CN110557732B - 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 - Google Patents

一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 Download PDF

Info

Publication number
CN110557732B
CN110557732B CN201910717944.3A CN201910717944A CN110557732B CN 110557732 B CN110557732 B CN 110557732B CN 201910717944 A CN201910717944 A CN 201910717944A CN 110557732 B CN110557732 B CN 110557732B
Authority
CN
China
Prior art keywords
vehicle
time delay
vehicles
calculation
unloading
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.)
Active
Application number
CN201910717944.3A
Other languages
English (en)
Other versions
CN110557732A (zh
Inventor
刘家佳
郭鸿志
张海宾
孙文
周小艺
张�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910717944.3A priority Critical patent/CN110557732B/zh
Publication of CN110557732A publication Critical patent/CN110557732A/zh
Application granted granted Critical
Publication of CN110557732B publication Critical patent/CN110557732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法，包括远程云中心，远程云中心分别与每个路侧单元建立连接，若干路侧单元沿道路延伸方向均布布设，两个路侧单元之间建立无线网络连接；每个车辆上均设置有无线通讯模块，车辆之间通过无线通讯模块建立连接；车辆与路侧单元之间建立无线网络连接；SDN控制器与每个路侧单元建立连接；本发明在基于SDN控制器的FiWi增强型向量任务卸载体系结构中，最优选择了通讯路径，MEC服务器的计算能力随着选择将计算任务卸载给MEC服务器的车辆数量的增加而降低的情况，不停更新相关参数，在负载均衡任务卸载方法中平均利用每个MEC服务器的计算资源，卸载方法性能优越。

