CN111010684A - 一种基于mec缓存服务的车联网资源分配方法 - Google Patents

Abstract

本发明涉及车联网无线短距离通信技术领域，特别涉及一种基于MEC缓存服务的车联网资源分配方法；该方法包括：根据车联网资源分配的优化目标确定车辆用户的时延函数；通过改进的广义benders分解方法求取车辆用户的时延函数最优值，采用时延函数最优值时的服务器通信资源、服务器计算资源和服务器缓存资源进行车联网资源分配；本发明从计算卸载，资源分配和内容缓存三个方面同时确定车联网资源分配方法，并通过改进的广义benders分解方法，降低了时间复杂度，减少了用户的总时延，给用户更好的体验。

Description

一种基于MEC缓存服务的车联网资源分配方法

技术领域

本发明涉及车联网无线短距离通信技术领域，特别涉及一种基于MEC缓存服务的车联网资源分配方法。

背景技术

车联网作为物联网理论在智能交通系统最有潜力的发展和应用，已经得到了国内外的广泛关注和研究。车联网的概念经过移动自组织网络、车载传感器网络发展而来，最终演变为车与X的通信概念。车联网的传统应用主要为安全类应用，旨在缓解和减少传统交通领域中的拥堵和事故，从而辅助交通管理。但随着人们车辆出行需求的不断丰富，车联网娱乐信息服务类应用也得到了较多的关注。车联网的娱乐信息传输有以下两个重要特点：(1)数据量相对较大，内容获取占用的带宽资源较大，传输时间比较长。(2)数据都是流行性内容，被车辆请求的次数较多。移动边缘计算(MEC)是一种具有高带宽低延时特点的新技术，它可以在各类其他移动网络边缘提供服务环境和计算能力，通过靠近移动车辆来减少网络操作和服务交付的时延。车联网这种对于延时要求非常严格的技术正是MEC的典型应用场景之一。

MEC能够使移动设备通过无线传输将他们的计算任务发送到MEC服务器执行任务卸载。然后，每个车辆与MEC服务器中的克隆相关联，该服务器代替该车辆执行计算任务。许多先前的工作分别从延迟减少、节能以及服务质量方面已经深入讨论了计算卸载问题。此外，MEC系统中的服务器可以实现网内缓存功能，类似于以信息为中心的网络(ICN)提供的功能，它能够减少重复信息传输。目前，有许多研究工作都致力于缓存策略。例如，通过最小化宏基站服务的请求数量来优化缓存方案，研究分析基站缓存中的存储分配问题。还有的工作其目的是最大化总系统收益，例如节省无线电资源，计算资源和回程带宽等。当涉及到特定的最佳目标(例如总等待时间或能源消耗)时，所提出的方案效率不高。有的建立了缓存，计算和带宽资源分配的联合问题，目的是最大程度地降低网络使用和能耗的组合成本，但是，没有考虑通信资源分配。

目前的研究致力于计算卸载，资源分配和内容缓存单方面或俩者的研究，但是这三方面在现有工作中很少被共同考虑过，因此在进行车联网资源分配时，计算资源、缓存资源和通信资源的分配不合理，造成局部资源分配较优但整体资源分配不合理，用户服务体验较差。

发明内容

为解决以上现有技术的问题，本发明提出了一种基于MEC缓存服务的车联网资源分配方法，包括：

根据车联网资源分配的优化目标确定车辆用户的时延函数；通过改进的广义benders分解方法求取车辆用户的时延函数最优值，采用时延函数最优值时的服务器通信资源、服务器计算资源和服务器缓存资源进行车联网资源分配。

优选的，所述车联网资源分配的优化目标包括：车辆任务本地计算时延函数

车辆任务边缘计算时延函数

车辆任务上行传输时延函数

服务器缓存的时延函数

优选的，所述车辆任务本地计算时延函数的表达式为：

优选的，所述车辆任务边缘计算时延函数的计算过程包括：宏基站上的MEC服务器能够同时向多个车辆提供计算卸载服务，车辆接收到卸载任务后，服务器代替车辆执行任务，车辆任务边缘计算时延函数的表达式为：

优选的，所述车辆任务上行传输时延函数的表达式为：

优选的，所述服务器缓存的时延函数的表达式为：

进一步的，所述根据车联网资源分配的优化目标确定车辆用户的时延函数，包括：将车联网资源分配的优化目标进行加权和得到车辆用户的时延函数，其表达式为：

优选的，所述通过改进的广义benders分解方法求取车辆用户的时延函数最优值，包括：采用广义Becders分解方法将车辆用户的时延函数分解为主问题和子问题，其步骤为：

步骤1：根据广义Becders分解方法，通过对车辆用户的时延函数中的卸载决策和缓存决策二进制向量进行固定的方法，从而获得子问题；且子问题有最优解；

步骤2：若子问题可解，则具有唯一的连续解，并求取对应的拉格朗日乘数λ，子问题的最优目标函数值为车辆用户的时延函数的有效上界；根据连续解，得到子问题的可行割，并将可行割作为约束条件添加到主问题中；

若子问题没有可行解，则将子问题进行缩放，得到有可行解的子问题；对有可行解的子问题使用拉格朗日法求解，同时采用外逼法求解子问题的不可行割，并将不可行割作为约束条件添加到主问题中；

步骤3：根据可行割和不可行割的约束条件，求取车辆用户的时延函数的主问题min_e G；根据可行割、不可行割的约束条件以及整数割的约束条件对主问题进行有限次迭代，得到主问题的最优目标函数值，此函数值为车辆用户的时延函数的有效下界；

步骤4：根据车辆用户的时延函数检查每个卸载决策和缓存决策；

步骤5：将卸载任务转换为车辆本地计算任务，减少车辆用户总时延；

步骤6：当车辆用户总时延达到最小值时，停止检查；同时输出此时的卸载决策，缓存决策以及资源分配策略，这些策略为最优资源分配方案。

本发明从计算卸载，资源分配和内容缓存三个方面同时确定车联网资源分配方法，实现了车联网资源的最优分配方式；本发明通过改进的广义benders分解方法，降低了时间复杂度，减少了用户的总时延，给用户更好的体验。

附图说明

图1为本发明的车联网中基于MEC缓存服务的资源分配架构模型图；

图2为本发明的车联网中基于MEC缓存服务的资源分配实施流程图；

图3为本发明的改进广义benders分解法降低算法时间复杂度流程图；

图4为本发明与其它方法在系统带宽对总时延影响的对比图；

图5为本发明与其它方法在MEC服务器计算能力上对总时延的影响对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合数据和附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

如图1所示，车辆在行驶过程中，用户会有服务需求，会产生计算任务。由于车辆本身的计算能力有限，便会将任务发送到附近的基站，基站配备的MEC服务器会协助计算任务，若基站已经缓存过部分内容，能够减少重复信息传输，便可以减少计算时间。这中间的过程涉及到通信资源、计算资源以及缓存资源的资源分配。为了合理的量化这些资源以便优化，进行了模型搭建。

一种基于MEC缓存服务的车联网资源分配方法，如图2所示，包括：根据车联网资源分配的优化目标确定车辆用户的时延函数；通过改进的广义benders分解方法求取车辆用户的时延函数最优值，采用时延函数最优值时的服务器通信资源、服务器计算资源和服务器缓存资源进行车联网资源分配；其中，MEC表示移动边缘计算，benders表示混合整数规划算法。

所述车联网资源分配的优化目标包括：车辆任务本地计算时延函数

车辆任务边缘计算时延函数

车辆任务上行传输时延函数

服务器缓存的时延函数

车联网系统的处理过程包括：

多车辆与宏基站共存的车辆异构网络，MEC服务器部署于宏基站一侧；MEC服务器包含计算和存储资源功能；计算资源通过蜂窝通信系统的核心网络连接到Internet，从而提供任务处理；存储资源提供任务内容和代码，并决定是否存储内容；

