CN110058928A - 异构车联网中基于鞅理论的计算任务分配方法 - Google Patents

Abstract

本发明提供了异构车联网中基于鞅理论的计算任务分配方法，判断需要卸载的计算任务在时间T内是否能完成计算，若源节点的本地资源足够，直接进行源节点本地计算；若不够，将计算任务卸载到异构车联网中的车辆结点、边缘结点和云中心结点中并行进行计算。在分配前，先建立数据产生模型和数据服务模型，根据鞅理论，构建到达鞅和服务鞅，确定计算任务量与时延违反概率之间的关系，确定所有计算资源结点所能容纳的最大计算任务量，若所需卸载任务量大于最大计算任务量，则直接丢弃；若其小于最大计算任务量，构建最小化时延违反概率和的优化问题，计算出任务卸载到各结点的数量。本发明与传统的计算任务分配方法相比时延违反概率得到了明显降低。

Description

异构车联网中基于鞅理论的计算任务分配方法

技术领域

本发明涉及无线通信、车联网和边缘计算技术领域，特别涉及异构车联网中基于鞅理论的计算任务分配方法。

背景技术

近年来，汽车已不仅仅是一种为个体提供交通服务的代步工具，随着人们对自动驾驶、安全高效的交通路网等功能的需求，将独立的车辆整合成网络的智能交通系统被提出。车辆要形成智能网络，实现自动驾驶等智能功能，必须要对变化的环境进行快速反应和预测，这就需要在很短的时间内完成大量的计算任务。目前计算任务主要由云中心完成，而云中心由于其位置较远，会产生较长的传输时延，无法在极短的时间内完成大量的计算任务，所以要实现智能交通系统，仅依靠云中心是不够的。

为了解决这一问题，一方面，研究人员提出了边缘计算，将基站等边缘结点引入智能交通系统，由于边缘结点的地理位置较接近终端用户，它的传输时延远小于云中心的传输时延。另一方面，研究人员提出将车辆结点看成是一种计算资源，车辆结点的地理位置更接近终端用户，它的传输时延比边缘结点更小。由此，形成了一种包含车辆结点、边缘结点和云中心的异构车联网。这三类计算资源有不同的特点，除了地理位置的区别之外，云中心具有无限的计算资源，计算时延可以忽略不计，在传输计算任务时需要路边单元作为中继协助传输；边缘结点的计算能力中等，会产生一定的计算时延，也需要路边单元作为中继协助传输；车辆结点计算能力最小，计算时延较大，由于位置与终端用户最接近，可与终端用户直接通信，不需要中继结点转发计算任务。在这样的一个异构网络中，如何分配计算任务，最小化计算任务的时延违反概率，就显得尤为重要。

发明内容

本发明提供的异构车联网中基于鞅理论的计算任务分配方法，目的在于填补异构车联网中的计算任务分配方法的空白，降低了时延违反概率。

为了实现上述技术目的，达到上述技术效果，本发明的技术方案包括以下步骤：

S1.需要卸载的计算任务的计算密度为L，判断在时间T内是否能完成计算，若源节点的本地资源足够，直接进行源节点本地计算；若不够，需要将计算任务卸载到异构车联网中的其他三种计算资源，包括车辆结点、边缘结点和云中心结点中并行进行计算；

S2.在进行计算任务分配前，先建立数据产生模型和数据服务模型，根据鞅理论，构建到达鞅和服务鞅；

S3.计算任务卸载到边缘结点或者云中心结点时，通过路边单元进行中继形成两跳链路，利用最小加代数法将两跳链路转换成等效的一跳链路，最后给出两个结点基于鞅理论的时延违反概率；

S4.计算任务卸载到车辆结点时，考虑计算时延，给出基于鞅理论的时延违反概率；

S5.根据步骤S3和S4，计算出3种结点的时延违反概率与分配的计算任务量之间的关系，确定所有计算结点所能容纳的最大计算任务量，若其小于所需卸载的任务量，则直接丢弃该计算任务；若其大于所需卸载的任务量，构建最小优化时延违反概率和，计算出任务卸载到各结点的分配量。

进一步地，所述步骤S3中，在时间[m,n]内，卸载的数据量定义为S_i(m,n)，和分别表示到达、离开和服务过程，下标j＝1或j＝2分别表示第1或第2跳；若不需要区分边缘结点或云中心结点，用上标o统一标识；若需要区分边缘结点或云中心结点，上标e表示边缘结点，上标c表示云中心结点；第一跳的离开过程表示为：

第二跳中，路边单元的到达数据量即为源结点的离开数据量，即：

路边单元的离开过程表示为：

利用最小加代数法表示到达过程和服务过程的关系：

第二跳的离开过程进一步表示为：

相应的，卸载到边缘结点或云中心结点的两跳链路用等效的一跳链路和分别表示如下：

进一步地，当已知到达过程和离开过程后，时延过程表示为：

时延违反概率表示为：

Pr(W(n)≥k)＝Pr(A(n-k)≥D(n)) (18)

进一步写成：

要进一步分析时延违反概率，需要构建到达鞅和服务鞅，如下：

卸载到边缘结点时，考虑计算时延、传播时延和通信时延，给出基于鞅理论的时延违反概率，边缘结点的计算容量为f_e，计算任务量为X_e，计算密度为L，计算时延表示为：

数据在有线信道的传输速率为s^e，传输时延T_e ^comm为：

源结点到边缘结点的传播时延假设为T_e ^prop，该结点的时延违反概率为：

其中，并且且表示的谱半径，

卸载到云中心结点时，考虑通信时延、传播时延，给出基于鞅理论的时延违反概率，由于云中心距离边缘结点较远，传播时延为T_c ^prop，具有如下关系：

T_c ^prop＞T_e ^prop (27)

数据的传输速率为s^c，计算任务量为X_c，通信时延为：

该结点的时延违反概率为：

其中，且

进一步地，所述步骤S4中，车辆结点的计算容量为f_i，计算任务量为X_i，计算时延表示为：

该结点的时延违反概率为：

且

进一步地，所述步骤S5中，算出网络中能够容纳的最大计算任务为：

若需要计算的任务量X大于X^max，则直接丢弃该任务，若X小于X^max，运用内点法解如下问题，

(d)0≤X_c≤(T-T_c ^prop)s^c,

其中则为最优的计算任务分配量。

有益效果

本发明运用鞅理论获得的各个计算资源的时延违反概率是非常紧的，适用于数据量具有突发性质的非泊松到达过程；本发明提出的计算任务分配方法能够最小化时延违反概率和，进一步提升智能交通系统计算卸载的性能。

附图说明

图1为异构车联网中基于鞅理论的计算任务分配方法。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细描述。

给定一个异构车联网，包含三种计算资源：一个云中心结点，一个边缘结点和N个车辆结点。一个源结点产生计算任务，还有一些路边单元作为中继，协助计算任务卸载。

1.源结点中数据产生模型

将源结点中计算任务产生通过蒙特卡洛(Monte Carlo Markov Chain,MCMC)方法，建模成马尔科夫开关(Markov-modulated on off,MMOO)过程，该过程有两个状态{0，1}，该马尔科夫链的转移矩阵可以表示为：

其中，p_α表示状态0到状态1的转移概率，p_β表示状态1到状态0的转移概率。状态0表示没有计算任务产生，状态1表示产生的计算任务a(k)＝R。在时间[m,n]中累积数据量可以表示为：A(m,n)看成是一个二元变量数据到达过程，当m＝0，简写成

2.卸载到车辆结点

计算任务卸载到车辆结点时，源结点采用截断信道翻转法，维持车辆结点处以恒定的速率收到卸载的计算任务。车辆结点的接收功率表示为：

其中，γ_i表示信道增益，假设为瑞利衰落信道，γ_i服从参数为1的指数分布。γ₀为截断信道衰落深度。d_i为源结点到车辆结点的距离，α为信道衰落参数。中断概率为：

成功传输概率为：

源结点为车辆结点提供的恒定传输速率C_i为：

在时间[m,n]内，卸载的数据量可定义为：

其中

相对应的离开过程可以定义为：

D_i(n)≥inf{A(m)+S_i(m,n)} (7)

我们假设：

上式表示s_i的期望比a(k)大，但小于a(k)的峰值。

3.卸载到边缘结点或者云中心结点

计算任务卸载到边缘结点或云中心结点时，需要通过路边单元进行中继。这样就形成了一个两跳的链路。我们用和表示到达，离开和服务过程，下标j＝1或j＝2分别表示第1或第2跳。当我们不需要区分边缘结点或云中心结点时，用上标o统一标识。当需要区分边缘结点或云中心结点时，我们用上标e表示边缘结点，用上标c表示云中心结点。第一跳的离开过程可以表示为：

第二跳中，路边单元的到达数据量即为源结点的离开数据量，即：

路边单元的离开过程可以表示为：

我们假设路边单元到边缘结点或者云中心结点都是通过光纤连接。我们假设如下关系：

4.最小加代数法

我们用最小加代数法表示到达过程和服务过程的关系：

第2跳的离开过程可以进一步表示为：

相应的，卸载到边缘结点或云中心的两跳链路可以用等效的一跳链路和分别表示如下：

5.鞅理论的相关知识

当已知到达过程和离开过程后，时延过程可以表示为：

时延违反概率可以表示为：

Pr(W(n)≥k)＝Pr(A(n-k)≥D(n)) (18)

进一步写成：

要进一步分析时延违反概率，需要构建到达鞅和服务鞅，如下：

6.车辆结点的时延违反概率

假设需要卸载的计算任务的计算密度为L，需要在时间T内完成，源结点的本地计算资源有限，无法在规定时间内完成，需要将计算任务卸载给其他计算结点，进行并行计算。

假设车辆结点的计算容量为f_i，计算任务量为X_i，计算时延表示为：

该结点的时延违反概率为：

且

7.边缘结点的时延违反概率

卸载到边缘结点时，考虑计算时延、传播时延和通信时延，给出基于鞅理论的时延违反概率，边缘结点的计算容量为f_e，计算任务量为X_e，计算密度为L，计算时延T_e ^comp表示为：

数据在有线信道的传输速率为s^e，传输时延T_e ^comm为：

源结点到边缘结点的传播时延假设为T_e ^prop，该结点的时延违反概率为：

其中并且且表示的谱半径，

8.云中心结点的时延违反概率

卸载到云中心结点时，因为云中心具有无限的计算资源，计算时延可以忽略不计。由于云中心结点距离边缘结点较远，传播时延为T_c ^prop，具有如下关系：

T_c ^prop＞T_e ^prop (27)

假设数据的传输速率为s^c，通信时延为：

利用鞅理论，计算任务分配到云中心结点的时延违反概率为：

其中且

9.计算任务分配方法

首先需要确认网络中所有计算资源能否容纳需要分配的计算任务。算出网络中能够容纳的最大计算任务为：

若需要计算的任务量X大于X^max，则直接丢弃该任务，若X大于X^max，运用内点法解如下问题：

(d)0≤X_c≤(T-T_c ^prop)s^c,

其中则为最优的计算任务分配量。

以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (5)

1.异构车联网中基于鞅理论的计算任务分配方法，其特征在于，包括以下步骤：

S1.需要卸载的计算任务的计算密度为L，判断在时间T内是否能完成计算，若源节点的本地资源足够，直接进行源节点本地计算；若不能，需要将计算任务卸载到异构车联网中的其他三种计算资源，包括车辆结点、边缘结点和云中心结点中并行进行计算；

S2.在进行计算任务分配前，先建立数据产生模型和数据服务模型，根据鞅理论，构建到达鞅和服务鞅；

S3.计算任务卸载到边缘结点或者云中心结点时，通过路边单元进行中继转发形成两跳链路，利用最小加代数法将两跳链路转换成等效的一跳链路，最后给出两种结点基于鞅理论的时延违反概率；

S4.计算任务卸载到车辆结点时，考虑计算时延，给出基于鞅理论的时延违反概率；

S5.根据步骤S3和S4，计算出3个结点的时延违反概率与分配的计算任务量之间的关系，确定所有计算结点所能容纳的最大计算任务量，若其小于所需卸载的任务量，则直接丢弃该计算任务；若其大于所需卸载的任务量，构建最小化时延违反概率和的优化问题，计算出计算任务卸载到各结点的分配量。

2.根据权利要求1所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S3中，在时间[m,n]内，卸载的数据量定义为S_i(m,n)， 和分别表示到达、离开和服务过程，下标j＝1或j＝2分别表示第1或第2跳；若不需要区分边缘结点或云中心结点，用上标o统一标识；若需要区分边缘结点或云中心结点，上标e表示边缘结点，上标c表示云中心结点；第一跳的离开过程表示为：

第二跳中，路边单元的到达数据量即为源结点的离开数据量，即：

路边单元的离开过程表示为：

利用最小加代数法表示到达过程和服务过程的关系：

第二跳的离开过程进一步表示为：

相应的，卸载到边缘结点或云中心结点的两跳链路用等效的一跳链路和分别表示如下：

3.根据权利要求2所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，当已知到达过程和离开过程后，时延过程表示为：

时延违反概率表示为：

Pr(W(n)≥k)＝Pr(A(n-k)≥D(n)) (18)

进一步写成：

要进一步分析时延违反概率，需要构建到达鞅和服务鞅，如下：

卸载到边缘结点时，考虑计算时延、传播时延和通信时延，给出基于鞅理论的时延违反概率，边缘结点的计算容量为f_e，计算任务量为X_e，计算密度为L，计算时延表示为：

数据在有线信道的传输速率为s^e，传输时延为：

源结点到边缘结点的传播时延假设为该结点的时延违反概率为：

其中，并且且表示的谱半径，

卸载到云中心结点时，考虑通信时延、传播时延，给出基于鞅理论的时延违反概率，由于云中心距离边缘结点较远，传播时延为具有如下关系：

数据的传输速率为s^c，计算任务量为X_c，通信时延为：

该结点的时延违反概率为：

其中，且

4.根据权利要求1所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S4中，车辆结点的计算容量为f_i，计算任务量为X_i，计算时延表示为：

该结点的时延违反概率为：

且

5.根据权利要求1所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S5中，算出网络中能够容纳的最大计算任务为：

若需要计算的任务量X大于X^max，则直接丢弃该任务，若X小于X^max，运用内点法解如下问题，

其中则为最优的计算任务分配量。