CN109379727B - 车联网中基于mec的任务分布式卸载与协作执行方案 - Google Patents

Abstract

本发明研究车辆发布应用需求后，由于受到自身资源的限制，进行相关任务卸载决策的问题。由于用户请求日益复杂，将其划分成多个细粒化的任务，而各个任务之间相互依赖，任务可以分布式的卸载到周边MEC服务器进行计算，结束后将结果回传，计算量较小的任务车辆可以计算后将其在本地执行。MEC由核心控制器进行调度，实现内容共享。而车辆具有移动性，伴随着自组织网拓扑结构的变化，因此本发明首先提出一个系统框架，然后基于该架构，提出一种多节点多因素的协作方案，最后借助游戏理论，提出一种资源协作调度机制，进行分散与整体结合的卸载决策，从而使任务卸载时延变小，任务执行率变高。

Description

车联网中基于MEC的任务分布式卸载与协作执行方案

技术领域

本发明涉及车联网系统中无线短距离通信技术领域，特别涉及车联网中基于MEC的任务分布式卸载与协作执行方案。

背景技术

移动设备正变得越来越流行。思科视觉网络指数—全球移动数据流量预测于2016年2月3日更新，表明到2020年月度全球移动数据流量将达到30.6艾字节，高于2015年底每月3.7艾字节。到2020年将成为500亿台连接设备，为物物互联的美好愿望做出贡献。然而，这种无与伦比的增长与移动设备电池的改进并不匹配，这些电池的寿命没有以同样的速度改善。鉴于移动设备的使用量大幅增加，解决能源障碍是移动行业面临的首要挑战之一。有许多研究从不同的角度进行研究能耗问题。虽然硬件视图中应用软件视图和组件优化中的能耗编程优化和漏洞检测提高了设备的能效，但这些方法只能减轻基于设备本身的过多能耗。终端和云融合为能耗优化提供了完全不同的技术方向。该云终端融合概念在云中提供可用资源以支持终端应用的操作。换句话说，这种联合技术通过将应用程序计算从终端卸载到云端，将云视为终端的扩展。移动边缘计算(MEC)作为一种新的技术，在移动用户附近的无线接入网络(RAN)内提供IT和云计算功能。这确实是克服电池障碍并且使移动设备尽可能方便地将其最耗能(计算密集)任务卸载到MEC环境的可能方式。这一概念将减少移动设备上的应用程序执行时间，从而降低功耗。

计算单元大部分时间都处于空闲状态。为了充分利用这些闲置的计算资源，我们可以激励这些车辆的所有者允许他们的车辆用于处理计算任务，使移动设备能够以更低的延迟享受资源丰富的计算能力，MEC中计算资源的动态分配是一个有趣的研究问题，将来需要解决。这可能是未来智能城市中的潜在场景，其中具有计算单元的车辆可以用作MEC系统的临时服务器，特别是当MEC系统本身拥有的计算资源不足以保证QoS时，合理的解决方案是允许将停放的车辆(例如自动驾驶车辆)的计算单元租赁给MEC系统以执行计算任务并通过车辆到基础设施(V2I)通信与MEC系统交换数据。这将是一个双赢的局面，不仅MEC系统可以实现更好的性能，而且这些车辆的所有者也可以从MEC系统的运营商那里获得经济利益，特别是当这些车辆不耗能时，例如，配备有大电池组的电动车辆。然而，计算任务和车辆位置的到达，即进入和退出MEC系统的覆盖范围的进入，是随机和不确定的，难以准确地预测和控制。因此，固定价格策略的性能通常非常差，因为它不考虑实时动态变化，例如，执行中的任务的数量和MEC系统的覆盖范围内的停放车辆的数量。动态定价策略可以通过不断调整价格来提供更具吸引力的方法，这在学术界和行业中都引起了极大的关注。通过实施动态停车定价策略，可以有效地减少城市网络中的巡航延误和通用拥堵。此外，时变定价策略被广泛用于电力使用，其对峰值能源使用收取更多费用以减少峰值需求。同样，当服务器不足以支持计算任务时，我们可以提高价格以吸引更多停放的车辆，反之亦然。因此，在平均成本(即MEC系统支付的平均奖励)和MEC系统的QoS之间存在折衷。