Description

一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法
技术领域
本发明属于无线通讯技术领域，特别涉及一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法。
背景技术
随着无线通讯和人工智能的迅速发展，在物联网时代，车辆变得越来越互联和智能化。随着汽车网络的迅速发展，各种对时延敏感的汽车应用应运而生，如自动驾驶、自动导航及自然语言处理等。上述应用通常有大量的处理数据，需要大量的计算资源；然而，计算资源有限的车辆不能保证上述应用程序的使用质量。
现有的车辆网络中的移动边缘计算卸载方案通常由离车辆最近的服务器或车辆在完成任务时到达的服务器来完成。随着车辆数量的增加，这两种方案可能会在一定的MEC服务器上造成计算阻塞或MEC服务器之间计算资源的负载不平衡，成为矢量网络的瓶颈。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种车辆边缘计算网络任务卸载均衡系统及均衡方法，以解决现有技术中MEC服务器计算阻塞或MEC服务器之间计算资源的负载不平衡的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种车辆边缘计算网络任务卸载负载均衡系统，包括远程云中心、若干个路侧单元、若干个车辆及SDN控制器，远程云中心分别与每个路侧单元建立连接，若干路侧单元沿道路延伸方向均布布设，两个路侧单元之间建立无线网络连接；每个车辆上均设置有无线通讯模块，车辆之间通过无线通讯模块建立连接；车辆与路侧单元之间建立无线网络连接；每个路侧单元包括路边单元、光纤网络单元及MEC服务器；远程云中心通过光网络单元与路边单元建立连接，路边单元与MEC服务器之间建立连接，路边单元与车辆之间建立无线网络连接；SDN控制器与每个路侧单元建立连接，用于根据收集到的车辆信息和网络信息信息，确定车辆的通讯模式。
进一步的，远程云中心包括云服务器、光纤线路终端及分流器，云服务器通过光线路终端与分流器连接，分流器分别每个路侧单元建立连接。
本发明还提供了一种车辆边缘计算网络任务卸载负载均衡方法，包括以下步骤：
首先，获得所有车辆的通讯方式和通讯路径，
然后，计算所有车辆卸载决策时间延迟，排除不可能按时完成计算任务的车辆；
其次，将不能通过本地计算且必须进行卸载计算完成任务的车辆，更新卸载到MEC服务器计算或云中心计算的车辆组；
然后，对能够进行本地计算也能够进行卸载计算的车辆，对比本地计算时间延迟、云中心计算时间延迟和MEC服务器计算时间延迟的大小，获得计算时间延迟最短的卸载计算方式；
最后，对上述步骤进行循环遍历操作，得到车辆边缘计算网络任务卸载负载均衡方案。
进一步的，具体包括以下步骤：
步骤1、计算所有车辆的通讯方式及V2V通讯方式的路径；计算所有车辆所有卸载决策的时间延迟，在全部车辆集合N中排除不可能完成任务车辆；
步骤2、令临时集合A＝N以方便完成遍历操作；
步骤3、判断临时集合A是否为空；当临时集合A不为空，取集合A中的一车辆元素k；
步骤4、在当前无线干扰情况下计算车辆k的所有决策情况的时间延迟；
步骤5、判断车辆k本地计算时间延迟和最大要求时间延迟的大小；当车辆k本地计算时间延迟大于最大要求时间延迟时，将此车辆k从集合N中排除，并将车辆k加入至集合O，集合O存储的为选择进行云中心计算和MEC服务器计算的车辆；
步骤6、令临时集合B＝O以方便完成遍历操作；判断临时集合B是否为空；当临时集合B不为空，取集合B中的车辆元素o；
步骤7、分别计算车辆o的MEC服务器的时间延迟与远程云端服务器计算时间延迟选择最小的，更新卸载到MEC服务器计算或云中心计算的车辆组；
步骤8、更新无线环境参数；
步骤9、将车辆o从临时集合B删除，并重复步骤6-9。
进一步的，步骤1中计算所有车辆的通讯方式，包括以下步骤：
步骤1、对系统进行初始化，设定车辆的初始位置和最终位置；其中令车辆i的位置为初始位置，位置y为结束位置；
步骤2、判断最终位置y处的车辆是否为初始位置的车辆i；
步骤3、当车辆i在最终位置时，计算车辆i在最初位置时进行V2V通讯方式和V2I通讯方式的处理时间；
步骤4、比较最初位置车辆i进行V2V通讯方式和V2I通讯方式的处理时间的大小；
步骤5、当车辆i在最初位置的V2V通讯方式的处理时间大于V2I通讯方式的处理时间时，最初位置车辆选择V2I通讯方式；
步骤6、当车辆i在最初位置的V2V通讯方式的处理时间小于V2I通讯方式的处理时间时，最初位置车辆i选择V2V通讯方式；
步骤7、根据步骤5和步骤6确定的最终位置的通讯方式，并确定V2V通讯方式的路径；
步骤8、当车辆i不在最终位置时，通过SDN控制器确定车辆i的所有周围车辆；
步骤9、当周围车辆不存在时，重复步骤3-7；
步骤10、当周围车辆存在时，计算车辆i到所有周围车辆的最大传输速率，确定出最大传输速率的车辆；令确定出的最大传输速率的车辆为新的车辆i，重复步骤2-10。
进一步的，车辆所有卸载决策的时间延迟ti(λi,gi)的数学表达式为：
Figure GDA0002731883830000041
其中，
Figure GDA0002731883830000042
为决策为本地计算时的计算时间；
Figure GDA0002731883830000043
为任务卸载到MEC服务器处理时延；
Figure GDA0002731883830000044
为卸载到云服务器的处理时延；
λi为第i车辆的卸载决策；
