本發(fā)明涉及網(wǎng)絡服務，尤其涉及一種面向邊緣云場景的qos測量與不確定性評估方法。

背景技術(shù)：

1、人工智能應用(如chatgpt)的興起引發(fā)了對計算資源的大量需求，以訓練大規(guī)模模型，這對數(shù)據(jù)中心帶來了嚴重的工作負載壓力。作為一種替代解決方案，新興的邊緣計算(例如分布式邊緣云)充分利用分散的計算資源，提供低延遲和高質(zhì)量的網(wǎng)絡服務。

2、邊緣云的網(wǎng)絡服務質(zhì)量依賴于密集部署的邊緣節(jié)點，這些節(jié)點將邊緣服務器物理上更接近用戶。已有研究測量發(fā)現(xiàn)，只有當服務器與用戶之間的距離在30公里以內(nèi)時，網(wǎng)絡服務延遲才會稍微受到網(wǎng)絡波動的影響。與集中式云相比，邊緣云可以減少84.1％的網(wǎng)絡延遲和0.5毫秒的延遲波動。然而，實現(xiàn)這種延遲優(yōu)勢需要大量的基礎(chǔ)設(shè)施投資用于密集部署，對網(wǎng)絡服務提供商來說，這帶來了巨大的預算挑戰(zhàn)。

3、利用現(xiàn)有資源建立密集分布的邊緣云可以降低節(jié)點建設(shè)成本。例如，網(wǎng)絡服務提供商可以使用眾包技術(shù)，將愿意為附近用戶提供網(wǎng)絡服務的個人電腦或手機作為邊緣節(jié)點。然而，基于具有異質(zhì)資源(例如網(wǎng)絡帶寬和計算能力)的現(xiàn)有設(shè)備建立的邊緣云可能導致網(wǎng)絡服務質(zhì)量的顯著波動。因此，有必要測量qos(服務質(zhì)量)并動態(tài)選擇可靠的邊緣節(jié)點來提供網(wǎng)絡服務，從而實現(xiàn)實時網(wǎng)絡資源調(diào)度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種面向邊緣云場景的qos測量與不確定性評估方法，有效地利用數(shù)據(jù)集內(nèi)的時空相關(guān)性進行學習和推斷，提高了預測準確性，在相同的采樣率下實現(xiàn)了優(yōu)越的數(shù)據(jù)恢復性能；基于稀疏測量的方式，減少了總體采樣成本，在實際應用場景中具有合理性，普遍適用性。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種面向邊緣云場景的qos測量與不確定性評估方法，包括以下步驟：

3、s1、真實世界邊緣服務數(shù)據(jù)集的采集；

4、s2、基于伯努利采樣方法對上述數(shù)據(jù)集進行qos的采樣；

5、s3、使用gnn-變分貝葉斯編碼器對qos進行補全操作；

6、s4、基于多層感知機的解碼器獲取真實的qos；

7、s5、對所獲取的qos的不確定性進行評估。

8、優(yōu)選的，在步驟s1中，所采集的數(shù)據(jù)集包括，eel數(shù)據(jù)集和fcte數(shù)據(jù)集。

9、優(yōu)選的，在步驟s2中，對于給定的采樣率α，采用伯努利采樣方法進行采樣，作為近似均勻分布，確保了預期的n×n×α的樣品數(shù)，符合要求的采樣大小，采樣掩碼的表示方式如下：

10、

11、其中，是均勻分布。

12、優(yōu)選的，在步驟s3中，使用gnn-變分貝葉斯編碼器對qos進行補全操作，具體過程如下：

13、s31、首先，設(shè)計一個貝葉斯邊緣增強圖卷積網(wǎng)絡，以提取網(wǎng)絡服務質(zhì)量的特征，使得生成每個邊緣云節(jié)點的潛在表示分布，如下所示：

14、

15、s32、基于貝葉斯神經(jīng)網(wǎng)絡，為先驗分布尋找已知分布，將節(jié)點特征表示的先驗分布設(shè)為標準正態(tài)分布，如下所示：

16、

17、s33、為了尋找節(jié)點潛在表示的后驗分布則使用變分分布來近似后驗分布，如下所示

18、

19、其中，在中有兩個參數(shù)μt＝{μi}和σt＝{σi}，使用堆疊圖卷積網(wǎng)絡來生成μ和σ；將graphsage擴展為edge-enhancedgraphsag，重新定義在graphsage中的聚合函數(shù)aggv，如下所示：

