CN108921437B - 一种基于雾计算的多车辆间多计算任务调度方法 - Google Patents

Abstract

本发明公开一种基于雾计算的多车辆间多计算任务调度方法，应用于车辆网领域，针对车辆面对突发的高计算量任务的计算资源短缺的问题，本发明采用损失最小化的机制确定任务的优先级，并将优先级作为任务指派顺序的依据，然后具有全局信息的路旁系统综合考虑车辆之间的距离与速度关系进行中心决策，并采用匹配算法循环决策，很好地解决了计算资源短缺的技术问题；并且本发明中考虑2种任务类型：独立任务，有序任务的指派，具有很好的普适性。

Description

一种基于雾计算的多车辆间多计算任务调度方法

技术领域

本发明属于车辆网领域，特别涉及一种多车辆间多计算任务调度方法的设计。

背景技术

车辆网络被认为是未来智能交通系统的重要组成部分，它们支持从内容共享应用程序(例如广告和娱乐)到信息传播服务(例如自然灾害应急操作)等各种移动服务)。这些车辆网络通过交换有价值的信息来确保驾驶安全性，交通效率和便利性。在过去的十年中，随着蜂窝网络和云计算等先进设备和技术的出现，车载网络和相关应用得到了飞速发展。由于这一趋势，也出现了一个重大问题，即计算能力的需求急剧增加。诸如增强现实(AR)技术，自动驾驶等新的应用都需要完成复杂的数据处理和存储操作，这些操作需要更高水平的数据通信，计算和存储。这对现有的传统车载网络提出了很大的挑战，特别是在计算能力方面。为了满足这种不断增长的通信和计算能力需求，将车载雾节点用作数据中心和增强处理资源是一个热门解决方案。车辆之间的通信可以基于专用短程通信(DSRC)或D2D通信来实现，这使车辆间通信质量得到了极大改善。而且，车辆并不会一直持续运行计算密集型应用。因此，通过有效管理车辆资源，可以实现支持这些应用的低延迟雾计算环境。

车辆应用可根据其特征分为三个级别：关键应用程序，高优先级应用程序和低优先级应用程序。关键应用程序是车辆系统的核心应用程序或安全相关的应用。由于它们对车辆和乘客的重要性，关键应用程序具有最高的优先级，并且必须完美地执行，而不依赖车辆环境中的不稳定连接。此外，由于关键应用程序通常由汽车制造商开发，所以车辆的车载系统应始终设计为具有足够的容量以满足其资源需求。因此，认为关键应用程序完全在本地执行。其余应用程序根据其用途分为高优先级应用程序和低优先级应用程序。高优先级程序包括与驾驶相关的应用程序和可选的安全增强应用程序，例如车辆导航和信息服务。这些应用是重要的，但不是强制性的，这意味尽管失败或延迟会给驾驶员造成不便，但是仍然是允许的。典型的高优先级例如视觉增强和道路感测。越来越多的新车配备了这种高优先级应用。为了适应这些新兴的服务，制造商正在为其车载系统设计一些计算容量裕度。低优先级程序是对司机和乘客来说不太重要的应用类别。例如，语音识别和其他多媒体应用(如视频处理)。随着自动驾驶车辆的新兴趋势，用户正在变得能够将注意力从驾驶转移到娱乐等其他活动。视频游戏将为乘客或驾驶员提供更好的旅行体验。随着智能汽车的进一步发展，越来越多的高、低优先级程序将出现，而这些程序将会允许卸载到雾节点上进行低时延的计算。

单一车辆的计算资源往往比较紧缺，难以满足突发的高计算需求，因此需要其他车辆作为雾节点协助计算。车辆之间任务计算的协作调度研究较少，在AVE:AutonomousVehicularEdge ComputingFrameworkwithACO-BasedScheduling中提出了一种用于雾计算的自动车辆边缘框架，单个资源紧缺车辆分布式的独立决定与多辆资源富余的车之间的计算任务调度关系，基于蚁群优化的调度算法被设计来解决这个工作分配问题。但是多车辆间多计算任务调度的研究目前还比较空缺。

