CN108259573A - 一种混合sdn和雾计算的车辆自组织网络系统 - Google Patents

Abstract

本发明公开了一种混合SDN和雾计算的车辆自组织网络系统，其整体架构分为云计算层、固定雾计算层和移动雾计算层，其中，云计算层由云服务器组成，固定雾计算层由SDN控制器、RSU和基站组成，移动雾计算层由行驶的车辆和车上的移动设备组成。本发明的有益之处在于：从经济和应用服务可靠性角度考虑，混合了SDN和雾计算，将路边基础设施和移动车辆、用户终端等认为是可利用的处理节点，增加了系统的计算、通信、网络等资源，并采用任务分配策略提高了应用服务可靠性，避免了额外的成本消耗。

Description

一种混合SDN和雾计算的车辆自组织网络系统

技术领域

本发明涉及一种车辆自组织网络系统，具体涉及一种混合SDN和雾计算的车辆自组织网络系统，属于通信技术领域。

背景技术

车辆自组织网络(Vehicular ad-hoc network，VANET)是传统的移动自组织网络(MANET)在交通道路上的应用，其以道路上的汽车及部署的交通设施为处理节点，利用无线通信技术(如车辆与车辆(V2V)之间WAVE通信，车辆与路边基础设施(V2I)之间3G/4G/WiMax通信)来形成大范围的移动网络。为支持传统交通向智能交通系统(ITS)的转变，车辆上配备了处理单元、各种传感器、GPS、无线电收发机等单元，同时在道路两旁也都部署了相关的固定基础设施，例如：监控摄像头、传感器、交通灯、路侧单元(RSU)等。ITS通过收集各车辆的位置、速度、方向等车辆信息及道路实时状况来支持事故现场预警、拥挤路段提示、车道变更协助等安全应用，以提高车辆行驶的安全性和道路交通的有效性。同时，提供高质量的影音、在线网络游戏、网页浏览等非安全应用，提高乘客的旅行乐趣。

为支持车联网中车辆与道路信息的共享及突破车辆上有限的计算、存储与电源资源的限制，云计算因其强大的计算和存储能力被引入到车联网中来支持智能车辆服务，然而通过云中心上传或者下载实时道路信息，不仅十分昂贵，而且时间消耗很大，云计算的高时延、连通性差、灵活性不足等问题，给需要极低时延和高可靠的车辆智能应用带来了极大的安全隐患。

雾计算是思科于2012年提出的新型边缘计算模式，它将云计算拓展到了网络边缘，提供与云计算相类似的计算、存储和应用，它除了能联合布置在用户周围设备的计算能力组成分布式异构雾网络平台，而且由于接近终端用户，可以在网络边缘提供低时延、网络环境信息、位置感知等特殊的服务，极大地满足了未来VANET关键性的实时要求。

然而在管理方面，雾计算并不能起到很好的作用。VANET中有大量的汽车节点需要管理，雾计算层中的大量异构处理节点也需要进行编排，传统网络在面对大量的车辆连接与处理节点的资源编排时显得太过臃肿，无法很好地管理。

软件定义网络(Software Defined Network，SDN)的出现有望取代传统的网络结构，通过解耦数据平面和控制平面，使基于Openflow的交换机、路由器等网络设备仅根据本设备中的策略简单地转发数据包，而转发策略由上层进行创建和修改，同时加入了基于Openflow的SDN控制器来管理整个网络的行为，SDN使网络更具有集中性、系统性及可编程性，可以极大地简化VANET中处理节点数量急剧增加而造成的极其复杂的网络管理。

近年来，一些车辆自组织网络(Vehicular ad-hoc network，VANET)应用，例如路径规划等，已经部署到了实际的道路交通系统中，但是目前的网络架构在实现更多的VANET应用服务时还存在着许多的挑战，例如大规模终端设备的管理、移动性支持的不足、不平衡的流传输和QoS等。

为了解决这些问题，软件定义网络(Software Defined Network，SDN)和雾计算技术被引进到了VANET中，旨在利用SDN的集中控制、灵活性、可编程和雾计算的极低时延、位置感知等特性来增强VANET应用。

