基于遺傳算法的移動應用緩存遷移優化方法研究

鄭志嫻，張福泉

基于遺傳算法的移動應用緩存遷移優化方法研究

鄭志嫻1，張福泉2

（1.福建船政交通職業學院 信息與智慧交通學院，福州 350007；2.閩江學院 計算機與控制工程學院，福州 350108）

面對用戶提出越來越多的請求任務，本地服務器面臨巨大的壓力，導致應用緩存任務隊列越來越長，出現了嚴重的擁塞問題。針對這種情況，將移動應用緩存任務遷移到邊緣節點成為有效解決途徑，由此提出一種基于遺傳算法的移動應用緩存遷移優化方法。該研究在系統模型的假設條件設定的前提下，以時延和能耗為目標，構建多目標函數模型并設置兩類約束條件。利用遺傳算法求解模型最優解，得出移動應用緩存遷移優化方案。結果表明，利用該遺傳算法求解的移動應用緩存遷移方案應用下，與其他算法相比時延和能耗均達到最低值，分別為16.34s和37.85J，證明了所研究方法的有效性。

遺傳算法；移動應用緩存任務；時延；能耗；約束條件；遷移優化方法

伴隨著移動通信的大量使用，產生了很多移動訪問請求。 這些請求通過網絡傳輸到本地服務器，本地服務器處理后給予反饋。然而，本地服務器的能力是有限的，當訪問需求過多時，本地服務器只能優先處理某些請求，剩余請求則需要排隊等待[1]。這些排隊等待處理的請求被稱為移動應用緩存任務。移動應用緩存任務越多，代表越容易發生擁塞問題，造成丟包，移動服務質量下降。針對上述問題，移動邊緣計算概念被提出來。移動邊緣計算，顧名思義，就是將移動應用緩存任務就近提供給電信用戶IT所需服務和云端進行處理，以減少緩存隊列長度，緩解本地服務器的運行壓力，提高訪問請求處理效率[2]。然而，在移動邊緣計算應用過程中，面臨一個較大的難題，就是如何將移動應用緩存任務合理遷移到移動邊緣節點。將任務合理分配到邊緣節點進行處理，能夠有效降低時延和能耗，因此該問題的研究至關重要[3]。

在上述背景下，很多專家和學者就移動應用緩存遷移優化方案求解問題進行了研究。例如朱思峰等[4]提出了一種基于免疫算法的求解方法，該研究中以低時延和低能耗作為優化目標，然后通過免疫算法進行求解，得出任務遷移卸載方案。路輝等[5]提出一種粒子群算法的求解方法，利用粒子群算法求解，得出測試任務的區域遷移策略。梁冰等[6]提出一種基于貪心算法的求解方法，在該研究中以時間和能耗作為目標，通過貪心算法進行求解，得出多用戶計算任務遷移方案。

結合前人研究經驗，提出一種基于遺傳算法的移動應用緩存遷移優化方法。通過該研究預期求得一種更為合理的遷移方案，為移動邊緣計算研究提供參考。

1 移動應用緩存遷移多目標模型構建

為緩解中心終端服務器的任務處理壓力，通過移動邊緣計算可以將緩存任務交給邊緣節點進行處理[7]。然而，邊緣節點眾多，如何合理遷移成為一大難題。為此，提出一種基于遺傳算法的移動應用緩存遷移優化方法。本章節中主要針對所研究方法的前一部分進一步研究，確定移動應用緩存遷移目標模型，即設計的移動應用緩存遷移方案所要實現的目的，具體包括模型假設條件設定、目標函數構建以及約束條件設置。

1.1 系統模型的假設條件設定

在任務遷移中，由移動應用緩存任務隊列、任務遷移器、傳輸單元以及邊緣執行節點組成。在發出任務遷移請求之后，本地服務器會根據邊緣執行節點情況，指定遷移策略，并存儲在任務遷移器中，任務遷移器按照遷移策略控制傳輸單元，進行任務并行傳輸，傳輸到邊緣執行節點，完成任務遷移[8]。由此建立系統模型，如圖1所示。