发明内容

为了解决车辆面对突发的高计算量任务的计算资源短缺的问题，提出了一种基于雾计算的多车辆间多计算任务调度方法。

本发明采用的技术方案为：一种基于雾计算的多车辆间多计算任务调度方法，包括：

S1、计算资源紧缺的RV车辆向路旁系统发送任务卸载的请求；计算资源富余的PV车辆向路旁系统发送任务计算的请求；

S2、路旁系统接收到请求以后记录车辆信息；当记录中同时存在RV车辆与PV车辆时，转到S3，否则等待接收；

S3、路旁系统进行资源分配与任务调度决策，确定任务的执行对象与执行顺序；并将决策结果广播给卸载任务的RV车辆和计算任务的PV车辆；

S4、RV车辆与PV车辆按照路旁系统的决策结果进行任务的卸载与计算。

进一步地，步骤S1中所述RV车辆发送的请求中包括：请求类型、车辆编号、速度信息、位置信息以及任务信息集合；所述任务信息集合包含任务池中所有任务的信息；每一个任务的信息包括：任务编号、任务计算量、任务时延-收益函数、任务所属组号以及组内顺序号；

步骤S1中所述PV车辆的请求中包括：请求类型、车辆标号、速度信息、位置信息以及虚拟机数目。

更进一步地，所述任务包括独立任务与任务组。

更进一步地，所有PV车辆的单个独立虚拟机计算能力相同，不同计算能力的PV车辆有不同的虚拟机数目。

进一步地，步骤S3具体包括以下分步骤：

S31、路旁系统根据所接收到的请求中的速度信息与位置信息，计算RV车辆与PV车辆之间的通信情况，并生成一个RV×PV车辆的车辆连通关系矩阵；

S32、路旁系统根据任务计算量、虚拟机数目以及RV×PV的车辆连通关系矩阵，预估完成所有计算任务的时间T_all；根据T＝KT_all回退计算不同时延T下各个任务的延迟损失，其中0≤K≤1，从而确定任务的优先级，根据任务的优先级确定RV车辆的任务发送顺序；

S33、划分时隙，从0时隙开始，由RV车辆中队列最前端的任务组成当前任务集合J′，与当前时隙有空闲虚拟机的PV组成的服务集合S′，根据RV×PV的车辆连通关系矩阵生成一个(J′，S′)二部图，利用匹配算法找到最大匹配；每一个时隙执行一次循环执行直到所有任务被匹配；

S34、广播匹配结果给卸载任务的RV车辆和计算任务的PV车辆。

更进一步地，S31所述RV×PV的连通关系矩阵计算中，当任意2辆车满足

以及|v_i-v_j|＜v，则认为是连通车辆；

其中，d_i,j是车辆i与车辆j之间的距离，x,y,z为车辆坐标位置，r为距离门限，v_i表示车辆i的速度，v表示速度门限。

更进一步地，S32所述T_all的计算式为：

T_all＝max(T_i)

max(T_i)表示预计完成总时间等于PV车辆平均预计完成时间的最大值，且

更进一步地，S32所述确定任务的优先级，具体包括以下步骤：

S321、初始化T＝T_all，任务集合J为全部任务，优先级计数count＝1；

S322、对于优先级未被赋值的任务，根据车辆i的任务n的效用函数

计算T时刻的效用损失

根据效用损失进行排序，按照效用损失从大到小进行赋予任务优先级为count；当优先级赋值到同一辆的第二个任务时，停止赋值；

其中，

为车辆i的任务n的计算时延；

S323、如果所有任务的优先级已被赋值，则结束；否则，执行count＝count+1，

然后跳转到S322。

更进一步地，S322中所述计算T时刻的效用损失时，若任务为有序任务组，则任务的效用损失等于自身损失加上其后任务的效用损失。

更进一步地，S33具体包括以下步骤：

S331、初始化时间T＝0，任务集合J为全部任务。

S332、由RV车辆中队列最前端的任务组成当前任务集合J′，与当前时隙有空闲虚拟机的PV车辆组成的服务集合S′，根据RV×PV的车辆连通关系矩阵生成一个(J′，S′)二部图，利用匹配算法找到最大匹配；并将最大匹配从任务集合J中删去；

