CN111124531A - 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法 - Google Patents

一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法 Download PDF

Info

Publication number
CN111124531A
CN111124531A CN201911168638.5A CN201911168638A CN111124531A CN 111124531 A CN111124531 A CN 111124531A CN 201911168638 A CN201911168638 A CN 201911168638A CN 111124531 A CN111124531 A CN 111124531A
Authority
CN
China
Prior art keywords
task
energy consumption
delay
vehicle
nodes
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.)
Granted
Application number
CN201911168638.5A
Other languages
English (en)
Other versions
CN111124531B (zh
Inventor
张伟哲
李蔚恒
刘川意
方滨兴
何慧
王德胜
景晓军
李虎
李志刚
余翔湛
刘亚维
崔丽杰
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201911168638.5A priority Critical patent/CN111124531B/zh
Publication of CN111124531A publication Critical patent/CN111124531A/zh
Application granted granted Critical
Publication of CN111124531B publication Critical patent/CN111124531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5022—Mechanisms to release resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • 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
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • 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
    • H04L67/1029—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers using data related to the state of servers by a load balancer
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法，属于雾计算应用技术领域。本发明为了充分利用附近车辆的计算资源，将云节点的任务从云节点下放到车辆节点上，为减轻云节点的过载，减少高峰时段的服务延迟，以及为电池供电的云节点节约电能。定义所述卸载方法对应的VFC环境；针对单个车辆节点的单个任务构建能源消耗成本，能源消耗成本为总能量消耗和总延迟的加权和：针对VFC环境下的所有节点所有任务的能耗和延迟的模型，构建联合目标函数，给出约束条件并定义优化问题；针对步骤三的优化问题求得当联合目标函数达到最小值时，每个任务所应卸载到的车辆节点，进而得到最优的任务卸载方案。本发明降低了能量消耗，降低整体处理延迟。

Description

一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载 方法
技术领域
本发明涉及车辆雾计算环境下计算任务卸载方法，属于雾计算应用技术领域。
背景技术
随着物联网和通信技术的发展，计算需求和数据速率都呈指数级增长成为了一个关键问题。例如新兴的5G应用，如信息娱乐应用、交互式游戏、车队跟踪、区块链和自然语言处理等。这些复杂的应用需要先进的计算、数据通信、存储和能耗技术来处理复杂的存储和数据处理操作，这对传统的云计算模式提出了新的挑战。由于远程数据中心和用户设备之间的距离太远，很难保证严格的体验质量和服务质量要求。为了解决这一问题，雾计算被提了出来，它扩展了边缘网络用户设备的基于云的实用程序。然而，要覆盖巨大的地理区域，需要部署大规模的服务器(计算节点)基础设施，这就增加了维护成本和能耗。此外，考虑到动态时变的需求，这种基础设施在非高峰时段将导致大量的资源浪费。因此，如何利用一个服务器来处理不断增长的通信和计算需求，并通过一个需求适应的方法适度的成本仍然是一个开放的问题。
文献号为CN109947574A现有技术提供了一种一种基于雾网络的车辆大数据计算卸载方法，提出雾计算网络系统架构，进一步建立网络延迟模型，然后建立任务生成模型，再建立雾计算资源优化模型，最后使用提出的负载均衡的运算资源有效任务卸载算法。该现有技术中应用场景是将计算任务从车辆卸载到雾计算节点上。
文献号为CN108924254A现有技术提供了一种以用户为中心的分布式多用户计算任务卸载方法，将多个雾计算计算节点统一抽象为具有服务器的接入点，接入点兼具计算和通信能力，当任一用户产生计算任务时，综合考虑其他用户的卸载决定，依据当前时隙下的卸载决定选择在本地计算或者将计算任务卸载到其他计算节点中的一个从而最小化自身开销。本发明提出了一类以用户为中心的分布式多用户间计算任务卸载方法。此类方法可以以分布式执行的方式，实现多用户间稳定、高效的计算任务卸载。该现有技术的雾计算环境不是动态变化的，没有考虑能量消耗和延迟权衡的均衡。
发明内容
本发明的目的是提供一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法，为了充分利用附近车辆的计算资源，将云节点的任务从云节点下放到车辆节点上，为减轻云节点的过载，减少高峰时段的服务延迟，以及为电池供电的云节点节约电能。
本发明解决上述技术问题所采用的技术方案为：
一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法，首先定义VFC的系统架构，其按分层顺序组织，云层、cloudlet层和用户设备层；云层也是云数据中心，负责计算资源分配、通信资源协调、任务放置工作，位于最顶层；用户设备层包括了任何装有传感器、摄像机、车载计算机和GPS设备的典型客户，此层生成由于能量、延迟和资源限制而无法处理的大量数据，Cloudlet层由两种节点组成：cloudlet节点和车辆节点；Cloudlet节点负责数据和流程管理，可跨网络边缘部署；车辆节点由带有车载专用短程通信、高速计算机和LTE通信设备的智能车辆组成；
将城市划分为多个服务区，每个服务区包括cloudlet节点和车辆节点，在每个服务区域中都有区域管理器，用于协调该服务区内的所有有cloudlet节点和车辆节点；
在所述的VFC的系统架构中，选择LTE基站作为区域管理器，假定车辆节点为公共汽车和/或出租车；每当车辆节点进入或离开服务区域时，总是通知区域管理器；区域管理器定期收集有关车辆节点移动方向、位置和可用资源的所有信息；
当车辆节点与区域管理器建立通信或进入服务区时，区域管理器负责将卸载的任务分配给车辆节点进行处理；
所述卸载方法的实现过程为：
步骤一、定义所述卸载方法对应的VFC环境；
步骤二、基于VFC环境，针对单个车辆节点的单个任务构建能源消耗成本，能源消耗成本为总能量消耗和总延迟的加权和：
步骤三、针对VFC环境下的所有节点所有任务的能耗和延迟的模型，构建联合目标函数，给出约束条件并定义优化问题；
步骤四、针对步骤三的优化问题求得当联合目标函数达到最小值时，每个任务所应卸载到的车辆节点，进而得到最优的任务卸载方案。
进一步地，所述卸载方法的具体过程为：
在所述VFC的系统架构下，定义所述卸载方法对应的VFC环境，该环境由分布在地面上的L个cloudlet节点Ff＝(f1,f2,...,fk,...,fL)和N个车辆节点Fv＝(v1,v2,...,vi,...,vN)组成，位于同一服务区内的每个cloudlet节点与一个或多个车辆节点通信；此外有m个用户设备U＝(u1,u2,...,uj,...,um)，并与一组任务T＝(t1,t2,...,tj,...,tm)关联；
然后定义在该环境下的能耗模型，能耗模型由计算能耗和通信能耗组成，计算能耗公式描述如下：
Figure BDA0002288127320000031
Uj,k表示cloudlet层节点分配给任务uj的计算能力，单位是GHz，Sj,k表示用户设备uj的计算任务的总比特大小，λ表示用户设备uj的计算任务所需要的CPU周期，cloudlet节点CPU的计算功率是焦耳/Mc，表示为
Figure BDA0002288127320000032
Figure BDA0002288127320000033
等于10-8；
通信能耗公式描述如下：
Figure BDA0002288127320000034
Figure BDA0002288127320000035
表示经多跳将任务从uj传送给车辆节点vi的能耗；η、pa、β分别表示跳数、功率放大器的有效因子、计算任务在车辆节点和用户设备之间的往返时间；
Figure BDA0002288127320000036
和
Figure BDA0002288127320000037
分别表示静态功耗和用户设备传输功率；总能耗公式定义为公式(1)和公式(2)之和：
Figure BDA0002288127320000038
任务卸载时，区域管理器将用户设备的计算任务直接卸载到车辆节点，以减少传输跳数的总数，VFC环境中的等待时间由任务传输延迟和任务计算延迟组成，任务传输延迟公式如下：
Figure BDA0002288127320000039
Figure BDA00022881273200000310
di,j是车辆vi和用户设备uj的距离，hi,j是具有复杂高斯分布的瑞利信道系数，α表示路径损耗指数N0是功率噪声，Sj表示计算任务j的总比特大小；任务计算延迟公式如下：
Figure BDA00022881273200000311
Ui表示车辆节点vi的计算能力，在上述系统延迟模型(4)和(5)下，当任务tj被分配到车辆节点vi时，总延迟是任务计算延迟和任务传输延迟的总和，表示为:
Figure BDA0002288127320000041
根据能耗模型(3)和延迟模型(7)，定义能源消耗成本ELEC为总能量消耗Ei,j和总延迟Li,j的加权和：
Figure BDA0002288127320000042
Figure BDA0002288127320000043
和
Figure BDA0002288127320000044
分别表示cloudelet节点f决策用户设备uj任务的能量消耗和总延迟的权重参数；
式(8)是针对单个节点单个任务的能耗和延迟的模型，针对VFC环境下的所有节点所有任务的能耗和延迟的模型为：
为权衡能耗和延迟两个目标，定义联合目标函数ELEC，该优化问题表述为：
Figure BDA0002288127320000045
s.t.
Figure BDA0002288127320000046
Figure BDA0002288127320000047
Figure BDA0002288127320000048
Figure BDA0002288127320000049
Figure BDA00022881273200000410
Figure BDA00022881273200000411
δi,j是一个二进制变量，δi,j＝1表示uj的任务卸载给vi，否则为0；约束C1是延迟约束，它指定用户设备uj的任务的总延迟由所需的最大延迟Lup限定；约束C2确保车辆节点有足够的资源处理uj的任务；C3和C4保证车辆节点和用户设备的一对一关系；C5确保uj的任务成功地卸载给vi；C6是对用户设备任务需求资源的非负约束；
针对上述优化问题引入了基于贪婪随机自适应搜索启发式算法，求得当联合目标函数ELEC达到最小值时，每个任务所应卸载到的车辆节点，进而得到最优的任务卸载方案。
进一步地，所述贪婪随机自适应搜索启发式算法由三个具有调用关系的运行在区域管理器的子算法组成：
子算法1用于检测过载cloudlet节点；首先，查询并计算当前cloudlet节点的利用率，如果当前cloudlet节点的CPU和内存利用率超过了整体资源容量上限，则该cloudlet节点被识别为过载cloudlet节点；之后，区域管理器会收集当前信息并启用卸载模式；
子算法2定义计算卸载策略，如下式：
Figure BDA0002288127320000051
Figure BDA0002288127320000052
表示任务j的CPU利用率，
Figure BDA0002288127320000053
表示任务j所消耗的内存，ψ(k)＝j表示任务j在cloudlet节点fk上执行；
Figure BDA0002288127320000054
表示CPU利用率与内存的比值，k表示第k个cloudlet节点；
子算法3是启发式算法，调用子算法2获得一个待卸载的任务，在与用户设备在同一个服务区内的一组车辆节点中，采用启发式迭代比较该服务区内内所有车辆节点对应的能耗和延迟的联合成本，从而选择能耗和延迟的联合成本最低的车辆节点作为被卸载对象。
本发明具有以下有益技术效果：
本发明利用附近车辆未充分利用的计算资源，将用户设备的计算需求从云上卸载到车辆的计算资源上，以减轻云计算节点的能量消耗和服务延迟，称为车辆雾计算(VFC)。
本发明通过充分利用附近车辆的计算资源，将云节点的任务从云节点下放到车辆节点上，减轻了云节点的过载，减少了高峰时段的服务延迟，并且实现了电池供电的云节点节约电能。本发明是一种节能的动态计算卸载和资源分配方案(ECOS)，降低了能量消耗，降低整体处理延迟。本发明解决了VFC的广域部署存在的如缺乏能源延迟权衡和缺乏高效的资源分配机制的问题。经验证，对比不同车速下各个方案的总延迟情况，可以看到总延迟随着车辆节点速度的增加而显著增加，原因是较高的速度会导致频繁的卸载失败。相比于其他方案，本发明的增长曲线更为平滑，说明本发明对高速所带来的的负面效果具有较好的鲁棒性。
附图说明
图1是本发明中的车辆雾计算的系统架构图，图2是能耗和延迟效率成本度量(ELEC)与延迟限制Lup曲线图，图3是节能与延迟限制Lup的节能效果曲线图，图4不同用户设备数量和服务区覆盖直径下的节能效果图，图5显示了不同的ELEC的权值参数
Figure BDA0002288127320000055
和
