CN110650457B - 一种车联网中任务卸载计算成本与时延的联合优化方法 - Google Patents
一种车联网中任务卸载计算成本与时延的联合优化方法 Download PDFInfo
- Publication number
- CN110650457B CN110650457B CN201910972145.0A CN201910972145A CN110650457B CN 110650457 B CN110650457 B CN 110650457B CN 201910972145 A CN201910972145 A CN 201910972145A CN 110650457 B CN110650457 B CN 110650457B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- matrix
- vehicles
- task
- time delay
- 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
Links
Images
Classifications
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车联网中任务卸载计算成本与时延的联合优化方法,方法包括:首先初始化系统参数,包括路边单元相关参数、车辆相关参数、任务相关参数和算法初始参数;然后生成一个满足约束条件的矩阵,矩阵中每个元素代表对应车辆接收任务的比例,以消耗函数值最小为目标,基于所提出的算法寻找任务卸载的最优解;最后按照最优解对应的分配策略进行任务卸载。本发明能快速有效地进行任务卸载计算的优化,有效减小时延并降低卸载计算的成本。
Description
技术领域
本发明涉及5G通信领域,具体涉及一种车联网中任务卸载计算成本与时延的联合优化方法。
背景技术
近年来,车辆边缘计算(Vehicle Edge Computing,VEC)已经成为一种非常流行的计算方法,它可以将计算任务转移到网络边缘,如路边计算设备、VEC服务器等,该方法提高了系统的服务质量,减轻了车辆的负载。然而,MEC(Mobile Edge Computing)服务器的计算资源总是有限的,这使得服务器无法在指定的延迟约束下完全满足车辆的卸载要求,尤其是在交通繁忙的情况下。
为了解决这一问题,需要一种新的VEC卸载方案,通过动态资源分配,既能满足卸载需求,又能满足QoS需求。目前,大多数研究集中在MEC服务器为车辆用户提供边缘卸载计算的场景。但是,当路边单元和MEC服务器繁忙时,这种方法是不可行的。为了满足自动驾驶的新需求,未来的汽车不仅将配备丰富的车载传感器,如摄像头和雷达,还将配备强大的计算能力,以处理传感数据和做出驾驶决策。未来的汽车将拥有丰富的计算资源来支持自动驾驶,并通过无线技术连接。大量被连接的车辆,每辆车都被赋予了服务器级的计算资源,形成了一个具有丰富移动智能的网络。车辆可以贡献自己的计算资源,在雾计算的环境中充当雾节点,因此整个网络可以看作是一个车联网(Vehicle Edge Network,VeFN)。因此,VeFN的出现,使计算资源共享通过计算任务卸载,它将提供广泛的雾应用。
当数据中心生成大量计算任务时,路边计算服务器没有多余的计算资源来及时完成计算任务。所以我们将考虑把这些任务分配给路上行驶的车辆。也就是说,计算服务由这些车辆提供,这些车辆在VeFN中具有不同的计算资源。如果路边单元将任务直接卸载给多个车辆,则路边单元可能面临高负载。此外,由于有限的带宽,传输延迟将会很大。
发明内容
发明目的:本发明目的是针对车联网环境下边缘计算的资源分配问题,提供一种车联网中任务卸载计算成本与时延的联合优化方法,快速有效地进行计算资源分配的优化,有效降低时延与成本。
技术方案:为实现上述发明目的,本发明采用如下技术方案:
一种车联网中任务卸载计算成本与时延的联合优化方法,包括以下步骤:
(3)对系统损耗最小的目标函数列出拉格朗日方程,并用梯度法求出拉格朗日乘子;
(4)找出矩阵中的元素使得:其中λk是数据中心分配给第k个小区中的簇头车辆的任务占总任务的比例,uk,j是第k个小区中簇头车辆分配给车辆j的任务占簇头车辆原先任务的比例,ri,j是簇头车辆i与成员车辆j之间的传输速率,fk,j是第k个小区中车辆j提供的计算资源;
(7)循环迭代步骤(3)-(6)至指定的次数,根据矩阵u中最终得到的车辆接收任务的比例进行任务卸载。
进一步地,所述步骤(2)中生成M×N矩阵u的算法如下:
生成M×N个数uk,j,且k∈{1,2...M},j∈{1,2...N},并将其排列成M行N列的矩阵,其中,每个元素都满足U(0,1)的均匀分布;
进一步地,所述步骤(3)中目标函数表示为:
其中,uk,i是第k个小区中簇头车辆i分配任务的比例,rk,i是第k个小区中路边单元与簇头车辆i之间的传输速率,fk,i是第k个小区中簇头车辆i提供的计算资源,S为设定的权重。
进一步地,所述步骤(3)中的计算拉格朗日乘子的算法如下:
对矩阵u中的每个元素列出拉格朗日方程L(u,α,θ,β);
其中,α,θ,β均是拉格朗日乘子;
通过梯度法,迭代解出拉格朗日乘子α,θ,β的值,梯度法公式如下:
其中,t标记迭代过程中的某一代,b1,b2,b3为梯度法的步长,下标k标记矩阵中的某一行,下标j标记矩阵中的某一列。
进一步地,所述步骤(5)中分两种情形对矩阵u中每个元素进行拉格朗日方程求解,具体步骤如下:
有益效果:与现有技术相比,本发明基于一种新型的卸载方案提出了一种车联网中任务卸载计算成本与时延的联合优化方法。该新型卸载方案将卸载过程分为两个步骤:数据中心-簇头车辆、簇头车辆-邻居车辆。通过这种新的方案,可以减小路边单元的负载,提高路边单元与车辆的传输速率,改善系统的运行效率。该方法利用了车辆的空闲计算资源,大大提高了系统的效率,降低了任务处理的时延。本发明提出的车联网中任务卸载计算成本与时延的联合优化方法,高效地利用车联网中闲置的计算资源,提高网络的运行效率,能够有效降低时延,减小卸载计算成本,其性能优越,且易于实现。