虽然SDN和雾计算被认为可以极大地满足未来VANET的需求，但目前大部分研究是关于数据传输、无线链路和信道方面，对整体应用的研究较少，尤其是在应用任务分配和应用服务可靠性方面。由于绝大多数VANET应用的实时特性，基于应用的任务需要在规定的时限内完成。为满足应用的低时延约束，整合系统中可利用的资源(路侧单元、基站、车载处理器)进行联合分布式数据处理是十分必要的，一个合理的任务分配算法可以将基于应用的子任务分配给最佳的处理节点进行并行处理，然后将各处理节点的处理结果汇总并反馈给终端用户。但是，考虑到实际复杂的交通道路环境，处理节点和通信链路的失效是不可避免的，而由此带来的失败执行可能会给人们的出行造成灾难性的后果，因此如何为车辆提供可靠的应用服务是保障QoS的关键性挑战。

在异构的分布式网络中，已经存在许多提高应用服务可靠性的方法，例如冗余技术(包括硬件冗余和软件冗余)，由于需要大量硬件或软件作为冗余备份，所以昂贵的价格给大规模部署带来了很大的困难，尤其是在发展初期还没有足够资源的VANET系统。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种既经济又能提高应用服务可靠性、混合SDN和雾计算的车辆自组织网络系统。

为了实现上述目标，本发明采用如下的技术方案：

一种混合SDN和雾计算的车辆自组织网络系统，其特征在于，整体架构分为云计算层、固定雾计算层和移动雾计算层，其中，

云计算层：由云服务器组成，能够提供强大的计算能力和海量的信息支持，为视频、网页浏览、数据融合提供服务，并进行长期的交通数据存储和大数据分析；

固定雾计算层：由SDN控制器、RSU和基站组成，SDN控制器对整个雾计算层进行管理和控制，将网络中可利用的资源进行整合和编排，RSU和基站为行驶的车辆提供快速的智能服务；

移动雾计算层：由行驶的车辆和车上的移动设备组成，车辆之间通过车载无线通信进行数据转发，车上的移动设备通过近场通信与车辆进行连接；

移动雾计算层中的车辆或车上的移动设备在请求复杂的应用服务时，固定雾计算层中的SDN控制器根据该车辆附近的可用资源，将基于应用的任务分配至该车辆附近的RSU、基站或其他车辆上，应用服务在被分配任务的RSU、基站或车辆上进行并行处理，云计算层中的云服务器与固定雾计算层和移动雾计算层通信互联，负责交通数据的收集存储并进行大数据分析，同时为SDN控制器、行驶的车辆和车上的移动设备提供丰富的网络资源及更新推送。

前述的混合SDN和雾计算的车辆自组织网络系统，其特征在于，前述混合SDN和雾计算的车辆自组织网络系统构建有带有容错机制的应用服务可靠性优化模型，执行时延约束下的带有容错机制的应用服务可靠性优化策略。

前述的混合SDN和雾计算的车辆自组织网络系统，其特征在于，前述带有容错机制的应用服务可靠性优化模型的构建过程如下：

1)构建HSFV系统中计算网络的带权无向图G＝(V,E)，其中，V＝{v₁,v₂,…,v_k}为顶点集，顶点v_i表示雾计算层中的处理节点，i＝1，2，……，k，k为总处理节点数量，为边集，边表示处理节点v_i与v_j之间的通信链路，j＝1，2，……，k，j≠i；

2)构建时延约束下无容错机制的应用服务可靠性优化模型，具体如下：

终端用户设备将请求发送至与终端用户设备连接的处理节点上，该处理节点被认为是主处理节点；然后，终端用户将需要处理的应用任务Z发送至主处理节点，主处理节点通过向SDN控制器发送请求确定可供服务的k个处理节点，这k个处理节点包括固定雾计算层和移动雾计算层中的处理节点；随后，该应用任务Z被SDN控制器划分为多个子任务，X＝{x₁,x₂,…,x_i,…,x_k}代表一种任务划分方式，这些子任务由被选中的k个处理节点分布式协作执行，最后，k个处理节点将各个子任务的执行结果反馈至主处理节点上，经由主处理节点整合后反馈给终端用户，处理节点v_i处理其上子任务x_i的处理时延t_c(x_i,v_i)表示如下：

t_c(x_i,v_i)＝Q(x_i)/Q(v_i)i＝1,2,…,k (1)

其中，Q(x_i)表示子任务x_i的计算复杂度，Q(v_i)表示处理节点v_i的运算速度；

设主处理节点为v_j，处理节点v_i从主处理节点v_j上接收子任务x_i所需的传输时间表示如下：

其中，W(x_i)表示子任务x_i需传输的数据量，表示链路的平均传输速度；

处理节点v_i能够成功执行子任务x_i的概率R(x_i)和不能成功执行子任务x_i的概率Fa(x_i)分别表示如下：

Fa(x_i)＝1-R(x_i) (4)

