CN111083634B - 基于cdn和mec的车联网移动性管理方法 - Google Patents

Abstract

本发明涉及车联网系统中无线短距离通信技术领域，特别涉及一种基于CDN和MEC的车联网移动性管理方法，该方法包括：在CDN和MEC整合框架下进行车辆移动管理时，采用资源最优原则确定与RSU的连接，通过该连接处理车辆产生的任务；如果车辆进行RSU间的切换，采用开销选择的动态信道分配算法确定切换位置，根据切换位置计算车辆切换最优时间；如果车辆进行迁移，采用基于RSU调度的合作博弈算法确定MEC分配给车辆的计算资源，并求出计算资源的最优价格；本发明采用路边单元调度的合作博弈算法进行虚拟机迁移并开发基于学习的价格控制机制，以有效地处理MEC的计算资源，并且提高资源利用率和减少开销。

Description

基于CDN和MEC的车联网移动性管理方法

技术领域

本发明涉及车联网系统中无线短距离通信技术领域，特别涉及一种基于CDN和MEC的车联网移动性管理方法。

背景技术

在过去的十年，物联网(IoT)引起了学术界和工业界的极大关注，而车联网(IoV)作为物联网的关键分支已成为智能交通系统不可或缺的组成部分。随着先进车载应用的出现，高速计算和快速通信的需求日益突出。诸如自动驾驶技术，需要高水平的数据通信和计算。作为车载应用，自动驾驶正处于前所未有的发展阶段。但自动驾驶对计算和时延十分敏感，而当前车载网络系统无法满足日益增长的车载应用对时延的要求。基于移动边缘计算(MEC)的车载网络被设想为一个潜在的满足应用需求的解决方案。与此同时，网络功能虚拟化(NFV)和软件定义网络(SDN)技术的发展为移动网络运营商(MNO)提供了将内容分发网络(CDN)的功能深入部署到移动网络基础设施中的机会。且CDN减轻了核心网络的流量负担，降低了MNO的传输成本。最近，欧洲电信标准协会(ETSI)通过在移动网络边缘提供存储和计算能力来支持CDN的实施，例如，将车载云服务部署在CDN上。调度系统(TCS)是CDN网络的重要组成部分，接收终端侧发起的访问请求，监测全网节点的健康状态、负载情况及内容分布情况，根据调度策略将终端调度到最佳的边缘节点的路边单元RSU。

MEC通过提供车载网络边缘用户所需的处理能力，即加速车载网络中的应用和数据流，来支撑以消费者为中心的物联网应用和实时服务。然而，目前关于CDN和MEC的研究大多是独立的。尽管CDN和MEC集成可以带来潜在的好处，但集成后面临着移动性管理(MM)等挑战。MM将移动设备与移动设备相关联，可以实现连续移动服务(即无线电接入和计算)。当车辆用户(V-UE)处于移动状态时，小区间的切换和虚拟机迁移(VMM)是重要研究对象，也是衡量系统性能的重要标准。在保证服务连续性的同时充分利用系统资源是MM实现的关键。

目前相关文献调查了管理虚拟机(VM)性能开销的最新研究并介绍了云计算和VM迁移的方法，但是，这些方案没有考虑车辆移动性和VM迁移之间的关系。会导致服务中断或者迁移过程中服务迁移失败。

发明内容

为解决以上现有技术问题，本发明提出了一种基于CDN和MEC的车联网移动性管理方法，该方法包括：

在CDN和MEC整合框架下进行车辆移动管理时，采用资源最优原则确定与RSU的连接，通过该连接处理车辆产生的任务；

所述资源最优原则包括：

如果车辆进行RSU间的切换，采用开销选择的动态信道分配算法确定切换位置，根据所述切换位置计算车辆切换最优时间；

如果车辆进行迁移，采用基于RSU调度的合作博弈算法确定MEC分配给车辆的计算资源，并求出计算资源的最优价格。

优选的，CDN和MEC整合框架包括：车载云、路边单元云以及中心云三层结构；

车载云的设置包括：在一组合作的车辆中，通过车辆到车辆之间的通信建立的本地云；

路边单元云的设置包括：在一组相邻的RSU之间建立的本地云，并且通过车辆到基础设施之间的通信访问路边单元云；

中心云的处理过程包括：中心云将存储模块和数据进行同步，路边单元云中的数据通过消息中间件实时传输到中心云；当用户请求被调度至另一个没有此车辆信息的路边云时，此路边云从中心云获取数据。