附图说明
图1是本发明方法的场景模型图;
图2是车联网中任务卸载计算成本与时延的联合优化方法实现的具体流程图;
图3是采用本发明中的算法和其他算法所得的系统损耗图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明实施例结合具体场景详细分析车联网中任务卸载计算成本与时延的联合优化方法,但本发明的方法不局限于本发明实施例中具体的场景与参数的设定。
1.道路和车辆的参数
我们假设在一条笔直的道路上,M个路边单元均匀分布在路的一边,记作RSUk,其中按照路边单元RSU的覆盖范围(每个RSU覆盖区域称之为一个小区),我们将道路等分成M个小区,每个小区长为2R,宽为W。每个小区内有Nk个拥有不同计算资源的车辆,这些车辆均匀分布,记作Vk,j,其中我们设第k个小区内的车辆拥有不同的计算资源,记作fk,j,其中
2.系统模型的建立
在专利中,我们提出一种新型的卸载计算方案。我们将每个小区当成一个簇,数据中心将任务通过RSU分发到每个小区中的簇头车辆(簇头车辆为小区中卸载计算能力最强的车辆),簇头车辆再根据邻居车辆的状态将所接收的任务包按比例分发给周围的邻居,任务由簇头车辆和邻居车辆共同计算。我们假设如果系统使用私人车辆的计算资源,需要给车辆用户一定的报酬。数据中心与RSU通过有线传输,RSU与车辆、车辆之间均是通过无线信号传输。RSU与车辆、车辆之间的传输速率分别为:
其中,rk,j是第k个RSU与该区域内第j个车辆之间的传输速度,ri,j是簇头车辆i与邻居车辆j的传输速度,BR,BV分别是RSU-车通信和车-车通信所使用的带宽,Pk是第k个RSU的传输功率,Pk-1,Pk+1是第k个RSU前后两个RSU的传输功率,Pi是第i个簇头车辆的传输功率;dk,j是第k个RSU与该区域内第j个车辆之间的距离,di,j是第i个簇头车辆与该区域内第j个车辆之间的距离,dk-1,j,dk+1,j是第k个RSU的前后两个RSU与该区域内第j个车辆之间的距离,α为信道衰落因子,N0为噪声功率。
3.系统损耗
系统的时延函数为:
其中,C,D分别是任务的大小和所需的计算资源,λk,uk,j分别是数据中心分发给小区的任务比例和小区内每辆车接收任务的比例。
系统的损耗函数为:
其中,函数前半部分是时延函数,后半部分是花费函数,即车辆提供卸载计算服务,数据中心需要支付这些车辆一定的报酬。S为常数,表示目标函数中花费的权重,它可以根据任务对时间延迟的容忍度进行调整。如果任务对延迟非常敏感,那么系统愿意付出较多的报酬,因此S可以更小。如果任务对延迟不是很敏感,系统愿意支付较少的报酬,因此S可以更大。
ri,i表示簇头到自己本身的距离,我们规定ri,i=+∞,于是可以有如下变动:
将其代入F(u)中,可以简化为:
基于上述基础,以系统损耗最小为目标,对本发明的车联网中任务卸载计算成本与时延的联合优化方法进行设计。
如图2所示,本发明实施例公开的一种车联网中任务卸载计算成本与时延的联合优化方法,包括以下步骤:
(2)随机生成一个M×N矩阵u,每个元素满足:uk,j∈[0,1)和 M和N分别为路边单元的数目和最大的车辆集中车辆的数,路边单元集对应矩阵的行,车辆集对应矩阵的列,矩阵中每个元素uk,j代表对应车辆接收任务的比例,若某个车辆集中车辆的数目小于N,可以在该行中补0,直至该行元素达到N。
(3)对目标函数列出拉格朗日方程,并用梯度法求出拉格朗日乘子;
(5)分两种情形对矩阵u中每个元素求解拉格朗日方程,得到新的uk,j值,若ui,j<0,则令uk,j=0;
(7)步骤(3)—(6)迭代循环T次,最后根据矩阵u最优解对应的分配策略进行任务卸载。
所述步骤(2)中生成M×N矩阵u的算法如下:
(1)生成M×N个数uk,j,且k∈{1,2...M},j∈{1,2...N},并将其排列成M行N列的矩阵,其中,每个元素都满足U(0,1)的均匀分布;若车辆的数目不足N,则我们令uk,j=0;
所述步骤(3)中的计算拉格朗日乘子的算法如下:
(1)对矩阵u中的每个元素列出拉格朗日方程L(u,α,θ,β);
其中,F(u)是目标函数,α,θ,β表示拉格朗日乘子,g1,g2,h函数表示约束条件;
(2)通过梯度法,迭代50次,解出拉格朗日乘子α,θ,β的值,梯度法公式如下:
其中,t标记迭代过程中的某一代,b1,b2,b3为梯度法的步长,下标k标记矩阵中的某一行,下标j标记矩阵中的某一列。
所述步骤(5)中分两种情形对矩阵u中每个元素进行拉格朗日方程求解,具体步骤如下:
图3详细比较了采用本发明中的算法和其他算法所得的系统损耗图。为验证本发明方法比现有技术的优势,本发明设定如下仿真参数:小区长为40m、宽为10m,小区数目为3,每个小区中的车辆数目为40,RSU与车辆通信、车辆之间通信的带宽分别为10MHZ、0.5MHZ,RSU与车辆的发射功率均为2M,任务大小为100M,任务所需计算资源为10,常数S为1。从图中可以看出,基于均匀算法和高斯算法虽然简单,但其得到的结果不理想;天牛须算法可以获得较为优化的结果,但其容易陷入局部最优,且计算量大,收敛慢;而本专利中所提算法计算量小,耗时短,并且可以快速收敛到最优结果。
Claims (3)
1.一种车联网中任务卸载计算成本与时延的联合优化方法,其特征在于,所述方法包括以下步骤:
(3)对系统损耗最小的目标函数列出拉格朗日方程,并用梯度法求出拉格朗日乘子;
(4)找出矩阵中的元素使得:其中λk是数据中心分配给第k个小区中的簇头车辆的任务占总任务的比例,uk,j是第k个小区中簇头车辆分配给车辆j的任务占簇头车辆原先任务的比例,ri,j是簇头车辆i与成员车辆j之间的传输速率,fk,j是第k个小区中车辆j提供的计算资源;
(7)循环迭代步骤(3)-(6)至指定的次数,根据矩阵u中最终得到的车辆接收任务的比例进行任务卸载;
