摘要
资源密集型移动边缘计算（MEC）服务通常按请求逐个配置，导致等效服务实例被重复激活，以及在重叠的站间链路上冗余传输同一类别级别的状态。现有方法很少将需求聚合、共享实例配置以及可重用的多目标状态分发整合到一个统一的编排工作流中。本文提出了基于联盟的共享实例配置与路由（CoSIPR），这是一个围绕动态兴趣联盟构建的共享服务编排框架。CoSIPR 预测用户请求和移动性，将预测位置投影到道路网络上，过滤掉不可靠或不可行的请求，并将请求同一服务类别的邻近用户进行分组。对于每个联盟，采用基于边际收益的候选缩减方法和变邻域搜索来确定服务站点、用户分配以及共享实例的数量。选定的站点随后构成负载感知路由过程的目标集，该过程选择一个现有的状态源，并使用路径融合强化学习（PF-RL）构建能够跨多个目标重用路径段的路由。使用真实世界移动性和道路网络数据的实验表明，CoSIPR 提高了服务类别匹配度、请求满意度以及每个实例平均接受的请求数量。它还降低了聚合状态传输成本，并限制了热点暴露，同时保持了端到端延迟与状态传输成本之间的可控权衡。这些结果表明，动态兴趣联盟和可重用的多目标路径可以提高 MEC 中共享服务编排的效率。