发明内容

因此，基于上述考虑，我们的方案考虑车辆的移动性与任务的细粒度，有效的调度资源，选择最佳卸载策略，提升系统性能。车联网中基于MEC的任务分布式卸载与协作执行方案包括以下步骤：

步骤101：建立基于内容分发移动车辆任务卸载框架；

步骤102：动静态结合分析多个通信节点以及与其相关的卸载因素，建模为多节点多因素的分布式协作方案；

步骤103：设计一种理论游戏方法，并提出一种调度算法，将分布式决策问题等效为分散式游戏，评估游戏属性，证明其存在纳什均衡。

优选地，所述步骤101建立基于内容分发移动车辆任务卸载框架包括：

大多数计算基础设施和软件模型是基于云计算的集中式管理，其中配置了资源共享，以便于管理，具有连贯性和经济化规模，这种模式存在很难满足延迟、大规模连接与传输要求的弊端。因此分布式的资源共享与管理层的下沿是提高系统性能的重要方面，移动边缘计算(MEC)是系统级的水平架构，但它不能完全分布，故集中化也是需求。因分布式可以提供更低的延迟，更高的容量和可扩展性，而集中化可以提供更高的效率和更好的灵活性。

本地分流作为MEC的主要特性之一，是通过将繁重的计算任务迁移到MEC服务器来提高移动服务能力的解决方案。计算卸载可在运行密集计算服务时为移动设备节省能源，这些服务通常在本地运行时耗尽设备的电量。移动设备与云服务器之间的带宽限制以及必须在它们之间交换的数据量对MEC技术的实施提出了挑战。而在车联网场景下运动的车辆使网络拓扑发生实时性变化，计算复杂性增加。

基于以上考虑，我们提出了基于内容分发移动车辆任务卸载框架，如图1所示。由于计算、通信、存储和控制的资源分布在核心云、MEC服务器、车载终端，资源也分布在这个架构下的所有节点上。由于节点具有异构性，而且存储、计算和网络功能也不同。因此这些节点应相互配合，充分利用资源，提高数据共享性能；还需要在异构车联网中进行协作，最佳地选择不同的卸载模式。为了实现有效的协作和内容共享，所提出的架构具有用于协调网络资源的核心协调器(控制节点)，控制节点可以是SDN启用的。这种控制架构能够实现各种通信模式之间的高效协作，可以具有充分平衡小区之间的流量不平衡与小区之间互联的属性，提高数据共享性能。

我们所提系统结构由以下几个因素构成：

核心调度器：统筹所有可用无限资源与计算资源，实现资源高效分配；

决策引擎器：结合静态分析和动态分析来支持卸载决策。静态分析器负责根据一组限制因素识别可以卸载到MEC服务器的方法：需要本地资源的任务分组必须在移动设备上执行，共享本地状态的任务分组必须在同一个移动设备上执行，并且避免出现嵌套卸载。动态分析器分析计算卸载的成本和收益，关于当前带宽等动态变化的网络状况；

任务分组分发器：将任务分组标记为“0”或“1”，换句话说，它分配计算任务小程序，以便在移动设备上执行或在MEC服务器中的VM中执行；

任务执行器—虚拟机：执行该过程并与MEC服务器交互。另一方面，服务器中的每个VM都有以下四个主要组件：

任务注册审核器：负责注册和验证请求服务的移动设备，分析MEC服务器的当前网络状况，并结合移动设备的决策引擎构建卸载开销功能；

决策器：提供关于最小能量计算或短执行时间的计算任务小组的决策方法，并决定“0”小任务保持在本地，并将“1”的部分卸载到MEC服务器；

虚拟资源控制器：MEC服务器的主要组件是虚拟资源。这些虚拟资源中的每一个都由MEC服务器中的某个虚拟资源控制器管理。当卸载的计算任务分组到达时，通过虚拟资源控制器分配所需的资源。一个任务分组可能需要多个虚拟资源，因此虚拟资源控制器需要聚合执行结果并反馈给移动设备；

任务执行器：类似于移动设备，执行程序执行程序并在执行期间完成交互。

除上述组件外，系统操作还有一些基本因素：操作系统(OS)，硬件(HW)和MEC服务器中的虚拟硬件。

优选地，所述步骤102动静态结合分析多个通信节点以及与其相关的卸载因素，建模为多节点多因素的分布式协作方案包括：

车辆的任务会变得越来越复杂，单个服务很难满足这样的要求，因此应该在工作流中组成多个服务来执行复杂的任务，为了满足商务旅行需求，可以生成由三个细粒化服务组成的全部的任务请求：天气(s1)，航班预订(s2)和酒店预订(s3)。s2和s3可以并行执行，因为它们都取决于s1提供的结果。这个简单的例子证明了为什么在设计卸载策略时应该考虑各个细粒化组件之间的依赖关系。每个组件服务可以在移动设备上本地执行，也可以远程(卸载)到云服务器。由于它们的依赖性，执行顺序在这里非常重要，必须在执行之前仔细考虑。

车辆可以在许多不同的路边单元之间快速的切换，每个路边单元覆盖范围内车辆停留的时间不同，卸载决策受多种卸载因素的影响，如道路属性(道路车辆容量、限速、交通灯)、交通堵塞情况等。车辆的运行受交通平衡的影响，不平衡的交通流量影响了资源利用率。因此不平衡的车流量和不同的车辆驻留信息应该采用灵活的、准确的获取。基于MEC的车联网具有异构性，不同的通信节点具有不同的计算能力、存储能力，而移动性会使移动网络带宽和数据交换速率预计会在移动服务调用期间发生变化。此外，每个节点具有自己的社会属性和通信偏好，因此，我们可以选择路边单元、WiFi节点、车辆作为服务节点。当我们选择服务节点时，需要针对其社会属性分析卸载因素，如加油站停留时间比较长。

车辆发布细粒化的任务后，服务节点提取卸载要素，在核心调度器的协调下，服务节点为车辆提供服务，车辆可以通过蜂窝链路、DSRC(专用短程通信)、WiFi节点满足任务请求，因此，为了更好的利用通信资源，这些通信模式之间应该相互配合。

车辆发布细粒化任务，表示为s＝(d_i,d₀,w_l)，d_i表示输入数据的大小，d₀表示输出数据的大小，w_l表示执行该任务分组所需要的CPU周期数。整个服务流由一组有顺序的服务分组组成，服务流定义为Q＝{S,R}，其中

表示第i个任务由N个任务分组构成。

表示组件之间的相互依赖，

表示

与

之间的具有依赖性，反之没有。车辆自己具有有限的计算能力M＝(c_M,p_M,p^up,p^down)，c_M表示车辆的CPU处理能力，p_M表示车辆在本地执行计算任务的能耗，p^up与p^down分别表示上传或者下载数据时的功耗。服务节点因类型不用属性不同，用G＝{c_C,e}表示，c_C服务节点最多可以提供的计算资源，e表示服务分组在服务节点等待的时间。

我们的目标是为每个服务分组分配合适的卸载策略，表示为π＝{π₁，π₂，…,π_N}π_i＝1表示任务s_i卸载到服务节点。制定目标效用函数F(m)为服务分组的响应时间与执行该服务消耗的能量的加权和，其公式如下：