其中，λ_i表示处理节点的失效强度，ε_i表示链路的失效强度；

基于一种任务分配方式X＝{x₁,x₂,…,x_k}，全部任务执行成功的概率R(X)表示如下：

为了提高应用服务的可靠性，需要找到一组最优的任务分配方式X＝{x₁,x₂,…,x_k}，使得R(X)的值最大，同时还应满足任务的时延约束，对于一种分配方式X，总服务时延t(X)表示如下：

t(X)小于规定的应用时限T，HSFV系统在时延约束下无容错机制时，应用服务可靠性最高模型表示如下：

X＝argmax{R(X)} (7)

s.t.x₁+x₂+…+x_k＝Z

t(X)≤T

3)构建时延约束下有容错机制的应用服务可靠性优化模型，具体如下：

对于k个处理节点，每个处理节点上的子任务是否能成功执行，共有2^k种情况，以1代表子任务可以顺利执行，0代表不能顺利执行，所有情况如下所示：

编号为β的失效情况下，可顺利执行任务的处理节点有m个，属于集合D(m)，不能顺利执行任务的处理节点有k-m个，属于集合D′(k-m)，这种失效情况出现的概率为P_β表示如下：

此时任务的整体时延t_R(X)由两部分组成，表示如下：

t_R(X)＝t_n+t_r (9)

其中，t_n是可顺利执行任务的处理时延，t_r是失效任务的重传处理时延；

t_n表示为：

t_r与未顺利执行的任务和参与重传处理的处理节点有关，未顺利执行的任务为Z_f，参与重传处理的处理节点为集合D中所有处理节点，为满足应用的时限要求，需要重传时延尽可能小，因此，需要找到一种使重传时延最小的重传任务分配方式X_f＝(x_f1,x_f2,…,x_fm)，如下式所示：

X_f＝argmin{t_r} (11)

X_f容易通过粒子群等智能算法求得，通过X_f可以得到重传时延t_r，编号为β的失效情况是否满足应用的时限规定T可用O_β来表示：

因此，在任务分配X下，可靠性表示如下：

在HSFV系统中构建带有容错机制的应用服务可靠性优化模型表示如下：

X＝argmax{R(X)} (15)

前述的混合SDN和雾计算的车辆自组织网络系统，其特征在于，采用粒子群算法求解式(15)中的优化问题，该算法可运行在主雾节点或SDN控制器上，主要步骤如下：

1)设置粒子群规模为q，位置维数为k，初始化每个粒子的位置

每个粒子的速度每个粒子的个体最佳位置全局粒子的最佳位置G＝{g₁,g₂,…,g_k}，最大迭代次数MaxG；

2)计算群体中每个粒子的适应度值F(X)

适应度值F(X)的计算表达式如下：

H表示可行粒子空间，N表示非可行粒子空间，r为惩罚因子，R_j(X)为非可行粒子对第j约束的约束违背值，φ(X,I)表示在算法执行到第I代对于非可行粒子的附加启发值，R_j(X)和φ(X,I)的表达式分别为：

在式(17)中，Worst(I)记录了算法经过I代进化后所获得的拥有最大适应度值的可行粒子，该值在迭代过程中保证所有可行粒子优于所有非可行粒子，其表达式为：

3)对于每个粒子，将其适应度值和个体最佳位置的适应度值作比较，如果适应度值高于个体最佳位置的适应度值，则将粒子现在的位置作为个体最佳位置，否则保持原个体最佳位置不变；

4)对于每个粒子，将其适应度值和全局粒子最佳位置的适应度值作比较，如果适应度值高于全局粒子最佳位置的适应度值，则将其现在的位置作为当前的全局粒子最佳位置，否则保持原全局粒子最佳位置不变；

5)更新每个粒子的速度和位置，更新公式如下：

V_i(I+1)＝w×V_i(I)+c₁×r₁×(B_i-X_i(I))+c₂×r₂×(G-X_i(I)) (20)

X_i(I+1)＝X_i(I)+V_i(I+1) (21)

其中，w是惯性权重，c₁、c₂是学习因子，r₁、r₂是介于[0，1]之间的随机数；

6)循环进行步骤2)至步骤5)，直到达到最大迭代次数MaxG，此时，所获得的全局粒子的最佳位置即为所求解的应用服务可靠性最优的任务分配方式。

本发明的有益之处在于：

1、本发明提出的车辆自组织网络系统，从经济和应用服务可靠性角度考虑，混合了SDN和雾计算，将路边基础设施和移动车辆、用户终端等认为是可利用的处理节点，增加了系统的计算、通信、网络等资源，并采用任务分配策略提高了应用服务可靠性，避免了额外的成本消耗；

2、本发明提出的车辆自组织网络系统还加入了重传的容错机制，可以防止可能出现的处理节点或链路错误，将网络中无错误发生情况和有错误发生情况整体考虑来优化任务分配，进一步提高了应用服务可靠性。

附图说明

图1是本发明的混合SDN和雾计算的车辆自组织网络系统的架构图；

图2是HSFV系统中计算网络的带权无向图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

参照图1，本发明的混合SDN和雾计算的车辆自组织网络系统(以下简称HSFV系统)，其整体架构分为：云计算层、固定雾计算层和移动雾计算层。

一、云计算层

参照图1，云计算层由强大的云服务器组成，可提供强大的计算能力和海量的信息支持，为视频、网页浏览、数据融合等提供服务。

在此架构中，云计算层更多的是进行长期的交通数据存储和大数据分析。

二、固定雾计算层

固定雾计算层由SDN控制器和路侧单元(RSU)、基站等固定基础设施组成，其中：

(1)SDN控制器可对整个雾计算层进行管理和控制，将网络中可利用的资源进行整合和编排；

(2)RSU和基站等固定的雾设备部署在道路两旁，可为行驶的车辆提供快速的智能服务。

固定雾计算层运行SDN控制器中的OpenFlow协议，对固定雾计算层中处理节点上的控制层与数据转发层进行分离，从而实现网络的灵活控制。

三、移动雾计算层

移动雾计算层由行驶的车辆和车上的移动设备组成，其中，车辆之间通过车载无线通信(WAVE)等通信方式进行数据转发，车上的移动设备通过蓝牙等近场通信与车辆进行连接。

由于路侧单元(RSU)、基站等固定基础设施价格昂贵，所以早期的VANET系统没有足够的固定基础设施。考虑到车载设备越来越先进，车辆的计算、通信、存储都是宝贵的资源，大量的车辆可单独或联合地向周围的用户提供服务，因此，我们把车辆和车上的移动设备(例如手机)都纳入了雾计算层中，把它们当做雾设备使用。其中，RSU、基站是固定的雾设备，车辆和车上的移动设备是移动的雾设备，这种架构可以极大地降低部署成本，同时，通过聚集固定的雾设备和移动的雾设备的丰富资源，可以向周围用户提供低时延、位置感知、移动性支持等服务。

移动雾计算层中的车辆或车上的移动设备在请求复杂的应用服务时，固定雾计算层中的SDN控制器根据该车辆附近的可用资源，将基于应用的任务分配至该车辆附近的固定雾计算层中的RSU、基站或移动雾计算层中的附近其他车辆上，应用服务在被分配任务的RSU、基站或车辆上进行并行处理，以最小化应用的处理时延，云计算层中的云服务器与固定雾计算层和移动雾计算层(行驶的车辆和车上的移动设备等雾设备)通信互联，负责交通数据的收集存储并进行大数据分析，同时为SDN控制器、行驶的车辆和车上的移动设备提供丰富的网络资源及更新推送。

在整合可用资源并进行资源编排时，VANET系统容易受到一些不可避免的干扰，例如链路拥挤、处理节点忙碌等造成的链路和处理节点的暂时或永久失效，不完全可靠的数据传输和处理可能使VANET系统安全应用执行失败或者超出规定的完成时限，这可能给实时和安全的交通应用带来巨大的影响，威胁到出行人群的生命和财产。因此，保障VANET应用服务的高可靠是VANET所面临的关键挑战。

在本发明的HSFV系统中，我们提出了一种时延约束下的任务分配策略，该任务分配策略可以最大化HSFV系统应用服务的可靠性。

下面我们将详细介绍时延约束下的任务分配策略。

当车辆用户请求一个复杂的应用服务时，SDN控制器将基于应用的任务进行划分，并分配给该车辆附近的可用处理节点(例如附近的车辆、附近的基站、附近的RSU等)进行处理，如果没有错误发生，各处理节点的处理结果将被汇总并反馈给用户，一旦链路或处理节点失效，会造成子任务无法顺利执行，HSFV系统中的SDN控制器会将失败任务的副本重新分配给其他无错误的处理节点进行重新处理。因此，任务的总处理时延可分为两部分：正常处理节点的处理时延和失败任务的重传处理时延。

由于HSFV系统中移动雾计算层的行驶的车辆、车上的移动设备以及固定雾计算层的SDN控制器、RSU、基站等设备的异构性，各处理节点有不同的计算资源、通信带宽、失效强度等，任何一个或多个处理节点损坏都会有不同的处理时延，而可靠性定义为应用在规定时延内顺利完成的概率，因此要遍历所有处理节点是否能完成其上子任务的所有情况，才能全面地评估一种任务分配的可靠性，从而进行优化。例如：HSFV系统中有两个异构的处理节点，1代表可以顺利完成其上的子任务，0代表(由于链路或处理节点失效)无法完成其上的子任务，则00、01、10、11表示两个处理节点的所有完成情况，每一种情况根据正常处理时延和重传处理时延都会有一个总处理时延，基于每种情况的发生概率和这种情况的总处理时延是否小于规定的时延约束，我们可以准确地评估一种分配方式的可靠性，进而优化任务分配方式、最大化可靠性。

执行时延约束下的任务分配策略，主要包含以下三个步骤：

(1)参照图2，构建HSFV系统中计算网络的带权无向图G＝(V,E)，其中，V＝{v₁,v₂,…,v_k}为顶点集，顶点v_i表示雾计算层中的处理节点，i＝1，2，……，k，k为总处理节点数量，为边集，边表示处理节点v_i与v_j之间的通信链路，j＝1，2，……，k，j≠i；

(2)时延约束下，在车辆或车辆上的移动设备向附近的车辆、附近的基站或附近的RSU等处理节点上请求并行应用服务处理的这个场景中，构建带有容错机制的应用服务可靠性优化模型；

(3)根据构建的带有容错机制的应用服务可靠性优化模型，给出带有容错机制的应用服务可靠性优化策略。

在介绍构建时延约束下有容错机制的应用服务可靠性优化模型前，我们先介绍一下时延约束下无容错机制的应用服务可靠性优化模型。

在HSFV系统中，首先，终端用户设备(例如行驶的车辆和车上的移动设备)将请求发送至与终端用户设备连接的处理节点(例如车辆附近的RSU、基站或其他车辆)上，该处理节点被认为是主处理节点；然后，终端用户将需要处理的应用任务Z发送至主处理节点，主处理节点通过向SDN控制器发送请求确定可供服务的k个处理节点，这k个处理节点包括固定雾计算层和移动雾计算层中的处理节点；随后，该应用任务Z被SDN控制器划分为多个子任务，X＝{x₁,x₂,…,x_i,…,x_k}代表一种任务划分方式，这些子任务由被选中的k个处理节点分布式协作执行，最后，k个处理节点将各个子任务的执行结果反馈至主处理节点上，经由主处理节点整合后反馈给终端用户。

处理节点v_i处理其上子任务x_i的处理时延t_c(x_i,v_i)可表示如下：

t_c(x_i,v_i)＝Q(x_i)/Q(v_i)i＝1,2,…,k (1)

其中，Q(x_i)表示子任务x_i的计算复杂度，Q(v_i)表示处理节点v_i的运算速度。

设主处理节点为v_j，处理节点v_i从主处理节点v_j上接收子任务x_i所需的传输时间可表示如下：

其中，W(x_i)表示子任务x_i需传输的数据量，表示链路的平均传输速度。

则处理节点v_i能够成功执行子任务x_i的概率R(x_i)和不能成功执行子任务x_i的概率Fa(x_i)分别可表示如下：

Fa(x_i)＝1-R(x_i) (4)