优选的，在MEC整合框架下进行车辆移动管理之前，还包括车辆进行RSU间切换与迁移之间进行选择的步骤，包括：

车辆v₁启动进入RSU-1覆盖范围时，v₁向TCS发送请求调度到距离该车辆最近的RSU，即RSU-1，此时不进行数据迁移也不进行RSU间切换；

车辆v₁从RSU-1的覆盖范围驶入RSU-2的覆盖范围时，进行RSU间的切换；

车辆v₁驶出RSU-2的覆盖范围时，数据通过消息中间件上传到中心云，中心云直接给车辆v₁提供服务，此时不进行数据迁移也不进行RSU间的切换；

当车辆v₁驶入RSU-3的覆盖范围时，RSU-3没有车辆信息，此时从中心云迁移数据。

优选的，车辆进行RSU间的切换包括：

步骤1：根据CDN和MEC整合框架确定计算任务A_i,j＝{d_i,j,c_i,j,T^th}；

步骤2：当输入的数据通过RSU传输到MEC服务器时，在RSU与MEC之间的费用可忽略；当V-UEs通过信道l接入到RSU时，根据这条信道的传输功率和路径损耗计算上行传输速率R_i,j,l；

步骤3：确定信道分配选择a_i,j,l，根据a_i,j,l和R_i,j,l计算V-UEs总的上行传输速率R_i,j；

步骤4：根据计算任务总上行传输速率求取边缘计算的总时间

和总能耗

优选的，确定车辆的切换位置的过程包括：

步骤1：用Nagel-Shreckenberg CA离散模型进行交通仿真，获得V-UE接收信号信噪比SNR；

步骤2：将V-UE从相邻RSU接收到的SNR相等的位置定义为切换的参考位置；其中RSU_j1和RSU_j2的坐标分别为(X_j1,Y_j1),(X_j2,Y_j2)；

步骤3：根据RSU_j1和RSU_j2的坐标求出V-UE_i的切换参考位置坐标(X_h1,Y_h1)；

步骤4：若未找到与SNR相等的位置，则设置一个功率损耗门限P^th，根据功率损耗门限求出V-UEi的切换参考位置(X_h2,Y_h2)；

步骤5：根据(X_h1,Y_h1)和(X_h2,Y_h2)，求V-UEi在RSUj覆盖范围内的最终切换位置坐标(X_i,j,Y_i,j)，其表达式为：

(X_i,j,Y_i,j)＝min[(X_h1,Y_h1),(X_h2,Y_h2)]

步骤6：根据V-UE发送信号到达两个RSU的时间差来确定V-UE的当前位置(X,Y)；

步骤7：V-UEi从当前位置到达切换位置的时间为

步骤8：通过开销选择的动态信道分配算法找到最优路边单元RSU^*，得出最优切换时间

优选的，找最优路边单元RSU^*的步骤包括：

步骤1：将车辆的位置(X,Y)，V-UE_i的天线高度h_i，RSUj的天线高度h_j，车辆的速度v，总的卸载决策O_i,j，最大迭代次数I_dd输入到动态信道分配算法模型中；

步骤2：将车辆的的位置转化为矩阵，得到初始化权值矩阵(X,Y)；

步骤3：V-UE连接到RSU，并报告未定期使用信道的开销；

步骤4：若多用户同时改变信道，RSU通过

改变信道；求取车辆进行移动性管理时的总开销，并根据总开销的最小值来选择最优、次最优、次优的三个路边单元RSU；

步骤5：V-UE实时上报其位置信息(X,Y)和功率损耗门限P^th；再根据TCS计算出的切换位置(X_i,j,Y_i,j)求切换到最优、次最优、次优的三个RSU的时间，如果能使

和

最小，此RSU^*性能最优，且最优切换时间为

优选的，根据总开销选择动态信道分配算法和RSU调度的合作博弈算法实现了CDN与MEC的有效整合，并建立目标规划问题函数。

基于RSU调度的合作博弈算法求解VM迁移的过程包括：

将VM迁移分解成三个过程：是否迁移；分配了多少MEC资源；这些资源的最佳价格；

在第一阶段EN通过联合计算和通信资源来决定是否迁移特定的VM，对于VM迁移过程，其中一个决策标准是时延，当V-UE从EN_j移动到EN_s时，时延间隔ΔT为：

ΔT＝N-M,ΔT>δ(δ>0)

其中，N表示没进行迁移时程序运行的总时间，M表示迁移时程序运行的总时间；δ表示安全迁移的时间缓冲间隙，满足ΔT>δ(δ>0)时，EN_j将vm_k从源物理机迁移到目标物理机；

在第二阶段，根据EN的报价计算迁移与未迁移的收益；在合作过程中，每个vm_k都是提议者，V-UE_i是响应者，它们相互交互以进行VM迁移，此时，提议者提供价格为vm_k迁移，其中包括无迁移和迁移两种情况；在进行最优价格确定时，采用Q学习并多次迭代收益，当得到最大收益时，此时为计算资源的最优价格；

第三阶段，EN学习V-UE的行为和以在线的方式调整其价格策略；每个EN通过无模型深度学习算法调整其价格策略分布，并通过观察V-UE的反应；

DQN包括三个关键因素，分别是状态，行为和奖励函数；空间状态的表达式为：

行为空间是价格策略数，其表达示为：

A＝{a＝(a₀,…,a_x,…,a_X)|a_x∈(0,1,…,a_max)}

其中，a₀表示不进行迁移的价格策略数，a_x表示迁移时的价格策略数，a_max表示不迁移或迁移时的最大价格策略数；

奖励函数是V-UE接收EN提供价格的收益；根据价格策略数求出效用函数A_效用以及成本函数B_成本；

则奖励函数的表达式为：R_奖励＝A_效用-B_成本。

本发明采用开销选择的动态信道分配算法求出车辆在小区切换的最优切换时间，避免了乒乓效应；本发明采用路边单元调度的合作博弈算法进行虚拟机迁移并开发基于学习的价格控制机制，以有效地处理MEC的计算资源，并且提高资源利用率和减少开销。

附图说明

图1为本发明所使用整合内容分发网络和移动边缘计算的车载网络的架构模型图；

图2本发明所提车联网中整合CDN和MEC的移动性管理的实施流程图；

图3本发明所提基于开销选择的动态信道分配(GDCA)算法框图；

图4本发明所提基于RSU调度的合作博弈算法框图。

具体实施方式

为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施案例对本发明做进一步详细说明。

如图1所示，L个服从泊松分布的任务车辆V＝{v₁,v₂,…,v_L}，含有k个VM，即vm＝{vm₁,vm₂,…,vm_k}，M个路边单元RSU，即包含M个边缘节点EN，每个RSU部署一个MEC服务器，且多个RSU共用一个频谱资源；将带宽W分成N个信道；V-UE采用正交频分多址接入(OFDMA)与基站相连；将MEC服务器部署到CDN边缘节点，利用CDN的全局调度系统，将用户请求根据调度策略调度至全局最优的边缘节点，可以解决MEC资源有限、分布不均匀、可能存在高并发压力等问题。

一种基于CDN和MEC的车联网移动性管理方法，如图2所示，在CDN和MEC整合框架下进行车辆移动管理时，采用资源最优原则确定与RSU的连接，通过该连接处理车辆产生的任务，所述资源最优原则包括：

如果车辆进行RSU间的切换，采用开销选择的动态信道分配算法确定切换位置，根据所述切换位置计算车辆切换最优时间；

如果车辆进行迁移，采用基于RSU调度的合作博弈算法确定MEC分配给车辆的计算资源，并求出计算资源的最优价格；

其中，CDN表示内容分发网络，MEC表示边缘计算，RSU表示路边单元。

CDN和MEC整合框架包括：车载云、路边单元云以及中心云三层结构；

车载云的设置包括：在一组合作的车辆中，通过车辆到车辆之间的通信建立的本地云；

路边单元云的设置包括：在一组相邻的RSU之间建立的本地云，并且通过车辆到基础设施之间的通信访问路边单元云；

中心云的处理过程包括：中心云将存储模块和数据同步，路边单元云中的数据通过消息中间件实时传输到中心云；当用户请求被调度至另一个没有此车辆信息的路边云时，此路边云从中心云获取数据。