F(m)＝w_m×L_M+(1-w_m)E_m

其中，L_m为车辆m请求的整个工作流的总执行时间，并且E_m是执行任务的总能耗，权重系数w_m表示车辆m对时延和能耗的重视程度。

优选地，所述步骤103设计一种理论游戏方法，并提出一种调度算法，将分布式决策问题等效为分散式游戏，评估游戏属性，证明其存在纳什均衡。包括：

考虑了一种非静态的场景，每个节点有自己的属性特征，也就是这里的卸载因素，对问题进行建模，并设计了一种潜在的理论游戏方法，提出一种新的调度算法，将分散式决策问题设计为分散式游戏，求解最优解。游戏由{玩家,策略,权重,效益}来定义，在建立的模型中，我们将每一辆车视为玩家，策略表示卸载决策，根据任务大小在每个时隙进行权值的更改。我们为每个策略都有一个权值，表示一次采用策略的百分比。此变量有助于选择最佳解决方案(最大化将在下一段中定义的效用函数)并快速实现纳什均衡。效益是每个玩家在游戏结束时收到的奖励。在这种情况下，效用函数与要最大化的参数成比例。在我们的系统中，优化目标是最大限度地减少CPU和能量的消耗。我们设计一个资源调度算法1为每个玩家选择最佳游戏策略。我们设置决策门限为θ，F(m)＞θ时当前玩家采用具有最大效用函数的策略，然后更新权值。当前效用与前一行为的差值小于ζ时，玩家达到纳什均衡。

调度算法1如下所示。

输入：ζ＝10^-3，请求任务分组模型，服务节点模型

输出：策略

附图说明

图1是本发明所使用的系统模型框图；

图2是本发明所使用的摘要附图。

具体实施方式

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施案例对本发明做进一步详细说明。

图1本发明所使用的系统模型框图，具体包括：

由于计算、通信、存储和控制的资源分布在核心云、MEC服务器、车载终端，资源也分布在这个架构下的所有节点上。由于节点具有异构性，而且存储、计算和网络功能也不同。因此这些节点应相互配合，充分利用资源，提高数据共享性能；还需要在异构车联网中进行协作，最佳地选择不同的卸载模式。为了实现有效的协作和内容共享，所提出的架构具有用于协调网络资源的核心协调器(控制节点)，控制节点可以是SDN启用的。这种控制架构能够实现各种通信模式之间的高效协作，可以具有充分平衡小区之间的流量不平衡与小区之间互联的属性，提高数据共享性能。

我们所提系统结构由以下几个因素构成：

核心调度器：统筹所有可用无限资源与计算资源，实现资源高效分配；

决策引擎器：结合静态分析和动态分析来支持卸载决策。静态分析器负责根据一组限制因素识别可以卸载到MEC服务器的方法：需要本地资源的任务分组必须在移动设备上执行，共享本地状态的任务分组必须在同一个移动设备上执行，并且避免出现嵌套卸载。动态分析器分析计算卸载的成本和收益，关于当前带宽等动态变化的网络状况；

任务分组分发器：将任务分组标记为“0”或“1”，换句话说，它分配计算任务小程序，以便在移动设备上执行或在MEC服务器中的VM中执行；

任务执行器—虚拟机：执行该过程并与MEC服务器交互。另一方面，服务器中的每个VM都有以下四个主要组件：

任务注册审核器：负责注册和验证请求服务的移动设备，分析MEC服务器的当前网络状况，并结合移动设备的决策引擎构建卸载开销功能；

决策器：提供关于最小能量计算或短执行时间的计算任务小组的决策方法，并决定“0”小任务保持在本地，并将“1”的部分卸载到MEC服务器；

虚拟资源控制器：MEC服务器的主要组件是虚拟资源。这些虚拟资源中的每一个都由MEC服务器中的某个虚拟资源控制器管理。当卸载的计算任务分组到达时，通过虚拟资源控制器分配所需的资源。一个任务分组可能需要多个虚拟资源，因此虚拟资源控制器需要聚合执行结果并反馈给移动设备；

