CN108243245A - 基于混合雾计算的无线接入网络及其资源调配方法 - Google Patents

Abstract

本发明提供了一种基于混合雾计算的无线接入网络及其资源调配方法，包括：由BBU资源池组成云平台，通过后传网络连接到核心网络；由第一层以及第二层组成雾平台，第一层由具备计算和存储能力的RRH节点构成雾基站节点，雾基站节点与BBU资源池通过前传网络通信连接；第二层由车辆构成车辆雾节点，车辆之间通过车辆间链路通信连接，车辆在雾基站节点的信号范围内与对应的雾节基站点通过中心链路通信连接；云平台通过获知每个车辆和雾基站节点的空闲计算资源和计算负载，统一调配计算任务迁移；通过车辆之间的车辆间链路将计算任务迁移至信号范围以外的车辆上。本发明可提升计算力资源、减少传输时延，调配灵活，实现计算任务执行时间最小化。

Description

基于混合雾计算的无线接入网络及其资源调配方法

技术领域

本发明涉及通信技术领域，具体地，涉及基于混合雾计算的无线接入网络及其资源调配方法。

背景技术

随着我们生活中车辆数量的爆发性增长，智能交通管理设备数量的增加以及车载应用的日益复杂化，整个ITS的数据传输量正在飞速增长。为了满足这种日益增长的数据传输需求，许多研究者都将目光投向了5G技术。其中F-RAN(基于雾的无线接入网络，FogRadio Access Network)被认为是一个5G技术的重要候选技术组成。通过5G技术和车联网的结合，能够满足车辆超大量的数据传输需求。F-RAN的基础架构是从C-RAN(基于云的无线接入网络，Cloud Radio Access Network)的基础上进行改进的。C-RAN将传统无线接入网中的基带数据处理从逻辑上集中在一个虚拟的BBU(基带单元，Baseband Unit)资源池中。这个资源池中的所有计算资源将被共享给所有连接的基站。而原有的在传统无线接入网络架构中的基站，被剥离了计算处理功能之后，剩余的部分被称为RRH(远程无线电头，RemoteRadio Head)。C-RAN架构相较于传统的RAN架构有着许多优势。例如，这种架构下允许更为灵活的资源调配以及基站节点之间的互相操作以及协作。尤其是后一点优势十分重要。因为在5G时代，由于频带资源的局限性无法被根治，5G技术通过超高密度的基站架设来重复利用频带资源，但是这就导致了基站信号间的相互干扰。因此，利用C-RAN架构中云中心的统一调配，能够有效减少基站间的相互干扰，提高无线传输性能。但是，C-RAN的架构本身还存在很多缺点，例如，由于是一个中心化的云架构，所有的数据都将被传输到云中被进行处理，因此对网络的负载很大。另外，数据的远距离传输会导致非常可观的传输时延，因此，对于时延敏感的数据服务会造成很大的影响。因此，F-RAN通过结合雾计算的计算能力，数据的处理将不仅仅处于BBU资源池中，同时也将处于网络边缘的雾节点中，其表现形式就是存在一些具备数据处理能力的RRH节点。在这种架构中，时延敏感的数据将在本地被处理从而降低传输时延，而其他的数据也可以在本地进行初步处理后再传输至云中心进行进一步处理，从而降低网络传输负载。

但是，在F-RAN架构中，雾节点的计算能力与BBU资源池的计算能力相比是相当有限的。在传统的F-RAN架构中，云平台的资源是充足的而雾节点的资源是受限制的。当一个雾节点不具备充足的资源来处理数据时，它可以将计算任务迁移到云平台或者其他拥有充足资源的雾节点上。但是，这两种方案都有所缺陷，前者会产生相当可观的传输时延，并且会挤占正常的通信资源，后者会面临整个雾层面上的资源局限性，同时雾节点之间的资源迁移本身就带有固有的传输时延，无法从架构设计上消除这个问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于混合雾计算的无线接入网络及其资源调配方法。

