云边环境具有用户位置频繁变动和资源有限等特点,严重影响运行在该环境下服务组合应用的可靠性,从而导致服务失效。为保证服务组合应用能够正常运行,需要对其进行动态重规划。多数研究往往聚焦于传统云服务的动态重规划问题,这些方法不能有效应对云边环境的动态变化。针对上述问题,本文提出了一种方法来对云边环境下的服务组合应用进行动态重规划。具体地,云边环境下的服务Qo S(Quality of Service,Qo S)属性被扩展,服务的Value和Cost属性被加入。使用LSTM(Long ShortTerm Memory,LSTM)神经网络对服务的Qo S属性进行预测,用于评估服务未来一段时间的稳定性。另一方面,针对云边环境下设备能源有限的问题,使用能源消耗模型计算设备移动过程中动态变化的能耗和流量,得到调用该服务的成本。最后综合考虑服务的稳定性与调用成本,对候选服务进行选择,得到适合云边环境的动态重规划方案。本文的主要工作和创新点体现在以下几个方面:1.使用LSTM神经网络对云边环境下的移动服务的Qo S进行预测。云边环境下,移动设备的地理位置不断变化,服务处于一种不稳定的状态,并且随时可能面临失效风险。针对该问题,提出了一种云边服务Qo S预测方案。该方案将影响服务稳定性的各种因素纳入考虑,监控这些服务属性的实时数据,并使用LSTM神经网络预测其变化趋势。具体地,在预测服务稳定性时,本文首先使用Web服务Qo S数据集和从传感器上收集的服务调用信息对LSTM神经网络进行训练,将来自云端和边缘端上的候选服务数据集作为输入变量,并对其进行预测。输入数据集中主要包含服务的响应时间、吞吐量和信号强度等将对云边混合模式下的应用产生较大影响的属性序列。输出为服务未来一段时间内的服务质量值。2.针对云边环境下服务的移动性和不稳定性,重新定义并给出服务调用成本计算方法。云边环境下的移动设备资源受限,计算其能源消耗和流量消耗等至关重要。而云边环境下设备的资源消耗量是动态变化的。因此,用户所处环境的不断变化导致的服务相关属性值的动态波动是该环境下的动态重规划需要考量的重要因素。本文首先对候选服务的日志信息进行分析和处理,提取可用信息。然后收集移动端用户移动轨迹,并对其进行网格化处理,构建移动轨迹模型。最后,结合形式化后的设备移动轨迹和服务的上传下载量、响应时间、信号强度等属性,分别根据流量计算公式和能源消耗计算模型计算服务调用成本。3.提出了一种云边协作环境下的移动服务组合动态重规划方案。针对云边协作环境下的特性,对云边混合环境下的服务Qo S进行了扩展,使其更好地评估服务。服务的Value和Cost属性被定义,用于评估服务的稳定性和调用成本。然后根据扩展的服务Qo S指标选取较优的服务对云边环境下的服务组合进行动态重规划。即,使用形式化的动态重规划模型求解云边协作模式下动态重规划的较优方案。实验证明规划后的应用具备低能耗、高稳定性、高可靠性等特点。4.展开了一系列的对比实验,以验证本文所提出的基于LSTM的服务Qo S预测模型的准确性和云边环境下移动服务组合的动态重规划方法的有效性。为了验证本文所提出的基于LSTM的服务Qo S预测模型的准确性,使用了一个公共的服务Qo S数据集对模型进行训练,并将训练好的模型的预测结果与真实值进行对比。此外,为了验证该预测模型在真实世界的应用情况,本文对一个真实世界的服务数据集进行预测。并将预测结果与两个传统的服务Qo S预测模型进行对比。结果表明,本文的模型在真实世界的服务集上相比传统的预测模型有更高的预测准确度。另一方面,本文将所提出的基于云边环境下的移动服务组合的动态重规划方法与传统方法进行对比实验。在不同迭代次数、不同候选服务数量和不同信号频率的条件下,本文所提出的方法相比其他方法的能源消耗更少和稳定性更高。