CN109656703A - 一种移动边缘计算辅助车辆任务卸载方法 - Google Patents

Abstract

本发明涉及涉及一种移动边缘计算辅助车辆任务卸载方法，属于车辆通信领域，其中车辆任务根据其属性可分为：可卸载任务和不可卸载任务。对于不可卸载的任务，选择本地计算任务；对于可卸载的任务，车辆利用本地计算资源和MEC计算资源共同处理任务，达到最小化任务计算代价的目的。其中最优卸载决策取决于任务在本地处理带来的效益和卸载到MEC带来的效益的对比。本发明在任务计算过程中，数据包队列呈动态变化，既有数据包到达也有数据包离开队列，同时由于时延也会产生丢包。保持队列稳定下，对于任务的丢包率进行优化可以改善减少任务计算代价，以及提高车辆用户数据传输体验。

Description

一种移动边缘计算辅助车辆任务卸载方法

技术领域

本发明属于车辆通信技术领域，涉及一种移动边缘计算辅助车辆任务卸载方法。

背景技术

在车载网络中，大规模的移动应用通常在车载单元(On board Unit，OBU)的协助下完成服务，而OBU的计算能力有限，在车辆内使用需要大量数据的应用，如增加现实(Augmented Reality，AR)，虚拟现实(virtual reality，VR)，超清视频等，对时延有比较高的要求。车辆内产生的任务选择在本地计算是根本无法实现低时延的需求。

依靠云端强大的计算能力和储存空间，将任务卸载到云端是备选方案之一，但因远距离部署骨干网络和回程网络的容量限制和延迟波动，会导致用户服务质量(Qualityof Service，QoS)下降。对此，业界提出了移动边缘计算(Mobile Edge Computing，MEC)辅助，使任务卸载到MEC服务器上进行计算。由于邻近性，MEC服务器在卸载过程中能够提供强大的计算能力和极低的延迟，这样可以提高用户体验，优化网络传输质量。

大部分MEC辅助任务卸载方案中需要考虑MEC计算资源的有限性，即MEC服务器在延迟约束下可能无法完全满足车辆的任务卸载需求。目前多采用三层联合的卸载结构，即利用云端强大的计算能力和存储空间，车辆先将任务卸载到MEC服务器，MEC服务器再将部分任务卸载到云端，云端将任务进行处理，计算结果再依次传回到车辆。

然而，由于车辆对不同的任务有不同的需求，有些任务会有严格的时效性要求，为解决这种资源异构性问题，目前所提的方案是联合车辆到基础设施(V2I)和车辆到车辆(V2V)的方式处理实时任务，即任务通过V2I的通信方式卸载到MEC服务器，或以V2V的通信方式将任务卸载到其他车辆处理。

现有的技术大多只考虑到MEC资源的有限性，而采用车辆-MEC-云端的三层的结构。该方案的好处是云端能够提供强大的计算资源，减少任务卸载到MEC的计算负荷，但是任务从MEC服务器传输到云服务器的网络时延和波动也会对车辆业务的可靠性和用户的QoS带来影响。此外，MEC服务器与云服务器通过有线连接可以减少MEC将部分任务卸载到云服务器的时延，但是会增加部署的代价。

采用联合V2V和V2I卸载任务的方案虽然考虑到资源的异构性，但是将任务通过V2V卸载到附近车辆进行计算存在以下缺点：无法动态选择最优卸载车辆；占用其他车辆的计算资源，增加其他车辆的能耗；没有考虑到卸载过程中的丢包问题。

发明内容

有鉴于此，本发明的目的在于解决MEC辅助任务卸载及卸载决策问题，提供一种改进方案，采用车辆-MEC的两层结构，任务可采用本地执行和MEC卸载两种方案，不考虑云端的计算资源，减少任务卸载的复杂度，减小任务传输时延，将优化车辆用户的QoS作为目标。任务在本地处理或者卸载到MEC会形成任务队列，存在队列延迟。采用Lyapunov优化方法，联合优化系统队列时延、丢包率以及任务卸载到MEC的代价，做出最优的卸载决策，实现车辆任务处理代价最小化，网络总效益最大化的目的。

为达到上述目的，本发明提供如下技术方案：

本发明考虑将MEC部署在车联网网络架构中，其中MEC服务器与路侧单元(RoadSide Unit，RSU)通过有线连接，车辆在RSU覆盖范围内，则车辆通过V2I技术接入该RSU。车辆产生的任务会在本地计算或者卸载到MEC服务器上计算，计算结果再传回车辆。

一种移动边缘计算辅助车辆任务卸载方法，包括以下步骤：

步骤一，根据子任务属性进行分类，这些子任务可以被分为两类：

不可卸载子任务：这些子任务只能在本地计算。由于传输相关信息时间过长，消耗能源过多，或者这些子任务必须要访问本地组件(例如摄像机、传感器和用户界面)。

可卸载子任务：这些子任务是既可在本地计算，也可卸载到MEC计算。最优卸载决策取决于任务在本地计算和卸载到MEC带来的效益对比。

步骤二，车辆评估任务传输质量。车辆根据子任务数据包当时的队列状态，以及该子任务卸载到MEC的代价(若该子任务在本地计算，则没有MEC处理代价)，计算得出其任务传输质量。

