CN111538583A - 一种移动环境下车联网的低延迟协同任务处理方法及装置 - Google Patents

一种移动环境下车联网的低延迟协同任务处理方法及装置 Download PDF

Info

Publication number
CN111538583A
CN111538583A CN202010577329.XA CN202010577329A CN111538583A CN 111538583 A CN111538583 A CN 111538583A CN 202010577329 A CN202010577329 A CN 202010577329A CN 111538583 A CN111538583 A CN 111538583A
Authority
CN
China
Prior art keywords
vehicle
task
representing
time
resource
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
CN202010577329.XA
Other languages
English (en)
Other versions
CN111538583B (zh
Inventor
包卫东
朱晓敏
张大宇
王吉
闫辉
吴梦
肖振亮
牛莅原
门通
欧阳佶
张亮
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010577329.XA priority Critical patent/CN111538583B/zh
Publication of CN111538583A publication Critical patent/CN111538583A/zh
Application granted granted Critical
Publication of CN111538583B publication Critical patent/CN111538583B/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
    • G06F9/46—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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种移动环境下车联网的低延迟协同任务处理方法及装置，包括：建立客户端车辆
Figure 871628DEST_PATH_IMAGE001
在车联网中发布协作任务的协作模型；定义客户端车辆
Figure 476178DEST_PATH_IMAGE001
和资源代理车辆
Figure 245551DEST_PATH_IMAGE002
之间的连接时间
Figure 484902DEST_PATH_IMAGE003
、通信能力影响参数
Figure 579897DEST_PATH_IMAGE004
、数据传输速率
Figure 904699DEST_PATH_IMAGE005
和资源代理车辆
Figure 743342DEST_PATH_IMAGE002
的处理能力
Figure 368359DEST_PATH_IMAGE006
；基于连接时间
Figure 132790DEST_PATH_IMAGE003
、通信能力影响参数
Figure 476047DEST_PATH_IMAGE004
、数据传输速率
Figure 852801DEST_PATH_IMAGE005
和资源代理车辆
Figure 332324DEST_PATH_IMAGE002
的处理能力
Figure 769122DEST_PATH_IMAGE006
建立可靠性模型；基于可靠性模型建立任务调度优化模型；基于任务调度优化模型得到任务调度算法；基于任务调度算法得到最佳任务调度策略；根据最佳任务调度策略指导协作模型执行协作任务。本申请通过可靠性模型最大化任务处理的可靠性，通过任务调度算法在保证任务可靠性的前提下尽量减小协作任务的时延。

Description

一种移动环境下车联网的低延迟协同任务处理方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种移动环境下车联网的低延迟协同任务处理方法及装置。
背景技术
目前车联网面临工作环境和通信质量不确定的问题，车辆需要低延迟、高效且可靠的任务处理模式，这在实时车载应用中的需求更加迫切。车辆资源共享的协同计算具有许多应用背景和前景，但是到目前为止，现有技术关于任务可靠性的研究很少，对于车辆之间的协同处理，还没有一种可靠的任务卸载方法；现有技术中大多数车辆任务通过路边单元（RSU）上传到数据中心，在实际应用中，不良的通讯条件或通讯阻塞将导致过多的任务处理时间，现有技术不能在考虑任务可靠性的同时支持车辆之间的协作任务处理；现有技术在分析车辆之间的任务处理时，假设已知车辆的加入时间或推出时间，并不能准确的模拟实际应用中的约束；在恶劣的通信环境中，现有技术没有考虑通信能力的变化，而且现有技术也没有考虑不同车辆具有不同的处理能力，环境的快速变化，拓扑结构以及效率的不确定性会显著影响车载应用的质量和可靠性。
发明内容
有鉴于此，本申请一个或多个实施例的目的在于提出一种移动环境下车联网的低延迟协同任务处理方法及装置，以解决现有技术车辆协作处理的时间长、没有考虑通信能力、没有考虑处理能力以及协作任务的可靠性不足的问题。
基于上述目的，本申请一个或多个实施例提供了一种移动环境下车联网的低延迟协同任务处理方法，其特征在于，包括：
建立客户端车辆
Figure 4070DEST_PATH_IMAGE001
在车联网中发布协作任务的协作模型；
定义所述客户端车辆
Figure 575997DEST_PATH_IMAGE001
和资源代理车辆
Figure 673266DEST_PATH_IMAGE002
之间的连接时间
Figure 630727DEST_PATH_IMAGE003
、通信能力影响参数
Figure 788038DEST_PATH_IMAGE004
、数据传输速率
Figure 581682DEST_PATH_IMAGE005
和所述资源代理车辆
Figure 951483DEST_PATH_IMAGE002
的处理能力
Figure 264915DEST_PATH_IMAGE006
；
基于所述连接时间
Figure 858708DEST_PATH_IMAGE003
、通信能力影响参数
Figure 874068DEST_PATH_IMAGE007
、数据传输速率
Figure 234511DEST_PATH_IMAGE005
和资源代理车辆的处理能力
Figure 917297DEST_PATH_IMAGE006
建立可靠性模型；
基于所述可靠性模型建立任务调度优化模型；
基于所述任务调度优化模型得到任务调度算法；
基于所述任务调度算法得到最佳任务调度策略；
根据所述最佳任务调度策略指导所述协作模型执行所述协作任务。
基于同一发明构思，本申请一个或多个实施例还提出了一种移动环境下车联网的低延迟协同任务处理装置，包括：
第一建立模块，被配置为建立客户端车辆
Figure 416411DEST_PATH_IMAGE001
在车联网中发布协作任务的协作模型；
定义模块，被配置为定义所述客户端车辆
Figure 778122DEST_PATH_IMAGE001
和资源代理车辆
Figure 381404DEST_PATH_IMAGE002
之间的连接时间
Figure 43330DEST_PATH_IMAGE003
、通信能力影响参数
Figure 854291DEST_PATH_IMAGE007
、数据传输速率
Figure 93511DEST_PATH_IMAGE005
和所述资源代理车辆
Figure 139965DEST_PATH_IMAGE002
的处理能力
Figure 62921DEST_PATH_IMAGE006
；
第二建立模块，被配置为基于所述连接时间
Figure 529937DEST_PATH_IMAGE003
、通信能力影响参数
Figure 131820DEST_PATH_IMAGE007
、数据传输速率
Figure 591751DEST_PATH_IMAGE005
和资源代理车辆
Figure 962689DEST_PATH_IMAGE002
的处理能力
Figure 833562DEST_PATH_IMAGE006
建立可靠性模型；
第三建立模块，被配置为基于所述可靠性模型建立任务调度优化模型；
第一计算模块，被配置为基于所述任务调度优化模型得到任务调度算法；
第二计算模块，被配置为基于所述任务调度算法得到最佳任务调度策略；
执行模块，被配置为根据所述最佳任务调度策略指导所述协作模型执行所述协作任务。
从上面所述可以看出，本申请一个或多个实施例提供的一种移动环境下车联网的低延迟协同任务处理方法及装置，建立客户端车辆
Figure 657162DEST_PATH_IMAGE001
在车联网中发布协作任务的协作模型使得车辆之间可以共享计算资源，从而平衡计算任务的不均匀分布，减轻移动网络的负担，并提高任务处理的效率；通过定义客户端车辆
Figure 920784DEST_PATH_IMAGE001
和所述资源代理车辆
Figure 146229DEST_PATH_IMAGE008
之间的连接时间
Figure 955047DEST_PATH_IMAGE003
以保证通过时间参数的计算减小协作任务的延迟，定义通信能力影响参数
Figure 265943DEST_PATH_IMAGE007
、数据传输速率
Figure 192311DEST_PATH_IMAGE005
和资源代理车辆
Figure 147628DEST_PATH_IMAGE002
的处理能力
Figure 766828DEST_PATH_IMAGE006
实现考虑不同车辆的通信能力、数据传输能力和任务处理能力的情况下，更准确的模拟通信能力、数据传输能力和任务处理能力不确定的情况下协作任务的处理场景；建立可靠性模型能够在考虑工作状态和通信质量不确定的情况下提高协作任务处理的可靠性；基于可靠性模型建立的任务调度优化模型可以在保证可靠性的同事提高任务处理的时效性，减小协作任务处理的时间；通过任务调度算法得到的最佳任务调度策略实现了满足利润约束的协同任务处理的可靠调度，充分考虑了车辆本地计算、车辆间一步共享计算和车辆间两步共享计算的情况，使得协作模型在执行协作任务时具有更高的可靠性和更好的对环境变化的适应性，提高了协作任务完成率、车联网资源利用率、时效性和车辆之间的任务协作率。
附图说明
为了更清楚地说明本申请一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个或多个实施例中协同任务处理方法的流程示意图；
图2为本申请一个或多个实施例中第一算法的算法框架图；
图3为本申请一个或多个实施例中第二算法的算法框架图；
图4为本申请一个或多个实施例中第三算法的算法框架图；
图5为本申请一个或多个实施例中协同任务处理装置的示意图；
图6为本申请一个或多个实施例中性能评估实验的实验场景示意图；
图7（a）为本申请一个或多个实施例中CDF的通信速率状态实验图；
图7（b）为本申请一个或多个实施例中PDF的通信速率状态实验图；
图8（a）为本申请一个或多个实施例中任务到达间隔对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务完成率的影响的实验图；
图8（b）为本申请一个或多个实施例中任务到达间隔对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务时间与车辆在线时间的比率的影响的实验图；
图8（c）为本申请一个或多个实施例中任务到达间隔对CLC算法、LFSC算法、RBSC算法和任务调度算法的平均结余时间的影响的实验图；
图8（d）为本申请一个或多个实施例中任务到达间隔对CLC算法、LFSC算法、RBSC算法和任务调度算法的协作任务率的影响的实验图；
图9（a）为本申请一个或多个实施例中任务计算量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务完成率的影响的实验图；
图9（b）为本申请一个或多个实施例中任务计算量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务时间与车辆在线时间的比率的影响的实验图；
图9（c）为本申请一个或多个实施例中任务计算量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的平均结余时间的影响的实验图；
图9（d）为本申请一个或多个实施例中任务计算量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的协作任务率的影响的实验图；
图10（a）为本申请一个或多个实施例中任务传输大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务完成率的影响的实验图；
图10（b）为本申请一个或多个实施例中任务传输大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务时间与车辆在线时间的比率的影响的实验图；
图10（c）为本申请一个或多个实施例中任务传输大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的平均结余时间的影响的实验图；
图10（d）为本申请一个或多个实施例中任务传输大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的协作任务率的影响的实验图；
图11（a）为本申请一个或多个实施例中车辆数量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务完成率的影响的实验图；
图11（b）为本申请一个或多个实施例中车辆数量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的任务时间与车辆在线时间的比率的影响的实验图；
图11（c）为本申请一个或多个实施例中车辆数量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的平均结余时间的影响的实验图；
图11（d）为本申请一个或多个实施例中车辆数量大小对CLC算法、LFSC算法、RBSC算法和任务调度算法的协作任务率的影响的实验图；
图12（a）为本申请一个或多个实施例中CLC算法、LFSC算法、RBSC算法和任务调度算法对于任务完成率平均表现的实验图；
图12（b）为本申请一个或多个实施例中CLC算法、LFSC算法、RBSC算法和任务调度算法对于任务时间与车辆在线时间的比率的平均表现的实验图；
图12（c）为本申请一个或多个实施例中CLC算法、LFSC算法、RBSC算法和任务调度算法对于平均结余时间的平均表现的实验图；
图12（d）为本申请一个或多个实施例中CLC算法、LFSC算法、RBSC算法和任务调度算法对于协作任务率的平均表现的实验图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本申请一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本申请一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
针对现有技术中车辆协作处理的时间长、没有考虑通信能力、没有考虑处理能力以及协作任务的可靠性不足的问题，本申请一个或多个实施例提供了一种移动环境下车联网的低延迟协同任务处理方法及装置。
参考图1，本申请发明人通过研究发现现有技术不能在考虑任务可靠性的同时支持车辆之间的协作任务处理，本申请发明人通过建立可靠性模型，从而保证在通信质量和工作环境不确定的情况下保证协作任务的可靠性；现有技术中任务处理时间长，且对环境变化的适应性低的问题，本申请发明人提出一种任务调度算法，从而提高了协作任务完成率、车联网资源利用率、时效性和车辆之间的任务协作率。因此本申请一个或多个实施例提供的方法，包括以下步骤：
S101建立客户端车辆
Figure 424075DEST_PATH_IMAGE009
在车联网中发布协作任务的协作模型。
本实施例中，假设多个车辆通过车载自组织网络（也可称为VANET）相互连接，并且通过直接连接或中继节点在车辆之间执行数据传输从而实现计算资源共享与协作方案，公路车辆的生成的任务包括本地计算和共享计算两种执行方法，对于本地计算，车辆使用自己的资源来处理任务队列中的任务，而对于共享计算，车辆将任务卸载到周围的车辆，使用其他车辆的资源来执行任务，最终从周围的车辆获得任务处理结果。对于共享计算，在城市道路模型中，客户端车辆发出任务请求，在客户端车辆的可用通信范围内，存在资源代理车辆为客户端车辆提供资源共享，并完成协作任务，如果客户端车辆的可用通信范围内不存在资源代理车辆，则在道路模型中存在的转运车会将客户端车辆发布的任务进行转运，客户端车辆发布的任务会通过两步共享计算的方式通过资源代理车辆和被卸载的目标车辆共同协作从而完成协作任务，每一辆车都有一个任务队列，每辆车同时扮演计算任务的请求者和执行者两种角色，即每辆车同时扮演客户端车辆和资源代理车辆。本实施例中，基于车载自组织网络的任务调度，建立客户端车辆
Figure 888554DEST_PATH_IMAGE010
在车联网中发布协作任务的协作模型，包括：
Figure 963957DEST_PATH_IMAGE011
个相互独立的工作的集合
Figure 488480DEST_PATH_IMAGE012
，其中
Figure 508388DEST_PATH_IMAGE013
表示n个相互独立的工作；对于任意
Figure 668236DEST_PATH_IMAGE014
，有
Figure 722780DEST_PATH_IMAGE015
，其中
Figure 293570DEST_PATH_IMAGE016
表示协作任务的开始时间，
Figure 66354DEST_PATH_IMAGE017
表示协作任务的终止时间，
Figure 997270DEST_PATH_IMAGE018
表示协作任务传输大小，
Figure 906320DEST_PATH_IMAGE019
表示协作任务计算大小，通信量以字节为单位，计算量以百万指令（MIPS）为单位。协作任务传输大小包括：初始协作任务大小
Figure 913590DEST_PATH_IMAGE020
和协作任务结果大小
Figure 908091DEST_PATH_IMAGE021
，即
Figure 409742DEST_PATH_IMAGE022
。协作模型中将
Figure 438878DEST_PATH_IMAGE023
定义为可以协助客户端车辆
Figure 897277DEST_PATH_IMAGE009
进行协作任务处理的车辆集合。客户端车辆
Figure 706970DEST_PATH_IMAGE024
被建模为
Figure 120634DEST_PATH_IMAGE025
，其中
Figure 630375DEST_PATH_IMAGE026
表示客户端车辆
Figure 838502DEST_PATH_IMAGE009
的位置，
Figure 682961DEST_PATH_IMAGE009
表示客户端车辆
Figure 165895DEST_PATH_IMAGE024
的速度，
Figure 294257DEST_PATH_IMAGE027
表示客户端车辆
Figure 79811DEST_PATH_IMAGE009
的通信状态，
Figure 536200DEST_PATH_IMAGE028
表示客户端车辆的计算能力。
Figure 183344DEST_PATH_IMAGE026
包括：相对位置关系
Figure 775999DEST_PATH_IMAGE029
以及初始距离
Figure 466875DEST_PATH_IMAGE030
，即
Figure 144981DEST_PATH_IMAGE031
，定义客户端车辆
Figure 828772DEST_PATH_IMAGE009
向右行驶为基准，用数字1表示资源代理车辆
Figure 275934DEST_PATH_IMAGE032
在客户端车辆
Figure 137710DEST_PATH_IMAGE009
的上方，用数字2表示资源代理车辆
Figure 834271DEST_PATH_IMAGE033
在客户端车辆
Figure 557639DEST_PATH_IMAGE009
的左侧，用数字3表示资源代理车辆
Figure 124886DEST_PATH_IMAGE033
在客户端车辆
Figure 891985DEST_PATH_IMAGE009
的下方，用数字4表示资源代理车辆
Figure 544683DEST_PATH_IMAGE033
在客户端车辆
Figure 570277DEST_PATH_IMAGE009
的前方道路，即
Figure 257610DEST_PATH_IMAGE034
。
Figure 461190DEST_PATH_IMAGE035
包括：车辆的移动方向
Figure 601184DEST_PATH_IMAGE036
和车辆移动速度
Figure 774676DEST_PATH_IMAGE037
，即
Figure 942615DEST_PATH_IMAGE038
。定义
Figure 441729DEST_PATH_IMAGE039
表示客户端车辆
Figure 678807DEST_PATH_IMAGE009
朝向路口中心移动，否则，
Figure 921569DEST_PATH_IMAGE040
。由于考虑到网络拓扑的高频变化和信息的保密性，所以本申请考虑车辆之间两步范围内的连接。客户端车辆
Figure 708128DEST_PATH_IMAGE009
的本地计算被定义为
Figure 378144DEST_PATH_IMAGE041
，
Figure 961572DEST_PATH_IMAGE042
表示客户端车辆
Figure 883392DEST_PATH_IMAGE009
在本地执行任务
Figure 399824DEST_PATH_IMAGE043
，否则
Figure 855121DEST_PATH_IMAGE044
。对于共享计算，将客户端车辆
Figure 191424DEST_PATH_IMAGE009
和资源代理车辆
Figure 385776DEST_PATH_IMAGE045
的一步共享计算定义为
Figure 756715DEST_PATH_IMAGE046
，而
Figure 893167DEST_PATH_IMAGE047
表示客户端车辆
Figure 982346DEST_PATH_IMAGE009
执行协作任务
Figure 980389DEST_PATH_IMAGE043
，将
Figure 205834DEST_PATH_IMAGE043
卸载到资源代理车辆
Figure 388553DEST_PATH_IMAGE045
并获取结果，否则
Figure 325548DEST_PATH_IMAGE048
。将由资源代理车辆
Figure 251915DEST_PATH_IMAGE045
连接的客户端车辆
Figure 207233DEST_PATH_IMAGE009
和被卸载的目标车辆
Figure 560854DEST_PATH_IMAGE049
的两步共享计算定义为
Figure 483679DEST_PATH_IMAGE050
，其中
Figure 213738DEST_PATH_IMAGE051
表示客户端车辆
Figure 289141DEST_PATH_IMAGE009
通过资源代理车辆
Figure 548084DEST_PATH_IMAGE032
将
Figure 833572DEST_PATH_IMAGE052
卸载到被卸载的目标车辆
Figure 993420DEST_PATH_IMAGE049
以执行协作任务并获取结果，否则
Figure 47964DEST_PATH_IMAGE053
。
S102定义所述客户端车辆
Figure 353175DEST_PATH_IMAGE009
和资源代理车辆
Figure 125959DEST_PATH_IMAGE045
之间的连接时间
Figure 322453DEST_PATH_IMAGE054
、通信能力影响参数
Figure 231504DEST_PATH_IMAGE055
、数据传输速率
Figure 238774DEST_PATH_IMAGE056
和所述资源代理车辆
Figure 233275DEST_PATH_IMAGE045
的处理能力
Figure 843248DEST_PATH_IMAGE057
。
本实施例中，使用曼哈顿运动模型模拟城市道路上车辆的运动，只包括水平道路和垂直道路，两条街道之间的距离为
Figure 232903DEST_PATH_IMAGE058
，车辆沿道路水平或垂直移动。在交叉路口，车辆以给定的概率转弯或执行，可以从道路交通的历史数据中获得每个方向的移动概率。客户端车辆
Figure 535708DEST_PATH_IMAGE009
通过交叉路口时会更新其网络拓扑，更新网络拓扑的时间通过人为记录。本实施例估算了可以为不同位置的资源代理车辆
Figure 892871DEST_PATH_IMAGE059
提供给客户端车辆
Figure 306535DEST_PATH_IMAGE009
的资源共享时间。资源代理车辆
Figure 314811DEST_PATH_IMAGE059
有两个移动方向，
Figure 522939DEST_PATH_IMAGE059
的移动方向
Figure 367398DEST_PATH_IMAGE060
表示
Figure 584753DEST_PATH_IMAGE059
驶向路口，
Figure 57322DEST_PATH_IMAGE059
的移动方向
Figure 328029DEST_PATH_IMAGE061
表示
Figure 784418DEST_PATH_IMAGE059
驶离路口。在这两种情况下，客户端车辆
Figure 415251DEST_PATH_IMAGE009
和资源代理车辆
Figure 273485DEST_PATH_IMAGE059
之间的连接时间取决于它们的速度和初始位置。第一情况，当资源代理车辆
Figure 213628DEST_PATH_IMAGE059
驶向交叉路口，且资源代理车辆
Figure 32680DEST_PATH_IMAGE059
在发生转向前与客户端车辆
Figure 591837DEST_PATH_IMAGE009
之间的距离超出通信范围时，即
Figure 930677DEST_PATH_IMAGE062
，其中，
Figure 917087DEST_PATH_IMAGE063
表示资源代理车辆
Figure 957856DEST_PATH_IMAGE059
的初始距离，
Figure 55125DEST_PATH_IMAGE064
表示资源代理车辆
Figure 12585DEST_PATH_IMAGE059
的移动速度，此时连接时间
Figure 904318DEST_PATH_IMAGE054
表示为
Figure 557016DEST_PATH_IMAGE065
， （1）
其中，
Figure 333342DEST_PATH_IMAGE066
表示所述资源代理车辆
Figure 20676DEST_PATH_IMAGE033
相对于所述客户端车辆
Figure 974987DEST_PATH_IMAGE010
的相对位置关系。第二情况，当资源代理车辆
Figure 114982DEST_PATH_IMAGE033
驶向交叉路口，且资源代理车辆
Figure 163840DEST_PATH_IMAGE033
在发生转向前与客户端车辆
Figure 971259DEST_PATH_IMAGE009
之间的距离不超出通信范围时，即
Figure 329428DEST_PATH_IMAGE067
，此时分别考虑资源代理车辆
Figure 956719DEST_PATH_IMAGE033
的不同转向情况，当资源代理车辆
Figure 763263DEST_PATH_IMAGE033
左转时，
Figure 159609DEST_PATH_IMAGE068
表示资源代理车辆
Figure 704991DEST_PATH_IMAGE032
在交叉路口左转的概率，资源代理车辆
Figure 819578DEST_PATH_IMAGE033
左转时与客户端车辆
Figure 990665DEST_PATH_IMAGE009
的连接时间
Figure 975938DEST_PATH_IMAGE069
表示为
Figure 816856DEST_PATH_IMAGE070
（2）
当资源代理车辆
Figure 294104DEST_PATH_IMAGE033
直行时，
Figure 878670DEST_PATH_IMAGE071
表示资源代理车辆
