CN111479238A - 一种车联网信息处理时延优化方法 - Google Patents

Abstract

本发明涉及一种车联网信息处理时延优化策略以及其实现算法，一个实施例的方法包括：建立车联网移动边缘计算的系统模型，根据现实中边缘服务器的计算、存储资源约束，对不同情况的处理时延进行量化，确定处理时延的表达式；确定优化目标函数，使得整个系统中所有车辆的总时延之和最小；使用二次约束二次规划的方法对目标函数进行优化，确定最佳的任务卸载决策和服务缓存决策，以获得最小的系统总时延。本实施例方案旨在保证系统可用性的同时尽可能的降低车联网信息处理系统的总时延。

Description

一种车联网信息处理时延优化方法

技术领域

本发明涉及无线通信技术领域，特别是涉及一种车联网信息处理时延优化策略以及其实现算法。

背景技术

移动边缘计算(Mobile Edge Computing，MEC)在移动网络的边缘、无线接入网(RAN)和接近移动用户的地方提供了IT服务环境和云计算能力。其目标是减少延迟，确保高效的网络操作和服务交付，并改进用户体验，被认为是5G网络的关键新兴技术之一。车联网(Internet of Vehicles，IoV)是智能交通系统中的一个新兴概念，由于在IoV中融入了先进的通信和信息技术，它有助于解决各种交通和驾驶问题，从而在安全、高效的交通系统中起着至关重要的作用。同时，物联网和无线技术的发展也进一步推动了具有先进功能的新兴车载应用的实现，例如，车载摄像头和汽车实时导航等。

然而，这些计算密集、时延敏感型车载应用的出现，可能会对资源有限的车辆造成很大的压力，使得车辆难以保证应用所需的服务质量。

发明内容

本发明要解决的技术问题是：计算密集、时延敏感型车载应用的出现，可能会对资源有限的车辆造成很大的压力，使得车辆难以保证应用所需的服务质量。

为了解决上述技术问题，本发明的技术方案是提供了一种车联网信息处理时延优化方法，车联网中，M个基站分布在马路边，每个基站都具有边缘计算功能，从而可以向其覆盖范围内的车辆提供计算服务，用m∈{1,2,…,M}表示这一系列的基站，M个基站的覆盖范围互不相交，且覆盖范围的直径分别为L₁,...,L_M，相应的，将马路划分为M段，每段马路的长度分别为L₁,...,L_M，与基站的覆盖范围一一对应，每个基站m拥有有限的存储空间R_m和有限的计算资源F_m，存储空间R_m用于缓存特定计算服务所需的数据，计算资源F_m用于处理从车辆卸载而来的计算任务，服务是由基站掌控并由移动用户请求的应用程序的抽象，假设有K个服务，表示为k∈{1,2,…,K}，每个服务k都需要一个存储空间r_k，在马路的起始点处，总共有N辆车到达，表示为n∈{1,2,…,N}，行驶速度均为V，每辆车有且仅有一个卸载任务，任务的大小是随机的，卸载任务请求的服务k也是随机的，其特征在于，所述方法包括以下步骤：

步骤1、建立车联网移动边缘计算的系统模型，根据现实中边缘服务器的计算、存储资源约束，对不同情况的处理时延进行量化，确定处理时延的表达式，其中，将系统模型分为一个由移动设备、移动边缘计算服务器和云服务器组成的三层卸载结构，移动设备即车辆，具有十分有限的计算能力和大量的计算需求；移动边缘计算服务器和基站放置在一起，可以作为无线接入点将接收到的任务转发给云服务器，也可以代替云服务器直接处理部分信息，云服务器具有大量的可用资源，可以处理系统中任意的信息；

则车辆n的卸载任务的总处理时延T_n的计算表达式如下式所式：

式中，

为车辆n从起点移动到基站m的覆盖范围内产生的移动时延：

其中，L₀＝0，其余L₁,L₂,...,L_m-1均为对应的基站的覆盖范围的直径；

为车辆n的卸载任务从车辆到目标基站的传输时延：

其中，s_m,n为车辆的卸载决策，采用对m求和的方式来计算车辆n的卸载任务从车辆到目标基站的传输时延；d_n,k为卸载任务的数据大小，采用对k求和的方式来计算车辆n的卸载任务从车辆到目标基站的传输时间；w_m,n为分配给基站m与车辆n之间的上行带宽；

