移动边缘计算中数据缓存和计算迁移的智能优化技术

彭 智

（中国西南电子技术研究所，四川 成都 610036）

0 引 言

随着移动互联网和物联网的多元化发展，虚拟现实与视频会议等方面呈现差异化发展，用户对网络服务质量的要求越来越高。因此，为解决移动互联网高负荷和低延迟等问题，以移动边缘计算为主要手段，通过计算任务及请求数据迁移到MEC服务器，减少网络设备能耗和传输时间延迟等问题，这对提高用户体验方面有积极作用。在计算迁移的过程中，需要充分利用MEC的优点，实现业务卸载控制，并通过分析决策过程，从而达到智能优化的目的[1]。

1 移动边缘计算的综合分析

在分析移动边缘计算与云计算的结合应用中，可以通过最小化任务的执行实现迁移决策的综合管理与控制。在实现移动终端能量消耗及关系分析的过程中，需要通过基站服务的请求数量实现数据缓存与分析。移动边缘计算本身具有较强的计算与数据传输能力，但是随着移动终端数量及业务的综合增长，移动边缘计算的资源处理效率仍有提升空间。基于此，在综合分析移动边缘计算的过程中，需要以移动边缘计算与数据中心的相互配合为中心，结合排队理论，控制不同任务的平均执行延时，在缓存空间约束下解决时延最小化问题。此外，在实际应用的过程中可以通过改进数学算法解决上述问题，从而达到降低用户请求时延，提高缓存性能及效率等目的[2]。

2 移动边缘计算的数据分析

在对移动边缘计算系统进行分析的过程中，其侧重点是通过B个BS及M个用户设备进行运行。在研究与分析中，以移动边缘计算系统为计算和存储的数据中心，在实现数据检验中通过部署与边缘交换机关联的虚拟机，将计算任务迁移在移动边缘计算系统的服务器上[3]。假设UE的业务请求可以实现数据分布与统计，那么在统计与分析中，UEi的请求速率可以通过数据量和访问时间实现数据缓存统计与分析。将BS覆盖范围内的UE看作是每个UE的M/M/1排队系统进行处理，在实现数据统计及信息处理的基础上实现缓存数据的处理与分析。通常情况下，移动终端在发送数据请求后可以通过BS接收处理或者请求发送到云端进行处理[4]。控制BS与云端的传输关系，在实现数据传输及信息处理的基础上，需要对迁移过程进行计算与综合分析，在实现数据信息处理与控制的过程中，根据移动边缘计算系统服务器的数据传输和本次处理数据等实现传输管理与控制。

根据排队论，在计算与分析中可以对服务器处理后的计算任务进行分析，并统计分析数据迁移过程迁移到服务器的总计算任务量，在此基础上通过用户进行数据的本地处理。用户会产生不同的计算任务，在不同的处理方式下可以计算执行时延。结合数据传输过程中所产生的传输时延，在对移动边缘计算服务器缓存的用户请求数据进行分析中，则需要综合控制用户与服务器之间的传输时延。如果服务器缓存中没有用户所需的内容数据，则需要计算与分析服务器与数据中心之间的数据传输时延，这说明用户所请求的内容可以缓存在服务器里，而且无需访问数据中心。用户产生的总时延是请求执行时延和传输时延的综合。在对约束条件进行综合定额控制中可以限制服务器中的缓存数据量，其他约束条件方面则可以通过数据存储实现数据信息处理与控制[5]。

3 改进的遗传算法

在利用遗传算法进行分析中，结合移动边缘计算的运行状态，并以生物进化过程和机制求解优化问题为中心，在智能搜索及个体计算分析的基础上实现数据信息的统计与处理。在实际应用的过程中，需要从选择、交叉以及变异等方式建立种群，种群搜索策略及种群个体之间的信息交换需要针对非线性关系和数据传输等方面进行综合控制。综合计算与分析中可以采用贪心算法，而实际搜索的过程中可以通过随机因子统计与分析局部信息。对遗传算法进行改进与处理，交叉过程中可以通过种群进行模拟，并通过退火操作，综合控制概率遗传，在交叉模拟及数据信息处理的基础上实现局部信息的综合分析[6]。