j为第j个路侧单元；
M为路侧单元的个数。
进一步的，步骤3中，当临时集合A为空时，具体操作如下：
步骤301、判断集合N是否为空；当集合N为非空时，令临时集合A＝N以方便完成遍历操作；
步骤302、判断临时集合A是否为空；当临时集合A非空时，取临时集合A中车辆元素m；
步骤303、计算车辆m所有决策情况的时间延迟；判断车辆m本地计算时间延迟与MEC服务器和云中心计算时间延迟最小值的大小；
步骤304、当车辆m本地计算时间延迟大于等于MEC服务器和云中心计算时间延迟中的最小值时，将车辆m从集合N中排除，并将此车辆m加入集合O；
步骤305、令临时集合B＝O，判断临时集合B是否为空；当临时集合B不为空，取集合B中的一车辆元素o；
步骤306、分别计算车辆o的MEC服务器的时间延迟与远程云端服务器计算时间延迟选择最小的，更新卸载到MEC服务器计算或云端计算的车辆组；
步骤307、更新无线环境参数；
步骤308、将车辆o从临时集合B删除，并重复步骤301-308。
进一步的，步骤5中当车辆k本地计算时间延迟小于最大要求时间延迟时，将车辆k从临时集合A删除，重复步骤3-9。
进一步的，步骤6中当临时集合B为空时，将车辆k从临时集合A删除，重复步骤3-9。
进一步的，步骤301中，当集合N为空时，输出所有车辆的决策；步骤302中，当临时集合A为空时，重复步骤301-308；步骤303中，当车辆m本地计算时间延迟小于MEC服务器和云端计算时间延迟中的最小值时，将车辆m更新到本地计算的车辆组，将车辆m从集合A删除，重复步骤302-308；步骤305中当临时集合B为空时，将车辆m从集合A删除，重复步骤302-308。
与现有技术相比，本发明的有益效果为：
本发明提供了一种车辆边缘计算网络任务卸载负载均衡方法，通过引入FiWi网络，结合了光网络的低延迟、高容量和各种无线接入的移动性，大大提升了传输速率，并且FiWi网络在集中网络管理和支持多种通信技术方面具有一定优势；采用软件SDN控制器定义网络，对车辆和网络获取的信息进行集中管理，在实现矢量计算资源的负载均衡发挥中重要作用。
本发明还提供了一种车辆边缘计算网络任务卸载负载均衡方法，在基于SDN控制器的FiWi增强型向量任务卸载体系结构中，最优选择了通讯路径，MEC服务器的计算能力随着选择将计算任务卸载给MEC服务器的车辆数量的增加而降低的情况，不停更新相关参数，最终输出负载均衡任务卸载方案；本发明负载均衡任务卸载方法的总处理延迟将比不进行云卸载的负载均衡任务卸载方法少20％-30％；在负载均衡任务卸载方法中平均利用每个MEC服务器的计算资源，卸载方法性能优越。
附图说明
图1为本发明所述的均衡系统布置图；
图2为本发明所述的均衡系统中的SDN结构框图；
图3为本发明所述的均衡方法中采用SDN控制器为车辆最优选择通讯路径的流程图；
图4为本发明所述的均衡方法中的负载均衡任务卸载算法流程图；
图5为本发明所述的均衡方法中的预测卸载算法流程图；
图6为本发明所述的均衡方法中的最近卸载算法流程图；
图7为本发明所述的均衡方法中的枚举算法和最近卸载算法总处理延迟对比图；
图8为最近卸载算法、预测卸载算法和负载均衡任务卸载算法总处理延迟对比图；
图9为枚举算法、最近卸载算法，预测卸载算法和负载均衡任务卸载算法运行时间的对比图；
图10为最近卸载算法、预测卸载算法和负载均衡任务卸载算法比较MEC服务器之间的负载均衡性能图；
图11为负载均衡任务卸载算法、没有云卸载的负载均衡任务卸载算法，在本地执行所有任务三种不同的卸载策略，总处理时延对比图；
图12为随着车辆数目的增多选择V2V或V2I通讯方式的车辆数目变化对比图；
图13为随着车辆行驶速度的增快选择V2V或V2I通讯方式的车辆数目变化图。
其中，1远程云中心，2路侧单元，3车辆，4SDN控制器；11云服务器，12光纤线路终端，13分流器；21光网络单元，22路边单元，23MEC服务器。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
参考附图1所示，本发明提供了一种车辆边缘计算网络任务卸载负载均衡系统，包括远程云中心1、若干个路侧单元2、车辆3及SDN控制器4；远程云中心1通过光学回程分别与每个路侧单元2建立连接，路侧单元2沿着道路延伸方向均布布设，相邻两个路侧单元2之间通过无线网络建立连接；每个车辆3上均设置有无线通讯模块，车辆3之间通过无线通讯模块建立连接；车辆3与路侧单元2之间建立无线网络连接；每个路侧单元2包括路边单元21、光纤网络单元22及MEC服务器23，远程云中心1通过光网络单元22与路边单元21建立连接，路边单元21与MEC服务器23之间建立连接，路边单元21与车辆3之间建立无线网络连接；SDN控制器4与每个路侧单元2建立连接，SDN控制器4用于根据收集到的车辆信息和网络信息信息，确定车辆的通讯模式。
远程云中心1包括云服务器11、光纤线路终端12及分流器13，云服务器11通过光线路终端12与分流器13连接，分流器13分别每个路侧单元2建立连接。
参考附图2所示，SDN控制器4包括应用平面、控制平面及数据平面，SDN控制器提供了一种集中管理全球网络的方法，SDN控制器4的作用是集中管理车辆信息和网络信息，同时根据收集到的信息，计算出哪种通信模式更适合于车辆，即V2V通信或V2I通信。数据平面主要功能是收集转发车辆信息和网络信息，控制平面功能是管理处理收集到的车辆信息和网络信息以满足应用平面的要求，应用平面功能就是为控制平面提出要求，即计算出哪种通信模式更适合于车辆。数据平面主要包含从网络和车辆中提取的SDN交换机，负责数据处理、转发及状态采集，数据平面与控制平面连接，数据平面与控制平面之间通过OpenFlow协议执行数据转发；控制平面与应用平面连接，控制平面与应用平面之间的连接接口为API接口，主要负责通信，此接口可以根据用户需求定制开发。