在MEC整合框架下进行车辆移动管理之前，还包括车辆进行RSU间切换与迁移之间进行选择的步骤，包括：

车辆ν₁启动进入RSU-1覆盖范围时，ν₁向TCS发送请求调度到距离该车辆最近的RSU，即RSU-1，此时不进行数据迁移也不进行RSU间切换；

车辆v₁从RSU-1的覆盖范围驶入RSU-2的覆盖范围时，由于处于同一个路边单元云，共用VM-A，此时不进行数据迁移只会进行RSU间的切换；

车辆v₁驶出RSU-2的覆盖范围时，数据通过消息中间件上传到中心云，中心云直接给车辆v₁提供服务，此时不进行数据迁移也不进行RSU间的切换；

当车辆v₁驶入RSU-3的覆盖范围时，RSU-3没有车辆信息，此时从中心云迁移数据；

其中，RSU-1表示路边单元1，TCS表示调度系统，VM-A表示虚拟机。

如图3所示，车辆进行RSU间的切换包括：

步骤1：根据CDN和MEC整合框架确定计算任务A_i,j＝{d_i,j,c_i,j,T^th}；

其中，d_i,j表示输入数据的大小，c_i,j表示任务执行时所需的CPU周期数，T^th表示最大的延迟容限；

步骤2：当输入数据通过RSU被传输到MEC服务器时，在RSU与MEC之间的费用可忽略；当V-UEs通过信道l接入到RSU时，其上行传输速率为：

其中，w表示带宽，

p_i,j,l表示V-UE_i在信道l上接入RSU_j的传输功率，L_i,j,l表示V-UE_i在信道l上接入RSU_j的路径损耗，σ²表示噪声功率，I表示在RSU覆盖范围中的V-UE受到来自相邻小区的其他V-UEs的干扰，且I为常量。

步骤3：根据R_i,j,l计算V-UEs总的上行传输速率R_i,j；总的上行传输速率表达式为：

其中，a_i,j,l∈{0,1}，a_i,j,l＝1表示信道l被分配给RSU_j中的V-UE_i去卸载任务，a_i,j,l＝0表示信道l不进行卸载任务。

步骤4：根据计算任务总上行传输速率求取边缘计算的总时间

和总能耗

任务在边缘计算的总时间包括传输时间和在MEC上的计算时间，表示为：

总能耗的表达式为：

其中，f^C表示MEC服务器的CPU周期频率。

f在3GPP标准中载波的中心频率取2GHz，h_i和h_j分别为V-UE_i和RSU_j的天线高度，若f、h_i和h_j为已知时，路径损耗L_i,j,l只与RSU_j和V-UE_i之间的距离d有关，即：

L_i,j,l＝69.55+26.16lgf-13.821lg(h_j)-3.2[lg(11.75×h_i)]²-4.97-[44.9-6.55lg(h_j)]lgd

确定车辆的切换位置包括：

步骤1：用Nagel-Shreckenberg CA离散模型进行交通仿真，获得V-UE接收信号信噪比：

步骤2：将V-UE从相邻RSU接收到的SNR相等的位置定义为切换的参考位置；并根据V-UE_i在当前发送的信号分别到达相邻RSU的SNR来确定切换位置；其中，RSU_j1和RSU_j2的坐标分别为(X_j1,Y_j1),(X_j2,Y_j2)；

步骤3：根据RSU_j1和RSU_j2的坐标求出V-UE_i的切换参考位置坐标(X_h1,Y_h1)；

步骤4：若未找到与SNR相等的位置，则设置一个功率损耗门限P^th，根据功率损耗门限求出V-UEi的切换参考位置(X_h2,Y_h2)；

其中，功率损耗门限P^th的表达式为：

步骤5：根据(X_h1,Y_h1)和(X_h2,Y_h2)，求V-UE_i在RSU_j覆盖范围内的最终切换位置坐标(X_i,j,Y_i,j)，其表达式为：

(X_i,j,Y_i,j)＝min[(X_h1,Y_h1),(X_h2,Y_h2)]

步骤6：根据V-UE发送信号到达两个RSU的时间差来确定V-UE的当前位置(X,Y)：

其中，c＝3×10⁸，表示信号发射的速率；

步骤7：V-UE_i从当前位置到达切换位置的时间为：

步骤8：通过开销选择的动态信道分配算法找到最优路边单元RSU^*，得出最优切换时间

其中，Nagel-Shreckenberg CA表示交通仿真的离散模型，V-UE表示车辆用户，v表示车辆的速度，SNR表示信噪比。

找到最优路边单元RSU^*的步骤包括：

步骤1：将车辆的位置(X,Y)，V-UE_i的天线高度h_i，RSU_j的天线高度h_j，车辆的速度v，总的卸载决策O_i,j，最大迭代次数I_dd输入到动态信道分配算法模型中；