圖1 系統模型

針對圖1系統模型設置假設條件，具體如下：

假設條件1：一個移動應用緩存任務只能在一個邊緣服務器上執行。

假設條件2：每個邊緣服務器的處理能力是不同的[9]。

假設條件3：多個移動應用緩存任務可以同時并行遷移到多個邊緣服務器上。

假設條件4：只考慮服務器存儲容量的限制，忽略帶寬容量的限制。

假設條件5：任務量之和等于服務器遷移任務量與本地服務器剩余量之和[10]。

假設條件6：每個邊緣服務器的任務量都不能為0。

本章節研究為后續目標模型的奠定了重要的前提。

1.2 多目標函數構建

單一目標函數求得的解存在很大的局限性，無法使得求出的遷移方案“顧全大局”，綜合效益較低[11]。針對這一點，將多個單一目標組合在一起，構建多目標函數。針對研究主題，單一目標有兩個，即遷移時延和遷移能耗[12]。下面進行具體分析。

（1）遷移時延

其中，

（2）遷移能耗

其中，

將上述遷移時延與遷移能耗結合在一起，構建多目標函數，如下：

構建的多目標函數綜合考慮了時延與能耗，使得最后得出的遷移方案綜合效益更高，既能滿足時延要求，也能滿足能耗要求[13]。

1.3 約束條件設置

針對式(10)設置兩類約束條件。

（1）等式約束

（2）不等式約束

綜合上述建立的多目標函數及其約束條件，完成移動應用緩存遷移目標模型構建[14]。

2 基于遺傳算法求解移動應用緩存遷移目標模型

針對建立的移動應用緩存遷移目標模型，最后一步是對其進行優化求解，求解的最優解，就是移動應用緩存遷移優化方案[15]。優化求解，即通過不斷迭代，篩選出最能滿足目標模型的解。整個過程是一個尋優過程，因此可以選擇尋優算法來達到目的[16]。在這里選擇的尋優算法為遺傳算法。利用該算法進行求解的過程如下：

步驟2：組成初始種群（初始可行解集合）。

步驟3：遺傳操作。遺傳操作有3個，通過這3個操作，篩選可行解。

（1）選擇，即選擇遺傳給下一代的個體（可行解）。選取概率公式如下：

（2）交叉，即通過選擇出來的優良個體對父代種群進行重組，產生新的解，擴展所求解的搜索范圍。交叉概率函數如下：

（3）變異，即通過一定的變異概率生成新的個體，生成的新個體同樣需要保證滿足約束條件，以保證種群多樣性。變異概率計算公式如下：

步驟4：全局最優收斂。判斷是否滿足約束條件，若達到，輸出最優解，得出移動應用緩存遷移優化方案；否則，回到步驟3。

經過上述步驟，完成基于遺傳算法的移動應用緩存遷移優化方法研究。

3 算例分析

3.1 場景設置

在方法應用場景中包括了一個本地服務器節點和14個邊緣服務器節點，這些節點布設在1000m×1000m的區域內，如圖2所示。

圖2 服務器節點布設

服務器節點分布式環境采用Hadoop框架配置，實驗平臺為多個節點組成的Cluster，搭建Hadoop節點集群，將節點數據集寫入HDFS中。具體實驗環境配置如表1所示。

表1 實驗環境配置

現有1100個移動應用緩存任務。在這個場景中，設置相關參數如下表2所示。

3.2 移動應用緩存遷移方案

表2 場景參數表

表3 移動應用緩存遷移方案

3.3 遷移方法性能分析

表2中4種移動應用緩存遷移方案應用下，統計其時延與能耗。結果如圖3, 4所示。

圖3 時延結果

圖4 能耗結果

4種算法的能耗具體數值如表4所示。

表4 能耗結果

從圖3, 4和表4中可以看出，與基于免疫算法、粒子群算法、貪心算法的求解方案相比，利用遺傳算法求解的移動應用緩存遷移方案應用下，時延更低（16.34s），能耗更少（37.85J）。證明了所研究方法的有效性。這是因為本文方法通過遺傳算法中的選擇、交叉、變異操作，避免局部收斂，獲得了全局最優結果。

4 結束語

綜上所述，面對越來越多用戶請求，本地服務器面臨巨大的任務處理壓力，導致經常出現擁塞、丟包問題，影響了本地服務器服務質量。面對這種情況，如何將緩存任務遷移到移動邊緣服務器上對于緩解本地服務器壓力具有很好的作用。為此，提出一種基于遺傳算法的移動應用緩存遷移優化方法。該方法以時延和能耗作為求解目標，利用遺傳算法尋優得出最優遷移方案。最后通過算例分析，所研究方法與其他算法相比求得的遷移方案時延和能耗達到最低。然而，本研究仍有需要進一步改進，將信道的變化、電池剩余量等因素考慮進去，進一步優化遷移方案。

[1] 蘇新，薛淏陽，周一青，等. 面向海洋觀監測傳感網的計算卸載方法研究[J]. 通信學報，2021, 42(05): 149-163.

