CN109951821A - 基于移动边缘计算的最小化车辆能耗任务卸载方案 - Google Patents

Abstract

移动边缘计算因距离用户近的所带来的通信优势引起研究人员的密切关注，将其与车联网技术结合可以极有效地改善车辆的通信质量。本文研究了基于车辆移动性管理的任务卸载问题。考虑到车辆移动时经过基站通信区域的实时切换、通信线路的实时连接与断开，该任务卸载问题分解为基于资源的卸载比例分配子问题与基于预测的路径切换子问题。制定了选择最大节能选择算法与短期路径预测算法来满足时延约束的同时最小化任务卸载能耗。

Description

基于移动边缘计算的最小化车辆能耗任务卸载方案

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最小化车辆能耗任务卸载方案

背景技术

随着在线游戏，增强现实和物联网(IoT)的繁荣，在资源有限的设备上生成了大量的计算任务。移动边缘计算(MEC)可以帮助改善用户体验，从而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。提供几乎无限可用资源的云计算似乎在延迟受限的应用程序中效率低。MEC可以被视为接近移动用户的远程云的产品，这可能受益于从TCP/IP到命名数据网络(NDN)的互联网架构演进。类似的技术包括雾计算和Cloudlet。雾是一种“接近地面的云”，它将云计算扩展到网络的边缘。核心云将云计算模型作为移动设备和云之间3层层次结构的中间层进行了补充。MEC被提议克服核心云中的覆盖范围和可扩展性的限制，这也是云计算模型的补充。多址边缘计算是MEC的一种演化，用于协调5G运营商的不同网络。

智能手机的普及和发展，出现了多种手机应用。虽然智能手机的能力正在增加，但仍然难以满足某些需要在有限时间内进行大量处理的应用的需求，如对象识别，因为用户设备(车辆)具有有限的计算能力和电池容量。为了解决这个问题，提出了一种将计算卸载到云中的策略，称为移动云计算(MCC)。然而，由于回程资源的分配而将任务卸载到云会遇到高延迟，并且无法满足实时应用的要求，例如增强现实(AR)，视频游戏等。一些研究人员建议在边缘部署计算资源网络和卸载任务更接近用户，例如区域服务器，宏基站(eNB)或小小区基站(SCeNB)。计算资源可以通过移动网络运营商通过基站(称为移动边缘计算(MEC)进行维护，也可以由雾服务器上的任何临时用户通过无线接入点(AP)进行维护。该事物的概念雾通过改进通信协议允许不同的设备易于协同工作。

有多个边缘服务器可供选择，用户设备必须决定卸载的位置和卸载任务的部分。可以做出这样的决定，以最小化能量消耗，最小化任务等待时间，最小化能量消耗，同时满足执行延迟约束或者通过限制电池容量来最小化任务等待时间。此外，由于用户设备的移动性，移动性管理(MM)也是MEC架构的一部分。此部分包括是否更改服务基站(切换)以及是否更改虚拟机的位置(VM迁移)的决定。随着基站的密集部署，简单的面向无线接入的MM由于频繁从BS切换到BS而无法满足需求。此外，卸载决策模型与移动性管理是分开的，并且仅在任务开始时执行，导致移动后的任务的非最佳卸载比例。解决此问题的一个简单而直观的想法是在使用传统方法处理移动性的同时定期进行卸载决策。该想法设法在车辆移动期间动态地调整卸载比例。但是这个想法的决策算法只关注当前位置的情况。没有长远眼光，它在降低能耗方面效果很差。

发明内容

因此，基于上述考虑，我们的方案考虑车辆任务的分割与通信路径的预测，有效的调度资源，选择最佳卸载策略，最大程度地节省能量。基于移动边缘计算的最小化车辆能耗任务卸载方案包括以下步骤：