根据本发明提供的一种基于混合雾计算的无线接入网络，包括：

云平台：由BBU资源池组成，通过后传网络连接到核心网络；

雾平台：包括第一层以及第二层，所述第一层由具备计算和存储能力的RRH节点构成雾基站节点，所述雾基站节点与所述BBU资源池通过前传网络通信连接；所述第二层由车辆构成车辆雾节点，所述车辆之间通过车辆间链路通信连接，所述车辆在所述雾基站节点的信号范围内与对应的所述雾节基站点通过中心链路通信连接；

其中，所述云平台通过获知每个所述车辆和所述雾基站节点的空闲计算资源和计算负载，来统一调配计算任务迁移；每个所述雾基站节点通过所述车辆之间的车辆间链路，将计算任务迁移至信号范围以外的车辆上。

较佳的，所述雾基站节点通过禁忌搜索算法将计算任务迁移至信号范围以外的车辆上。

较佳的，所述禁忌搜索算法包括：

初始化时将所期望的全局最优解E定义为随机一个解，然后放入禁忌列表，执行循环迭代，通过计算目前的最佳候选解的领域中所有元素的目标函数值，当一个元素的目标函数值优于现有的最佳候选解，并且不处于禁忌列表中，则将该元素赋予最佳候选解，并在该元素的目标函数值优于全局最优解的目标函数值时将该元素的目标函数值赋予E，当循环达到设定次数时停止迭代；

所述邻域为所述车辆与所述雾基站节点的连接关系进行一次变化之后的所有连接方式，目标函数计算的是计算任务的执行时间。

较佳的，所述车辆间链路为D2D通信。

根据本发明提供的一种基于混合雾计算的无线接入网络资源调配方法，包括：

由BBU资源池组成云平台，通过后传网络连接到核心网络；

包括第一层以及第二层组成的雾平台，所述第一层由具备计算和存储能力的RRH节点构成雾基站节点，所述雾基站节点与所述BBU资源池通过前传网络通信连接；所述第二层由车辆构成车辆雾节点，所述车辆之间通过车辆间链路通信连接，所述车辆在所述雾基站节点的信号范围内与对应的所述雾节基站点通过中心链路通信连接；

其中，所述云平台通过获知每个所述车辆和所述雾基站节点的空闲计算资源和计算负载，来统一调配计算任务迁移；每个所述雾基站节点通过所述车辆之间的车辆间链路，将计算任务迁移至信号范围以外的车辆上。

较佳的，所述雾基站节点通过禁忌搜索算法将计算任务迁移至信号范围以外的车辆上。

较佳的，所述禁忌搜索算法包括：

初始化时将所期望的全局最优解E定义为随机一个解，然后放入禁忌列表，执行循环迭代，通过计算目前的最佳候选解的领域中所有元素的目标函数值，当一个元素的目标函数值优于现有的最佳候选解，并且不处于禁忌列表中，则将该元素赋予最佳候选解，并在该元素的目标函数值优于全局最优解的目标函数值时将该元素的目标函数值赋予E，当循环达到设定次数时停止迭代；

所述邻域为所述车辆与所述雾基站节点的连接关系进行一次变化之后的所有连接方式，目标函数计算的是计算任务的执行时间。

较佳的，所述车辆间链路为D2D通信。

与现有技术相比，本发明具有如下的有益效果：

本发明在通过结合车辆组成的雾节点以及车辆间的D2D通信机制，提出了一套基于混合雾的无线接入网架构模型，通过结合原有的F-RAN架构以及车联网中的车辆雾的优点，来提升无线接入网的服务供应能力以及资源调配的灵活性。本质上是利用了目前车辆智能化的趋势，利用了车辆上限制的计算力资源为无线接入网络进行服务，从而让现有的F-RAN在不追加硬件设备的情况下，获得更强大的计算力资源，同时，通过调配车辆与基站之间的连接，从而实现物理层面计算资源的调配，与F-RAN中的雾节点之间的资源调配相比，具有更少的传输时延，更为灵活的调配方案。最后，由于车辆的计算资源是随着车辆的数量增加而增加的，因此，这种架构能够有效的处理车流短时间内出现的洪峰，整个架构的可扩展要远远强于传统的F-RAN架构。本发明另外提出资源调配方法，能够在这种架构优化F-RAN资源效率的情况下，进一步优化其资源利用效率，能够使得整个无线接入网络能够实现计算任务执行时间最小化。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的网络架构示意图；

