买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明公开了一种故障场景下边缘计算系统的服务器资源预留方法，其属于移动边缘计算技术领域，方法包括：步骤1、构建面向故障场景的资源有限的资源预留模型；步骤2、根据模型定义马尔可夫决策问题MDP，包括状态空间、动作空间和奖励函数；步骤3、提出基于Q‑learning的资源预留QLRR算法，制定基于强化学习的最优资源预留决策，最大化边缘服务器的收益。其故障场景下边缘计算系统包括云服务器、边缘服务器和用户和服务管理平台；用户产生任务，交付边缘服务器或云服务器进行处理并得到处理的结果；云服务器与边缘服务器为用户提供计算服务；服务管理平台监控边缘服务器的系统状态并调度任务；边缘服务器可能产生故障，故障边缘服务器上运行的任务的失败，从而会释放额外任务，为保证任务执行，其余边缘服务器需要对这部分任务分配定量的资源。与现有的预留方法不同，本发明提出的预留方法能够有效降低资源的浪费，综合考虑的任务到达的随机性和资源的有限性，有效保证了服务质量，提高了边缘服务器的总收益。

主权项：1.一种故障场景下边缘计算系统的服务器资源预留方法，其特征在于包含如下步骤：1故障场景下边缘计算系统由一个中心云服务器，M个边缘服务器，N个用户和服务管理平台组成，服务管理平台包括控制中心和管理器，控制中心收集边缘服务器的观测值例如，工作负载、资源预留数量，从而决定故障边缘服务器任务的卸载去向，管理器则配备给每个边缘服务器，监控边缘服务器的系统状态并决定边缘服务器的资源的保留或发布。每个边缘服务器拥有El个单位的资源，每个资源均可以被预留或释放，其预留策略为[λlEl,1-λlEl]，其中λl表示预留资源的比例。预留的资源用于接收来自故障边缘服务器的任务，而其他资源用于正常接收用户任务。2系统设计任务模型包括自留资源收益、任务额外收益、处理成本、传输成本和延迟成本五部分，确定最大化边缘服务器收益的优化问题，并根据任务模型对状态空间、动作空间、系统奖励函数进行定义。3采用Q-learning模型来求解最大化边缘服务器收益的优化问题得到最优的资源预留策略。其中，Q-learning是强化学习模型。在时隙t，智能体观察环境状态，根据∈-greedy策略选择动作，即以∈的概率选择一个随机动作a，以1-∈的概率选择“最佳”动作。系统执行行动，更新环境状态，并获得奖励，利用贝尔曼方程对Q值进行迭代更新从而得到最优的资源预留，根据最优的资源预留分配资源。将获取的样本数据保存为三元组的形式并存储到样本池，在样本池中随机抽取小批量样本数据对策略网络进行训练，并在迭代过程中对α和∈施加衰减。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种故障场景下边缘计算系统的服务器资源预留方法