择资源,满足用户的需求。我们使用regression-Markov链预测方法对候选资源分析资源本身的负载状态的变化。最后,我们证明了估算方法的有效性通过仿真实验。

本文的其余部分组织如下。介绍了相关的工作部分2。我们描述边缘的体系结构计算部分3。节4,我们描述动态资源估算的方法。并给出了实验结果5。部分6总结了纸。

2。相关工作

边缘计算是云计算的扩展网络优势。没有标准的体系结构。资源评估的工作还没有被很好地解决。毛等。7)开发了一种联合广播和计算资源管理算法对于多用户系统,最小化的目标平均加权和功耗MEC的移动设备和服务器。Shekhar和Gokhale8)提出了动态数据驱动的云和边缘系统(D3CES)作为跨云自适应资源管理框架和优势资源提供QoS保证性能敏感的应用程序。王等人。9)开发了一个边缘节点资源管理(ENORM)框架来管理边缘节点。他们提出了一个机制来配置和自动定量边缘节点资源。他们的方法减少边缘节点之间的数据传输和通信频率和云。

Aazam和哈10)提出了一种动态资源评估和定价模型对物联网。他们的工作主要集中在考虑不同类型的用户和设备,以及面向服务的放弃的概率。基于之前的研究,Aazam et al。11)提出了一个QoE-based资源估算模型提高QoS。他们发明了MeFoRE方法的基础上,服务放弃概率和历史记录。他们认为之前的体验质量和提高QoS净推荐值记录。左et al。12)提出了一种基于熵的资源估计模型优化和动态加权方法来准确把握资源的动态负载和可用性信息。他们使用的目标函数和约束条件最大熵来选择满足用户的QoS的资源。这种方法实现了最优调度和保证用户的QoS。动态加权负荷进行评价筛选资源实现负载平衡,提高系统利用率。

赵et al。13)提出了一种多维资源模型的动态资源匹配物联网,物联网资源的多维描述。他们认为本体结构和本体描述计算相似度的匹配资源之间的硬件功能和软件功能。周et al。14)提出了一种多个QoS资源选择和估计算法。他们用多属性决策和层次分析法(AHP)算法。他们的方法主要是考虑用户的偏好信息。董et al。15]分析了单个资源节点的QoS。他们用一种局部优化算法选择合适的云资源,满足用户的需求。丁等。16]提出QoS-aware云计算资源匹配和推荐方法。他们描述了资源匹配算法,考虑功能需求和QoS属性和设计了一个云计算资源的推荐方法。

3所示。边缘计算

边计算,位于之间的移动终端设备和云数据中心,提供计算、存储和网络服务。边缘计算已经分散的计算能力和存储与云计算。附近的资源,用户可以支持实时通信的移动设备。边缘计算的主要目的是来对数据进行预处理,减少延误,低延迟的应用服务和实时响应。目前,常见的边缘计算架构是一个三层网络体系结构,如图1。

作为底层节点,终端设备不仅消耗数据,也产生数据。特别是,移动设备将需要更多的资源从边缘服务器而不是云数据中心。设备包括所有的物联网设备,如智能手机、智能车辆和虚拟传感器节点。这些设备能够检测数据,通过传感器网络与上层沟通,3 g WiFi,等等,并将收集到的原始数据。与数据中心中的服务器相比,大多数的物联网设备或传感器边上有些有限计算能力和电池容量(17]。边缘设备包括一些传统的网络设备(路由器、交换机等)和一些专门部署设备(本地服务器)。边缘设备的能力计算、处理、存储和转发数据到云服务器。边缘服务器可以直接连接到附近的移动设备通过无线连接单。微数据中心(MDC)资源包括计算资源、网络资源、存储资源和软件资源。一方面,资源来自缓存的本地资源;另一方面,他们来自数据获得的监测设备。顶层,云计算层包括数据中心(DC)和一些集群服务器。通过边缘设备发送的云服务器可以接收数据进行处理和存储。

图2显示服务的请求过程的计算。用户第一次提交请求系统管理员通过终端设备。系统管理员提交的信息存储和传输统计QoS需求通过边缘到边缘服务器网关。监测设备生成跟踪日志的统计数字资源利用率和可用性的传感器,应用程序和服务。监控数据传输到边缘服务器。边缘服务器分析请求的服务的QoS最终用户在本地和过程。服务分为几个任务,尽量在本地处理。每个任务选择最匹配资源池中的资源基于估计结果。然后,选中的资源分配和计划满足QoS要求。

