CN109391681A - 基于mec的v2x移动性预测与内容缓存卸载方案 - Google Patents

Abstract

移动边缘计算(MEC)通过在移动网络边缘提供服务环境和计算能力，从而拥有高带宽、低延时的优势，已在下一代移动网络的研究中引起了广泛关注。本发明公开了一种车联网环境下车辆任务卸载与用户移动性预测以及边缘缓存的融合策略。构建一个基于MEC的卸载框架，任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信，也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到用户移动性带来的链路断开而导致的任务回传失败，利用卡尔曼滤波算法对链路连接的估计进行预测，用户可以在任务请求和任务收集期间选择稳定的服务节点。在服务节点第一次回传任务给请求车辆之前进行缓存决策，通过缓存内容可以显著减少访问延迟、流量负载和网络成本。

Description

基于MEC的V2X移动性预测与内容缓存卸载方案

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，特别涉及基于移动边缘计算的V2X任务卸载与边缘缓存方案。

背景技术

随着无线通信技术的快速发展，联网的车辆可以通过V2I和V2V通信方式来构成车辆自组织网络(VANET)。由于各种应用请求服务的爆炸式增长，VANET在学术界和工业界受到相当大的关注。在车载自组网里，车辆配置有车载单元OBU，从而具有一定的计算与存储能力。现如今，车辆有限的计算与存储资源难以支撑这一类计算密集型的车载服务。因此，OBU的有限计算能力给VANET带来了新的挑战。为了解决这个挑战，通过无线访问将计算任务卸载到云从而形成车载云计算被认为是一种有效的方法。目前，基于云的车联网络国内外已经做了大量的研究。例如，有研究学者提出了一个多目标/多目标交互游戏系统来管理车辆云网络中的按需服务。另外在车辆云的帮助下，有研究人员提出了一种自适应的交互式导航工具，将车辆的导航路径引入到全球道路交通优化中。研究人员研究了车辆云中的资源管理，并论证了基于强化学习的资源配置技术的好处。研究人员提出使用聚类技术的新型车辆云架构，其中聚类技术被用来对车辆进行分组，以促进资源合作，采用了新的基于Q学习的助手选择来改进资源管理。有些研究专家设计了一种车辆雾状结构，利用车辆和近用户边缘设备的协作来进行混合和计算。有些研究人员提出了一种联盟博弈模型来管理和共享不同云服务提供商之间的资源。有些学者利用车载网络的认知无线电和软数据融合，设计了一种分布式的用于认知云车辆网络的交通卸载方案，通过将车辆云与固定的中央云相结合，提出了一种灵活的卸载策略，以发现未利用的资源，并进行任务迁移。

移动云计算(MCC)虽然可以将计算任务卸载到远端云计算数据中心服务器进行计算，从而减轻车载负荷。而核心云通常位于偏远的位置，考虑到回程网络和骨干网络的传输容量限制和延迟波动，会导致远离核心云服务器的移动车辆用户服务质量(QoS)降低。

作为提高云计算效率的最有前途的技术方法之一，移动边缘计算MEC最近引起了相当大的关注，MEC通过靠近移动用户从而减少网络操作和服务交付的时延，是一种具有高带宽低延时特点的新技术，可在各类移动网络边缘提供服务环境和计算能力，允许设备将计算任务卸载到网络边缘节点，有助于实现第五代移动通信(5G)新业务超低时延、高能效、超高可靠和超高连接密度的需求。有研究人员在多通道无线环境中研究多通道无线环境下的卸载问题，设计了基于分布式博弈理论的卸载方案。研究人员通过动态电压频率缩放和数据传输调度，最大限度地减少了单用户MEC系统的移动执行和计算卸载的能量消耗。对于多用户MEC系统，有学者提出了一种分散的计算卸载策略，并进行了联合子载波和CPU时间分配。为了进一步减少计算卸载的延迟和传输成本，有研究学者提出了一个在车辆网络中基于MEC的卸载框架，在此框架下，他们研究了车辆到基础设施(V2I)和车辆到车辆(V2V)通信模式的计算传输策略的有效性，考虑到计算任务执行的时间消耗和车辆的移动性，提出了一种有效的预测组合模式降级方案，通过直接上传或预测中继传输，这些任务可以被自动地卸载到MEC服务器上。还有学者通过合同理论方法，设计了有效的计算卸载策略，获得了最优的可行合同，最大限度地提高了MEC服务提供商的利益，同时提高了车辆的效用，此外，考虑到MEC服务器的资源限制和计算任务的延迟公差，他们还提出了一种基于合同的计算资源分配方案。考虑到移动用户的社会关系结构，有学者建立了一个具有社会意识的计算卸载博弈。研究人员利用拍卖理论对MEC服务器和MTs之间的匹配关系进行建模，从而将任务转移到最优的MEC服务器上。还有学者将基于可编程控制原理的软件定义网络技术应用于车联网环境中，将时延可容忍数据在软件定义的车联网中的传输与计算节点选择过程建模为部分可观测马尔科夫决策过程，从而优化并获得最小化系统开销，包括最小网络开销和最短数据计算处理时间。