为车辆n的卸载任务从目标基站到远程云服务器的传输时延：

其中，s_m,n为车辆的卸载决策，采用对m求和的方式来计算车辆n的卸载任务从目标基站到远程云服务器之间的传输时延；a_m,k为基站m的服务缓存决策，只有当a_m,k＝0，即基站m未缓存卸载任务请求的服务类型时，才需要进一步卸载到远程云端，此时(1-a_m,k)＝1，进而有目标基站与远程云服务器之间的额外传输时延；d_n,k为卸载任务的数据大小，采用对k求和的方式来计算车辆n的卸载任务从目标基站到远程云服务器的传输时延；w_c,m为云服务器与从基站m卸载而来的任务之间的上行带宽；

为车辆n的卸载任务在目标基站上本地处理产生的计算时延：

其中，s_m,n为车辆的卸载决策，采用对m求和的方式来计算车辆n的卸载任务在目标基站上的计算时延；a_m,k为基站的服务缓存决策，为一个0-1变量，只有当基站缓存有相应的服务类型，即a_m,k＝1时，才能在基站本地处理，此时基站本地计算时延才不为零；f_n,k表征卸载任务的大小，采用对k求和的方式来计算车辆n的卸载任务在目标基站上本地处理的计算时延；f_m,n为基站m分配给车辆n的计算资源；

为车辆n的卸载任务在云服务器上处理产生的计算时延：

其中，s_m,n为车辆的卸载决策，为一个0-1变量，只有当车辆n选择基站m，即s_m,n＝1时，车辆n的卸载任务才通过基站m上传到远程云服务器，采用对m求和的方式来计算车辆n的卸载任务在远程云服务器上的计算时延；a_m,k为基站的服务缓存决策，只有当目标基站未缓存有相应的服务类型，即(1-a_m,k)＝1，目标基站才将卸载任务进一步卸载到远程云服务器，此时，卸载任务在云服务器上的计算时延才不为零；f_n,k表征卸载任务的大小，采用对k求和的方式来计算车辆n的卸载任务在云服务器上的计算时延；f_c,m为云服务器分配给从基站m卸载而来的计算任务的计算资源；

步骤2、确定优化目标函数如下式所示，使得整个系统中所有车辆的总时延之和最小：

上式中，

为卸载任务所允许的最大时延；约束条件(1)为车辆的卸载决策约束，限制每辆车只能选择一个目标基站；约束条件(2)为基站的存储容量约束，要求在任意一个基站m∈{1,2,…,M}上缓存的所有服务所需的存储空间之和不超过基站m的存储容量；约束条件(3)为任务处理延迟约束，要求必须在卸载任务所允许的最大时延范围内处理完任务；约束条件(5)和(6)为整数约束，限制s_m,n和a_m，k为0-1变量；

步骤4、使用二次约束二次规划的方法对目标方程(4)、约束条件(1)、约束条件(2)、约束条件(3)、约束条件(5)和约束条件(6)确定的目标函数进行优化，确定最佳的任务卸载决策和服务缓存决策，以获得最小的系统总时延。