S333、如果J为空，则结束算法；否则，T＝T+1，跳转S332。

进一步地，在S4中，其特征在于，进行匹配决策算法时，按照每一个时隙进行决策；在进行传输通信时，按照连续时间进行，并且通信与计算并行进行。

本发明的有益效果：本发明采用具有全局信息的路旁系统进行中心决策，使得全局收益最大化，避免分布式系统造成的单一个体贪婪的问题。采用损失最小化的机制确定任务的优先级，并将优先级作为任务指派顺序的依据，可以最大化减少时延造成的全局收益的下降。本发明中考虑2种任务类型：独立任务，有序任务的指派，具有很好的普适性。综合考虑车辆之间的距离与速度关系，保证决策结果具有较小的时延与中断概率。采用匹配算法循环决策，确定每一个时间段内的最优分配方案。

附图说明

图1为本发明实施例的场景示意图。

图2为本发明的方案流程图。

图3为本发明实施例提供的资源分配与任务调度决策流程图。

图4为本发明实施例提供的任务的卸载与计算示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

本发明应用的车联网场景为：如图1所示为密集的高速公路场景，路旁系统沿公路部署。车辆在满足自身计算需求的情况下，会利用富余的计算资源生成一个或多个统一大小的虚拟机。在某一时间段，场景中一组车辆面临突发的高计算需求任务，从而计算资源短缺，需要进行任务卸载。同时，场景中另外一组车辆拥有富余的计算资源，可以接收其他车辆的计算任务。如图1所示，由场景中的一些计算资源富余车辆作为雾节点，计算其他计算资源紧缺车辆所卸载的任务。

基于图1所示场景，本发明的技术方案为：一种基于雾计算的多车辆间多计算任务调度方法，如图2所示包括以下步骤：

S1、计算资源紧缺的车辆RV(Requester Vehicle)向路旁系统发送任务卸载的请求；计算资源富余的车辆PV(ProviderVehicle)向路旁系统发送任务计算的请求。

RV车辆发送的请求中应包含{请求类型、车辆编号、速度信息、位置信息、任务信息集合}，其中任务信息集合包含任务池中所有任务的信息，每一个任务的信息应当包含{任务编号、任务计算量、任务时延-收益函数、任务所属组号、组内顺序号}}，其中任务时延-收益函数是等待时延到任务收益的映射，应当是一个不增的函数，表示随着时延的增加，计算收益不变或者下降。任务由独立任务与任务组构成。同一个任务组中的任务有明确的先后关系，由任务所属组号(1,2,…n)与组内顺序号(1,2,…n)表示。独立任务的任务所属组号与组内顺序号均为0。PV车辆的请求中应当包含{请求类型、车辆标号、速度信息、位置信息、虚拟机数目}。所有PV车辆的单个独立虚拟机计算能力相同，不同计算能力的PV车辆有不同的虚拟机数目。

S2、路旁系统接收到请求以后记录车辆相关信息。当记录中同时存在RV车辆与PV车辆时，转到S3，否则等待接收。

S2执行的条件具体为：当记录状态由仅存在RV车辆请求记录或者仅存在PV请求记录变成同时存在PV车辆与RV车辆的请求记录时，等待一小段时间后，再执行步骤S3，以使得更多车辆参与进算法执行过程。这里提到的等待一小段时间一般取值10秒以内的时间，具体的取值根据实际的环境确定。