网络缓存作为以信息为中心的网络(ICN)的关键特性之一，可以有效地减少网络中的重复内容传输。特别地，在网络边缘节点(例如，基站(BSs)和道路侧单元(RSUs))中缓存内容(例如，视频)被认为是下一代车辆网络的关键推动者之一。随着车辆技术日益更新，车载系统亦拥有缓存能力。对在车辆网络中利用缓存的调查表明，通过缓存内容可以显著减少访问延迟、流量负载和网络成本。分别有研究学者提出LFU和LRU内容缓存策略。在内容交付网络中有学者使用的另一种积极的缓存策略，即MPV策略，它根据全球视频流行程度来缓存最流行的视频。有学者提出了一个基于用户偏好缓存策略，以及基于非合作博弈的缓存策略。

然而，上述大部分研究仅仅考虑到资源的有限性，局限于任务卸载与内容缓存，且未考虑终端移动性预测。

发明内容

针对以上现有技术的不足，为了给车辆提供更好的用户体验质量(QoE)，本发明考虑如何得到提供服务节点与请求车辆之间的最优匹配，使请求车辆和服务节点在满足预算均衡的基础上，保证请求车辆经济效益增加的同时服务节点经济效益达到最大。基于移动边缘计算的V2X任务卸载方案包括以下步骤：

步骤101：构建基于MEC的任务卸载匹配框架；

步骤102：等效请求车辆与服务节点的连通性为中断概率；

步骤103：请求车辆的移动性预测；

步骤104：服务节点内容缓存策略。

优选地，所述步骤101构建基于MEC的任务卸载匹配框架包括：

考虑在车联网环境下，车辆可以通过蜂窝网络与邻接车辆与移动边缘服务器(MEC)进行通信。L个请求车辆按泊松分布在道路上，表示为V＝{v₁,v₂…,v_L}，由于提供服务的车辆和MEC具有相同的通信性质，统一定义为服务节点，表示为S＝{s₁,s₂…,s_M}，每个服务节点s_i都具有有限的计算资源、无线资源以及缓存空间，可以为请求车辆进行任务计算和任务缓存。

在此卸载框架下，每个服务节点都配备了一个蜂窝网络接口和一个IEEE802.11p网络接口。车辆可以发送它们的信息，包括使用GPS定位的位置、速度、方向和可感知的邻近车辆的ID以及距离等到达服务节点的上下文数据库。在短时间内将车辆运动是作为线性运动模型。

请求任务类型各异，任务可以由车辆利用自身资源进行本地计算，也可以以V2I形式通过路边单元(RSU)卸载到MEC服务器计算，或者以V2V形式卸载到周边车辆进行计算。

请求车辆v_i与服务节点s_j之间的信噪比定义为：

其中，P_i表示请求车辆v_i的发射功率；H_ij表示v_i与s_j之间的信道增益，H_ij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ²；L(d)为路径损耗函数，d为请求车辆v_i与服务节点s_j之间的距离；N₀为噪声功率。

假设分配给每对V2X车辆b_ij个子载波用于传输，那么传输速率可以表示为：

r_ij＝b_ijlog(1+γ_ij)