所述步骤(3)中目标函数表示为:
其中,S为设定的权重;列出的拉格朗日方程为:
其中,α,θ,β均是拉格朗日乘子;通过梯度法,迭代解出拉格朗日乘子的值;
所述步骤(5)中分两种情形对矩阵u中每个元素进行拉格朗日方程求解,具体步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972145.0A CN110650457B (zh) | 2019-10-14 | 2019-10-14 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910972145.0A CN110650457B (zh) | 2019-10-14 | 2019-10-14 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110650457A CN110650457A (zh) | 2020-01-03 |
CN110650457B true CN110650457B (zh) | 2020-07-14 |
Family
ID=68993986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910972145.0A Active CN110650457B (zh) | 2019-10-14 | 2019-10-14 | 一种车联网中任务卸载计算成本与时延的联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110650457B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111510477B (zh) * | 2020-04-07 | 2021-05-11 | 河海大学 | 基于改进合同网协议和bas的雾计算网络任务卸载方法 |
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 |
CN111918245B (zh) * | 2020-07-07 | 2021-11-19 | 西安交通大学 | 基于多智能体的车速感知的计算任务卸载和资源分配方法 |
CN112888021B (zh) * | 2021-01-29 | 2022-08-23 | 重庆邮电大学 | 一种车联网中避免中断的任务卸载方法 |
CN112887905B (zh) * | 2021-01-29 | 2022-05-03 | 重庆邮电大学 | 一种车联网中基于周期性资源调度的任务卸载方法 |
CN113114738B (zh) * | 2021-03-25 | 2022-03-25 | 华南理工大学 | 基于sdn的车联网任务卸载的优化方法 |
CN114884953B (zh) * | 2022-05-31 | 2023-02-28 | 山东大学 | 一种基于mec协作的车联网资源分配方法 |
CN117032832B (zh) * | 2023-08-25 | 2024-03-08 | 重庆邮电大学 | 一种基于移动边缘计算的最小化任务调用成本卸载方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109413615A (zh) * | 2018-09-14 | 2019-03-01 | 重庆邮电大学 | 车联网下基于mec的能量感知卸载的能量延迟折衷方案 |
CN109951869A (zh) * | 2019-03-01 | 2019-06-28 | 重庆邮电大学 | 一种基于云雾混合计算的车联网资源分配方法 |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN110098969A (zh) * | 2019-05-21 | 2019-08-06 | 重庆邮电大学 | 一种面向物联网的雾计算任务卸载方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10594798B2 (en) * | 2016-06-16 | 2020-03-17 | Veniam, Inc. | Systems and methods for managing containers in a network of moving things |
EP3355625A1 (en) * | 2017-01-25 | 2018-08-01 | Tata Consultancy Services Limited | Method and system for communication link prediction in distributed robotic networks |
CN109391681B (zh) * | 2018-09-14 | 2021-07-16 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
-
2019
- 2019-10-14 CN CN201910972145.0A patent/CN110650457B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN109413615A (zh) * | 2018-09-14 | 2019-03-01 | 重庆邮电大学 | 车联网下基于mec的能量感知卸载的能量延迟折衷方案 |
CN109951869A (zh) * | 2019-03-01 | 2019-06-28 | 重庆邮电大学 | 一种基于云雾混合计算的车联网资源分配方法 |
CN110098969A (zh) * | 2019-05-21 | 2019-08-06 | 重庆邮电大学 | 一种面向物联网的雾计算任务卸载方法 |