Figure BDA0002288127320000056
对总延迟的影响图(总延迟与用户设备数和权值参数
Figure BDA0002288127320000061
曲线图)，图6为ELEC与用户设备数和权值参数
Figure BDA0002288127320000062
的曲线图，图7为总延迟与车辆节点速度曲线对比图。
图1中的英文含义Cloud Layer:云层，CloudLet Layer:cloudlet层，UEs Layer:用户设备层，Service Zone:服务区，Zone manager:区域管理器，cloudlet nodes:cloudlet节点，vehicular node:车辆节点；
图2中的横坐标表示延迟限制，单位秒，纵坐标表示能耗和延迟效率成本度量(ELEC)；
图3中，纵坐标表示节约的能量，单位焦耳，横坐标为延迟限制，单位秒；
图4横坐标表示服务区直径，单位米，纵坐标表示节约的能量，单位焦耳；
图5横坐标为用户设备的数量，单位个，纵坐标为延迟，单位微秒；
图6横坐标用户设备的数量，单位个，纵坐标为能耗和延迟效率成本度量(ELEC)；
图7横坐标为车辆节点的速度，单位为米/每秒，纵坐标为延迟，单位为微秒。
具体实施方式
结合附图1-7，对本发明所述的一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法进行如下阐述：
首先定义VFC的系统架构，如图1所示，其按分层顺序组织，如云层、cloudlet层和用户设备层。云层也是云数据中心，负责计算资源分配、通信资源协调、任务放置等工作，位于最顶层。用户设备层包括了任何装有传感器、摄像机、车载计算机和GPS设备的典型客户，此层生成大量行数据，但由于能量、延迟和资源限制而无法处理。Cloudlet层由两种节点组成：cloudlet节点和车辆节点。Cloudlet节点负责数据和流程管理，可以跨网络边缘部署。车辆节点由带有车载“专用短程通信”、高速计算机和LTE通信设备的智能车辆组成，当车辆节点与区域管理器建立通信或进入服务区域时，区域管理器负责将卸载的任务分配给节点进行处理，并在服务区划分之前完成该处理。服务区包括cloudlet节点和车辆节点。在每个服务区域中都有区域管理器，用于协调所有其他节点。在所提出的架构中，我们总是选择LTE基站作为区域管理器。每当车辆节点进入或离开服务区域时，总是通知区域管理器，类似于蜂窝注册机制。此外，区域管理器定期收集有关车辆节点移动方向、位置和可用资源的所有信息。
在此系统架构下，定义ECOS方案对应的VFC环境。该环境由L个cloudlet节点Ff＝(f1,f2,...,fk,...,fL)和N个车辆节点Fv＝(v1,v2,...,vi,...,vN)组成，它们在地理上是分布的，相互连接。此外有m个用户设备U＝(u1,u2,...,uj,...,um)，并与一组任务T＝(t1,t2,...,tj,...,tm)关联。
然后定义在该环境下的能耗模型，能耗模型由计算能耗和通信能耗组成。计算能耗公式描述如下：
Figure BDA0002288127320000071
Uj,k表示cloudlet层节点分配给任务uj的计算能力为GHz，Sj,k表示任务uj的总比特大小，λ表示任务uj所需要的CPU周期，cloudlet节点CPU的计算功率是焦耳/mc，表示为
Figure BDA0002288127320000072
Figure BDA0002288127320000073
等于10-8。通信能耗公式描述如下：
Figure BDA0002288127320000074
Figure BDA0002288127320000075
表示经多跳将任务从uj传送给节点vi的能耗。η、pa和β分别表示跳数、功率放大器的有效因子和传输功率。
Figure BDA0002288127320000076
和
Figure BDA0002288127320000077
分别表示静态功耗和用户设备传输功率。总能耗公式定义为公式(1)和公式(2)之和：
Figure BDA0002288127320000078
任务卸载时，区域管理器将用户设备的计算任务直接卸载到车辆节点，以减少传输跳数的总数。VFC环境中的等待时间由任务传输延迟和任务计算延迟组成，任务传输延迟公式如下：
Figure BDA0002288127320000079
Figure BDA00022881273200000710
di,j是车辆vi和用户设备uj的距离，hi,j是具有复杂高斯分布的瑞利信道系数，α表示路径损耗指数N0是功率噪声。任务计算延迟公式如下：
Figure BDA00022881273200000711
在上述系统延迟模型下，当任务tj被分配到车辆节点vi时，总延迟是任务计算延迟和任务传输延迟的总和。它可以表示为:
Figure BDA00022881273200000712
根据能耗模型和延迟模型，定义能源消耗成本ELEC为总能量消耗Ei,j和总延迟Li,j的加权和：
Figure BDA0002288127320000081
Figure BDA0002288127320000082
和
Figure BDA0002288127320000083
分别表示cloudelet节点f决策用户设备uj任务的能量消耗和总延迟的权重参数。为了提供丰富的建模灵活性，我们允许根据当前应用或电池状态的要求改变加权参数，例如，当cloudlet在电池电量较低的情况下，为了节省更多的能源，最好在决策时对能耗施加更多的权重
Figure BDA0002288127320000084