优选地，所述步骤4中，所述二次约束二次规划的方法包括以下步骤：

步骤401、将所述约束条件(5)和所述约束条件(6)等价变形为：

步骤402、向量化所述目标方程(4)中的所有变量和参数；

先定义

y_n是车辆n的计算卸载决策向量和所有基站的服务缓存决策向量。

进一步定义

则目标方程(4)转化为如下齐次可分离QCQP形式：

Subjectto

其中，

s＝[1_1×M，0_1×KM]^T

r_m＝[0_{1×[M+(m-1)K]}，r，0_1×(M-m)K]^T

r＝[r₁，...，r_K]^T

c_m＝[0_1×(m-1)，1，0_{1×[(K+1)M-m]}]^T

d_m，k＝[0_{1×[M+(m-1)K+k-1]}，1，0_{1×[(M-m+1)K-k]}]^T

l＝[L₀，L₁，L₁+L₂，...，L₁+L₂+...+L_M-1，0_1×KM]^T

步骤403、运用可分离SDR法，将目标方程(9)放松为一个可分离半定规划问题；

步骤404、求出可分离半定规划问题的最优解

是一个秩为1的对称正半定矩阵；

步骤405、提取出

的最后一列，记为p_n，定义

且

将求得的p_n还原为二进制的计算卸载决策和服务缓存决策。

本发明提供了一种资源受限的车联网移动边缘计算系统中信息处理时延优化策略以及其实现算法，在以提高系统可用性为前提的同时尽可能的减少系统总时延。本发明将移动边缘计算技术引入到车联网中，通过将应用程序从资源受限的车辆迁移到MEC服务器来提高车辆性能；同时，为了提高本方法的适用范围，还考虑了服务缓存问题，服务缓存是指将应用程序服务及其相关数据库/库缓存在与基站共存的边缘服务器中，MEC服务器有限的计算、存储资源只允许同时缓存一小部分服务，缓存那些服务决定了那些任务可以卸载到MEC服务器上，从而显著的影响边缘计算的性能。

附图说明

图1是具体实施方式中的车联网信息处理时延优化系统模型示意图；

图2是具体实施方式中的车联网信息处理时延优化二次约束二次规划算法流程示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中，在说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本发明所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，多移动设备多边缘服务器车联网移动边缘计算系统，考虑将具有有限存储空间和计算资源的基站视为边缘服务器，车辆为移动设备。基站可以提供其传统的网络功能，将接收到的任务转发给远程云服务器，也可以在缓存有相应服务的情况下直接处理一些任务。通过合理决策计算卸载和服务缓存，最小化移动设备的卸载任务处理时延，改善用户体验。

如图1所示，本发明考虑了一个单向的马路，路边分布着M个基站，每个基站都具有边缘计算功能，从而可以向其覆盖范围内的车辆提供计算服务。本发明用m∈{1，2，…，M}表示这一系列的基站，由于每个基站所处环境不同，导致每个基站的无线覆盖范围也可能不同，本发明假设各个基站的覆盖范围互不相交，且覆盖范围的直径分别为L₁，...，L_M。相应的，本发明把马路划分为M段，每段的长度分别为L₁，...，L_M，与基站的覆盖范围一一对应。每个基站m拥有有限的存储空间R_m，用于缓存特定计算服务所需的数据(例如：库或数据库)，和有限的计算资源F_m，用于处理从车辆卸载而来的计算任务。

服务是由基站掌控并由移动用户请求的应用程序的抽象。例如，这些服务包括视频流媒体、社交游戏、导航和增强现实。运行特定的服务需要在基站上缓存相关的数据，比如所需的库或数据库。假设有K个服务，表示为k∈{1，2，…，K}。每个服务k都需要一个存储空间r_k，因此，服务在所需的存储空间方面具有异质性。在马路的起始点处，总共有N辆车到达，表示为n∈{1，2，…，N}，行驶速度均为V。此外，每辆车有且仅有一个卸载任务，任务的大小是随机的，卸载任务请求的服务k也是随机的。

每辆车有且仅有一个卸载任务，卸载任务的大小以及请求的服务都具有随机性，不同车辆请求的服务类型可以相同也可以不同。车辆n请求的服务为k的卸载任务可描述为

其中，f_n，k表示计算任务μ_n，k所需的计算资源，即完成任务需要的总的CPU转数；d_n，k表示计算任务μ_n，k的数据大小；

表示完成计算任务μ_n，k的截止时间，即完成卸载任务所允许的最大时延。由于每辆车有且仅有一个卸载任务，从而车辆n的卸载任务集合{μ_n，1，μ_n，2，...，μ_n，K}中，只有一种类型的卸载任务的大小不为零，其余类型的大小均为零。

本发明使用一个二进制决策变量s_m，n∈{0,1}表示车辆n的卸载决策，即如果车辆n选择基站m作为它的目标基站，并将卸载任务卸载到该基站上，则有s_m,n＝1，否则，s_m,n＝0。从而车辆n的卸载决策为

且每辆车只能选择一个目标基站，可表述为如下约束条件：

每个基站需要做出服务缓存决策。缓存服务k使得请求服务k的卸载任务可以在网络边缘本地进行处理，从而减小计算时延，改善用户体验。然而由于一个基站的存储资源有限，不能同时缓存所有的服务。因此，基站必须明智地决策缓存哪些服务，更确切的说是决定缓存服务集合

的一个子集。本发明使用一个二进制决策变量a_m,k∈{0,1}表示基站m是否缓存服务k，若基站m上缓存服务k，则有a_m,k＝1，否则，a_m,k＝0。从而基站m的服务缓存决策为