Non-Patent Citations (2)
Title |
---|
"Exploiting Moving Intelligence:Delay-Optimized Computation Offloading in Vehicular Fog Networks";Sheng Zhou等;《IEEE Communications Magazine》;20190531;第49-55页 * |
"Reliable Task Offloading for Vehicular Fog Computing Under Information Asymmetry and Information Uncertainty";Zhenyu Zhou;《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》;20190930;第68卷(第9期);第8322-8335页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110650457A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110650457B (zh) | 一种车联网中任务卸载计算成本与时延的联合优化方法 | |
CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN109068391B (zh) | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 | |
CN111464976B (zh) | 一种基于车队的车辆任务卸载决策和总体资源分配方法 | |
CN111010684B (zh) | 一种基于mec缓存服务的车联网资源分配方法 | |
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 | |
Althamary et al. | A survey on multi-agent reinforcement learning methods for vehicular networks | |
Yang et al. | Learning based channel allocation and task offloading in temporary UAV-assisted vehicular edge computing networks | |
Liu et al. | Computation offloading scheme to improve qoe in vehicular networks with mobile edge computing | |
Dai et al. | Deep reinforcement learning for edge caching and content delivery in internet of vehicles | |
CN114650567B (zh) | 一种无人机辅助v2i网络任务卸载方法 | |
Zheng et al. | Digital twin empowered heterogeneous network selection in vehicular networks with knowledge transfer | |
CN115297171A (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
Khan et al. | On the application of agglomerative hierarchical clustering for cache-assisted D2D networks | |
CN114153515B (zh) | 一种基于5g毫米波通信的高速公路车联网任务卸载算法 | |
Gu et al. | Collaborative offloading method for digital twin empowered cloud edge computing on Internet of Vehicles | |
CN116405569A (zh) | 基于车辆和边缘计算服务器的任务卸载匹配方法及系统 | |
Ouyang | Task offloading algorithm of vehicle edge computing environment based on Dueling-DQN | |
Ge et al. | Interference aware service migration in vehicular fog computing | |
Zhang et al. | New Method of Edge Computing-Based Data Adaptive Return in Internet of Vehicles | |
Li et al. | DNN partition and offloading strategy with improved particle swarm genetic algorithm in VEC | |
CN112929412B (zh) | 一种基于mec单车单小区的联合带宽分配与数据流卸载方法、设备及存储介质 | |
Yan et al. | Fairness-aware data offloading of IoT applications enabled by heterogeneous UAVs | |
Hong et al. | An optimal resource allocation mechanism in vehicular MEC systems |
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 |