综合分析种群交叉操作和变异操作等方面问题时，需要重点分析种群的个体适应度函数，在种群进化的基础上实现数据统计与信息处理。

改进与优化遗传算法的过程中，种群个体需要在多维向量的基础上综合控制约束方程和适应度函数关系等，在实现数据传输与信息处理的过程中，通过适应度函数对目标函数进行统计与分析，通过移动边缘计算实现数据缓存及边缘计算分析。此外，在目标函数统计与信息处理的基础上，实现数据传输与控制，具体的改进步骤如下。

一是初始化种群Pop；二是针对适应度进行计算与分析；三是存储Pop中的最优个体；四是根据交叉概率，对新的种群进行交叉统计与处理，建立新的种群Pop1；五是统计与分析Pop1的适应度；六是在对种群Pop1的最优个体及初始化存储进行比较与分析中，保存最优的个体；七是根据上述流程后得到新种群Pop2；八是在对变异概率及种群Pop1进行对比分析的过程中保存最优的个体，通过数据存储与信息分析实现变异数据的统计与处理。

在进行计算与分析的过程中，需要对最优个体数据进行综合管理与分析，而且可以在适应度函数分析的基础上实现适应度函数关系的检验与分析，从而实现数据缓存与数据信息处理。改进遗传算法的应用是通过数据之间的转换，建立不同的集合区间，并根据计算迁移的需求数据整合数据信息，从而提升数据信息的处理效果。

4 仿真设计与分析

对改进遗传算法的实际应用进行研究与分析的过程中，需要在联合计算与缓存优化的基础上，从移动边缘计算系统搭建、资源存储以及信息处理等角度实现计算任务及边缘网络的资源管理与控制。在综合分析边缘计算及存储资源等方面的过程中，采用随机方式在终端和服务器上执行计算任务。在随机策略的基础上，通过数据缓存和数据信息处理实现数据统计与信息控制效果的综合提升。在实现数据传输与信息处理的过程中，结合执行计算参数，综合管理数据参数。仿真分析的过程中，在主要参数检验和延迟变化下综合统计与分析服务器缓存容量的变化，缓存容量可以从500 MB增加到1 000 MB，时延可以从510.2 ms下降到320.1 ms。在对这一结果进行分析时，随着服务器缓存容量的增加，可以通过改进的遗传算法进行自适应调节，数据传输的时间也会相对变短。数据容量在达到一定的阈值状态下，用户的请求数量相对一定，整体的时延变化比较缓慢。

当用户数量M从50增加到500时，本次的算法改进与优化可以实现执行延迟的有效控制，而且对减少延迟性方面有积极作用。当用户数量相对比较少的状态下，边缘服务器可以通过数据资源实现部分任务。随机策略可以通过边缘网络的计算及存储资源实现抗干扰性的进一步提升。在不同策略下，总时延间的差距也会随着用户数目的增加而逐渐增大，这说明在移动边缘计算系统应用的状态下，可以通过用户请求数据的大小变化，综合管理与控制缓存的数据信息，从而达到传输时延控制的目的。

5 移动边缘计算智能优化技术的应用分析

移动边缘计算在实际应用的过程中，从计算迁移、数据缓存以及边缘计算的角度进行综合分析，并联合分析执行时延和传输时延。在改进遗传算法实际应用中，通过计算迁移和数据缓存的方式综合控制数据缓存、数据传输等方面，达到数据信息快速处理与应用的目的。

分析用户对数据迁移的实际需求，选择硬件设备，建立虚拟化网络架构，方便后续的信息传输与处理。

搭建基本网络结构后，通过移动边缘计算综合控制数据信息的接收、处理、交换、缓存以及传输等。在这一过程中，可通过API编辑基站与应用层之间的接口协议，满足数据传输的实际需求。

在移动边缘计算系统搭建与网络优化中，通过改进遗传算法可以建立新的数据集群，并通过部署数据汇聚点计算多设备多任务的能耗，达到数据统计与信息处理的目的。

建立数据节点后，处理不同UE的操作请求，并将请求传输到服务器。移动网络的终端数据传输则需要综合分析用户信息数据和移动网络的数据传输关系等，提高计算迁移和数据缓存处理的综合水平。

6 结 论

在MEC中，极端迁移和数据缓存属于比较关键的指标，为进一步优化数据缓存决策，可对数据缓存计算过程进行优化，从而达到数据信息快速处理的目的。通过对计算迁移过程进行优化，可提高数据空间的整体使用效率及数据计算可靠性。考虑不同用户对数据迁移过程的实际需求，完善数据传输网络，并提高服务器的数据处理水平，对进一步提高边缘计算系统的实际应用效果有现实意义。