步骤2：将车辆的的位置转化为矩阵，得到初始化权值矩阵(X,Y)；

步骤3：V-UE连接到RSU，并报告未定期使用信道的开销；

步骤4：若多用户同时改变信道，RSU通过

改变信道；根据公式

计算开销，根据开销最小值来选择最优、次最优、次优的三个RSU；

步骤5：V-UE实时上报其位置信息(X,Y)和功率损耗门限P^th；再根据TCS计算出的切换位置(X_i,j,Y_i,j)求切换到最优、次最优、次优的三个RSU的时间，如果能使

和

最小，此RSU^*性能最优，且最优切换时间为

其中，

表示信道，

表示总时延和总能耗的加权和，

表示总时延，

表示能耗的权重因子。

如图3所示，根据RSU调度的合作博弈算法得到切换的最优时间的过程包括：

步骤1：根据车辆迁移过程确定虚拟机vm_k占用存储的大小

迁移期间的内存脏页率

虚拟机vm_k所处的数据中心的网络带宽为W_k，迁移过程的迭代次数为n；

步骤2：CDN网络下，在边缘云和中心云之间部署有消息中间件，当V-UE向边缘服务器发送请求时，边缘服务器会通过消息中间件将服务请求同步到中心服务器；因此消息请求是实时同步的，相比于传统的迁移，只需迁移最后一次，而不是n次；其迁移同步时间为

步骤3：令

根据迁移过程中的数据以及迁移同步的时间求取迁移的时间

和迁移能耗

迁移时间的表达式为：

迁移能耗为：

其中，β和γ是模型需要训练的参数，

表示迁移数据量，迁移数据量的表达式为：

步骤4：求取总时延

和总能耗

总时延包括传输时延、在MEC服务器上的计算时延、切换时延和迁移时延，则总时延

的表达式为：

总能耗

包括传输能耗和迁移能耗，其表达式为：

步骤5：结合总时延和总能耗计算总开销

由于从MEC回传到V-UEs的数据大小远小于输入数据的大小，故忽略了回传的时延和能耗，w_i,j为权重因子，结合总时延和总能耗可以得到总开销

即总时延和总能耗的加权和：

令

则

其中，α表示内存脏页率网络带宽的比值，

表示边缘计算的总时间，

表示当前位置到达切换位置的时间，

表示迁移的时间，

表示边缘计算的能耗，

表示迁移能耗，

表示时延的权重因子，

表示总时延，

表示能耗的权重因子，

表示总能耗。

通过开销选择的动态信道分配GDCA算法和基于RSU调度的合作博弈算法实现了CDN与MEC的有效整合；建立目标规划问题包括：多小区场景下考虑任务卸载到MEC上计算的时延和能耗的折衷，包括在MEC计算时间与能耗、切换时间、迁移时间与能耗。

优化目标是在系统需求和时延约束下，最小化系统总的开销。规划问题的函数表达式为：

P1：

C1:

C2:

C3:0≤p_i,j,l≤p^max

C4:

C5:a_i,j,l∈{0,1},

其中，约束条件C1和C2分别是对总时延和总能耗的约束；C3对传输功率进行了限制；C4确保只分配一个信道给V-UE；C5表示信道分配是一个二进制变量；L表示车辆的数量，M表示路边单元的数量，K表示虚拟机的数量，U_j表示路边单元j内的车辆数，

表示车辆i在RSUj的MEC服务器的CPU周期频率，γ表示模型训练参数，E^max表示系统最大容忍的能耗开销，P^max表示表示最大发射功率。

由于存在二进制变量和其它变量，故目标规划问题是一个混合整数非线性规划问题；因此，先采用开销选择的动态信道分配算法计算切换时间，然后使用基于RSU调度的合作博弈算法解决VM迁移机制问题。

TCS计算得到RSU^*，当RSU^*不为V-UE最先连接的RSU所在的路边单元云时需要做VM迁移；如图4所示，通常VM迁移可分解成三个过程：是否迁移，分配的MEC资源，资源的最佳价格。

在第一阶段EN通过联合计算和通信资源来决定是否迁移特定的VM，对于VM迁移过程，其中一个决策标准是时延，当V-UE从EN_j移动到EN_s时，时延间隔ΔT为：

ΔT＝N-M

s,t,ΔT>δ(δ>0)

其中，N表示没进行迁移时程序运行的总时间，M表示迁移时程序运行的总时间；d_i,j(t₁)表示V-UE_i在t₁时刻EN_j覆盖内的数据量，R_i,j(t₁)表示V-UE_i在t₁时刻EN_j覆盖内的传输速率，d_i,j(t₂)表示V-UEi在t₂时刻EN_j覆盖内的数据量，R_i,s(t₂)表示表示V-UE_i在t₂时刻EN_j覆盖内的传输速率，δ表示安全迁移的时间缓冲间隙，满足ΔT>δ(δ>0)时，EN_j将vm_k从源物理机迁移到目标物理机。