Figure 887425DEST_PATH_IMAGE033
在交叉路口直行的概率，资源代理车辆
Figure 899244DEST_PATH_IMAGE033
直行时与客户端车辆
Figure 598209DEST_PATH_IMAGE009
的连接时间
Figure 720886DEST_PATH_IMAGE072
表示为
Figure 70965DEST_PATH_IMAGE073
（3）
当资源代理车辆
Figure 519264DEST_PATH_IMAGE045
右转时，
Figure 705526DEST_PATH_IMAGE074
表示资源代理车辆
Figure 631893DEST_PATH_IMAGE045
在交叉路口右转的概率，资源代理车辆
Figure 603523DEST_PATH_IMAGE045
右转时与客户端车辆
Figure 957144DEST_PATH_IMAGE009
的连接时间
Figure 489756DEST_PATH_IMAGE075
表示为
Figure 95181DEST_PATH_IMAGE076
（4）
综合第二情况中资源代理车辆
Figure 295218DEST_PATH_IMAGE059
在不同转向情况中的连接时间，第二情况的连接时间
Figure 678795DEST_PATH_IMAGE077
表示为
Figure 964283DEST_PATH_IMAGE078
（5）
第三情况，当资源代理车辆
Figure 107819DEST_PATH_IMAGE059
驶离交叉路口，且资源代理车辆
Figure 162363DEST_PATH_IMAGE059
不直行时，连接时间
Figure 857787DEST_PATH_IMAGE077
表示为
Figure 256669DEST_PATH_IMAGE079
（6）
第四情况，当资源代理车辆
Figure 62951DEST_PATH_IMAGE033
驶离交叉路口，且资源代理车辆
Figure 112947DEST_PATH_IMAGE033
直行时，如果
Figure 713692DEST_PATH_IMAGE080
或
Figure 98406DEST_PATH_IMAGE081
，则说明资源代理车辆
Figure 442800DEST_PATH_IMAGE033
在转弯之前与客户端车辆
Figure 471936DEST_PATH_IMAGE009
的距离超出了通信范围，如果
Figure 650107DEST_PATH_IMAGE082
，则说明资源代理车辆
Figure 131904DEST_PATH_IMAGE033
在发生转向之前可以与客户端车辆
Figure 906087DEST_PATH_IMAGE009
保持通信连接，第四情况的连接时间
Figure 789730DEST_PATH_IMAGE077
表示为
Figure 138803DEST_PATH_IMAGE083
（7）
本实施例中，通过引入通信能力影响参数
Figure 107896DEST_PATH_IMAGE084
来评估车辆之间的通信状态对数据传输的影响，
Figure 794092DEST_PATH_IMAGE084
越大，车辆之间的通信质量越高，假设
Figure 922454DEST_PATH_IMAGE084
遵循参数为
Figure 567062DEST_PATH_IMAGE085
和
Figure 633238DEST_PATH_IMAGE086
的Beta分布，即
Figure 388704DEST_PATH_IMAGE087
，其中，
Figure 607458DEST_PATH_IMAGE085
表示所述通信能力影响参数
Figure 422968DEST_PATH_IMAGE084
的第一Beta分布参数，
Figure 101074DEST_PATH_IMAGE086
表示所述通信能力影响参数
Figure 535597DEST_PATH_IMAGE088
的第二Beta分布参数，Beta分布的值域为[0,1]，这与干扰因素对实际情况下性能的影响是一致的，通信能力影响参数
Figure 248338DEST_PATH_IMAGE088
的概率密度函数表示为
Figure 828224DEST_PATH_IMAGE089
（8）
其中，
Figure 259205DEST_PATH_IMAGE090
表示所述通信能力影响参数
Figure 231841DEST_PATH_IMAGE088
的Beta函数。
本实施例中，假设资源代理车辆
Figure 64667DEST_PATH_IMAGE045
和客户端车辆
Figure 690821DEST_PATH_IMAGE009
之间的数据传输速率具有额定值
Figure 235197DEST_PATH_IMAGE091
，在
Figure 136157DEST_PATH_IMAGE088
的影响下的实际传输速率
Figure 433277DEST_PATH_IMAGE005
可以表示为：
Figure 495911DEST_PATH_IMAGE092
。数据传输速率
Figure 760539DEST_PATH_IMAGE005
的概率密度函数表示为
Figure 465190DEST_PATH_IMAGE093
（9）
其中，
Figure 882396DEST_PATH_IMAGE094
表示数据传输速率
Figure 115931DEST_PATH_IMAGE005
的第一Beta分布参数，
Figure 743222DEST_PATH_IMAGE095
表示数据传输速率
Figure 612083DEST_PATH_IMAGE005
的第二Beta分布参数，
Figure 8429DEST_PATH_IMAGE096
表示数据传输速率
Figure 288232DEST_PATH_IMAGE005
的Beta函数。
对于资源共享的车辆，影响车辆数据处理能力的因素有很多，其中车辆的环境对任务处理能力具有非常大的影响，合适的工作环境使得车辆拥有更好的处理能力，而在极端的工作环境中，车辆的处理能力会变差，影响车辆的处理能力的因素几乎都是动态的，所以本实施例中引入了参数
Figure 402818DEST_PATH_IMAGE097
来表示资源代理车辆
Figure 308326DEST_PATH_IMAGE059
的最大处理能力
Figure 824758DEST_PATH_IMAGE098
和资源代理车辆
Figure 541041DEST_PATH_IMAGE059
的处理能力
Figure 142924DEST_PATH_IMAGE099
之间的关系，可以得到
Figure 461910DEST_PATH_IMAGE100
，考虑到工作环境的不确定性，本申请假设
Figure 458947DEST_PATH_IMAGE097
遵循参数为
Figure 470765DEST_PATH_IMAGE101
和
Figure 169731DEST_PATH_IMAGE102
Beta分布，即
Figure 557987DEST_PATH_IMAGE103
，其中
Figure 642487DEST_PATH_IMAGE101
表示资源代理车辆
Figure 825206DEST_PATH_IMAGE059
的处理能力
Figure 277047DEST_PATH_IMAGE099
的第一Beta分布参数，
Figure 937836DEST_PATH_IMAGE102
表示资源代理车辆
Figure 17787DEST_PATH_IMAGE059
的处理能力
Figure 251367DEST_PATH_IMAGE099
的第二Beta分布参数，在
Figure 783980DEST_PATH_IMAGE097
的影响下，资源代理车辆
Figure 389405DEST_PATH_IMAGE059
的处理能力
Figure 323863DEST_PATH_IMAGE099
的概率密度函数表示为
Figure 848385DEST_PATH_IMAGE104
（10）
其中，
Figure 258507DEST_PATH_IMAGE105
表示资源代理车辆
Figure 526677DEST_PATH_IMAGE033
的处理能力
Figure 456587DEST_PATH_IMAGE099
的Beta函数。
S103基于所述连接时间
Figure 417590DEST_PATH_IMAGE106
、通信能力影响参数
Figure 285314DEST_PATH_IMAGE084
、数据传输速率
Figure 357175DEST_PATH_IMAGE005
和资源代理车辆
Figure 407170DEST_PATH_IMAGE033
的处理能力
Figure 273495DEST_PATH_IMAGE099
建立可靠性模型。
本实施例中，为了实现任务协同处理的高可靠性，采用了任务备份策略，但是由于不同车辆的工作环境和通信质量不同，满足每个协作任务的可靠性要求所需的备份数量也不同，而且在不同模式下，处理协作任务的可靠性也不同，基于连接时间
Figure 658209DEST_PATH_IMAGE107
、通信能力影响参数
Figure 268182DEST_PATH_IMAGE084
、数据传输速率
Figure 172684DEST_PATH_IMAGE005
和资源代理车辆
Figure 209910DEST_PATH_IMAGE033
的处理能力
Figure 583385DEST_PATH_IMAGE099
建立的可靠性模型需要针对不同模式进行可靠性的评估，包括：本地计算可靠性模型，本地计算是指由客户端车辆
Figure 997049DEST_PATH_IMAGE009
生成的任务由其自身执行，不涉及与其他车辆的数据传输。因此，本地计算的可靠性主要取决于车辆任务处理能力，本地计算可靠性模型定义的参数包括：本地计算最早开始时间
Figure 615112DEST_PATH_IMAGE108
，具体为对于客户端车辆
Figure 964185DEST_PATH_IMAGE009
上的本地计算，可用于开始处理协作任务
Figure 933278DEST_PATH_IMAGE109
的最早时间，本地计算最早开始时间
Figure 744108DEST_PATH_IMAGE108
表示为
Figure 747836DEST_PATH_IMAGE110
（11）
其中，
Figure 2231DEST_PATH_IMAGE111
表示客户端车辆
Figure 458620DEST_PATH_IMAGE009
完成当前工作以处理协作任务
Figure 840185DEST_PATH_IMAGE109
的空闲时间，
Figure 432841DEST_PATH_IMAGE112
表示
Figure 248350DEST_PATH_IMAGE109
的开始时间；本地计算可用处理时间
Figure 67401DEST_PATH_IMAGE113
，具体为协作任务终止时间
Figure 360979DEST_PATH_IMAGE114
和本地计算最早开始时间
Figure 932775DEST_PATH_IMAGE108
之间的时间间隔，本地计算可用处理时间
Figure 919186DEST_PATH_IMAGE115
表示为
Figure 225533DEST_PATH_IMAGE116
（12）
本地计算处理时间
Figure 11218DEST_PATH_IMAGE117
，具体为协作任务长度
Figure 312886DEST_PATH_IMAGE118
与客户端车辆
Figure 345564DEST_PATH_IMAGE009
的处理能力
Figure 263841DEST_PATH_IMAGE119
的比值，本地计算处理时间
Figure 758277DEST_PATH_IMAGE117
表示为
Figure 445610DEST_PATH_IMAGE120
（13）
假设客户端车辆
Figure 649189DEST_PATH_IMAGE009
在理想工作条件下具有额定数据处理能力，而实际中客户端车辆
Figure 789184DEST_PATH_IMAGE009
的处理能力
Figure 119933DEST_PATH_IMAGE119
服从Beta分布，即
Figure 396194DEST_PATH_IMAGE121
，其中
Figure 895308DEST_PATH_IMAGE122
表示客户端车辆
Figure 663544DEST_PATH_IMAGE009
的处理能力
Figure 375148DEST_PATH_IMAGE119
的第一Beta分布参数，
Figure 161707DEST_PATH_IMAGE123
表示客户端车辆
Figure 831723DEST_PATH_IMAGE009
的处理能力
Figure 556097DEST_PATH_IMAGE119
的第二Beta分布参数，定义
Figure 336971DEST_PATH_IMAGE124
为客户端车辆
Figure 479501DEST_PATH_IMAGE009
在理想的工作环境中执行协作任务
Figure 54839DEST_PATH_IMAGE125
所需的最短时间，本地计算处理时间
Figure 656722DEST_PATH_IMAGE117
的概率密度函数表示为
Figure 116653DEST_PATH_IMAGE126
（14）
其中，
Figure 487592DEST_PATH_IMAGE127
表示客户端车辆
Figure 358465DEST_PATH_IMAGE009
的处理能力
Figure 182064DEST_PATH_IMAGE119
的Beta函数。利用
Figure 445686DEST_PATH_IMAGE128
表示协作任务
Figure 671131DEST_PATH_IMAGE109
在客户端车辆
Figure 479950DEST_PATH_IMAGE009
上的本地计算时间的期望值，利用本地计算处理时间
Figure 790845DEST_PATH_IMAGE129
的概率密度函数求得
Figure 717213DEST_PATH_IMAGE128
表示为
Figure 672531DEST_PATH_IMAGE130
（15）
根据本地计算可靠性模型中的参数的分析，可以用
Figure 291731DEST_PATH_IMAGE131
表示
Figure 480136DEST_PATH_IMAGE132
的概率分布函数，最终得到本地计算的可靠性表示为
Figure 819981DEST_PATH_IMAGE133