图2为传统F-RAN计算负载分配机制示意图；

图3为本发明的计算迁移机制示意图；

图4为仿真场景示意图；

图5为50辆车情况下仿真得到的计算执行时间图；

图6为仿真得到的基于车辆数量的网络计算时间变化图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供的一种基于混合雾计算的无线接入网络分为两个大的层次，包括：

云平台：由BBU资源池组成，通过后传网络连接到核心网络；

雾平台：包括第一层以及第二层，第一层由具备计算和存储能力的RRH节点构成雾基站节点，雾基站节点与BBU资源池通过前传网络通信连接；第二层由车辆构成车辆雾节点，车辆之间通过车辆间链路通信连接，车辆在雾基站节点的信号范围内与对应的雾节基站点通过中心链路通信连接。

上层架构是云平台，根据传统的C-RAN架构，这个云平台主要由BBU资源池组成。它通过后传网络连接到了核心因特网。而另一方面，底层的架构由两个小的层次组成，第一层由那些具备了计算和存储能力的RRH节点组成，形成了一个个的雾节点，因此在本文中，我们将其简化称为雾基站节点。在整个雾平台中，这些雾基站节点作为静态的雾存在。而相对的，第二层是由大量的移动车辆构成，这些车辆本身构成了一个个小的车辆雾节点，这些动态的雾节点又与前文中静态的雾节点构成了我们整个基于车辆雾的F-RAN架构中的雾平台层面。一个雾基站节点以及其下的车辆雾可以被看做是一个混合的雾，而整个雾平台上有着多个的这种混合雾节点。另一方面，可以从图1得知，在本发明所提出的基于车辆雾的F-RAN架构中，存在一个最上层的云平台，这个云平台管理着所有的雾节点，能够获知全局信息，因此，其可以作为一个管理者，通过获知每辆车和雾基站节点的空闲计算资源和计算负载，来统一调配计算迁移。

在5G技术中，超高密度的基站节点分布式大多数研究者的共识。因此，理论上，每一辆车都有机会接收到多个基站的信号，而其可以从中选择一个进行连接。这为后面进行资源分配时带来了很大的便利。从图2中可以看到，在传统的F-RAN架构中，每个雾基站节点给通信范围内的车辆提供服务，每一个雾基站节点和车辆都有自己的计算任务需要处理，但是由于每个节点的资源和任务不同，会出现资源负载过多或过少的情况。当某个雾基站节点的负载过大，则会影响到其服务的用户的体验。

在图3中，本发明将车辆所组成的车辆雾与雾基站的雾节点组成一个混合雾，计算任务可以从负载过高的雾基站节点迁移到空闲的车辆上，从而提高整个网络中的计算资源利用率，提升整个无线接入网络的服务效率。同时，我们可以注意到，通过车辆间的D2D通信，车辆可以超出基站的通信范围来结成车辆雾，这使得整个架构具有了更好的灵活性，使得雾基站节点将计算任务能够迁移到其通信范围外的空闲车辆上。

本发明通过禁忌搜索算法将计算任务迁移至信号范围以外的车辆上，实现优化计算任务迁移算法。优化算法具体流程步骤如表1所示：

表1计算任务迁移优化算法

该算法中，E表示我们所期望的全局最优解，初始化时定义为随机某个解，然后放入禁忌列表。之后执行循环迭代，通过计算目前的最佳候选解的领域中所有元素的目标函数值，所谓邻域，即为目前的车辆与基站的连接关系进行一次变化之后的所有连接方式，目标函数即计算这个网络的计算任务执行时间，当这个值优于现有的最佳候选解，并且不处于禁忌列表中，则将该元素赋予最佳候选解，并检测是否优于全局最优解的目标函数值，若优于则将其赋予E，当循环达到设定次数时停止迭代。