优选地，所述步骤102等效请求车辆与服务节点连通性为中断概率，其内容包括：请求车辆周期性检查周围服务节点距离、ID等信息。

定义中断概率为请求车辆v_i与服务节点s_j之间的接收信噪比λ_ij低于设定信噪比阈值λ_ij(Q)。请求车辆v_i与服务节点s_j之间的信噪比定义为：

λ_ij＝P_i+H_ij-N₀

其中，P_i表示请求车辆v_i的发射功率；H_ij表示v_i与s_j之间的信道增益，H_ij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ²；L(d)为路径损耗函数，d为请求车辆v_i与服务节点s_j之间的距离；N₀为噪声功率。

因此，请求车辆v_i与服务节点s_j之间的接收信噪比λ_ij的概率密度函数表示为：

因此，请求车辆v_i与服务节点s_j之间的中断概率为：

由此可以看出，当请求车辆与服务节点间距离越近，其接收信噪比越高，连通性越好，车辆与服务节点之间的稳定性越好。

优选地，所述步骤103请求车辆的移动性预测问题包括：

基于用户移动性，采用卡尔曼滤波算法对用户移动性进行预测，其内容包括系统状态向量与观测值向量、现在状态预测、现在状态的最优估值三个步骤。

基于状态空间模型，在时间k上执行预测步骤，以预测时间k+1的状态。然后，在k+1时刻，使用观察值执行过滤步骤。卡尔曼滤波是一种最优化自回归数据处理算法，适用于线性离散和有限维的系统，它以最小均方误差为估计的准则，根据带有噪声的观测数据与前一时刻的系统状态，对系统当前的状态进行最优估计，过程为“状态预测---根据观测值修正预测量---更新状态值”的循环递推过程，以此得到最优值。

根据卡尔曼滤波算法，主要分为以下四个步骤：

1)系统状态向量与观测值向量

设X_k表示k时刻系统的状态向量，Z_k表示k时刻对系统的观测向量,如果系统的状态量的变化可以表示成线性方程的形式，则该方程成为系统的状态转移方程以及观测方程为：

X_k+1＝AX_k+BU_k+1+W_k+1

Z_k+1＝HX_k+1+V_k+1

式中：A是状态转移矩阵，B是控制矩阵，U_k+1是控制向量，W_k是转移过程的噪声H是观测矩阵，V_k+1是观测噪声。

其中，x_k、y_k为车辆k时刻的坐标，分别为车辆在k时刻x轴与y轴的速度分量。状态转移矩阵

噪声假设服从高斯分布，即：

W_k～N(0,Q) V_k～N(0,R)

式中：Q和R分别是W_k与V_k的协方差矩阵。

2)现在状态预测

利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k+1，根据系统的模型，可以基于系统的上一状态而预测出现在状态：

X_k+1|k＝AX_k|k+BU_k+1

P_k+1|k＝AP_k+1|kA^T+Q

其中，X_k+1|k表示根据上一状态预测的结果，X_k|k表示上一状态的最优结果，P_k+1|k表示对应于X_k+1|k的协方差。

3)现在状态的最优估值

已得现在状态的预测结果，然后再收集现在状态的测量值。结合预测值和测量值，可以得到现在状态k+1时刻的最优化估算值X_k+1|k+1：

X_k+1|k+1＝X_k+1|k+G_k+1(Z_k+1-HX_k+1|k)

其中，G_k+1为卡尔曼增益，

为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，还需要更新K+1状态下X_k+1|k+1的协方差P_k+1|k+1：

P_k+1|k+1＝[I-G_k+1H]P_k+1|k

其中，I为单位矩阵。

优选地，所述步骤104服务节点内容缓存策略包括：

任务缓存是指在边缘云中完成任务应用程序及其相关数据的缓存。任务缓存的过程如下：移动设备首先请求需要卸载的计算任务。如果任务是在边缘节点上进行缓存，那么边缘节点就会通知移动设备，任务存在于边缘节点上。因此，移动设备不需要将计算任务转移到边缘节点上。若存在多个边缘节点同时缓存有此任务，则请求车辆通过卡尔曼滤波算法进行最优服务节点选择。最后，当边缘节点完成任务处理时，它将结果传输到移动设备上。通过这种方式，当缓存被缓存时，用户不需要将相同的任务卸载到边缘节点中。因此，移动设备的能量消耗和任务卸载的延迟可以通过任务缓存来降低。若边缘节点上没有此请求内容的缓存，则请求车辆进行任务卸载决策。在服务节点第一次回传任务给请求车辆之前进行缓存决策。

