论文阅读 ：A service migration strategy based on multiple attribute decision in mobile edge computing

点击获取论文

本文研究了在用户移动期间，若检测到最佳数据中心，则为用户提供服务的虚拟机将从当前数据中心迁移到最佳数据中心。然而，尽管虚拟机迁移会增加成本，但同时会改善用户体验。 本文提出了一种基于多属性决策的边缘计算迁移策略（矩阵形式）平衡成本和收益。

模型描述：

本文主要从能耗、成本、时延进行建模。

对于能耗的建模：利用每个物理服务器的闲置能耗，以及运行n个虚拟机所需能耗为Cvm之和作为整个网络的能耗。

对于成本的建模：成本主要包括迁移成本和通信成本，均和距离相关，作者用了Si和Sj表示，因此应该指的是两个物理服务器server之间的距离。

对于时延的建模：时延定义为用户提交一个请求后到获得请求结果的时间。包含两个方面，分别是通信时延和计算时延。

计算时延作者没有明说，在实验部分设定为某个范围内的随机数。通信时延主要由3个方面构成，分别是发送时延，传播时延和路由器排队时延(router queuing delay)。其中，发送时延主要与发送的数据量和带宽相关，而传播时延主要是距离与传播速度相关。路由器排队时延设定为1ms。

求解算法：Multiple Attribute Decision Algorithm(MADA)

Step1：根据多个指标建立mn二维决策矩阵，m指的是带宽，计算能力，时延，成本，能耗，对应b1-b5，并将其分为有益指标，成本(有害)指标和中性指标。n指的是x1-x3，表示可以放置该虚拟机的数据中心

Step2：为了消除指标之间差异性，需要将决策矩阵进行标准化。
对于有益指标：

对于消极指标：

对于中性指标，作者并没有提到如何标准化，因此应该是不需要标准化的。
Step3：确定每个指标的权重。在信息论中，熵不仅是不确定性的量度，而且还用于指示数据中包含多少信息。本文使用熵确定每个指标的权重。
首先对决策矩阵进行归一化：

计算第j个指标的熵：

计算第j个指标的差系数：

计算第j个指标的权重：

Step4：TOPSIS方法确定虚拟机放置方案。TOPSIS是根据备选方案与最优方案之间的距离对备选方案进行分类。

计算备选方案与最优解和最差解的距离和：

计算每个候选服务器的接近度索引：

对Ci进行降序排列，选择最大的Ci*作为最终的迁移目标服务器。

仿真实验：

代码：Matlab
服务器的分布服从泊松分布，用户可以连接到8个数据中心，下图中的黑圈代表每个数据中心的最佳服务区域，每当连接的用户超出服务范围时，就会启动迁移策略。用户沿着固定轨道逆时针移动，其中红色实心点是用户移动终端的起点。