基于分布式深度学习的边缘服务放置策略

doi:10.12305/j.issn.1001-506X.2022.05.36

系统工程与电子技术 ›› 2022, Vol. 44 ›› Issue (5): 1728-1737.doi: 10.12305/j.issn.1001-506X.2022.05.36

基于分布式深度学习的边缘服务放置策略

邹虹^1,^2,³, 白陈阳^1,^2,³, 何鹏^1,^2,^3,*, 崔亚平^1,^2,³, 王汝言^1,^2,³, 吴大鹏^1,^2,³

1. 重庆邮电大学通信与信息工程学院, 重庆 400065
2. 重庆高校市级光通信与网络重点实验室, 重庆 400065
3. 泛在感知与互联重庆市重点实验室, 重庆 400065

收稿日期:2021-02-03 出版日期:2022-05-01 发布日期:2022-05-16
通讯作者: 何鹏
作者简介:邹虹(1970—), 女, 副教授, 硕士, 主要研究方向为泛在网络、光无线融合网络|白陈阳(1994—), 男, 硕士研究生, 主要研究方向为边缘计算、人工智能|何鹏(1990—), 男, 讲师, 博士, 主要研究方向为体域网、分子通信|崔亚平(1986—), 男, 讲师, 博士, 主要研究方向为车联网、毫米波通信、多天线技术|王汝言(1969—), 男, 教授, 博士, 主要研究方向为泛在网络、多媒体信息处理|吴大鹏(1979—), 男, 教授, 博士, 主要研究方向为泛在网络、互联网服务质量控制
基金资助:
国家自然科学基金(61901070);国家自然科学基金(61871062);国家自然科学基金(61771082);国家自然科学基金(61801065);国家自然科学基金(62061007);国家自然科学基金(U20A20157);重庆市教育委员会科学技术研究项目(KJQN201900611);重庆市教育委员会科学技术研究项目(KJQN202000603);重庆市自然科学基金面上项目(cstc2021jcyj-msxmX0892);重庆市高校创新研究群体(CXQT20017);重庆市自然科学基金重点项目(cstc2020jcyj-zdxmX0024)

Edge service placement strategy based on distributed deep learning

Hong ZOU^1,^2,³, Chenyang BAI^1,^2,³, Peng HE^1,^2,^3,*, Yaping CUI^1,^2,³, Ruyan WANG^1,^2,³, Dapeng WU^1,^2,³

1. School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
2. Chongqing Key Laboratory of Optical Communication and Networks, Chongqing 400065, China
3. Chongqing Key Laboratory of Ubiquitous Sensing and Networking, Chongqing 400065, China

Received:2021-02-03 Online:2022-05-01 Published:2022-05-16
Contact: Peng HE

摘要/Abstract

摘要：

针对移动边缘计算网络中不合理的服务放置和资源分配所导致的服务质量下降问题, 提出了一种基于分布式深度学习的边缘服务放置策略。首先, 以最小化所有用户服务请求时延与加权服务放置成本总和为优化目标, 将优化问题建模为混合整数非线性规划问题。其次, 在给定服务放置策略情况下, 利用凸优化理论求解出边云最优的计算资源分配方案。最后, 利用分布式深度学习解决了服务放置问题。理论证明及仿真结果表明, 所提策略能够有效降低用户服务请求时延和应用服务提供商的服务放置成本, 并且逐渐逼近全局最优的服务放置策略。

关键词: 移动边缘计算, 服务放置, 资源分配, 深度学习

Abstract:

Aiming at the problem of service quality degradation caused by unreasonable service placement and resource allocation in mobile edge computing networks, an edge service placement strategy based on distributed deep learning is proposed. First, the optimization goal is to minimize the sum of all users'service request delays and weighted service placement costs, and the optimization problem is modeled as a mixed integer nonlinear programming problem. Secondly, in the case of a given service placement strategy, the convex optimization theory is used to solve the optimal computing resource allocation plan for the edge cloud. Finally, distributed deep learning is used to solve the service placement problem. Theoretical proof and simulation results show that the proposed strategy can reduce users'service request delay and application service provider's service placement cost, and gradually approach the global optimal service placement strategy.

Key words: mobile edge computing (MEC), service placement, resource allocation, deep learning

中图分类号:

TN929.5

邹虹, 白陈阳, 何鹏, 崔亚平, 王汝言, 吴大鹏. 基于分布式深度学习的边缘服务放置策略[J]. 系统工程与电子技术, 2022, 44(5): 1728-1737.