另一方面，当cloudlet运行延迟敏感的应用程序(视频流)时，对总延迟施加更大的权重
Figure BDA0002288127320000085
以减少延迟。
本发明的目的是通过利用未充分利用的车辆节点资源来减轻cloudlet的沉重负担，降低能量消耗，并降低总体延迟，为此研究了两个目标之间的权衡，并定义了联合目标函数ELEC，该优化问题表述为：
Figure BDA0002288127320000086
s.t.
Figure BDA0002288127320000087
Figure BDA0002288127320000088
Figure BDA0002288127320000089
Figure BDA00022881273200000810
Figure BDA00022881273200000811
Figure BDA00022881273200000812
δi,j是一个二进制变量，δi,j＝1表示uj的任务卸载给vi，否则为0。约束C1是延迟约束，它指定用户设备uj的任务的总延迟由所需的最大延迟Lup限定。约束C2确保车辆节点有足够的资源处理uj的任务。C3和C4保证车辆节点和用户设备的一对一关系。C5确保uj的任务成功地卸载给vi。C6是对用户设备任务需求资源的非负约束。
该优化问题在多项时间内找到解是不可行的，这是因为δi,j的整数约束，它将该问题变为整数规划问题，这一般来说是NP困难问题。基于这些事实，引入了基于贪婪随机自适应搜索启发式方法的ECOS方案。该方案由3个算法组成：
算法1示出了检测过载cloudlet节点的基本过程。首先，算法过程在当前cloudlet节点利用率的上下文中进行查询，计算节点的当前利用率。如果当前节点的CPU和内存利用率超过了整体资源容量，则该节点被识别为过载节点。之后，区域管理器会收集当前信息并启用卸载模式。
Figure BDA0002288127320000091
算法2定义了计算卸载策略：
Figure BDA0002288127320000092
为了提高卸载成功率(约束C4)，需要选择一个更高CPU利用率和更低内存利用率的任务，这也会降低传输所需要的成本。
Figure BDA0002288127320000093
Figure BDA0002288127320000101
算法3是启发式算法，只接受使用算法2选择的一个任务，且只考虑和用户设备在同一个服务区内的一组车辆节点SameZoneNodeList(算法3第4行)。然后启发式迭代比较SameZoneNodeList中节点对应的能耗和延迟的联合成本，之后返回一个有效的车辆节点(5到15行)，该节点在服务区中停留更长时间的概率更高，并且ELEC的最小值也更低。因此，该启发式算法将卸载成本、能量消耗、总延迟和节点触发过载的概率降到最低。
Figure BDA0002288127320000102
Figure BDA0002288127320000111
针对本发明所达到的技术效果进行如下验证：
采用了一个简单而现实的城市模拟场景，该仿真场景是使用现实世界中的公交车行驶轨迹来模拟车辆的行驶模式，该轨迹是从GPS坐标收集的，来自卢森堡SUMO交通(LuST)的2070条不同的公交车轨迹。我们在不同的车辆节点移动速度和不同的密度情况下评估提案解决方案。表1中显示了我们的仿真中使用的总体参数。通过在Matlab上进行广泛的仿真来评估所提出的ECOS方案的性能。
表1仿真参数设置
Figure BDA0002288127320000112
Figure BDA0002288127320000121
将ECOS与以下几种方案进行比较：
1)localonly：所有任务在cloudlet节点本地处理。
2)cloud only：cloudlet节点卸载的任务只卸载到集中式云服务器。
3)随机：在不考虑车辆节点移动性的情况下，计算卸载任务随机选择并随机分配计算资源给卸载任务。
4)Chen：计算任务卸载到云服务器，卸载决策取决于应用程序的特性。
5)mao：基于lyapunov优化的计算卸载策略。在每个时隙，任务被卸载到节点而不考虑移动性。
首先与两种基线执行策略(即cloudonly策略和localonly策略)在硬延迟截止时间限制Lup下进行比较。从图2看，ECOS方案与localonly策略相比显著降低了47％的能耗和延迟效率成本。其次与cloudonly策略相比，当cloudonly策略适用时，ECOS方案具有更低的能量和延迟效率成本。
然后比较ECOS方案与随机、sun、mao和chen策略的节能效果。如图3所示，在所研究的所有情况下，ECOS方案总是具有更好的节能效果。
图4显示出了节能与服务区不同覆盖直径和用户设备数的对比，结果表明提高服务区覆盖范围，对节能有积极影响。
图5显示了不同的ELEC的权值参数
Figure BDA0002288127320000122
和
Figure BDA0002288127320000123
对总延迟的影响，可以看到增大
Figure BDA0002288127320000124
会增加任务的总延迟。图6则展示了与图5相反的关系，增大
Figure BDA0002288127320000125
对ELEC有负面影响，可以根据任务对延迟的敏感与否调整参数。
图7描绘了不同车速下各个方案的总延迟情况，可以看到总延迟随着车辆节点速度的增加而显著增加，原因是较高的速度会导致频繁的卸载失败。相比于其他方案，ECOS的增长曲线更为平滑，说明它对高速所带来的的负面效果具有较好的鲁棒性。

Claims (3)

1.一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法，其特征在于，
首先定义VFC的系统架构，其按分层顺序组织，云层、cloudlet层和用户设备层；云层也是云数据中心，负责计算资源分配、通信资源协调、任务放置工作，位于最顶层；用户设备层包括了任何装有传感器、摄像机、车载计算机和GPS设备的典型客户，此层生成由于能量、延迟和资源限制而无法处理的大量数据，Cloudlet层由两种节点组成：cloudlet节点和车辆节点；Cloudlet节点负责数据和流程管理，可跨网络边缘部署；车辆节点由带有车载专用短程通信、高速计算机和LTE通信设备的智能车辆组成；
将城市划分为多个服务区，每个服务区包括cloudlet节点和车辆节点，在每个服务区域中都有区域管理器，用于协调该服务区内的所有有cloudlet节点和车辆节点；
在所述的VFC的系统架构中，选择LTE基站作为区域管理器，假定车辆节点为公共汽车和/或出租车；每当车辆节点进入或离开服务区域时，总是通知区域管理器；区域管理器定期收集有关车辆节点移动方向、位置和可用资源的所有信息；
当车辆节点与区域管理器建立通信或进入服务区时，区域管理器负责将卸载的任务分配给车辆节点进行处理；
所述卸载方法的实现过程为：
步骤一、定义所述卸载方法对应的VFC环境；
步骤二、基于VFC环境，针对单个车辆节点的单个任务构建能源消耗成本，能源消耗成本为总能量消耗和总延迟的加权和：
步骤三、针对VFC环境下的所有节点所有任务的能耗和延迟的模型，构建联合目标函数，给出约束条件并定义优化问题；
步骤四、针对步骤三的优化问题求得当联合目标函数达到最小值时，每个任务所应卸载到的车辆节点，进而得到最优的任务卸载方案。
2.根据权利要求1所述的一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法，其特征在于，所述卸载方法的具体过程为：
在所述VFC的系统架构下，定义所述卸载方法对应的VFC环境，该环境由分布在地面上的L个cloudlet节点Ff＝(f1,f2,...,fk,...,fL)和N个车辆节点Fv＝(v1,v2,...,vi,...,vN)组成，位于同一服务区内的每个cloudlet节点与一个或多个车辆节点通信；此外有m个用户设备U＝(u1,u2,...,uj,...,um)，并与一组任务T＝(t1,t2,...,tj,...,tm)关联；
然后定义在该环境下的能耗模型，能耗模型由计算能耗和通信能耗组成，计算能耗公式描述如下：
Figure FDA0002288127310000021
Uj,k表示cloudlet层节点分配给任务uj的计算能力，单位是GHz，Sj,k表示用户设备uj的计算任务的总比特大小，λ表示用户设备uj的计算任务所需要的CPU周期，cloudlet节点CPU的计算功率是焦耳/Mc，表示为
Figure FDA0002288127310000022
Figure FDA0002288127310000023
等于10-8；
通信能耗公式描述如下：
Figure FDA0002288127310000024
Figure FDA0002288127310000025
表示经多跳将任务从uj传送给车辆节点vi的能耗；η、pa、β分别表示跳数、功率放大器的有效因子、计算任务在车辆节点和用户设备之间的往返时间；
Figure FDA0002288127310000026
和
Figure FDA0002288127310000027
分别表示静态功耗和用户设备传输功率；总能耗公式定义为公式(1)和公式(2)之和：
Figure FDA0002288127310000028
任务卸载时，区域管理器将用户设备的计算任务直接卸载到车辆节点，以减少传输跳数的总数，VFC环境中的等待时间由任务传输延迟和任务计算延迟组成，任务传输延迟公式如下：
Figure FDA0002288127310000029
Figure FDA00022881273100000210
di,j是车辆vi和用户设备uj的距离，hi,j是具有复杂高斯分布的瑞利信道系数，α表示路径损耗指数N0是功率噪声，Sj表示计算任务j的总比特大小；任务计算延迟公式如下：
Figure FDA00022881273100000211
Ui表示车辆节点vi的计算能力，在上述系统延迟模型(4)和(5)下，当任务tj被分配到车辆节点vi时，总延迟是任务计算延迟和任务传输延迟的总和，表示为:
Figure FDA0002288127310000031
根据能耗模型(3)和延迟模型(7)，定义能源消耗成本ELEC为总能量消耗Ei,j和总延迟Li,j的加权和：
Figure FDA0002288127310000032
Figure FDA0002288127310000033
和
Figure FDA0002288127310000034
分别表示cloudelet节点f决策用户设备uj任务的能量消耗和总延迟的权重参数；
式(8)是针对单个节点单个任务的能耗和延迟的模型，针对VFC环境下的所有节点所有任务的能耗和延迟的模型为：
为权衡能耗和延迟两个目标，定义联合目标函数ELEC，该优化问题表述为：
Figure FDA0002288127310000035
s.t.
C1:
Figure FDA0002288127310000036
C2:
Figure FDA0002288127310000037
C3:
Figure FDA0002288127310000038
C4:
Figure FDA0002288127310000039
C5:
Figure FDA00022881273100000310
C6:
Figure FDA00022881273100000311
δi,j是一个二进制变量，δi,j＝1表示uj的任务卸载给vi，否则为0；约束C1是延迟约束，它指定用户设备uj的任务的总延迟由所需的最大延迟Lup限定；约束C2确保车辆节点有足够的资源处理uj的任务；C3和C4保证车辆节点和用户设备的一对一关系；C5确保uj的任务成功地卸载给vi；C6是对用户设备任务需求资源的非负约束；
针对上述优化问题引入了基于贪婪随机自适应搜索启发式算法，求得当联合目标函数ELEC达到最小值时，每个任务所应卸载到的车辆节点，进而得到最优的任务卸载方案。
3.根据权利要求2所述的一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法，其特征在于，所述贪婪随机自适应搜索启发式算法由三个具有调用关系的运行在区域管理器的子算法组成：
子算法1用于检测过载cloudlet节点；首先，查询并计算当前cloudlet节点的利用率，如果当前cloudlet节点的CPU和内存利用率超过了整体资源容量上限，则该cloudlet节点被识别为过载cloudlet节点；之后，区域管理器会收集当前信息并启用卸载模式；
子算法2定义计算卸载策略，如下式：
Figure FDA0002288127310000041
Figure FDA0002288127310000042
表示任务j的CPU利用率，
Figure FDA0002288127310000043
表示任务j所消耗的内存，ψ(k)＝j表示任务j在cloudlet节点fk上执行；
Figure FDA0002288127310000044
表示CPU利用率与内存的比值，k表示第k个cloudlet节点；
子算法3是启发式算法，调用子算法2获得一个待卸载的任务，在与用户设备在同一个服务区内的一组车辆节点中，采用启发式迭代比较该服务区内内所有车辆节点对应的能耗和延迟的联合成本，从而选择能耗和延迟的联合成本最低的车辆节点作为被卸载对象。
CN201911168638.5A 2019-11-25 2019-11-25 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法 Active CN111124531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911168638.5A CN111124531B (zh) 2019-11-25 2019-11-25 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911168638.5A CN111124531B (zh) 2019-11-25 2019-11-25 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法