且每个基站的服务缓存决策满足以下约束条件：

上式表明在某个基站m∈{1,2,…,M}上缓存的所有服务所需的存储空间之和不能超过该基站m的存储容量。

车联网一个重要特征是车辆具有移动性，因此，在本实施例中，本发明考虑了车辆的移动时延。当车辆n选择基站m作为目标基站时，需要先行驶到基站m的覆盖范围内。在本实施例中，本发明考虑到达每个基站覆盖范围的起点处即可向该基站传输数据，从而车辆n行驶到基站m的覆盖范围产生的移动时延为车辆需要行驶的距离除以车辆的行驶速度V。特别指出，当车辆n选择基站1作为它的目标基站时，需要行驶的距离为零，即无移动时延产生。从而，车辆n从起点移动到基站m的覆盖范围内产生的移动时延

的表达式如下：

其中，L₀＝0，其余L₁,L₂,...,L_m-1均为对应的基站的覆盖范围的直径。

在本实施例中，不考虑下行传输时延。对每一个卸载任务μ_n,k而言，可能在基站上处理也可能通过基站转发到远程云服务器处理，具体取决于计算卸载决策和服务缓存决策。

假设w_m,n为分配给基站m与车辆n之间的上行带宽，为已知量。从而，对于车辆n的卸载任务而言，无论在基站m本地处理还是在远程云服务器上处理，车辆n首先都要将整个卸载任务卸载到它选择的目标基站上。对于车辆n的卸载任务μ_n,k而言，从车辆n到基站m产生的传输时延为

其中，s_m,n为车辆的卸载决策，为一个0-1变量，只有当车辆n选择基站m，即s_m,n＝1时，车辆n与基站m之间的传输时延才不为零，反之传输时延为零。同理，d_n,k为计算任务的数据大小，只有当该种类型的数据大小不为零时，才需要卸载。从而车辆n的卸载任务从车辆到目标基站的传输时延

为：

其中，s_m,n为车辆的卸载决策，由于任意一辆车n∈{1,2,...,N}都只选择了一个基站作为目标基站，所以在目标基站未知的情况下本发明采用对m求和的方式来计算车辆n的卸载任务从车辆到目标基站的传输时延。同理，d_n,k为卸载任务的数据大小，由于每个车辆的卸载任务请求的服务类型具有随机性，且每辆车有且仅有一个卸载任务，所以在服务类型未知的情况下我们采用对k求和的方式来计算车辆n的卸载任务从车辆到目标基站的传输时间。综上所述，形成了上述车辆n的卸载任务从车辆到目标基站的传输时延计算表达式。

此外，当基站m未缓存相应的服务k时，基站m无法在本地处理卸载任务，需将卸载任务进一步卸载到远程云服务器，产生了基站和云服务器之间的额外传输时延。设w_c,m为云服务器与从基站m卸载而来的任务之间的上行带宽，由于基站与云服务器之间通常是有线传输，具有很高的信道容量，从而w_c,m可视为一个提前设定好的值。因此对于车辆n而言，计算任务μ_n,k从基站m到云服务器产生的传输时延为

其中，s_m,n为车辆的卸载决策，为一个0-1变量，只有当车辆n选择基站m，即s_m,n＝1时，车辆n的卸载任务才通过基站m上传到云端。同理，d_n,k为计算任务的数据大小，只有当该种类型的数据大小不为零时，才需要卸载。a_m,k为基站的服务缓存决策，为一个0-1变量，只有当基站m未缓存服务k，即(1-a_m,k)＝1，基站m无法本地处理卸载任务，需要将卸载任务提交给远程云服务器，进而产生了基站m与云服务器之间的额外传输时延。从而车辆n的卸载任务从目标基站到远程云服务器的传输时延

为：

其中，s_m,n为车辆的卸载决策，由于任意一辆车n∈{1,2,...,N}都只选择了一个基站作为目标基站，所以在目标基站未知的情况下，本发明采用对m求和的方式来计算车辆n的卸载任务从目标基站到远程云服务器之间的传输时延；a_m,k为基站m的服务缓存决策，只有当a_m,k＝0，即基站m未缓存卸载任务请求的服务类型时，才需要进一步卸载到远程云端，此时(1-a_m,k)＝1，进而有目标基站与远程云服务器之间的额外传输时延；d_n,k为卸载任务的数据大小，由于每个车辆的卸载任务请求的服务类型具有随机性，且每辆车有且仅有一个卸载任务，所以在服务类型未知的情况下，本发明采用对k求和的方式来计算车辆n的卸载任务从目标基站到远程云服务器的传输时延。综上所述，形成了上述车辆n的卸载任务从目标基站到远程云服务器的传输时延计算表达式。