在第二阶段，根据EN的报价计算迁移与未迁移的收益；在合作过程中，每个vm_k都是提议者，V-UEi是响应者，它们相互交互以进行VM迁移，此时，提议者提供价格为vm_k迁移，其中包括无迁移和迁移两种情况；

无迁移时：

是EN_j在t时刻的报价，x为V-UE收到效益的控制因子，τ为程序超时时间，

是额外的延迟因子，x^ω表示车辆用户收到效益的控制参数；V-UE的收入与程序运行时间成反比，成本与输入数据的大小成正比，而无迁移时会有额外的延迟，因此其收益函数如下：

U_收益＝U_收入-U_成本

ω＝max((τ-N),0)*(d_i,j(t₁)+d_i,j(t₂))

迁移时的收入与成本函数定义如下：

ω＝max((τ-N),0)*(d_i,j(t₁)+d_i,j(t₂))

第三阶段，EN学习V-UE的行为和以在线的方式调整其价格策略；每个EN通过无模型深度学习算法调整其价格策略分布，并通过观察V-UE的反应；当前合同的输出是EN价格决策过程的输入，这种互动合同反馈的动态有助于决定实时价格。

DQN包括三个关键因素，分别是状态，行为和奖励函数；空间状态由迁移数据量

和输入数据大小d_i,j组成，其表达式为：

行为空间是价格策略数，其表达示为：

A＝{a＝(a₀,…,a_x,…,a_X)|a_x∈(0,1,…,a_max)}

其中，DQN表示深度Q学习网络，a₀表示不进行迁移的价格策略数，a_x表示迁移时的价格策略数，a_max表示不迁移或迁移时的最大价格策略数；

奖励函数是V-UE接收EN提供价格的收益；其效用函数的表达式A_效用为：

相应地，其成本函数B_成本表示为：

奖励函数的表达式为：R_奖励＝A_效用-B_成本

其中，t表示时间步长，s表示状态空间，a表示行为空间，r_t表示奖励值，ε^k表示学习速率，k表示迭代次数，Q^*(s,a)表示采取策略后的最小奖励值，E(·)表示期望。

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 (9)

1.一种基于CDN和MEC的车联网移动性管理方法，在CDN和MEC整合框架下进行车辆移动管理时，采用资源最优原则确定与RSU的连接，通过该连接处理车辆产生的任务，其特征在于，所述资源最优原则包括：

如果车辆进行RSU间的切换，采用开销选择的动态信道分配算法确定切换位置，根据所述切换位置计算车辆切换最优时间；

采用开销选择的动态信道分配算法确定切换位置的过程包括：

步骤1：获取车俩的位置、V-UE_i的天线高度h_i、RSU_j的天线高度h_j、车辆的速度v、总的卸载决策O_i，j以及最大迭代次数I_dd；将获取的信息输入到动态信道分配算法模型中；

步骤2：将车辆的的位置转化为矩阵，得到初始化权值矩阵(X，Y)；

步骤3：V-UE连接到RSU，并报告未定期使用信道的开销；

步骤4：若多用户同时改变信道，则RSU通过信道分配

改变信道；求取车辆进行移动性管理时的总开销，并根据总开销的最小值来选择最优、次最优、次优的三个路边单元RSU；

步骤5：V-UE实时上报其位置信息(X，Y)和功率损耗门限P^th；再根据TCS计算出的切换位置(X_i，j，Y_i，j)求切换到最优、次最优、次优的三个路边单元RSU的时间，如果能使

和

最小，此RSU^*性能最优，且最优切换时间为

车辆进行移动性管理时的总开销包括：

步骤1：根据车辆迁移过程确定虚拟机vm_k占用存储的大小

迁移期间的内存脏页率

虚拟机vm_k所处的数据中心的网络带宽为W_k，迁移过程的迭代次数为n；

步骤2：CDN网络下，在边缘云和中心云之间部署有消息中间件，V-UE向边缘服务器发送请求时，边缘服务器会通过消息中间件将服务请求同步到中心服务器；其进行迁移同步的时间为