其中，λ_i表示处理节点的失效强度，ε_i表示链路的失效强度。

基于一种任务分配方式X＝{x₁,x₂,…,x_k}，全部任务执行成功的概率R(X)表示如下：

为了提高式(5)中的目标函数R(X)的值，即提高应用服务的可靠性，需要找到一组最优的任务分配方式X＝{x₁,x₂,…,x_k}，使得R(X)的值最大，同时还应满足任务的时延约束，即任务需要在规定的时限内完成，对于一种分配方式X，总服务时延t(X)可表示如下：

t(X)应小于规定的应用时限T。因此，HSFV系统在时延约束下无容错机制时，应用服务可靠性最高模型表示如下：

X＝argmax{R(X)} (7)

s.t.x₁+x₂+…+x_k＝Z

t(X)≤T

接下来我们介绍构建时延约束下有容错机制的应用服务可靠性优化模型。

考虑到真实的车辆行驶环境，只使用任务分配的方式来提高应用服务的可靠性还不足以满足车联网对安全性和实时性的要求，虽然处理节点和通信链路彻底损坏的概率较小，但是在短时间内处理节点或通信链路失效而无法正常工作的情况可能发生。当发生了不可靠情况时，分配给失效处理节点或失效链路对应处理节点上的子任务将无法完成，如果没有相应的容错机制，一旦发生故障，应用服务将无法完成。因此，在本发明中，我们采用任务再分配重传的机制来克服故障情况，将未正常执行的子任务重新分配至正常的处理节点上进行分布式处理，降低故障处理时延，从而使整体时延小于规定的应用时限，可大大提高HSFV系统应用服务的可靠性。由于处理节点的异构性，每个处理节点可能有不同的处理速度、通信能力、失效强度等，在实际的HSFV系统运行中，也不能确定哪些处理节点或链路会在执行任务中失效，不同的处理节点失效会有不同的整体时延，导致任务是否能在应用规定时限内完成取决于一开始的任务分配方式X＝{x₁,x₂,…,x_k}和哪些处理节点或链路失效，本发明的时延约束下的任务分配策略遍历了处理节点上子任务是否失效的所有情况，从而对任务分配方式进行优化，大大提高了HSFV系统的应用服务的可靠性。

对于k个处理节点，每个处理节点上的子任务是否能成功执行，共有2^k种情况，以1代表子任务可以顺利执行，0代表不能顺利执行，所有情况如下所示：

编号为β的失效情况下，可顺利执行任务的处理节点有m个，属于集合D(m)，不能顺利执行任务的处理节点有k-m个，属于集合D′(k-m)，这种失效情况出现的概率为P_β，可表示如下：

此时任务的整体时延t_R(X)由两部分组成，可表示如下：

t_R(X)＝t_n+t_r (9)

其中，t_n是可顺利执行任务的处理时延，t_r是失效任务的重传处理时延。

t_n可表示为：

t_r与未顺利执行的任务和参与重传处理的处理节点有关，未顺利执行的任务为Z_f，参与重传处理的处理节点为集合D中所有处理节点，为满足应用的时限要求，需要重传时延尽可能小，因此，需要找到一种使重传时延最小的重传任务分配方式如下式所示：

X_f＝argmin{t_r} (11)

X_f容易通过粒子群等智能算法求得，通过X_f可以得到重传时延t_r，编号为β的失效情况是否满足应用的时限规定T可用O_β来表示：

因此，在任务分配X下，可靠性可表示如下：

式(14)可以全面的评估任务分配方式X下的应用可靠性。

在HSFV系统中构建带有容错机制的应用服务可靠性优化模型表示如下：

X＝argmax{R(X)} (15)

最后我们来详细介绍带有容错机制的业务可靠性优化策略。

采用粒子群算法(FPSO-RO)求解式(15)中的优化问题，该算法可运行在主处理节点或SDN控制器上，主要步骤如下：

1)设置粒子群规模为q，位置维数为k，初始化每个粒子的位置

每个粒子的速度每个粒子的个体最佳位置全局粒子的最佳位置G＝{g₁,g₂,…,g_k}，最大迭代次数MaxG。

2)计算群体中每个粒子的适应度值F(X)

适应度值F(X)的计算表达式如下：

H表示可行粒子空间，N表示非可行粒子空间，r为惩罚因子，R_j(X)为非可行粒子对第j约束的约束违背值，φ(X,I)表示在算法执行到第I代对于非可行粒子的附加启发值，R_j(X)和φ(X,I)的表达式分别为：

在式(17)中，Worst(I)记录了算法经过I代进化后所获得的拥有最大适应度值的可行粒子，该值在迭代过程中保证所有可行粒子优于所有非可行粒子，其表达式为：

3)对于每个粒子，将其适应度值和个体最佳位置的适应度值作比较，如果适应度值高于个体最佳位置的适应度值，则将粒子现在的位置作为个体最佳位置，否则保持原个体最佳位置不变。

