CN111626352A - 基于模糊c均值的自适应能耗最优车辆聚类方法 - Google Patents

Abstract

本发明公开了一种基于模糊C均值的自适应能耗最优车辆聚类方法，步骤如下：将车辆接入自组织网络中；通过车辆的角度邻居检测确定车辆的邻居列表；根据自适应能耗最优模型来确定车辆聚类簇数；采用模糊C均值算法对车辆划分成簇；以车辆移动方向、加权移动性值、熵作为加权聚类算法的衡量标准来选择簇头车辆，优化簇头的选举过程来获得稳定的网络。本发明的方法提高了车载自组网的稳定性、均衡功耗、降低网络开销。

Description

基于模糊C均值的自适应能耗最优车辆聚类方法

技术领域

本发明涉及一种基于模糊C均值的自适应能耗最优车辆聚类方法，属于车联网通信技术领域。

背景技术

近年来关于车载自组织网络(Vehicular Ad Hoc Network，VANET)的研究越来越受到学术界和工业界的重视，已经与一些流行的技术如车载云计算网络的数据安全和完整性一起研究。

车载自组织网络是由车辆通过ad hoc网络连接而成，由路侧单元(road sideunit，RSU)和车载控制单元(on board unit，OBU)组成。OBU安装在车内可视为一个移动节点，车辆的基本通信形式可分为车辆对车辆(Vehicle to Vehicle，V2V)和车辆对基础设施(Vehicle toInfrastructure，V2I)。车载自组织网络虽然是移动自组织网络在车联网场景下的延伸，但由于车辆节点的高速移动性，直接应用MANET传统的网络层次拓扑结构到VANET环境下是不兼容的。此外，VANET中的数据转发要求低延迟传输和高可靠性，而车辆节点数量大、路由器部署少，应用传统自组织网络的扁平化网络结构会导致网络的可扩展性差，所以学术界学者们提出在车载自组织网络内建立聚类结构对网络拓扑进行管理，以减少VANET拓扑结构的变化。并且，随着移动车辆节点存储的用户信息(如车辆的位置、运动轨迹信息)越来越多，其安全隐私性问题也亟需重视，保证这些信息在车载自组织网络中安全可靠地传输也是一大挑战。

目前，在车联网环境下海量数据都是通过传统的云计算进行处理的，虽然云端处理的存储、计算能力非常强大，但是车联网环境下的各类业务对时延要求很高，其很难保证服务质量，因此需要在车联网中引入移动边缘计算技术，将时延敏感型业务“下沉”至靠近用户处理。基于MEC的车联网架构有利于实现各种时延敏感型业务的超高可靠、低时延的处理要求，也优化了网络资源、提升用户隐私安全。此外，相较于传统的云计算架构，在靠近用户设备处的边缘云中进行消息传输或任务处理有利于保护用户的隐私信息。理想情况下，边缘服务器的部署应当越多越好，以减少服务请求的延迟，但是这必然会带来巨大的能源消耗。这不仅会导致产生成本高昂的问题，同时，也与绿色通信理念相违背，故移动边缘计算中的能耗问题会是一个巨大的挑战。

因此，结合VANET特性，在基于MEC的车联网环境下设计出一种高效的聚类拓扑控制算法来优化网络的连通性及稳定性，对VANET的协议开发和网络管理等方面有着重要的意义。此外，在车联边缘网络环境下，由于车辆的计算能力可以充分利用起来，其可以考虑作为辅助性的边缘服务器为周围邻居车辆或者行人提供服务，那么车载边缘服务器的能耗优化问题在车辆聚类中也需要进行解决。

发明内容

为了克服现有技术中存在的不足，本发明提供一种基于模糊C均值的自适应能耗最优车辆聚类方法，以解决现有技术中移动边缘计算中高能耗的问题。

为实现上述目的，本发明采用的技术方案如下：

本发明的一种基于模糊C均值的自适应能耗最优车辆聚类方法，步骤如下：

S1：将车辆接入自组织网络中；

S2：通过车辆的角度邻居检测确定车辆的邻居列表；

S3：根据自适应能耗最优模型来确定车辆聚类簇数；

S4：采用模糊C均值算法对车辆划分成簇；

S5：以车辆移动方向、加权移动性值、熵作为加权聚类算法的衡量标准来选择簇头车辆，优化簇头的选举过程来获得稳定的网络。

进一步地，所述步骤S2具体包括：将车辆速度矢量之间的角度作为衡量标准，当且仅当车辆速度矢量之间的夹角为锐角时，两个车辆聚类到一个簇；车辆在接收到周围车辆广播的hello数据后，通过车载GPS获得的位置信息，将考虑与其夹角在阈值范围内的车辆作为潜在邻居车辆，忽略其他周围车辆所广播的hello数据。

进一步地，所述步骤S3具体包括：基于VNF(虚拟化网络功能单元)的流行度来进行动态调整VM(虚拟机)所占用的CPU资源分配，得到能耗最优模型，根据此能耗最优模型获得最优值k。