每个车辆3上均设置无线通讯模块，利用无线通信设备通过多个无线跳线将车辆互联；RSU用于将车辆与互联网连接；其采用了一种高效的无线通信技术DSRC，能够在V2I通信、V2V通信等特定区域对高速运动目标进行识别和双向通信，实时传输图像、语音和数据信息。
当车辆要进行V2I通信，需要用RSU才能完成通信；而V2V通信是一种不受限于固定式基站的通信技术，为移动中的车辆提供直接的一端到另一端的无线通信，即通过V2V通信技术，车辆终端彼此直接交换无线信息，无需通过基站转发。
以下对本发明所述一种车辆边缘计算网络任务卸载负载均衡系统，进行如下定义：
假设本发明中道路为单向运行道路，路侧单元2的个数为M个；车辆3的数量为n，车辆的行驶速度为v，车辆位置表示为Li；假设每辆车有一个任务Ti，Ti的数学表达式记为：
Figure GDA0002731883830000081
其中，其中
Figure GDA0002731883830000082
为需要计算的数据大小，
Figure GDA0002731883830000083
为计算完成后需要返回的数据大小，ci为完成任务所需要的计算能力，
Figure GDA0002731883830000084
为该汽车可以忍受的最大处理延迟。
MEC服务器23的计算能力记为：
Figure GDA0002731883830000085
第i车辆的卸载决策记为λi，λi的数学表达式为：
λi∈{0,1,2,......M,-1}；
其中，当λi＝0时决策为车辆本地计算，λi＝j时决策为卸载到第j个MEC服务器23计算，λi＝-1时决策为卸载到云服务器11进行计算。
第i车辆的通信方式决策记为gi，gi的数学表达式为：
gi∈{0,1}；
其中，当gi＝0时表示选择V2I通讯方式，gi＝1表示选择V2V通讯方式。
本发明中V2I通讯方式时的传输速率r的数学表达式为：
Figure GDA0002731883830000086
其中，ωi,j表示车辆i与第j个RSU之间的信道带宽；
pi,j表示车辆i的发射功率；
Figure GDA0002731883830000087
表示车辆i与第j个RSU之间的信道增益；
σ2表示背景噪声功率；
Ii,j表示车辆i与第j个RSU之间的无线干扰。
V2V通讯方式时的传输速率r的数学表达式为：
Figure GDA0002731883830000091
其中，ωi,k表示车辆i与车辆k之间的信道带宽；
pi,k表示车辆i的发射功率；
Figure GDA0002731883830000092
表示车辆i与车辆k之间的信道增益；
σ2表示背景噪声功率；
A0为常规参数，A0＝-17.8dB。
决策为本地计算时的计算时间
Figure GDA0002731883830000093
的数学表达式为：
Figure GDA0002731883830000094
其中，
Figure GDA0002731883830000095
表示车辆i的CPU周期频率。
将任务卸载到MEC服务器23的时间
Figure GDA0002731883830000096
的数学表达式为：
Figure GDA0002731883830000097
其中，
Figure GDA0002731883830000098
表示连接到第j个RSU的CPU周期频率。
V2I通信方式的传输时间
Figure GDA0002731883830000099
的数学表达式为：
Figure GDA00027318838300000910
其中，t'表示RSU之间通过无线回程传输数据的时间。
V2V通信方式的传输时间
Figure GDA00027318838300000911
的数学表达式：
Figure GDA00027318838300000912
其中，
Figure GDA0002731883830000101
表示车辆间传输的时间；
车辆数据传输时间
Figure GDA0002731883830000102
Figure GDA0002731883830000103
卸载到MEC服务器23处理时延
Figure GDA0002731883830000104
的数学表达式为：
Figure GDA0002731883830000105
卸载到云服务器11的处理时延
Figure GDA0002731883830000106
的数学表达式为：
Figure GDA0002731883830000107
其中，n表示从RSU到远程云服务器的光放大器数量；
τ为有线传输时延。
车辆i的所有卸载决策的时间延迟ti(λi,gi)的数学表达式为：
Figure GDA0002731883830000108
参见附图3所示，本发明中车辆选择通讯方法，具体包括以下步骤：
步骤1、对系统进行初始化，设定车辆的初始位置和最终位置；其中令车辆i的位置为初始位置，位置y为结束位置；
步骤2、判断最终位置y处的车辆是否为初始位置的车辆i；
步骤3、当车辆i在最终位置时，计算车辆i在最初位置时进行V2V通讯方式和V2I通讯方式的处理时间；
步骤4、比较最初位置车辆i进行V2V通讯方式和V2I通讯方式的处理时间的大小；
步骤5、当车辆i在最初位置的V2V通讯方式的处理时间大于V2I通讯方式的处理时间时，最初位置车辆选择V2I通讯方式；