（16）
其中，
Figure 754439DEST_PATH_IMAGE134
表示客户端车辆
Figure 544541DEST_PATH_IMAGE010
的最大处理能力
Figure 14767DEST_PATH_IMAGE135
和客户端车辆
Figure 282937DEST_PATH_IMAGE010
的处理能力
Figure 212847DEST_PATH_IMAGE136
之间的关系，
Figure 908270DEST_PATH_IMAGE137
表示本地计算中
Figure 415475DEST_PATH_IMAGE009
完成协作任务的最短时间。可靠性模型，还包括：一步共享计算可靠性模型，一步共享计算首先将协作任务转移到相邻的车辆。然后，目标车辆处理该协作任务并将结果返回给客户端车辆
Figure 611970DEST_PATH_IMAGE009
。为了表示一步共享计算的可靠性，假定由
Figure 521020DEST_PATH_IMAGE009
生成的任
Figure 528290DEST_PATH_IMAGE109
务是通过一步共享计算在
Figure 257212DEST_PATH_IMAGE138
上处理。一步共享计算可靠性模型定义的参数包括：一步共享计算协作任务卸载时间
Figure 758863DEST_PATH_IMAGE139
，具体为将协作任务
Figure 787999DEST_PATH_IMAGE109
从
Figure 559646DEST_PATH_IMAGE009
卸载到
Figure 182388DEST_PATH_IMAGE138
的传输时间，
Figure 596052DEST_PATH_IMAGE140
表示为
Figure 338749DEST_PATH_IMAGE141
（17）
定义协作任务
Figure 546876DEST_PATH_IMAGE142
的最短卸载时间
Figure 391335DEST_PATH_IMAGE143
，因为
Figure 608690DEST_PATH_IMAGE144
遵循Beta分布，所以
Figure 81260DEST_PATH_IMAGE145
的概率密度函数表示为
Figure 351966DEST_PATH_IMAGE146
（18）
Figure 808355DEST_PATH_IMAGE147
的期望值
Figure 173609DEST_PATH_IMAGE148
可以表示为
Figure 31843DEST_PATH_IMAGE149
（19）
一步共享计算结果返回时间
Figure 971986DEST_PATH_IMAGE150
，具体为
Figure 384513DEST_PATH_IMAGE045
将结果返回到
Figure 943671DEST_PATH_IMAGE009
花费任务传输时间，
Figure 531778DEST_PATH_IMAGE151
表示为
Figure 518188DEST_PATH_IMAGE152
（20）
其中，
Figure 309689DEST_PATH_IMAGE153
代表协作任务
Figure 406958DEST_PATH_IMAGE109
的计算结果大小。定义
Figure 849572DEST_PATH_IMAGE154
代表
Figure 6884DEST_PATH_IMAGE045
任返回任务计算结果的最短时间。因为资源代理车辆
Figure 784216DEST_PATH_IMAGE045
向客户端车辆
Figure 419596DEST_PATH_IMAGE009
传输数据的数据传输速率
Figure 106930DEST_PATH_IMAGE155
遵循Beta分布，所以
Figure 310509DEST_PATH_IMAGE156
的概率密度函数表示为
Figure 184924DEST_PATH_IMAGE157
（21）
其中，
Figure 250094DEST_PATH_IMAGE158
表示
Figure 791934DEST_PATH_IMAGE159
的第一Beta分布参数，
Figure 166415DEST_PATH_IMAGE160
表示
Figure 528126DEST_PATH_IMAGE159
的第二Beta分布参数，
Figure 770889DEST_PATH_IMAGE161
表示
Figure 557448DEST_PATH_IMAGE159
的Beta函数。根据
Figure 227464DEST_PATH_IMAGE156
的概率密度函数可以获得
Figure 686258DEST_PATH_IMAGE156
的期望值
Figure 732711DEST_PATH_IMAGE162
的表达式为
Figure 875242DEST_PATH_IMAGE163
（22）
一步共享计算的最早开始时间
Figure 716159DEST_PATH_IMAGE164
，具体为
Figure 786883DEST_PATH_IMAGE165
可用于开始处理协作任务
Figure 512394DEST_PATH_IMAGE109
的最早时间，
Figure 617753DEST_PATH_IMAGE164
表示为
Figure 754205DEST_PATH_IMAGE166
（23）
其中，
Figure 843384DEST_PATH_IMAGE167
表示
Figure 575848DEST_PATH_IMAGE168
完成当前工作以处理协作任务
Figure 66872DEST_PATH_IMAGE169
的空闲时间，
Figure 875690DEST_PATH_IMAGE170
表示
Figure 921007DEST_PATH_IMAGE171
的期望值。一步共享计算的最晚完成时间
Figure 847374DEST_PATH_IMAGE172
，具体为
Figure 68271DEST_PATH_IMAGE165
协助
Figure 156313DEST_PATH_IMAGE009
完成协作任务
Figure 79138DEST_PATH_IMAGE109
的最晚完成时间，
Figure 809197DEST_PATH_IMAGE172
表示为
Figure 884600DEST_PATH_IMAGE173
（24）
其中，
Figure 409123DEST_PATH_IMAGE174
表示协作任务的失效时间，
Figure 320709DEST_PATH_IMAGE175
是
Figure 588879DEST_PATH_IMAGE165
与
Figure 643423DEST_PATH_IMAGE009
的预计离开时间，
Figure 214213DEST_PATH_IMAGE175
是
Figure 986997DEST_PATH_IMAGE009
最新拓扑更新时间与
Figure 183492DEST_PATH_IMAGE176
之和。一步共享计算的可用处理时间
Figure 826963DEST_PATH_IMAGE177
，具体为
Figure 834233DEST_PATH_IMAGE178
和
Figure 828734DEST_PATH_IMAGE164
之间的时间差，
Figure 438707DEST_PATH_IMAGE177
表示为
Figure 816643DEST_PATH_IMAGE179
（25）
一步共享计算的处理时间
Figure 119449DEST_PATH_IMAGE180
，具体为
Figure 476612DEST_PATH_IMAGE118
与
Figure 624696DEST_PATH_IMAGE181
的比值，
Figure 632972DEST_PATH_IMAGE182
表示为
Figure 106679DEST_PATH_IMAGE183
（26）
Figure 951138DEST_PATH_IMAGE184
遵循Beta分布，所以
Figure 902914DEST_PATH_IMAGE182
的期望值表示为
Figure 641063DEST_PATH_IMAGE185
（27）
其中，
Figure 911769DEST_PATH_IMAGE186
表示
Figure 102579DEST_PATH_IMAGE182
的第一Beta分布参数，
Figure 733412DEST_PATH_IMAGE187
表示
Figure 591646DEST_PATH_IMAGE182
的第二Beta分布参数，
Figure 266210DEST_PATH_IMAGE188
是协作任务
Figure 944316DEST_PATH_IMAGE109
完成的最短时间。根据本地计算可靠性模型中的参数的分析，可以用
Figure 503474DEST_PATH_IMAGE189
表示
Figure 91581DEST_PATH_IMAGE190
的概率分布函数，最终得到本地计算的可靠性表示为
Figure 812412DEST_PATH_IMAGE191
（28）
可靠性模型，还包括：两步共享计算可靠性模型，在两步共享计算中存在中间车辆，作为中继节点，即被卸载的目标车辆
Figure 603913DEST_PATH_IMAGE192
，任务数据通过中间车辆卸载到两步范围内的目标车辆，为了显示两步共享计算的可靠性，假定由
Figure 701182DEST_PATH_IMAGE193
生成的协作任务
Figure 409375DEST_PATH_IMAGE194
通过
Figure 301108DEST_PATH_IMAGE195
卸载到
Figure 953806DEST_PATH_IMAGE192
上处理。两步共享计算可靠性模型定义的参数包括：两步共享计算协作任务卸载时间
Figure 979399DEST_PATH_IMAGE196
，具体为两步共享计算的数据卸载时间包括两个部分，由
Figure 401154DEST_PATH_IMAGE193
生成的任务被卸载至
Figure 604733DEST_PATH_IMAGE195
的卸载时间
Figure 744727DEST_PATH_IMAGE197
和
Figure 809897DEST_PATH_IMAGE195
将任务卸载到
Figure 617316DEST_PATH_IMAGE192
的卸载时间
Figure 178748DEST_PATH_IMAGE198
，
Figure 212563DEST_PATH_IMAGE196
表示为
Figure 455325DEST_PATH_IMAGE199
（29）
其中
Figure 477770DEST_PATH_IMAGE197
和
Figure 147786DEST_PATH_IMAGE198
是相互独立的。定义
Figure 137739DEST_PATH_IMAGE200
是
Figure 918613DEST_PATH_IMAGE193
完成协作任务
Figure 294100DEST_PATH_IMAGE194
卸载至
Figure 135017DEST_PATH_IMAGE195
的最短时间，
Figure 612265DEST_PATH_IMAGE201
是
Figure 931251DEST_PATH_IMAGE195
完成协作任务
Figure 302190DEST_PATH_IMAGE194
卸载至
Figure 940107DEST_PATH_IMAGE192
的最短时间，其中
Figure 29285DEST_PATH_IMAGE202
表示
Figure 761749DEST_PATH_IMAGE195
和
Figure 987194DEST_PATH_IMAGE192
之间的数据传输速率的额定值，
Figure 825706DEST_PATH_IMAGE196
的期望值表示为
Figure 871023DEST_PATH_IMAGE203
（30）
其中，
Figure 672756DEST_PATH_IMAGE204
表示
Figure 18287DEST_PATH_IMAGE205
的第一Beta分布参数，
Figure 106329DEST_PATH_IMAGE206
表示
Figure 530619DEST_PATH_IMAGE205
的第二Beta分布参数。两步共享计算的结果返回时间
Figure 260678DEST_PATH_IMAGE207
，具体为
Figure 336081DEST_PATH_IMAGE192
传送到
Figure 595024DEST_PATH_IMAGE195
后将结果传输到车辆
Figure 5146DEST_PATH_IMAGE193
所需的传输时间，包括
Figure 273316DEST_PATH_IMAGE208
和
Figure 203226DEST_PATH_IMAGE192
将结果传至
Figure 164229DEST_PATH_IMAGE195
花费的传输时间，
Figure 671434DEST_PATH_IMAGE209
表示为
Figure 103814DEST_PATH_IMAGE210
（31）
其中，
Figure 278444DEST_PATH_IMAGE211
表示
Figure 20135DEST_PATH_IMAGE195
和
Figure 280215DEST_PATH_IMAGE193
之间的任务传输速率，
Figure 14821DEST_PATH_IMAGE212
表示
Figure 43957DEST_PATH_IMAGE192
和
Figure 956550DEST_PATH_IMAGE195
之间的任务传输速率。由于
Figure 438346DEST_PATH_IMAGE213
和
Figure 489828DEST_PATH_IMAGE214
相互独立，因此
Figure 373470DEST_PATH_IMAGE207
的期望值表示为
Figure 581597DEST_PATH_IMAGE215
（32）
其中，
Figure 426057DEST_PATH_IMAGE216
表示
Figure 377832DEST_PATH_IMAGE217
的第一Beta分布参数，
Figure 506194DEST_PATH_IMAGE218
表示
Figure 885223DEST_PATH_IMAGE219
的第二Beta分布参数，
Figure 216978DEST_PATH_IMAGE220
表示
Figure 972445DEST_PATH_IMAGE221
的第一Beta分布参数，
Figure 191199DEST_PATH_IMAGE222
表示
Figure 6708DEST_PATH_IMAGE221
的第二Beta分布参数，
Figure 684814DEST_PATH_IMAGE223
表示在
Figure 119337DEST_PATH_IMAGE192
和
Figure 832078DEST_PATH_IMAGE195
之间返回结果的最短时间，
Figure 411964DEST_PATH_IMAGE224
表示
Figure 842946DEST_PATH_IMAGE195
和
Figure 815581DEST_PATH_IMAGE193
之间传输的最短时间。两步共享计算的最早开始时间
Figure 382828DEST_PATH_IMAGE225
，具体为
Figure 274561DEST_PATH_IMAGE192
可用于开始处理任务
Figure 818937DEST_PATH_IMAGE226
的最早时间，
Figure 719897DEST_PATH_IMAGE227
表示为
Figure 17017DEST_PATH_IMAGE228
（33）
其中，
Figure 79651DEST_PATH_IMAGE229
表示
Figure 344279DEST_PATH_IMAGE195
完成本地计算中当前工作以处理协作任务
Figure 48930DEST_PATH_IMAGE194
的空闲时间。两步共享计算的最晚完成时间
Figure 466136DEST_PATH_IMAGE230
，具体为
Figure 699671DEST_PATH_IMAGE192
协助
Figure 326962DEST_PATH_IMAGE193
完成任务
Figure 195823DEST_PATH_IMAGE194
的最晚完成时间，
Figure 326590DEST_PATH_IMAGE231
表示为
Figure 871972DEST_PATH_IMAGE232
（34）
其中，
Figure 986558DEST_PATH_IMAGE233
表示由
Figure 892066DEST_PATH_IMAGE234
计算的车辆离开时间，
Figure 142919DEST_PATH_IMAGE235
表示由
Figure 983836DEST_PATH_IMAGE236
计算的车辆离开时间，
Figure 461085DEST_PATH_IMAGE236
表示
Figure 780071DEST_PATH_IMAGE195
和
Figure 777108DEST_PATH_IMAGE192
之间的连接时间。两步共享计算的可用处理时间
Figure 788926DEST_PATH_IMAGE237
，具体为
Figure 487892DEST_PATH_IMAGE231
和
Figure 610569DEST_PATH_IMAGE225
之间的时间间隔，
Figure 836014DEST_PATH_IMAGE237
表示为
Figure 143367DEST_PATH_IMAGE238
。 （35）
根据两步共享计算可靠性模型中的参数的分析，最终得到两步共享计算的可靠性表示为
Figure 454263DEST_PATH_IMAGE239
（36）
综合本地计算的可靠性、一步共享计算的可靠性和两步共享计算的可靠性得到协作任务的联合可靠性，联合可靠性表示为
Figure 255997DEST_PATH_IMAGE240
（37）
其中，
Figure 335948DEST_PATH_IMAGE241
表示可以协助
Figure 581247DEST_PATH_IMAGE195
进行协作任务处理的车辆集合。
S104基于所述可靠性模型建立任务调度优化模型。
本实施例中，由于任务的时效性直接影响
Figure 113860DEST_PATH_IMAGE193
的QoS，所以需要利用满意度函数表述完成协作任务带来的收益，对于协作任务
Figure 843918DEST_PATH_IMAGE194
，
Figure 653742DEST_PATH_IMAGE193
的满意度函数表示为
Figure 443844DEST_PATH_IMAGE242
（38）
其中，
Figure 853966DEST_PATH_IMAGE243
表示每个时间节省的单位收益，
Figure 856557DEST_PATH_IMAGE244
表示完成协作任务花费的时间。考虑到协作任务的备份，
Figure 786467DEST_PATH_IMAGE244
应该是所有备份中的最短耗时，
Figure 747469DEST_PATH_IMAGE244
表示为
Figure 880773DEST_PATH_IMAGE245
（39）
其中，
Figure 952634DEST_PATH_IMAGE246
表示本地计算中协作任务的计算时间的期望值，
Figure 861684DEST_PATH_IMAGE247
表示一步共享计算中协作任务的计算时间的期望值，
Figure 603375DEST_PATH_IMAGE248
表示两步共享计算中协作任务的计算时间的期望值。完成任务的成本主要来自任务的计算和传输。对于车辆
Figure 863455DEST_PATH_IMAGE249
，单位任务处理时间的成本定义为
Figure 598062DEST_PATH_IMAGE250
，其表示为
Figure 361618DEST_PATH_IMAGE251
，其中
Figure 274211DEST_PATH_IMAGE252
表示单位处理时间的额定成本。车辆的任务处理能力越强，相应的计算成本就越高。定义
Figure 21587DEST_PATH_IMAGE253
为单位传输时间的成本，通信质量越差，数据传输的成本就越高，
Figure 61349DEST_PATH_IMAGE253
可以表示为
Figure 944992DEST_PATH_IMAGE254
，表示每单位数据传输时间的额定成本。对于本地计算，完成协作任务的成本仅来自协作任务处理，将
Figure 153119DEST_PATH_IMAGE024
完成本地计算协作任务
Figure 997578DEST_PATH_IMAGE255
的成本定义为
Figure 949354DEST_PATH_IMAGE256
，
Figure 77716DEST_PATH_IMAGE256
表示为
Figure 456745DEST_PATH_IMAGE257
（40）
对于一步共享计算，成本中增加了数据传输消耗。将
Figure 522921DEST_PATH_IMAGE258
协助
Figure 278387DEST_PATH_IMAGE024
完成协作任务
Figure 751002DEST_PATH_IMAGE255
的成本为
Figure 566511DEST_PATH_IMAGE259
，
Figure 244617DEST_PATH_IMAGE259
表示为
Figure 413561DEST_PATH_IMAGE260
（41）
其中，
Figure 126302DEST_PATH_IMAGE261
表示所述一步共享计算中单位传输时间的成本；对于两步共享计算，通信成本包括三辆车之间的数据传输消耗，定义
Figure 237347DEST_PATH_IMAGE024
、
Figure 402749DEST_PATH_IMAGE258
和
Figure 375384DEST_PATH_IMAGE262
合作完成协作任务
Figure 942631DEST_PATH_IMAGE255
的成本为
Figure 726042DEST_PATH_IMAGE263
，
Figure 644319DEST_PATH_IMAGE263
表示为
Figure 14121DEST_PATH_IMAGE264
（42）
其中，
Figure 576820DEST_PATH_IMAGE265
表示所述两步共享计算中单位传输时间的成本，
Figure 905033DEST_PATH_IMAGE266
表示对于所述被卸载的目标车辆
Figure 169662DEST_PATH_IMAGE262
单位协作任务处理时间的成本。
本实施例中，综合上述优化问题，为了确保可靠性的同时尽可能多地完成任务，综合上述协作任务处理的约束条件，建立任务调度优化模型为
Figure 608733DEST_PATH_IMAGE267
（43）
Figure 25939DEST_PATH_IMAGE268
（44）
Figure 525054DEST_PATH_IMAGE269
（45）
Figure 778443DEST_PATH_IMAGE270
， （46）
其中，
Figure 755626DEST_PATH_IMAGE271
表示可靠性需求的期望值。任务调度优化模型需要保证联合可靠性满足可靠性要求，协作任务的效用需要大于完成协作任务的成本，最大化协作任务完成期间获得的时间效用。将满足利润约束的车辆集合定义为
Figure 151972DEST_PATH_IMAGE272
，定义协作任务处理的最佳解决方案为
Figure 697354DEST_PATH_IMAGE273
。对于
Figure 811941DEST_PATH_IMAGE274
，需要检查是否满足本地计算的利润约束，如果满足，则将
Figure 451869DEST_PATH_IMAGE274
加入到
Figure 968301DEST_PATH_IMAGE272
；对于
Figure 684585DEST_PATH_IMAGE275
中的任何
Figure 286467DEST_PATH_IMAGE276
，如果
Figure 605453DEST_PATH_IMAGE276
满足一步共享计算的利润约束，则将加入到；对于中的任何，如果满足两步共享计算的利润约束，则将
Figure 602490DEST_PATH_IMAGE276
添加到
Figure 614309DEST_PATH_IMAGE272
中。为了提高后续算法的效率，通过一种算法复杂度降低的方法来优化上述步骤中的优化问题，首先设置协作任务的利润约束，利润约束要求完成协作任务的收益大于完成协作任务的成本，利润约束表示为
Figure 313274DEST_PATH_IMAGE277
。 （47）
由于算法的目标是保证任务可靠性的同时最大化时间收益，将单个协作任务备份的预期收益定义为任务收益与可靠性的乘积，单个协作任务备份的预期收益表示为
Figure 701530DEST_PATH_IMAGE278
（48）
通过以
Figure 786030DEST_PATH_IMAGE279
降序排列寻找最佳的协作任务处理策略。
Figure 968750DEST_PATH_IMAGE279
越大，表示预期任务利润越高。因此，我们按照
Figure 420591DEST_PATH_IMAGE279
的降序对集合
Figure 346958DEST_PATH_IMAGE272
进行排名，然后遍历
Figure 161331DEST_PATH_IMAGE272
中车辆以验证是否满足可靠性约束。一旦满足可靠性约束，
Figure 406629DEST_PATH_IMAGE273
是最佳的协作任务处理策略。
S105基于所述任务调度优化模型得到任务调度算法。
本实施例中，基于任务调度优化模型中的约束条件以及降低算法复杂度的优化方法，得到任务调度算法，任务调度算法使用先进先出队列策略，当通信质量和工作状态不确定时，可以实现车辆协同任务的可靠性调度。任务调度算法包括：第一算法、第二算法和第三算法。其中，第一算法用于根据本地计算的计算范围和一步共享计算的计算范围内的
Figure 204821DEST_PATH_IMAGE274
的最新网络拓扑、连接时间
Figure 544667DEST_PATH_IMAGE280
、通信能力影响参数
Figure 479125DEST_PATH_IMAGE281
、数据传输速率
Figure 393860DEST_PATH_IMAGE282
、资源代理车辆
Figure 413769DEST_PATH_IMAGE283
的处理能力
Figure 822884DEST_PATH_IMAGE099
和利润约束生成本地计算的计算范围和一步共享计算的计算范围的任务调度策略；第二算法用于根据两步共享计算的计算范围内的
Figure 611849DEST_PATH_IMAGE274
的最新网络拓扑、连接时间
Figure 307272DEST_PATH_IMAGE280
、通信能力影响参数
Figure 706155DEST_PATH_IMAGE281
、数据传输速率
Figure 778016DEST_PATH_IMAGE282
、资源代理车辆
Figure 296853DEST_PATH_IMAGE283
的处理能力
Figure 428757DEST_PATH_IMAGE099
和利润约束生成两步共享计算的计算范围的任务调度策略；第三算法用于综合第一算法和第二算法并结合任务调度优化模型生成最佳任务调度策略。
S106基于所述任务调度算法得到最佳任务调度策略。
本实施例中，参考图2利用第一算法，生成本地计算的计算范围和一步共享计算的计算范围的任务调度策略，具体包括：
当
Figure 547892DEST_PATH_IMAGE274
生成协作任务
Figure 423444DEST_PATH_IMAGE284
时，任务调度算法首先更新
Figure 327946DEST_PATH_IMAGE274
的网络拓扑；
对于
Figure 99593DEST_PATH_IMAGE285
的所有车辆，任务调度算法会估计其通信速率以及其处理能力；
分析本地计算和一步共享计算的相关参数，如果满足利润约束，则将此车辆添加到第一可行策略集合
Figure 846969DEST_PATH_IMAGE286
中。
参考图3，利用第二算法生成两步共享计算的计算范围的任务调度策略，具体包括：
当
Figure 886732DEST_PATH_IMAGE274
生成协作任务
Figure 770374DEST_PATH_IMAGE284
时，任务调度算法首先更新
Figure 588288DEST_PATH_IMAGE274
的网络拓扑；
Figure 557381DEST_PATH_IMAGE287
中任一
Figure 899370DEST_PATH_IMAGE283
都被视为中继节点，任务调度算法更新
Figure 637519DEST_PATH_IMAGE283
的网络拓扑；
对于
Figure 157493DEST_PATH_IMAGE285
中的任何车辆，任务调度算法将计算两步共享计算的相关参数，当满足利润约束时，将
Figure 348303DEST_PATH_IMAGE288
添加到第二可行策略集合
Figure 103769DEST_PATH_IMAGE289
中。
参考图4，利用第三算法综合第一算法和第二算法并结合任务调度优化模型生成最佳任务调度策略，具体包括：
任务调度算法首先通过合并
Figure 588103DEST_PATH_IMAGE286
和
Figure 403612DEST_PATH_IMAGE289
获得可行的解决方案；
任务调度算法根据
Figure 957084DEST_PATH_IMAGE279
对
Figure 250662DEST_PATH_IMAGE290
进行降序排序；
任务调度算法以
Figure 88037DEST_PATH_IMAGE290
遍历车辆，一旦满足可靠性约束，
Figure 74448DEST_PATH_IMAGE291
即为最佳调度策略。
S107根据所述最佳任务调度策略指导所述协作模型执行所述协作任务。
本实施例中，利用上述步骤得到最佳任务调度策略后，在车载自适应网络中以最佳任务调度策略为指导，利用协作模型调度客户端车辆、资源代理车辆以及被卸载的目标车辆进行资源共享和协作任务处理，满足本地计算、一步共享计算和两步共享计算范围内的协作任务的执行条件，从而在车载自适应网络中完成可靠性高且低延迟的协同任务处理。
从上面所述可以看出，本申请一个或多个实施例提供的一种移动环境下车联网的低延迟协同任务处理方法及装置，建立客户端车辆
Figure 380795DEST_PATH_IMAGE274
在车联网中发布协作任务的协作模型使得车辆之间可以共享计算资源，从而平衡计算任务的不均匀分布，减轻移动网络的负担，并提高任务处理的效率；通过定义客户端车辆
Figure 212485DEST_PATH_IMAGE274
和所述资源代理车辆
Figure 779732DEST_PATH_IMAGE195
之间的连接时间
Figure 574862DEST_PATH_IMAGE292
以保证通过时间参数的计算减小协作任务的延迟，定义通信能力影响参数
Figure 227560DEST_PATH_IMAGE293
、数据传输速率
Figure 3886DEST_PATH_IMAGE294
和资源代理车辆
Figure 425640DEST_PATH_IMAGE195
的处理能力
Figure 878487DEST_PATH_IMAGE295
实现考虑不同车辆的通信能力、数据传输能力和任务处理能力的情况下，更准确的模拟通信能力、数据传输能力和任务处理能力不确定的情况下协作任务的处理场景；建立可靠性模型能够在考虑工作状态和通信质量不确定的情况下提高协作任务处理的可靠性；基于可靠性模型建立的任务调度优化模型可以在保证可靠性的同事提高任务处理的时效性，减小协作任务处理的时间；通过任务调度算法得到的最佳任务调度策略实现了满足利润约束的协同任务处理的可靠调度，充分考虑了车辆本地计算、车辆间一步共享计算和车辆间两步共享计算的情况，使得协作模型在执行协作任务时具有更高的可靠性和更好的对环境变化的适应性，提高了协作任务完成率、车联网资源利用率、时效性和车辆之间的任务协作率。
需要说明的是，本申请一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，本申请一个或多个实施例还提供了一种移动环境下车联网的低延迟协同任务处理装置，包括：第一建立模块、定义模块、第二建立模块、第三建立模块、第一计算模块、第二计算模块和执行模块。
参考图5，本装置中包括：
第一建立模块，被配置为建立客户端车辆
Figure 18481DEST_PATH_IMAGE274
在车联网中发布协作任务的协作模型；
定义模块，被配置为定义所述客户端车辆
Figure 332919DEST_PATH_IMAGE274
和资源代理车辆
Figure 609180DEST_PATH_IMAGE195
之间的连接时间
Figure 108294DEST_PATH_IMAGE296
、通信能力影响参数
Figure 361683DEST_PATH_IMAGE293
、数据传输速率
Figure 604446DEST_PATH_IMAGE294
和所述资源代理车辆
Figure 876158DEST_PATH_IMAGE195
的处理能力
Figure 546174DEST_PATH_IMAGE297
；
第二建立模块，被配置为基于所述连接时间
Figure 519815DEST_PATH_IMAGE292
、通信能力影响参数
Figure 300689DEST_PATH_IMAGE293
、数据传输速率
Figure 817121DEST_PATH_IMAGE294
和资源代理车辆
Figure 533404DEST_PATH_IMAGE195
的处理能力
Figure 869708DEST_PATH_IMAGE295
建立可靠性模型；
第三建立模块，被配置为基于所述可靠性模型建立任务调度优化模型；
第一计算模块，被配置为基于所述任务调度优化模型得到任务调度算法；
第二计算模块，被配置为基于所述任务调度算法得到最佳任务调度策略；
执行模块，被配置为根据所述最佳任务调度策略指导所述协作模型执行所述协作任务。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
为了评价本申请提供的方法，发明人设置了性能评估实验。参考图6，性能评估实验的实验场景设置为600米×600米的城市街道，街道之间的间隔为200米。当车辆到达交叉路口时，沿原始方向移动的概率为50％，而向左或向右转弯的概率为25％。性能评估实验设定了三种移动速度，车辆的可用通信范围的半径为150m。实验采用三种基准算法与本申请提供的任务调度算法进行比较，其中三种基准算法包括：CLC算法，车辆仅采用本地计算策略，即车辆仅处理自身产生的任务数据，此外，CLC算法不会考虑设备工作状态的不确定性显示算法的收敛速度；LFSC算法：车辆使用本地优先共享计算策略，LFSC算法没有考虑通信质量和工作状态的动态变化，它仅保守地估计车辆之间的不确定性，并优先处理本地任务；RBSC算法：RBSC算法也没有考虑通信质量和工作状态的不确定性，但是，为了保证任务的持续时间，采用了期望估计策略。实验将单个任务的可靠性定义为
Figure 80372DEST_PATH_IMAGE298
，它可以表示为
Figure 185731DEST_PATH_IMAGE299
。然后，使用类似于任务调度算法的优化算法来确定协作任务处理策略。
将仿真实验持续时间设置为2000秒，固定数量的车辆在场景中随机行驶。任务结果的大小与任务初始大小的比率为0.2，并且联合可靠性阈值设置为0.8。对于保守估计，将实际值满足估计值的概率设置为80%。将实验结果的平均值作为最终结果以减少随机性对实验结果的影响。参考表1，为了反映车辆计算性能的差异，配置了三种类型的车载计算资源。
表1
Figure 72915DEST_PATH_IMAGE300
参考表1，
Figure 162094DEST_PATH_IMAGE301
表示车辆的任务处理能力，
Figure 19192DEST_PATH_IMAGE302
表示单位时间的计算成本。将车辆之间的四个连接状态设置为
Figure 634850DEST_PATH_IMAGE303
。车辆的最大通讯速率
Figure 817569DEST_PATH_IMAGE304
，额定单位时间传输成本
Figure 3831DEST_PATH_IMAGE305
。将时间收益参数设置为
Figure 664620DEST_PATH_IMAGE306
。其中通信质量服从Beta分布，并且
Figure 636249DEST_PATH_IMAGE307
设置为12，而
Figure 989870DEST_PATH_IMAGE308
则分别为3、8、18和48不同的连接状态。类似地，设置四个车辆工作状态
Figure 522482DEST_PATH_IMAGE309
。车辆工作状态建模为Beta分布，
Figure 127907DEST_PATH_IMAGE310
设置为18，而
Figure 327944DEST_PATH_IMAGE311
在不同工作状态下分别为4.5、12、27和72。
参考图7（a）和图7（b），CDF为表示通信状态的函数图像，PDF为表示通信状态的概率密度函数，Beta分布的范围是（0,1），可以更好的贴合实际情况。同时，车辆之间的通信条件越差，相应的Beta分布的方差越大。这也意味着其通信速率的不确定性更高。基于以上的实验设置，比较不同算法的性能时使用的指标包括：任务完成率（也可称为TFR）是指任务终止之前所有任务中已完成任务的百分比，TFR越高意味着算法的可靠性越高；任务时间与车辆在线时间的比率（也可称为RTV），RTV是处理任务所花费的时间与总在线时间之间的比率，它表示算法的资源利用率，RTV越高，算法的资源利用率越高；平均结余时间（也可称为ABT），ABT是指剩余总时间与完成的任务数之比，ABT代表算法的时效性，较大的ABT意味着算法的时效性更强；协作任务率（也可称为CTR），CTR是共享计算中完成的任务与完成的任务数之比，CTR代表算法的协作能力，协作能力越好，CTR的值就越大。
参考表2，为了比较算法的性能，实验中使用控制变量方法获得算法性能数据。实验分析了四个因素：任务到达间隔、任务计算长度、任务传输大小和车辆总数。
表2
Figure 977100DEST_PATH_IMAGE312
参考图8（a）、图8（b）、图8（c）和图8（d），实验任务生成的间隔的长度服从泊松分布。间隔越小，任务生成的频率越高。随着任务之间间隔时间的增加，每种算法的TFR增加，而RTV和CTR减少。随着任务数量的减少，车辆处理任务的可用时间变得充裕。车辆可以处理更多任务，并且减少了协作完成任务的比例。随着任务生成间隔的增加，ABT也在增加。 CLC算法专注于本地处理任务，不涉及数据传输的影响。因此，CLC算法在ABT中获得最佳性能。任务间隔的增加为共享计算的车辆选择提供了更好的帮助。可以看出，当任务间隔非常小时，CLC算法的效果是最佳的，但是随着任务间隔的增加，其他算法的效果也会得到明显改善。本申请提供的任务调度算法在不同的任务到达间隔中具有最佳性能。
参考图9（a）、图9（b）、图9（c）和图9（d），随着任务长度的增加，所有算法的性能都越来越差。任务计算时间的明显增加导致TFR的下降趋势。对于计算能力较差的车辆，需要共享计算以提高任务完成率。这导致任务备份的数量增加，从而提高了可靠性，同时导致RTV和CTR的增加。另外，车辆需要更多时间来处理任务，从而减少了ABT。本申请提供的任务调度算法在实验中保持较高的水平，同时保证了较高的任务完成率，而时效性仅有小幅度的降低。
参考图10（a）、图10（b）、图10（c）和图10（d），随着任务传输大小的增加，与共享计算相关的算法的TFR，ABT和CTR呈下降趋势，但RTV逐渐增大。原因是当任务传输量变大时，任务卸载时间和结果返回时间将变长，从而导致任务协同处理时间的成本显着增加，TFR，ABT和CTR逐渐降低。同时，为了保持任务的可靠性，备份数量将增加，从而导致RTV的增加。当传输大小达到14MB时，CLC算法显示出最高的任务完成率，这表明任务传输大小对共享计算相关的算法有很大的限制。本身请提供的任务调度算法和RBSC算法对传输大小的增加具有更好的适应效果。
参考图11（a）、图11（b）、图11（c）和图11（d），随着系统中车辆数量的增加，所有算法的性能都会提高。具体来说，TFR，RTV和CTR缓慢增加，然后迅速增加，而ABT逐渐稳定。产生这种现象的原因是，当系统中的车辆数量很少时，车辆的网络拓扑几乎是空的，各种算法都支持本地处理任务。车辆数量的增加扩展了车辆的拓扑，备用任务的数量也增加了。因此CTR有所提高，ABT有所下降。同时，系统的稳定性得到了改善，并且可以通过共享计算来完成更多任务。当车辆数量超过10时，本申请提供的任务调度算法和RBSC算法表现出更好的性能，本申请提供的任务调度算法可以更好地应对城市街道上高数量的车辆环境。
参考图12（a）、图12（b）、图12（c）和图12（d），直方图分别使用不同的算法描述了TFR，RTV，ABT和CTR。相应地，折线图显示了本申请提供的任务调度算法与其他算法相比的性能提升。本申请提供的任务调度算法在任务完成率和资源利用率方面比CLC算法，LFSC算法和RBSC算法更好。共享计算将导致任务传输的时间消耗，因此与其他共享计算相关的算法相比，本申请提供的任务调度算法具有较低的任务延迟和较高的任务协调率。结果表明，本申请提供的任务调度算法在保证任务完成率的同时，可以稳定的减少任务延迟，从而实现车辆之间高效的协同任务处理，总的来讲，本申请提供的任务调度算法算法对不同的任务要求和网络拓扑具有更好的适应性。
综上所述，在上述一系列实验中，本申请提供的任务调度算法具有比其他算法更好的性能，而CLC算法仅在某些情况下具有更好的性能。本申请提供的任务调度算法具有更高的可靠性和对不同环境的适应性。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本申请一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种移动环境下车联网的低延迟协同任务处理方法，其特征在于，包括：
建立客户端车辆
Figure DEST_PATH_IMAGE001
在车联网中发布协作任务的协作模型；
定义所述客户端车辆
Figure 281216DEST_PATH_IMAGE001
和资源代理车辆
Figure 995094DEST_PATH_IMAGE002
之间的连接时间
Figure DEST_PATH_IMAGE003
、通信能力影响参数
Figure 571569DEST_PATH_IMAGE004
、数据传输速率
Figure DEST_PATH_IMAGE005
和所述资源代理车辆
Figure 763516DEST_PATH_IMAGE002
的处理能力
Figure 109046DEST_PATH_IMAGE006
；
基于所述连接时间
Figure 197088DEST_PATH_IMAGE003
、通信能力影响参数
Figure 729701DEST_PATH_IMAGE004
、数据传输速率
Figure 194180DEST_PATH_IMAGE005
和资源代理车辆
Figure 128638DEST_PATH_IMAGE002
的处理能力
Figure 387581DEST_PATH_IMAGE006
建立可靠性模型；
基于所述可靠性模型建立任务调度优化模型；
基于所述任务调度优化模型得到任务调度算法；
基于所述任务调度算法得到最佳任务调度策略；