步骤101：建立基于移动边缘计算的车辆任务卸载框架；

步骤102：分析系统模型，制定车辆进行任务卸载时最小化请求车辆能耗的优化目标；

步骤103：将优化问题分解为两个子问题：基于收入支出成本的卸载比例分配问题以及考虑到能耗的基于预测的车辆路径选择问题；

步骤104：从优化目标出发，使用最节能比例分配算法决定请求车辆需要卸载到服务节点的任务比例，使用决策时隙与下一刻决策时隙的短期预测算法，让系统性能在满足实验约束的情况下最小化能量消耗。

优选地，所述步骤101建立基于移动边缘计算的车辆任务卸载框架包括：

移动边缘计算的核心为移动边缘服务器，在部署有多个服务基站(宏基站或路边单元)与多个车辆的场景中，移动边缘服务器放置在服务基站侧，与服务基站通过有线相连，每一个服务基站都具有计算能力，而且可以自由关闭与打开，另外，系统模型中部署一个核心调度器，此调度器管理与监视车辆与服务基站的动态，但不具有执行数据的能力，核心调度器负责收集基站和服务器的信息，车辆管理自己的任务，当任务到达时，他们将其位置和要处理的任务的信息发送到核心调度器，调度器顺序地执行车辆的卸载决策算法，并将所选择的通信路径和卸载比例的决策发送回车辆，然后车辆通过所选择的通信路径发送数据并准备接收结果，如果车辆发现服务基站的网络状况不再足够好，它将向调度器发送请求以再次做出决定，利用该调度控制器，系统可以集中管理基站，从而消除了信息交换的障碍，此外，在调度器上部署卸载决策算法将算法与用户分离，使管理和更新变得更加容易；

请求车辆的任务有三部分组成：输入数据量、完成任务若需要的CPU周期数，以及该任务所允许的最大时延量，分别用集合{a_i,c_i,t_i}表示，每一个任务可以按比例划分成多个子任务，划分比例用w_i表示，因此w_i满足w_i∈(0,1]，等于1时表示任务全部卸载到服务基站，卸载比例主要取决于决策时刻服务基站占用情况，服务基站被占用时需要考虑排队问题，子任务既可以卸载到服务基站，也可以在本地执行；

下面介绍任务卸载模型与通信路径切换模型：

(1)通信模型

将频谱被分成NK个信道，表示为K＝{1，2，…,NK}，每个子信道的带宽是B，它与其他信道正交，假设在时隙t的选择信道k用指示符表示，如果值为1，则表示在时隙t占用信道k；

(2)计算模型

本地计算时，表明车辆具有请求任务所要求的任务计算能力与计算资源，此时计算时延只包括执行任务的时间；远程计算时，车辆将计算任务上传到服务基站，服务基站执行任务后将计算结果回传，远程卸载时时延包括上传时的传输时延与执行任务时的计算时延，还能任务在服务基站处的排队时延。在排队时延部分，将占用的服务基站的所有时隙用δ表示，任务比例的分配与该系数有关；

(3)切换模型

输入数据的卸载部分通过无线电信道发送到服务基站，服务器之间的连接通过回程信道，传输延迟与路径的容量成反比，服务基站的切换与基站内部部署的VM相关，切换时选择VM需要考虑任务所需资源小于VM最大容量，任务的比例划分重要约束要素之一是VM的容量要求。

优选地，所述步骤102分析系统模型，制定车辆进行任务卸载时最小化请求车辆能耗的优化目标包括：

我们首先制定一个优化问题，最大限度地提高车辆节省的能量，假设在任务m的计算期间，总共有f次决策，我们的目标是在每一次决策的时找到需要上传的最优任务卸载量与能使车辆满足时延约束条件下的可以使消耗的能量最小的服务基站，该服务基站可以是车辆自己，属于本地卸载的情况，也可以是远程的服务基站，属于远程卸载的情况；

优化目标是使请求车辆卸载任务时节省的能耗最大，式子类似表示为：

式(1)的基本思想是请求车辆得到的资源与自己所损耗的能量差值。

优选地，所述步骤103将优化问题分解为两个子问题：基于收入支出成本的卸载比例分配问题以及考虑到能耗的基于预测的车辆路径选择问题包括：

在基站位置与基站容量知道的情况下，可以知道本地卸载与远程卸载执行任务时每比特所消耗的时延，也可以知道进行VM迁移时所消耗的时延，然后我们可以根据车辆请求任务的大小预测出在邻近服务基站的执行时延与能量消耗；