4所示。动态评估方法

在本节中,我们描述了动态评估方法和评估资源使用相同的服务功能。具体的过程如图3。

如图,动态估计方法包括两个阶段:相似匹配算法和regression-Markov链预测方法。首先,我们建立一个资源QoS矩阵来计算用户的QoS需求之间的匹配程度和资源通过相似性匹配。然后,资源,满足用户的需求选择阈值。最后,我们分析资源负载的变化,并选择最优资源通过regression-Markov链预测方法。

4.1。相似度匹配的方法

以下4.4.1。资源描述

边缘节点的资源可以提供满足用户的QoS要求。摘要资源集具有相同的服务函数定义如下:

每个资源有不同的QoS属性。根据这些属性,资源评估来确定用户的需求和资源之间的匹配。资源集表示资源的QoS属性的集合。 在指数代表,每个资源不同的QoS属性,包括响应时间、可用性、可靠性和价格。摘要价格属性定义如下: 在哪里是基本服务的价格。是服务请求的数量在单位时间内完成。是在单位时间内收到服务请求的数量。一个价格调整因素,取决于服务提供者。表示设备类型,它通常可以分为静态设备、小型移动设备和大型移动设备。每个设备的相对资源预留是1,1.25,和1.5倍,分别10]。

QoS属性要求的用户都是一样的资源。QoS属性组定义如下:

在本文中,我们建立一个QoS属性矩阵的资源决策矩阵。 在哪里是QoS属性的值资源。

自QoS属性的计量单位是不同的,这是毫无意义的直接处理矩阵。因此,根据属性和用户满意度之间的关系,我们使用以下公式标准化处理:

上述公式表明两种情况:如果QoS属性是积极的属性,该属性的值越大,满意度越高的用户。相反,消极属性表明属性值越小,用户满意度越高。

为了保证评估结果的客观性,我们使用熵权法计算熵值和熵权QoS属性的资源。公式如下:

4.1.2。相似性匹配算法

为了减少匹配时间,提高匹配的效率,之前首先分类相似度匹配的资源。基于QoS属性值要求的用户,每个资源都可以被看作是一个多维的空间。资源和用户的需求之间的距离是用欧氏距离来衡量。因为每个用户可能偏好一个属性,每个属性的资源会影响测量的结果不同,因此,我们为每个属性客观权重,用加权法计算。 在哪里代表资源属性的权重。 表明之间的距离th资源节点和理想的节点(用户)的节点表示QoS需求的空间。 是接近的程度,其范围从0到1。当资源接近理想的节点 更小。

我们设置了接近阈值通过计算资源之间的邻近度节点和理想的节点。阈值的范围从0到1。它的资源分为两组。

资源分类的基础上,我们建立用户的QoS要求之间的匹配矩阵和QoS的候选人资源。 第一个行代表的QoS属性值资源。的 行代表的期望用户的QoS属性值。我们使用公式(6)标准化矩阵和计算之间的匹配程度期望用户和资源的资源。

在本文中,我们使用皮尔逊相关系数计算资源的匹配程度。 在哪里 是属性之间的相似性和 。 和代表相应的QoS属性的价值和分别的所有资源。和代表属性的平均值和分别的所有资源。

为了确保候选资源的QoS属性值在预期范围内的用户,我们引入惩罚因子和灰色关联矩阵来分析资源属性值之间的差距。惩罚因子的在资源约束的条件。惩罚因子越小,越接近用户期望范围是,相关性越高。相反,当惩罚因子较大,期望更远离的距离范围内的用户,关联度越低,匹配程度越低。 在哪里和代表相应的最小值和最大值的预期范围的用户为每个资源的属性,分别。

我们引入惩罚因子的灰色关联系数计算关联度和正确匹配函数。属性相关系数计算如下:

灰色关联矩阵的定义如下:

的相关系数th的属性资源。分辨系数,值为0.5。是一个惩罚因子的吗属性。和代表和最小差异的最大区别。和是标准化值。

修改后的匹配函数 在哪里代表的重量。当匹配度达到阈值 ,也就是说, ,这表明一个成功匹配。成功匹配的资源放到一个候选资源集 。

具体说明了匹配算法的算法1。

4.2。Regression-Markov链预测评估

通过上面的分析,我们选择一组候选资源,满足用户的QoS要求。由于动态和不确定的自然的资源,收集的数据的数量和价值的QoS会波动。此外,固有的移动物联网使移动用户使用资源时具有一定的波动性。因此,我们进一步选择资源通过分析资源本身的负载变化。

由于负载的随机性和波动性,单一资源预测方法很难准确预测。负载具有在短期内频繁变动的特点(18]。未来负荷电流负荷的影响,并且负载在下次可以通过电流负荷预测价值。因此,本文采用regression-Markov链预测方法,以更好地反映资源的变化趋势和随机波动特征。