[2] 凌雪延，王鴻，宋榮方. 多核服務器邊緣計算系統中任務卸載調度和功率分配的研究[J]. 南京郵電大學學報（自然科學版），2020, 40(02): 81-88.

[3] 姚楠，劉子全，秦劍華，等. 基于電力物聯網的邊緣計算任務卸載優化[J]. 科學技術與工程，2022, 22(16): 6577-6584.

[4] 朱思峰，孫恩林，柴爭義. 移動邊緣計算場景下基于免疫優化的任務卸載[J]. 西安電子科技大學學報，2022, 49(01): 152-160.

[5] 路輝，王詩琪，申澤鵬. 基于區域遷移策略的測試任務調度問題多目標多模優化[J]. 陜西師范大學學報（自然科學版），2021, 49(05): 54-70.

[6] 梁冰，紀雯. 基于次模優化的邊云協同多用戶計算任務遷移方法[J]. 通信學報，2020, 41(10): 25-36.

[7] 張秋平，孫勝，劉敏，等. 面向多邊緣設備協作的任務卸載和服務緩存在線聯合優化機制[J]. 計算機研究與發展，2021, 58(06): 1318-1339.

[8] 劉雷，陳晨，馮杰，等. 車載邊緣計算中任務卸載和服務緩存的聯合智能優化[J]. 通信學報，2021, 42(01): 18-26.

[9] 宋政育，郝媛媛，孫昕. 低軌衛星協作邊緣計算任務遷移和資源分配算法[J]. 電子學報，2022, 50(03): 567-573.

[10] 陳思光，王倩，張海君，等. 區塊鏈賦能物聯網中聯合資源分配與控制的智能計算遷移研究[J]. 計算機學報，2022, 45(03): 472-484.

[11] 陳雷. 移動感知下小小區網絡的任務卸載、遷移及資源分配策略[J]. 武漢大學學報（理學版），2021, 67(03): 247-255.

[12] 王藝潔，凡佳飛，王陳宇. 云邊環境下基于博弈論的兩階段任務遷移策略[J]. 計算機應用，2021, 41(05): 1392-1398.

[13] 莫瑞超，許小龍，何強，等. 面向車聯網邊緣計算的智能計算遷移研究[J]. 應用科學學報，2020, 38(05): 779-791.

[14] 徐紅霞，孔志周. 移動微云任務遷移與調度[J]. 計算機應用與軟件，2020, 37(03): 101-108, 137.

[15] 彭軍，王成龍，蔣富，等. 一種車載服務的快速深度Q學習網絡邊云遷移策略[J]. 電子與信息學報，2020, 42(01): 58-64.

[16] 齊平，束紅. 智慧醫療場景下考慮終端移動性的任務卸載策略[J]. 浙江大學學報（工學版），2020, 54(06): 1126-1137.

Research on optimization method of mobile application cache migration based on genetic algorithm

ZHENG Zhi-xian1，ZHANG Fu-quan2

(1.College of Information and Intelligent Transportation, Fujian Chuanzheng Communications College, Fuzhou 350007, China；2.College of Computer and Control Engineering, Minjiang University, Fuzhou 350108, China)

In the face of more and more requests from users, the local server is under great pressure, which leads to an increasingly long queue of application cache tasks and serious congestion problems. In view of this situation, it is an effective solution to migrate the mobile application cache task to the edge node. Therefore, a mobile application cache migration optimization method based on genetic algorithm is proposed. Under the premise of setting the assumptions of the system model, the research constructs a multi-objective function model with the goal of time delay and energy consumption and sets two kinds of constraints. Genetic algorithm is used to solve the optimal solution of the model, and the mobile application cache migration optimization scheme is obtained. The results show that the delay and energy consumption of the mobile application cache migration scheme solved by genetic algorithm reach the lowest value compared with other algorithms, which are 16.34s and 37.85J respectively, which proves the effectiveness of the research method.

genetic algorithm；mobile application cache task；time delay；energy consumption；constraints；migration optimization method

2022-08-17

福建省中青年教師教育科研項目“面向移動應用跨平臺開發框架的研究與實現”（JAT210719）；福建省中青年教師教育科研項目“基于多模態數據融合的行人重識別研究”（JAT210704）

鄭志嫻（1979-），女，福州人，副教授，碩士，主要從事移動應用開發、Java開發、人工智能研究，m7418956232@tom.com。

TN929.53

A

1007-984X(2023)01-0020-06