在上述基于混合雾计算的无线接入网络的基础上，本发明还提供一种基于混合雾计算的无线接入网络资源调配方法，包括：

由BBU资源池组成云平台，通过后传网络连接到核心网络；

包括第一层以及第二层组成的雾平台，第一层由具备计算和存储能力的RRH节点构成雾基站节点，雾基站节点与BBU资源池通过前传网络通信连接；第二层由车辆构成车辆雾节点，车辆之间通过车辆间链路通信连接，车辆在雾基站节点的信号范围内与对应的雾节基站点通过中心链路通信连接；

其中，云平台通过获知每个车辆和雾基站节点的空闲计算资源和计算负载，来统一调配计算任务迁移；每个雾基站节点通过车辆之间的车辆间链路，通过禁忌搜索算法将计算任务迁移至信号范围以外的车辆上。

禁忌搜索算法包括：

初始化时将所期望的全局最优解E定义为随机一个解，然后放入禁忌列表，执行循环迭代，通过计算目前的最佳候选解的领域中所有元素的目标函数值，当一个元素的目标函数值优于现有的最佳候选解，并且不处于禁忌列表中，则将该元素赋予最佳候选解，并检测是否优于全局最优解的目标函数值，若优于则将其赋予E，当循环达到设定次数时停止迭代；邻域为车辆与雾基站节点的连接关系进行一次变化之后的所有连接方式，目标函数计算的是计算任务的执行时间。

本发明通过一系列的仿真来测试了基于混合雾的无线接入网络的计算迁移策略所带来的性能优化。整个无线接入网络将10个雾基站节点部署在一个700*700平方米的空间内。图4展示了整个的仿真场景，其中圆弧表示每个F-RRH节点的通信范围，而车辆与车辆间能够完成的D2D通信通过直线展示出来。其他更多的细节参数被归纳于表2：

表2仿真测试参数范围

为了与本发明所提出的计算迁移策略进行对比，本发明另外设计了三个对比策略进行仿真，获得其性能。其中策略(a)保持F-RRH原有的本地计算，不进行计算迁移；另外两个计算迁移策略是根据原有无线接入网络的传统移动终端进行集群的算法进行设计：(b)地理距离最小化集群策略(c)通信速率最大化集群策略。

对四种计算迁移策略进行了性能仿真。首先对50辆车在无线接入网络中的场景进行了仿真，并且每一个策略的网络整体计算任务执行时间都是进行了50次仿真后所获得的平均值，从而避免偶然误差。从图5中得知整个仿真的结果。可以看到在网络整体计算任务执行时间方面，本发明所提出的计算迁移策略相较于其他三个对比策略(a)(b)(c)分别降低了65.12％，15.47％，3.19％。我们可以看出，不论是基于那种计算迁移策略，通过从F-RRH节点想车辆进行计算迁移，相较于只基于F-RRH节点的计算能力进行计算，能够有效降低整个网络的计算任务执行时间。另一方面，也可以看出本发明所提出的基于禁忌搜索的最优化算法能够实现比其他计算迁移策略更优的性能结果。

如图6所示，整个基于车辆雾的F-RAN网络的平均计算任务执行时间与车辆数量的关系如图所示。可以发现，随着车辆数量的增加，将计算任务迁移到车辆雾中的策略都随之获得了更高的性能，其中本发明提出的基于禁忌搜索的平均计算任务时间从3.7262s降低到了3.3076s。这表明，随着车辆的增多，车辆雾本身的计算资源也随之增强，从而能够提供更多的计算服务。这意味着，本发明所提出的基于车辆雾的F-RAN架构能够有效的处理车流的洪峰效应，当某个路段的车流量短时间内增加时，也会随之增加对应计算任务的计算资源。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种基于混合雾计算的无线接入网络，其特征在于，包括：

