CN111124647A - 一种车联网中的智能边缘计算方法 - Google Patents
一种车联网中的智能边缘计算方法 Download PDFInfo
- Publication number
- CN111124647A CN111124647A CN201911354245.3A CN201911354245A CN111124647A CN 111124647 A CN111124647 A CN 111124647A CN 201911354245 A CN201911354245 A CN 201911354245A CN 111124647 A CN111124647 A CN 111124647A
- Authority
- CN
- China
- Prior art keywords
- roadside
- node
- vehicle
- nodes
- task
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims description 52
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000007935 neutral effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000003139 buffering effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 239000013641 positive control Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06F9/5038—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 considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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
-
- G06Q50/40—
Abstract
本发明属于车辆交通技术领域，提供了一种车联网中的智能边缘计算方法，构建具有计算和缓存能力的层次化VEC系统服务框架，联合考虑车辆—服务器计算卸载策略、服务器—服务器任务卸载策略和服务器—车辆任务下载策略建立系统时延最小化目标函数；寻找优化函数上确界并分解成路边节点—路边节点部分以及车辆—路边节点部分；求解两部分并获得目标函数最优解；最后，根据最优解由系统控制中心向车辆和路边节点发送信号，进行计算卸载和内容下载。本发明的方法在复杂车流状况下最小化车辆应用的执行时间，考虑到实际情境中用户数据隐私性，本发明采用在线的方式实时处理用户请求，更加适用于车联网中的高动态的拓扑变化和实时性的资源分配。
Description
技术领域
本发明属于车辆交通技术领域，具体涉及一种车联网中的智能边缘计算系统，尤其涉及到一种在路口车流分布不均匀情景下服务商对于车辆请求资源的智能调度系统。
背景技术
随着5G时代的到来，智能汽车成为智能城市建设的重要一环，基于智能车辆的移动应用为驾驶员和乘客提供多种服务以提升驾驶和乘坐体验。研究人员提出以路边节点为载体的车辆边缘计算(Vehicular Edge Computing，VEC)技术来减轻网络传输压力并降低服务时延。由于车辆数目的迅速增长以及城市中车流的不均匀分布，一些路边节点任务负载过高导致服务质量下降。车辆的移动性和车辆应用请求的多样性也促使服务商需要合理的资源调度方案来降低服务时延。现有的研究通常需要收集大量的离线信息进行训练得到分配方案，并且没有考虑路边节点之间的负载均衡，难以保证高负载的路边节点服务质量。因此，需要研究人员提出结合车辆状态和任务动态信息的实用性高，时变性强的在线资源分配框架，能够降低服务时延，从而为用户提供更优质的服务体验。
发明内容
本发明的目的是针对现有研究实时处理能力差，智能化不足的缺点，结合VEC技术和人工智能算法，提出一种车联网中的智能边缘计算系统。本发明基于5G无线通讯技术，构建具有计算和缓存能力的层次化VEC框架，系统综合考虑车辆到路边节点(Road SideUnits，RSU)计算任务卸载，RSU间计算任务卸载以及RSU内容缓存。基于层次化的VEC框架，系统采用实时信息来进行任务分配和资源调度的在线算法，它极大的缩减了车辆任务的执行时延。本发明使用李雅普诺夫优化理论和人工智能算法相结合构建一种车联网中的智能边缘计算系统，实用、高效地解决车联网中任务分配和资源调度问题，从而降低车辆应用的执行时延，为用户提供更高质量的服务体验，为车联网的发展和人工智能的实际应用提供了一个良好的范例。
本发明的技术方案：
一种车联网中的智能边缘计算方法，步骤如下：
步骤1：构建具有计算和缓存能力的层次化VEC系统服务框架，框架包含移动车辆、装备有智能边缘服务器的多个路边节点以及一个远程控制中心；框架中，车辆应用包括计算任务(可以由车辆计算或卸载到路边节点进行计算)和下载任务(车辆从路边节点或云服务器下载)，当两种任务都完成时，车辆成功执行应用；系统执行车辆应用的总体时间包括计算任务传输时间、RSU间卸载等待时间、任务计算时间以及任务下载时间；在时刻t时，RSUm的计算任务传输时间为：
其中，i为车辆，mi为RSU m覆盖区域内车辆的集合，
为车辆i在t时刻产生的任务数量，s为任务的大小，
为车辆i和路边节点m之间在t时刻的传输速率；
在设计框架中，路边节点之间通过局域网相连接，在时刻t路边节点间卸载等待时间为：
其中，τ为在局域网中无延迟的发送和接受一个单位的计算任务的期望时间，λt为t时刻局域网中全部任务量，即全部路边节点上传的卸载任务数量，具体计算公式为：
其中，
表示从路标节点i发送到路边节点j的任务数量，N为路边节点的集合；
在设计框架中，任务由车辆进行本地计算或卸载到路边节点进行计算，这取决于系统对于计算任务的卸载决定；在t时刻，如果任务由车辆i进行本地计算，其计算时间表示为：
其中，s表示任务的大小，l表示计算1bit任务所需的CPU周期数，f表示车辆的计算能力；当任务卸载到路边节点后，系统的控制中心根据路边节点的负载程度在路边节点间进行横向卸载，设路边节点m在时刻t横向卸载后需要计算的任务量为
根据M/M/1排队系统模型路边节点m上任务计算时间为：
其中，μ表示路边节点的任务计算速率，即μ＝F/ls，其中F为路边节点拥有的计算能力；由于路边节点通常是轻量化的且有一定的能量限制，路边节点的计算能耗与其需要计算的任务量相关，因此设路边节点m在t时刻的计算能耗为：
其中，ε为能耗系数；
在框架中，当车辆请求下载需要的内容时，系统会检测其所需内容是否在路边节点上缓存，如果缓存了则直接从路边节点下载；否则路边节点需要从云服务器上下载所需内容，因此本方法采用路边节点缓存节省时间衡量缓存下载时间，即：
其中，c表示请求内容的大小，
表示云服务器和路边节点之间的网络平均传输速率，ζi表示车辆i请求内容的流行程度，
表示缓存策略，
表示内容缓存在路边节点上；
步骤2：在步骤1提出的框架下，实例化目标优化函数，在有能耗限制的前提下最小化系统时延；
2.1)路边节点(边缘服务器)执行时延为：
设
为车辆i在t时刻的决定，
表示任务进行本地计算，
表示卸载到路边节点进行计算；长期化系统时延表示为：
2.2)联合考虑车辆——服务器计算卸载策略
服务器——服务器任务卸载策略
和服务器——车辆任务下载策略
系统的目标优化函数为：
P:
s.t.C1:
C2:
C3:
C4:
C5:
C6:
其中，M,N,T分别为车辆、路边节点和系统服务时间的集合，C1表示对每个路边节点的长期能耗约束，其中
为系统分配给路边节点m的长期平均能耗；C2和C3保证每个时刻的能耗和时延以确保系统的实时表现，其中EMAX为每一时刻每一个路边节点的最大能耗，TMAX为每一时刻系统允许的最大延迟；C4确保缓存内容的总和不超过路边节点(边缘服务器)的存储能力，其中C表示路边节点的最大存储能力；C5和C6分别表示车辆的卸载和缓存策略，他们都是二进制变量，表明车辆只能二选一地选择本地或者路边节点执行任务；
步骤3：由于系统的目标优化函数中存在对路边节点的长期能耗约束，且系统很难获得全局信息，因此本方法采用李雅普诺夫优化理论为路边节点的能耗建立虚拟队列Q(t)＝{qm(t)}m∈M来平衡当前的系统时延和能耗成本，其中qm(t)为路边节点m在t时刻的能量队列长度，表示当前能耗偏离能耗约束的大小；对于路边节点m，能量消耗队列的更新式为
其中
为系统分配给路边节点m的长期平均能耗；为满足上述的C2约束，每一个路边节点的能量队列都需要处于稳定状态，即limT→∞E{qm(t)}/T＝0；根据李雅普诺夫优化定理，本方法的优化目标存在每一个时刻t存在一个上确界
其中，V为正控制系数用来权衡系统的时间和能耗，因此将上述优化目标转化为对上确界的最小化问题，即：
P1:
s.t.C2-C6
为了求解上述问题，本方法将上述问题分解为两部分，分别为：
(1)路边节点——路边节点部分：
P1-1:
s.t.
根据前文所述，上式中的变量ωm和λ都取决于服务器——服务器任务卸载策略
(2)车辆——路边节点部分：
P1-2:
s.t.C3-C6
其中，P(B*)为问题P1-1的最优解；
步骤4：根据步骤3分解的问题，按顺序依次求解路边节点——路边节点部分最优解和车辆——路边节点部分最优解；
4.1)求解路边节点——路边节点部分最优解：
为了获取最优的
和λ*，本方法根据路边节点的缓存策略将路边节点划分为三种，即原始(路边)节点、中立(路边)节点和接收(路边)节点；具体定义如下：
(1)原始节点：如果路边节点将接收到的计算任务部分卸载到其他的路边节点，将剩余部分自己处理，这样的路边节点称为原始节点；
(2)中立节点：如果路边节点将接收到的计算任务全部由自己处理而不向其他节点卸载，这样的路边节点称为中立节点；
(3)接收节点：如果路边节点不仅处理自己的接收到的计算任务，同时也处理卸载自其他路边节点的任务，这样的路边节点称为接收节点；
设拉格朗日乘子为
其中
ε为能耗系数；根据任务流负载等式求解λ*和θ，它表示由原始节点发送的任务数量和接收节点接收到的任务数量相等，即
其中，S为接收节点集合，R为原始节点集合，φm表示路边节点m从车辆接收到的总任务数量，
4.2)根据步骤4.1)中得到的最优解，计算出问题P1-1的最小值并带入问题P1-2，将P1-2转换为整数线性规划问题；本方法采用基于模仿学习的分支定界法对于问题P1-2进行快速求解，其中状态空间St为分支定界法中解二叉树的节点集合，动作空间为A＝{剪枝，保留}，策略空间为P，其中的每一个策略表示状态和动作之间的映射，即π(s)＝a；由于动作空间是二维的，因此将问题转化为二分类问题，一类为剪枝，另一类为保留；
4.3)根据分支定界法的要求和求解问题的特点，本发明抽取问题独立特征和问题相关特征作为二分类问题的特征集合，然后利用支持向量机的方法对问题进行训练和求解。其中问题独立特征主要与分支定界法的需求相关，它包括节点特征，分支特征和解二叉树特征。问题相关特征与本系统相关应用场景相关，它包括车辆——路边节点间的任务传输速率和(路边)节点缓存空间大小。
步骤5：在得到步骤4中的最优解后，由系统控制中心向车辆和路边节点发送信号，进行相应的计算卸载和内容下载。
本发明的效果和益处是：本发明提出的智能边缘计算系统能够在复杂车流状况下最小化车辆应用的执行时间；考虑到实际情境中用户数据隐私性，本发明采用在线的方式处理用户请求，更加适用于车联网中的高动态的拓扑变化和实时性的资源分配。
附图说明
图1为具有计算任务卸载、内容下载功能的智能边缘计算系统架构。
图2为基于排队模型的路边节点间计算任务卸载示意图。
图3为不同任务分配策略下车辆任务执行时间对比。
图4为不同任务分配策略下车辆任务执行平均能耗对比。
图5为不同边缘计算系统在车辆数目不同情况下的车辆任务执行时间对比。
图6为不同边缘计算系统在车辆数目不同情况下的车辆任务执行平均能耗对比。
图7为不同边缘计算系统在边缘服务器存储容量不同情况下执行时间对比。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
图1为具有计算任务卸载、内容下载功能的智能边缘计算系统架构，它能够低时延、高效地执行车辆的任务请求。参见图1的系统架构，本发明提出的具有计算和缓存能力的层次化VEC框架包含移动车辆，装备有智能边缘服务器的多个路边节点，以及一个远程控制中心。在VEC框架中，移动车辆会产生多种应用他可以分解成多个计算任务和内容下载任务，当两种任务都完成时，车辆成功执行应用。上述计算任务可以由车辆自带的CPU处理或卸载到路边节点上的边缘服务器处理；内容下载任务可以由边缘服务器上或远端云服务器端下载。
在本发明提出的智能边缘系统的具体实施步骤如下：
步骤1：计算系统执行车辆应用的总时间，它包括计算任务传输时间、路边节点间卸载等待时间、任务计算时间以及任务下载时间。
1.1)计算在时刻t时路边节点m的计算任务传输时间：
其中i为车辆，mi为路边节点m覆盖区域内车辆的集合，
为车辆i在t时刻产生的任务数量，s为任务的大小，
为车辆i和路边节点m之间在t时刻的传输速率。
1.2)计算在时刻t路边节点间卸载等待时间：
其中τ为在局域网中无延迟的发送和接受一个单位的计算任务的期望时间，λt为t时刻局域网中全部任务量，即全部路边节点上传的卸载任务数量。它的具体计算公式为：
其中
表示从路标节点i发送到路边节点j的任务数量，N为路边节点的集合。
1.3)在设计框架中，任务可以由车辆进行本地计算或卸载到路边节点进行计算，这取决于系统对于计算任务的卸载决定。在t时刻，如果任务由车辆i进行本地计算，其计算时间可表示为：
其中s表示任务的大小，l表示计算1bit任务所需的CPU周期数，f表示车辆的计算能力。
当任务卸载到路边节点后，系统的控制中心会根据路边节点的负载程度在路边节点间进行横向卸载，根据M/M/1排队系统模型计算任务计算时间和拥塞等待时间，其中排队模型如图2所示。设路边节点m在时刻t横向卸载后需要计算的任务量为
任务在路边节点m上任务计算时间为：
其中μ表示路边节点的任务计算速率，即μ＝F/ls，其中F为路边节点拥有的计算能力。由于路边节点通常是轻量化的且有一定的能量限制，路边节点的计算能耗与其需要计算的任务量相关，因此设路边节点m在t时刻的计算能耗为：
其中ε为能耗系数。
1.4)计算系统内容下载时间：
