面向城市场景的基于公交系统的边缘服务器部署方法

技术领域

本发明属于物联网和边缘计算技术领域，具体涉及一种面向城市场景的基于公交系统的边缘服务器部署方法。

背景技术

随着机器学习技术和微电子技术的发展应用，基于人工智能的应用程序数量不断增加，这些应用程序被广泛部署在物联网设备上。然而，物联网设备通常只有有限的资源和算力，无法直接执行计算密集型应用，因此近年来边缘计算受到广泛的研究关注。

在边缘计算中，物联网设备需要将计算任务卸载到邻近的边缘服务器上再进行处理，这一过程需要部署大规模的服务器以实现细粒度的服务覆盖。因此降低服务器的部署成本成为一个广受关注的话题。

为了降低部署成本，现有做法主要包括静态部署和移动部署。虽然静态部署可以提供稳定的部署，但通常需要大量的边缘服务器来覆盖，部署成本非常高。移动部署则使用专用的移动设备携带边缘服务器来提供服务，设备的移动性也需要额外成本。

鉴于此，一种不需要额外的专用移动设备，充分利用公共资源来降低边缘服务器的部署成本的方法是本领域所亟需的。

发明内容

为了解决或缓解上述部分或全部技术问题，本发明是通过如下技术方案实现的：

一种面向城市场景的基于公交系统的边缘服务器部署方法，通过利用城市公共交通的天然移动性，将公共交通作为边缘服务器的移动设备，使得部署成本降低，并尽可能地提高服务覆盖范围。

在某实施例中，为了解决时间预测误差容忍的服务器部署问题，进一步将问题划分为问题转换和服务器部署优化两阶段，其中对服务器进行的时间预测误差容忍部署，可以解决公共交通到达和停留时间不能准确预测的挑战。

在某实施例中，在所述问题转换阶段，将原始误差敏感问题转化为一个可以容忍时间不准确性的问题。

在某实施例中，在所述问题转换阶段，从公共交通工具的历史数据中获取车辆时间分布的统计参数，将公共交通工具的到达和停留时间建模为对数正态分布；同时因为公交车的到达和停留时间预测与实际情况的误差不可忽略，将公共车辆在不同热点的历史到达和停留时间数据建模为服从正态分布的随机变量。

在某实施例中，在所述问题转换阶段，公共交通工具的到达和停留时间按照对数正态分布的三西格玛规则建模为对数正态分布，即几乎所有值都分布在平均值的三个标准差内。

在某实施例中，在所述服务器部署优化阶段，将组合问题解耦为工作负载分配子问题和资源部署子问题，使用吉布斯采样来迭代更新这两个子问题，当部署策略具有可行解时，部署解会以可接受的概率迭代更新为最新的部署策略。

在某实施例中，在所述服务器部署优化阶段，基于部署在公共交通工具上的边缘计算资源和热点i分配给服务器j工作负载分配比率，选择最小化所有公共交通工具的边缘资源总部署成本。

在某实施例中，在所述服务器部署优化阶段，对于工作负载分配部分，使用一种基于图的工作负载分配方法，将原始分配问题转化为图最大流问题。

在某实施例中，在所述服务器部署优化阶段，对于资源部署部分，在部署资源充足的情况下使用二分法调整部署，随机选择一个边缘服务器将部署资源减少一半；如果出现部署资源不足的情况应该增加部署资源。

在某实施例中，充分利用城市公共交通的移动性，并使用公共交通的到达停留时间数据的统计特征进行问题转换，来降低边缘服务器部署成本并保证有效的服务覆盖。

在某实施例中，本发明所披露的一种在城市规模的边缘计算中实现细粒度服务覆盖的低成本方法，采用公共交通工具的无成本移动性来提供城市规模的边缘服务。通过这种方式，可以节省服务覆盖范围的大量硬件和手动部署成本。

在某实施例中，针对服务器部署和工作负载分配的联合问题，提出了一种两阶段算法，利用对数正态分布的数学特性，将延迟敏感部署转化为时间预测错误容忍的部署问题。建立了一个图结构，将问题转化为一系列最大流问题，并设计了一个基于吉布斯采样的算法，以迭代和逐步逼近最优解。

在某实施例中，前述方法问题转换阶段，根据三西格玛规则进行问题转换，将延迟敏感部署转化为预测时间误差容忍的部署问题。

在某实施例中，前述方法服务器部署优化阶段，基于问题转换阶段中转换后的问题，对于解耦后的资源分配问题和工作负载问题，分别建立图结构和使用二分法进行处理，从而降低问题复杂性。

本发明的部分或全部实施例，具有如下有益技术效果：

1)本发明提出了使用移动服务器并利用公共交通工具提供服务器的移动性，节省了移动基础设施的成本，进一步降低了服务覆盖的总体部署成本。

2)本发明通过对公共交通工具的历史时间数据进行建模，将延迟敏感的服务器部署问题转换为容忍误差的服务器部署问题，降低了公共交通预测与实际到达和停留时间的误差带来的影响。