20、

21、其中，l表示egs模型的當前層索引，表示節(jié)點v的鄰居節(jié)點，σ表示sigmoid函數(shù)，表示當前層的可學習參數(shù)，c是連接函數(shù)，用于組合兩個向量，表示節(jié)點j在第l層的特征表示，eij表示從節(jié)點i到節(jié)點j的網(wǎng)絡服務質(zhì)量值；

22、s34、第l層的隱藏狀態(tài)，如下所示：

23、

24、其中，w2是另一個可訓練參數(shù)；

25、s35、將κ(·)定義為堆疊運算符，μ和σ的潛在表示向量，如下所示：

26、

27、s36、原始潛在表示如下：

28、z＝μ+σ⊙∈

29、其中，∈～n(0,1)。

30、優(yōu)選的，在步驟s4中，根據(jù)所獲得的每個邊緣云節(jié)點z的表示分布，基于多層感知機的解碼器，從分布中解碼出真實的qos，具體過程如下：

31、s41、對∈i～n(0,1)進行采樣，以獲得表示的具體值；

32、s42、設(shè)計一個具有relu激活函數(shù)的內(nèi)積模型，將高維表示矩陣轉(zhuǎn)換為原始的qos矩陣，如下所示：

33、

34、優(yōu)選的，在步驟s5中，基于步驟s1所采集數(shù)據(jù)集，使用relative-rmse來評估恢復精確度，如下所示：

35、

36、因此，本發(fā)明采用上述一種面向邊緣云場景的qos測量與不確定性評估方法，有效地利用數(shù)據(jù)集內(nèi)的時空相關(guān)性進行學習和推斷，提高了預測準確性，在相同的采樣率下實現(xiàn)了優(yōu)越的數(shù)據(jù)恢復性能；基于稀疏測量的方式，減少了總體采樣成本，在實際應用場景中具有合理性，普遍適用性。

37、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。

技術(shù)特征：

1.一種面向邊緣云場景的qos測量與不確定性評估方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種面向邊緣云場景的qos測量與不確定性評估方法，其特征在于：在步驟s1中，所采集的數(shù)據(jù)集包括，eel數(shù)據(jù)集和fcte數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的一種面向邊緣云場景的qos測量與不確定性評估方法，其特征在于，在步驟s2中，對于給定的采樣率α，采用伯努利采樣方法進行采樣，作為近似均勻分布，確保了預期的n×n×α的樣品數(shù)，符合要求的采樣大小，采樣掩碼的表示方式如下：

4.根據(jù)權(quán)利要求1所述的一種面向邊緣云場景的qos測量與不確定性評估方法，其特征在于，在步驟s3中，使用gnn-變分貝葉斯編碼器對qos進行補全操作，具體過程如下：

5.根據(jù)權(quán)利要求1所述的一種面向邊緣云場景的qos測量與不確定性評估方法，其特征在于，在步驟s4中，根據(jù)所獲得的每個邊緣云節(jié)點z的表示分布，基于多層感知機的解碼器，從分布中解碼出真實的qos，具體過程如下：

6.根據(jù)權(quán)利要求1所述的一種面向邊緣云場景的qos測量與不確定性評估方法，其特征在于，在步驟s5中，基于步驟s1所采集數(shù)據(jù)集，使用relative-rmse來評估恢復精確度，如下所示：

技術(shù)總結(jié)
本發(fā)明屬于網(wǎng)絡服務技術(shù)領(lǐng)域，公開了一種面向邊緣云場景的QoS測量與不確定性評估方法，包括以下步驟：S1、真實世界邊緣服務數(shù)據(jù)集的采集；S2、基于伯努利采樣方法對上述數(shù)據(jù)集進行QoS的采樣；S3、使用GNN?變分貝葉斯編碼器對QoS進行補全操作；S4、基于多層感知機的解碼器獲取真實的QoS；S5、對所獲取的QoS的不確定性進行評估。本發(fā)明采用上述一種面向邊緣云場景的QoS測量與不確定性評估方法，有效地利用數(shù)據(jù)集內(nèi)的時空相關(guān)性進行學習和推斷，提高了預測準確性，在相同的采樣率下實現(xiàn)了優(yōu)越的數(shù)據(jù)恢復性能；基于稀疏測量的方式，減少了總體采樣成本，在實際應用場景中具有合理性，普遍適用性。

技術(shù)研發(fā)人員：張恒,郭得科,王曉飛
受保護的技術(shù)使用者：天津大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10