基于遗传算法的移动应用缓存迁移优化方法研究

郑志娴，张福泉

基于遗传算法的移动应用缓存迁移优化方法研究

郑志娴1，张福泉2

（1.福建船政交通职业学院 信息与智慧交通学院，福州 350007；
2.闽江学院 计算机与控制工程学院，福州 350108）

面对用户提出越来越多的请求任务，本地服务器面临巨大的压力，导致应用缓存任务队列越来越长，出现了严重的拥塞问题。针对这种情况，将移动应用缓存任务迁移到边缘节点成为有效解决途径，由此提出一种基于遗传算法的移动应用缓存迁移优化方法。该研究在系统模型的假设条件设定的前提下，以时延和能耗为目标，构建多目标函数模型并设置两类约束条件。利用遗传算法求解模型最优解，得出移动应用缓存迁移优化方案。结果表明，利用该遗传算法求解的移动应用缓存迁移方案应用下，与其他算法相比时延和能耗均达到最低值，分别为16.34s和37.85J，证明了所研究方法的有效性。

遗传算法；
移动应用缓存任务；
时延；
能耗；
约束条件；
迁移优化方法

伴随着移动通信的大量使用，产生了很多移动访问请求。

这些请求通过网络传输到本地服务器，本地服务器处理后给予反馈。然而，本地服务器的能力是有限的，当访问需求过多时，本地服务器只能优先处理某些请求，剩余请求则需要排队等待[1]。这些排队等待处理的请求被称为移动应用缓存任务。移动应用缓存任务越多，代表越容易发生拥塞问题，造成丢包，移动服务质量下降。针对上述问题，移动边缘计算概念被提出来。移动边缘计算，顾名思义，就是将移动应用缓存任务就近提供给电信用户IT所需服务和云端进行处理，以减少缓存队列长度，缓解本地服务器的运行压力，提高访问请求处理效率[2]。然而，在移动边缘计算应用过程中，面临一个较大的难题，就是如何将移动应用缓存任务合理迁移到移动边缘节点。将任务合理分配到边缘节点进行处理，能够有效降低时延和能耗，因此该问题的研究至关重要[3]。

在上述背景下，很多专家和学者就移动应用缓存迁移优化方案求解问题进行了研究。例如朱思峰等[4]提出了一种基于免疫算法的求解方法，该研究中以低时延和低能耗作为优化目标，然后通过免疫算法进行求解，得出任务迁移卸载方案。路辉等[5]提出一种粒子群算法的求解方法，利用粒子群算法求解，得出测试任务的区域迁移策略。梁冰等[6]提出一种基于贪心算法的求解方法，在该研究中以时间和能耗作为目标，通过贪心算法进行求解，得出多用户计算任务迁移方案。

结合前人研究经验，提出一种基于遗传算法的移动应用缓存迁移优化方法。通过该研究预期求得一种更为合理的迁移方案，为移动边缘计算研究提供参考。

为缓解中心终端服务器的任务处理压力，通过移动边缘计算可以将缓存任务交给边缘节点进行处理[7]。然而，边缘节点众多，如何合理迁移成为一大难题。为此，提出一种基于遗传算法的移动应用缓存迁移优化方法。本章节中主要针对所研究方法的前一部分进一步研究，确定移动应用缓存迁移目标模型，即设计的移动应用缓存迁移方案所要实现的目的，具体包括模型假设条件设定、目标函数构建以及约束条件设置。

1.1 系统模型的假设条件设定

在任务迁移中，由移动应用缓存任务队列、任务迁移器、传输单元以及边缘执行节点组成。在发出任务迁移请求之后，本地服务器会根据边缘执行节点情况，指定迁移策略，并存储在任务迁移器中，任务迁移器按照迁移策略控制传输单元，进行任务并行传输，传输到边缘执行节点，完成任务迁移[8]。由此建立系统模型，如图1所示。