步骤6、当车辆i在最初位置的V2V通讯方式的处理时间小于V2I通讯方式的处理时间时，最初位置车辆i选择V2V通讯方式；
步骤7、根据步骤5和步骤6确定的最终位置的通讯方式，并确定V2V通讯方式的路径；
步骤8、当车辆i不在最终位置时，通过SDN控制器确定车辆i的所有周围车辆；
步骤9、当周围车辆不存在时，重复步骤3-7；
步骤10、当周围车辆存在时，计算车辆i到所有周围车辆的最大传输速率，确定出最大传输速率的车辆；令确定出的最大传输速率的车辆为新的车辆i，重复步骤2-10。
参考附图4所示，本发明还提供了一种车辆边缘计算网络任务卸载负载均衡方法，包括以下步骤：
步骤1、初始化环境；
步骤2、计算所有车辆的通讯方式及V2V通讯方式的路径；
步骤3、计算所有车辆所有卸载决策的时间延迟，在全部车辆集合N中排除不可能完成任务车辆；
步骤4、令临时集合A＝N，以方便完成遍历操作；
步骤5、判断临时集合A是否为空；
步骤6、当临时集合A不为空，取集合A中的一车辆元素k；
步骤7、在当前无线干扰情况下计算车辆k的所有决策情况的时间延迟；
步骤8、判断车辆k本地计算时间延迟和最大要求时间延迟的大小；
步骤9、当车辆k本地计算时间延迟大于最大要求时间延迟时，将此车辆k从集合N中排除，并将车辆k加入至集合O，集合O存储的为不进行本地计算的车辆集合，即选择进行云计算和MEC服务器计算的车辆；
步骤10、令临时集合B＝O以方便完成遍历操作；
步骤11、判断临时集合B是否为空；
步骤12、当临时集合B不为空，取集合B中的一车辆元素o；
步骤13、分别计算车辆o的MEC服务器的时间延迟与远程云端服务器计算时间延迟选择最小的，更新卸载到MEC服务器计算或云端计算的车辆组；
步骤14、更新无线环境参数；
步骤15、将车辆o从临时集合B删除，并重复步骤11-15；
步骤16、当车辆k本地计算时间延迟小于最大要求时间延迟时，将车辆k从临时集合A删除，重复步骤5-8；
步骤17、当临时集合B为空时，将车辆k从临时集合A删除，重复步骤5-17；
步骤18、当临时集合A为空时，判断集合N是否为空；
步骤19、当集合N为非空时，令临时集合A＝N以方便完成遍历操作；
步骤20、判断临时集合A是否为空；
步骤21、当临时集合A非空时，取临时集合A中车辆元素m；
步骤22、计算车辆m所有决策情况的时间延迟；
步骤23、判断车辆m本地计算时间延迟与MEC服务器和云端计算时间延迟最小值的大小；
步骤24、当车辆m本地计算时间延迟大于等于MEC服务器和云端计算时间延迟中的最小值时，将车辆m从集合N中排除，并将此车辆m加入集合O；
步骤25、令临时集合B＝O以方便完成遍历操作；
步骤26、判断临时集合B是否为空；
步骤27、当临时集合B不为空，取集合B中的一车辆元素o；
步骤28、分别计算车辆o的MEC服务器的时间延迟与远程云端服务器计算时间延迟选择最小的，更新卸载到MEC服务器计算或云端计算的车辆组；
步骤29、更新无线环境参数；
步骤30、将车辆o从临时集合B删除，并重复步骤26-30；
步骤31、当临时集合B为空时，将车辆m从集合A删除，重复步骤20-32；
步骤32、当本地计算时间延迟小于MEC服务器和云端计算时间延迟中的最小值时，将车辆m更新到本地计算的车辆组，将车辆m从集合A删除，重复步骤20-32；
步骤33、当临时集合A为空时，重复步骤18-33
步骤34、当集合N为空时，输出所有车辆的决策。
参考附图5所示，本发明所述的一种车辆边缘计算网络任务最近卸载方法，包括以下步骤：
步骤1、初始化模型；
步骤2、计算出每辆车的通讯方式以及V2V情况下的通讯路径；
步骤3、判断t与决策槽最大数的大小；t代表当前为第t次更新策略，当更新次数t大于决策槽最大数时不再进行更新输出结果；
步骤4、当t大于决策槽最大数时，输出所有车辆的决策；
步骤5、当t小于决策槽最大数时，i＝0；i为车辆，i∈N,i＝0为所有车辆中的第一辆车；
步骤6、判断i与车辆总数的大小；
步骤7、当i小于车辆总数时，计算车辆i与原本决策不同的情况下的延迟，车辆i将延迟较小的决策存入该车辆的决策槽t+1；
步骤8、判断车辆i决策槽t与t+1的决策是否相同；
步骤9、当车辆i的决策槽t与t+1的决策不相同时，将车辆i存入D(t)，i++；
步骤10、当车辆i的决策槽t与t+1的决策相同时，i++；
步骤11、重复步骤6-10；
步骤12、判断D(t)是否为空；D(t)代表第t次循环中可以进行策略更新的所有车辆；当D(t)为空集时表示该次循环没有进行卸载策略更新，当D(t)不为空时，则D(t)集合中所包含的车辆进行博弈来获得更新权；
步骤13、当D(t)不为空时，D(t)中的车辆竞争获得更新权；
步骤14、判断车辆x是否获得更新权；
步骤15、当车辆x获得更新权时，车辆x的决策更改为此车辆决策槽t+1中的决策，并且广播消息到全网，t++；
步骤16，当车辆未获得更新权时，车辆x的决策更改为此车辆决策槽t中的决策，t++；
步骤17、当D(t)为空时，t++；
步骤18、重复步骤3-18；
参考附图6所示，本发明所述的一种车辆边缘计算网络任务预测卸载方法，预测卸载算法与最近卸载算法不同之处在于步骤7中的延迟计算方法；最近卸载算法中车辆将任务卸载到车辆最近的基站，进行计算然后将计算后的数据传送到车辆运行到达的最近基站，最后传送给车辆。最近卸载算法中两基站传送的数据为计算后的结果数据；预测卸载算法中车辆将任务卸载到车辆最近的基站，然后将未处理的数据传送到预测车辆运行将要到达位置的最近基站，在此预测基站进行数据计算最后将计算结果传送给车辆；预测卸载算法过程中两基站传送的数据为未处理的数据。