云平台：由BBU资源池组成，通过后传网络连接到核心网络；

雾平台：包括第一层以及第二层，所述第一层由具备计算和存储能力的RRH节点构成雾基站节点，所述雾基站节点与所述BBU资源池通过前传网络通信连接；所述第二层由车辆构成车辆雾节点，所述车辆之间通过车辆间链路通信连接，所述车辆在所述雾基站节点的信号范围内与对应的所述雾节基站点通过中心链路通信连接；

其中，所述云平台通过获知每个所述车辆和所述雾基站节点的空闲计算资源和计算负载，来统一调配计算任务迁移；每个所述雾基站节点通过所述车辆之间的车辆间链路，将计算任务迁移至信号范围以外的车辆上。

2.根据权利要求1所述的基于混合雾计算的无线接入网络，其特征在于，所述雾基站节点通过禁忌搜索算法将计算任务迁移至信号范围以外的车辆上。

3.根据权利要求2所述的基于混合雾计算的无线接入网络，其特征在于，所述禁忌搜索算法包括：

初始化时将所期望的全局最优解E定义为随机一个解，然后放入禁忌列表，执行循环迭代，通过计算目前的最佳候选解的领域中所有元素的目标函数值，当一个元素的目标函数值优于现有的最佳候选解，并且不处于禁忌列表中，则将该元素赋予最佳候选解，并在该元素的目标函数值优于全局最优解的目标函数值时将该元素的目标函数值赋予E，当循环达到设定次数时停止迭代；

所述邻域为所述车辆与所述雾基站节点的连接关系进行一次变化之后的所有连接方式，目标函数计算的是计算任务的执行时间。

4.根据权利要求1所述的基于混合雾计算的无线接入网络，其特征在于，所述车辆间链路为D2D通信。

5.一种基于混合雾计算的无线接入网络资源调配方法，其特征在于，包括：

由BBU资源池组成云平台，通过后传网络连接到核心网络；

包括第一层以及第二层组成的雾平台，所述第一层由具备计算和存储能力的RRH节点构成雾基站节点，所述雾基站节点与所述BBU资源池通过前传网络通信连接；所述第二层由车辆构成车辆雾节点，所述车辆之间通过车辆间链路通信连接，所述车辆在所述雾基站节点的信号范围内与对应的所述雾节基站点通过中心链路通信连接；

其中，所述云平台通过获知每个所述车辆和所述雾基站节点的空闲计算资源和计算负载，来统一调配计算任务迁移；每个所述雾基站节点通过所述车辆之间的车辆间链路，将计算任务迁移至信号范围以外的车辆上。

6.根据权利要求5所述的基于混合雾计算的无线接入网络资源调配方法，其特征在于，所述雾基站节点通过禁忌搜索算法将计算任务迁移至信号范围以外的车辆上。

7.根据权利要求6所述的基于混合雾计算的无线接入网络资源调配方法，其特征在于，所述禁忌搜索算法包括：

初始化时将所期望的全局最优解E定义为随机一个解，然后放入禁忌列表，执行循环迭代，通过计算目前的最佳候选解的领域中所有元素的目标函数值，当一个元素的目标函数值优于现有的最佳候选解，并且不处于禁忌列表中，则将该元素赋予最佳候选解，并在该元素的目标函数值优于全局最优解的目标函数值时将该元素的目标函数值赋予E，当循环达到设定次数时停止迭代；

所述邻域为所述车辆与所述雾基站节点的连接关系进行一次变化之后的所有连接方式，目标函数计算的是计算任务的执行时间。

8.根据权利要求5所述的基于混合雾计算的无线接入网络资源调配方法，其特征在于，所述车辆间链路为D2D通信。