假设有N个车辆{v₁,v₂,…,v_N}选择将任务通过服务节点s_j进行计算，其中请求车辆v_i的任务表示为W_i＝{d_i,d_in,c_i}，d_i表示任务W_i的大小，d_in表示任务W_i的输入数据大小，c_i表示存储任务W_i所需要的存储空间。一个请求车辆只能讲其任务卸载到一个服务节点进行计算，一个服务节点可以并行计算多个请求车辆的任务，服务节点s_j的总存储空间为C_j，其计算能力为q_i。用u_i表示服务节点s_j缓存车辆v_i的任务W_i＝{d_i,d_in,c_i}时，所能获得的利益：

服务节点s_j在计算完请求车辆v_i的计算任务W_i＝{d_i,d_in,c_i}之后，在将其计算结果返回给请求车辆之前，进行缓存决策，考虑服务节点自身利益最大化，资源节约有效化以及计算时延最小化，选择合适车辆的任务进行缓存，得到最优缓存决策。

用x_ij∈{0,1}表示缓存决策，决定服务节点s_j是否将第i个车辆v_i的请求任务w_i放入缓存空间。首先判断第一个请求车辆内容是否缓存，若决定缓存，即x_1j＝1，如果决定不缓存，则x_1j＝0。将缓存问题定义为背包问题，这里使用动态规划法来判断对于第i个车辆的任务是否进行缓存，思路如下：

阶段：在前i辆请求车辆中，选取若干辆车的请求任务进行缓存；

状态：在前i辆请求车辆中，选取若干辆车将任务缓存到所剩容量为C_j的服务节点，使服务节点效益最大；

决策：第i辆请求车辆的任务是否进行缓存，可以写出动态转移方程：

F_j(i,j,c)＝max{F_j(i,j-1,c),F_j(i,j-1,c-c_i)+u_i}

104-1-A:输入：车辆i的请求信息为{d_i,d_in,c_i}，服务节点j状态函数C_j

104-1-B:输出：选择矩阵X，效益F_j(j)，

本发明的有益效果在于：本发明针对车辆网系统中基于MEC任务卸载问题，考虑到资源有限、传输可靠性以及通信要求，构建一个基于MEC的卸载缓存框架，提出一种基于卡尔曼滤波卸载决策与基于背包算法的缓存决策机制，由移动性预测、卸载选择、边缘缓存决策三个阶段组成。

附图说明

图1本发明所使用车联网系统任务卸载模型图；

图2本发明所提车联网中基于MEC的V2X任务卸载缓存优选实施流程图；

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本发明所使用车联网系统任务卸载模型图，具体包括：

考虑在车联网环境下，车辆可以通过蜂窝网络与邻接车辆与移动边缘服务器(MEC)进行通信。L个请求车辆按泊松分布在道路上，表示为V＝{v₁,v₂…,v_L}，由于提供服务的车辆和MEC具有相同的通信性质，统一定义为服务节点，表示为S＝{s₁,s₂…,s_M}，每个服务节点s_i都具有有限的计算资源、无线资源以及缓存空间，可以为请求车辆进行任务计算和任务缓存。

在此卸载框架下，每个服务节点都配备了一个蜂窝网络接口和一个IEEE 802.11p网络接口。车辆可以发送它们的上下文，包括使用GPS定位的位置、速度、方向和可感知的邻近车辆的ID以及距离等到达服务节点的上下文数据库。在短时间内将车辆运动是作为线性运动模型。

请求任务类型各异，任务可以由车辆利用自身资源进行本地计算，也可以以V2I形式通过路边单元(RSU)卸载到MEC服务器计算，或者以V2V形式卸载到周边车辆进行计算。

图2本发明所提车联网中基于MEC的V2X任务卸载缓存优选实施流程图，包括以下步骤：

步骤101：构建基于MEC的任务卸载匹配框架；

步骤102：等效请求车辆与服务节点的连通性为中断概率；

步骤103：请求车辆的移动性预测；

步骤104：服务节点内容缓存策略。

所述步骤101构建基于MEC的任务卸载匹配框架包括：

考虑在车联网环境下，车辆可以通过蜂窝网络与邻接车辆与移动边缘服务器(MEC)进行通信。L个请求车辆按泊松分布在道路上，表示为V＝{v₁,v₂…,v_L}，由于提供服务的车辆和MEC具有相同的通信性质，统一定义为服务节点，表示为S＝{s₁,s₂…,s_M}，每个服务节点s_j都具有有限的计算资源、无线资源以及缓存空间，可以为请求车辆进行任务计算和任务缓存。

在此卸载框架下，每个服务节点都配备了一个蜂窝网络接口和一个IEEE 802.11p网络接口。车辆可以发送它们的信息到达服务节点的上下文数据库，包括使用GPS定位的位置、速度、方向和可感知的邻近车辆的ID以及距离等。在短时间内将车辆运动是作为线性运动模型。

请求任务类型各异，任务可以由车辆利用自身资源进行本地计算，也可以以V2I形式通过路边单元(RSU)卸载到MEC服务器计算，或者以V2V形式卸载到周边车辆进行计算。

移动设备首先请求需要卸载的计算任务。如果任务是在边缘节点上进行缓存，那么边缘节点就会通知移动设备，任务存在于边缘节点上。因此，移动设备不需要将计算任务转移到边缘节点上。若存在多个边缘节点同时缓存有此任务，则请求车辆通过卡尔曼滤波算法进行最优服务节点选择。最后，当边缘节点完成任务处理时，它将结果传输到移动设备上。通过这种方式，当缓存被缓存时，用户不需要将相同的任务卸载到边缘节点中。因此，移动设备的能量消耗和任务卸载的延迟可以通过任务缓存来降低。若边缘节点上没有此请求内容的缓存，则请求车辆进行任务卸载决策。在服务节点第一次回传任务给请求车辆之前进行缓存决策。

请求车辆v_i与服务节点s_j之间的信噪比定义为：

其中，P_i表示请求车辆v_i的发射功率；H_ij表示v_i与s_j之间的信道增益，H_ij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ²；L(d)为路径损耗函数，d表示请求车辆v_i与服务节点s_j之间的距离；N₀为噪声功率。

假设分配给每对V2X车辆b_ij个子载波用于传输，那么传输速率可以表示为：

r_ij＝b_ijlog(1+γ_ij)

所述步骤102等效请求车辆与服务节点连通性为中断概率，其内容包括：请求车辆周期性检查周围服务节点距离、ID等信息。

定义中断概率为请求车辆v_i与服务节点s_j之间的接收信噪比λ_ij低于设定信噪比阈值λ_ij(Q)。请求车辆v_i与服务节点s_j之间的信噪比定义为：

λ_ij＝P_i+H_ij-N₀

其中，P_i表示请求车辆v_i的发射功率；H_ij表示v_i与s_j之间的信道增益，H_ij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ²；L(d)为路径损耗函数，d为请求车辆v_i与服务节点s_j之间的距离；N₀为噪声功率。

因此，请求车辆v_i与服务节点s_j之间的接收信噪比λ_ij的概率密度函数表示为：

因此，请求车辆v_i与服务节点s_j之间的中断概率为：

由此可以看出，当请求车辆与服务节点间距离越近，其接收信噪比越高，连通性越好。

所述步骤103请求车辆的移动性预测问题包括：

基于用户移动性，采用卡尔曼滤波算法对用户移动性进行预测，其内容包括系统状态向量与观测值向量、现在状态预测、现在状态的最优估值三个步骤。

基于状态空间模型，在时间k上执行预测步骤，以预测时间k+1的状态。然后，在k+1时刻，使用观察值执行过滤步骤。卡尔曼滤波是一种最优化自回归数据处理算法，适用于线性离散和有限维的系统，它以最小均方误差为估计的准则，根据带有噪声的观测数据与前一时刻的系统状态，对系统当前的状态进行最优估计，过程为“状态预测---根据观测值修正预测量---更新状态值”的循环递推过程，以此得到最优值。

根据卡尔曼滤波算法，主要分为以下四个步骤：

1)系统状态向量与观测值向量

设X_k表示k时刻系统的状态向量，Z_k表示k时刻对系统的观测向量,如果系统的状态量的变化可以表示成线性方程的形式，则该方程成为系统的状态转移方程以及观测方程为：

X_k+1＝AX_k+BU_k+1+W_k+1

Z_k+1＝HX_k+1+V_k+1

式中：A是状态转移矩阵，B是控制矩阵，U_k+1是控制向量，W_k是转移过程的噪声H是观测矩阵，V_k+1是观测噪声。

其中，x_k、y_k为车辆k时刻的坐标，分别为车辆在k时刻x轴与y轴的速度分量。状态转移矩阵

噪声假设服从高斯分布，即：

W_k～N(0,Q) V_k～N(0,R)

式中：Q和R分别是W_k与V_k的协方差矩阵。

2)现在状态预测

利用系统的过程模型，来预测下一状态的系统。假设现在的系统状态是k+1，根据系统的模型，可以基于系统的上一状态而预测出现在状态：

X_k+1|k＝AX_k|k+BU_k+1

P_k+1|k＝AP_k+1|kA^T+Q

其中，X_k+1|k表示根据上一状态预测的结果，X_k|k表示上一状态的最优结果，P_k+1|k表示对应于X_k+1|k的协方差。

3)现在状态的最优估值

已得现在状态的预测结果，然后再收集现在状态的测量值。结合预测值和测量值，可以得到现在状态k+1时刻的最优化估算值X_k+1|k+1：

X_k+1|k+1＝X_k+1|k+G_k+1(Z_k+1-HX_k+1|k)

其中，G_k+1为卡尔曼增益，

为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新K+1状态下X_k+1|k+1的协方差P_k+1|k+1：

P_k+1|k+1＝[I-G_k+1H]P_k+1|k

其中，I为单位矩阵。

所述步骤104服务节点内容缓存策略包括：

任务缓存是指在边缘云中完成任务应用程序及其相关数据的缓存。任务缓存的过程如下：移动设备首先请求需要卸载的计算任务。如果任务是在边缘节点上进行缓存，那么边缘节点就会通知移动设备，任务存在于边缘节点上。因此，移动设备不需要将计算任务转移到边缘节点上。若存在多个边缘节点同时缓存有此任务，则请求车辆通过卡尔曼滤波算法进行最优服务节点选择。最后，当边缘节点完成任务处理时，它将结果传输到移动设备上。通过这种方式，当缓存被缓存时，用户不需要将相同的任务卸载到边缘节点中。因此，移动设备的能量消耗和任务卸载的延迟可以通过任务缓存来降低。若边缘节点上没有此请求内容的缓存，则请求车辆进行任务卸载决策。在服务节点第一次回传任务给请求车辆之前进行缓存决策。

假设有N个车辆{v₁,v₂,…,v_N}选择将任务通过服务节点s_j进行计算或返程，其中请求车辆v_i的任务表示为W_i＝{d_i,d_in,c_i}，d_i表示任务W_i的大小，d_in表示任务W_i的输入数据大小，c_i表示存储任务W_i所需要的存储空间。一个请求车辆只能讲其任务卸载到一个服务节点进行计算，一个服务节点可以并行计算多个请求车辆的任务，服务节点s_j的总存储空间为C_j，其计算能力为q_i。用u_i表示服务节点s_j缓存车辆v_i的任务W_i＝{d_i,d_in,c_i}时，所能获得的利益：

服务节点s_j在计算完请求车辆v_i的计算任务W_i＝{d_i,d_in,c_i}之后，在将其计算结果返回给请求车辆之前，进行缓存决策，考虑服务节点自身利益最大化，资源节约有效化以及计算时延最小化，选择合适车辆的任务进行缓存，得到最优缓存决策。用x_ij∈{0,1}表示缓存决策，决定服务节点s_j是否将第i个车辆v_i的请求任务w_i放入缓存空间。首先判断第一个请求车辆内容是否缓存，若决定缓存，即x_1j＝1，如果决定不缓存，则x_1j＝0。将缓存问题定义为背包问题，这里使用动态规划法来判断对于第i个车辆的任务是否进行缓存，思路如下：

阶段：在前i辆请求车辆中，选取若干辆车的请求任务进行缓存；

状态：在前i辆请求车辆中，选取若干辆车将任务缓存到所剩容量为C_j的服务节点，使服务节点效益最大；

决策：第i辆请求车辆的任务是否进行缓存，可以写出动态转移方程：

F_j(i,j,c)＝max{F_j(i,j-1,c),F_j(i,j-1,c-c_i)+u_i}

104-1-A:输入：车辆i的请求信息为{d_i,d_in,c_i}，服务节点j状态函数C_j

104-1-B:输出：选择矩阵X，效益F_j(j)

