面向车载边缘计算的双边协作式层感知容器迁移方法

摘要: 本发明涉及车载边缘计算与容器迁移,具体涉及一种面向车载边缘计算的双边协作式层感知容器迁移方法。背景技术:1、容器镜像因其分层结构特性,在迁移过程中具备独特的优化...
面向车载边缘计算的双边协作式层感知容器迁移方法

本发明涉及车载边缘计算与容器迁移,具体涉及一种面向车载边缘计算的双边协作式层感知容器迁移方法。

背景技术:

1、容器镜像因其分层结构特性,在迁移过程中具备独特的优化潜力。容器迁移能够在高移动性场景中保障服务连续性,而层感知机制可通过复用本地缓存显著降低传输开销。通常,这些迁移任务由部署在路侧或车载单元中的边缘服务器协同完成,以应对车辆高速移动带来的频繁切换需求。

2、容器迁移在车载边缘计算中同样具有关键意义。通过迁移,可将运行中的容器实例从当前服务节点无缝转移至在通信范围内的目标节点,从而维持业务连续性并降低任务延迟。尤其在车辆高速移动、信道条件快速变化的场景下,迁移机制能够动态适配网络拓扑与资源分布,为后续的服务调度和计算卸载提供稳定支撑。

3、然而,现有迁移方案普遍忽视容器镜像的分层结构特征,常将镜像视为整体进行传输,导致冗余数据反复下载等问题,显著加剧带宽受限的车载网络负担。同时,边缘服务器缺乏自主准入控制,车辆侧也无法对服务质量承诺进行事前评估,这种单边决策模式在突发流量或资源热点场景下极易引发队列积压与性能抖动,进一步放大了迁移时延和任务失败风险。

4、早期分层感知策略主要针对于单用户层感知。其中迁移决策考虑特定用户历史请求的缓存层,并采用粗粒度重复数据删除技术来避免重新传输目标节点上已经存在的层。“g. luo, h. zhou, n. cheng, q. yuan, j. li, f. yang, and x. shen, “software-defined cooperative data sharing in edge computing assisted 5g-vanet,” ieeetransactions on mobile computing, vol. 20, no. 3, pp. 1212–1229, 2021.”通过将互斥传输建模为冲突图中的冲突顶点来防止单用户层共享中层的重复接收。然而,单用户层共享仅仅关注个人用户,无法利用应用程序中固有的跨用户通用性。由此,现有的方法主要转向了多用户层共享。“z. tang, f. mou, j. lou, w. jia, y. wu, and w. zhao,“multi-user layeraware online container migration in edge-assisted vehicularnetworks,”ieee/acm transactions on networking, vol. 32, no. 2, pp. 1807–1822,2024.”首创了多用户分层感知在线容器迁移框架,通过注意力机制提取层共享特征,将任务调度到已存储相关层的节点来减少下载时间。“h. cui, z. tang, y. wu, and w. jia,“layer-aware cost-effective container updates with edge-cloud collaborationin edge computing,” ieee transactions on mobile computing, vol. 24, no. 11,pp. 12 314–12 328, 2025.”提出了层感知调度算法,该算法对图像下载进行排序,以最大化并发请求之间共享层的重叠,从而有效地减少总初始化延迟。上述方法主要优先考虑最小化传输成本,同时经常低估运行时资源争用的影响,即他们从根本上是基于全局优化目标,导致缓存了常用层的节点吸引不均衡的工作负载,引发资源不足等问题。

5、基于单智能体深度强化学习(single-drl)的协同决策框架在动态边缘计算场景中展现出良好的可扩展性。该框架通过边缘侧维护的actor-critic网络,能在毫秒级时隙内完成迁移请求。然而,其单边奖励设计在面对高优先级突发任务时难以准确评估拒绝或接入的长期代价,这限制了其在车辆高速移动、信道条件快速变化场景下的稳定性。

技术实现思路

1、针对现有的技术缺陷,本发明提出了一种面向车载边缘计算的双边协作式层感知容器迁移方法(ts-clcm),用于在复杂高动态车载边缘计算环境中实现低延迟、高稳定的服务迁移。

2、本发明的技术方案如下:一种面向车载边缘计算的双边协作式层感知容器迁移方法,包括步骤如下:

3、s1,车辆请求广播;当车辆生成任务k(t)时,车辆根据自身与各边缘服务器的位置信息,构建一个候选边缘服务器集合ek(t);车辆向候选边缘服务器集合ek(t)中的所有边缘服务器广播其计算请求;