任务执行器：类似于移动设备，执行程序执行程序并在执行期间完成交互。

除上述组件外，系统操作还有一些基本因素：操作系统(OS)，硬件(HW)和MEC服务器中的虚拟硬件。

图2是本发明所使用的摘要附图，具体包括：

大多数计算基础设施和软件模型是基于云计算的集中式管理，其中配置了资源共享，以便于管理，具有连贯性和经济化规模，这种模式存在很难满足延迟、大规模连接与传输要求的弊端，因此分布式的资源共享与管理层的下沿是提高系统性能的重要方面，移动边缘计算(MEC)是系统级的水平架构，但它不能完全分布，故集中化也是需求，因分布式可以提供更低的延迟，更高的容量和可扩展性，而集中化可以提供更高的效率和更好的灵活性；

本地分流作为MEC的主要特性之一，是通过将繁重的计算任务迁移到MEC服务器来提高移动服务能力的解决方案，计算卸载可在运行密集计算服务时为移动设备节省能源，这些服务通常在本地运行时耗尽设备的电量，移动设备与云服务器之间的带宽限制以及必须在它们之间交换的数据量对MEC技术的实施提出了挑战，而在车联网场景下运动的车辆使网络拓扑发生实时性变化，计算复杂性增加。

车辆的任务会变得越来越复杂，单个服务很难满足这样的要求，因此应该在工作流中组成多个服务来执行复杂的任务，为了满足商务旅行需求，可以生成由三个细粒化服务组成的全部的任务请求：天气(s1)，航班预订(s2)和酒店预订(s3)。s2和s3可以并行执行，因为它们都取决于s1提供的结果。这个简单的例子证明了为什么在设计卸载策略时应该考虑各个细粒化组件之间的依赖关系。每个组件服务可以在移动设备上本地执行，也可以远程(卸载)到云服务器。由于它们的依赖性，执行顺序在这里非常重要，必须在执行之前仔细考虑。

车辆可以在许多不同的路边单元之间快速的切换，每个路边单元覆盖范围内车辆停留的时间不同，卸载决策受多种卸载因素的影响，如道路属性(道路车辆容量、限速、交通灯)、交通堵塞情况等。车辆的运行受交通平衡的影响，不平衡的交通流量影响了资源利用率。因此不平衡的车流量和不同的车辆驻留信息应该采用灵活的、准确的获取。基于MEC的车联网具有异构性，不同的通信节点具有不同的计算能力、存储能力，而移动性会使移动网络带宽和数据交换速率预计会在移动服务调用期间发生变化。此外，每个节点具有自己的社会属性和通信偏好，因此，我们可以选择路边单元、WiFi节点、车辆作为服务节点。当我们选择服务节点时，需要针对其社会属性分析卸载因素，如加油站停留时间比较长。

车辆发布细粒化的任务后，服务节点提取卸载要素，在核心调度器的协调下，服务节点为车辆提供服务，车辆可以通过蜂窝链路、DSRC(专用短程通信)、WiFi节点满足任务请求，因此，为了更好的利用通信资源，这些通信模式之间应该相互配合。

车辆发布细粒化任务，表示为s＝(d_i,d₀,w_l)，d_i表示输入数据的大小，d₀表示输出数据的大小，w_l表示执行该任务分组所需要的CPU周期数。整个服务流由一组有顺序的服务分组组成，服务流定义为Q＝{S,R}，其中

表示第i个任务由N个任务分组构成。

表示组件之间的相互依赖，

表示

与

之间的具有依赖性，反之没有。车辆自己具有有限的计算能力M＝(c_M,p_M,p^up,p^down)，c_M表示车辆的CPU处理能力，p_M表示车辆在本地执行计算任务的能耗，p^up与p^down分别表示上传或者下载数据时的功耗。服务节点因类型不用属性不同，用G＝{c_C,e}表示，c_C服务节点最多可以提供的计算资源，e表示服务分组在服务节点等待的时间。