参考附图7所示，附图7给出了枚举法和最近卸载方法的总处理延迟对比图，从附图7可以说明当计算任务从3个到12个变化时的数值结果；其中，最近卸载方法的总处理延迟与枚举法的总处理延迟的结果非常接近，证明了最近卸载方法可以在不考虑负载平衡的情况下得到一个近似最优的问题解。
参考附图8所示，附图8给出了最近卸载方法、预测卸载方法及负载均衡任务卸载方法的总处理延迟对比图，从附图8中可以得到，预测卸载算法得到的总处理延迟与最近卸载方法的总处理延迟结果接近，预测卸载方法对最近卸载方法的问题得到一个近似最优的解决方案；负载均衡卸载方法与最近卸载方法或预测卸载方法相比，负载均衡任务卸载方法的总处理延迟减少了20％，因此，负载均衡任务卸载方法的性能优越，对矢量网络中MEC服务器计算资源的负载平衡具有重要意义。
参考附图9所示，附图9给出了最近卸载方法、预测卸载方法和负载均衡任务卸载方法运行时间的对比图，通过附图9可以看到，负载均衡任务卸载方法具有极高的效率。
参考附图10所示，附图10给出了最近卸载方法、预测卸载方法和负载均衡任务卸载方法中各自的MEC服务器的负载均衡性能对比图，附图10中分为三个部分，分别代表三种卸载方法的性能参数，每个部分包含所有MEC服务器的负载状态。附图10中柱状图上的数字表示MEC服务器的编号标签。从附图10中可以看出，采用最近卸载方法和预测卸载方法时，每个MEC服务器的负载是不均匀的。
例如，对于预测卸载方法中，4号MEC服务器和6号MEC服务器的计算容量占用了近90％，而7号MEC服务器的计算容量仅占用了约10％；导致一些MEC服务器计算拥塞，而另一些MEC服务器空闲，从而导致计算资源浪费的现象；显然，采用最近卸载方法时，同样出现了一些MEC服务器计算拥塞，而另一些MEC服务器空闲。在负载均衡任务卸载方法中平均利用每个MEC服务器的计算资源，卸载方法性能优越，因此，有必要考虑车辆网络中的负载平衡问题。
参考附图11所示，附图11给出了负载均衡任务卸载方法、没有云服务器卸载的负载均衡任务卸载方法及本地执行所有任务三种不同的卸载策略的总处理延迟对比图；从附图11中可以看到，当计算任务数从20到120变化时，通过分别采用三种不同的卸载方法和在本地执行所有任务来比较总处理延迟；负载均衡任务计算卸载方法中在不进行云卸载的情况下得到的结果远小于本地执行所有任务的结果，表明了MEC服务器对减小车辆计算任务的处理延迟有着巨大的影响；另外，当考虑远程云服务器时，负载均衡任务卸载方法的总处理延迟将比不进行云卸载的负载均衡任务卸载方法少20％-30％；因此将远程云中心引入车载边缘计算网络是非常必要的。
参考附图12所示，附图12给出了随着车辆数目的增加V2V通讯方式和V2I通讯方式的车辆数目变化对比图。对于负载均衡卸载方法的通讯方式决策，附图12显示出了选择V2V通讯方式或V2I通信方式时的车辆数量的趋势，车辆总数从20辆变为120辆。从附图12中可以看出，选择V2V通讯方式和V2I通讯方式的数量都随着车辆数量的增加而增加，前者的增长率大于后者。最后，当车辆数n≥60时，选择V2V通信方式的次数超过V2I通信方式的次数。
参考附图13所示，附图13给出了随着车辆行驶速度的增快选择V2V通讯和V2I通讯方式的车辆数目变化图，附图13为车辆速度从60km/h变为120km/h时，V2I通讯方式或V2V通讯方式选择的趋势图；从附图13中可以看出，V2I通信方式选择的数量和V2V方式通信选择的数量都随着车辆速度的增加而减少，这代表了卸载到MEC服务器的计算任务数。此外，很明显，V2I通信方式选择数量的下降速度比V2V通信方式选择数量的下降速度快得多。
根据附图12和附图13的结果表明，车辆数量对V2V通信方式有很大影响，而车速对V2I通信方式有显著影响。
实施例
在不失去一般性的情况下，本实施例中对车辆边缘计算网络任务卸载负载均衡系统进行赋值，单向运行道路的长度为1000m，一体化路侧单元2的个数为10，一体化路侧单元2均匀布设在道路上，车辆的个数n＝50；假设远程云中心位于数千英里之外。
对于计算任务，假定输入数据大小
Figure GDA0002731883830000171
和输出数据
Figure GDA0002731883830000172
大小分别在间隔[400kb、1000kb]和[50kb、200kb]内，完成计算任务所需的CPU周期ci设置在200-1500兆周，任务的最大允许处理延迟
Figure GDA0002731883830000173
设置在0.5-2s之间。
RSU的无线带宽ω1设置为40兆赫，车辆的无线带宽ω2设置为20兆赫，发射功率pi为100mW，背景噪声功率σ为-100dBm。
MEC服务器的CPU周期频率
Figure GDA0002731883830000174
且在在4-8GHz之间变化；
车辆的CPU周期频率
Figure GDA0002731883830000175
在1-2GHz之间变化；
光纤链路的上行链路数据速率c设置为1Gbps。
本发明提出的负载均衡算法ALBOA经过与传统方法的对比，说明本发明中提出的负载均衡算法在减少处理时延方面的优越性；并且经过与传统方法MEC服务器负载的对比，成功说明本发明提出的负载均衡算法对矢量网络中MEC服务器计算资源的负载平衡具有重要意义。
以上所述仅表示本发明的优选实施方式，任何人在不脱离本发明的原理下而做出的结构变形、改进和润饰等，这些变形、改进和润饰等均视为在本发明的保护范围内。