步骤3：令

根据迁移过程中的数据以及迁移同步的时间求取迁移的时间

和迁移能耗

步骤4：求取总时延

和总能耗

步骤5：结合总时延和总能耗计算总开销

如果车辆虚拟机进行迁移，采用基于RSU调度的合作博弈算法确定MEC分配给车辆的计算资源，并求出计算资源的最优价格；

其中，CDN表示内容分发网络，MEC表示边缘计算，RSU表示路边单元，

表示信道，

表示总时延和总能耗的加权和，

表示总时延，

表示能耗的权重因子，a_i，j，l表示信道分配选择，TCS表示调度系统，

表示最优切换时间，α表示内存脏页率网络带宽的比值。

2.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，所述CDN和MEC整合框架包括：车载云、路边单元云以及中心云三层结构；

车载云的设置包括：在一组合作的车辆中，通过车辆到车辆之间的通信建立的本地云；

路边单元云的设置包括：在一组相邻的RSU之间建立的本地云，并且通过车辆到基础设施之间的通信访问路边单元云；

中心云的处理过程包括：中心云将存储模块和数据进行同步，路边单元云中的数据通过消息中间件实时传输到中心云；当用户请求被调度至另一个没有此车辆信息的路边云时，此路边云从中心云获取数据。

3.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，在MEC整合框架下进行车辆移动管理之前，还包括车辆进行RSU间切换与迁移之间进行选择的步骤，包括：

车辆v₁启动进入RSU-1覆盖范围时，v₁向TCS发送请求调度到距离该车辆最近的RSU，即RSU-1，此时不进行数据迁移也不进行RSU间切换；

车辆v₁从RSU-1的覆盖范围驶入RSU-2的覆盖范围时，进行RSU间的切换；

车辆v₁驶出RSU-2的覆盖范围时，数据通过消息中间件上传到中心云，中心云直接给车辆v₁提供服务，此时不进行数据迁移也不进行RSU间的切换；

当车辆v₁驶入RSU-3的覆盖范围时，RSU-3没有车辆信息，此时从中心云迁移数据；

其中，RSU-1表示路边单元1，RSU-2表示路边单元2，RSU-3表示路边单元3，TCS表示调度系统。

4.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，车辆进行RSU间的切换包括：

步骤1：根据CDN和MEC整合框架确定计算任务A_i，j＝{d_i，j，c_i，j，T^th}；

步骤2：当输入的数据通过RSU传输到MEC服务器时，在RSU与MEC之间的费用可忽略；当V-UEs通过信道l接入到RSU时，根据这条信道的传输功率和路径损耗计算上行传输速率R_i，j，t；

步骤3：确定信道分配选择a_i，j，l，根据a_i，j，l和R_i，j，l计算V-UEs总的上行传输速率R_i，j；

步骤4：根据计算任务总上行传输速率求取边缘计算的总时间

和总能耗

其中，d_i，j表示输入数据的大小，c_i，j表示任务执行时所需的CPU周期数，T^th表示最大的延迟容限；V-UEs表示车辆用户，a_i，j，l＝1表示信道l被分配给RSU_j中的V-UE_i去卸载任务，a_i，j，l＝0表示信道l不进行卸载任务。

5.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，确定最优切换时间

的过程包括：

步骤1：用Nagel-Shreckenberg CA离散模型进行交通仿真，获得V-UE接收信号信噪比SNR；

步骤2：将V-UE从相邻RSU接收到的SNR相等的位置定义为切换的参考位置；其中RSU_j1和RSU_j2的坐标分别为(X_j1，Y_j1)，(X_j2，Y_j2)；

步骤3：根据RSU_j1和RSU_j2的坐标求出V-UE_i的切换参考位置坐标(X_h1，Y_h1)；

步骤4：若未找到与SNR相等的位置，则设置一个功率损耗门限P^th，根据功率损耗门限求出V-UE_i的切换参考位置(X_h2，Y_h2)；

步骤5：根据(X_h1，Y_h1)和(X_h2，Y_h2)，求V-UE_i在RSU_j覆盖范围内的最终切换位置坐标(X_i，j，Y_i，j)，其表达式为：

(X_i，j，Y_i，j)＝min[(X_h1，Y_h1)，(X_h2，Y_h2)]