S3、路旁系统进行资源分配与任务调度决策，确定任务的执行对象与执行顺序；并将决策结果广播给卸载任务的RV车辆和计算任务的PV车辆。

如图3所述步骤S3具体包括以下分步骤：

S31、路旁系统根据所接收到的车辆信息中的速度信息与位置信息计算RV车辆与PV车辆之间的通信情况，生成一个RV×PV的车辆连通关系矩阵。任意2辆车满足

以及|v_i-v_j|＜v，则认为是连通车辆。其中d_i,j是车辆i与车辆j之间的距离，x,y,z为车辆坐标位置，r为距离门限，v_i表示车辆i的速度，v表示速度门限。

RV×PV的车辆连通关系矩阵表示每一辆PV车辆与每一辆RV车辆的连接关系，行表示每一辆RV车辆，列表示PV车辆。

S32、路旁系统根据所接收到的车辆任务信息中的任务计算量、车辆虚拟机数目以及车辆连通关系预估完成所有计算任务的时间T_all；根据T＝KT_all回退计算不同时延T下各个任务的延迟损失，其中0≤K≤1，从而确定任务的优先级，根据任务的优先级确定车辆RV的任务发送顺序。

T_all具体计算式为：

T_all＝max(T_i)

max(T_i)表示预计完成总时间等于PV平均预计完成时间的最大值，且

S32所述确定任务的优先级具体包括以下步骤：

S321、初始化T＝T_all，任务集合J为全部任务，优先级计数count＝1；。

S322、对于优先级未被赋值的任务，根据车辆i的任务n的效用函数

计算T时刻的效用损失

其中

为车辆i的任务n的计算时延，根据损失进行排序，按照损失从大到小进行赋予优先级为count。当优先级赋值到同一辆的第二个任务时，停止赋值。特别的是，如果是有序任务组，则需要任务的损失等于自身损失加上其后的任务的损失。

S323、如果所有任务的优先级已被赋值，则结束。否则，count＝count+1，

跳转到S322。

S33、划分时隙，从0时隙开始，由RV中队列最前端的任务组成当前任务集合J′，与当前时隙有空闲虚拟机的PV组成的服务集合S′，根据RV×PV的车辆连通关系矩阵生成一个(J′，S′)二部图，利用匹配算法找到最大匹配；每一个时隙执行一次循环执行直到所有任务被匹配。S33具体步骤如下：

S331、初始化时间T＝0，任务集合J为全部任务。

S332、由RV中队列最前端的任务组成当前任务集合J′，与当前时隙有空闲虚拟机的PV组成的服务集合S′，根据RV×PV的车辆连通关系矩阵生成一个(J′，S′)二部图，利用匹配算法找到最大匹配。将最大匹配从任务集合J中删去。

S333、如果J为空结束算法，反之，T＝T+1，跳转S332。

S34、广播匹配结果给卸载任务的RV车辆和计算任务的PV车辆。

S4、RV车辆与PV车辆按照路旁系统的决策结果进行任务的卸载与计算。相关车辆按照自己的发送列表\接收列表，进行任务卸载与任务计算。如图4，进行匹配决策算法时，按照每一个时隙进行决策。在进行传输通信时，按照连续时间进行，并且通信与计算可以并行进行。

本发明采用具有全局信息的路旁系统进行中心决策，使得全局收益最大化，避免分布式系统造成的单一个体贪婪的问题。采用损失最小化的机制确定任务的优先级，并将优先级作为任务指派顺序的依据，可以最大化减少时延造成的全局收益的下降。本发明中考虑2种任务类型：独立任务，有序任务的指派，具有很好的普适性。综合考虑车辆之间的距离与速度关系，保证决策结果具有较小的时延与中断概率。采用匹配算法循环决策，确定了每一个时间段内的最优分配方案。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (9)