对于车辆n的卸载任务而言，车辆n将整个卸载任务卸载到它选择的目标基站上，当目标基站缓存有相应的服务类型时，卸载任务将在目标基站本地进行处理，否则，将进一步卸载到远程云服务器进行处理，具体取决于车辆的卸载决策和基站的服务缓存决策。

假设f_m,n为基站m分配给车辆n的计算资源，为已知量。对于车辆n的卸载任务μ_n,k而言，在基站m上处理的时间为

其中，S_m,n为车辆的卸载决策，为一个0-1变量，只有当车辆n选择基站m，即s_m,n＝1时，车辆n的卸载任务才有可能在基站m上处理。同理，f_n,k与d_n,k的本质相同，都是用来表征计算任务的大小，只有当该种类型的任务大小不为零时，才需要卸载；a_m,k为基站m的服务缓存决策，为一个0-1变量，只有当基站m缓存有服务k，即a_m,k＝1时，基站m才能本地处理卸载任务，此时车辆n的卸载任务在基站m上本地处理的时间才不为零。从而车辆n的卸载任务在目标基站上本地处理产生的计算时延

为：

其中，s_m,n为车辆的卸载决策，由于任意一辆车n∈{1,2,...,N}都只选择了一个基站作为目标基站，所以在目标基站未知的情况下，本发明采用对m求和的方式来计算车辆n的卸载任务在目标基站上的计算时延；a_m,k为基站的服务缓存决策，只有当基站缓存有相应的服务类型，即a_m,k＝1时，才能在基站本地处理，此时基站本地计算时延才不为零；f_n,k表征卸载任务的大小，由于每个车辆的卸载任务请求的服务类型具有随机性，且每辆车有且仅有一个卸载任务，所以在服务类型未知的情况下，本发明采用对k求和的方式来计算车辆n的卸载任务在目标基站上本地处理的计算时延。综上所述，形成了上述车辆n的卸载任务在目标基站上本地处理的计算时延表达式。

当目标基站未缓存相应的服务时，基站无法本地处理卸载任务，会将计算任务提交给远程云服务器处理。设f_c,m为云服务器分配给从基站m卸载而来的计算任务的计算资源，由于云服务器通常具有丰富且充足的计算资源，从而f_c,m可视为一个提前设定的值。从而车辆n的卸载任务在云服务器上处理产生的计算时延

为：

其中，s_m,n为车辆的卸载决策，为一个0-1变量，只有当车辆n选择基站m，即s_m,n＝1时，车辆n的卸载任务才通过基站m上传到远程云服务器，由于任意一辆车n∈{1,2,...,N}都只选择了一个基站作为目标基站，所以在目标基站未知的情况下，本发明采用对m求和的方式来计算车辆n的卸载任务在远程云服务器上的计算时延；a_m,k为基站的服务缓存决策，只有当目标基站未缓存有相应的服务类型，即(1-a_m,k)＝1，目标基站才将卸载任务进一步卸载到远程云服务器，此时，卸载任务在云服务器上的计算时延才不为零；f_n,k表征卸载任务的大小，由于每个车辆的卸载任务请求的服务类型具有随机性，且每辆车有且仅有一个卸载任务，所以在服务类型未知的情况下，本发明采用对k求和的方式来计算车辆n的卸载任务在云服务器上的计算时延。综上所述，形成了上述车辆n的卸载任务在远程云服务器上处理的计算时延表达式。

结合上述分析，一个卸载任务的处理时延主要由三部分产生，分别为车辆的移动性、无线传输和计算。因此，任务处理的总时延也可以相应的划分为三部分：第一部分为车辆n从起点移动到目标基站的覆盖范围所需的时间；第二部分为卸载任务通过无线传输从车辆到基站，再从基站到远程云服务器的总传输时间，取决于车辆n获得的通信资源、任务大小以及基站的服务缓存决策等；第三部分为计算时间，取决于车辆n和基站m获得的计算资源、任务大小以及基站的服务缓存决策等。从而，车辆n的卸载任务的总处理时延T_n为三部分之和，具体的计算表达式如下：