根据所述最佳任务调度策略指导所述协作模型执行所述协作任务。
2.根据权利要求1所述的方法，其特征在于，所述定义所述客户端车辆
Figure 673069DEST_PATH_IMAGE001
和资源代理车辆
Figure 675660DEST_PATH_IMAGE002
之间的连接时间
Figure 464624DEST_PATH_IMAGE003
，包括：
第一情况，当所述资源代理车辆
Figure 422697DEST_PATH_IMAGE002
驶向交叉路口，且所述资源代理车辆
Figure 929902DEST_PATH_IMAGE002
在发生转向前与所述客户端车辆
Figure 470605DEST_PATH_IMAGE001
之间的距离超出通信范围时，所述连接时间
Figure 379655DEST_PATH_IMAGE003
表示为
Figure DEST_PATH_IMAGE007
，
其中，
Figure 511559DEST_PATH_IMAGE008
表示所述资源代理车辆
Figure 506060DEST_PATH_IMAGE002
的初始距离，
Figure DEST_PATH_IMAGE009
表示所述资源代理车辆
Figure 116033DEST_PATH_IMAGE002
的移动速度，
Figure 145169DEST_PATH_IMAGE010
表示所述客户端车辆
Figure 182395DEST_PATH_IMAGE001
的移动速度，
Figure DEST_PATH_IMAGE011
表示所述客户端车辆
Figure 664192DEST_PATH_IMAGE001
的通信范围的半径，
Figure 77856DEST_PATH_IMAGE012
表示所述资源代理车辆
Figure 695919DEST_PATH_IMAGE002
相对于所述客户端车辆
Figure 904046DEST_PATH_IMAGE001
的相对位置关系；
第二情况，当所述资源代理车辆
Figure 607560DEST_PATH_IMAGE002
驶向交叉路口，且所述资源代理车辆
Figure 559335DEST_PATH_IMAGE002
在发生转向前与所述客户端车辆
Figure 297484DEST_PATH_IMAGE001
之间的距离不超出通信范围时，所述连接时间
Figure 676513DEST_PATH_IMAGE003
表示为
Figure DEST_PATH_IMAGE013
其中，
Figure 132902DEST_PATH_IMAGE014
表示所述资源代理车辆
Figure 888369DEST_PATH_IMAGE002
在交叉路口左转的概率，
Figure DEST_PATH_IMAGE015
表示所述资源代理车辆
Figure 481024DEST_PATH_IMAGE002
左转时与所述客户端车辆
Figure 30954DEST_PATH_IMAGE001
的连接时间，
Figure 977569DEST_PATH_IMAGE016
表示所述资源代理车辆
Figure 271147DEST_PATH_IMAGE002
在交叉路口直行的概率，
Figure DEST_PATH_IMAGE017
表示所述资源代理车辆
Figure 249467DEST_PATH_IMAGE002
直行时与所述客户端车辆
Figure 704719DEST_PATH_IMAGE001
的连接时间，
Figure 135701DEST_PATH_IMAGE018
表示所述资源代理车辆
Figure 967391DEST_PATH_IMAGE002
在交叉路口右转的概率，
Figure DEST_PATH_IMAGE019
表示所述资源代理车辆
Figure 65797DEST_PATH_IMAGE002
右转时与所述客户端车辆
Figure 691950DEST_PATH_IMAGE001
的连接时间；
第三情况，当所述资源代理车辆
Figure 344648DEST_PATH_IMAGE020
驶离交叉路口，且所述资源代理车辆
Figure 245608DEST_PATH_IMAGE020
不直行时，所述连接时间
Figure DEST_PATH_IMAGE021
表示为
Figure 667362DEST_PATH_IMAGE022
；
第四情况，当所述资源代理车辆
Figure DEST_PATH_IMAGE023
驶离交叉路口，且所述资源代理车辆
Figure 261155DEST_PATH_IMAGE023
直行时，所述连接时间
Figure 135570DEST_PATH_IMAGE024
表示为
Figure DEST_PATH_IMAGE025
。
3.根据权利要求1所述的方法，其特征在于，所述定义所述通信能力影响参数
Figure 105800DEST_PATH_IMAGE004
和数据传输速率
Figure 382060DEST_PATH_IMAGE026
，包括：
所述通信能力影响参数
Figure 615595DEST_PATH_IMAGE004
的概率密度函数表示为
Figure DEST_PATH_IMAGE027
其中，
Figure 242886DEST_PATH_IMAGE028
表示所述通信能力影响参数
Figure DEST_PATH_IMAGE029
的第一Beta分布参数，
Figure 771735DEST_PATH_IMAGE030
表示所述通信能力影响参数
Figure 902502DEST_PATH_IMAGE029
的第二Beta分布参数，
Figure DEST_PATH_IMAGE031
表示所述通信能力影响参数
Figure 572518DEST_PATH_IMAGE029
的Beta函数；
所述数据传输速率
Figure 687105DEST_PATH_IMAGE026
的概率密度函数表示为
Figure 202400DEST_PATH_IMAGE032
，
其中，
Figure DEST_PATH_IMAGE033
表示所述资源代理车辆
Figure 718832DEST_PATH_IMAGE020
和所述客户端车辆
Figure 294170DEST_PATH_IMAGE034
之间的数据传输速率的额定值，
Figure DEST_PATH_IMAGE035
表示所述数据传输速率
Figure 161631DEST_PATH_IMAGE036
的第一Beta分布参数，
Figure DEST_PATH_IMAGE037
表示所述数据传输速率
Figure 746197DEST_PATH_IMAGE036
的第二Beta分布参数，
Figure 117135DEST_PATH_IMAGE038
表示所述数据传输速率
Figure DEST_PATH_IMAGE039
的Beta函数。
4.根据权利要求1所述的方法，其特征在于，所述定义所述资源代理车辆
Figure 128953DEST_PATH_IMAGE020
的处理能力
Figure 686974DEST_PATH_IMAGE040
，包括：
所述资源代理车辆
Figure 75230DEST_PATH_IMAGE020
的处理能力
Figure 35095DEST_PATH_IMAGE040
的概率密度函数表示为
Figure DEST_PATH_IMAGE041
，
其中，
Figure 217815DEST_PATH_IMAGE042
表示所述资源代理车辆
Figure 794290DEST_PATH_IMAGE020
的最大处理能力，
Figure DEST_PATH_IMAGE043
表示所述资源代理车辆
Figure 720658DEST_PATH_IMAGE020
的处理能力
Figure 535030DEST_PATH_IMAGE040
的第一Beta分布参数，
Figure 154230DEST_PATH_IMAGE044
表示所述资源代理车辆
Figure 689772DEST_PATH_IMAGE020
的处理能力
Figure 154252DEST_PATH_IMAGE040
的第二Beta分布参数，
Figure 88710DEST_PATH_IMAGE045
表示所述资源代理车辆
Figure 613232DEST_PATH_IMAGE020
的处理能力
Figure 633140DEST_PATH_IMAGE040
的Beta函数，
Figure DEST_PATH_IMAGE046
表示所述资源代理车辆
Figure 901311DEST_PATH_IMAGE020
的最大处理能力
Figure 955854DEST_PATH_IMAGE042
和所述资源代理车辆
Figure 651278DEST_PATH_IMAGE020
的处理能力
Figure 892903DEST_PATH_IMAGE040
之间的关系。
5.根据权利要求1所述的方法，其特征在于，所述可靠性模型，包括：
本地计算可靠性模型，基于所述本地计算可靠性模型得到的本地计算的可靠性表示为
Figure 699185DEST_PATH_IMAGE047
，
其中，
Figure DEST_PATH_IMAGE048
表示
Figure 139394DEST_PATH_IMAGE049
的概率分布函数，
Figure 740140DEST_PATH_IMAGE049
表示所述客户端车辆
Figure 734640DEST_PATH_IMAGE034
的最大处理能力
Figure DEST_PATH_IMAGE050
和所述客户端车辆
Figure 610193DEST_PATH_IMAGE034
的处理能力
Figure 373749DEST_PATH_IMAGE051
之间的关系，
Figure DEST_PATH_IMAGE052
表示本地计算中所述客户端车辆
Figure 410975DEST_PATH_IMAGE034
完成所述协作任务的最短时间，
Figure 158351DEST_PATH_IMAGE053
表示所述本地计算中所述客户端车辆
Figure 306436DEST_PATH_IMAGE034
的可用处理时间；
一步共享计算可靠性模型，基于所述一步共享计算可靠性模型得到的一步共享计算的可靠性表示为
Figure DEST_PATH_IMAGE054
，
其中，
Figure 190078DEST_PATH_IMAGE055
表示所述资源代理车辆
Figure 398206DEST_PATH_IMAGE020
完成所述协作任务的最短时间，
Figure 367299DEST_PATH_IMAGE056
表示所述一步共享计算的可用处理时间；
两步共享计算可靠性模型，基于所述两步共享计算可靠性模型得到的两步共享计算的可靠性表示为
Figure DEST_PATH_IMAGE057
，
其中，
Figure 316145DEST_PATH_IMAGE058
表示被卸载的目标车辆
Figure DEST_PATH_IMAGE059
完成所述协作任务的最短时间，
Figure 585452DEST_PATH_IMAGE060
表示所述两步共享计算的可用处理时间；
基于所述本地计算的可靠性、一步共享计算的可靠性和两步共享计算的可靠性得到所述协作任务的联合可靠性，所述联合可靠性表示为
Figure DEST_PATH_IMAGE061
，
其中，
Figure DEST_PATH_IMAGE063
表示所述本地计算，表
Figure 230060DEST_PATH_IMAGE065
示所述客户端车辆
Figure 686449DEST_PATH_IMAGE067
和所述资源代理车辆
Figure 176336DEST_PATH_IMAGE069
的所述一步共享计算，
Figure 768992DEST_PATH_IMAGE071
表示所述资源代理车辆
Figure 318922DEST_PATH_IMAGE069
连接的所述客户端车辆
Figure 262607DEST_PATH_IMAGE067
和所述被卸载的目标车辆
Figure 290606DEST_PATH_IMAGE073
的所述两步共享计算，
Figure DEST_PATH_IMAGE075
表示所述客户端车辆
Figure 3347DEST_PATH_IMAGE067
的下标，
Figure DEST_PATH_IMAGE077
表示所述资源代理车辆
Figure 255337DEST_PATH_IMAGE069
的下标，
Figure DEST_PATH_IMAGE079
表示所述被卸载的目标车辆
Figure 686318DEST_PATH_IMAGE073
的下标，
Figure 518008DEST_PATH_IMAGE075
、
Figure 85255DEST_PATH_IMAGE077
和
Figure 976988DEST_PATH_IMAGE079
用于区分不同车辆，
Figure DEST_PATH_IMAGE081
表示可以协助所述客户端车辆
Figure 895265DEST_PATH_IMAGE067
进行所述协作任务的车辆集合，
Figure DEST_PATH_IMAGE083
表示可以协助所述资源代理车辆
Figure 796225DEST_PATH_IMAGE069
进行所述协作任务的车辆集合。
6.根据权利要求5所述的方法，其特征在于，还包括：
利用满意度函数表述完成所述协作任务带来的收益，所述客户端车辆
Figure 220909DEST_PATH_IMAGE067
的满意度函数表示为
Figure DEST_PATH_IMAGE085
其中，
Figure DEST_PATH_IMAGE087
表示每个时间节省的单位收益，
Figure DEST_PATH_IMAGE089
表示所述协作任务的失效时间，
Figure DEST_PATH_IMAGE091
表示完成所述协作任务花费的时间；
定义完成所述协作任务的成本，包括：
完成本地计算的成本表示为
Figure DEST_PATH_IMAGE093
其中，
Figure DEST_PATH_IMAGE095
表示对于所述资源代理车辆
Figure 408177DEST_PATH_IMAGE069
单位协作任务处理时间的成本，
Figure DEST_PATH_IMAGE097
表示所述本地计算中所述协作任务的计算时间的期望值；
完成一步共享计算的成本表示为
Figure DEST_PATH_IMAGE099
其中，
Figure DEST_PATH_IMAGE101
表示所述一步共享计算中单位传输时间的成本，
Figure DEST_PATH_IMAGE103
表示所述一步共享计算中所述协作任务卸载时长的期望值，
