计算机工程

作者：张俊娜, 韩超臣, 陈家伟, 赵晓焱, 袁培燕

单位：1. 河南师范大学计算机与信息工程学院, 河南 新乡 4530072. 河南师范大学智慧商务与物联网技术河南省工程实验室, 河南 新乡 4530073. 中山大学系统科学与工程学院, 广东 广州 510275

关键词：边缘计算,边缘服务器部署,服务放置,<i>k</i>-means聚类算法,多智能体强化学习算法

基金：科技创新2030—"新一代人工智能"重大项目(2022ZD0118502); 国家自然科学基金(62072159); 河南省科技攻关资助项目(232102211061); 河南省科技攻关资助项目(222102210011)

边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES), 并将服务放置在ES上, 从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多, 但两者存在高度耦合关系。考虑到EC系统的收益, 有必要提供付费服务, 使得EC系统处理用户服务请求时会获得相应收入。同时, EC系统处理用户服务请求时会产生时延和能耗成本, 为了最大化EC系统的收益, 在用户服务请求和服务价格不同的约束下, 需要合适的服务放置方案来提高EC系统的收益。为此, 在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下, 提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法, 使EC系统的收益最大化。首先, 构建一个联合ES部署和服务放置模型, 其中ES部署明确考虑了基站之间的位置关系, 服务放置明确考虑了ES部署的位置, 以及不同的服务请求和价格; 然后, 基于基站的位置关系和基站的服务请求负载, 通过带约束的k-means算法, 在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域; 最后, 以最大化EC系统收益为目标, 通过多智能体强化学习算法在ES上放置服务。实验结果表明, 与对比方法相比, 所提方法能够提高收益7%~23%。

来源：2024年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第10期