4、s2,边缘智能体决策;各边缘服务器智能体均采用优先级感知的序贯决策机制;边缘服务器智能体在接收到任务集ke(t)后,首先按照优先级对任务进行降序排序;在服务器容量约束条件下,为每个任务生成二元准入决策yk,e(t)∈{0,1},并将二元准入决策及预估服务延迟反馈至车辆智能体;

5、s3,车辆智能体决策;在接收到候选边缘服务器的决策及预估服务延迟后,车辆智能体从满足决策条件xk,e(t)∈{0,1}的候选边缘服务器中进行选择,且最多只能选定一台边缘服务器;车辆智能体结合候选边缘服务器提供的延迟预估信息,以及自身对环境的本地观测数据,重新评估服务延迟,最终选择延迟最低的边缘服务器来完成任务;

6、s4,容器迁移与任务执行;确定目标边缘服务器e,启动迁移与执行流程;首先,车辆通过无线上行链路将输入数据dk传输至选定的目标边缘服务器e,目标边缘服务器e从云端拉取所有缺失的只读层数据;随后,在基础运行环境准备就绪后,原服务节点通过有线回程链路,将封装运行时状态的可写容器层迁移至新的目标边缘服务器e。

7、所述预估服务延迟通过时延模型计算,具体如下:

8、步骤2.1、容器初始化时间;

9、由于任务数据上传与镜像层下载并行进行,容器构建的总时延由这两个过程中速率较慢的一方决定;

10、任务数据上传和镜像层下载时间具体如下:

11、步骤2.1.1、任务数据上传;

12、假设请求任务k的车辆nk(t)选择候选边缘服务器ei作为服务节点;任务输入数据dk(t)被卸载至目标边缘服务器e;计算τ时刻的瞬时数据传输速率,表示为:

13、

14、其中,表示分配带宽,为车辆的发射功率,代表时变信道增益,n0为噪声功率谱密度;

15、设为控制信令的总大小,为任务k的输入数据;任务数据上传时间被定义为传输总数据量所需的时间:

16、

17、步骤2.1.2、镜像层下载时间;

18、边缘服务器构建所需容器时,需要从云端获取缺失的镜像层;设二元变量表示时刻t目标边缘服务器e是否已缓存镜像层

l,则需下载的镜像层总大小表示为:

19、

20、镜像层下载时间表示为:

21、

22、其中,表示目标边缘服务器e的可用有线回传带宽;

23、任务k的容器构建时间表示为;

24、

25、步骤2.2、任务迁移时间;

26、任务迁移指的是将任务k的可写层从原服务边缘服务器e′传输至目标边缘服务器e的过程;当服务节点从e′切换至e时,产生迁移时延;设可写层的大小为,则迁移时延表示为:

27、

28、其中,表示原服务边缘服务器e′与目标边缘服务器e之间的可用带宽;为正系数,代表每跳迁移开销;表示原服务边缘服务器e′与目标边缘服务器e之间最短路径的跳数;

29、步骤2.3、任务计算时间;

30、计算时延指候选边缘服务器ei执行任务k所需的时间;采用加权处理器共享模型,其中为当前任务k的优先级,优先级更高的任务将被分配更多的 cpu 资源份额,表示其他任务的优先级;设为时刻t候选边缘服务器ei正在处理的任务集合,为候选边缘服务器ei的总cpu频率;则分配给任务k的瞬时cpu 频率表示为:

31、

32、设为目标边缘服务器e上所有可能的运行任务集合的集合,为系统处于状态s∈时的稳态概率;则期望计算时延表示为:

33、

34、其中,表示任务k的所需 cpu 周期数;所述期望计算时延基于动态任务到达与离开所引发的随机资源分配计算得出;

35、预估总服务延迟表示为:

36、。

37、边缘服务器智能体训练如下:

38、每个边缘服务器均部署一个独立智能体,作为边缘服务器智能体,通过优先级感知序列机制,实现负载均衡并防止服务器过载;定义状态空间如下:

39、

40、其中,边缘状态整合本地资源指标、缓存状态以及待处理请求特征,代表参照安全缓冲阈值γ监测得到的cpu、内存及存储利用率;为二进制分层缓存掩码;记录按优先级排序的待处理请求属性,其中为分层重叠率,用于表征任务下载量的潜在缩减空间;、、表示目标边缘服务器e的cpu、目标边缘服务器e的内存和目标边缘服务器e的存储利用率,为二进制分层缓存掩码,、、表示输入任务k的输入数据量、输入任务k的cpu需求和输入任务k的优先级,为目标边缘服务器e收到的待处理请求集合;

41、针对所述按优先级排序的待处理请求中的每个请求任务k,动作空间表示为边缘智能体输出的二元动作,其中=1表示为车载终端生成服务回执;该动作受到动作掩码机制的严格约束:若接收任务k会导致资源利用率超过安全阈值γ,则该动作会被强制掩码为=0,保障系统的鲁棒性;

42、边缘智能体需要在吞吐量最大化与迁移开销之间进行权衡,奖励函数仅聚焦于优化有效连接的价值;结合车载智能体的选择决策,边缘智能体的奖励函数定义如下:

43、

44、乘积项·表征一次成功的服务握手:当且仅当边缘智能体接收了某一任务,即=1,且该任务恰好选择了此服务器,即=1,边缘智能体才能获得奖励;由于接收任务意味着通过掩码机制完成资源预留,因此握手失败就等同于资源容量的浪费,这一机制激励智能体优先瞄准建立连接可能性更高的高价值任务;

45、奖励函数的分解以时间优化目标为基准。

46、所述最小化构建时间具体为:奖励函数中的成本项激励边缘服务器智能体优先接纳能命中本地分层缓存的任务,从而减少镜像下载时间。

47、所述最小化计算时延具体为:奖励函数中的正向奖励项激励边缘服务器智能体优先接纳高优先级任务,使其获得更多cpu资源份额,从而降低计算时延。

48、所述最小化迁移时间具体为:奖励函数中的乘积项实现隐式优化:若某服务器迁移时延过高,车辆智能体将拒绝选择,=0,导致奖励项为零,从而自然筛选掉迁移性能不佳的服务器;

49、具体的,边缘服务器智能体按照优先级降序的方式,依次处理已排序的请求队列;高优先级任务优先于所有低优先级任务,基于资源池状态完成准入评估;每完成一次任务接收决策后,动作掩码随之更新,以此反映剩余资源容量的减少量,确保整个序列决策过程中的所有操作均满足安全阈值γ的约束。

50、对应于步骤s3中进行任务请求决策的车辆智能体,车辆智能体训练如下:

51、车辆智能体在协议中作为最终决策方,从返回确认的边缘服务器中选择目标边缘服务器;定义车辆状态如下:

52、

53、其中,对车辆位置、速度以及任务需求={,,,,} 进行编码;汇总候选服务器的反馈信息,其中∈{0,1}为服务回执,为预估时延,=(,,,) 为回执中包含的资源利用率向量;表征车辆与服务器间的相对距离;

54、定义动作空间表示为车辆执行离散选择动作∈∪{0},而有效动作集合={e∣=1}被限定为已返回确认回执的服务器;当=e 时,表示将任务卸载至服务器e;当=0时,则表示降级为本地处理;

55、为使车辆的局部利益与全局目标保持一致,奖励值的定义严格基于服务请求的执行结果,表示如下:

56、

57、其中,为实际迁移与执行时延,为优先级权重,为拒绝惩罚系数;

58、当服务链路成功建立时,车辆智能体将获得与时延成正比的负奖励,以此激励其选择响应速度最快的服务器;当服务请求失败时,施加一个由加权的惩罚项。

59、步骤s2和s3的联合优化问题建模表示如下:

60、

61、

62、

63、

64、

65、

66、

67、

68、确保每辆车辆最多选择一个边缘服务器,且仅当对应的服务器明确接纳该请求时,该选择才有效;用于强化边缘服务器的物理资源限制;约束条件通过将资源利用率上限设定为总容量的γ∈(0,1)倍,引入安全缓冲机制,从而在保留优先级感知调度目标的同时,提升系统应对流量突发的鲁棒性。

69、本发明的有益效果:本发明提出了一种面向车载边缘计算的双边协作式层感知容器迁移方法,首次在车载边缘计算环境中实现了从集中式统一调度向分布式双边协商的范式转变。该框架通过构建涵盖车辆与边缘服务器双重视角的系统数学模型,分别刻画了车辆侧在不确定环境下最小化任务处理延迟的优化目标,以及边缘侧在资源受限条件下平衡层下载开销与过载惩罚的决策准则。在此基础上,本发明开发了基于边缘服务器智能体与车辆智能体的双边深度强化学习算法,使车辆端代理能够依据实时信道状态与边缘服务器的服务质量承诺动态选择最优目标节点,同时使边缘服务器端代理能够基于层缓存状态与资源利用率自主执行准入控制。通过车辆与边缘代理的协同学习与联合优化,本发明有效解决了传统方法中层共享带来的资源热点与负载不均之间的内在冲突,在显著降低容器初始化与迁移延迟的同时,抑制了不必要的服务迁移次数,增强了系统在高动态车载环境下的鲁棒性与可扩展性。