论文部分内容阅读
随着智能手机或平板电脑等智能移动终端的普及和物联网(IoT)技术的迅速发展，传统云计算技术已经无法满足终端侧“低时延，大带宽”的云资源要求，欧洲电信标准协会(ETSI)提出多接入边缘计算(MEC)，在移动网络边缘提供IT服务环境和计算能力，以减少网络操作和服务交付的时延。在多接入边缘计算环境中引入软件定义网络(SDN)技术，可以支持大量网络设备的访问，且方便网络设备的扩展，使得边缘网络的管理更灵活高效，在复杂的边缘网络环境下提升多接入边缘计算的网络性能。基于SDN的多接入边缘计算环境中，如何有效合理地部署SDN控制器，提高网络性能，成为亟待解决的问题。在基于SDN的多接入边缘计算环境中，任务有多种方式接入到边缘计算环境中，合理的选择边缘节点执行任务，可以提升任务稳定性，降低系统能耗。因此，研究基于SDN的多接入边缘计算环境下控制器放置和边缘选择有较重要的理论和实际意义。
针对以上问题，本文的主要研究内容包括以下几个方面：
(1)合理地设置SDN控制器数量，控制器位置以及交换机与控制器之间的映射关系能提升网络性能，本文设计了一种基于深度强化学习的SDN控制器放置算法。该算法首先利用深度学习技术对网络流量进行预测，以最小化网络平均时延和提升控制器负载均衡效果为目标，建立控制器放置模型，然后根据网络拓扑与目标函数设计状态空间，控制器部署动作以及奖励函数，利用深度强化学习技术求解SDN控制器放置方案，提升基于SDN的多接入边缘计算环境的网络性能。最后，对所提算法进行实验验证。在基于深度强化学习的SDN控制器放置实验中，将本文的控制器放置算法与k-means，粒子群优化算法(PSO)和改进的聚类算法(SAPKM)对比，本文提出的算法在平均延迟，控制平面利用率和负载均衡方面要优于对比算法。
(2)为提升移动设备任务的稳定性以及降低任务执行的系统总能耗，本文提出了基于任务稳定性和能耗最小化的高效边缘选择算法。首先，SDN控制器收集移动设备和边缘云的信息，对无线通信网络做信道估计，计算得到信道估计矩阵。然后分别建立任务队列模型，本地任务执行模型以及远程任务执行模型，根据上述模型构建边缘选择模型的目标函数，提出基于李雅普诺夫优化的边缘选择解决方案，实现多任务在多个边缘计算节点上的分配方案。该方案能有效地提升任务稳定性，降低边缘选择的系统总能耗。最后，对所提算法进行实验验证。在基于任务稳定性和能耗最小化的边缘选择实验中，将本文算法与非SDN环境的基于学习自动机的决策算法(LADMA)和能效感知边缘选择算法(ETO)以及SDN环境下的延迟感知任务分配算法(LATA)和基于SDN的辅助卸载算法(OAOP)进行对比，实验结果表明，本文算法在任务稳定性和能耗方面有较好的表现，有效地提升了任务稳定性，降低了系统能耗。
针对以上问题，本文的主要研究内容包括以下几个方面：
(1)合理地设置SDN控制器数量，控制器位置以及交换机与控制器之间的映射关系能提升网络性能，本文设计了一种基于深度强化学习的SDN控制器放置算法。该算法首先利用深度学习技术对网络流量进行预测，以最小化网络平均时延和提升控制器负载均衡效果为目标，建立控制器放置模型，然后根据网络拓扑与目标函数设计状态空间，控制器部署动作以及奖励函数，利用深度强化学习技术求解SDN控制器放置方案，提升基于SDN的多接入边缘计算环境的网络性能。最后，对所提算法进行实验验证。在基于深度强化学习的SDN控制器放置实验中，将本文的控制器放置算法与k-means，粒子群优化算法(PSO)和改进的聚类算法(SAPKM)对比，本文提出的算法在平均延迟，控制平面利用率和负载均衡方面要优于对比算法。
(2)为提升移动设备任务的稳定性以及降低任务执行的系统总能耗，本文提出了基于任务稳定性和能耗最小化的高效边缘选择算法。首先，SDN控制器收集移动设备和边缘云的信息，对无线通信网络做信道估计，计算得到信道估计矩阵。然后分别建立任务队列模型，本地任务执行模型以及远程任务执行模型，根据上述模型构建边缘选择模型的目标函数，提出基于李雅普诺夫优化的边缘选择解决方案，实现多任务在多个边缘计算节点上的分配方案。该方案能有效地提升任务稳定性，降低边缘选择的系统总能耗。最后，对所提算法进行实验验证。在基于任务稳定性和能耗最小化的边缘选择实验中，将本文算法与非SDN环境的基于学习自动机的决策算法(LADMA)和能效感知边缘选择算法(ETO)以及SDN环境下的延迟感知任务分配算法(LATA)和基于SDN的辅助卸载算法(OAOP)进行对比，实验结果表明，本文算法在任务稳定性和能耗方面有较好的表现，有效地提升了任务稳定性，降低了系统能耗。