我们的目标是为每个服务分组分配合适的卸载策略，表示为π＝{π₁，π₂，…,π_N}π_i＝1表示任务s_i卸载到服务节点。制定目标效用函数F(m)为服务分组的响应时间与执行该服务消耗的能量的加权和，其公式如下：

F(m)＝w_m×L_M+(1-w_m)E_m

其中，L_m为车辆m请求的整个工作流的总执行时间，并且E_m是执行任务的总能耗，权重系数w_m表示车辆m对时延和能耗的重视程度。

考虑了一种非静态的场景，每个节点有自己的属性特征，也就是这里的卸载因素，对问题进行建模，并设计了一种潜在的理论游戏方法，提出一种新的调度算法，将分散式决策问题设计为分散式游戏，求解最优解。游戏由{玩家,策略,权重,效益}来定义，在建立的模型中，我们将每一辆车视为玩家，策略表示卸载决策，根据任务大小在每个时隙进行权值的更改。我们为每个策略都有一个权值，表示一次采用策略的百分比。此变量有助于选择最佳解决方案(最大化将在下一段中定义的效用函数)并快速实现纳什均衡。效益是每个玩家在游戏结束时收到的奖励。在这种情况下，效用函数与要最大化的参数成比例。在我们的系统中，优化目标是最大限度地减少CPU和能量的消耗。我们设计一个资源调度算法1为每个玩家选择最佳游戏策略。我们设置决策门限为θ，F(m)＞θ时当前玩家采用具有最大效用函数的策略，然后更新权值。当前效用与前一行为的差值小于ζ时，玩家达到纳什均衡。

调度算法1如下所示。

输入：ζ＝10^-3，请求任务分组模型，服务节点模型

输出：策略

Claims (3)

1.车联网中基于MEC的任务分布式卸载与协作执行方法，其特征包括以下步骤：

步骤101：建立基于内容分发移动车辆任务卸载框架；

步骤102：动静态结合分析多个通信节点以及与其相关的卸载因素，建模为多节点多因素的分布式协作方案；

步骤103：设计一种理论游戏方法，并提出一种调度算法，将分布式决策问题等效为分散式游戏，评估游戏属性，证明其存在纳什均衡，包括：

针对一种非静态的场景，每个节点有自己的属性特征，也就是卸载因素，对问题进行建模，设计一种潜在的理论游戏方法，提出一种资源调度算法，将分散式决策问题设计为分散式游戏，求解最优解，包括：游戏由玩家、策略、权重、效益来定义，在建立的模型中，将每一辆车m视为玩家，策略表示卸载决策，根据任务大小在每个时隙进行权值的更改，每个策略都有一个权值，表示一次采用策略的百分比，此变量有助于选择最佳解决方案，并快速实现纳什均衡，效益是每个玩家在游戏结束时收到的奖励，效用函数F(m)与要最大化的参数成比例，优化目标是最大限度地减少CPU和能量的消耗，资源调度算法为每个玩家选择最佳游戏策略，设置决策门限为θ，F(m)＞θ时当前玩家采用具有最大效用函数的策略，然后更新权值，当前效用与前一行为的差值小于ζ时，玩家达到纳什均衡。

2.根据权利要求1所述的车联网中基于MEC的任务分布式卸载与协作执行方法，其特征在于，所述步骤101建立基于内容分发移动车辆任务卸载框架包括：

核心调度器：统筹所有可用无限资源与计算资源，实现资源高效分配；

决策引擎器：结合静态分析和动态分析来支持卸载决策，静态分析器负责根据一组限制因素识别可以卸载到MEC服务器的方法：需要本地资源的任务分组必须在移动设备上执行，共享本地状态的任务分组必须在同一个移动设备上执行，并且避免出现嵌套卸载，动态分析器分析计算卸载的成本和收益，当前带宽动态变化的网络状况；

任务分组分发器：将任务分组标记为“0”或“1”，它分配计算任务小程序，以便在移动设备上执行或在MEC服务器中的VM中执行；

虚拟机：执行任务并与MEC服务器交互，服务器中的每个VM都有以下四个主要组件：

任务注册审核器：负责注册和验证请求服务的移动设备，分析MEC服务器的当前网络状况，并结合移动设备的决策引擎构建卸载开销功能；

决策器：提供关于最小能量计算或短执行时间的计算任务小组的决策方法，将“0”小任务保持在本地，将“1”小任务卸载到MEC服务器；

虚拟资源控制器：MEC服务器的主要组件是虚拟资源，这些虚拟资源中的每一个都由MEC服务器中的某个虚拟资源控制器管理，当卸载的计算任务分组到达时，通过虚拟资源控制器分配所需的资源，一个任务分组需要多个虚拟资源，因此虚拟资源控制器需要聚合执行结果并反馈给移动设备；

任务执行器：基于虚拟资源控制器分配的可利用资源，执行被决策到虚拟机的任务，在执行期间完成与MEC服务器的交互。

3.根据权利要求1所述的车联网中基于MEC的任务分布式卸载与协作执行方法，其特征在于，所述步骤102动静态结合分析多个通信节点以及与其相关的卸载因素，建模为多节点多因素的分布式协作方案包括：

在工作流中组成多个服务来执行复杂的任务，生成由三个细粒化服务组成的全部的任务请求：天气s1，航班预订s2和酒店预订s3，s2和s3并行执行，每个组件服务在移动设备上本地执行，或者卸载到云服务器上执行；

车辆在许多不同的路边单元之间快速的切换，每个路边单元覆盖范围内车辆停留的时间不同，卸载决策受多种卸载因素的影响，包括道路属性、交通堵塞情况，车辆的运行受交通平衡的影响，不平衡的交通流量影响了资源利用率，因此不平衡的车流量和不同的车辆驻留信息应该采用灵活的、准确的获取，基于MEC的车联网具有异构性，不同的通信节点具有不同的计算能力、存储能力，而移动性会使移动网络带宽和数据交换速率预计会在移动服务调用期间发生变化，此外，每个节点具有自己的社会属性和通信偏好，因此，选择路边单元、WiFi节点、车辆作为服务节点，当选择服务节点时，需要针对其社会属性分析卸载因素，包括加油站停留时间比较长；

车辆发布细粒化的任务后，服务节点提取卸载要素，在核心调度器的协调下，服务节点为车辆提供服务，车辆通过蜂窝链路、专用短程通信DSRC、WiFi节点满足任务请求，因此，为了更好的利用通信资源，蜂窝链路、DSRC和WiFi通信模式之间相互配合；

车辆发布细粒化任务，表示为s＝(d_i,d₀,w_l)，d_i表示输入数据的大小，d₀表示输出数据的大小，w_l表示执行该任务分组所需要的CPU周期数，整个服务流由一组有顺序的服务分组组成，服务流定义为Q＝{S,R}，其中

表示第i个任务由N个任务分组构成，

表示组件之间的相互依赖，

表示

与

之间的具有依赖性，车辆自己具有有限的计算能力M＝(c_M,p_M,p^up,p^down)，c_M表示车辆的CPU处理能力，p_M表示车辆在本地执行计算任务的能耗，p^up与p^down分别表示上传或者下载数据时的功耗，服务节点因类型不同而属性不同，用G＝{c_C,e}表示，c_C服务节点最多可以提供的计算资源，e表示服务分组在服务节点等待的时间，G表示服务节点属性；

目标是为每个服务分组分配合适的卸载策略，表示为π＝{π₁，π₂，…,π_N}π_i＝1表示任务s_i卸载到服务节点，制定目标效用函数F(m)为服务分组的响应时间与执行该服务消耗的能量的加权和，其公式如下：

F(m)＝w_m×L_M+(1-w_m)E_m

其中，L_m为车辆m请求的整个工作流的总执行时间，并且E_m是执行任务的总能耗，权重系数w_m表示车辆m对时延和能耗的重视程度。

Images