根据时间的不同 ,资源的原始数据序列记录为负载值

首先,我们使用线性回归方法来生成预测序列 并计算原始序列和预测的相对残差序列

然后,我们把相对残差序列成国家的间隔。根据国家分布 ,一步转移概率矩阵计算。

如果矩阵满足下列条件: , ,是一个随机矩阵。 代表一步传递矩阵。

假设后的马尔可夫链会达到一个稳定状态一步过渡。稳定状态向量 满足

我们设置了初始状态获得的概率 对应的误差状态区间通过求解稳定状态的概率分布。根据最大概率原理,对应的最大概率作为下一时刻的状态。预测价值被带入相应的状态区间来解决预测区间值。在此基础上,我们预测资源的可用性在一段时间内,合理选择正确的资源。

5。实验结果

测试的性能估计方法中,我们使用的性能指标13)作为评估指标。这个实验的性能指标定义如下。

精度( )是用来衡量资源选择的准确性。具体地说,候选人资源,成功匹配用户的QoS占所有资源的百分比,在哪里代表候选人资源,成功地与用户的QoS和匹配代表所有的资源。

回忆( )是用来衡量资源选择的有效性。具体来说,成功匹配的候选人资源用户的比例占所有匹配成功的资源,代表候选人中的匹配成功的资源不是资源集。

测量( )是精度和召回的加权平均,用于反映了整体性能。越测量往往1,更有效的评估方法。

实验平台采用MATLAB建立不同数量的资源节点随机。每个资源节点包括多个QoS属性信息。QoS属性信息由模拟边缘服务器上的资源特点,包括响应时间、可用性和价格。接近程度和重量是0.5。为了保证结果的有效性,我们进行实验的20倍,实验结果的平均值。

为了获得最佳的性能,我们建立了一个匹配的阈值过滤不相关资源相似性较低。考虑到精度和回忆之间的矛盾关系,我们决定使用测量作为初始标准寻找最优阈值。

图4显示精度和召回的变异在不同匹配阈值。从图可以看出4的精度和召回是负相关的。当匹配度较高,精度较低,此次召回是更高。为了确保精度和召回在可接受范围之内,阈值应该在0.5和0.6之间。图5显示的变化测量在不同匹配阈值。可以看出,随着阈值的增加,衡量明显减少。当值是0.5,测量是在更高的位置,所以 作为匹配的阈值。

数据6和7显示该方法的精度和召回的性能,分别。我们的方法是与两种方法相比,首先不考虑惩罚因子(表示SMNP方法),第二个不考虑惩罚因子和灰色关联度(表示SMNG方法),分别。我们可以看到,我们的方法优于其他方法在精度和保持在90%以上。自惩罚因子提高了相似的资源,使资源尽可能地满足用户的需要。但回忆是低于其他两种方法和仍在72%左右,在可接受的水平。虽然这个方法可以避免资源的约束和关系属性,它只匹配属性的资源数量。

图8显示了测量在不同数量的资源。可以看出,我们的方法优于其他方法。的测量保持在80%以上,进一步验证了我们的方法的有效性。

在本文中,我们以CPU利用率为资源负荷指数预测。我们记录下载文件的CPU利用率每5秒获得时间序列数据。我们使用第一个10倍的负荷数据进行短期预测接下来的5倍的CPU利用率和证明方法的有效性的误差值。残差序列分为以下6个州通过线性回归分析,如表所示1。

随着regression-Markov链预测方法是区间预测方法,预测结果是间隔分布。我们选择最大的状态区间概率预测区间。我们选择 结果状态区间通过分析每个状态的概率区间处于稳定状态。

的误差结果regression-Markov链预测方法如图9。可以看出,该方法具有更高的预测精度和减少错误而线性回归预测方法。由于大波动和负载的随机性,单一预测方法效果很差。线性回归方法可以预测负载状态的变化趋势,但不能反映随机波动。马尔可夫链解决了随机波动的问题,提高了预测方法的准确性。

6。结论和未来的工作

与物联网和云计算的快速发展,服务QoS和用户满意度成为一个重要的挑战。本地计算和存储能力的边缘计算可以减少延迟和提高用户满意度。在本文中,我们使用加权欧氏距离的相似性对多个QoS属性资源进行分类。我们选择适当的资源相似性匹配和regression-Markov链预测方法。自从QoS属性系统是可扩展的,用户的QoS需求是动态的,估计方法具有一定的可伸缩性。现有工作的基础上,我们可以设计一个合理的资源估算的方法来平衡用户和服务提供者之间的满意度,提高资源的利用率。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(61672321,61672321),山东省研究生教育创新计划(SDYY14052 SDYY15049),山东省图书馆建设项目专业学位研究生教学情况,山东省研究生教育质量的课程建设规划,山东省大学科技计划项目(J16LN15)和曲阜师范大学科技计划项目(xkj201525)。

引用

1. l . Atzori a Iera经纪人莫拉比托g .,“物联网:一项调查,”计算机网络,54卷,不。15日,第2805 - 2787页,2010年。视图:出版商的网站|谷歌学术搜索
2. d·埃文斯物联网:互联网的下一个进化是如何改变一切,思科系统公司,2011年。
3. w·史,j .曹问:张先生,y,和l .徐“边缘计算:愿景和挑战,”IEEE物联网,3卷,不。5,637 - 646年,2016页。视图:出版商的网站|谷歌学术搜索
4. f . Bonomi r·米利托,j·朱和s . Addepalli“雾在物联网计算及其作用,”在移动云计算学报Mcc车间2012年8月,页13 - 16,ACM,。视图:谷歌学术搜索
5. s·m·希幔,o . Hioual负载平衡问题在云服务选择利用MCDA和马尔可夫链模型方法,”《国际会议上云计算技术和应用程序IEEE,页163 - 169年,2016年5月。视图:谷歌学术搜索
6. m m -赛义德,s·哈达和f . a . Omara”预测机制监控云资源使用马尔可夫链模型的状态,”杂志的并行和分布式计算卷,96年,第171 - 163页,2016年。视图:出版商的网站|谷歌学术搜索
7. 毛y, j . Zhang s h .歌曲,和k . b . Letaief“随机联合广播和多用户mobile-edge计算计算资源管理系统”IEEE无线通信,16卷,不。9日,第6009 - 5994页,2017年。视图:出版商的网站|谷歌学术搜索
8. 美国Shekhar和a . Gokhale”动态资源管理跨cloud-edge资源性能敏感的应用程序,”学报17 IEEE / ACM国际研讨会集群,云计算和网格计算IEEE出版社,页707 - 710年,2017年5月。视图:谷歌学术搜索
9. b . n . Wang Varghese、m . Matthaiou和d s Nikolopoulos”ENORM:框架边节点资源管理、“IEEE服务计算,2017年。视图:出版商的网站|谷歌学术搜索
10. m . Aazam E.-N。嗯,“雾计算微基于数据中心的动态资源评估和定价模型对物联网,”IEEE学报》29日国际会议上先进的信息网络和应用程序(AINA 15),51卷,不。5,页687 - 694,IEEE计算机协会,2015年3月。视图:出版商的网站|谷歌学术搜索
11. m . Aazam m . St-Hilaire学术界。肺,即Lambadaris“MeFoRE:体验质量基础资源估计在物联网的雾提高QoS,”学报》第23届国际会议上电信(ICT的16)2016年5月,页1 - 5,。视图:谷歌学术搜索
12. L.-Y。左,Z.-B。曹,S.-B。盾,“虚拟资源评价模型基于熵优化和动态加权在云计算中,“软件学报,24卷,不。8,1937 - 1946年,2013页。视图:出版商的网站|谷歌学术搜索
13. s . s .赵y, y, b . Cheng l . Yu和j·陈,“多维资源模型在物联网动态资源匹配,”并发性和计算实践和经验,27卷,不。8,1819 - 1843年,2015页。视图:谷歌学术搜索
14. 周j . m .燕,你们x和h . Lu”资源评估和选择的一个算法基于Multi-QoS约束”网络信息系统及应用研讨会论文集,页49-52,IEEE计算机协会,2010。视图:谷歌学术搜索
15. 董w·e·w·美国南,l . i徐”QoS-oriented云计算资源可用性的监控模型,”第五届国际会议上计算学报》和信息科学2013年6月,页1537 - 1540。视图:出版商的网站|谷歌学术搜索
16. 丁,c .夏Cai, k .周和s .杨”QoS-aware资源匹配和推荐对于云计算系统,”应用数学和计算,卷247,不。15日,第950 - 941页,2014年。视图:出版商的网站|谷歌学术搜索|MathSciNet
17. 锅和j . McElhannon“未来云计算和边计算边对于物联网的应用程序,“IEEE物联网,2017年。视图:出版商的网站|谷歌学术搜索
18. l . Zhang和d . y .徐多步优化的GM(1, 1)模型短期云计算资源负载预测,“计算机工程与应用,50卷,不。10日,65 - 71年,2014页。视图:谷歌学术搜索

版权

版权©2018 Guangshun李等。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。