Claims (9)

1.一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，基于一种车辆边缘计算网络任务卸载负载均衡系统，包括以下步骤：
首先，获得所有车辆的通讯方式和通讯路径，
然后，计算所有车辆卸载决策时间延迟，排除不可能按时完成计算任务的车辆；
其次，将不能通过本地计算且必须进行卸载计算完成任务的车辆，更新卸载到MEC服务器计算或云中心计算的车辆组；
然后，对能够进行本地计算也能够进行卸载计算的车辆，对比本地计算时间延迟、云中心计算时间延迟和MEC服务器计算时间延迟的大小，获得计算时间延迟最短的卸载计算方式；
最后，对上述步骤进行循环遍历操作，得到车辆边缘计算网络任务卸载负载均衡方案；
所述一种车辆边缘计算网络任务卸载负载均衡系统，包括远程云中心(1)、若干个路侧单元(2)、若干个车辆(3)及SDN控制器(4)，远程云中心(1)分别与每个路侧单元(2)建立连接，若干路侧单元(2)沿道路延伸方向均布布设，两个路侧单元(2)之间建立无线网络连接；每个车辆(3)上均设置有无线通讯模块，车辆(3)之间通过无线通讯模块建立连接；车辆(3)与路侧单元(2)之间建立无线网络连接；每个路侧单元(2)包括路边单元(21)、光纤网络单元(22)及MEC服务器(23)；远程云中心(1)通过光网络单元(22)与路边单元(21)建立连接，路边单元(21)与MEC服务器(23)之间建立连接，路边单元(21)与车辆(3)之间建立无线网络连接；SDN控制器(4)与每个路侧单元(2)建立连接，用于根据收集到的车辆信息和网络信息信息，确定车辆的通讯模式。
2.根据权利要求1所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，远程云中心(1)包括云服务器(11)、光纤线路终端(12)及分流器(13)，云服务器(11)通过光线路终端(12)与分流器(13)连接，分流器(13)分别每个路侧单元(2)建立连接。
3.根据权利要求1所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，具体包括以下步骤：
步骤1、计算所有车辆的通讯方式及V2V通讯方式的路径；计算所有车辆所有卸载决策的时间延迟，在全部车辆集合N中排除不可能完成任务车辆；
步骤2、令临时集合A＝N以方便完成遍历操作；
步骤3、判断临时集合A是否为空；当临时集合A不为空，取集合A中的一车辆元素k；
步骤4、在当前无线干扰情况下计算车辆k的所有决策情况的时间延迟；
步骤5、判断车辆k本地计算时间延迟和最大要求时间延迟的大小；当车辆k本地计算时间延迟大于最大要求时间延迟时，将此车辆k从集合N中排除，并将车辆k加入至集合O，集合O存储的为选择进行云中心计算和MEC服务器计算的车辆；
步骤6、令临时集合B＝O以方便完成遍历操作；判断临时集合B是否为空；当临时集合B不为空，取集合B中的车辆元素o；
步骤7、分别计算车辆o的MEC服务器的时间延迟与远程云端服务器计算时间延迟选择最小的，更新卸载到MEC服务器计算或云中心计算的车辆组；
步骤8、更新无线环境参数；
步骤9、将车辆o从临时集合B删除，并重复步骤6-9。
4.根据权利要求3所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，步骤1中计算所有车辆的通讯方式，包括以下步骤：
步骤S1、对系统进行初始化，设定车辆的初始位置和最终位置；其中令车辆i的位置为初始位置，位置y为结束位置；
步骤S2、判断最终位置y处的车辆是否为初始位置的车辆i；
步骤S3、当车辆i在最终位置时，计算车辆i在最初位置时进行V2V通讯方式和V2I通讯方式的处理时间；
步骤S4、比较最初位置车辆i进行V2V通讯方式和V2I通讯方式的处理时间的大小；
步骤S5、当车辆i在最初位置的V2V通讯方式的处理时间大于V2I通讯方式的处理时间时，最初位置车辆选择V2I通讯方式；
步骤S6、当车辆i在最初位置的V2V通讯方式的处理时间小于V2I通讯方式的处理时间时，最初位置车辆i选择V2V通讯方式；
步骤S7、根据步骤S5和步骤S6确定的最终位置的通讯方式，并确定V2V通讯方式的路径；
步骤S8、当车辆i不在最终位置时，通过SDN控制器确定车辆i的所有周围车辆；
步骤S9、当周围车辆不存在时，重复步骤S3-S7；
步骤S10、当周围车辆存在时，计算车辆i到所有周围车辆的最大传输速率，确定出最大传输速率的车辆；令确定出的最大传输速率的车辆为新的车辆i，重复步骤S2-S10。
5.根据权利要求3所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，车辆所有卸载决策的时间延迟ti(λi,gi)的数学表达式为：
Figure FDA0002731883820000031
其中，
Figure FDA0002731883820000032
为决策为本地计算时的计算时间；
Figure FDA0002731883820000033
为任务卸载到MEC服务器处理时延；
Figure FDA0002731883820000034
为卸载到云服务器的处理时延；
λi为第i车辆的卸载决策；
j为第j个路侧单元；
M为路侧单元的个数。
6.根据权利要求3所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，步骤3中，当临时集合A为空时，具体操作如下：
步骤301、判断集合N是否为空；当集合N为非空时，令临时集合A＝N以方便完成遍历操作；
步骤302、判断临时集合A是否为空；当临时集合A非空时，取临时集合A中车辆元素m；
步骤303、计算车辆m所有决策情况的时间延迟；判断车辆m本地计算时间延迟与MEC服务器和云中心计算时间延迟最小值的大小；
步骤304、当车辆m本地计算时间延迟大于等于MEC服务器和云中心计算时间延迟中的最小值时，将车辆m从集合N中排除，并将此车辆m加入集合O；
步骤305、令临时集合B＝O，判断临时集合B是否为空；当临时集合B不为空，取集合B中的一车辆元素o；
步骤306、分别计算车辆o的MEC服务器的时间延迟与远程云端服务器计算时间延迟选择最小的，更新卸载到MEC服务器计算或云端计算的车辆组；
步骤307、更新无线环境参数；
步骤308、将车辆o从临时集合B删除，并重复步骤305-308。
7.根据权利要求3所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，步骤5中当车辆k本地计算时间延迟小于最大要求时间延迟时，将车辆k从临时集合A删除，重复步骤3-9。
8.根据权利要求3所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，步骤6中当临时集合B为空时，将车辆k从临时集合A删除，重复步骤3-9。
9.根据权利要求6所述的一种车辆边缘计算网络任务卸载负载均衡方法，其特征在于，
步骤301中，当集合N为空时，输出所有车辆的决策；
步骤302中，当临时集合A为空时，重复步骤301-308；
步骤303中，当车辆m本地计算时间延迟小于MEC服务器和云端计算时间延迟中的最小值时，将车辆m更新到本地计算的车辆组，将车辆m从集合A删除，重复步骤302-308；
步骤305中当临时集合B为空时，将车辆m从集合A删除，重复步骤302-308。
CN201910717944.3A 2019-08-05 2019-08-05 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 Active CN110557732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910717944.3A CN110557732B (zh) 2019-08-05 2019-08-05 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910717944.3A CN110557732B (zh) 2019-08-05 2019-08-05 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法