Publications (2)

Publication Number Publication Date
CN111124531A true CN111124531A (zh) 2020-05-08
CN111124531B CN111124531B (zh) 2023-07-28

Family

ID=70496631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911168638.5A Active CN111124531B (zh) 2019-11-25 2019-11-25 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法

Country Status (1)

Country Link
CN (1) CN111124531B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736988A (zh) * 2020-05-29 2020-10-02 浪潮电子信息产业股份有限公司 一种异构加速方法、设备、装置及计算机可读存储介质
CN111800495A (zh) * 2020-06-30 2020-10-20 华北电力大学 一种车辆雾计算中的任务卸载系统和方法
CN111818168A (zh) * 2020-06-19 2020-10-23 重庆邮电大学 一种车联网中自适应联合计算卸载与资源分配方法
CN112202928A (zh) * 2020-11-16 2021-01-08 绍兴文理学院 传感边缘云区块链网络可信卸载协作节点选择系统及方法
CN112866006A (zh) * 2020-12-31 2021-05-28 杭州电子科技大学 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法
CN112887272A (zh) * 2021-01-12 2021-06-01 绍兴文理学院 一种传感边缘云任务卸载中挖矿攻击面控制装置及方法
CN114637552A (zh) * 2022-03-09 2022-06-17 天津理工大学 一种基于模糊逻辑策略的雾计算任务卸载方法
CN115209426A (zh) * 2022-07-28 2022-10-18 广东工业大学 一种边缘车联网内数字孪生服务器动态部署方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法
CN108540963A (zh) * 2018-04-13 2018-09-14 中南大学 回连模式下车联网雾计算能力的评估方法
CN108924254A (zh) * 2018-08-03 2018-11-30 上海科技大学 以用户为中心的分布式多用户计算任务卸载方法
US20190041853A1 (en) * 2018-06-29 2019-02-07 Intel Corporation Distributed compute method, apparatus, and system
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
CN109947574A (zh) * 2019-03-29 2019-06-28 南京邮电大学 一种基于雾网络的车辆大数据计算卸载方法
CN110058934A (zh) * 2019-04-25 2019-07-26 中国石油大学(华东) 一种在大规模云雾计算环境中制定最优任务卸载决策的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107682443A (zh) * 2017-10-19 2018-02-09 北京工业大学 联合考虑延迟和能量消耗的移动边缘计算系统计算任务的高效卸载方法
CN108540963A (zh) * 2018-04-13 2018-09-14 中南大学 回连模式下车联网雾计算能力的评估方法
US20190041853A1 (en) * 2018-06-29 2019-02-07 Intel Corporation Distributed compute method, apparatus, and system
CN108924254A (zh) * 2018-08-03 2018-11-30 上海科技大学 以用户为中心的分布式多用户计算任务卸载方法
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
CN109947574A (zh) * 2019-03-29 2019-06-28 南京邮电大学 一种基于雾网络的车辆大数据计算卸载方法
CN110058934A (zh) * 2019-04-25 2019-07-26 中国石油大学(华东) 一种在大规模云雾计算环境中制定最优任务卸载决策的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHAOLONG NING,JUN HUANG,XIAOJIE WANG,ET.AL: "Vehicular Fog Computing:Enabling Real-Time Traffic Management foe Smart Cities", 《IEEE WIRELESS COMMUNICATIONS》 *
ZHENYU ZHOU,PENGJU LIU,JUNHAO FENG,ET.AL: "Computation Resource Allocation and Task Assignment Optimization in Vehicular Fog Computing:A Contract-Matching Approach", 《IEEE TRANSACTION ON VEHICULAR TECHNOLOGY》 *
李树磊等: "基于混合云雾计算的物联网架构", 《邮电设计技术》 *
马伟等: "基于雾计算的高速公路服务区内容访问技术研究", 《电子技术应用》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736988A (zh) * 2020-05-29 2020-10-02 浪潮电子信息产业股份有限公司 一种异构加速方法、设备、装置及计算机可读存储介质
CN111818168A (zh) * 2020-06-19 2020-10-23 重庆邮电大学 一种车联网中自适应联合计算卸载与资源分配方法
CN111818168B (zh) * 2020-06-19 2022-05-03 重庆邮电大学 一种车联网中自适应联合计算卸载与资源分配方法
CN111800495A (zh) * 2020-06-30 2020-10-20 华北电力大学 一种车辆雾计算中的任务卸载系统和方法
CN111800495B (zh) * 2020-06-30 2021-05-11 华北电力大学 一种车辆雾计算中的任务卸载方法
CN112202928A (zh) * 2020-11-16 2021-01-08 绍兴文理学院 传感边缘云区块链网络可信卸载协作节点选择系统及方法
CN112202928B (zh) * 2020-11-16 2022-05-17 绍兴文理学院 传感边缘云区块链网络可信卸载协作节点选择系统及方法
CN112866006B (zh) * 2020-12-31 2022-09-30 杭州电子科技大学 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法
CN112866006A (zh) * 2020-12-31 2021-05-28 杭州电子科技大学 一种基于时延能耗权衡的云雾融合网络多目标任务卸载方法
CN112887272A (zh) * 2021-01-12 2021-06-01 绍兴文理学院 一种传感边缘云任务卸载中挖矿攻击面控制装置及方法
CN114637552A (zh) * 2022-03-09 2022-06-17 天津理工大学 一种基于模糊逻辑策略的雾计算任务卸载方法
CN115209426A (zh) * 2022-07-28 2022-10-18 广东工业大学 一种边缘车联网内数字孪生服务器动态部署方法
CN115209426B (zh) * 2022-07-28 2023-06-09 广东工业大学 一种边缘车联网内数字孪生服务器动态部署方法