Hong ZOU, Chenyang BAI, Peng HE, Yaping CUI, Ruyan WANG, Dapeng WU. Edge service placement strategy based on distributed deep learning[J]. Systems Engineering and Electronics, 2022, 44(5): 1728-1737.

图/表 10

图1

图2

图3

图4

表1

图5

图6

图7

图8

图9

参考文献 20

1	TABLET T , SAMDANIS K , MADA B , et al. On multi-access edge computing: a survey of the emerging 5G network edge cloud architecture and orchestration[J]. IEEE Communications Surveys & Tutorials, 2017, 19 (3): 1657- 1681.
2	CISCO. Cisco annual internet report (2018-2023) white paper[EB/OL]. [2021-01-14]. https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.html.
3	ETSI GS MEC-IEG 004 V1.1.1. Mobile-edge computing (MEC) service scenarios[S]. France: European Telecommunications Standards Institute, 2015.
4	王汝言, 聂轩, 吴大鹏, 等. 社会属性感知的边缘计算任务调度策略[J]. 电子与信息学报, 2020, 42 (1): 271- 278.
	WANG E Y , NIE X , WU D P , et al. Social attribute aware task scheduling strategy in edge computing[J]. Journal of Electronics & Information Technology, 2020, 42 (1): 271- 278.
5	GAO B, ZHOU Z, LIU F M, et al. Winning at the starting line: joint network selection and service placement for mobile edge computing[C]//Proc. of the IEEE Conference on Computer Communications, 2019: 1459-1467.
6	BRIK B, FRANGOUDIS P A, KSENTINI A. Service-oriented MEC applications placement in a federated edge cloud architecture[C]//Proc. of the IEEE International Conference on Communications, 2020.
7	JEONGHO K, GEORGE I. DSP: dynamic service placement with reconfiguration cost and delay[C]//Proc. of the International Conference on Information and Communication Technology Convergence, 2020: 244-247.
8	OUYANG T , ZHOU Z , CHEN X . Follow me at the edge: mobility-aware dynamic service placement for mobile edge computing[J]. IEEE Journal on Selected Areas in Communications, 2018, 36 (10): 2333- 2345. doi: 10.1109/JSAC.2018.2869954
9	CHEN L X , XU J , REN S L , et al. Spatio-temporal edge ser-vice placement: a bandit learning approach[J]. IEEE Trans.on Wireless Communications, 2018, 17 (12): 8388- 8401. doi: 10.1109/TWC.2018.2876823
10	MOUBAYED A , SHAMI A , HEIDARI P , et al. Edge-en-abled V2X service placement for intelligent transportation systems[J]. IEEE Trans.on Mobile Computing, 2021, 20 (4): 1380- 1392. doi: 10.1109/TMC.2020.2965929
11	PASTERIS S, WANG S, HERBSTER M, et al. Service placement with provable guarantees in heterogeneous edge computing systems[C]//Proc. of the IEEE Conference on Computer Communications, 2019: 514-522.
12	LI Z D, LV J, WU D P. Intelligent emotion detection method in mobile edge computing networks[C]//Proc. of the IEEE/CIC International Conference on Communications in China, 2020: 1214-1219.
13	CHEN L X , XU J . Budget-constrained edge service provisioning with demand estimation via bandit learning[J]. IEEE Journal on Selected Areas in Communications, 2019, 37 (10): 2364- 2376. doi: 10.1109/JSAC.2019.2933781
14	SAMI H , MOURAD A , EL-HAJJ W . Vehicular-OBUs-as-on-demand-fogs: resource and context aware deployment of containerized micro-services[J]. IEEE/ACM Trans.on Networking, 2020, 28 (2): 778- 790. doi: 10.1109/TNET.2020.2973800
15	WANG X F , HAN Y W , LEUNG V C M , et al. Convergence of edge computing and deep learning: a comprehensive survey[J]. IEEE Communications Surveys & Tutorials, 2020, 22 (2): 869- 904.
16	REN J K , YU G D , HE Y H . Collaborative cloud and edge computing for latency minimization[J]. IEEE Trans.on Vehicular Technology, 2019, 68 (5): 5031- 5044. doi: 10.1109/TVT.2019.2904244
17	WANG F X , ZHANG M , WANG X X , et al. Deep learning for edge computing applications: a state-of-the-art survey[J]. IEEE Access, 2020, 8, 58322- 58336. doi: 10.1109/ACCESS.2020.2982411
18	WANG X M , ZHANG Y H , SHEN R J , et al. DRL-based energy-efficient resource allocation frameworks for uplink NOMA systems[J]. IEEE Internet of Things Journal, 2020, 7 (8): 7279- 7294. doi: 10.1109/JIOT.2020.2982699
19	GUO S Y , DAI Y , XU S Y , et al. Trusted cloud-edge network resource management: DRL-driven service function chain orchestration for IoT[J]. IEEE Internet of Things Journal, 2020, 7 (7): 6010- 6022. doi: 10.1109/JIOT.2019.2951593
20	FU F, KANG Y P, ZHANG Z C, et al. Transcoding for live streaming-based on vehicular fog computing: an actor-critic DRL approach[C]//Proc. of the IEEE Conference on Computer Communications Workshops, 2020: 1015-1020.