满足时延约束条件：

上式表明必须在卸载任务所允许的最大时延

范围内处理完任务。

本实施例的目的在于减少整个系统中所有车辆的任务处理时延成本，并保证任务所需的服务质量，服务质量通过传输和计算产生的总时延大小来衡量，总时延越低，服务质量越高。本发明将系统的总时延成本定义为所有用户的移动时延、任务传输时延和任务计算时延的总和。本发明的目标是通过联合优化计算卸载决策和服务缓存决策来最小化系统总时延成本。优化目标问题的表达式如下：

Subjectto

上文中，约束条件(1)为车辆的卸载决策约束，限制每辆车只能选择一个目标基站；约束条件(2)为基站的存储容量约束，要求在任意一个基站m∈{1,2,…,M}上缓存的所有服务所需的存储空间之和不超过基站m的存储容量；约束条件(3)为任务处理延迟约束，要求必须在卸载任务所允许的最大时延范围内处理完任务；约束条件(5)和(6)为整数约束，限制s_m,n和a_m,k为0-1变量。

在本实例中，本发明使用二次约束二次规划方法对时延成本最小化问题进行求解。

首先，我们将约束条件(5)和(6)等价变形为：

接下来，本发明向量化目标方程(4)中的所有变量和参数。定义：

y_n是车辆n的计算卸载决策向量和所有基站的服务缓存决策向量。

通过进一步定义

目标方程(4)可以转化为如下齐次可分离QCQP形式：

Subjectto

其中，

s＝[1_1×M,0_1×KM]^T

r_m＝[0_1×[M+m-1K],r,0_1×(M-m)K]^T

r＝[r₁,...,r_K]^T

c_m＝[0_1×(m-1),1,0_{1×[(K+1)M-m]}]^T

d_m，k＝[0_{1×[M+(m-1)K+k-1]}，1,0_{1×[(M-m+1)K-k]}]^T

l＝[L₀,L₁,L₁+L₂,...,L₁+L₂+…+L_M-1,0_1×KM]^T

优化目标方程(9)与优化目标方程(4)是等价的，所有的约束条件都一一对应。

优化目标方程(9)是一个可分离QCQP问题。为寻找一个近似的解，本发明运用可分离SDR法，将目标方程(9)放松为一个可分离半定规划(Separable SemidefiniteProgramming，SDP)问题。SDR是一种强大的、计算效率高的近似技术，适用于许多非常困难的优化问题，特别是它几乎可以以一种机械的方式应用到许多非凸的QCQP问题上。大量的实践实验已经表明，SDR能够提供精确或是接近最优的近似。推导SDR过程中重要的第一步是观察到如下等式：

b^TDb＝Tr(b^TDb)＝Tr(Dbb^T)

b^TE_ib＝Tr(b^TE_ib)＝Tr(E_ibb^T)

回到目标方程(9)，注意到该方程本身及其约束条件在矩阵

中都是线性的，从而本发明引入一个新的变量

得到如下等式：

并注意到

等价于方阵Z_n是一个秩为1的对称正半定(PositiveSemidefinite，PSD)矩阵。利用Z_n，获得了目标方程(9)的如下等价形式：

Subject to

在这里，本发明用

来表示矩阵Z_n是PSD矩阵。

到这一步后，似乎没有取得太大的进展，因为目标方程(10)和目标方程(9)一样难解。但是，目标方程(10)使我们能够确定的解决目标方程(9)的根本困难。事实上，解决目标方程(10)的唯一困难在于约束条件rank(Z_n)＝1，这是非凸的，而目标方程(10)和其他约束条件都是关于Z_n凸的。因此，不妨删去约束条件rank(Z_n)＝1获得目标方程(10)的放松版本的目标方程(11)：

Subject to

在删去秩为1的约束条件后，上述目标方程(11)就变成了目标方程(9)的一个SDP。

此时，目标方程(11)解

很容易通过数学工具求出，例如凸优化工具包CVX。但是天下没有免费的午餐，在将非确定性多项式难度的目标方程(9)转化为多项式时间内可解的问题时，另一个基本的问题产生了，即如何将目标方程(11)的全局最优解转变目标方程(9)的一个可行解。如果，