3)本发明针对服务器部署和工作负载分配的联合问题，提出了两阶段算法，将问题转化为图的最大流问题。

更多的有益效果将在优选实施例中作进一步的介绍。

以上披露的技术方案/特征，旨在对具体实施方式部分中所描述的技术方案、技术特征进行概括，因而记载的范围可能不完全相同。但是该部分披露的这些新的技术方案同样属于本发明文件所公开的众多技术方案的一部分，该部分披露的技术特征与后续具体实施方式部分公开的技术特征、未在说明书中明确描述的附图中的部分内容，以相互合理组合的方式披露更多的技术方案。

本发明任意位置所披露的所有技术特征所组合出的技术方案，用于支撑对技术方案的概括、专利文件的修改、技术方案的披露。

附图说明

图1是本发明提出的两阶段服务器部署算法示意图；

图2是本发明提出的移动感知和协作工作负载分配的图建立示意图。

具体实施方式

由于不能穷举描述各种替代方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案中的要点内容进行清楚、完整地描述。对于下文未详细披露的其它的技术方案和细节，一般均属于本领域通过常规手段即可实现的技术目标或技术特征，限于篇幅，本发明不对其详细介绍。

除非是除法的含义，本发明中任意位置的“/”均表示逻辑“或”。本发明任意位置中的“第一”、“第二”等序号仅仅用于描述上的区分标记，并不暗示时间或空间上的绝对顺序，也不暗示冠以这种序号的术语与冠以其它定语的相同术语必然是不同的指代。

本发明会对各种用于组合成各种不同具体实施例的要点进行描述，这些要点将被组合至各种方法、产品中。在本发明中，即便仅在介绍方法/产品方案时所描述的要点，意味着对应的产品/方法方案也明确地包括该技术特征。

本发明中任意位置处描述存在或包括某步骤、模块、特征时，并不暗示这种存在是排它性地唯一存在，本领域技术人员完全可以根据本发明所披露的技术方案而辅以其它技术手段而获得其它实施例。基于本发明中具体实施例描述的要点，本领域技术人员完全可以对某些技术特征施加替换、删减、增加、组合、调换顺序等手段，获得一个仍遵循本发明构思的技术方案。这些未脱离本发明技术构思的方案也在本发明保护范围之内。

首先介绍，本发明提出的一种城市规模的边缘计算中实现细粒度服务覆盖的低成本方法。由于边缘服务器需要靠近用户的位置以实现低延迟，同时静态部署需要大规模服务器部署来覆盖目标区域，因此对于城市规模下的边缘计算而言，通常需要大规模服务器部署才能选择细粒度的服务覆盖。

而移动部署虽然能降低服务器数量，但也需要额外的专用移动设备，因此移动的部署成本也非常高。一般来说，城市中大部分计算需求都集中在城市热点地区，通常是人群聚集的购物中心和车站等地点，这也是公共交通车辆的停靠点。因此通过选择城市公共交通作为移动设备，将边缘服务器放置在公共交通上，为车辆的移动路径上提供边缘服务，支撑这些热点就可以有效支撑城市规模计算的需求，从而实现物联网设备在城市规模下的计算，同时也降低了服务器部署成本。

尽管和普通车辆相比，公共交通车辆具备调度时间比较规律、移动硬件资源可免费获得等优点，但公共交通车辆的到达和停留时间上仍然呈现出不确定性，如果和预测时间有着较大的差距，边缘服务器会错过请求，系统实际性能会比预期相差很多。因此本实例收集分析了公共交通网络的历史到达和停留的统计特征，进一步将统计特征纳入时间预测误差容忍的服务器部署问题中，从而保证了在公共交通车辆时间不确定情况下的系统性能可靠性。

使用M个交通工具覆盖N个热点，每辆公共交通工具会按照其规划的轨迹访问站点；同时，公共交通工具可以安装具有资源r

选择最小化所有公共交通工具的边缘资源总部署成本是基于目标函数：

r

在本发明某实施例中，综合考虑公共交通车辆的运行时间不准确性和多服务器协作分配的服务器部署方法，具体如下：

实验表明，公交车在不同站点显示的到达和停留时间不同，同一时刻表的公交车在同一站点仍存在不同的到站和停留时间，并且时间差极大。因此对于公共交通时间的预测往往不准确，存在着不可忽略的误差，如果直接根据时间表中信息进行部署，则会带来系统性能大幅下降。同时，即便可以精确预测车辆的到达和停留时间，资源部署和工作负载之间存在耦合关系，该问题仍然无法在多项式时间内获得最优解。

针对前述的误差与耦合问题，本发明提出了一种如图1所示两阶段服务器部署算法，其具体实现方法如下：

在第一阶段，设计了一个问题转换模块，不是直接使用预测时间求解原始问题，而是从公共交通工具的历史到达和停留时间中获取车辆时间分布的统计参数，将原始误差敏感问题转换为时间预测误差容忍的服务器部署问题。在这种情况下，可以在时间预测不准确的情况下保证系统性能，使部署算法对不准确的时间预测具有鲁棒性。