步骤三，根据本地和MEC实时的数据包队列情况，判断数据队列是否达到时延要求，对不满足时延要求的任务进行丢包。任务计算过程时延如图2所示，任务卸载到MEC时延为t1+t2+t3+t4，其中t1是数据包上传至MEC的时延，t2是MEC队列时延，t3是MEC计算时延，t4是计算结果回传给车辆的时延；本地处理时延为t5+t6，其中t5是本地队列时延，t6是本地计算时延，本地没有传输时延。

步骤四，根据本地和MEC实时数据包队列状态，结合队列和任务计算代价，对时延、丢包率以及任务卸载到MEC的代价联合优化。在保证系统稳定性的同时，通过做出最优卸载决策，实现整个网络性能的最大化。

本发明提出的基于Lyapunov的MEC辅助任务卸载方法包括：

采用本地和MEC共同卸载任务的模式，不可卸载的任务数据量为可卸载任务的数据量为r_i(t)，单位bit。对于任意子任务i，可卸载到MEC数据的发包速率为是卸载到MEC上的数据量之和除以数据包长度。同理，在本地计算的发包速率为

任务数据包的发送采用FIFO模型，本地计算和MEC卸载都存在数据包队列。数据包t+1时刻队列长度Q(t+1)＝t时刻队列长度Q(t)－t时刻丢包数d(t)－t时刻发包数R(t)+t时刻数据包到达数A(t)。任务处理代价和数据包的传输质量有关，包括丢包率和数据包时延，以及任务卸载到MEC的代价，其优化项为丢包率和任务卸载到MEC的代价。由于丢包策略中已考虑了数据包时延，所以优化项不包括数据包时延。

根据Lyapunov优化方法对目标建模，优化目标为在考虑系统队列稳定下，最小化任务计算代价，最大化网络总效用，其中约束项包括丢包数和发包数，可卸载子任务的数量。进一步优化求解后，可以得出任务卸载到MEC的代价、最优卸载策略以及任务在计算中排队的丢包策略。

本发明的优点，包括：

在任务计算过程中，数据包队列呈动态变化，既有数据包到达也有数据包离开队列，同时由于时延也会产生丢包。保持队列稳定下，对于任务的丢包率进行优化可以改善减少任务计算代价，以及提高车辆用户数据传输体验。

以优化车辆传输质量为目标做出最优任务卸载决策，在任务部分卸载的情况下，而车辆效益与任务数据包的丢包、时延和接入MEC卸载的代价相关。基于Lyapunov优化方程，在保证队列的稳定性的前提下，最优化丢包和代价，可求解出最优卸载决策、接入MEC的代价以及丢包策略。

本发明的其他优点、目标和特征在某种成都上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明MEC辅助任务卸载场景示意图；

图2为本发明MEC辅助任务卸载过程时延示意图；

图3为本发明MEC辅助任务卸载流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1所示为MEC辅助任务卸载计算的场景模型图，本实施例包括：

步骤101、将车辆的任务分为N个子任务，其中M个子任务是可卸载的，N-M个任务是不可卸载的；

步骤102、车辆综合考虑系统队列的拥塞程度、子任务卸载到MEC上的代价以及队列稳定性，并据此计算任务卸载代价；

任务队列分为两部分，一部分是任务中可卸载到MEC的子任务数据包形成的队列，另一部分是不可卸载的子任务和可卸载子任务中仍然选择在本地处理的子任务形成的队列；

步骤103、判断数据队列是否满足时延要求，对于不满足时延要求的数据包进行丢包处理。MEC队列的数据包时延要求包括：传输时延、队列时延和MEC服务器计算时延。本地处理的数据包时延包括有队列时延和本地计算时延，没有数据传输时延；

步骤104、依据本发明提出的MEC辅助卸载方法，结合队列和任务卸载代价，用户做出最优卸载决策，实现整个网络性能最大化。

根据上述步骤，任务可卸载到MEC的发包速率为任务在本地计算的发包速率为

其中，是不可卸载的任务数据量，只能在本地计算。r_i(t)是可卸载的任务数据量。α_i,β_i∈{0,1}用于指示任务卸载决策，β_i＝1-α_i，α_i＝1表示任务卸载到MEC上，不在本地计算，此时β_i＝0。

设任务i在MEC的队列长度为在本地队列长度为则队列更新过程可以表示为：

和为队列因时延限制在时间t的丢包数，和为队列在时间t数据包的到达数。

本发明中考虑车辆任务卸载代价与该用户的传输质量有关，包括数据队列的时延，丢包率和任务卸载到MEC的代价，则任务卸载的总代价可表示为：

其中表示任务的丢包处罚，其中表示子任务i卸载到MEC的代价，b^m(t)表示任务卸载到MEC的总代价。由于数据包时延包含在丢包策略中，所以代价方程中不包含时延项。