如果内容已存储，则可以重复使用；

如果内容没有存储，则通过正交频分复用将车辆与宏基站相关联，其中分配给每个车辆的频谱资源无法重复使用；

车辆遵循泊松分布，定义车辆集合为

在集合中的每个车辆v每次都有一个计算任务，记为

对于任务卸载，定义x_v∈{0，1}为车辆v的卸载决策，x_v＝1表示车辆v选择卸载到MEC服务器执行，x_v＝0表示车辆v选择在本地计算；

对于任务缓存，定义α_v∈{0，1}为车辆v的缓存决策，α_v＝1表示MEC服务器选择缓存车辆v请求的内容，α_v＝0表示MEC服务器不选择缓存车辆v请求的内容；

其中，N表示车辆集合中最大的编号，s_v表示输入数据的大小，c_v表示工作负载，即完成任务的计算量，

表示最大容限等待时间。

车辆任务上行传输时延函数

的计算过程包括：

车辆选择将计算任务卸载到MEC服务器；将任务的输入数据发送到MEC服务器；计算出车辆的上行传输频谱效率为：

整个系统的可用带宽为B，且整个带宽通过比率划分给每个车辆；频带宽的百分比为d_v∈(0，1)，车辆的上行传输速率为：

车辆选择将任务进行卸载计算，通过无线传输接入到相应的宏基站，然后将任务载到MEC服务器进行计算；对于任务卸载的车辆，传输到MEC时会产生相应的传输时延，根据通信模型，车辆的上行传输时延为：

其中，r_v表示车辆的上行传输频谱效率，p_v表示车辆的传输功率，h_v表示车辆和宏基站的信道增益，σ²表示噪声功率，

表示车辆的上行传输速率，d_v表示车辆的上行传输速率，B表示系统带宽，

表示上行传输时延，tra表示上行传输，S_v，表示计算任务输入数据大小。

服务器计算过程包括：车辆任务本地计算时延函数和车辆任务边缘计算时延函数；

本地计算包括：车辆自身进行计算，计算的结果为

且

车辆用户执行本地任务T_v，计算执行的时间为：

其中，

表示车俩自身的计算能力，c_v表示工作负载，

表示本地计算时延；

边缘计算包括：每个宏基站上的MEC服务器能够同时向多个车辆提供计算卸载服务，每个MEC服务器提供给关联车辆共享的最大计算资源为f_max；车辆接收到卸载任务后，服务器代替车辆执行任务，MEC服务器分给车辆v的计算资源百分比为q_v∈(0，1)，边缘计算的时延为：

其中，

表示边缘计算时延，f_max表示MEC服务器提供给关联车辆共享的最大计算资源。

服务器缓存的时延函数

的计算过程包括：

确定MEC服务器最大缓存为C_e；任务卸载到MEC服务器，服务器可以从Internet请求内容，请求内容的欢迎程度遵循Zipf分布，则车辆v请求任务k的受欢迎程度为：

其中，N_f表示Intemet中内容的总类型，τ表示Zipf分布参数，Zipf分布为幂律分布，k表示请求的任务，p_v(k)表示车辆v请求任务k的受欢迎程度；

请求的内容已被缓存，则可以获得宏基站和Internet之间的回程时间和回程带宽；在Internet数据平均传输速率为Q，车辆v请求任务k的回程带宽为：

任务内容请求大小为K时，回程时延为

其中，

表示车辆v请求任务k的回城带宽，

表示回城时延。

用户服务总时延模型用于计算车辆v将任务卸载到MEC服务器的总时延，表达式为：

其中，

表示总时延，

表示上行传输时延，

表示边缘计算时延，α_v表示缓存决策，

表示回程时延。

由于任务在本地计算和边缘计算，则单个车辆的总任务持续时间可以表示为

在保证服务质量的同时，降低整个系统的总时延。通过部署任务缓存、卸载和资源分配策略以最小化车辆用户的总系统时延。将车联网资源分配的优化目标进行加权和得到车辆用户的时延函数，其表达式为：