1.一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，包括：

S1、计算资源紧缺的RV车辆向路旁系统发送任务卸载的请求；计算资源富余的PV车辆向路旁系统发送任务计算的请求；

S2、路旁系统接收到请求以后记录车辆信息；当记录中同时存在RV车辆与PV车辆时，转到S3，否则等待接收；

S3、路旁系统进行资源分配与任务调度决策，确定任务的执行对象与执行顺序；并将决策结果广播给卸载任务的RV车辆和计算任务的PV车辆；步骤S3具体包括以下分步骤：

S31、路旁系统根据所接收到的请求中的速度信息与位置信息，计算RV车辆与PV车辆之间的通信情况，并生成一个RV×PV车辆的车辆连通关系矩阵；

S32、路旁系统根据任务计算量、虚拟机数目以及RV×PV的车辆连通关系矩阵，预估完成所有计算任务的时间T_all；根据T＝KT_all回退计算不同时延T下各个任务的延迟损失，其中0≤K≤1，从而确定任务的优先级，根据任务的优先级确定RV车辆的任务发送顺序；

S33、划分时隙，从0时隙开始，由RV车辆中队列最前端的任务组成当前任务集合J′，与当前时隙有空闲虚拟机的PV组成的服务集合S′，根据RV×PV的车辆连通关系矩阵生成一个(J′，S′)二部图，利用匹配算法找到最大匹配；每一个时隙执行一次循环执行直到所有任务被匹配；

S34、广播匹配结果给相关车辆；

S4、RV车辆与PV车辆按照路旁系统的决策结果进行任务的卸载与计算。

2.根据权利要求1所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，步骤S1中所述RV车辆发送的请求中包括：请求类型、车辆编号、速度信息、位置信息以及任务信息集合；所述任务信息集合包含任务池中所有任务的信息；每一个任务的信息包括：任务编号、任务计算量、任务时延-收益函数、任务所属组号以及组内顺序号；

步骤S1中所述PV车辆的请求中包括：请求类型、车辆标号、速度信息、位置信息以及虚拟机数目。

3.根据权利要求2所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，所述任务包括独立任务与任务组。

4.根据权利要求3所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，所有PV车辆的单个独立虚拟机计算能力相同，不同计算能力的PV车辆有不同的虚拟机数目。

5.根据权利要求4所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，S31所述RV×PV的连通关系矩阵计算中，当任意2辆车满足

以及|v_i-v_j|<v，则认为是连通车辆；

其中，d_i,j是车辆i与车辆j之间的距离，x,y,z为车辆坐标位置，r为距离门限，v_i表示车辆i的速度，v表示速度门限。

6.根据权利要求5所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，S32所述T_all的计算式为：

T_all＝max(T_i)

max(T_i)表示预计完成总时间等于PV车辆平均预计完成时间的最大值，且

7.根据权利要求6所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，S32所述确定任务的优先级，具体包括以下步骤：

S321、初始化T＝T_all，任务集合J为全部任务，优先级计数count＝1；

S322、对于优先级未被赋值的任务，根据车辆i的任务n的效用函数

计算T时刻的效用损失

根据效用损失进行排序，按照效用损失从大到小进行赋予任务优先级为count；当优先级赋值到同一辆的第二个任务时，停止赋值；

其中，

为车辆i的任务n的计算时延；

S323、如果所有任务的优先级已被赋值，则结束；否则，执行count＝count+1，

然后跳转到S322。

8.根据权利要求7所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，S322中所述计算T时刻的效用损失时，若任务为有序任务组，则任务的效用损失等于自身损失加上其后任务的效用损失。

9.根据权利要求8所述的一种基于雾计算的多车辆间多计算任务调度方法，其特征在于，S33具体包括以下步骤：

S331、初始化时间T＝0，任务集合J为全部任务；

S332、由RV车辆中队列最前端的任务组成当前任务集合J′，与当前时隙有空闲虚拟机的PV车辆组成的服务集合S′，根据RV×PV的车辆连通关系矩阵生成一个(J′，S′)二部图，利用匹配算法找到最大匹配；并将最大匹配从任务集合J中删去；

S333、如果J为空，则结束算法；否则，T＝T+1，跳转S332。

Images