4)对于每个粒子，将其适应度值和全局粒子最佳位置的适应度值作比较，如果适应度值高于全局粒子最佳位置的适应度值，则将粒子位置作为当前的全局粒子最佳位置，否则保持原全局粒子最佳位置不变。

5)更新每个粒子的速度和位置，更新公式如下：

V_i(I+1)＝w×V_i(I)+c₁×r₁×(B_i-X_i(I))+c₂×r₂×(G-X_i(I)) (20)

X_i(I+1)＝X_i(I)+V_i(I+1) (21)

其中，w是惯性权重，c₁、c₂是学习因子，r₁、r₂是介于[0，1]之间的随机数。

6)循环进行步骤2)至步骤5)，直到达到最大迭代次数MaxG，此时，所获得的全局粒子的最佳位置即为所求解的可靠性最优的任务分配方式。

仿真结果表明：基于本发明提出的FPSO-RO算法，带有重传分配容错机制的HSFV系统可以在车联网中有效的评估和提高应用的可靠性。

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种混合SDN和雾计算的车辆自组织网络系统，其特征在于，整体架构分为云计算层、固定雾计算层和移动雾计算层，其中，

云计算层：由云服务器组成，能够提供强大的计算能力和海量的信息支持，为视频、网页浏览、数据融合提供服务，并进行长期的交通数据存储和大数据分析；

固定雾计算层：由SDN控制器、RSU和基站组成，SDN控制器对整个雾计算层进行管理和控制，将网络中可利用的资源进行整合和编排，RSU和基站为行驶的车辆提供快速的智能服务；

移动雾计算层：由行驶的车辆和车上的移动设备组成，车辆之间通过车载无线通信进行数据转发，车上的移动设备通过近场通信与车辆进行连接；

移动雾计算层中的车辆或车上的移动设备在请求复杂的应用服务时，固定雾计算层中的SDN控制器根据该车辆附近的可用资源，将基于应用的任务分配至该车辆附近的RSU、基站或其他车辆上，应用服务在被分配任务的RSU、基站或车辆上进行并行处理，云计算层中的云服务器与固定雾计算层和移动雾计算层通信互联，负责交通数据的收集存储并进行大数据分析，同时为SDN控制器、行驶的车辆和车上的移动设备提供丰富的网络资源及更新推送。

2.根据权利要求1所述的混合SDN和雾计算的车辆自组织网络系统，其特征在于，所述混合SDN和雾计算的车辆自组织网络系统构建有带有容错机制的应用服务可靠性优化模型，执行时延约束下的带有容错机制的应用服务可靠性优化策略。

3.根据权利要求2所述的混合SDN和雾计算的车辆自组织网络系统，其特征在于，所述带有容错机制的应用服务可靠性优化模型的构建过程如下：

1)构建HSFV系统中计算网络的带权无向图G＝(V,E)，其中，V＝{v₁,v₂,…,v_k}为顶点集，顶点v_i表示雾计算层中的处理节点，i＝1，2，……，k，k为总处理节点数量，为边集，边表示处理节点v_i与v_j之间的通信链路，j＝1，2，……，k，j≠i；

2)构建时延约束下无容错机制的应用服务可靠性优化模型，具体如下：

终端用户设备将请求发送至与终端用户设备连接的处理节点上，该处理节点被认为是主处理节点；然后，终端用户将需要处理的应用任务Z发送至主处理节点，主处理节点通过向SDN控制器发送请求确定可供服务的k个处理节点，这k个处理节点包括固定雾计算层和移动雾计算层中的处理节点；随后，该应用任务Z被SDN控制器划分为多个子任务，X＝{x₁,x₂,…,x_i,…,x_k}代表一种任务划分方式，这些子任务由被选中的k个处理节点分布式协作执行，最后，k个处理节点将各个子任务的执行结果反馈至主处理节点上，经由主处理节点整合后反馈给终端用户，处理节点v_i处理其上子任务x_i的处理时延t_c(x_i,v_i)表示如下：

t_c(x_i,v_i)＝Q(x_i)/Q(v_i) i＝1,2,…,k (1)

其中，Q(x_i)表示子任务x_i的计算复杂度，Q(v_i)表示处理节点v_i的运算速度；

设主处理节点为v_j，处理节点v_i从主处理节点v_j上接收子任务x_i所需的传输时间表示如下：

其中，W(x_i)表示子任务x_i需传输的数据量，表示链路的平均传输速度；

处理节点v_i能够成功执行子任务x_i的概率R(x_i)和不能成功执行子任务x_i的概率Fa(x_i)分别表示如下：

Fa(x_i)＝1-R(x_i) (4)

