移动边缘计算中基于马尔可夫决策过程的动态服务迁移

在移动边缘计算中，本地边缘服务器可以托管基于云的服务，这减少了网络开销和延迟，但随着用户移动到新位置，需要服务迁移。由于这种动态云环境中的不确定性，最优地做出迁移决策具有挑战性。在本文中，我们将服务迁移问题表述为马尔可夫决策过程（MDP）。我们的公式捕获了通用成本模型并提供了设计最优服务迁移策略的数学框架。为了克服计算最优策略相关的复杂性，我们通过用户与服务位置之间的距离来近似底层状态空间。我们展示了所得MDP对于均匀一维用户移动性是精确的，而对于均匀二维移动性它提供了一个具有恒定加性误差的紧密近似。我们还提出了一种新算法和一种数值技术用于计算最优解，其比基于标准值或策略迭代的传统方法显著更快。我们说明了我们的解决方案在许多理论假设被放宽的实际场景中的应用。基于旧金山出租车真实世界移动轨迹的评估显示了相比基线方案的优越性能。