步骤6：根据V-UE发送信号到达两个RSU的时间差确定V-UE的当前位置(X，Y)；

步骤7：V-UE_i从当前位置到达切换位置的时间为：

其中，Nagel-Shreckenberg CA表示交通仿真的离散模型，V-UE表示车辆用户，v表示车辆的速度，SNR表示信噪比，

表示从当前位置到达切换位置的时间。

6.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，计算车辆进行移动性管理时的总开销的公式包括：

迁移时间的表达式为：

迁移能耗的表达式为：

其中，β和γ是模型需要训练的参数，

表示迁移数据量；

总时延包括传输时延、在MEC服务器上的计算时延、切换时延和迁移时延，则总时延的表达式为：

总能耗包括传输能耗和迁移能耗，其表达式为：

总时延和总能耗的加权和为：

令

则

其中，α表示内存脏页率网络带宽的比值，

表示边缘计算的总时间，

表示当前位置到达切换位置的时间，

表示迁移的时间，

表示边缘计算的能耗，

表示迁移能耗，

表示时延的权重因子，

表示总时延，

表示能耗的权重因子，

表示总能耗。

7.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，根据车辆的发射功率、内存脏页率网络带宽的比值以及信道分配选择a_i，j，l计算最小总开销，最小总开销的表达式为：

C3:0≤p_i，j，l≤p^max

其中，约束条件C1和C2分别是对总时延和总能耗的约束；C3表示对传输功率的限制；C4表示V-UE分配一个信道；C5表示信道分配为二进制变量，d_i，j表示输入数据的大小，c_i，j表示任务执行时所需的CPU周期数，T^th表示最大的延迟容限，L表示车辆的数量，M表示路边单元的数量，K表示虚拟机的数量，U_j表示路边单元j内的车辆数，

表示车辆i在RSUj的MEC服务器的CPU周期频率，R_i，j表示总的上行传输速率，γ表示模型训练参数，E^max表示系统最大容忍的能耗开销，P^max表示表示最大发射功率。

8.根据权利要求1所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，采用基于RSU调度的合作博弈算法确定MEC分配给车辆的计算资源的过程包括：

将VM迁移分解成三个过程：是否迁移；分配了多少MEC资源；这些资源的最佳价格；

在第一阶段EN通过联合计算和通信资源来决定是否迁移特定的VM，对于VM迁移过程，其中一个决策标准是时延，当V-UE从EN_j移动到EN_s时，时延间隔ΔT为：

ΔT＝N-M，ΔT＞δ(δ＞0)

其中，N表示没进行迁移时程序运行的总时间，M表示迁移时程序运行的总时间；δ表示安全迁移的时间缓冲间隙，满足ΔT＞δ(δ＞0)时，EN_j将vm_k从源物理机迁移到目标物理机；

在第二阶段，根据EN的报价计算迁移与未迁移的收益；

在合作过程中，每个vm_k都是提议者，V-UE_i是响应者，它们相互交互以进行VM迁移，此时，提议者提供价格为vm_k迁移，其中包括无迁移和迁移两种情况；在进行最优价格确定时，采用Q学习并多次迭代收益，当得到最大收益时，此时为计算资源的最优价格；

第三阶段，EN学习V-UE的行为和以在线的方式调整其价格策略；每个EN通过无模型深度学习算法调整其价格策略分布，并通过观察V-UE的反应；

DQN包括三个关键因素，分别是状态，行为和奖励函数；空间状态的表达式为：

行为空间是价格策略数，其表达示为：

A＝{a＝(a₀，...，a_x，...，a_X)||a_x∈(0，1，...，a_max)}

其中，a₀表示不进行迁移的价格策略数，a_x表示迁移时的价格策略数，a_max表示不迁移或迁移时的最大价格策略数；

奖励函数是V-UE接收EN提供价格的收益；根据价格策略数求出效用函数A_效用以及成本函数B_成本；

则奖励函数的表达式为：R_奖励＝A_效用-B_成本。

9.根据权利要求8所述的一种基于CDN和MEC的车联网移动性管理方法，其特征在于，无迁移和迁移两种情况包括：

无迁移时：V-UE的收入与程序运行时间成反比，成本与输入数据的大小成正比，而无迁移时会有额外的延迟，因此其收益函数如下：

U_收益＝U_收入-U_成本

ω＝max((τ-N)，0)*(d_i，j(t₁)+d_i，j(t₂))

迁移时的收入与成本函数定义如下：

ω＝max((τ-N)，0)*(d_i，j(t₁)+d_i，j(t₂))

其中，

是EN_j在t时刻的报价，x为V-UE收到效益的控制因子，x^ω表示车辆用户收到效益的控制参数，τ为程序超时时间，

是额外的延迟因子，

表示迁移数据量。

Images