图1 系统模型

针对图1系统模型设置假设条件，具体如下：

假设条件1：一个移动应用缓存任务只能在一个边缘服务器上执行。

假设条件2：每个边缘服务器的处理能力是不同的[9]。

假设条件3：多个移动应用缓存任务可以同时并行迁移到多个边缘服务器上。

假设条件4：只考虑服务器存储容量的限制，忽略带宽容量的限制。

假设条件5：任务量之和等于服务器迁移任务量与本地服务器剩余量之和[10]。

假设条件6：每个边缘服务器的任务量都不能为0。

本章节研究为后续目标模型的奠定了重要的前提。

1.2 多目标函数构建

单一目标函数求得的解存在很大的局限性，无法使得求出的迁移方案“顾全大局”，综合效益较低[11]。针对这一点，将多个单一目标组合在一起，构建多目标函数。针对研究主题，单一目标有两个，即迁移时延和迁移能耗[12]。下面进行具体分析。

（1）迁移时延

其中，

（2）迁移能耗

其中，

将上述迁移时延与迁移能耗结合在一起，构建多目标函数，如下：

构建的多目标函数综合考虑了时延与能耗，使得最后得出的迁移方案综合效益更高，既能满足时延要求，也能满足能耗要求[13]。

1.3 约束条件设置

针对式(10)设置两类约束条件。

（1）等式约束

（2）不等式约束

综合上述建立的多目标函数及其约束条件，完成移动应用缓存迁移目标模型构建[14]。

针对建立的移动应用缓存迁移目标模型，最后一步是对其进行优化求解，求解的最优解，就是移动应用缓存迁移优化方案[15]。优化求解，即通过不断迭代，筛选出最能满足目标模型的解。整个过程是一个寻优过程，因此可以选择寻优算法来达到目的[16]。在这里选择的寻优算法为遗传算法。利用该算法进行求解的过程如下：

步骤2：组成初始种群（初始可行解集合）。

步骤3：遗传操作。遗传操作有3个，通过这3个操作，筛选可行解。

（1）选择，即选择遗传给下一代的个体（可行解）。选取概率公式如下：

（2）交叉，即通过选择出来的优良个体对父代种群进行重组，产生新的解，扩展所求解的搜索范围。交叉概率函数如下：

（3）变异，即通过一定的变异概率生成新的个体，生成的新个体同样需要保证满足约束条件，以保证种群多样性。变异概率计算公式如下：

步骤4：全局最优收敛。判断是否满足约束条件，若达到，输出最优解，得出移动应用缓存迁移优化方案；
否则，回到步骤3。

经过上述步骤，完成基于遗传算法的移动应用缓存迁移优化方法研究。

3.1 场景设置

在方法应用场景中包括了一个本地服务器节点和14个边缘服务器节点，这些节点布设在1000m×1000m的区域内，如图2所示。

图2 服务器节点布设

服务器节点分布式环境采用Hadoop框架配置，实验平台为多个节点组成的Cluster，搭建Hadoop节点集群，将节点数据集写入HDFS中。具体实验环境配置如表1所示。

表1 实验环境配置

现有1100个移动应用缓存任务。在这个场景中，设置相关参数如下表2所示。

3.2 移动应用缓存迁移方案

表2 场景参数表

表3 移动应用缓存迁移方案

3.3 迁移方法性能分析

表2中4种移动应用缓存迁移方案应用下，统计其时延与能耗。结果如图3, 4所示。

图3 时延结果

图4 能耗结果

4种算法的能耗具体数值如表4所示。

表4 能耗结果

从图3, 4和表4中可以看出，与基于免疫算法、粒子群算法、贪心算法的求解方案相比，利用遗传算法求解的移动应用缓存迁移方案应用下，时延更低（16.34s），能耗更少（37.85J）。证明了所研究方法的有效性。这是因为本文方法通过遗传算法中的选择、交叉、变异操作，避免局部收敛，获得了全局最优结果。