参数	取值范围
每个边缘云的存储容量S_i(i∈E)/GB	[100, 200]
每种服务所需的存储容量$s_{k}(k \in \mathcal{K})$/GB	[20, 80]
每种服务所需的CPU giga cycles	[10, 50]
每个边缘云的计算能力F_i^edge(i∈E)/GHz	[50, 100]
云服务器的计算能力F^cloud/GHz	[100, 800]
每种服务请求的数据大小d_{i, j}^k(t)/MB	[0.1, 0.3]
MBS与云中心传输速率c^core/Mbps	[50, 100]
DNN数量M	8
记忆回放内存大小	2 014
训练数据集大小A	512
时间间隔τ/s	10
梯度下降算法使用的学习率lr	0.01

[1]	韩啸, 陈世文, 陈蒙, 杨锦程. 基于互易点学习的LPI信号开集识别[J]. 系统工程与电子技术, 2022, 44(9): 2752-2759.
[2]	张立民, 谭凯文, 闫文君, 张聿远. 基于多级跳线残差网络的雷达辐射源识别[J]. 系统工程与电子技术, 2022, 44(7): 2148-2156.
[3]	金国栋, 薛远亮, 谭力宁, 许剑锟. 基于孪生神经网络的目标跟踪算法进展研究[J]. 系统工程与电子技术, 2022, 44(6): 1805-1822.
[4]	董博志, 朱江, 张海波. 放大转发中继系统中基于SCMA的能效资源分配方案[J]. 系统工程与电子技术, 2022, 44(6): 2035-2042.
[5]	赵晓枫, 徐叶斌, 吴飞, 牛家辉, 蔡伟, 张志利. 基于全局感知机制的地面红外目标检测方法[J]. 系统工程与电子技术, 2022, 44(5): 1461-1467.
[6]	陈冬, 句彦伟. 基于语义分割实现的SAR图像舰船目标检测[J]. 系统工程与电子技术, 2022, 44(4): 1195-1201.
[7]	孙晶明, 虞盛康, 孙俊. 基于深度学习的HRRP识别姿态敏感性分析[J]. 系统工程与电子技术, 2022, 44(3): 802-807.
[8]	张源原, 高阳, 朱鹏, 刘锦涛, 谷树山. 基于着色Petri网的无人机侦察战术规划[J]. 系统工程与电子技术, 2022, 44(3): 900-907.
[9]	陈善学, 吴生金, 谷博文. 基于时间反演的上行NOMA系统能效优化算法[J]. 系统工程与电子技术, 2022, 44(3): 1007-1013.
[10]	余雪勇, 朱烨, 邱礼翔, 朱洪波. 基于无人机辅助边缘计算系统的节能卸载策略[J]. 系统工程与电子技术, 2022, 44(3): 1022-1029.
[11]	姚云翔, 陈莹. 注意力机制下双模态交互融合的目标跟踪网络[J]. 系统工程与电子技术, 2022, 44(2): 410-419.
[12]	高涌荇, 王旭东, 汪玲, 朱岱寅, 郭军, 孟凡旺. 基于RCNN的双极化气象雷达天气信号检测[J]. 系统工程与电子技术, 2022, 44(11): 3380-3387.
[13]	周毅恒, 杨军, 夏赛强, 吕明久. 闪烁现象下旋翼目标微动参数估计方法[J]. 系统工程与电子技术, 2022, 44(1): 54-63.
[14]	付蓉, 黄天耀, 刘一民. 基于深度学习的捷变相参雷达1-Bit块稀疏重构[J]. 系统工程与电子技术, 2022, 44(1): 70-75.
[15]	张聿远, 张立民, 闫文君. 基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法[J]. 系统工程与电子技术, 2021, 43(9): 2657-2664.

基于分布式深度学习的边缘服务放置策略

Edge service placement strategy based on distributed deep learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价