式(1)所述的优化目标没有考虑到当两个任务同时向服务基站发送任务请求，而此服务基站资源已被占用时执行顺序的问题，因为对服务基站而言，当占用空间被释放后为请求的任务提供服务并收取相应的效益，无关排序；对于请求车辆来说，排队等候的时间严重影响任务执行的时延与能耗；

将服务节点的服务时间间隙定义为T，占用的间隙定义为T₀，如附图2所示，当不同的两个任务任务1与任务2同时向服务节点发送请求时，需要等到服务节点的占用期结束才可以顺序地提供服务，因此，我们基于任务的执行时延与计算时延以及服务基站的占用期将两个完整的任务进行分割，使资源的利用率更高；

对于任务1来说，执行的截止时间在占用周期之内，因此将任务进行分割，调整上传比例截止到占用开始时段；对于任务2来说，任务截止执行时间在占用期以外，因此将需要排队的那部分任务进行分割，并选择其他空闲的服务基站进行上传；因此此时会获得暂时任务分割比例w₁与w₂；分割后的任务如果在选定的服务基站上传任务时再次遇到资源被占用的情况，就按照这个步骤进行任务的再分割；

对车辆通信路径预测而言，我们需要在车辆最决策的时刻与下一时刻对车辆可以选择的服务基站进行预测，由核心调度器控制管理的核心调度器具有车辆的位置信息，一旦计算出节点不是车辆的服务基站，并且不能通过无线电信道直接连接到车辆，它就可以向调度器发送请求以获取车辆服务基站的位置并将请求发送到那里，然后，车辆可以接收结果；

解决该问题的基本思想是根据每个可能路径计算最优局部能耗大小，以及任务所需要的实际能量消耗和延迟，然后选择与之相关的通信路径，在满足延迟约束的同时最小的能量消耗，为了决定是否在车辆本地卸载或计算，我们需要比较本地计算和卸载之间每比特的能量和时间消耗，如果远程卸载消耗更少的能量，我们将尝试卸载更多的输入数据到服务基站，否则，我们将尝试为车辆本身计算分配更多输入数据，对于具有数据输入大小和延迟约束的任务，可以如下形成延迟和能量消耗：整个任务的延迟是本地计算和卸载的延迟之间的最大值。

优选地，所述步骤104从优化目标出发，使用最节能比例分配算法决定请求车辆需要卸载到服务节点的任务比例，使用决策时隙与下一刻决策时隙的短期预测算法，让系统性能在满足实验约束的情况下最小化能量消耗包括：

在多对多的系统模型中，一个车辆的多个子任务可以按照分配比例分配到多个服务节点，上传的任务的比例值计算步骤为：首先计算占用资源大小与车辆整个任务大小的比值，然后用1减去该值，就可以得到应该上传的值的比例。处理该时隙决策开始与预测的下一个决策之间的阶段，因为一次VM迁移的好处在下一次切换时结束，为了处理无线电信道的可实现的可变速率，我们进一步将该阶段划分为若干时隙，不包括切换和迁移的时间；确定一次时隙的长度通过车辆附近的平均服务基站密度和车辆的平均移动速度，其形式化为其中距离是两个基站之间的距离；关于短期预测算法，首先找出可能所卸载的服务基站，并计算出车辆与服务基站之间连接时存在的时延与能耗，时延与能耗的计算需要依据传输时延，利用比例分配算法，计算出执行时延，另外，也需要计算本地计算时的能耗，如果满足时延限制的情况下，本地卸载所需要的能耗小于远程执行，就把任务进行在车辆上的计算，不需要卸载；否则，需要按照比例分配与路径预测进行远程卸载；这里使用贪婪的思想对所有可能的服务基站进行判断。

附图说明

图1是本发明所使用的系统模型框图；

图2是本发明所使用的任务比例分割图；

图3是本发明所使用的任务卸载流程图。

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本发明所使用的系统模型框图，具体包括：

移动边缘计算的核心为移动边缘服务器，在部署有多个服务基站(宏基站或路边单元)与多个车辆的场景中，移动边缘服务器放置在服务基站侧，与服务基站通过有线相连，每一个服务基站都具有计算能力，而且可以自由关闭与打开，另外，系统模型中部署一个核心调度器，此调度器管理与监视车辆与服务基站的动态，但不具有执行数据的能力，核心调度器负责收集基站和服务器的信息，车辆管理自己的任务，当任务到达时，他们将其位置和要处理的任务的信息发送到核心调度器，调度器顺序地执行车辆的卸载决策算法，并将所选择的通信路径和卸载比例的决策发送回车辆，然后车辆通过所选择的通信路径发送数据并准备接收结果，如果车辆发现服务基站的网络状况不再足够好，它将向调度器发送请求以再次做出决定，利用该调度控制器，系统可以集中管理基站，从而消除了信息交换的障碍，此外，在调度器上部署卸载决策算法将算法与用户分离，使管理和更新变得更加容易；

请求车辆的任务有三部分组成：输入数据量、完成任务若需要的CPU周期数，以及该任务所允许的最大时延量，分别用集合{a_i,c_i,t_i}表示，每一个任务可以按比例划分成多个子任务，划分比例用w_i表示，因此w_i满足w_i∈(0,1]，等于1时表示任务全部卸载到服务基站，卸载比例主要取决于决策时刻服务基站占用情况，服务基站被占用时需要考虑排队问题，子任务既可以卸载到服务基站，也可以在本地执行；

下面介绍任务卸载模型与通信路径切换模型：

(1)通信模型

将频谱被分成NK个信道，表示为K＝{1，2，…,NK}，每个子信道的带宽是B，它与其他信道正交，假设在时隙t的选择信道k用指示符表示，如果值为1，则表示在时隙t占用信道k；

(2)计算模型

本地计算时，表明车辆具有请求任务所要求的任务计算能力与计算资源，此时计算时延只包括执行任务的时间；远程计算时，车辆将计算任务上传到服务基站，服务基站执行任务后将计算结果回传，远程卸载时时延包括上传时的传输时延与执行任务时的计算时延，还能任务在服务基站处的排队时延。在排队时延部分，将占用的服务基站的所有时隙用δ表示，任务比例的分配与该系数有关；

(3)切换模型

输入数据的卸载部分通过无线电信道发送到服务基站，服务器之间的连接通过回程信道，传输延迟与路径的容量成反比，服务基站的切换与基站内部部署的VM相关，切换时选择VM需要考虑任务所需资源小于VM最大容量，任务的比例划分重要约束要素之一是VM的容量要求。

图2是本发明所使用的任务比例分割图，具体包括：

在多对多的系统模型中，一个车辆的多个子任务可以按照分配比例分配到多个服务节点，上传的任务的比例值计算步骤为：首先计算占用资源大小与车辆整个任务大小的比值，然后用1减去该值，就可以得到应该上传的值的比例。处理该时隙决策开始与预测的下一个决策之间的阶段，因为一次VM迁移的好处在下一次切换时结束，为了处理无线电信道的可实现的可变速率，我们进一步将该阶段划分为若干时隙，不包括切换和迁移的时间；确定一次时隙的长度通过车辆附近的平均服务基站密度和车辆的平均移动速度，其形式化为其中距离是两个基站之间的距离；关于短期预测算法，首先找出可能所卸载的服务基站，并计算出车辆与服务基站之间连接时存在的时延与能耗，时延与能耗的计算需要依据传输时延，利用比例分配算法，计算出执行时延，另外，也需要计算本地计算时的能耗，如果满足时延限制的情况下，本地卸载所需要的能耗小于远程执行，就把任务进行在车辆上的计算，不需要卸载；否则，需要按照比例分配与路径预测进行远程卸载；这里使用贪婪的思想对所有可能的服务基站进行判断。

图3是本发明所使用的任务卸载流程图，具体包括：

我们首先制定一个优化问题，最大限度地提高车辆节省的能量，假设在任务m的计算期间，总共有f次决策，我们的目标是在每一次决策的时找到需要上传的最优任务卸载量与能使车辆满足时延约束条件下的可以使消耗的能量最小的服务基站，该服务基站可以是车辆自己，属于本地卸载的情况，也可以是远程的服务基站，属于远程卸载的情况；

优化目标是使请求车辆卸载任务时节省的能耗最大，式子类似表示为：

式(1)的基本思想是请求车辆得到的资源与自己所损耗的能量差值。

在基站位置与基站容量知道的情况下，可以知道本地卸载与远程卸载执行任务时每比特所消耗的时延，也可以知道进行VM迁移时所消耗的时延，然后我们可以根据车辆请求任务的大小预测出在邻近服务基站的执行时延与能量消耗；

式(1)所述的优化目标没有考虑到当两个任务同时向服务基站发送任务请求，而此服务基站资源已被占用时执行顺序的问题，因为对服务基站而言，当占用空间被释放后为请求的任务提供服务并收取相应的效益，无关排序；对于请求车辆来说，排队等候的时间严重影响任务执行的时延与能耗；

将服务节点的服务时间间隙定义为T，占用的间隙定义为T₀，如附图2所示，当不同的两个任务任务1与任务2同时向服务节点发送请求时，需要等到服务节点的占用期结束才可以顺序地提供服务，因此，我们基于任务的执行时延与计算时延以及服务基站的占用期将两个完整的任务进行分割，使资源的利用率更高；

对于任务1来说，执行的截止时间在占用周期之内，因此将任务进行分割，调整上传比例截止到占用开始时段；对于任务2来说，任务截止执行时间在占用期以外，因此将需要排队的那部分任务进行分割，并选择其他空闲的服务基站进行上传；因此此时会获得暂时任务分割比例w₁与w₂；分割后的任务如果在选定的服务基站上传任务时再次遇到资源被占用的情况，就按照这个步骤进行任务的再分割；

对车辆通信路径预测而言，我们需要在车辆最决策的时刻与下一时刻对车辆可以选择的服务基站进行预测，由核心调度器控制管理的核心调度器具有车辆的位置信息，一旦计算出节点不是车辆的服务基站，并且不能通过无线电信道直接连接到车辆，它就可以向调度器发送请求以获取车辆服务基站的位置并将请求发送到那里，然后，车辆可以接收结果；

解决该问题的基本思想是根据每个可能路径计算最优局部能耗大小，以及任务所需要的实际能量消耗和延迟，然后选择与之相关的通信路径，在满足延迟约束的同时最小的能量消耗，为了决定是否在车辆本地卸载或计算，我们需要比较本地计算和卸载之间每比特的能量和时间消耗，如果远程卸载消耗更少的能量，我们将尝试卸载更多的输入数据到服务基站，否则，我们将尝试为车辆本身计算分配更多输入数据，对于具有数据输入大小和延迟约束的任务，可以如下形成延迟和能量消耗：整个任务的延迟是本地计算和卸载的延迟之间的最大值。

Claims (5)

1.基于移动边缘计算的最小化车辆能耗任务卸载方案，其特征包括以下步骤：

步骤101：建立基于移动边缘计算的车辆任务卸载框架；

步骤102：分析系统模型，制定车辆进行任务卸载时最小化请求车辆能耗的优化目标；

步骤103：将优化问题分解为两个子问题：基于收入支出成本的卸载比例分配问题以及考虑到能耗的基于预测的车辆路径选择问题；

步骤104：从优化目标出发，使用最节能比例分配算法决定请求车辆需要卸载到服务节点的任务比例，使用决策时隙与下一刻决策时隙的短期预测算法，让系统性能在满足实验约束的情况下最小化能量消耗。

2.根据权利要求1所述的基于移动边缘计算的最小化车辆能耗任务卸载方案，其特征在于，所述步骤101建立基于移动边缘计算的车辆任务卸载框架包括：

移动边缘计算的核心为移动边缘服务器，在部署有多个服务基站(宏基站或路边单元)与多个车辆的场景中，移动边缘服务器放置在服务基站侧，与服务基站通过有线相连，每一个服务基站都具有计算能力，而且可以自由关闭与打开，另外，系统模型中部署一个核心调度器，此调度器管理与监视车辆与服务基站的动态，但不具有执行数据的能力，核心调度器负责收集基站和服务器的信息，车辆管理自己的任务，当任务到达时，他们将其位置和要处理的任务的信息发送到核心调度器，调度器顺序地执行车辆的卸载决策算法，并将所选择的通信路径和卸载比例的决策发送回车辆，然后车辆通过所选择的通信路径发送数据并准备接收结果，如果车辆发现服务基站的网络状况不再足够好，它将向调度器发送请求以再次做出决定，利用该调度控制器，系统可以集中管理基站，从而消除了信息交换的障碍，此外，在调度器上部署卸载决策算法将算法与用户分离，使管理和更新变得更加容易；

请求车辆的任务有三部分组成：输入数据量、完成任务若需要的CPU周期数，以及该任务所允许的最大时延量，分别用集合{a_i,c_i,t_i}表示，每一个任务可以按比例划分成多个子任务，划分比例用w_i表示，因此w_i满足w_i∈(0,1]，等于1时表示任务全部卸载到服务基站，卸载比例主要取决于决策时刻服务基站占用情况，服务基站被占用时需要考虑排队问题，子任务既可以卸载到服务基站，也可以在本地执行；

下面介绍任务卸载模型与通信路径切换模型：

(1)通信模型

将频谱被分成NK个信道，表示为K＝{1，2，…,NK}，每个子信道的带宽是B，它与其他信道正交，假设在时隙t的选择信道k用指示符表示，如果值为1，则表示在时隙t占用信道k；

(2)计算模型

本地计算时，表明车辆具有请求任务所要求的任务计算能力与计算资源，此时计算时延只包括执行任务的时间；远程计算时，车辆将计算任务上传到服务基站，服务基站执行任务后将计算结果回传，远程卸载时时延包括上传时的传输时延与执行任务时的计算时延，还能任务在服务基站处的排队时延；在排队时延部分，将占用的服务基站的所有时隙用δ表示，任务比例的分配与该系数有关；

(3)切换模型

输入数据的卸载部分通过无线电信道发送到服务基站，服务器之间的连接通过回程信道，传输延迟与路径的容量成反比，服务基站的切换与基站内部部署的VM相关，切换时选择VM需要考虑任务所需资源小于VM最大容量，任务的比例划分重要约束要素之一是VM的容量要求。

3.根据权利要求1所述的基于移动边缘计算的最小化车辆能耗任务卸载方案，其特征在于，所述步骤102分析系统模型，制定车辆进行任务卸载时最小化请求车辆能耗的优化目标包括：

我们首先制定一个优化问题，最大限度地提高车辆节省的能量，假设在任务m的计算期间，总共有f次决策，我们的目标是在每一次决策的时找到需要上传的最优任务卸载量与能使车辆满足时延约束条件下的可以使消耗的能量最小的服务基站，该服务基站可以是车辆自己，属于本地卸载的情况，也可以是远程的服务基站，属于远程卸载的情况；

优化目标是使请求车辆卸载任务时节省的能耗最大，式子类似表示为：

式(1)的基本思想是请求车辆得到的资源与自己所损耗的能量差值。

4.根据权利要求1所述的基于移动边缘计算的最小化车辆能耗任务卸载方案，其特征在于，所述步骤103将优化问题分解为两个子问题：基于收入支出成本的卸载比例分配问题以及考虑到能耗的基于预测的车辆路径选择问题包括：

在基站位置与基站容量知道的情况下，可以知道本地卸载与远程卸载执行任务时每比特所消耗的时延，也可以知道进行VM迁移时所消耗的时延，然后我们可以根据车辆请求任务的大小预测出在邻近服务基站的执行时延与能量消耗；

式(1)所述的优化目标没有考虑到当两个任务同时向服务基站发送任务请求，而此服务基站资源已被占用时执行顺序的问题，因为对服务基站而言，当占用空间被释放后为请求的任务提供服务并收取相应的效益，无关排序；对于请求车辆来说，排队等候的时间严重影响任务执行的时延与能耗；

将服务节点的服务时间间隙定义为T，占用的间隙定义为T₀，如附图2所示，当不同的两个任务任务1与任务2同时向服务节点发送请求时，需要等到服务节点的占用期结束才可以顺序地提供服务，因此，我们基于任务的执行时延与计算时延以及服务基站的占用期将两个完整的任务进行分割，使资源的利用率更高；

对于任务1来说，执行的截止时间在占用周期之内，因此将任务进行分割，调整上传比例截止到占用开始时段；对于任务2来说，任务截止执行时间在占用期以外，因此将需要排队的那部分任务进行分割，并选择其他空闲的服务基站进行上传；因此此时会获得暂时任务分割比例w₁与w₂；分割后的任务如果在选定的服务基站上传任务时再次遇到资源被占用的情况，就按照这个步骤进行任务的再分割；

对车辆通信路径预测而言，我们需要在车辆最决策的时刻与下一时刻对车辆可以选择的服务基站进行预测，由核心调度器控制管理的核心调度器具有车辆的位置信息，一旦计算出节点不是车辆的服务基站，并且不能通过无线电信道直接连接到车辆，它就可以向调度器发送请求以获取车辆服务基站的位置并将请求发送到那里，然后，车辆可以接收结果；

解决该问题的基本思想是根据每个可能路径计算最优局部能耗大小，以及任务所需要的实际能量消耗和延迟，然后选择与之相关的通信路径，在满足延迟约束的同时最小的能量消耗，为了决定是否在车辆本地卸载或计算，我们需要比较本地计算和卸载之间每比特的能量和时间消耗，如果远程卸载消耗更少的能量，我们将尝试卸载更多的输入数据到服务基站，否则，我们将尝试为车辆本身计算分配更多输入数据，对于具有数据输入大小和延迟约束的任务，可以如下形成延迟和能量消耗：整个任务的延迟是本地计算和卸载的延迟之间的最大值。

5.根据权利要求1所述的基于移动边缘计算的最小化车辆能耗任务卸载方案，其特征在于，所述步骤104从优化目标出发，使用最节能比例分配算法决定请求车辆需要卸载到服务节点的任务比例，使用决策时隙与下一刻决策时隙的短期预测算法，让系统性能在满足实验约束的情况下最小化能量消耗包括：

在多对多的系统模型中，一个车辆的多个子任务可以按照分配比例分配到多个服务节点，上传的任务的比例值计算步骤为：首先计算占用资源大小与车辆整个任务大小的比值，然后用1减去该值，就可以得到应该上传的值的比例；处理该时隙决策开始与预测的下一个决策之间的阶段，因为一次VM迁移的好处在下一次切换时结束，为了处理无线电信道的可实现的可变速率，我们进一步将该阶段划分为若干时隙，不包括切换和迁移的时间；确定一次时隙的长度通过车辆附近的平均服务基站密度和车辆的平均移动速度，其形式化为其中距离是两个基站之间的距离；关于短期预测算法，首先找出可能所卸载的服务基站，并计算出车辆与服务基站之间连接时存在的时延与能耗，时延与能耗的计算需要依据传输时延，利用比例分配算法，计算出执行时延，另外，也需要计算本地计算时的能耗，如果满足时延限制的情况下，本地卸载所需要的能耗小于远程执行，就把任务进行在车辆上的计算，不需要卸载；否则，需要按照比例分配与路径预测进行远程卸载；这里使用贪婪的思想对所有可能的服务基站进行判断。