的秩为1，那我们就不需要做什么了，此时

就是一个可行且最优的解。但是另一方面，如果

不具有秩为1，那么目标方程(11)的最优解只是目标方程(9)的最优解的一个下界。此时，一旦我们获得了

我们还需要针对原目标方程(4)从

中恢复一个秩为1的解。接下来，我们提出了一个算法来获得原目标方程(4)的二进制计算卸载决策和服务缓存决策。

我们定义计算卸载决策向量为

其中对于任意n∈{1,2,...,N}有：

定义基站的服务缓存决策向量为

其中对于任意m∈{1,2,...,M}有：

由于从放松后的目标方程(11)中删除了秩为1的约束，因此从目标方程(11)得到的解

中只包含实数。我们注意到在z_n中，只有前(K+1)M个元素是我们所需要的决策变量。在这(K+1)M个元素中，前M个元素为车辆n的计算卸载决策，针对于不同的用户可能有不同的卸载决策；后K×M个元素为所有基站的服务缓存决策，该部分针对于所有的用户均相同。此外，有

且z_n((K+1)M+1)＝1，这意味着Z_n的最后一列满足等式

因此，利用Z_n(k,(K+1)M+1)的值来恢复二进制的计算卸载决策s_n(k),k＝1,2,...,M和服务缓存决策a_m(k),k＝M+(m-1)K+1,M+(m-1)K+2,...,M+mK。同时，注意到Z_n(k,(K+1)M+1)∈[0,1],k＝1,2,3,...,(K+1)M。定义

且

我们用p_n恢复可行解

其中，

为四舍五入后的值，进而获得了整个系统的决策为

针对每一个

我们有前M个元素为车辆n的任务卸载决策s_n，后K×M个元素为所有基站的服务缓存决策A。

Claims (2)

1.一种车联网信息处理时延优化方法，车联网中，M个基站分布在马路边，每个基站都具有边缘计算功能，从而可以向其覆盖范围内的车辆提供计算服务，用m∈{1，2，…，M}表示这一系列的基站，M个基站的覆盖范围互不相交，且覆盖范围的直径分别为L₁，...，L_M，相应的，将马路划分为M段，每段马路的长度分别为L₁，...，L_M，与基站的覆盖范围一一对应，每个基站m拥有有限的存储空间R_m和有限的计算资源F_m，存储空间R_m用于缓存特定计算服务所需的数据，计算资源F_m用于处理从车辆卸载而来的计算任务，服务是由基站掌控并由移动用户请求的应用程序的抽象，假设有K个服务，表示为k∈{1，2，…，K}，每个服务k都需要一个存储空间r_k，在马路的起始点处，总共有N辆车到达，表示为n∈{1，2，…，N}，行驶速度均为V，每辆车有且仅有一个卸载任务，任务的大小是随机的，卸载任务请求的服务k也是随机的，其特征在于，所述方法包括以下步骤：

步骤1、建立车联网移动边缘计算的系统模型，根据现实中边缘服务器的计算、存储资源约束，对不同情况的处理时延进行量化，确定处理时延的表达式，其中，将系统模型分为一个由移动设备、移动边缘计算服务器和云服务器组成的三层卸载结构，移动设备即车辆，具有十分有限的计算能力和大量的计算需求；移动边缘计算服务器和基站放置在一起，可以作为无线接入点将接收到的任务转发给云服务器，也可以代替云服务器直接处理部分信息，云服务器具有大量的可用资源，可以处理系统中任意的信息；

则车辆n的卸载任务的总处理时延T_n的计算表达式如下式所式：

式中，

为车辆n从起点移动到基站m的覆盖范围内产生的移动时延：

其中，L₀＝0，其余L₁，L₂，...，L_m-1均为对应的基站的覆盖范围的直径；

为车辆n的卸载任务从车辆到目标基站的传输时延：

其中，s_m，n为车辆的卸载决策，采用对m求和的方式来计算车辆n的卸载任务从车辆到目标基站的传输时延；d_n，k为卸载任务的数据大小，采用对k求和的方式来计算车辆n的卸载任务从车辆到目标基站的传输时间；w_m，n为分配给基站m与车辆n之间的上行带宽；