其中c表示请求内容的大小，
表示云服务器和路边节点之间的网络平均传输速率，ζi表示车辆i请求内容的流行程度，
表示缓存策略(
表示内容缓存在路边节点上，
表示请求内容需要从远端云服务器下载)。
步骤2：利用步骤1中计算各部分所需时间实例化联合优化在有能耗限制的前提下最小化车辆任务执行时延；
2.1)路边节点(边缘服务器)执行时延为：
设
为车辆i在t时刻的决定，
表示任务进行本地计算，
表示卸载到路边节点进行计算。长期化系统时延可以表示为：
2.2)综合考虑车辆——服务器计算卸载策略
服务器——服务器任务卸载策略
和服务器——车辆任务下载策略
系统的目标优化函数为：
P:
s.t.C1:
C2:
C3:
C4:
C5:
C6:
C1表示对每个路边节点的长期能耗约束，C2和C3保证每个时刻的能耗和时延小于车辆可接受的最大能耗和时延以确保系统的实时表现。C4确保缓存内容的总和不超过路边节点(边缘服务器)的存储能力。C5和C6分别表示车辆的任务卸载和缓存下载策略，他们都是二进制变量。
步骤3：由于系统难以收集到全局信息以及路边节点的有限能耗约束，本发明采用李雅普诺夫优化的方法为路边节点的能耗建立虚拟队列Q(t)＝{qm(t)}m∈M来平衡当前的系统时延和能源成本，其中qm(t)为路边节点m在t时刻的能量队列长度，表示当前能耗偏离能耗约束的大小。对于路边节点m，能量消耗队列的更新式为
为了满足上述的C2约束，每一个路边节点的能量队列都需要处于稳定状态，即limT→∞E{qm(t)}/T＝0。根据李雅普诺夫优化定理，本发明的优化目标存在每一个时刻t存在一个上确界
因此可将上述优化目标转化为对上确界的最小化问题，即：
P1:
s.t.C2-C6
为了求解上述问题，本发明将上述问题分解为两部分，分别为：
(1)路边节点——路边节点部分：
P1-1:
s.t.
根据前文所述，上式中的变量ωm和λ都取决于服务器——服务器任务卸载策略
(2)车辆——路边节点部分：
P1-2:
s.t.C3-C6
其中P(B*)为问题P1-1的最优解。
步骤4：根据步骤3分解的问题，按顺序依次求解路边节点——路边节点部分最优解和车辆——路边节点部分最优解，最终求解出系统的目标函数。
4.1)求解路边节点——路边节点部分最优解：
为了获取最优的
和λ*，本发明采用拉格朗日乘子法迭代求解寻找到最优路边节点间的卸载策略。首先根据路边节点的卸载策略将路边节点划分为三种，即原始(路边)节点、中立(路边)节点和接收(路边)节点。具体定义如下：
(1)原始节点：如果路边节点将接收到的计算任务部分卸载到其他的路边节点，将剩余部分自己处理，这样的路边节点称为原始节点。
(2)中立节点：如果路边节点将接收到的计算任务全部由自己处理而不向其他节点卸载，这样的路边节点称为中立节点。
(3)接收节点：如果路边节点不仅处理自己的接收到的计算任务，同时也处理卸载自其他路边节点的任务，这样的路边节点称为接收节点。
设拉格朗日乘子为
其中
根据任务流负载等式求解λ*和θ，它表示由原始节点发送的任务数量和接收节点接收到的任务数量相等，即
其中，S为接收节点集合，R为原始节点集合，φm表示路边节点m从车辆接收到的总任务数量，
4.2)根据步骤4.1)中得到的最优解，计算出问题P1-1的最小值并带入问题P1-2，将P1-2转换为整数线性规划问题。本发明采用基于模仿学习的分支定界法对于问题P1-2进行快速求解，其中状态空间St为分支定界法中解二叉树的节点集合，动作空间为A＝{剪枝，保留}，策略空间为P，其中的每一个策略表示状态和动作之间的映射，即π(s)＝a。由于动作空间是二维的，因此将问题转化为二分类问题，一类为剪枝，另一类为保留。
4.3)根据分支定界法的要求和求解问题的特点，本发明抽取问题独立特征和问题相关特征作为二分类问题的特征集合，然后利用支持向量机的方法对问题进行训练和求解。其中问题独立特征主要与分支定界法的需求相关，它包括节点特征，分支特征和解二叉树特征。问题相关特征与本系统相关应用场景相关，它包括车辆——路边节点间的任务传输速率和(路边)节点缓存空间大小。
步骤5：在得到步骤4)中的最优解后，由系统控制中心向车辆和路边节点发送信号，进行相应的计算卸载和内容下载。
图3为不同任务分配策略下车辆任务执行时间对比。参见图3，本发明提出的智能边缘计算系统相较于其他现有的系统具有更低的车辆任务执行延迟，且能够满足路边节点的能耗限制。
图4为不同任务分配策略下车辆任务执行平均能耗对比。参见图4，本发明提出的智能边缘计算系统能够在满足路边节点的能耗限制，且从图3看出本系统相较于平均能耗系统具有更低任务执行延迟。
图5为不同边缘计算系统在车辆数目不同情况下的车辆任务执行时间对比。参见图5，随着车辆数目的增加，系统的任务执行时间也有所增加，但是本系统增加延迟在可接受范围内，对于多车辆复杂情景具有较高鲁棒性。
图6为不同边缘计算系统在车辆数目不同情况下的车辆任务执行平均能耗对比。参见图6，随着车辆数目的增加，本系统也能满足路边节点的能耗限制，对于多车辆复杂情景具有较高鲁棒性。
图7为不同边缘计算系统在边缘服务器存储容量不同情况下执行时间对比。参见图7，随着边缘服务器存储容量的增加，本系统的任务执行时间会相应减少。
综上所述，本发明提出的车联网中的智能边缘计算系统能够在复杂车流状况下最小化车辆应用的执行时间；考虑到实际情境中用户数据隐私性，本发明采用在线的方式处理用户请求，更加适用于车联网中的高动态的拓扑变化和实时性的资源分配。同时本发明将人工智能算法应用于解决车联网中的任务调度问题，为人工智能在实际化应用提供了一个新的思路和角度。
以上示例性实施方式所呈现的描述仅用以说明本发明的技术方案，并不想要成为毫无遗漏的，也不想要把本发明限制为所描述的精确形式。显然，本领域的普通技术人员根据上述教导做出很多改变和变化都是可能的。选择示例性实施方式并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员便于理解、实现并利用本发明的各种示例性实施方式及其各种选择形式和修改形式。本发明的保护范围意在由所附权利要求书及其等效形式所限定。
Claims (1)
1.一种车联网中的智能边缘计算方法，其特征在于，步骤如下：
步骤1：构建具有计算和缓存能力的层次化VEC系统服务框架，框架包含移动车辆、装备有智能边缘服务器的多个路边节点以及一个远程控制中心；框架中，车辆应用包括计算任务：由车辆计算或卸载到路边节点进行计算；和下载任务：车辆从路边节点或云服务器下载；当两种任务都完成时，车辆成功执行应用；系统执行车辆应用的总体时间包括计算任务传输时间、RSU间卸载等待时间、任务计算时间以及任务下载时间；在时刻t时，RSUm的计算任务传输时间为：
其中，i为车辆，mi为RSU m覆盖区域内车辆的集合，
为车辆i在t时刻产生的任务数量，s为任务的大小，
为车辆i和路边节点m之间在t时刻的传输速率；
在设计框架中，路边节点之间通过局域网相连接，在时刻t路边节点间卸载等待时间为：
其中，τ为在局域网中无延迟的发送和接受一个单位的计算任务的期望时间，λt为t时刻局域网中全部任务量，即全部路边节点上传的卸载任务数量，具体计算公式为：
其中，
表示从路标节点i发送到路边节点j的任务数量，N为路边节点的集合；
在设计框架中，任务由车辆进行本地计算或卸载到路边节点进行计算，取决于系统对于计算任务的卸载决定；在t时刻，如果任务由车辆i进行本地计算，其计算时间表示为：
其中，s表示任务的大小，l表示计算1bit任务所需的CPU周期数，f表示车辆的计算能力；当任务卸载到路边节点后，系统的控制中心根据路边节点的负载程度在路边节点间进行横向卸载，设路边节点m在时刻t横向卸载后需要计算的任务量为
根据M/M/1排队系统模型路边节点m上任务计算时间为：
其中，μ表示路边节点的任务计算速率，即μ＝F/ls，其中F为路边节点拥有的计算能力；由于路边节点通常是轻量化的且有一定的能量限制，路边节点的计算能耗与其需要计算的任务量相关，因此设路边节点m在t时刻的计算能耗为：
其中，ε为能耗系数；
在框架中，当车辆请求下载需要的内容时，系统会检测其所需内容是否在路边节点上缓存，如果缓存了则直接从路边节点下载；否则路边节点需要从云服务器上下载所需内容，因此本方法采用路边节点缓存节省时间衡量缓存下载时间，即：
其中，c表示请求内容的大小，
表示云服务器和路边节点之间的网络平均传输速率，ζi表示车辆i请求内容的流行程度，
表示缓存策略，
表示内容缓存在路边节点上；
步骤2：在步骤1提出的框架下，实例化目标优化函数，在有能耗限制的前提下最小化系统时延；
2.1)路边节点即边缘服务器的执行时延为：
设
为车辆i在t时刻的决定，
表示任务进行本地计算，
表示卸载到路边节点进行计算；长期化系统时延表示为：
2.2)联合考虑车辆——服务器计算卸载策略
服务器——服务器任务卸载策略
和服务器——车辆任务下载策略
系统的目标优化函数为：
P:
s.t.C1:
C2:
C3:
C4:
C5:
C6:
其中，M,N,T分别为车辆、路边节点和系统服务时间的集合，C1表示对每个路边节点的长期能耗约束，其中
为系统分配给路边节点m的长期平均能耗；C2和C3保证每个时刻的能耗和时延以确保系统的实时表现，其中EMAX为每一时刻每一个路边节点的最大能耗，TMAX为每一时刻系统允许的最大延迟；C4确保缓存内容的总和不超过路边节点的存储能力，其中C表示路边节点的最大存储能力；C5和C6分别表示车辆的卸载和缓存策略，他们都是二进制变量，表明车辆只能二选一地选择本地或者路边节点执行任务；
步骤3：由于系统的目标优化函数中存在对路边节点的长期能耗约束，且系统很难获得全局信息，因此本方法采用李雅普诺夫优化理论为路边节点的能耗建立虚拟队列Q(t)＝{qm(t)}m∈M来平衡当前的系统时延和能耗成本，其中qm(t)为路边节点m在t时刻的能量队列长度，表示当前能耗偏离能耗约束的大小；对于路边节点m，能量消耗队列的更新式为
其中
为系统分配给路边节点m的长期平均能耗；为满足上述的C2约束，每一个路边节点的能量队列都需要处于稳定状态，即limT→∞E{qm(t)}/T＝0；根据李雅普诺夫优化定理，本方法的优化目标存在每一个时刻t存在一个上确界
其中，V为正控制系数用来权衡系统的时间和能耗，因此将上述优化目标转化为对上确界的最小化问题，即：
P1:
s.t.C2-C6
为了求解上述问题，本方法将上述问题分解为两部分，分别为：
(1)路边节点——路边节点部分：
P1-1:
根据前文所述，上式中的变量ωm和λ都取决于服务器——服务器任务卸载策略
(2)车辆——路边节点部分：
P1-2:
s.t.C3-C6
其中，P(B*)为问题P1-1的最优解；
步骤4：根据步骤3分解的问题，按顺序依次求解路边节点——路边节点部分最优解和车辆——路边节点部分最优解；
4.1)求解路边节点——路边节点部分最优解：
为了获取最优的
和λ*，本方法根据路边节点的缓存策略将路边节点划分为三种，即原始节点、中立节点和接收节点；具体定义如下：
(1)原始节点：如果路边节点将接收到的计算任务部分卸载到其他的路边节点，将剩余部分自己处理，这样的路边节点称为原始节点；
(2)中立节点：如果路边节点将接收到的计算任务全部由自己处理而不向其他节点卸载，这样的路边节点称为中立节点；
(3)接收节点：如果路边节点不仅处理自己的接收到的计算任务，同时也处理卸载自其他路边节点的任务，这样的路边节点称为接收节点；
设拉格朗日乘子为
其中
ε为能耗系数；根据任务流负载等式求解λ*和θ，它表示由原始节点发送的任务数量和接收节点接收到的任务数量相等，即
其中，S为接收节点集合，R为原始节点集合，φm表示路边节点m从车辆接收到的总任务数量，
4.2)根据步骤4.1)中得到的最优解，计算出问题P1-1的最小值并带入问题P1-2，将P1-2转换为整数线性规划问题；本方法采用基于模仿学习的分支定界法对于问题P1-2进行快速求解，其中状态空间St为分支定界法中解二叉树的节点集合，动作空间为A＝{剪枝，保留}，策略空间为P，其中的每一个策略表示状态和动作之间的映射，即π(s)＝a；由于动作空间是二维的，因此将问题转化为二分类问题，一类为剪枝，另一类为保留；
4.3)根据分支定界法的要求和求解问题的特点，本方法抽取问题独立特征和问题相关特征作为二分类问题的特征集合，然后利用支持向量机的方法对问题进行训练和求解；其中问题独立特征主要与分支定界法的需求相关，包括节点特征、分支特征和解二叉树特征；问题相关特征与本系统相关应用场景相关，包括车辆——路边节点间的任务传输速率和节点缓存空间大小；
步骤5：在得到步骤4中的最优解后，由系统控制中心向车辆和路边节点发送信号，进行相应的计算卸载和内容下载。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911354245.3A CN111124647B (zh) | 2019-12-25 | 2019-12-25 | 一种车联网中的智能边缘计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911354245.3A CN111124647B (zh) | 2019-12-25 | 2019-12-25 | 一种车联网中的智能边缘计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111124647A true CN111124647A (zh) | 2020-05-08 |
| CN111124647B CN111124647B (zh) | 2022-11-18 |
Family
ID=70502944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911354245.3A Active CN111124647B (zh) | 2019-12-25 | 2019-12-25 | 一种车联网中的智能边缘计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111124647B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111918245A (zh) * | 2020-07-07 | 2020-11-10 | 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 |
| CN112104999A (zh) * | 2020-08-03 | 2020-12-18 | 广东工业大学 | 一种异构边缘车联网内多层缓存方法 |
| CN112333659A (zh) * | 2020-10-13 | 2021-02-05 | 联通智网科技有限公司 | 基于车联网的空中下载方法、系统、设备和介质 |
| CN112512013A (zh) * | 2020-11-27 | 2021-03-16 | 山东师范大学 | 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 |
| CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
| CN113242294A (zh) * | 2021-05-08 | 2021-08-10 | 西北工业大学 | 一种面向群智感知数据的流计算处理方法 |
| CN113282413A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 车辆边缘计算网络中QoS需求自适应的资源配置方法 |
| CN113423091A (zh) * | 2021-05-24 | 2021-09-21 | 西安电子科技大学 | 一种车载算力网络的多维资源智能联合优化方法、系统 |
| CN113641417A (zh) * | 2021-06-29 | 2021-11-12 | 南京邮电大学 | 一种基于分支定界法的车辆安全任务卸载方法 |
| CN113837396A (zh) * | 2021-09-26 | 2021-12-24 | 中国联合网络通信集团有限公司 | 基于b-m2m的设备模仿学习方法、mec及存储介质 |
| CN114340016A (zh) * | 2022-03-16 | 2022-04-12 | 北京邮电大学 | 一种电网边缘计算卸载分配方法及系统 |
| CN114449507A (zh) * | 2022-02-16 | 2022-05-06 | 中国神华能源股份有限公司神朔铁路分公司 | 轨道交通应急通信系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
| CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 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及系统 |
| CN110213796A (zh) * | 2019-05-28 | 2019-09-06 | 大连理工大学 | 一种车联网中的智能资源分配方法 |
-
2019
- 2019-12-25 CN CN201911354245.3A patent/CN111124647B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
| CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 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及系统 |
| CN110213796A (zh) * | 2019-05-28 | 2019-09-06 | 大连理工大学 | 一种车联网中的智能资源分配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭维平等: "面向车联网实时应用场景的任务卸载决策算法", 《北京邮电大学学报》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111918245A (zh) * | 2020-07-07 | 2020-11-10 | 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 |
| CN112104999A (zh) * | 2020-08-03 | 2020-12-18 | 广东工业大学 | 一种异构边缘车联网内多层缓存方法 |
| CN112104999B (zh) * | 2020-08-03 | 2022-06-24 | 广东工业大学 | 一种异构边缘车联网内多层缓存方法 |
| CN112333659A (zh) * | 2020-10-13 | 2021-02-05 | 联通智网科技有限公司 | 基于车联网的空中下载方法、系统、设备和介质 |
| CN112512013A (zh) * | 2020-11-27 | 2021-03-16 | 山东师范大学 | 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 |
| CN112512013B (zh) * | 2020-11-27 | 2022-06-24 | 山东师范大学 | 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 |
| CN113114733A (zh) * | 2021-03-24 | 2021-07-13 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
| CN113114733B (zh) * | 2021-03-24 | 2022-07-08 | 重庆邮电大学 | 基于能量收集的分布式任务卸载和计算资源的管理方法 |
| CN113242294A (zh) * | 2021-05-08 | 2021-08-10 | 西北工业大学 | 一种面向群智感知数据的流计算处理方法 |
| CN113282413A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 车辆边缘计算网络中QoS需求自适应的资源配置方法 |
| CN113282413B (zh) * | 2021-05-20 | 2024-03-05 | 南京航空航天大学 | 车辆边缘计算网络中QoS需求自适应的资源配置方法 |
| CN113423091A (zh) * | 2021-05-24 | 2021-09-21 | 西安电子科技大学 | 一种车载算力网络的多维资源智能联合优化方法、系统 |
| CN113423091B (zh) * | 2021-05-24 | 2022-07-29 | 西安电子科技大学 | 一种车载算力网络的多维资源智能联合优化方法、系统 |
| CN113641417A (zh) * | 2021-06-29 | 2021-11-12 | 南京邮电大学 | 一种基于分支定界法的车辆安全任务卸载方法 |
| CN113641417B (zh) * | 2021-06-29 | 2023-08-22 | 南京邮电大学 | 一种基于分支定界法的车辆安全任务卸载方法 |
| CN113837396A (zh) * | 2021-09-26 | 2021-12-24 | 中国联合网络通信集团有限公司 | 基于b-m2m的设备模仿学习方法、mec及存储介质 |
| CN113837396B (zh) * | 2021-09-26 | 2023-08-04 | 中国联合网络通信集团有限公司 | 基于b-m2m的设备模仿学习方法、mec及存储介质 |
| CN114449507A (zh) * | 2022-02-16 | 2022-05-06 | 中国神华能源股份有限公司神朔铁路分公司 | 轨道交通应急通信系统 |
| CN114449507B (zh) * | 2022-02-16 | 2023-10-27 | 中国神华能源股份有限公司神朔铁路分公司 | 轨道交通应急通信系统 |
| CN114340016A (zh) * | 2022-03-16 | 2022-04-12 | 北京邮电大学 | 一种电网边缘计算卸载分配方法及系统 |
| CN114340016B (zh) * | 2022-03-16 | 2022-07-26 | 北京邮电大学 | 一种电网边缘计算卸载分配方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111124647B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124647B (zh) | 一种车联网中的智能边缘计算方法 | |
| CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
| CN111010684B (zh) | 一种基于mec缓存服务的车联网资源分配方法 | |
| CN112995950B (zh) | 一种车联网中基于深度强化学习的资源联合分配方法 | |
| CN111918311A (zh) | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 | |
| CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
| CN115209426B (zh) | 一种边缘车联网内数字孪生服务器动态部署方法 | |
| CN112929849B (zh) | 一种基于强化学习的可靠车载边缘计算卸载方法 | |
| CN114973673B (zh) | 车路协同系统中结合noma和内容缓存的任务卸载方法 | |
| CN114205782B (zh) | 基于云边协同的时延最优缓存和路由方法、装置及系统 | |
| CN113641417B (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
| CN115002113B (zh) | 一种移动基站边缘计算力资源调度方法、系统、电子设备 | |
| CN112612553A (zh) | 一种基于容器技术的边缘计算任务卸载方法 | |
| CN113344255A (zh) | 基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法 | |
| CN116566838A (zh) | 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法 | |
| CN113993168A (zh) | 一种雾无线接入网中基于多智能体强化学习的协作缓存方法 | |
| CN116347522A (zh) | 云边协同下基于近似计算复用的任务卸载方法及装置 | |
| He et al. | A DDPG Hybrid of Graph Attention Network and Action Branching for Multi-Scale End-Edge-Cloud Vehicular Orchestrated Task Offloading | |
| CN113423091B (zh) | 一种车载算力网络的多维资源智能联合优化方法、系统 | |
| Midya et al. | Pso based optimized resource allocation in three tier cloud architecture for vanet | |
| CN113766540B (zh) | 低时延的网络内容传输方法、装置、电子设备及介质 | |
| Cui et al. | Resource-Efficient DNN Training and Inference for Heterogeneous Edge Intelligence in 6G | |
| Saleh et al. | AI empowered computing resource allocation in vehicular ad-hoc NETworks | |
| CN114741191A (zh) | 一种面向计算密集型任务关联性的多资源分配方法 | |
| CN115051999B (zh) | 基于云边协同的能耗最优任务卸载方法、装置及系统 |
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 |