其中，限制条件包括：C1：

C2：

C3：

C4：

C5：

C6：

C7：

C8：

以及C9：

C1和C2分别表示卸载决策和缓存决策时二进制变量，C3表示具有卸载任务的车辆进行频谱决策，C4表示分配给具有卸载任务的车辆的频谱资源总和不能超过总频谱带宽，C5表示具有卸载任务的车辆进行计算资源决策，C6表示卸载任务分配的计算资源总和不能超过MEC服务器的总计算能力，C7表示具有卸载任务的车辆才需要从Internet请求内容，C8表示从Internet缓存的内容总和不能超过MEC服务器的存储能力，C9表示每个车辆计算任务的总时延应满足最大容忍时延；

其中，x_v表示卸载决策，s_v表示计算任务输入数据的大小，d_v表示频带宽的百分比，B表示系统带宽，r_v表示车辆的上行传输频谱效率，c_v表示工作负载，q_v表示MEC服务器分给车辆v的计算资源百分比，f_max表示MEC服务器提供给关联车辆共享的最大计算资源，α_v表示缓存决策，K表示任务内容请求大小，τ表示Zipf分布参数，k表示请求的任务，N_f表示表示Internet中内容的总类型，Q表示Intemet数据的平均传输速率，

表示车辆的自身计算能力，

表示总时延，

表示本地计算时延，

表示最大容限等待时间。

如图3所示，为了减少用户服务时延函数的计算复杂度，引入广义Becders分解方法。广义Becders分解方法将整数向量和连续向量分别分解为一个主问题和一个子问题。主问题是混合整数线性规划问题，子问题是非线性规划问题。原始问题的最优解可以通过迭代求解主问题和子问题来获得。

步骤1：根据广义Becders分解方法，通过对原始优化问题中的卸载决策和缓存决策二进制向量进行固定的方法，从而获得子问题。

其中，限制条件包括：C3：

C4：

C5：

C6：

C7：

C8：

以及C9：

通过对卸载决策x和缓存决策α的二进制向量进行固定，确定子问题有最优解。

步骤2：若子问题可解，则具有唯一的连续解，并求取对应的拉格朗日乘数λ，子问题的最优目标函数值是原始问题的有效上界；根据连续解，得到子问题的可行割，并将可行割作为约束条件添加到主问题中；

定义H(x，α，d，q)为子问题约束集合，其中

此时，子问题可转换为：

H(x^*，α^*，d，q)≤0

令

当子问题有可行解时，我们可以得到可行割，并将其作为约束条件添加到主问题中，为了方便表示，用e和o分别代表集合(x，α)和(d，q)。

子问题没有可行解，将子问题进行放缩得到有可行解的子问题；对有可行解的子问题使用拉格朗日法求解，同时采用外逼法求解子问题的不可行割，并将不可行割作为约束条件添加到主问题中；

其中，η表示松弛向量，η和H(o，e^*)的长度都为4N+3，在这种情况下，将没有可行解的子问题变为有可行解的子问题，同样使用拉格朗日法，求解最优目标函数值，此时对应的拉格朗日乘数约束为γ，为了加速松弛子问题的收敛，减少优化问题的计算时间复杂度，采用外逼法求解问题的不可行割：