为车辆n的卸载任务从目标基站到远程云服务器的传输时延：

其中，s_m，n为车辆的卸载决策，采用对m求和的方式来计算车辆n的卸载任务从目标基站到远程云服务器之间的传输时延；a_m，k为基站m的服务缓存决策，只有当a_m，k＝0，即基站m未缓存卸载任务请求的服务类型时，才需要进一步卸载到远程云端，此时(1-a_m，k)＝1，进而有目标基站与远程云服务器之间的额外传输时延；d_n，k为卸载任务的数据大小，采用对k求和的方式来计算车辆n的卸载任务从目标基站到远程云服务器的传输时延；w_c，m为云服务器与从基站m卸载而来的任务之间的上行带宽；

为车辆n的卸载任务在目标基站上本地处理产生的计算时延：

其中，s_m，n为车辆的卸载决策，采用对m求和的方式来计算车辆n的卸载任务在目标基站上的计算时延；a_m，k为基站的服务缓存决策，为一个0-1变量，只有当基站缓存有相应的服务类型，即a_m，k＝1时，才能在基站本地处理，此时基站本地计算时延才不为零；f_n，k表征卸载任务的大小，采用对k求和的方式来计算车辆n的卸载任务在目标基站上本地处理的计算时延；f_m，n为基站m分配给车辆n的计算资源；

为车辆n的卸载任务在云服务器上处理产生的计算时延：

其中，s_m，n为车辆的卸载决策，为一个0-1变量，只有当车辆n选择基站m，即s_m，n＝1时，车辆n的卸载任务才通过基站m上传到远程云服务器，采用对m求和的方式来计算车辆n的卸载任务在远程云服务器上的计算时延；a_m，k为基站的服务缓存决策，只有当目标基站未缓存有相应的服务类型，即(1-a_m，k)＝1，目标基站才将卸载任务进一步卸载到远程云服务器，此时，卸载任务在云服务器上的计算时延才不为零；f_n，k表征卸载任务的大小，采用对k求和的方式来计算车辆n的卸载任务在云服务器上的计算时延；f_c，m为云服务器分配给从基站m卸载而来的计算任务的计算资源；

步骤2、确定优化目标函数如下式所示，使得整个系统中所有车辆的总时延之和最小：

上式中，

为卸载任务所允许的最大时延；约束条件(1)为车辆的卸载决策约束，限制每辆车只能选择一个目标基站；约束条件(2)为基站的存储容量约束，要求在任意一个基站m∈{1，2，…，M}上缓存的所有服务所需的存储空间之和不超过基站m的存储容量；约束条件(3)为任务处理延迟约束，要求必须在卸载任务所允许的最大时延范围内处理完任务；约束条件(5)和(6)为整数约束，限制s_m，n和C_m，k为0-1变量；

步骤4、使用二次约束二次规划的方法对目标方程(4)、约束条件(1)、约束条件(2)、约束条件(3)、约束条件(5)和约束条件(6)确定的目标函数进行优化，确定最佳的任务卸载决策和服务缓存决策，以获得最小的系统总时延。

2.如权利要求1所述的一种车联网信息处理时延优化方法，其特征在于，所述步骤4中，所述二次约束二次规划的方法包括以下步骤：

步骤401、将所述约束条件(5)和所述约束条件(6)等价变形为：

步骤402、向量化所述目标方程(4)中的所有变量和参数；

先定义

yn是车辆n的计算卸载决策向量和所有基站的服务缓存决策向量。

进一步定义

则目标方程(4)转化为如下齐次可分离QCQP形式：

Subject to

其中，

s＝[1_1×M，0_1×KM]^T

r_m＝[0_{1×[M+(m-1)K]}，r，0_1×(M-m)K]^T

r＝[r₁，...，r_K]^T

c_m＝[0_1×(m-1)，1，0_{1×[(K+1)M-m]}]^T

d_m，k＝[0_{1×[M+(m-1)K+k-1]}，1，0_{1×[(M-m+1)K-k]}]^T

l＝[L₀，L₁，L₁+L₂，...，L₁+L₂+...+L_M-1，0_1×KM]^T

步骤403、运用可分离SDR法，将目标方程(9)放松为一个可分离半定规划问题；

步骤404、求出可分离半定规划问题的最优解

是一个秩为1的对称正半定矩阵；

步骤405、提取出

的最后一列，记为pn，定义

且

将求得的pn还原为二进制的计算卸载决策和服务缓存决策。

Images