1.移动边缘计算中副本的动态一致性维护方法，其特征在于，包括以下步骤：S1，获取副本的放置数据，构建节点‑副本超图模型和关系矩阵，将三种一致性维护方式平均分配给所有的文件副本，所述三种一致性维护方式包括强一致性、弱一致性和最终一致性；

S2，获取副本数据集，副本数据以五元组(cread,cwrite,rtime,wcost,diff)表示，其中，cread,cwrite,rtime,wcost,diff依次代表读频率、写频率、响应时间、写开销、过期程度，提取其中cread,cwrite,rtime,wcost,diff属性数据，得到一个M×5的副本数据集矩阵Cf；

S3，标准化处理步骤S2得到的副本数据集矩阵Cf，并为Cf中的属性分配权重得到待划分副本数据矩阵Tm；

S4，依据步骤S3得到的待划分副本数据矩阵Tm，使用改进的聚类方法对Tm进行聚类划分，得到3个副本类别；

S5，依据步骤S1得到的超图G(V,E)，利用广度优先搜索的方式将顶点集初始化分成两个顶点集V1和V2，通过改进的KL算法进行超图划分，动态地调整副本的存储位置，根据步骤S4得到的3个副本类别，根据打分函数给每个簇贴上相应的一致性维护策略，成功实现副本的动态一致性维护；

所述改进的KL算法具体包括以下步骤：

(1)根据边缘节点列表NodeList和文件列表FileList构造初始的超图H＝；

(2)使用广度优先搜索的方式得到初始的2路划分，得到顶点集合S1和S2；

(3)从集合S1和S2中选择一对节点，(vi,vj)，其中vi∈S1，vj∈S2，计算收益值gain和两个节点的剩余空间 和 如果满足条件：就将两个节点之间的不同文件进行交换，并对遍历过的节点进行标记；如果不满足条件，直接进行下一趟的遍历操作，其中Maxgain， 分别表示当前最大收益值，节点vi和节点vj的容量；

(4)当所有节点被标记，该趟结束，如果迭代次等于Kn时，则整个算法结束；若迭代次数小于Kn，将迭代次数加1，然后将当前划分的结果作为输入，进行算法的下一趟遍历。

2.根据权利要求1所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤S1所述节点‑副本超图模型和关系矩阵定义为，存储相同文件副本的结点之间存在一条超边，将超边进行编号，形成一个超图G(V,E)和一个N×M邻接矩阵T，其中的元素T(ui,uj)代表第i个节点存储了第j个副本，V和E表示顶点集合和超边集合，N和M为正整数，且i、j均为不大于N和M的正整数。

3.根据权利要求2所述移动边缘计算中副本的动态一致性维护方法，其特征在于：所述节点‑副本超图模型和关系矩阵的构建方法如下：(1)根据移动边缘计算中节点存储副本的情况得到超边集合E；

(2)根据超边集合和各个节点之间的距离关系得到无向加权超图G(V,E)；

(3)根据超图G(V,E)得N×M邻接矩阵T。

4.根据权利要求1所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤S3所述标准化处理为使用离差标准化方法对副本数据集Cf进行标准化处理：其中，pi表示数据矩阵中每一列数据的取值，z表示行数， 和分别表示该列数据最小值和最大值，wi表示对应pi分配的权重值，qi为标准化处理之后的值。

5.根据权利要求1所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤S4所述改进的聚类方法具体包括以下步骤：(1)通过基于样本密度的方法确定3个初始聚类中心c1,c2,c3；

(2)分别计算每个数据对象xi到所有聚类中心ci的加权欧式距离，并将其匹配到最近的簇中；

* * *

(3)依据公式 重新计算簇的中心c1 ,c2 ,c3；

* * * *

(4)若对于任意的i∈{1,2,3}，ci＝ci都成立，则算法结束，当前的c1 ,c2 ,c3代表最终* *得聚类结果；若ci≠ci，令ci＝ci，重复第步骤(2)；

(5)在得到聚类结果之后，根据打分函数给每个簇贴上相应的一致性维护策略。

6.根据权利要求5所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤(1)中所述初始聚类中心c1,c2,c3通过以下方法确定：

1)计算每个数据对象xi的密度 找到核心对象并将其加入到高密度区域集合Dρ中；

2)从Dρ中计算两两样本点间的距离，找到距离最大的两个样本点c1，c2，并将其作为初始的簇中心；从集合Dρ中找满足{dist(c1,c3)+dist(c2,c3)≥dist(c1,ci)+dist(c2,ci)}的样本点c3,其中ci是除了c1,c2之外的任一样本点，并将c3作为第3个初始簇中心。

7.根据权利要求6所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤

1)所述高密度区域集合Dρ的构建方法包括以下步骤：

(a)样本数据点xi的密度 其中p表示与xi

距离小于等于半径dc的样本数据点；

(b)随机产生Y组聚类中心Ci＝{ci1,ci2,ci3},1≤i≤Y，其中ci1，ci2，ci3表示三个聚类中心；

(c)分别计算每一组三个聚类中心两两之间的距离dist(cij,cik)，然后将得到的三个距离值相加，得到一个距离和sumi，如下所示：并求得Y组sumi的总和sum，

(d)得到每个样本的半径dc如下所示：

(e)如果数据点xi的密度满足 则说明该数据对象为核心对象，即该数据处于高密度集合Dρ中，其中minden为密度阈值；

(f)根据所有样本的密度集合Dρ来设置minden，首先将Dρ进行升序排序，然后将下标为三分之二集合长度的密度值作为minden。

8.根据权利要求5所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤(5)所述打分函数，采用加权求和的方式来设置，各个属性对应的权值为wc＝{wci|1≤i≤

5}，设置打分函数为：

score(xi)＝wc1×cread+wc2×cwrite+wc3×rtime+wc4×cost+wc5×diff。

9.根据权利要求1所述移动边缘计算中副本的动态一致性维护方法，其特征在于：步骤(2)所述使用广度优先搜索的方式得到初始的2路划分的方法包括：

1)初始化两个空的顶点集合S1和S2，寻找度数最大的顶点Vx，将Vx加入到第一个集合S1中，这里的顶点度数就是与当前顶点相关联的超边的条数；

2)每次从集合S1中依次选取度数最大的顶点Vy，然后从Vy使用广度优先搜索的遍历方式对超图进行遍历，寻找与Vy中顶点相连的顶点Vz，并将Vz加入到集合S1中；

3)当 时，停止初始划分操作，得到两个大小相同的顶点集合S1和S2，这就是该超图模型的一个初始划分，其中n表示顶点总数。