Claims (5)

1.一种基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，包括以下步骤：

步骤101：构建基于MEC的任务卸载匹配框架；

步骤102：等效请求车辆与服务节点的连通性为中断概率；

步骤103：请求车辆的移动性预测；

步骤104：服务节点内容缓存策略。

2.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤101构建基于MEC的任务卸载匹配框架包括：

考虑在车联网环境下，车辆可以通过蜂窝网络与邻接车辆与移动边缘服务器(MEC)进行通信，L个请求车辆按泊松分布在道路上，表示为V＝{v₁,v₂L,v_L}，由于提供服务的车辆和MEC具有相同的通信性质，统一定义为服务节点，表示为S＝{s₁,s₂L,s_M}，每个服务节点s_i都具有有限的计算资源、无线资源以及缓存空间，可以为请求车辆进行任务计算和任务缓存；

在此卸载框架下，每个服务节点都配备了一个蜂窝网络接口和一个IEEE802.11p网络接口，车辆可以发送它们的信息，包括使用GPS定位的位置、速度、方向和可感知的邻近车辆的ID以及距离等到达服务节点的上下文数据库，在短时间内将车辆运动看作线性运动模型；

请求任务类型各异，任务可以由车辆利用自身资源进行本地计算，也可以以V2I形式通过路边单元(RSU)卸载到MEC服务器计算，或者以V2V形式卸载到周边车辆进行计算；

请求车辆v_i与服务节点s_j之间的信噪比定义为：

其中，P_i表示请求车辆v_i的发射功率；H_ij表示v_i与s_j之间的信道增益，H_ij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ²；L(d)为路径损耗函数，d为请求车辆v_i与服务节点s_j之间的距离；N₀为噪声功率；

假设分配给每对V2X车辆b_ij个子载波用于传输，那么传输速率可以表示为：

r_ij＝b_ijlog(1+γ_ij)。

3.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤102等效请求车辆与服务节点连通性为中断概率，其内容包括：请求车辆周期性检查周围服务节点距离、ID等信息；

定义中断概率为请求车辆v_i与服务节点s_j之间的接收信噪比λ_ij低于设定信噪比阈值λ_ij(Q)，请求车辆v_i与服务节点s_j之间的信噪比定义为：

λ_ij＝P_i+H_ij-N₀

其中，P_i表示请求车辆v_i的发射功率；H_ij表示v_i与s_j之间的信道增益，H_ij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ²；L(d)为路径损耗函数，d表示请求车辆v_i与服务节点s_j之间的距离；N₀为噪声功率；

因此，请求车辆v_i与服务节点s_j之间的接收信噪比λ_ij的概率密度函数表示为：

因此，请求车辆v_i与服务节点s_j之间的中断概率为：

由此可以看出，当请求车辆与服务节点间距离越近，其接收信噪比越高，车辆与服务节点之间的连通性越好，稳定性越高。

4.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，基于用户移动性，采用卡尔曼滤波算法对用户移动性进行预测，其内容包括：

基于状态空间模型，在时间k上执行预测步骤，以预测时间k+1的状态，然后，在k+1时刻，使用观察值执行过滤步骤，卡尔曼滤波是一种最优化自回归数据处理算法，适用于线性离散和有限维的系统，它以最小均方误差为估计的准则，根据带有噪声的观测数据与前一时刻的系统状态，对系统当前的状态进行最优估计，过程为“状态预测---根据观测值修正预测量---更新状态值”的循环递推过程，以此得到最优值；

根据卡尔曼滤波算法，主要分为以下四个步骤：

1)系统状态向量与观测值向量

设X_k表示k时刻系统的状态向量，Z_k表示k时刻对系统的观测向量,如果系统的状态量的变化可以表示成线性方程的形式，则该方程成为系统的状态转移方程以及观测方程为：