进一步，基于Lyapunov优化建模，步骤如下：

步骤一，定义系统Lyapunov函数：

步骤二，定义Lyapunov转移函数：

Δ(t)＝L(t+1)-L(t) (7)

步骤三，优化问题转化，得到一阶Lyapunov转移惩罚项：

其中V^m>0用于指示车辆对任务卸载到MEC代价的重视程度。优化问题目标为最小化Lyapunov转移惩罚项，优化问题将转化为两个等价的子优化问题求解：最大化I₁(t)和I₂(t)。

(1)最大化I₁(t)可得最优卸载策略及任务卸载到MEC的代价，具体步骤如下：

·最优卸载策略：

·出价：当车辆成功支付一定代价将任务卸载到MEC上，则可得

·如果任务选择在本地进行计算，则可得

·接入MEC后的效益不小于本地执行的效益，即所以最大代价为

(2)通过最大化I₂(t)，进而可以得到任务队列的丢包数分别为：

·MEC队列丢包数：

·本地队列丢包数：

本发明提出的MEC辅助任务卸载流程图如图3所示，包括以下步骤：

201：车辆产生任务；

202：判断子任务是否可卸载；

203：如果任务不可卸载，则直接在本地计算；如果任务是可卸载的，利用Lyapunov方程，在保证队列稳定的情况下，优化任务计算的代价，任务计算的代价包括时延，丢包和任务卸载到MEC的代价，当时延超过门限时就会发生丢包，因此时延项包含在丢包项里；优化项包含了α_i,β_i的取值、接入MEC的代价以及丢包策略；

204：判断是否满足时延要求。MEC队列的时延要求和本地队列的时延要求不相同。不满足时延要求，发生丢包；满足时延要求，不发生丢包。

205：对优化项求解获得α_i,β_i取值，α_i,β_i取值即为卸载决策。

206：对优化项求解得任务卸载到MEC的最大代价。

207：卸载决策结束。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种移动边缘计算辅助车辆任务卸载方法，其特征在于：包括以下步骤：

S1：将车辆任务分成多个子任务，子任务按其属性分为可卸载任务和不可卸载任务，所述可卸载任务是指既能够在本地计算，也能够卸载到移动边缘计算服务器MEC计算的任务，所述不可卸载任务是指只能在本地计算的任务；

S2：车辆综合考虑系统内任务队列的拥塞程度、子任务卸载到MEC上的代价以及队列稳定性，并据此计算任务卸载代价；

所述任务队列包括：1)任务中可卸载到MEC的子任务数据包形成的队列，即MEC队列；2)不可卸载的子任务和可卸载子任务中仍然选择在本地处理的子任务形成的队列，即本地任务队列；

S3：判断任务队列是否满足时延要求，对于不满足时延要求的数据包进行丢包处理，其中MEC队列的数据包时延要求包括：传输时延、队列时延和MEC服务器计算时延，本地任务队列的数据包时延包括有队列时延和本地计算时延；

S4：结合队列和任务卸载代价，用户做出最优卸载决策，实现整个网络性能最大化。

2.根据权利要求1所述的移动边缘计算辅助车辆任务卸载方法，其特征在于：在步骤S2中，车辆任务卸载代价与该用户的传输质量有关，包括数据队列的时延，丢包率和任务卸载到MEC的代价，任务卸载的总代价表示为：

其中表示任务的丢包处罚，其中表示子任务i卸载到MEC的代价，b^m(t)表示任务卸载到MEC的总代价。

3.根据权利要求1所述的移动边缘计算辅助车辆任务卸载方法，其特征在于：任务可卸载到MEC的发包速率为任务在本地计算的发包速率为

其中，是不可卸载的任务数据量，只能在本地计算，r_i(t)是可卸载的任务数据量，α_i,β_i∈{0,1}用于表示任务卸载决策，β_i＝1-α_i，α_i＝1表示任务卸载到MEC上，不在本地计算，此时β_i＝0；

设任务i在MEC的队列长度为在本地队列长度为队列更新过程表示为：

和为队列因时延限制在时间t的丢包数，和为队列在时间t数据包的到达数。

4.根据权利要求3所述的移动边缘计算辅助车辆任务卸载方法，其特征在于：步骤S4中，最优卸载决策还通过Lyapunov进行优化，包括以下步骤：

S41：定义系统Lyapunov函数：

S42：定义Lyapunov转移函数：

Δ(t)＝L(t+1)-L(t)

S43：优化问题转化，得到一阶Lyapunov转移惩罚项：

其中V^m>0表示车辆对任务卸载到MEC代价的重视程度，优化问题目标为最小化Lyapunov转移惩罚项，优化问题将转化为两个等价的子优化问题求解：最大化I₁(t)和I₂(t)：

(1)最大化I₁(t)能够得到得最优卸载策略及任务卸载到MEC的代价：

最优卸载策略：

出价：当车辆成功支付一定代价将任务卸载到MEC上，则得

如果任务选择在本地进行计算，则得

接入MEC后的效益不小于本地执行的效益，即所以最大代价为

(2)通过最大化I₂(t)，得到任务队列的丢包数分别为：

MEC队列丢包数：

本地队列丢包数：