Load-aware Edge Serve Placement for Mobile Edge Computing in 5G networks

我是谁我在哪我在看啥orz

摘要

边缘计算能够帮助5G网络从移动装置收集大量的信息并实时反馈给移动用户。边缘服务器（ES）对宏基站点中进行的大规模资源配置，以及在微基站点进行的轻量级资源响应都有帮助。由于5G网络中有大量微基站点的分布，为了降低在微基站点中构建边缘计算系统的投资，使用了有限数量的边缘服务器。因此，在有限边缘服务器的情况下，如何保证边缘服务器的执行效率以及边缘计算系统的整体性能？LESP，一种负载感知的边缘服务器放置方法，被设计用于5G网络中的移动边缘计算。构造决策树来确定ES服务器与微基站点的数据传输路径，之后采用遗传算法NSGA-II来获得平衡ES的策略。进一步，简单加权算法、多准则决策用于识别最优ES放置策略。最后，实验证明其有效性和效率。

1.介绍

随着IoT的发展，智能移动装置越来越多，运营商希望增强对这些移动设备要求高质量和低延迟的移动应用程序。但由于4G网络不足以支持这些需求，故迫使提供者去克服频谱资源的不足。
为了克服频谱资源的不足，运营商利用了一种名为5G的mm-Wave的新的频谱技术，该技术可以充分的利用频谱资源。技术上，这种毫米波的波长为1毫米到10毫米，这导致5G的带宽达到273.5GHz，然而，毫米波的衰减程度会受到雾/云条件的影响。为了减少毫米波信号的衰减以及利用频谱资源，将5G中的基站根据其覆盖范围划分为宏基站（MABs）和微基站（MIBs）。然后，集中布置微基站增加频谱密度并提高频谱效率。
随着大规模5G智能设备的不断出现，智能设备有限的计算资源，使得本地很难处理计算密集的服务。因此，移动设备会要求云台的计算资源来执行服务。虽然云减少了移动设备处理服务的压力，但降低了用户体验感，比如VR游戏。因此，边缘计算被用于减少延迟并让用户实时体验应用程序。具体的，边缘计算将计算资源提供给边缘服务器，网络边缘上收集的应用程序可以在附近获取ES中的资源。
考虑到应用程序通常在微基站附近，边缘服务器和微基站在一起，微基站被视为与宏基站联合执行应用程序的边缘节点，但是，由于微基站的覆盖范围狭窄，安排紧密。考虑到购买边缘服务器的高成本，为每一个微基站配置一个边缘服务器是不现实的，这会使一些任务转移到较远的边缘服务器上，给用户带来难以忍受的延迟。此外ES上有限的资源也难以处理过多的任务。因此，为了保证ES的稳定和性能，迫切的需要实现ES的负载均衡。基于以上事实
如何实现ES的合理放置以提高所有ES的性能（减少延迟实现负载均衡）是一个很大的挑战。本文提出提出负载感知的边缘服务器放置方法LESP，用于5G网络中的边缘计算。贡献如下：
-构建决策树根据均衡负载的分布来记录边缘服务的传输路径
-NSGA-II算法制定合适的均衡ES放置策略。
-采用简单加权法SAW和多准则决策MCDM来选择最优ES放置策略。
-进行仿真实验证实了本文提出的LESP方法的效率。
接下来介绍，系统模型、负载感知边缘服务器放置方法设计、仿真实验和对比实验、相关工作、总结。

2.系统模型

本部分介绍ES在5G网络中的放置框架。然后根据特殊的ES放置策略，对传输延迟和负载平衡进行分析。最后，将ES放置问题表述为一个多目标优化问题。

资源模型

在5G网络中，部署大量宏基站为移动应用提供服务且宏基站覆盖了多个微基站以提高服务质量。利用无线信号，微基站接收移动设备的服务请求。图1为5G网络中支持边缘计算的框架。在宏基站范围内，部署多个微基站来获取服务请求。假设一个宏基站范围内有Q个微基站，定义为M={ m₁,m₂,…m_Q}。由于微基站难以满足大规模服务的处理需求，因此通过实现ES和微基站的协同放置来扩展微基站的计算和处理能力。因此，ES与特定微基站放置在一起以帮助处理传输服务，定义为S={ s₁,s₂,…,s_N}.注意到，ES的数量不等于微基站的数量。此外，利用边缘计算中的虚拟技术，ES的能力通过ES中虚拟机的数量来衡量，表示为φ_n。如果ES中的虚拟机被全部占用，未处理的边缘服务需要等待上一轮服务结束。