X_k+1＝AX_k+BU_k+1+W_k+1

Z_k+1＝HX_k+1+V_k+1

式中：A是状态转移矩阵，B是控制矩阵，U_k+1是控制向量，W_k是转移过程的噪声，H是观测矩阵，V_k+1是观测噪声；

其中，x_k、y_k为车辆k时刻的坐标，分别为车辆在k时刻x轴与y轴的速度分量，状态转移矩阵

噪声假设服从高斯分布，即：

W_k～N(0,Q) V_k～N(0,R)

式中：Q和R分别是W_k与V_k的协方差矩阵；

2)现在状态预测

利用系统的过程模型，来预测下一状态的系统，假设现在的系统状态是k+1，根据系统的模型，可以基于系统的上一状态而预测出现在状态：

X_k+1|k＝AX_k|k+BU_k+1

P_k+1|k＝AP_k+1|kA^T+Q

其中，X_k+1|k表示根据上一状态预测的结果，X_k|k表示上一状态的最优结果，P_k+1|k表示对应于X_k+1|k的协方差；

3)现在状态的最优估值

已得现在状态的预测结果，然后再收集现在状态的测量值，结合预测值和测量值，可以得到现在状态k+1时刻的最优化估算值X_k+1|k+1：

X_k+1|k+1＝X_k+1|k+G_k+1(Z_k+1-HX_k+1|k)

其中，G_k+1为卡尔曼增益，

为了要令卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新K+1状态下X_k+1|k+1的协方差P_k+1|k+1：

P_k+1|k+1＝[I-G_k+1H]P_k+1|k

其中，I为单位矩阵。

5.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤104服务节点内容缓存策略包括：

任务缓存是指在边缘云中完成任务应用程序及其相关数据的缓存，任务缓存的过程如下：移动设备首先请求需要卸载的计算任务，如果任务是在边缘节点上进行缓存，那么边缘节点就会通知移动设备，任务存在于边缘节点上，因此，移动设备不需要将计算任务转移到边缘节点上，若存在多个边缘节点同时缓存有此任务，则请求车辆通过卡尔曼滤波算法进行最优服务节点选择，最后，当边缘节点完成任务处理时，它将结果传输到移动设备上，通过这种方式，当缓存被缓存时，用户不需要将相同的任务卸载到边缘节点中，因此，移动设备的能量消耗和任务卸载的延迟可以通过任务缓存来降低，若边缘节点上没有此请求内容的缓存，则请求车辆进行任务卸载决策，在服务节点第一次回传任务给请求车辆之前进行缓存决策；

假设有N个车辆{v₁,v₂,…,v_N}选择将任务通过服务节点s_j进行计算，其中请求车辆v_i的任务表示为W_i＝{d_i,d_in,c_i}，d_i表示任务W_i的大小，d_in表示任务W_i的输入数据大小，c_i表示存储任务W_i所需要的存储空间，一个请求车辆只能讲其任务卸载到一个服务节点进行计算，一个服务节点可以并行计算多个请求车辆的任务，服务节点s_j的总存储空间为C_j，其计算能力为q_i，用u_i表示服务节点s_j缓存车辆v_i的任务W_i＝{d_i,d_in,c_i}时，所能获得的利益：

服务节点s_j在计算完请求车辆v_i的计算任务W_i＝{d_i,d_in,c_i}之后，在将其计算结果返回给请求车辆之前，进行缓存决策，考虑服务节点自身利益最大化，资源节约有效化以及计算时延最小化，选择合适车辆的任务进行缓存，得到最优缓存决策；

用x_ij∈{0,1}表示缓存决策，决定服务节点s_j是否将第i个车辆v_i的请求任务w_i放入缓存空间，首先判断第一个到达的请求车辆内容是否缓存，若决定缓存，即x_1j＝1，如果决定不缓存，则x_1j＝0，将缓存问题定义为背包问题，这里使用动态规划法来判断对于第i个车辆的任务是否进行缓存，思路如下：

阶段：在前i辆请求车辆中，选取若干辆车的请求任务进行缓存；

状态：在前i辆请求车辆中，选取若干辆车将任务缓存到所剩容量为C_j的服务节点，使服务节点效益最大；

决策：第i辆请求车辆的任务是否进行缓存，可以写出动态转移方程：

F_j(i,j,c)＝max{F_j(i,j-1,c),F_j(i,j-1,c-c_i)+u_i}