综上所述，面对越来越多用户请求，本地服务器面临巨大的任务处理压力，导致经常出现拥塞、丢包问题，影响了本地服务器服务质量。面对这种情况，如何将缓存任务迁移到移动边缘服务器上对于缓解本地服务器压力具有很好的作用。为此，提出一种基于遗传算法的移动应用缓存迁移优化方法。该方法以时延和能耗作为求解目标，利用遗传算法寻优得出最优迁移方案。最后通过算例分析，所研究方法与其他算法相比求得的迁移方案时延和能耗达到最低。然而，本研究仍有需要进一步改进，将信道的变化、电池剩余量等因素考虑进去，进一步优化迁移方案。

[1] 苏新，薛淏阳，周一青，等. 面向海洋观监测传感网的计算卸载方法研究[J]. 通信学报，2021, 42(05): 149-163.

[2] 凌雪延，王鸿，宋荣方. 多核服务器边缘计算系统中任务卸载调度和功率分配的研究[J]. 南京邮电大学学报（自然科学版），2020, 40(02): 81-88.

[3] 姚楠，刘子全，秦剑华，等. 基于电力物联网的边缘计算任务卸载优化[J]. 科学技术与工程，2022, 22(16): 6577-6584.

[4] 朱思峰，孙恩林，柴争义. 移动边缘计算场景下基于免疫优化的任务卸载[J]. 西安电子科技大学学报，2022, 49(01): 152-160.

[5] 路辉，王诗琪，申泽鹏. 基于区域迁移策略的测试任务调度问题多目标多模优化[J]. 陕西师范大学学报（自然科学版），2021, 49(05): 54-70.

[6] 梁冰，纪雯. 基于次模优化的边云协同多用户计算任务迁移方法[J]. 通信学报，2020, 41(10): 25-36.

[7] 张秋平，孙胜，刘敏，等. 面向多边缘设备协作的任务卸载和服务缓存在线联合优化机制[J]. 计算机研究与发展，2021, 58(06): 1318-1339.

[8] 刘雷，陈晨，冯杰，等. 车载边缘计算中任务卸载和服务缓存的联合智能优化[J]. 通信学报，2021, 42(01): 18-26.

[9] 宋政育，郝媛媛，孙昕. 低轨卫星协作边缘计算任务迁移和资源分配算法[J]. 电子学报，2022, 50(03): 567-573.

[10] 陈思光，王倩，张海君，等. 区块链赋能物联网中联合资源分配与控制的智能计算迁移研究[J]. 计算机学报，2022, 45(03): 472-484.

[11] 陈雷. 移动感知下小小区网络的任务卸载、迁移及资源分配策略[J]. 武汉大学学报（理学版），2021, 67(03): 247-255.

[12] 王艺洁，凡佳飞，王陈宇. 云边环境下基于博弈论的两阶段任务迁移策略[J]. 计算机应用，2021, 41(05): 1392-1398.

[13] 莫瑞超，许小龙，何强，等. 面向车联网边缘计算的智能计算迁移研究[J]. 应用科学学报，2020, 38(05): 779-791.

[14] 徐红霞，孔志周. 移动微云任务迁移与调度[J]. 计算机应用与软件，2020, 37(03): 101-108, 137.

[15] 彭军，王成龙，蒋富，等. 一种车载服务的快速深度Q学习网络边云迁移策略[J]. 电子与信息学报，2020, 42(01): 58-64.

[16] 齐平，束红. 智慧医疗场景下考虑终端移动性的任务卸载策略[J]. 浙江大学学报（工学版），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

福建省中青年教师教育科研项目“面向移动应用跨平台开发框架的研究与实现”（JAT210719）；
福建省中青年教师教育科研项目“基于多模态数据融合的行人重识别研究”（JAT210704）

郑志娴（1979-），女，福州人，副教授，硕士，主要从事移动应用开发、Java开发、人工智能研究，m7418956232@tom.com。

TN929.53

A

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

推荐访问:迁移 缓存 遗传