其中，F^if表示拉格朗日法的函数表达式，

表示拉格朗日分解法的梯度变换符号。

步骤3：据可行割和不可行割确定的约束条件，解决二元变量的主问题为min_e G；

F^f(e)-G≤0

F^if(e，o)≤0

其中，主问题的前两个约束为所有可行割和不可行割的满足条件，第三个约束是一个整数割，用来排除不可行的二进制向量。在第三个约束中，

其中e_j∈{0，1}，

将原始问题的主问题和子问题通过有限次迭代，得到车辆用户的时延函数的最优目标函数值，也为原始问题的有效下界。

步骤4：根据车辆用户的时延函数检查每个卸载决策和缓存决策；

步骤5：将卸载任务转换为车辆本地计算任务，减少车辆用户总时延；

步骤6：当车辆用户总时延达到最小值时，停止检查；同时输出此时的卸载决策，缓存决策以及资源分配策略，这些策略为最优资源分配方案。

基于广义benders分解算法，我们给出车联网中基于MEC缓存服务的资源分配方案，如算法1

算法1主要由两部分组成，即：决策和检查。方法通过固定二元变量，求解有可行解的子问题和没有可行解的新子问题，然后在所有的可行割和不可行割满足的条件下求解主问题，在有限次迭代中终止。根据原始优化问题检查每个卸载决策和缓存决策；若删除卸载任务可以减少总延迟，则将相应的任务转换为本地执行；直到总延迟停止减少时检查操作终止；检查操作完成后，可以同时确定最优卸载，缓存决策和资源分配策略。

如图4所示，随着车辆数量的增加，系统总时延增加。当车辆的所有任务都在本地执行时，系统总时延始终高于本文所提方案。原因是车辆的计算能力有限，MEC服务器计算能力没有充分的利用。随着车辆数量的增加车辆选择全部卸载的系统总时延都大大增加，甚至超过了所有本地的等待时间消耗。原因是通信和计算资源是有限的，分配给每个卸载任务的资源较少，导致系统总时延会大大增加。本文方案和穷举法之间的系统总时延差距很小，且在0.2s之内，而启发式算法和系统总时延之间的等待时间差则在0.3s之内。

如图5所示，本发明的方法与其它方法在系统带宽方面，对整个系统总时延的影响仿真对比图。在本发明中，综合考虑了频谱和计算资源的分配。为了研究资源分配对延迟性能的影响，在车辆数量为10前提下，系统总时延随着系统带宽的增加而减少，并且四种方案之间的时间间隙总体上具有减小的趋势，原因是更多的频谱资源增加了车辆的传输速率，进而减少了系统总时延。此外，相等频谱资源的系统总时延比其他三种方案更多，这是由于底层的任务众多，相等的频谱资源分配无法为大型计算任务提供更多资源，但为小型计算任务提供过多的资源，从而导致额外的延迟和资源浪费，进而证明了本文方案的优越性。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于MEC缓存服务的车联网资源分配方法，其特征在于：根据车联网资源分配的优化目标确定车辆用户的时延函数；通过改进的广义benders分解方法求取车辆用户的时延函数最优值，采用时延函数最优值时的服务器通信资源、服务器计算资源和服务器缓存资源进行车联网资源分配；其中，MEC表示移动边缘计算，benders表示混合整数规划算法。

