下载掌阅APP，畅读海量书库
立即打开
近几年，移动云计算（Mobile Cloud Computing,MCC）与长期演进（Long Term Evolution,LTE）网络受到了广泛关注。通过为移动用户（Mobile User,MU）提供计算和存储资源，MCC 使复杂的应用程序可以在移动设备上执行。然而，云基础架构和MU之间的地理隔离所产生的较长通信时延，导致服务质量（Quality of Service,QoS）降低。移动边缘计算（Mobile Edge Computing,MEC）能够通过为MU提供计算卸载服务来降低任务执行时延。
现有研究大多假设MU 的服务请求可以在确定的时间段内完成，但实际上，MU可能在完成服务请求之前移动至边缘服务器的无线覆盖范围之外，进而导致该服务执行结果的回程传输中断。因此，待执行任务需要在多个边缘服务器之间动态迁移以保证服务性能。此外，当服务需求量较大时，在给定的时延约束下，单个边缘服务器难以满足这些要求。多边缘服务器的协同动态服务可以加强计算卸载服务的鲁棒性。
多个边缘计算服务器合作构建泛在边缘计算（Pervasive Edge Computing,PEC）网络，该网络能够提供 PEC 卸载服务。在卸载过程（即从任务数据上传到计算结果回传下载）中，任务数据需要在多个边缘计算服务器之间动态迁移，服务器与MU之间持续通信。决策者考虑是否要在两台服务器间执行迁移任务时，还需要在迁移服务产生的额外通信开销和回程传输是否会被中断之间进行权衡。由于多个MU共享MEC资源，MU的服务部署会产生相互影响，每个MU都需要在通信距离和服务器已服务用户数量之间进行权衡。
在现有的移动场景下的动态服务部署研究中，大多数研究需要全局网络信息以设计部署策略，或忽略决策的长期影响来设计短期部署策略。预测MU的长期行为模式（如移动轨迹）并非易事，决策者需要在当前服务执行成本与未来可能产生的迁移成本间权衡。基于部分卸载和动态服务部署，多个MEC服务器能够协同完成一个任务请求。为了确保任务的一致性、原子性以及MEC服务的鲁棒性，在进行服务迁移时，任务输入和输出的完整数据都需要从原服务器迁移到目标服务器。
本章构建了一个动态服务部署框架，用于在MEC网络中实现高效卸载。考虑到MU不规则的移动轨迹，其服务请求定义为伯努利过程。为了在保证服务器存储队列稳定性的同时最大化长期系统效用，本章利用李雅普诺夫优化将长期系统效用最大化问题分解为一系列即时优化问题——李雅普诺夫漂移加惩罚函数最小化问题。在缺少先验知识（即用户的未来移动轨迹）的情况下，未来的系统效用可以基于蒙特卡洛的随机抽样来近似，而后通过引入服务部署概率分布，将系统效用最大化问题转化为马尔可夫近似优化问题，利用马尔可夫近似模型动态部署服务请求数据，并构建分布式马尔可夫链以获得最佳服务部署策略。从理论分析和性能评估两个角度，本章证明了所提方法在系统效用、服务覆盖率和收敛时间等方面的高效性。此外，每个时隙的平均完成请求数统计显示，本章所提方法可以充分利用 PEC 服务器的存储能力。