摘要: 随着移动边缘计算技术的高速发展,提供高质量的移动服务需要根据用户实时的移动轨迹变化多元地考虑网络通信中的影响因素来动态地规划服务迁移路径。针对现有服务迁移路径规划研究中对城市场景下用户移动轨迹预测缺失,规划迁移路径与用户移动路径相似度较低等问题,提出一种根据用户实时移动轨迹的服务移动路径选择算法。所提算法首先通过基于长短期记忆(LSTM)模型的轨迹预测算法和基于隐性马尔可夫模型(HMM)的路网匹配算法来对用户未来移动轨迹进行预测,然后根据预测移动轨迹与邻近局部基站状态信息选择最佳迁移边缘服务器进而完成城市场景下的服务迁移路径选择。在深圳市出租车轨迹数据集与手机基站状态数据集所构造的数据集上,相较于改进深度优先搜索(DFS)算法、改进A-Star算法、基于矩阵的动态多路径选择(MDMPS)算法和基于矩形区域划分的服务迁移路径选择(GDSMPS)算法,所提算法的平均服务迁移时间分别减少了34.7%、44.5%、24.9%和12.7%,平衡路径相似度分别提升了26.2%、49.7%、14.3%和4.7%。在噪声数据集和长路径数据集上,所提算法的平均服务迁移时间波动幅度最小且平均轨迹相似度最高。实验结果表明,所提算法不仅可以有效减少服务迁移时间,提升迁移路径与用户移动路径的相似度,而且具有良好的抗数据噪声能力与优秀的长路径规划能力。
中图分类号: