CN109951869A - 一种基于云雾混合计算的车联网资源分配方法 - Google Patents
一种基于云雾混合计算的车联网资源分配方法 Download PDFInfo
- Publication number
- CN109951869A CN109951869A CN201910157692.3A CN201910157692A CN109951869A CN 109951869 A CN109951869 A CN 109951869A CN 201910157692 A CN201910157692 A CN 201910157692A CN 109951869 A CN109951869 A CN 109951869A
- Authority
- CN
- China
- Prior art keywords
- mist
- resource
- cloud
- resource allocation
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003595 mist Substances 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013468 resource allocation Methods 0.000 title claims abstract description 43
- 230000006855 networking Effects 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000012913 prioritisation Methods 0.000 claims description 2
- 238000005553 drilling Methods 0.000 abstract description 5
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005562 fading Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于云雾混合计算的车联网资源分配方法，属于移动通信领域。该方法包括：S1：在雾节点覆盖场景下，在满足时延约束下，建立最小化系统总能耗和资源总成本的资源优化模型，对计算卸载、计算资源和无线资源进行联合优化在满足时延约束的同时最小化系统总能耗和总资源成本；S2：建立在线测量模型，根据估计的队列溢出概率对雾节点总资源块数量进行动态调整，减小未来设备接入拥塞的压力。本发明提出的基于云雾混合计算的车联网资源分配方法能够在满足时延需求的同时最小化系统总能耗和资源总成本。
Description
技术领域
本发明属于移动通信领域，涉及一种基于云雾混合计算的车联网资源分配方法。
背景技术
随着无线服务的快速增长，越来越多的计算密集型应用程序在移动终端执行，如人脸识别、自然语言处理、增强现实等。然而，由于移动终端电池电量有限、计算能力较低，一些时延受限的计算任务无法完成，计算卸载可以克服这一难题。通过计算卸载，移动终端通过无线接入链路或回程链路将计算任务的数据传输到卸载目的地，因此需要设计有效的计算卸载策略以选择合适的卸载目的地，为不同的卸载目的地调度通信和计算资源。
雾计算的低时延、位置感知、广泛的地理分布、移动性支持以及位于网络边缘等显著特点可以有效减少用户终端的能量消耗。对于计算卸载，用户终端仅依靠云服务器进行计算卸载时，不能满足低时延和低能量消耗的需求；而仅依靠雾服务器时，不能满足计算密集型应用高计算力的需求。因此采取云雾混合的计算卸载方式可以结合二者的优势更好，不仅可以减小时延和能耗，也可以满足高计算力需求。
车联网不仅作为高可靠低时延场景的重要应用，同时也是机器类通信的典型应用之一，具有海量设备接入和小型数据传输的特点。对于这些海量设备的计算卸载引起大规模接入问题，可以通过动态配置雾节点资源块数量适当提高雾节点的服务速率，使更多的设备能够接入到雾计算网络进行计算卸载。
发明人在研究现有技术的过程中发现其存在如下缺点：
首先，前期大量文献主要分开研究卸载决策或资源分配，未考虑联合优化卸载决策及所涉及的相关资源分配，未从运营商角度考虑资源成本问题，从而最小化能耗及资源总成本。针对车联网通信，大量工作集中在高可靠低时延场景下设计资源分配算法，忽略了计算卸载中存在的海量车辆的接入拥塞问题，而未将接入控制结合到资源优化模型中。其次，在无线通信中，由于时变衰落信道的影响，提供确定的QoS保证可能具有挑战性，然而许多研究均假设在确定的QoS需求下进行资源优化。
因此，亟需一种在雾接入车联网场景下，解决车联网业务的时延需求及海量设备的卸载业务接入问题的方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于云雾混合计算的车联网资源分配方法，采取云雾混合的计算卸载方式有效结合云计算和雾计算的优势，在满足时延需求的同时最小化系统总能耗和资源总成本。
为达到上述目的，本发明提供如下技术方案：
一种基于云雾混合计算的车联网资源分配方法，具体包括以下步骤：
S1：在雾接入车联网场景下，将计算卸载决策和卸载业务接入控制结合到资源优化模型中，对优化目标进行优化，在满足时延约束的同时最小化系统总能耗和总资源成本；
S2：建立在线测量模型，根据估计的队列溢出概率对雾节点总资源块数量进行动态调整，减小未来设备接入雾节点的压力。
进一步，所述步骤S1中，所述资源优化模型中包括：
满足用户计算卸载时延需求为：计算卸载时延由无线或回程链路传输时延与雾节点或云层的处理时延之和，由于车联网通信承载时延敏感业务，通常传输的是车辆行驶相关的安全信息，计算卸载时延需求约束用以避免由于计算时延过长等因素引起信息失效；
满足用户的计算资源分配需求为：由于雾节点计算能力有限，所分配的计算资源和不超过该节点拥有的计算资源总量；
满足用户的功率分配需求为：在无线通信过程，资源块和功率分配都将对速率造成影响，进而影响时延，较高的功率传输可以减小时延，而同时又增加了能耗，因此需要对功率进行优化，在满足时延约束的同时最小化能耗。
进一步，所述步骤S1中，计算卸载过程分为在雾层或云层处理应用程序，所述用户的计算卸载决策表示为
其中，表示用户m的应用程序在雾层处理，表示用户m的应用程序在云层处理。
进一步，所述步骤S1中，所述优化目标为联合联合计算卸载决策、计算资源和无线资源分配进行联合优化，具体为：首先根据有效的计算卸载决策和计算资源分配算法，为每个雾节点配置初始的资源块；然后再在每个周期根据估计的队列溢出概率对资源块数量进行动态调整以减小未来设备接入雾节点的压力；最后利用拉格朗日对偶分解求得资源块和功率分配优化解。
进一步，所述有效的计算卸载决策和计算资源分配算法包括：在每次计算卸载决策后，为每个用户分配合适的计算资源、资源块数量和传输功率，具体为：
1)初始化用户数、用户参数、试验次数，总带宽，总计算资源数及标准凸QCQP问题中的矩阵等；
2)通过计算卸载概率，并多次迭代执行该操作，提取优化后的卸载决策方案；
3)通过二分搜索法搜索计算资源优化方案，为能量成本较大的用户分配更多的资源，因此该用户的能量成本降低而其他用户的能量成本增加，通过迭代执行该过程直到所有计算资源分配完毕，并且雾节点将分配相同质量的计算资源给所有用户。
进一步，在得到计算资源分配及雾节点资源块配置之后，对关联到雾节点的用户进行资源块和功率分配，具体包括以下步骤：
1)初始化拉格朗日乘子及相关参数；
2)在区间[0,1]内执行二分搜索法得到带宽资源调度方案；
3)借助拉格朗日方法对功率进行求导得到功率分配策略；
4)更新拉格朗日乘子，迭代执行上述步骤，判断是否满足收敛条件，若前后两次迭代的函数值之差绝对值小于等于给定的最大允许误差，或已达到最大迭代次数，则终止迭代过程，并将最后一次迭代的功率和带宽分配结果作为当前周期的最后资源分配策略。
进一步，步骤S2中，所述在线测量模型中包括：满足雾节点的时频资源分配需求为：由于车联网中用户设备数量过大，计算卸载引起的大规模设备接入雾节点容易造成网络拥塞，因此通过建立在线测量模型，根据估计的队列溢出概率对资源块数量进行动态调整以减小未来设备接入雾节点的压力。
进一步，所述雾节点的队列溢出概率为：
其中，表示雾节点f在当前周期内的无线资源数量，F表示雾节点数量；雾节点在每个周期上的队列更新过程为：
其中，表示雾节点f在第n个周期开始时的队列长度，表示雾节点f在第n个周期内的业务请求到达量，表示雾节点f在第n个周期内的业务离开量；
当雾节点传输速率或资源块数量不足时，队列上溢则表示出现数据丢失，因此需要通过调整资源块数量为用户选择适当的服务速率以保持队列长度小于
进一步，步骤S2中，所述根据估计的队列溢出概率对雾节点总资源块数量进行动态调整具体为：针对海量设备的卸载业务接入问题，本发明考虑通过观察每个周期n的历史数据，并在线估计n+N周期的队列溢出概率，从而进行前摄性地调整雾节点的资源块数量，具体步骤为：根据队列长度和平均队列长度增量为雾节点f配置时频资源；
当时，如果服务速率rf(n)保持不变，可能引起待卸载数据丢失或接入拥塞，通过增加配置的时频资源块的数量z来提高服务速率，即：Cf(n+1)＝zrf(n)；其中rf(n)表示单个时频资源块所能提供的服务速率，通过不断增加时频资源块的数量直到雾节点f满足
当且时，即当前队列长度低于但每个周期的平均队列长度增量高于未来n个周期内的队列平均增量如果保持服务速率不变，则N个周期之后队列长度将超过因此通过适当增加时频资源块的数量来提高当前服务率，以减少这种情况下的溢出概率；
当且时，仍有可能出现访问请求的潜在增加，这种情况仍可能发生溢出，计算在周期n+N上的近似溢出概率当表示当前服务速率不满足QoS需求，需增加一定的时频资源块的数量；其中为速率函数，εf表示雾节点f的违反概率。
本发明的有益效果在于：
(1)本发明在雾计算网络覆盖场景下，针对车联网业务的时延需求及海量设备的卸载业务接入问题，建立联合卸载决策、计算资源和无线资源分配的资源优化模型，在满足时延需求的同时最小化系统总能耗和资源总成本，不仅可以减小时延和能耗，也可以满足高计算力需求。
(2)本发明还借助二分搜索法得到计算资源分配方案，并建立用户卸载业务请求队列的上溢概率估计模型，雾节点根据估计的溢出概率对资源块数量进行动态调整，最后通过利用拉格朗日对偶分解方法得到雾节点关联用户的资源块和功率分配方案，解决了由于车联网设备数量过大，计算卸载引起的大规模设备接入雾节点容易造成网络拥塞的问题，从而减小未来海量设备接入雾节点的压力。
本发明的其他优点、目标和特征在某种程度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、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为云雾混合系统基本通信场景图；
图2为云雾混合计算车联网计算卸载和资源分配策略示意图；
图3为云雾混合计算车联网计算卸载示意图；
图4为联合卸载决策和计算资源调度方法流程图；
图5为基于在线测量的时频资源调度方法流程图；
图6为基于拉格朗日分解的迭代带宽和功率分配方法流程图；
图7为云雾混合计算车联网资源分配整体流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
参阅图1，图1为本发明的云雾混合系统基本通信场景图。在本发明实例中，考虑由云层以及多个雾节点覆盖的传输场景，主要包括用户设备VUE，云服务器Cloud Server，雾节点Fog Node三部分组成，三类设备各自均具有不同的存储和计算处理能力，所述通信过程由用户的计算卸载决策展开，当所述计算卸载在雾节点，仅包括无线链路通信，包括无线资源和计算资源两类资源分配。当所述计算卸载在云层，包括无线和有线两种通信方式，高计算能力的云层具有充足的计算资源，仅考虑无线资源分配。
参阅图2，图2为本发明的云雾混合计算车联网计算卸载和资源分配策略示意图。在本发明实例中，考虑由云层、雾层和用户设备层组成的三层网络结构，用户层由不同业务需求的车辆组成，根据不同需求关联到对应的雾节点，所述雾层包括雾节点、路由器及服务器，所述云层由路由器及云服务器组成，云层的优势在于可以提供超高的计算能力，雾层由于邻近用户，大大减少了能耗和时延，但计算能力有限。所述实例中，用户层具有积压的待卸载处理数据，通过上行无线链路将数据传输到雾节点进行计算卸载，或雾节点充当中继节点，继续通过有线回程链路传输到云层进行计算卸载，整个过程分为计算卸载和资源分配，具体资源分配可细分为雾节点计算资源分配，雾节点物理资源块数量配置，在雾节点资源块配置完成后，再进行雾节点关联下的用户的带宽及功率分配。
所述计算卸载：用户根据计算需求决定将数据卸载到雾层或云层，进而通过上行链路传输卸载数据至雾节点或通过有线回程链路传输到云层。
所述雾节点计算资源分配：云层具有超高的计算能力，计算资源充足，相反，雾节点计算资源有限，需要合理地分配计算资源以减少能耗、时延，提高资源利用率。
所述雾节点物理资源块配置：考虑资源成本问题，为避免资源浪费，根据用户需要为雾节点配置物理资源块数量。通过建立在线测量模型，根据估计的接入队列上溢概率为用户增加适量的资源块以提高服务速率，减小未来用户接入压力。
所述雾节点关联用户的带宽和功率分配：用户通过上行无线链路传输卸载数据，在雾节点总资源块配置完毕，雾节点为其关联的用户分配适量的带宽和功率。
参阅图3，图3为本发明的云雾混合计算车联网计算卸载示意图。所述计算卸载过程包括雾节点和云层的数据上传和处理过程以及数据处理完成后的回传过程，其中包括无线链路和有限链路。所述有线链路带宽充足，无线链路信道模型由路径损耗、阴影衰落构成的慢衰落和快衰落构成，整个过程需要对有限的无线资源和计算资源进行有效分配。
参阅图4，图4为联合卸载决策和计算资源调度方法流程图，步骤如下：
步骤401：初始化半正定规划问题中的矩阵及相关参数；
步骤402：执行计算卸载方法得到相应节点卸载概率；
步骤403：通过多次迭代运行该方法获得准确的卸载策略；
步骤404：采用二分搜索法搜索得到优化的计算资源调度方案；
步骤405：判断是否满足最大容忍误差，若满足，则执行步骤406；若不满足，则执行步骤404；
步骤406：输出优化的计算资源调度策略；
步骤407：判断是否满足试验次数，若满足，则结束该方法，若不满足，则执行步骤402。
参阅图5，图5为基于在线测量的时频资源调度方法流程图，步骤如下：
步骤501：初始化每个雾节点的资源块配置数量和剩余资源块数量；
步骤502：在每个周期上观察雾节点的接入请求队列；
步骤503：判断观测到的队列是否超过队列阈值上界，若超过，则执行步骤504，若不超过，则终止本次方法；
步骤504：增加时频资源块数量直到队列低于阈值上界或已达到该雾节点的最大资源块总数；
步骤505：判断可接受的平均队列增长率是否超过期望的平均队列增长率，若超过，则执行步骤506，若不超过，则终止本次方法；
步骤506：适当增加一定数量的资源块减少未来的接入队列溢出概率。
参阅图6，图6为基于拉格朗日分解的迭代带宽和功率分配方法流程图，步骤如下：
步骤601：初始化迭代次数和误差精度；
步骤602：借助拉格朗日方法得到优化的传输功率策略；
步骤603：执行二分搜索法得到带宽资源调度方案；
步骤604：根据次梯度方法更新拉格朗日乘子及迭代次数；
步骤605：根据上一次迭代结果继续执行方法，得到本次的带宽和功率分配策略；
步骤606：判断是否满足循环条件，若满足，则终止本次方法，若不满足，则继续执行步骤604。
参阅图7，图7为云雾混合计算车联网资源分配整体流程图，步骤如下
步骤701：初始化所有参数和矩阵；
步骤702：执行计算卸载方法提取优化的计算卸载策略；
步骤703：采用二分搜索法执行计算资源调度策略；
步骤704：执行基于在线测量的雾节点时频资源配置方法；
步骤705：借助拉格朗日对偶法求解雾节点关联下的用户带宽和功率分配方案。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于云雾混合计算的车联网资源分配方法，其特征在于，该方法具体包括以下步骤：
S1：在雾接入车联网场景下，将计算卸载决策和卸载业务接入控制结合到资源优化模型中，对优化目标进行优化，在满足时延约束的同时最小化系统总能耗和总资源成本；
S2：建立在线测量模型，根据估计的队列溢出概率对雾节点总资源块数量进行动态调整，减小未来设备接入拥塞的压力。
2.根据权利要求1所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述步骤S1中，所述资源优化模型中包括：
满足用户计算卸载时延需求为：计算卸载时延由无线或回程链路传输时延与雾节点或云层的处理时延之和；
满足用户的计算资源分配需求为：雾节点所分配的计算资源和不超过该节点拥有的计算资源总量；
满足用户的功率分配需求为：对功率进行优化，在满足时延约束的同时最小化能耗。
3.根据权利要求1所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述步骤S1中，计算卸载过程分为在雾层或云层处理应用程序，所述用户的计算卸载决策表示为
其中，表示用户m的应用程序在雾层处理，表示用户m的应用程序在云层处理。
4.根据权利要求1所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述步骤S1中，所述优化目标为联合联合计算卸载决策、计算资源和无线资源分配进行联合优化，具体为：首先根据有效的计算卸载决策和计算资源分配算法，为每个雾节点配置初始的资源块；然后再在每个周期根据估计的队列溢出概率对资源块数量进行动态调整以减小未来设备接入雾节点的压力；最后利用拉格朗日对偶分解求得资源块和功率分配优化解。
5.根据权利要求4所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述有效的计算卸载决策和计算资源分配算法包括：在每次计算卸载决策后，为每个用户分配合适的计算资源、资源块数量和传输功率，具体为：
1)初始化用户数、用户参数、试验次数，总带宽，总计算资源数及标准凸QCQP问题中的矩阵；
2)通过计算卸载概率，并多次迭代执行该操作，提取优化后的卸载决策方案；
3)通过二分搜索法搜索计算资源优化方案，为能量成本较大的用户分配更多的资源，通过迭代执行该过程直到所有计算资源分配完毕，并且雾节点将分配相同质量的计算资源给所有用户。
6.根据权利要求5所述的基于云雾混合计算的车联网资源分配方法，其特征在于，在得到计算资源分配及雾节点资源块配置之后，对关联到雾节点的用户进行资源块和功率分配，具体包括以下步骤：
1)初始化拉格朗日乘子及相关参数；
2)在区间[0,1]内执行二分搜索法得到带宽资源调度方案；
3)借助拉格朗日方法对功率进行求导得到功率分配策略；
4)更新拉格朗日乘子，迭代执行上述步骤，判断是否满足收敛条件，若前后两次迭代的函数值之差绝对值小于等于给定的最大允许误差，或已达到最大迭代次数，则终止迭代过程，并将最后一次迭代的功率和带宽分配结果作为当前周期的最后资源分配策略。
7.根据权利要求1所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述步骤S2中，所述在线测量模型中包括：满足雾节点的时频资源分配需求为：根据估计的队列溢出概率对资源块数量进行动态调整以减小未来设备接入雾节点的压力。
8.根据权利要求1或4所述的基于云雾混合计算的车联网资源分配方法，其特征在于：所述雾节点的队列溢出概率为：
其中，表示雾节点f在当前周期内的无线资源数量，F表示雾节点数量；雾节点在每个周期上的队列更新过程为：
其中，表示雾节点f在第n个周期开始时的队列长度，表示雾节点f在第n个周期内的业务请求到达量，表示雾节点f在第n个周期内的业务离开量；
当雾节点传输速率或资源块数量不足时，队列上溢则表示出现数据丢失，因此需要通过调整资源块数量为用户选择适当的服务速率以保持队列长度小于
9.根据权利要求8所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述步骤S2中，所述根据估计的队列溢出概率对雾节点总资源块数量进行动态调整具体为：通过观察每个周期n的历史数据，并在线估计n+N周期的队列溢出概率，从而进行前摄性地调整雾节点的资源块数量，具体步骤为：根据队列长度和平均队列长度增量为雾节点f配置时频资源；
当时，如果服务速率rf(n)保持不变，引起待卸载数据丢失或接入拥塞，通过增加配置的时频资源块的数量z来提高服务速率，即：Cf(n+1)＝zrf(n)；其中rf(n)表示单个时频资源块所能提供的服务速率，通过不断增加时频资源块的数量直到雾节点f满足
当且时，即当前队列长度低于但每个周期的平均队列长度增量高于未来n个周期内的队列平均增量如果保持服务速率不变，则N个周期之后队列长度将超过因此通过适当增加时频资源块的数量来提高当前服务率，以减少这种情况下的溢出概率；
当且时，出现访问请求的潜在增加，这种情况仍可能发生溢出，计算在周期n+N上的近似溢出概率当表示当前服务速率不满足QoS需求，需增加一定的时频资源块的数量；其中为速率函数，εf表示雾节点f的违反概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910157692.3A CN109951869B (zh) | 2019-03-01 | 2019-03-01 | 一种基于云雾混合计算的车联网资源分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910157692.3A CN109951869B (zh) | 2019-03-01 | 2019-03-01 | 一种基于云雾混合计算的车联网资源分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109951869A true CN109951869A (zh) | 2019-06-28 |
| CN109951869B CN109951869B (zh) | 2022-04-29 |
Family
ID=67007044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910157692.3A Active CN109951869B (zh) | 2019-03-01 | 2019-03-01 | 一种基于云雾混合计算的车联网资源分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109951869B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110519110A (zh) * | 2019-10-12 | 2019-11-29 | 驷途(上海)科技有限公司 | 一种云宽带配置装置 |
| CN110650457A (zh) * | 2019-10-14 | 2020-01-03 | 河海大学 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
| CN111147398A (zh) * | 2019-12-09 | 2020-05-12 | 中国科学院计算机网络信息中心 | 一种时延敏感网络中的通信计算联合资源分配方法及系统 |
| CN111784029A (zh) * | 2020-06-09 | 2020-10-16 | 国网河北省电力有限公司经济技术研究院 | 一种雾节点资源分配方法 |
| CN112188631A (zh) * | 2020-10-09 | 2021-01-05 | 上海海事大学 | 基于梯度估计的海洋雾节点资源管理方法 |
| CN112188632A (zh) * | 2020-10-09 | 2021-01-05 | 上海海事大学 | 一种基于二阶梯度估计的海洋雾节点在线资源管理方法 |
| CN112636948A (zh) * | 2020-12-01 | 2021-04-09 | 苏州浪潮智能科技有限公司 | 一种网络终端计算资源协调系统及方法 |
| CN113015109A (zh) * | 2021-02-23 | 2021-06-22 | 重庆邮电大学 | 一种车辆雾计算中无线虚拟网络准入控制方法 |
| CN113613270A (zh) * | 2021-07-22 | 2021-11-05 | 重庆邮电大学 | 一种基于数据压缩的雾接入网计算卸载方法 |
| CN113766564A (zh) * | 2021-10-15 | 2021-12-07 | 武汉联影医疗科技有限公司 | 数据传输的拥塞控制方法、装置、计算机设备和存储介质 |
| CN113823011A (zh) * | 2021-09-03 | 2021-12-21 | 深圳云天励飞技术股份有限公司 | 巡逻机器人的算力分配方法及相关设备 |
| CN113938442A (zh) * | 2020-07-10 | 2022-01-14 | 中国移动通信有限公司研究院 | 预留资源的配置方法、装置、设备及存储介质 |
| CN114460923A (zh) * | 2022-01-28 | 2022-05-10 | 重庆长安新能源汽车科技有限公司 | 车载分布式算力的系统、方法及车辆 |
| CN114980127A (zh) * | 2022-05-18 | 2022-08-30 | 东南大学 | 雾无线接入网中基于联邦强化学习的计算卸载方法 |
| CN114980127B (zh) * | 2022-05-18 | 2024-07-02 | 东南大学 | 雾无线接入网中基于联邦强化学习的计算卸载方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103067514A (zh) * | 2012-12-29 | 2013-04-24 | 深圳先进技术研究院 | 用于视频监控分析系统的云计算资源优化的方法和系统 |
| CN103546552A (zh) * | 2013-10-17 | 2014-01-29 | 方科峰 | 一种分布式移动终端交通管理方法 |
| CN104320494A (zh) * | 2014-11-15 | 2015-01-28 | 周成亮 | 一种基于云技术及物联网技术的智能家居门铃系统 |
| CN105376182A (zh) * | 2015-11-30 | 2016-03-02 | 国网吉林省电力有限公司信息通信公司 | 一种电网资源管理与分配方法及系统 |
| CN106899691A (zh) * | 2017-03-16 | 2017-06-27 | 广州大学 | 一种基于云平台的智能物联网监控系统及方法 |
| WO2017165701A1 (en) * | 2016-03-25 | 2017-09-28 | Nebbiolo Technologies, Inc. | Fog Computing Facilitated Flexible Factory |
| CN107305372A (zh) * | 2016-04-25 | 2017-10-31 | 韩磊 | 云计算网络架构的远程监控的电动汽车能源监控和更换网 |
| US20170337091A1 (en) * | 2016-05-17 | 2017-11-23 | International Business Machines Corporation | Allocating compute offload resources |
| CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
| EP3407194A2 (en) * | 2018-07-19 | 2018-11-28 | Erle Robotics, S.L. | Method for the deployment of distributed fog computing and storage architectures in robotic modular components |
| CN109257167A (zh) * | 2018-09-03 | 2019-01-22 | 华东师范大学 | 一种在雾计算中保护隐私的资源分配方法 |
-
2019
- 2019-03-01 CN CN201910157692.3A patent/CN109951869B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103067514A (zh) * | 2012-12-29 | 2013-04-24 | 深圳先进技术研究院 | 用于视频监控分析系统的云计算资源优化的方法和系统 |
| CN103546552A (zh) * | 2013-10-17 | 2014-01-29 | 方科峰 | 一种分布式移动终端交通管理方法 |
| CN104320494A (zh) * | 2014-11-15 | 2015-01-28 | 周成亮 | 一种基于云技术及物联网技术的智能家居门铃系统 |
| CN105376182A (zh) * | 2015-11-30 | 2016-03-02 | 国网吉林省电力有限公司信息通信公司 | 一种电网资源管理与分配方法及系统 |
| WO2017165701A1 (en) * | 2016-03-25 | 2017-09-28 | Nebbiolo Technologies, Inc. | Fog Computing Facilitated Flexible Factory |
| CN107305372A (zh) * | 2016-04-25 | 2017-10-31 | 韩磊 | 云计算网络架构的远程监控的电动汽车能源监控和更换网 |
| US20170337091A1 (en) * | 2016-05-17 | 2017-11-23 | International Business Machines Corporation | Allocating compute offload resources |
| CN106899691A (zh) * | 2017-03-16 | 2017-06-27 | 广州大学 | 一种基于云平台的智能物联网监控系统及方法 |
| CN108541027A (zh) * | 2018-04-24 | 2018-09-14 | 南京邮电大学 | 一种基于边缘云网络的通信计算资源置换方法 |
| EP3407194A2 (en) * | 2018-07-19 | 2018-11-28 | Erle Robotics, S.L. | Method for the deployment of distributed fog computing and storage architectures in robotic modular components |
| CN109257167A (zh) * | 2018-09-03 | 2019-01-22 | 华东师范大学 | 一种在雾计算中保护隐私的资源分配方法 |
Non-Patent Citations (3)
| Title |
|---|
| MEHDI SOOKHAK, F. RICHARD YU, YING HEY, HAMID TALEBIANZ, NADER S: ""Fog Vehicular Computing: Augmentation of Fog Computing Using Vehicular Cloud Computing"", 《IEEE VEHICULAR TECHNOLOGY MAGAZINE》 * |
| NING GAO, LUN TANG, SHOUJIE LI, QIANBIN CHEN: ""Hybrid Clustering-Based MAC Protocol for Vehicular Ad Hoc Networks"", 《2014 INTERNATIONAL WORKSHOP ON HIGH MOBILITY WIRELESS COMMUNICATIONS》 * |
| QIUPING LI1, JUNHUI ZHAO1, YI GONG, QINGMIAO ZHANG: ""Energy-Efficient Computation Offloading and Resource Allocation in Fog Computing for Internet of Everything"", 《中国通信》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110519110A (zh) * | 2019-10-12 | 2019-11-29 | 驷途(上海)科技有限公司 | 一种云宽带配置装置 |
| CN110519110B (zh) * | 2019-10-12 | 2023-06-23 | 驷途(上海)科技有限公司 | 一种云宽带配置装置 |
| CN110650457A (zh) * | 2019-10-14 | 2020-01-03 | 河海大学 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
| CN110650457B (zh) * | 2019-10-14 | 2020-07-14 | 河海大学 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
| CN111147398A (zh) * | 2019-12-09 | 2020-05-12 | 中国科学院计算机网络信息中心 | 一种时延敏感网络中的通信计算联合资源分配方法及系统 |
| CN111147398B (zh) * | 2019-12-09 | 2022-05-17 | 中国科学院计算机网络信息中心 | 一种时延敏感网络中的通信计算联合资源分配方法及系统 |
| CN111784029A (zh) * | 2020-06-09 | 2020-10-16 | 国网河北省电力有限公司经济技术研究院 | 一种雾节点资源分配方法 |
| CN113938442A (zh) * | 2020-07-10 | 2022-01-14 | 中国移动通信有限公司研究院 | 预留资源的配置方法、装置、设备及存储介质 |
| CN112188632A (zh) * | 2020-10-09 | 2021-01-05 | 上海海事大学 | 一种基于二阶梯度估计的海洋雾节点在线资源管理方法 |
| CN112188631A (zh) * | 2020-10-09 | 2021-01-05 | 上海海事大学 | 基于梯度估计的海洋雾节点资源管理方法 |
| CN112636948A (zh) * | 2020-12-01 | 2021-04-09 | 苏州浪潮智能科技有限公司 | 一种网络终端计算资源协调系统及方法 |
| CN112636948B (zh) * | 2020-12-01 | 2022-12-20 | 苏州浪潮智能科技有限公司 | 一种网络终端计算资源协调系统及方法 |
| CN113015109A (zh) * | 2021-02-23 | 2021-06-22 | 重庆邮电大学 | 一种车辆雾计算中无线虚拟网络准入控制方法 |
| CN113613270A (zh) * | 2021-07-22 | 2021-11-05 | 重庆邮电大学 | 一种基于数据压缩的雾接入网计算卸载方法 |
| CN113613270B (zh) * | 2021-07-22 | 2024-02-20 | 深圳市中安通信科技有限公司 | 一种基于数据压缩的雾接入网计算卸载方法 |
| CN113823011A (zh) * | 2021-09-03 | 2021-12-21 | 深圳云天励飞技术股份有限公司 | 巡逻机器人的算力分配方法及相关设备 |
| CN113766564A (zh) * | 2021-10-15 | 2021-12-07 | 武汉联影医疗科技有限公司 | 数据传输的拥塞控制方法、装置、计算机设备和存储介质 |
| CN113766564B (zh) * | 2021-10-15 | 2023-05-30 | 武汉联影医疗科技有限公司 | 数据传输的拥塞控制方法、装置、计算机设备和存储介质 |
| CN114460923A (zh) * | 2022-01-28 | 2022-05-10 | 重庆长安新能源汽车科技有限公司 | 车载分布式算力的系统、方法及车辆 |
| CN114980127A (zh) * | 2022-05-18 | 2022-08-30 | 东南大学 | 雾无线接入网中基于联邦强化学习的计算卸载方法 |
| CN114980127B (zh) * | 2022-05-18 | 2024-07-02 | 东南大学 | 雾无线接入网中基于联邦强化学习的计算卸载方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109951869B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109951869A (zh) | 一种基于云雾混合计算的车联网资源分配方法 | |
| Sun et al. | Joint offloading and computation energy efficiency maximization in a mobile edge computing system | |
| Nassar et al. | Reinforcement learning for adaptive resource allocation in fog RAN for IoT with heterogeneous latency requirements | |
| Zhou et al. | Joint resource allocation and user association for heterogeneous services in multi-access edge computing networks | |
| CN111182570B (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
| CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
| CN109800072A (zh) | 基于边缘计算的任务调度优化方法和装置 | |
| CN103096415B (zh) | 一种面向认知无线Mesh网络的路由优化装置及方法 | |
| Ma et al. | A strategic game for task offloading among capacitated UAV-mounted cloudlets | |
| CN111132191A (zh) | 移动边缘计算服务器联合任务卸载、缓存及资源分配方法 | |
| CN104619029B (zh) | 一种集中式蜂窝网络架构下的基带池资源分配方法和装置 | |
| Lin et al. | Three-tier capacity and traffic allocation for core, edges, and devices for mobile edge computing | |
| CN110096362A (zh) | 一种基于边缘服务器协作的多任务卸载方法 | |
| Sun et al. | Energy-efficient multimedia task assignment and computing offloading for mobile edge computing networks | |
| CN111800812B (zh) | 一种应用在非正交多址接入的移动边缘计算网络中的用户接入方案的设计方法 | |
| Zhao et al. | Task proactive caching based computation offloading and resource allocation in mobile-edge computing systems | |
| CN108174397A (zh) | 一种任务驱动的多网关协同方法 | |
| Hamidouche et al. | The 5G cellular backhaul management dilemma: To cache or to serve | |
| Mollahasani et al. | Dynamic CU-DU selection for resource allocation in O-RAN using actor-critic learning | |
| CN112689296B (zh) | 一种异构IoT网络中的边缘计算与缓存方法及系统 | |
| CN109996248A (zh) | 用于无线通信的电子设备和方法以及计算机可读存储介质 | |
| TWI698111B (zh) | 功能分割無線前端通訊下品質體驗導向的跨層資料存取控制與波束分配之通訊系統 | |
| Fan et al. | Delay-aware resource allocation in fog-assisted IoT networks through reinforcement learning | |
| Sanguanpuak et al. | Radio resource sharing and edge caching with latency constraint for local 5G operator: Geometric programming meets Stackelberg game | |
| Ren et al. | Vehicular network edge intelligent management: A deep deterministic policy gradient approach for service offloading decision |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231129 Address after: 100102 H01, 3 / F, building 6, courtyard 6, Wangjing East Road, Chaoyang District, Beijing Patentee after: Beijing Bailong Mayun Technology Co.,Ltd. Address before: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518110 Patentee before: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd. Effective date of registration: 20231129 Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518110 Patentee after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |