CN111355779A - 基于服务的车联网任务卸载方法及其卸载装置 - Google Patents

基于服务的车联网任务卸载方法及其卸载装置 Download PDF

Info

Publication number
CN111355779A
CN111355779A CN202010099216.3A CN202010099216A CN111355779A CN 111355779 A CN111355779 A CN 111355779A CN 202010099216 A CN202010099216 A CN 202010099216A CN 111355779 A CN111355779 A CN 111355779A
Authority
CN
China
Prior art keywords
task
service
unloading
time
service node
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
CN202010099216.3A
Other languages
English (en)
Other versions
CN111355779B (zh
Inventor
李智勇
程子卿
王�琦
陈一凡
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202010099216.3A priority Critical patent/CN111355779B/zh
Publication of CN111355779A publication Critical patent/CN111355779A/zh
Application granted granted Critical
Publication of CN111355779B publication Critical patent/CN111355779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • 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
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • 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
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于服务的车联网任务卸载方法，包括初始化；缓存服务请求并确定新生成的待处理任务的任务信息；获取服务节点的服务节点信息并将所有已缓存的任务开始调度；获取车辆本身的当前位置和当前速度；确定当前时刻的最小化时间和任务卸载风险优化方程并求解得到任务卸载策略；根据任务卸载策略对车联网任务进行卸载。本发明还提供了实现所述基于服务的车联网任务卸载方法的卸载装置。本发明首次在车联网中实现车辆协同的同时，考虑了任务时延要求和系统效率，因此本发明方法能够减小任务执行时间和降低任务失败的几率，而且可靠性高，实用性好。

Description

基于服务的车联网任务卸载方法及其卸载装置
技术领域
本发明属于物联网领域，具体涉及一种基于服务的车联网任务卸载方法及其卸载装置。
背景技术
随着车辆数量的不断增加以及物联网的发展，各种车辆应用，例如车辆社交网络，模式识别和增强现实等，都用于提高车辆的安全性和行驶乐趣。这些车辆系统通常需要大量的计算。预计在不久的将来，车辆将每秒执行106百万条指令。但是，车辆是计算能力有限的移动平台，无法满足用户所需的服务质量(Quality of Service,Qos)。
边缘计算是解决车辆计算能力有限的新兴技术。边缘计算将部分任务卸载到空闲或资源丰富的计算单元。V2X技术使车辆网下任务卸载成为一种可选解决方案：其可以充分利用可用的计算设备，增强计算能力。目前有许多车辆任务卸载渠道：渠道a.卸载到云，这种方法时延较大不适用于时间敏感型任务，无法改善服务质量；渠道b.卸载到边缘服务器，这种方法需要布置边缘服务器；渠道c.卸载到对等设备，这种方法可以免去布置服务器成本。
现有的技术大多考虑卸载到边缘服务器。而采用卸载到车辆的渠道可以降低服务器部署成本和部署难度，对于一些难以部署服务器的区域同样通用。但是，目前并没有一个在车联网场景下车辆协同且考虑车辆移动性和任务Qos的任务卸载方法和对应的卸载装置。
发明内容
本发明的目的之一在于提供一种可靠性高、实用性好且在满足任务时延要求的前提下能够减小任务执行时间和降低任务失败的几率的基于服务的车联网任务卸载方法。
本发明的目的之二在于提供一种实现所述基于服务的车联网任务卸载方法的卸载装置。
本发明提供的这种基于服务的车联网任务卸载方法，包括如下步骤：
S1.车联网初始化；
S2.缓存服务请求，并确定新生成的待处理任务的任务信息；
S3.广播服务请求，发现服务结点，接收并获取服务节点的服务节点信息，同时将所有已缓存的任务开始进行调度；
S4.获取车辆本身的当前位置和当前速度；
S5.根据步骤S2获取的待处理任务的任务信息、步骤S3获取的服务节点的服务节点信息和步骤S4获取的车辆当前位置和当前速度信息，确定当前时刻的最小化时间和任务卸载风险优化方程；
S6.对步骤S5确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解，从而得到任务卸载策略；
S7.根据步骤S6得到的任务卸载策略，对车联网任务进行卸载。
步骤S2所述的待处理任务的任务信息，具体包括任务请求服务类型、任务时延要求、任务输入数据、任务所需内存大小和所需CPU周期数。
步骤S3所述的服务节点的服务节点信息，具体包括服务结点处理队列中任务完成时间、服务结点处理能力、可提供内存大小和服务结点是否可提供所需服务。
步骤S4所述的获取车辆本身的当前位置和当前速度，具体为采用GPS或北斗导航定位系统获取车辆当前位置和当前速度。
步骤S5所述的确定当前时刻的最小化时间和任务卸载风险优化方程，具体为采用如下方程组确定当前时刻的最小化时间和任务卸载风险优化方程：
Figure BDA0002386317140000031
s.t.
Figure BDA0002386317140000032
if Xij＝1
Figure BDA0002386317140000033
Figure BDA0002386317140000034
Figure BDA0002386317140000035
式中Ti为任务i的预估时延；λ为设定的平衡系数；r(cj,Ti)为任务i卸载到车辆cj失败的风险；K为任务集合；i为任务编号；xij＝1表示结点j提供任务i所需的服务，xij＝0表示结点j无法提供任务i所需的服务；Xij＝1为卸载决策，且Xij＝1表示任务i卸载到服务节点j执行，Xij＝0表示任务i不卸载到服务节点j执行；
Figure BDA0002386317140000036
表示第k个任务的输入数据大小；
Figure BDA0002386317140000037
表示服务节点cj可以提供的内存大小；k∈{Xkj＝Xij}表示卸载到同一服务结点j的任务集合；Li表示任务i的时间约束。
所述的任务i的预估时延Ti，具体为采用如下算式计算：
Figure BDA0002386317140000038
式中tsche为批量调度时间点；
Figure BDA0002386317140000041
为任务i创建的时间点；
Figure BDA0002386317140000042
表示第k个任务的输入数据大小；vs为传输速率；
Figure BDA0002386317140000043
为原服务节点cj执行队列任务结束的时间，
Figure BDA0002386317140000044
为任务i传输结束的时间；Si为任务i所需的CPU周期；
Figure BDA0002386317140000045
为服务结点cj的处理速度；Xil＝1表示该任务在本地执行，Xil≠1表示该任务不在本地执行。
所述的任务i卸载到车辆cj失败的风险r(cj,Ti)，具体为采用如下算式计算：
Figure BDA0002386317140000046
式中xl为车辆当前位置；vl为车辆当前速度；Ti为任务i的预估时延；xj为执行任务i的车辆j的位置；vj为执行任务i的车辆j的速度；rl为通信范围；
Figure BDA0002386317140000047
表示请求结点和服务结点在Ti时间之后的欧式距离；Xil＝1表示该任务在本地执行，Xil≠1表示该任务不在本地执行。
步骤S6所述的对步骤S5确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解，从而得到任务卸载策略，具体为采用基于人工蜂群算法进行求解。
本发明还提供了一种实现所述基于服务的车联网任务卸载方法的卸载装置，包括初始化模块、缓存模块、服务节点信息获取模块、车辆信息获取模块、最小化时间和任务卸载风险优化方程确认模块、求解模块和任务卸载模块；初始化模块、缓存模块、服务节点信息获取模块、车辆信息获取模块、最小化时间和任务卸载风险优化方程确认模块、求解模块和任务卸载模块依次串联；初始化模块用于网络节点和设备的初始化；缓存模块用于缓存服务请求并确定新生成的待处理任务的任务信息；服务节点信息获取模块用于获取服务节点的服务节点信息并将所有已缓存的任务开始进行调度；车辆信息获取模块用于获取车辆本身的当前位置和当前速度；最小化时间和任务卸载风险优化方程确认模块用于确定当前时刻的最小化时间和任务卸载风险优化方程；求解模块用于对确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解从而得到任务卸载策略；任务卸载模块用于根据求解得到的结果对车联网任务进行卸载。
本发明提供的这种基于服务的车联网任务卸载方法及其卸载装置，首次在车联网中实现车辆协同的同时，考虑了任务时延要求和系统效率，因此本发明方法能够减小任务执行时间和降低任务失败的几率，而且可靠性高，实用性好。
附图说明
图1为本发明的应用场景示意图。
图2为本发明方法的方法流程示意图。
图3为本发明装置的功能模块示意图。
具体实施方式
如图1所示为本发明的应用场景示意图：现有的技术大多考虑卸载到边缘服务器。而采用卸载到车辆的渠道可以降低服务器部署成本和部署难度，对于一些难以部署服务器的区域同样通用。目前没有一个在车联网场景下车辆协同且考虑车辆移动性和任务Qos的任务卸载方案和装置。本发明提出了一种基于服务考虑卸载风险和QoS的去中心化任务卸载方案和装置。
本发明实施例提供的基于服务考虑卸载风险和QoS的去中心化任务卸载方案可以应用于车联网中的车辆，如图1所示：所有车辆有各自的通信范围，车辆之间使用DSRC通信，车辆通过V2V技术向其他车辆卸载部分任务。
本发明实施例中，车联网场景下可请求的服务有目标检测、图像分割、图像识别、位置推荐等等。周围车辆依照车主意愿或车辆计算能力提供相应的服务，如目标检测服务。不同服务对应固定的函数接口，卸载请求方需传输应用对应的函数输入数据(如图片数据和偏好参数)。上述基于服务的任务卸载方案为典型的C/S模式，请求方为客户端，服务方为服务端。
如图2所示为本发明方法的方法流程示意图：本发明提供的这种基于服务的车联网任务卸载方法，包括如下步骤：
S1.车联网初始化；
S2.缓存服务请求，并确定新生成的待处理任务的任务信息；具体包括任务请求服务类型、任务时延要求、任务输入数据、任务所需内存大小和所需CPU周期数；
在具体实施时，用户运行应用时，会生成待处理任务。不同任务对应不同服务；用户设备提供待处理任务的信息，其中任务信息包括任务请求服务类型代码、任务时延要求、任务输入数据和所需CPU周期数。任务信息使用三元组
Figure BDA0002386317140000061
表示；
请求服务类型代码(SID)为服务唯一ID，例如图像识别服务代码设为101；
任务时延要求Li表示待处理的任务要在约定时间内执行完毕，可以用公式Ti＜Li来表示，Ti为设备处理任务时间，Li为最长处理时间，例如某任务需要在1秒内执行完毕，Li＝1且Ti＝0.5时则满足要求，若Li＝1且Ti＝1.5则超出了时间约束；
任务输入数据大小Di s为输入数据的大小，最小单位可以是比特；
所需CPU周期数Si为计算该任务所需CPU周期个数；
S3.广播服务请求，发现服务结点，接收并获取服务节点的服务节点信息，同时将所有已缓存的任务开始进行调度；具体包括服务结点处理队列中任务完成时间、服务结点处理能力、可提供内存大小和服务结点是否可提供所需服务；
在具体实施时，发现服务结点，广播Beacon报文发现车辆，该请求报文格式如下：
车辆ID 车辆速度
应用1请求服务ID 应用1信息概要(输入数据大小，应用时限)
….. ……
服务结点的请求模块收到请求报文时，查询提供服务列表是否提供该服务，若满足条件则返回该服务结点行驶速度和计算能力，否则不给予回复。回复报文格式如下：
Figure BDA0002386317140000071
S4.获取车辆本身的当前位置和当前速度；具体为采用GPS或北斗导航定位系统获取车辆当前位置和当前速度；
S5.根据步骤S2获取的待处理任务的任务信息、步骤S3获取的服务节点的服务节点信息和步骤S4获取的车辆当前位置和当前速度信息，确定当前时刻的最小化时间和任务卸载风险优化方程；具体为采用如下方程组确定当前时刻的最小化时间和任务卸载风险优化方程：
Figure BDA0002386317140000072
s.t.
Figure BDA0002386317140000073
if Xij＝1
Figure BDA0002386317140000074
Figure BDA0002386317140000081
Figure BDA0002386317140000082
式中Ti为任务i的预估时延；λ为设定的平衡系数；r(cj,Ti)为任务i卸载到车辆cj失败的风险；K为任务集合；i为任务编号；xij＝1表示结点j提供任务i所需的服务，xij＝0表示结点j无法提供任务i所需的服务；Xij＝1为卸载决策，且Xij＝1表示任务i卸载到服务节点j执行，Xij＝0表示任务i不卸载到服务节点j执行；
Figure BDA0002386317140000083
表示第k个任务的输入数据大小；
Figure BDA0002386317140000084
表示服务节点cj可以提供的内存大小；k∈{Xkj＝Xij}表示卸载到同一服务结点j的任务集合；Li表示任务i的时间约束；X和Q为卸载决策；X为二维矩阵，xij＝1表示任务i卸载到节点j，xij＝0表示任务i不卸载到节点j；Q为任务分发顺序，且为1～N的不重复的整数；四个约束条件中，约束条件1表示如果一个任务要卸载，则必须卸载到提供对应服务的服务结点上；约束条件2表示分给一个服务结点的所有任务内存和不能超过该服务结点可提供的内存；约束条件3表示一个任务只能卸载到一个服务结点上；约束条件4表示任务不能超出其时延；
比如，三个任务，三个服务节点(其中第一个为本地)：
Figure BDA0002386317140000085
Q＝[2 13]；X矩阵的横轴为任务，纵轴为服务节点，此时X表示：任务1在结点1(本地)执行，任务2在结点3执行，任务3在结点2执行；
其中，任务i的预估时延Ti采用如下算式计算：
Figure BDA0002386317140000091
式中tsche为批量调度时间点；
Figure BDA0002386317140000092
为任务i创建的时间点；
Figure BDA0002386317140000093
表示第k个任务的输入数据大小；vs为传输速率；
Figure BDA0002386317140000094
为原服务节点cj执行队列任务结束的时间，
Figure BDA0002386317140000095
为任务i传输结束的时间；Si为任务i所需的CPU周期；
Figure BDA0002386317140000096
为服务结点cj的处理速度；Xil＝1表示该任务在本地执行，Xil≠1表示该任务不在本地执行；
任务i卸载到车辆cj失败的风险r(cj,Ti)采用如下算式计算：
Figure BDA0002386317140000097
式中xl为车辆当前位置；vl为车辆当前速度；Ti为任务i的预估时延；xj为执行任务i的车辆j的位置；vj为执行任务i的车辆j的速度；rl为通信范围；
Figure BDA0002386317140000098
表示请求结点和服务结点在Ti时间之后的欧式距离；Xil＝1表示该任务在本地执行，Xil≠1表示该任务不在本地执行；
S6.对步骤S5确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解，从而得到任务卸载策略；在具体实施时，可以采用基于人工蜂群算法进行求解；
以下以一个实施例，对求解过程进行说明(采用基于人工蜂群算法求解)：
A.随机构建初始解集：
一个解使用
Figure BDA0002386317140000099
表示，例如三个任务，三个服务结点(其中一个是本地)，则一个解可以是(2,1,3，1,2,3)表示任务1卸载到结点2，任务2在本地执行，任务3在结点3执行，分发顺序为任务2直接进入本地处理队列；任务1先进入传输等待队列，其次是任务3；
生成这样的解n个，并初始化解探索次数SLi＝0，如下表所示，|K|为任务个数。在本实施例中设为60个。可构成一个二维矩阵的解集。例如三个任务，三个服务结点的5个解构成的解集可以是
Figure BDA0002386317140000101
Figure BDA0002386317140000102
同时，生成解需满足上述约束。即As需为可执行该任务的结点ID，一个解的Se应为1～|K|里唯一的整数；
B.雇佣蜂阶段：
对于解集中的每个解i，从原解集中随机选择一个解j，随机选择一个位置m和n，使用以下策略局部更新解i：
Figure BDA0002386317140000103
例如：对于解(2,1,3，1,2,3)，随机选择解(1,2,3，2,1,3)随机选择m＝1，n＝2，则更新后的解i为(1,1,3，2,1,3)
C.计算解的适应度，判断是否真正更新该解，使用下面公式计算各解的适应度：
Figure BDA0002386317140000111
其中
Figure BDA0002386317140000112
为优化目标；
若更新后的解相较与原解的适应度高则更新该解，对应的SLi置为0；否则SLi+1；
D.观察蜂阶段：
观察蜂选择一个解进行更新，一个解被选择的概率为：
Figure BDA0002386317140000113
当一个解被选择后，使用同雇佣蜂阶段策略更新该解；
E.计算解的适应度，判断是否真正更新该解；
F.侦查蜂阶段
当某解局部更新次数SLi大于L时，在本实施例中，L设为5。则放弃该解，重新随机生成解；
G.获得解集中的最优解
判断当前最优解适应度是否小于解集中最大适应度。是，则更新最优解为解集中适应度最大的解；否则不更新；
H.判断是否迭代收敛，若未收敛，返回步骤B，若收敛，执行步骤I；
可以根据本轮迭代中目标函数值与上一轮迭代中目标函数的差值判断是否收敛，也可以预设迭代次数上限，当迭代次数达到上限；则认为已收敛。在本实施例中，为了保证算法的运行速度以适应车联网场景，迭代次数上限设为20；
I：将当前的任务卸载策略，分发顺序确定为最小化执行时间和卸载风险的最终解；
S7.根据步骤S6得到的任务卸载策略，对车联网任务进行卸载；
在具体实施时，本地处理任务集进入本地CPU等待队列，卸载处理任务集进入传输等待队列等待分发应用数据。其中任务按照决策策略得到的分发顺序进入队列。所有任务传输结束后设置一个定时器，若定时器失效则重启任务，本实施例中设置为三倍的任务计算时间。
如图3所示为本发明装置的功能模块示意图：本发明提供这种实现所述基于服务的车联网任务卸载方法的卸载装置，包括初始化模块、缓存模块、服务节点信息获取模块、车辆信息获取模块、最小化时间和任务卸载风险优化方程确认模块、求解模块和任务卸载模块；初始化模块、缓存模块、服务节点信息获取模块、车辆信息获取模块、最小化时间和任务卸载风险优化方程确认模块、求解模块和任务卸载模块依次串联；初始化模块用于网络节点和设备的初始化；缓存模块用于缓存服务请求并确定新生成的待处理任务的任务信息；服务节点信息获取模块用于获取服务节点的服务节点信息并将所有已缓存的任务开始进行调度；车辆信息获取模块用于获取车辆本身的当前位置和当前速度；最小化时间和任务卸载风险优化方程确认模块用于确定当前时刻的最小化时间和任务卸载风险优化方程；求解模块用于对确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解从而得到任务卸载策略；任务卸载模块用于根据求解得到的结果对车联网任务进行卸载。
在具体实施时，装置可以包括处理器、无线通信接口、存储器、总线和GPS，其中，处理器，无线通信接口，存储器通过总线完成相互间的通信。
其中，存储器用于存放程序；
处理器用于实现以下步骤：
a.缓存服务请求，确定生成的待处理任务的任务信息。其中任务信息包括任务请求服务类型、任务时延要求、任务输入数据、任务所需内存大小和所需CPU周期数；
b.发现服务结点，获取服务结点信息。所有缓存任务出队进入调度阶段。服务结点信息包括服务结点处理队列中任务完成时间、服务结点处理能力、可提供内存大小，服务结点是否可提供所需服务；
c.获取本车辆当前位置与速度；
d.确定最小化时间和卸载风险的优化方程；
e.确定任务卸载策略；
f.将所述任务划分为本地处理任务集和卸载处理任务集。本地处理任务集进入本地执行队列，卸载处理任务集进入传输队列等待分发应用数据。其中任务按照决策策略得到的分发顺序进入队列。
此外，通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)。
处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignalProcessing，DSP)或者其他可编程逻辑器件等。

Claims (9)

1.一种基于服务的车联网任务卸载方法，包括如下步骤：
S1.车联网初始化；
S2.缓存服务请求，并确定新生成的待处理任务的任务信息；
S3.广播服务请求，发现服务结点，接收并获取服务节点的服务节点信息，同时将所有已缓存的任务开始进行调度；
S4.获取车辆本身的当前位置和当前速度；
S5.根据步骤S2获取的待处理任务的任务信息、步骤S3获取的服务节点的服务节点信息和步骤S4获取的车辆当前位置和当前速度信息，确定当前时刻的最小化时间和任务卸载风险优化方程；
S6.对步骤S5确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解，从而得到任务卸载策略；
S7.根据步骤S6得到的任务卸载策略，对车联网任务进行卸载。
2.根据权利要求1所述的基于服务的车联网任务卸载方法，其特征在于步骤S2所述的待处理任务的任务信息，具体包括任务请求服务类型、任务时延要求、任务输入数据、任务所需内存大小和所需CPU周期数。
3.根据权利要求2所述的基于服务的车联网任务卸载方法，其特征在于步骤S3所述的服务节点的服务节点信息，具体包括服务结点处理队列中任务完成时间、服务结点处理能力、可提供内存大小和服务结点是否可提供所需服务。
4.根据权利要求3所述的基于服务的车联网任务卸载方法，其特征在于步骤S4所述的获取车辆本身的当前位置和当前速度，具体为采用GPS或北斗导航定位系统获取车辆当前位置和当前速度。
5.根据权利要求4所述的基于服务的车联网任务卸载方法，其特征在于步骤S5所述的确定当前时刻的最小化时间和任务卸载风险优化方程，具体为采用如下方程组确定当前时刻的最小化时间和任务卸载风险优化方程：
Figure FDA0002386317130000021
Figure FDA0002386317130000022
Figure FDA0002386317130000023
Figure FDA0002386317130000024
Figure FDA0002386317130000025
式中Ti为任务i的预估时延；λ为设定的平衡系数；r(cj,Ti)为任务i卸载到车辆cj失败的风险；K为任务集合；i为任务编号；xij＝1表示结点j提供任务i所需的服务，xij＝0表示结点j无法提供任务i所需的服务；Xij＝1为卸载决策，且Xij＝1表示任务i卸载到服务节点j执行，Xij＝0表示任务i不卸载到服务节点j执行；
Figure FDA0002386317130000026
表示第k个任务的输入数据大小；
Figure FDA0002386317130000027
表示服务节点cj可以提供的内存大小；k∈{Xkj＝Xij}表示卸载到同一服务结点j的任务集合；Li表示任务i的时间约束。
6.根据权利要求5所述的基于服务的车联网任务卸载方法，其特征在于所述的任务i的预估时延Ti，具体为采用如下算式计算：
Figure FDA0002386317130000028
式中tsche为批量调度时间点；
Figure FDA0002386317130000029
为任务i创建的时间点；
Figure FDA00023863171300000210
表示第k个任务的输入数据大小；vs为传输速率；
Figure FDA0002386317130000031
为原服务节点cj执行队列任务结束的时间，
Figure FDA0002386317130000032
为任务i传输结束的时间；Si为任务i所需的CPU周期；
Figure FDA0002386317130000033
为服务结点cj的处理速度；Xil＝1表示该任务在本地执行，Xil≠1表示该任务不在本地执行。
7.根据权利要求5所述的基于服务的车联网任务卸载方法，其特征在于所述的任务i卸载到车辆cj失败的风险r(cj,Ti)，具体为采用如下算式计算：
Figure FDA0002386317130000034
式中xl为车辆当前位置；vl为车辆当前速度；Ti为任务i的预估时延；xj为执行任务i的车辆j的位置；vj为执行任务i的车辆j的速度；rl为通信范围；
Figure FDA0002386317130000035
表示请求结点和服务结点在Ti时间之后的欧式距离；Xil＝1表示该任务在本地执行，Xil≠1表示该任务不在本地执行。
8.根据权利要求5所述的基于服务的车联网任务卸载方法，其特征在于步骤S6所述的对步骤S5确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解，从而得到任务卸载策略，具体为采用基于人工蜂群算法进行求解。
9.一种实现权利要求1～8之一所述的基于服务的车联网任务卸载方法的卸载装置，其特征在于包括初始化模块、缓存模块、服务节点信息获取模块、车辆信息获取模块、最小化时间和任务卸载风险优化方程确认模块、求解模块和任务卸载模块；初始化模块、缓存模块、服务节点信息获取模块、车辆信息获取模块、最小化时间和任务卸载风险优化方程确认模块、求解模块和任务卸载模块依次串联；初始化模块用于网络节点和设备的初始化；缓存模块用于缓存服务请求并确定新生成的待处理任务的任务信息；服务节点信息获取模块用于获取服务节点的服务节点信息并将所有已缓存的任务开始进行调度；车辆信息获取模块用于获取车辆本身的当前位置和当前速度；最小化时间和任务卸载风险优化方程确认模块用于确定当前时刻的最小化时间和任务卸载风险优化方程；求解模块用于对确定的当前时刻的最小化时间和任务卸载风险优化方程进行求解从而得到任务卸载策略；任务卸载模块用于根据求解得到的结果对车联网任务进行卸载。
CN202010099216.3A 2020-02-18 2020-02-18 基于服务的车联网任务卸载方法及其卸载装置 Active CN111355779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099216.3A CN111355779B (zh) 2020-02-18 2020-02-18 基于服务的车联网任务卸载方法及其卸载装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099216.3A CN111355779B (zh) 2020-02-18 2020-02-18 基于服务的车联网任务卸载方法及其卸载装置

Publications (2)

Publication Number Publication Date
CN111355779A true CN111355779A (zh) 2020-06-30
CN111355779B CN111355779B (zh) 2021-05-28

Family

ID=71195664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099216.3A Active CN111355779B (zh) 2020-02-18 2020-02-18 基于服务的车联网任务卸载方法及其卸载装置

Country Status (1)

Country Link
CN (1) CN111355779B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052092A (zh) * 2020-09-07 2020-12-08 中山大学 一种风险感知的边缘计算任务分配方法
WO2022028479A1 (zh) * 2020-08-06 2022-02-10 展讯通信（上海）有限公司 车联网发现过程的计算任务增强方法及相关产品
CN114143346A (zh) * 2021-11-29 2022-03-04 广东工业大学 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114675955A (zh) * 2022-04-01 2022-06-28 南京审计大学 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法
CN114710497A (zh) * 2022-03-11 2022-07-05 厦门理工学院 一种车联网多任务卸载最小响应时间获取方法
CN116208669A (zh) * 2023-04-28 2023-06-02 湖南大学 基于智慧灯杆的车载异构网络协同任务卸载方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869151A (zh) * 2015-04-07 2015-08-26 北京邮电大学 一种业务卸载方法及系统
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
CN107317700A (zh) * 2017-06-09 2017-11-03 湖北理工学院 车载边缘计算节点选择系统及方法
CN108777852A (zh) * 2018-05-16 2018-11-09 国网吉林省电力有限公司信息通信公司 一种车联网内容边缘卸载方法、移动资源分配系统
CN108921437A (zh) * 2018-07-10 2018-11-30 电子科技大学 一种基于雾计算的多车辆间多计算任务调度方法
CN108958916A (zh) * 2018-06-29 2018-12-07 杭州电子科技大学 一种移动边缘环境下工作流卸载优化算法
CN109067842A (zh) * 2018-07-06 2018-12-21 电子科技大学 面向车联网的计算任务卸载方法
CN109640320A (zh) * 2018-12-07 2019-04-16 南京邮电大学 一种基于混合noma的移动边缘计算系统计算任务的安全卸载方法
US10304338B1 (en) * 2018-04-26 2019-05-28 At&T Intellectual Property I, L.P. Cooperative intelligent traffic system communication between bicycles
CN109922152A (zh) * 2019-03-13 2019-06-21 中南大学 一种移动边缘计算中的计算卸载方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104869151A (zh) * 2015-04-07 2015-08-26 北京邮电大学 一种业务卸载方法及系统
CN107317700A (zh) * 2017-06-09 2017-11-03 湖北理工学院 车载边缘计算节点选择系统及方法
CN107295109A (zh) * 2017-08-16 2017-10-24 重庆邮电大学 自组织网络云计算中的任务卸载与功率分配联合决策方法
US10304338B1 (en) * 2018-04-26 2019-05-28 At&T Intellectual Property I, L.P. Cooperative intelligent traffic system communication between bicycles
CN108777852A (zh) * 2018-05-16 2018-11-09 国网吉林省电力有限公司信息通信公司 一种车联网内容边缘卸载方法、移动资源分配系统
CN108958916A (zh) * 2018-06-29 2018-12-07 杭州电子科技大学 一种移动边缘环境下工作流卸载优化算法
CN109067842A (zh) * 2018-07-06 2018-12-21 电子科技大学 面向车联网的计算任务卸载方法
CN108921437A (zh) * 2018-07-10 2018-11-30 电子科技大学 一种基于雾计算的多车辆间多计算任务调度方法
CN109640320A (zh) * 2018-12-07 2019-04-16 南京邮电大学 一种基于混合noma的移动边缘计算系统计算任务的安全卸载方法
CN109922152A (zh) * 2019-03-13 2019-06-21 中南大学 一种移动边缘计算中的计算卸载方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGYUN FENG: ""Mobile edge computing for the internet of vehicles:offloading framework and job scheduling"", 《IEEE VEHICULAR TECHNOLOGY MAGAZINE》 *
ZIQING CHENG: ""computation offloading and resoure allocation for mobile edge computing"", 《2019 IEEE SYMPOSIUM SERIES ON COMPUTATIONAL INTELLIGENCE》 *
王浩翔: ""基于博弈论的边缘计算资源分配算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022028479A1 (zh) * 2020-08-06 2022-02-10 展讯通信（上海）有限公司 车联网发现过程的计算任务增强方法及相关产品
CN114095527A (zh) * 2020-08-06 2022-02-25 展讯通信（上海）有限公司 车联网发现过程的计算任务增强方法及相关产品
CN112052092A (zh) * 2020-09-07 2020-12-08 中山大学 一种风险感知的边缘计算任务分配方法
CN112052092B (zh) * 2020-09-07 2024-04-26 中山大学 一种风险感知的边缘计算任务分配方法
CN114143346A (zh) * 2021-11-29 2022-03-04 广东工业大学 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114143346B (zh) * 2021-11-29 2022-11-29 广东工业大学 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114710497A (zh) * 2022-03-11 2022-07-05 厦门理工学院 一种车联网多任务卸载最小响应时间获取方法
CN114710497B (zh) * 2022-03-11 2023-06-02 厦门理工学院 一种车联网多任务卸载最小响应时间获取方法
CN114675955A (zh) * 2022-04-01 2022-06-28 南京审计大学 一种边缘计算环境下多个移动审计设备协同处理计算任务的方法
CN116208669A (zh) * 2023-04-28 2023-06-02 湖南大学 基于智慧灯杆的车载异构网络协同任务卸载方法及系统
CN116208669B (zh) * 2023-04-28 2023-06-30 湖南大学 基于智慧灯杆的车载异构网络协同任务卸载方法及系统
US11930080B1 (en) 2023-04-28 2024-03-12 Hunan University Vehicle-mounted heterogeneous network collaborative task unloading method and system based on smart lamp posts

Also Published As

Publication number Publication date
CN111355779B (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN111355779B (zh) 基于服务的车联网任务卸载方法及其卸载装置
CN112492626B (zh) 一种移动用户计算任务的卸载方法
CN111414252B (zh) 一种基于深度强化学习的任务卸载方法
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN110098969B (zh) 一种面向物联网的雾计算任务卸载方法
CN110868700B (zh) 车载边缘计算环境下基于可分裂任务的协作计算卸载方法
US11861407B2 (en) Method for managing computing capacities in a network with mobile participants
Callegaro et al. Optimal computation offloading in edge-assisted UAV systems
CN111757361B (zh) 一种雾网络中基于无人机辅助的任务卸载方法
CN110113140B (zh) 一种雾计算无线网络中的计算卸载方法
Wang et al. Radio resource allocation for bidirectional offloading in space-air-ground integrated vehicular network
CN111506443B (zh) 服务调用方法、装置、设备和存储介质
CN114513838A (zh) 移动边缘计算方法、框架和介质
CN111491017A (zh) Cors基准站数据分发系统、方法、装置
CN113747507B (zh) 一种面向5g超密集网络的计算资源管理方法及装置
CN116781788B (zh) 服务决策方法以及服务决策装置
CN116567582A (zh) 一种车辆任务卸载方法、装置、电子设备及存储介质
CN116582173B (zh) 基于卫星的分布式网络处理数据的方法、装置及存储介质
CN116737391A (zh) 一种联邦模式下基于混合策略的边缘计算协作方法
CN116170844A (zh) 一种用于工业物联网场景中的数字孪生辅助任务卸载方法
CN116069498A (zh) 一种分布式算力调度方法、装置、电子设备及存储介质
CN112203309B (zh) 一种基于服务器协作的联合任务卸载及缓存方法
CN112002146B (zh) 无人运输设备组网方法、装置、计算机设备和存储介质
US11778506B2 (en) Method for reallocating a data processing peripheral server
CN111309467B (zh) 任务分发方法及装置、电子设备及存储介质

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