在第二阶段，基于第一阶段转换后的问题，建立一个图结构，将原始工作负载分配问题转化为图最大流问题，并使用基于吉布斯采样的算法来迭代更新耦合决策并逐步逼近近似最优解。

两阶段服务器部署方法具体包含如下两阶段和对应步骤：

第一阶段，从公共交通工具的历史数据中获取车辆时间分布的统计参数，将公共交通工具的到达和停留时间建模为对数正态分布；公交车的到达和停留时间预测与实际情况的误差不可忽略，将公共车辆在不同热点的历史到达和停留时间轨迹建模为服从正态分布的随机变量；即：

其中，ta

ta

tr

因为需要确保在服务器离开之前完成整个卸载的任务，对于卸载任务的有效时间也需进行限制。

按照对数正态分布的三西格玛规则，几乎所有值都在平均值的三个标准差内，这意味着每辆公共交通车辆的到达和停留时间都满足如下式子，即：

其中，

第二步，将组合问题解耦为工作负载分配问题和资源部署子问题，使用吉布斯采样来迭代更新这两个子问题。对于工作负载分配部分，使用一种基于图的工作负载分配方法，将原始分配问题转化为图最大流问题；对于资源部署部分，在部署资源满足的情况下使用二分法调整部署，随机选择一个边缘服务器将部署资源减少一半，如果出现部署资源不足的情况应该增加部署资源；

步骤2.1，首先，利用第一阶段的问题转换模块，对于原有的服务器部署进行改造再初始化决策变量，将热点的工作负载平均分配给所有符合条件的服务器。

步骤2.2，然后如图2所示将工作负载问题转换为图的最大流问题：

对于构造图的顶点，先引入在公共交通上部署的边缘服务器和热点这两组节点，再添加一个源节点和终端节点。

对于构造图的边，通过添加源节点和热点节点之间的全连接，确保将所有热点工作负载卸载到边缘服务器；另外添加服务器节点和终端节点之间的完全连接，确保分配的工作负载不会超过服务器资源容量。同时为了确保车载边缘服务器对热点的计算可用性，也需要增加热点节点和服务器节点之间的连接。

从而可以根据从热点到服务器在最大s-t流的解下的流量值中获得工作负载分配策略λ

但资源部署R可能不足以满足整个计算请求，导致并不是所有构建的图都有最大流量的可行解决方案。因此，方法引入了对当前资源部署决策图是否具有可行解决方案的判断，并根据判断结果执行不同的资源部署过程。

步骤2.3，对于资源部署问题，方法基于二分法思想部署资源：

当部署策略具有可行解时，即当前部署的资源足以完成请求的工作负载，从而进行进一步地优化。在这种情况下，方法随机选择一个边缘服务器将部署资源减少一半，如果出现部署资源不足的情况，相应增加部署资源。

部署解会以可接受的概率κ迭代更新为最新的部署策略，其中：

y当前部署决策的总体部署成本，y’为最新决策下的总体部署成本，ω为一个超参数，改变对ω的设置会影响算法最终收敛时所需的迭代次数。

尽管已经参考本发明的具体特征和实施例描述了本发明，但是在不脱离本发明的情况下仍可以对其进行各种修改、组合、替换。本发明的保护范围旨在不限于说明书中描述的过程、机器、制造、物质组成、装置、方法和步骤的特定实施例，并且这些方法、模块可能还被实施在相关联、相互依赖、相互配合、前/后级的一个或多个产品、方法当中。

因此，说明书和附图应简单地视为由所附权利要求限定的技术方案的部分实施例的介绍，因而应根据最大合理解释原则对所附权利要求解读，并旨在尽可能涵盖本发明公开范围内的所有修改、变化、组合或等同物，同时还应避免不合常理的解读方式。

为了实现更好的技术效果或出于某些应用的需求，本领域技术人员可能在本发明的基础之上，对技术方案做出进一步的改进。然而，即便该部分改进/设计具有创造性或/和进步性，只要依赖本发明的技术构思，覆盖了权利要求所限定的技术特征，该技术方案同样应落入本发明的保护范围之内。

所附的权利要求中所提及的若干技术特征可能存在替代的技术特征，或者对某些技术流程的顺序、物质组织顺序可以重组。本领域普通技术人员知晓本发明后，容易想到该些替换手段，或者改变技术流程的顺序、物质组织顺序，然后采用了基本相同的手段，解决基本相同的技术问题，达到基本相同的技术效果，因此即便权利要求中明确限定了上述手段或/和顺序，然而该些修饰、改变、替换，均应依据等同原则而落入权利要求的保护范围。

结合本文中所公开的实施例中描述的各方法步骤或模块，能够以硬件、软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各实施例的步骤及组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用或设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为在本发明所要求保护的范围之外。