Figure DEST_PATH_IMAGE105
表示所述一步共享计算中的结果返回时间的期望值，
Figure DEST_PATH_IMAGE107
表示所述一步共享计算中所述协作任务的计算时间的期望值；
完成两步共享计算的成本表示为
Figure DEST_PATH_IMAGE109
其中，
Figure DEST_PATH_IMAGE111
表示所述两步共享计算中单位传输时间的成本，
Figure DEST_PATH_IMAGE113
表示所述两步共享计算中所述协作任务卸载时长的期望值，
Figure DEST_PATH_IMAGE115
表示所述两步共享计算中的结果返回时间的期望值，
Figure DEST_PATH_IMAGE117
表示对于所述被卸载的目标车辆
Figure 735122DEST_PATH_IMAGE118
单位协作任务处理时间的成本，
Figure DEST_PATH_IMAGE120
表示所述两步共享计算中所述协作任务的计算时间的期望值；
设置所述协作任务的利润约束表示为完成所述协作任务的收益大于完成所述协作任务的成本，所述利润约束表示为
Figure DEST_PATH_IMAGE122
其中，
Figure DEST_PATH_IMAGE124
表示车辆的满意度函数，
Figure DEST_PATH_IMAGE126
表示车辆完成所述协作任务的成本。
7.根据权利要求6所述的方法，其特征在于，还包括：
基于所述可靠性模型和完成所述协作任务的收益得到所述协作任务的期望收益，所述期望收益表示为
Figure DEST_PATH_IMAGE128
其中，
Figure DEST_PATH_IMAGE130
表示所述本地计算的满意度函数，
Figure DEST_PATH_IMAGE132
表示所述一步共享计算的满意度函数，
Figure DEST_PATH_IMAGE134
表示两步共享计算的满意度函数。
8.根据权利要求6所述的方法，其特征在于，所述任务调度优化模型用于最大化所述协作任务完成期间获得的时间效用，所述任务调度优化模型表示为
Figure DEST_PATH_IMAGE136
其中，
Figure DEST_PATH_IMAGE138
表示可靠性需求的期望值。
9.根据权利要求6所述的方法，其特征在于，所述任务调度算法，包括：
第一算法，用于根据所述本地计算的计算范围和所述一步共享计算的计算范围内的所述客户端车辆
Figure DEST_PATH_IMAGE139
的最新网络拓扑、连接时间
Figure DEST_PATH_IMAGE141
、通信能力影响参数
Figure DEST_PATH_IMAGE143
、数据传输速率
Figure DEST_PATH_IMAGE145
、资源代理车辆
Figure DEST_PATH_IMAGE146
的处理能力
Figure DEST_PATH_IMAGE148
和利润约束生成所述本地计算的计算范围和所述一步共享计算的计算范围的任务调度策略；
第二算法，用于根据所述两步共享计算的计算范围内的所述客户端车辆
Figure 482848DEST_PATH_IMAGE139
的最新网络拓扑、连接时间
Figure 24688DEST_PATH_IMAGE141
、通信能力影响参数
Figure 258223DEST_PATH_IMAGE143
、数据传输速率
Figure 619934DEST_PATH_IMAGE145
、资源代理车辆
Figure 331538DEST_PATH_IMAGE146
的处理能力
Figure 993464DEST_PATH_IMAGE148
和利润约束生成两步共享计算的计算范围的所述任务调度策略；
第三算法，用于综合所述第一算法和第二算法并结合所述任务调度优化模型生成所述最佳任务调度策略。
10.一种移动环境下车联网的低延迟协同任务处理装置，包括：
第一建立模块，被配置为建立客户端车辆
Figure 397900DEST_PATH_IMAGE139
在车联网中发布协作任务的协作模型；
定义模块，被配置为定义所述客户端车辆
Figure 246908DEST_PATH_IMAGE139
和资源代理车辆
Figure 762203DEST_PATH_IMAGE146
之间的连接时间
Figure 278635DEST_PATH_IMAGE141
、通信能力影响参数
Figure 853973DEST_PATH_IMAGE143
、数据传输速率
Figure 190276DEST_PATH_IMAGE145
和所述资源代理车辆
Figure 509262DEST_PATH_IMAGE146
的处理能力
Figure 880200DEST_PATH_IMAGE148
；
第二建立模块，被配置为基于所述连接时间
Figure 626439DEST_PATH_IMAGE141
、通信能力影响参数
Figure 184460DEST_PATH_IMAGE143
、数据传输速率
Figure 310066DEST_PATH_IMAGE145
和资源代理车辆
Figure 535511DEST_PATH_IMAGE146
的处理能力
Figure 452652DEST_PATH_IMAGE148
建立可靠性模型；
第三建立模块，被配置为基于所述可靠性模型建立任务调度优化模型；
第一计算模块，被配置为基于所述任务调度优化模型得到任务调度算法；
第二计算模块，被配置为基于所述任务调度算法得到最佳任务调度策略；
执行模块，被配置为根据所述最佳任务调度策略指导所述协作模型执行所述协作任务。
CN202010577329.XA 2020-06-23 2020-06-23 一种移动环境下车联网的低延迟协同任务处理方法及装置 Active CN111538583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010577329.XA CN111538583B (zh) 2020-06-23 2020-06-23 一种移动环境下车联网的低延迟协同任务处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010577329.XA CN111538583B (zh) 2020-06-23 2020-06-23 一种移动环境下车联网的低延迟协同任务处理方法及装置

Publications (2)

Publication Number Publication Date
CN111538583A true CN111538583A (zh) 2020-08-14
CN111538583B CN111538583B (zh) 2020-10-20

Family

ID=71978256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010577329.XA Active CN111538583B (zh) 2020-06-23 2020-06-23 一种移动环境下车联网的低延迟协同任务处理方法及装置

Country Status (1)

Country Link
CN (1) CN111538583B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116978232A (zh) * 2023-09-21 2023-10-31 深圳市领航者汽车智能技术开发有限公司 一种基于车联网的车辆数据管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202979022U (zh) * 2012-06-14 2013-06-05 百年金海安防科技有限公司 车联网协同通信整体性网络框架
WO2017160003A1 (ko) * 2016-03-18 2017-09-21 삼성전자주식회사 태스크 스케줄링 방법 및 이를 구현한 전자 장치
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
US20190075157A1 (en) * 2012-05-08 2019-03-07 William Reber, Llc Cloud computing system, vehicle cloud processing device and methods for use therewith
CN109890061A (zh) * 2019-03-19 2019-06-14 中南大学 一种基于锚定效应理论提高车联网中车辆合作率的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190075157A1 (en) * 2012-05-08 2019-03-07 William Reber, Llc Cloud computing system, vehicle cloud processing device and methods for use therewith
CN202979022U (zh) * 2012-06-14 2013-06-05 百年金海安防科技有限公司 车联网协同通信整体性网络框架
WO2017160003A1 (ko) * 2016-03-18 2017-09-21 삼성전자주식회사 태스크 스케줄링 방법 및 이를 구현한 전자 장치
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
CN109890061A (zh) * 2019-03-19 2019-06-14 中南大学 一种基于锚定效应理论提高车联网中车辆合作率的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116978232A (zh) * 2023-09-21 2023-10-31 深圳市领航者汽车智能技术开发有限公司 一种基于车联网的车辆数据管理系统及方法
CN116978232B (zh) * 2023-09-21 2024-01-12 深圳市领航者汽车智能技术开发有限公司 一种基于车联网的车辆数据管理系统及方法

Also Published As

Publication number Publication date
CN111538583B (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
Zhang et al. Adaptive digital twin and multiagent deep reinforcement learning for vehicular edge computing and networks
Lv et al. Diversified technologies in internet of vehicles under intelligent edge computing
CN109669768B (zh) 一种面向边云结合架构的资源分配和任务调度方法
CN111124647B (zh) 一种车联网中的智能边缘计算方法
Hui et al. Collaboration as a service: Digital-twin-enabled collaborative and distributed autonomous driving
CN114143346B (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN112511614B (zh) 基于强化学习的车载边缘环境下智能网联车辆任务卸载方法
CN113344255B (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
CN111538583B (zh) 一种移动环境下车联网的低延迟协同任务处理方法及装置
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
CN116030623A (zh) 认知车联网场景下基于区块链的协作路径规划和调度方法
CN116321298A (zh) 车联网中一种基于深度强化学习的多目标联合优化任务卸载策略
CN116489708A (zh) 面向元宇宙的云边端协同的移动边缘计算任务卸载方法
CN115835294A (zh) 车联网中深度强化学习辅助的ran切片和任务卸载联合优化方法
Song et al. Everyone-centric heterogeneous multi-server computation offloading in ITS with pervasive AI
Lin et al. A Deep-Reinforcement-Learning-Based Computation Offloading With Mobile Vehicles in Vehicular Edge Computing
CN115002123A (zh) 基于移动边缘计算的快速适应任务卸载系统和方法
Xiao et al. SFO: An adaptive task scheduling based on incentive fleet formation and metrizable resource orchestration for autonomous vehicle platooning
CN113709249A (zh) 辅助驾驶业务安全均衡卸载方法及系统
Liu et al. Edgemap: Crowdsourcing high definition map in automotive edge computing
Moghaddasi et al. An enhanced asynchronous advantage actor-critic-based algorithm for performance optimization in mobile edge computing-enabled internet of vehicles networks
CN113448707A (zh) 在边缘计算中在线批并行任务调度方法
CN115051999B (zh) 基于云边协同的能耗最优任务卸载方法、装置及系统
Cui et al. Multi-vehicle intelligent collaborative computing strategy for Internet of Vehicles
CN117956523B (zh) 一种面向车联网边缘计算的任务处理方法

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