Also Published As

Publication number Publication date
CN111124531B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111124531B (zh) 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法
Yadav et al. Energy-latency tradeoff for dynamic computation offloading in vehicular fog computing
Zhang et al. Dynamic task offloading and resource allocation for mobile-edge computing in dense cloud RAN
CN108777852B (zh) 一种车联网内容边缘卸载方法、移动资源分配系统
Kumar et al. Vehicular delay-tolerant networks for smart grid data management using mobile edge computing
Xu et al. A computation offloading method for edge computing with vehicle-to-everything
Zhang et al. Joint parallel offloading and load balancing for cooperative-MEC systems with delay constraints
Qin et al. Power-constrained edge computing with maximum processing capacity for IoT networks
Xinhua et al. Performance comparison of LEACH and LEACH-C protocols by NS2
CN108684005B (zh) 基于som的水下传感网中多auv高效数据收集方法
CN106844051A (zh) 一种边缘计算环境中功耗优化的负载任务迁移算法
Shan et al. A survey on computation offloading for mobile edge computing information
CN108848520A (zh) 一种基于流量预测与基站状态的基站休眠方法
Wu et al. Efficient task scheduling for servers with dynamic states in vehicular edge computing
Wang et al. Dynamic offloading scheduling scheme for MEC-enabled vehicular networks
Ahvar et al. DECA: A dynamic energy cost and carbon emission-efficient application placement method for edge clouds
Zhang et al. DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing
CN113407249B (zh) 一种面向位置隐私保护的任务卸载方法
Yao et al. Cost-efficient tasks scheduling for smart grid communication network with edge computing system
Tinnaluri et al. Edge-cloud computing systems for unmanned aerial vehicles capable of optimal work offloading with delay
Zhuang et al. Optimization of mobile MEC offloading with energy harvesting and dynamic voltage scaling
Hao et al. Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information
Keat et al. (Offloading) QOE-Aware application mapping and Energy-Aware module placement in fog computing+ offloading
CN114449530A (zh) 一种基于多目标优化策略的边缘计算服务迁移方法
Wei et al. Mobile Edge Computing Task Offloading Based on ADPSO Algorithm in Multi-user Environment

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