1.一种基于边缘计算的多服务预部署方法,其特征在于,包括:S100:从边缘服务器中的核心管理单元获取服务相关数据,并对所述服务相关数据进行预处理;
S200:根据预处理后的服务相关数据,构建移动用户距离相似度矩阵和移动用户时间相似度矩阵,并通过所述移动用户距离相似度矩阵和移动用户时间相似度矩阵计算得到移动用户相似度矩阵;
S300:根据所述移动用户相似度矩阵进行同簇聚类分析,得到移动用户类簇以及同簇移动用户相似度矩阵;
S400:根据所述移动用户类簇和所述同簇移动用户相似度矩阵,获得同簇移动用户请求服务概率评分矩阵,通过所述同簇移动用户请求服务概率评分矩阵对服务进行降序排列,得到移动用户预测服务队列;
S500:通过Comm‑Comp算法选择合适的边缘服务器,从所述移动用户预测服务队列中选择服务部署到所述合适的边缘服务器中;
所述服务相关数据,包括:边缘服务器信息、移动用户信息和请求服务信息;
所述移动用户信息,包括:移动用户经纬度数据、移动用户历史请求服务数据、移动用户请求服务时间和移动用户集合;
所述请求服务信息,包括:请求的服务信息大小数据、服务复杂度数据和服务所需的计算资源数据;
所述同簇聚类分析是指,从所述移动用户集合中选取第一个移动用户作为聚类中心,根据所述移动用户相似度矩阵,将所有与聚类中心相似度大于阈值的移动用户聚为一个移动用户类簇,将已经聚类的移动用户移出移动用户集合,对移动用户集合重复进行同簇聚类分析,将移动用户聚为m个移动用户类簇K={k1,k2,......,km},并建立同簇移动用户相似度矩阵SK(kg,kh),所述阈值大小为0.6,m为大于等于1的正整数;
所述移动用户类簇K=(k1,k2,......,km},其中,km是指第m个移动用户类簇;
所述同簇移动用户相似度矩阵SK(kg,kh),表示为:其中,skg,h是指同簇移动用户g和同簇移动用户h的相似度,c是指同簇移动用户个数;
所述S400,包括:
S410:根据移动用户历史请求服务数据,获得同簇移动用户最常请求服务的概率;
S420:根据所述同簇移动用户最常请求服务的概率和所述同簇移动用户相似度矩阵,计算得到同簇移动用户请求服务概率评分矩阵;
S430:根据所述同簇移动用户请求服务概率评分矩阵,对移动用户请求服务进行降序排序,得到移动用户预测服务队列;
所述同簇移动用户最常请求服务的概率,计算公式为:
其中,PFs是指同簇移动用户最常请求服务的概率,Sg是指移动用户历史请求服务,G是指移动用户历史请求服务数量;
所述计算得到同簇移动用户请求服务概率评分矩阵,计算公式为:其中,score是指同簇移动用户请求服务概率评分矩阵,SK(kg,kh)是指同簇移动用户相似度矩阵,[PFS]是指由同簇移动用户最常请求服务的概率PFS转化为的对角矩阵;
所述移动用户预测服务队列,表示为:
Stay_Service={SS1,SS2,......,SSm}其中,Stay_Service是指预测服务队列,SSm是指第m个预测服务;
所述S500,包括:
S510:通过边缘服务器的中心控制器获取边缘服务器信息;
S520:根据所述边缘服务器信息计算边缘服务器通信时延和边缘服务器计算时延;
S530:根据所述边缘服务器通信时延和所述边缘服务器计算时延,计算服务最小时延,得到最小时延的边缘服务器信息;
S540:根据最小时延边缘服务器空闲量大小,计算预测服务部署数量,根据部署数量从所述移动用户预测服务队列选择预测服务部署在所述最小时延边缘服务器上;
S550:将最小时延边缘服务器地址传输给移动用户使得移动用户通过最小时延边缘服务器进行服务请求;
所述边缘服务器通信时延,计算公式为:
其中, 是指边缘服务器通信时延,θs是指边缘服务器上传数据所占带宽的百分比,Ps是指边缘服务器的发送功率,hb,c是指边缘服务器与云端的信道衰落系数,d是指边缘2
服务器与移动用户的距离,r是指路径损耗,σ是指路径损耗和信道的噪声功率,W是指移动用户与边缘服务器通信的信道带宽;
所述边缘服务器计算时延,计算公式为:
其中, 是指边缘服务器计算时延,sizes是指服务的大小,fcomp是指边缘服务器的计算能力;
所述服务最小时延,计算公式为:
其中,delayBi是指服务最小时延, 是指边缘服务器计算时延, 是指边缘服务器通信时延;
所述预测服务部署数量,计算公式为:
其中,Num表示为预测服务部署的数量,Size(SSm)表示预测服务部署的服务大小,Size(BS)表示边缘服务器空闲量大小。
2.如权利要求1所述的一种基于边缘计算的多服务预部署方法,其特征在于,所述S200包括:S210:计算移动用户的兰氏距离并进行归一化,获得移动用户的兰氏距离相似度,根据移动用户的兰氏距离相似度构建移动用户距离相似度矩阵;
S220:通过时间重合公式计算移动用户请求服务时间重合值并进行归一化,获得移动用户时间相似度,根据所述移动用户时间相似度构建移动用户时间相似度矩阵;
S230:通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵,计算得到移动用户相似度矩阵;
所述移动用户的兰氏距离,计算公式为:
其中, 是指移动用户i和移动用户j的兰氏距离, 是指移动用户i的3维位置信息数组, xi1是指移动用户i的经度,xi2是指移动用户i的纬度,xi3是指移动用户i当前位置的时间, xj1是指移动用户j的经度,xj2是指移动用户j的纬度,xj3是指移动用户j当前位置的时间;
所述移动用户距离相似度矩阵表示为:
其中,D(ui,uj)是指移动用户距离相似矩阵,di,j是指移动用户i和移动用户j的兰氏距离相似度,n是指移动用户个数;
所述移动用户时间相似度矩阵表示为:
其中,T(ui,uj)是指移动用户时间相似度矩阵,ti,j是指移动用户i和移动用户j的时间相似度,n是指移动用户个数;
所述通过所述移动用户距离相似度矩阵和所述移动用户时间相似度矩阵,计算得到移动用户相似度矩阵,计算公式为:S(ui,uj)=0.6*D(ui,uj)+0.4*T(ui,uj)其中,S(ui,uj)是指移动用户相似度矩阵,si,j是指移动用户i和移动用户j的相似度,n是指移动用户个数。
3.如权利要求2所述的一种基于边缘计算的多服务预部署方法,其特征在于,所述时间重合公式,是指计算两个移动用户之间的移动用户请求服务时间的重合时间大小,所述通过时间重合公式计算移动用户请求服务的时间重合值,计算公式为:其中,T(a,b)是指a,b时间段的时间重合值,a∈TA,b∈TB,TA是指移动用户A活跃时间集合,TA=[[2,4],...,[start,end]],TB是指移动用户B活跃时间集合,TB=[[2,4],...,[start,end]],as,ae是指a时间段开始时刻和结束时刻,bs,be是指b时间段开始时刻和结束时刻。