2.根据权利要求1所述的基于MEC缓存服务的车联网资源分配方法，其特征在于：所述车联网资源分配的优化目标包括：车辆任务本地计算时延函数

车辆任务边缘计算时延函数

车辆任务上行传输时延函数

服务器缓存的时延函数

3.根据权利要求2所述的基于MEC缓存服务的车联网资源分配方法，其特征在于，所述车辆任务本地计算时延函数

的表达式为：

其中，

表示车俩自身的计算能力，c_v表示工作负载。

4.根据根据权利要求2所述的基于MEC缓存服务的车联网资源分配方法，其特征在于，所述车辆任务边缘计算时延函数

的计算过程包括：宏基站上的MEC服务器能够同时向多个车辆提供计算卸载服务，车辆接收到卸载任务后，服务器代替车辆执行任务，车辆任务边缘计算时延函数的表达式为：

其中，f_max表示MEC服务器提供给关联车辆共享的最大计算资源，q_v表示MEC服务器分给车辆v的计算资源百分比，且q_v∈(0，1)。

5.根据根据权利要求2所述的基于MEC缓存服务的车联网资源分配方法，其特征在于，所述车辆任务上行传输时延函数

的计算过程包括：

步骤1：车辆选择将计算任务卸载到MEC服务器；

步骤2：将任务的输入数据发送到MEC服务器，并求出车辆的上行传输频谱效率r_v；

步骤3：确定车联网带宽B，将带宽划分给车联网中的每辆车，得到车辆的频带宽百分比d_v，并结合上行传输频谱效率求车辆的上行传输速率

步骤4：进行计算任务卸载的车辆将任务传输到MEC时会产生相应的传输时延，车辆的上行传输时延为：

其中，r_v表示车辆的上行传输频谱效率，B表示车联网带宽，S_v表示计算任务输入数据大小。

6.根据根据权利要求2所述的基于MEC缓存服务的车联网资源分配方法，其特征在于，所述服务器缓存的时延函数

的计算过程包括：

步骤1：确定MEC服务器最大缓存为C_e；

步骤2：车辆卸载任务卸载到MEC服务器，服务器从Internet请求内容，任务内容请求大小K，请求内容的欢迎程度遵循Zipf分布，计算车辆v请求任务k的受欢迎程度p_v(k)；

步骤3：请求的内容已被缓存，获取车辆v请求任务k的回程带宽

步骤4：计算服务器缓存的时延函数为

其中，K表示任务内容请求大小，Zipf分布为幂律分布，

表示车辆v请求任务k的回程带宽。

7.根据权利要求1所述的基于MEC缓存服务的车联网资源分配方法，其特征在于：所述根据车联网资源分配的优化目标确定车辆用户的时延函数，包括：将车联网资源分配的优化目标进行加权和得到车辆用户的时延函数，其表达式为：

其中，x_v表示卸载决策，s_v表示计算任务输入数据的大小，d_v表示频带宽的百分比，B表示系统带宽，r_v表示车辆的上行传输频谱效率，c_v表示工作负载，q_v表示MEC服务器分给车辆v的计算资源百分比，f_max表示MEC服务器提供给关联车辆共享的最大计算资源，α_v表示缓存决策，K表示任务内容请求大小，τ表示Zipf分布参数，k表示请求的任务，N_f表示表示Internet中内容的总类型，Q表示Internet数据的平均传输速率，

表示车辆的自身计算能力，

表示总时延，

表示本地计算时延，

表示最大容限等待时间。

8.根据权利要求1所述的基于MEC缓存服务的车联网资源分配方法，其特征在于：所述通过改进的广义benders分解方法求取车辆用户的时延函数最优值，包括：采用广义Becders分解方法将车辆用户的时延函数分解为主问题和子问题，其步骤为：

步骤1：根据广义Becders分解方法，通过对车辆用户的时延函数中的卸载决策和缓存决策二进制向量进行固定的方法，从而获得子问题；且子问题有最优解；

步骤2：若子问题可解，则具有唯一的连续解，并求取对应的拉格朗日乘数λ，子问题的最优目标函数值为车辆用户的时延函数的有效上界；根据连续解，得到子问题的可行割，并将可行割作为约束条件添加到主问题中；

若子问题没有可行解，则将子问题进行缩放，得到有可行解的子问题；对有可行解的子问题使用拉格朗日法求解，同时采用外逼法求解子问题的不可行割，并将不可行割作为约束条件添加到主问题中；

步骤3：根据可行割和不可行割的约束条件，求取车辆用户的时延函数的主问题min_e G；根据可行割、不可行割的约束条件以及整数割的约束条件对主问题进行有限次迭代，得到主问题的最优目标函数值，此函数值为车辆用户的时延函数的有效下界；

步骤4：根据车辆用户的时延函数检查每个卸载决策和缓存决策；

步骤5：将卸载任务转换为车辆本地计算任务，减少车辆用户总时延；

步骤6：当车辆用户总时延达到最小值时，停止检查；同时输出此时的卸载决策，缓存决策以及资源分配策略，这些策略为最优资源分配方案。

Images