Publications (2)

Publication Number Publication Date
CN110557732A CN110557732A (zh) 2019-12-10
CN110557732B true CN110557732B (zh) 2020-12-01

Family

ID=68737059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910717944.3A Active CN110557732B (zh) 2019-08-05 2019-08-05 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法

Country Status (1)

Country Link
CN (1) CN110557732B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111083634B (zh) * 2019-12-16 2021-10-01 重庆邮电大学 基于cdn和mec的车联网移动性管理方法
CN111147604B (zh) * 2019-12-31 2022-03-29 重庆邮电大学 一种车联网边缘计算的负载均衡方法
CN111464976B (zh) * 2020-04-21 2021-06-22 电子科技大学 一种基于车队的车辆任务卸载决策和总体资源分配方法
CN111586762B (zh) * 2020-04-29 2023-02-17 重庆邮电大学 一种基于边缘协作的任务卸载及资源分配联合优化方法
CN111970318B (zh) * 2020-05-18 2022-05-24 北京邮电大学 基于移动边缘计算的车辆与路边单元协同卸载任务方法及装置
CN111741438B (zh) * 2020-06-28 2021-10-08 湖南大学 考虑车辆移动的边缘计算边端协同任务卸载方法和系统
CN112543481B (zh) * 2020-11-23 2023-09-15 中国联合网络通信集团有限公司 一种边缘节点算力负载均衡的方法、装置及系统
CN112867088B (zh) * 2020-12-30 2023-04-07 全球能源互联网研究院有限公司 一种“云-边-端”通信架构的动态调节方法及系统
CN112685186B (zh) * 2021-01-08 2023-04-28 北京信息科技大学 一种计算任务的卸载方法、装置、电子设备及存储介质
CN112925657A (zh) * 2021-01-18 2021-06-08 国汽智控(北京)科技有限公司 一种车路云协同处理系统及方法
CN113015216B (zh) * 2021-02-05 2022-05-10 浙江大学 一种面向边缘服务网络的突发任务卸载与调度方法
CN113965961B (zh) * 2021-10-27 2024-04-09 中国科学院计算技术研究所 一种车联网环境下的边缘计算任务卸载方法与系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107218928B (zh) * 2017-05-12 2019-06-21 西北工业大学 一种复杂多管路系统检测方法
CN107404733B (zh) * 2017-08-22 2020-04-24 山东省计算中心（国家超级计算济南中心） 一种基于mec和分层sdn的5g移动通信方法及系统
WO2019109005A1 (en) * 2017-11-30 2019-06-06 Intel IP Corporation Multi-access edge computing (mec) translation of radio access technology messages
CN108541027B (zh) * 2018-04-24 2022-05-31 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
CN109379727B (zh) * 2018-10-16 2021-10-01 重庆邮电大学 车联网中基于mec的任务分布式卸载与协作执行方案
US11373099B2 (en) * 2018-12-28 2022-06-28 Intel Corporation Artificial intelligence inference architecture with hardware acceleration
CN109981753B (zh) * 2019-03-07 2021-04-27 中南大学 一种面向物联网的软件定义的边缘计算的系统及资源分配方法
CN110035410B (zh) * 2019-03-07 2021-07-13 中南大学 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法

Also Published As

Publication number Publication date
CN110557732A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110557732B (zh) 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法
CN109818865B (zh) 一种sdn增强路径装箱装置及方法
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
WO2023024219A1 (zh) 云边协同网络中时延和频谱占用联合优化方法及系统
CN110351754A (zh) 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法
CN112511336B (zh) 一种边缘计算系统中的在线服务放置方法
CN113114721B (zh) 一种基于mec的软件定义车联网服务迁移方法
CN115134242B (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
Yuan et al. Integrated route planning and resource allocation for connected vehicles
Yang et al. Data synchronization for vehicular digital twin network
Nguyen et al. Multi-agent task assignment in vehicular edge computing: A regret-matching learning-based approach
CN117478518A (zh) 一种图卷积神经网络辅助的大数据存储转发调度方法
CN113094857A (zh) 一种节能的软件定义车辆网络的控制器布局方法
CN117290071A (zh) 一种在车辆边缘计算中的细粒度任务调度方法及服务架构
CN116192746B (zh) 一种基于sdn的路由路径选择方法、装置及存储介质
CN114116211B (zh) 面向移动边缘计算的业务流量分流优化方法与系统
CN113448707A (zh) 在边缘计算中在线批并行任务调度方法
CN111835640B (zh) 基于连续时间聚合图的最短时延路由方法
Jiang et al. Potential game based distributed IoV service offloading with graph attention networks in mobile edge computing
CN115051999B (zh) 基于云边协同的能耗最优任务卸载方法、装置及系统
CN118113484B (zh) 一种资源调度方法、系统、存储介质及车辆
Moon et al. Task Partitioning for Migration with Collaborative Edge Computing in Vehicular Networks
Li et al. A Distributed Deep Reinforcement Learning-based Optimization Scheme for Vehicle Edge Computing Task Offloading
Weiping et al. Research on adaptive dual task offloading decision algorithm for parking space recommendation service
CN118055063A (zh) 一种适用于星地网络的半分布式路由搜索算法

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