其中，λ_i表示处理节点的失效强度，ε_i表示链路的失效强度；

基于一种任务分配方式X＝{x₁,x₂,…,x_k}，全部任务执行成功的概率R(X)表示如下：

为了提高应用服务的可靠性，需要找到一组最优的任务分配方式X＝{x₁,x₂,…,x_k}，使得R(X)的值最大，同时还应满足任务的时延约束，对于一种分配方式X，总服务时延t(X)表示如下：

t(X)小于规定的应用时限T，HSFV系统在时延约束下无容错机制时，应用服务可靠性最高模型表示如下：

X＝argmax{R(X)} (7)

s.t. x₁+x₂+…+x_k＝Z

t(X)≤T

3)构建时延约束下有容错机制的应用服务可靠性优化模型，具体如下：

对于k个处理节点，每个处理节点上的子任务是否能成功执行，共有2^k种情况，以1代表子任务可以顺利执行，0代表不能顺利执行，所有情况如下所示：

编号为β的失效情况下，可顺利执行任务的处理节点有m个，属于集合D(m)，不能顺利执行任务的处理节点有k-m个，属于集合D′(k-m)，这种失效情况出现的概率为P_β表示如下：

此时任务的整体时延t_R(X)由两部分组成，表示如下：

t_R(X)＝t_n+t_r (9)

其中，t_n是可顺利执行任务的处理时延，t_r是失效任务的重传处理时延；

t_n表示为：

t_r与未顺利执行的任务和参与重传处理的处理节点有关，未顺利执行的任务为Z_f，参与重传处理的处理节点为集合D中所有处理节点，为满足应用的时限要求，需要重传时延尽可能小，因此，需要找到一种使重传时延最小的重传任务分配方式如下式所示：

X_f＝argmin{t_r} (11)

X_f容易通过粒子群等智能算法求得，通过X_f可以得到重传时延t_r，编号为β的失效情况是否满足应用的时限规定T可用O_β来表示：

因此，在任务分配X下，可靠性表示如下：

在HSFV系统中构建带有容错机制的应用服务可靠性优化模型表示如下：

X＝argmax{R(X)} (15)

4.根据权利要求3所述的混合SDN和雾计算的车辆自组织网络系统，其特征在于，采用粒子群算法求解式(15)中的优化问题，该算法可运行在主雾节点或SDN控制器上，主要步骤如下：

1)设置粒子群规模为q，位置维数为k，初始化每个粒子的位置每个粒子的速度每个粒子的个体最佳位置全局粒子的最佳位置G＝{g₁,g₂,…,g_k}，最大迭代次数MaxG；

2)计算群体中每个粒子的适应度值F(X)

适应度值F(X)的计算表达式如下：

H表示可行粒子空间，N表示非可行粒子空间，r为惩罚因子，R_j(X)为非可行粒子对第j约束的约束违背值，φ(X,I)表示在算法执行到第I代对于非可行粒子的附加启发值，R_j(X)和φ(X,I)的表达式分别为：

在式(17)中，Worst(I)记录了算法经过I代进化后所获得的拥有最大适应度值的可行粒子，该值在迭代过程中保证所有可行粒子优于所有非可行粒子，其表达式为：

3)对于每个粒子，将其适应度值和个体最佳位置的适应度值作比较，如果适应度值高于个体最佳位置的适应度值，则将粒子现在的位置作为个体最佳位置，否则保持原个体最佳位置不变；

4)对于每个粒子，将其适应度值和全局粒子最佳位置的适应度值作比较，如果适应度值高于全局粒子最佳位置的适应度值，则将其现在的位置作为当前的全局粒子最佳位置，否则保持原全局粒子最佳位置不变；

5)更新每个粒子的速度和位置，更新公式如下：

V_i(I+1)＝w×V_i(I)+c₁×r₁×(B_i-X_i(I))+c₂×r₂×(G-X_i(I)) (20)

X_i(I+1)＝X_i(I)+V_i(I+1) (21)

其中，w是惯性权重，c₁、c₂是学习因子，r₁、r₂是介于[0，1]之间的随机数；

6)循环进行步骤2)至步骤5)，直到达到最大迭代次数MaxG，此时，所获得的全局粒子的最佳位置即为所求解的应用服务可靠性最优的任务分配方式。