传输延迟模型

传输延迟是由微基站到目标ES的传输时间、在ES的边缘服务的等待时间、ES执行服务的时间以及反馈传回的时间构成的。
由于并不是所有微基站都是和ES相协同的，故先定义变量B_Q^N来判断第q个微基站和第n个ES是否一同放置。
微基站至目标ES的数据传输的时间消耗记为：
其中，ds_q代表m_q中边缘服务的数据大小，θ代表微基站间数据传输率。另外，ω_q是数据传输过程中通过的微基站数量。
通过虚拟化技术，ES中的资源单元标准化为VM，服务在s_n的执行时间为：
其中，ru_q表示在s_n中处理边缘服务需要的VM，ρ是每一个VM的处理能力。
为了计算边缘服务在ES的等待时间，首先要计算边缘服务的等待轮次，如下：
其中ωr_n表示在第n个ES，s_n中等待的轮次。
令ET_r为处理第z轮所有服务的执行时间，则上传至s_n的边缘服务需要等待的时间为：

s_n反馈传输时间为：
其中，ds^’_q是边缘服务处理结果的数据大小。
边缘服务在m_q是总传输延迟可以计算为：
则所有边缘服务的平均延迟可计算为：

负载均衡模型

负载均衡条件是通过负载均衡条件来定义的。具体地，描述了ES的占用情况和正在运行的VM的数量。F_n是一个二元变量描述s_n是否被占用，
另外，P_qⁿ是二元变量判断m_q中的边缘服务是否上传至s_n中，

因此，正在运行的ES的数量为（相对于第q个微基站而言？？）：

s_n的资源利用率可通过VM的使用情况来衡量（第n个ES的利用率）：
其中ε_q是m_q中边缘服务所需要的VM数量。
因此，ES的平均资源利用率可通过一下计算：

这里的疑惑是为什么要用所有ES的利用率除以正在运行的ES数量，这个ξ只是针对某一个微基站算的，如果要计算正在运行ES的利用率，正在运行的ES数量只考虑某一个微基站吗？不应该有多个微基站同时吗？？
还是说，计算平均利用率的时候只是考虑当前这一个微基站（有服务需求的时候，只考虑当前这个服务）

s_n的负载均衡差异可计算为（某一个ES的资源利用率减去平均利用率）：

直觉就是，如何一个ES的资源利用率远远大于平均利用率的话，显然这个安排就不合理，当然希望每一个ES的利用率都和平均利用率相差较小，这样比较均衡比较合理。

然后，在5G网络中被占用的ES的平均负载均衡差异是

问题描述

本论文中，ES放置问题被定义为一个多目标优化问题。最小化（8）的传输延迟和（15）的负载均衡差异

3.负载均衡边缘服务器放置方法（LESP）

本部分首先介绍边缘服务器路径的确认。然后，NSGA-II用来解决这个多目标优化问题。最后，采用SAW和MCDM来选择最优ES放置策略。

边缘服务器路径确认

为了将边缘服务从微基站传至ES，需要确认边缘服务的传输路径。当所有ES被放置之后，用决策树来记录来自微基站的边缘服务的路径。对每一个ES建立二维矩阵，将该ES和每一个微基站的距离记录在二维矩阵中。微基站将边缘服务传输至距离最小的ES。如果最小距离的ES有多个，比较ES相连的微基站数量，选择相连数量最少的ES。
边缘服务器的路经确认在算法1中给出：

基于NSGA-II生成边缘服务器的放置策略

为了最小化所有ES的传输延迟和负载均衡差异，采用NSGA-II来解决多目标优化问题（16）.首先，ES放置策略被编码为一个基因。由于一个基因代表某个ES的放置策略，多个基因构成的染色体表示所有ES的放置路径。采用整数编码方法将ES编码为1，2，…,N.
为了在染色体中选择最优解决方法，适应函数作为标准。如第2部分所述，传输延迟和负载均衡差异是选择合适方法的标准。为了进一步的选择，确定种群H的大小，交叉能力R_c和突变能力R_m以及最大迭代时间V。
基于现有的种群，进行交叉和变异的操作来获得新的解决方法。本文采用单点交叉，这意味着两条染色体在预定交叉点周围交换基因，通过两个染色体的组合获得一个更好的染色体。此外，基因随机修改来产生具有更高适应度的染色体的操作被称为突变。每个基因都有相同的突变机率。
对于交叉和突变后的2H解，进行选择操作选择H解。具体的，每个解决方法的适应函数都积极模型计算。
根据通常的原则，对解决方案进行分类并进行选择操作。种群产生非支配层，且每个放置策略有自己的拥挤距离。通过对比拥挤距离，合适额个体被用来产生下一个种群，计算公式为：
其中j_p代表第j个ES的放置策略，j_g^D和j_g^L表示目标函数。D_j+1和L_j+1代表第j+1个放置策略的目标值，D_j-1和L_j-1代表第j-1个放置策略的目标值。

使用SAW和MCDM选择边缘服务器放置策略

对于最后产生的染色体，SAW和MCDW用来选择最优ES放置策略。对传输延迟进行归一化：
其中D^max和D^min是最后一个种群的传输延迟的最大值和最小值。
此外，负载均衡差异归一化为
其中L^max和L^min是最后一个种群的负载均衡差异的最大值和最小值。
为了实现归一化传输延迟和负载差异的优化，需要计算第h个决绝方案的效用值，如下：
其中ω₁，ω₂，是传输延迟和负载差异的权重。
基于解决方案的效用值，最优策略的选择如下：

Multiple Criteria Decision Making (MCDM) is all about making choices in the presence of multiple conflicting criteria.

方法概述

本文设计了一种负载感知的边缘服务器放置方法能够最小化传输延迟和负载均衡差异。具体过程见算法2.首先，构建决策树来确定边缘服服的路径。然后采用NSGA-I生成ES放置策略。最后，使用SAW和MCDM来识别最优的ES放置策略。

4.实验评估

通过仿真实验验证LESP的效率和有效性。首先参数设定见表1.然后介绍了对比方法，最后，评估了不同微基站规模对LESP的传输延迟和负载均衡差异性能的影响，并评估了对比方法。

仿真设置

采用5种不同微基站规模，ES的数量分别设置为5，10，15，20，25，30。选择两个对比方法。
-Greedy-D：每一个微基站将其边缘服务传递至其最近的ES。考虑到最近的ES没有空闲的计算资源，边缘服务被传给拥有充足所需计算资源的最近ES。系统会不断重复这一过程指导所有的边缘服务都被转移。
-Greedy-L：每个微基站将其边缘服务转移到具有最多空闲计算资源的ES。 假设几个ES具有相似的资源使用情况，则将服务分流到最靠近微基站的ES。 重复此过程，直到所有边缘服务都已卸载。

性能评估

首先计算了不同规模（5，10，15，20，25，30）微基站的V(D),V(L)（22）取值为0~1，如图2所示。考虑到，两个权重值和效用函数之间的线性关系，效用值图可以分为两个部分，且有最小效用值。通过比较效用值，选择了最平衡的ES放置策略。选择效用值最大的解决方法作为最优ES放置策略。

对比分析

对于不同规模微基站，对比LESP和对比方法的传输延迟和负载均衡差异：

5.相关工作

移动设备具有有限的计算资源，5G作为一种新的技术，可以帮助设备将数据传输至云等远距离的设施进行计算，但距离不可避免的带来了延迟的问题。因此边缘计算出现了。边缘服务器具有存储和计算功能，布置来减少设备的延迟问题。
但如果不加以规划的分配计算任务，会影响边缘服务的效率。因此对ES放置策略进行研究实现负载均衡和减少延迟就很有必要。

个人总结：将ES的问题看作一个多目标规划问题，考虑了传输延迟和负载均衡两个指标并分别对其建模；采用决策树来确定边缘服务的传输路径；采用遗传算法求解放置策略。
感觉是个数学问题，，，orz