进一步地，所述步骤S4中一个簇具有一个簇头和多个簇内成员(即车辆节点)，每个车辆只能划分至一个簇内，保证划分的簇互不相交。

进一步地，所述步骤S4具体包括：根据车辆建模参数采用模糊C均值算法对车辆划分成簇，参数包括：车速、车距及角度。

本发明的有益效果：

本发明的方法在功耗和簇群生存周期评价指标下性能均表现良好，可以有效降低车载边缘服务器的整体功耗和网络开销，并提高了车载自组网的鲁棒性和稳定性。

附图说明

图1为本发明方法的流程示意图；

图2为本发明方法中车辆移动角度的计算二维图像示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于模糊C均值的自适应能耗最优车辆聚类方法，应用于车辆自组网络中，通过计算车辆之间的角度来确定车辆的邻居列表，防止车辆在交叉道路上发生错误聚类；利用模糊C均值聚类算法对车辆进行有效分簇，其中模糊C均值的聚类簇值根据自适应的能耗最优模型来预先确定，并提出以车辆移动方向、加权移动性值、熵值作为加权聚类算法的指标来选择簇头，延长了簇头生命周期，降低重新聚类频率，从而提高了车载自组网的稳定性并降低了网络的开销。具体方法步骤如下：

S1：通过现有的车联网技术，在异构通信网络之间建立协作关系，从而为车辆提供可靠的Internet服务，从而将车辆接入自组织网络中。

S2：为了能够保证簇的稳定性，车辆的邻居列表需要通过角度邻居检测进行选择，而不是通过在整个通信范围内交换Hello数据包来发现相邻车辆；

具体的，将车辆速度矢量之间的角度作为衡量标准，当且仅当车辆速度矢量之间的夹角为锐角时，两个车辆聚类到一个簇。由于各车辆均配有GPS，可以获得车辆v₁与车辆v₂在t、t-1时刻的位置信息；如图2，在t时刻，车辆v₁的位置矢量为(x₁,y₁)，车辆v₂的位置矢量为(x₂,y₂)；在t-1时刻，车辆v₁的位置矢量为(x₁',y₁')，车辆v₂的位置矢量为(x₂',y₂')。

那么，车辆v₁与车辆v₂之间的夹角θ可由余弦定理得出：

车辆v_i在接收到来自周围车辆的hello数据之后，将只会考虑与其夹角在阈值范围内的车辆作为潜在邻居车辆，忽略其他周围车辆所广播的hello数据，即

为阈值；当夹角θ超过18°时，车辆被认为在不同道路上行驶，因此，将阈值

定为18°；当夹角θ在阈值范围内，则两个车辆被标识为以相同的方向行驶；当夹角超过阈值，即视为不同移动方向。

S3：根据自适应能耗最优模型来确定车辆聚类簇数；

具体的，基于VNF(虚拟网络功能单元)的流行度来进行动态调整VM(虚拟机)所占用的CPU资源分配。根据到达MEC(移动边缘计算)服务器的请求流的流行度不同，替代平均分配CPU的方式，自适应不同类型请求的流行度动态调整车辆中每个虚拟机的计算资源，从而最小化车载服务器资源的功率。

本发明基于服务功能链SFC来对边缘服务器进行分簇，共有m个边缘服务器，被分为互不重叠的k个簇。每个簇中的服务器分为两种类型：本地簇头服务器(LC)与成员服务器(Member)，每个群集只有一个簇头；簇头边缘服务器的数量为k，成员边缘服务器的数量为(m/k-1)。在本发明所阐述的边缘服务器聚类模型下，假设每个簇内至少有一个簇头服务器和一个成员服务器，即1≤k≤m/2。当边缘服务器仅分为一个簇时，那么将会有mc-n个空闲的VM；当簇数大于1时，空闲的VM数量为mc-(k-1)c-n。当k≥(m+1-n/c)时，会有(k-1)c个VM被LVNF(簇头虚拟网络功能单元)占用，故此时有N_U个MVNF(成员虚拟网络功能单元)没有被安装。其中，N_U＝max[n-(m-k+1)c,0]。

对于每个群集，成员边缘服务器节点可以存储不同种类的VNF，簇头服务器具有群集的VNF分发信息。至于从用户设备(UE)源节点到目的节点的连接请求，数据流控制器使用包括源头ID，目的地ID和头部中所需的VNF的信令分组连接到LC节点。在创建VNF服务链时，每个数据流都由LC节点启动。每个数据流都需要在其数据包的标头中提供{源ID，目标ID，所需的VNF}信息。基于所需的VNF字段，LC节点确定群集中需要引导流向链路中的VNF的路由。如果所需的VNF不在群集中，则从具有所需的VNF的另一个最近的群集迁移，然后MC(成员服务器)节点创建VNF链。

在T(k)时间间隔内边缘服务器的虚拟机VE接收到的流的数目为n_f，每个流包含的请求数n_ref，故在T(k)时间间隔内边缘服务器的总请求数为n_fn_ref。单个簇头边缘服务器虚拟机LVE在T(k)时间间隔内的平均请求数为：

那么，第j个LVE每秒忙的概率为p_lvej：

其中，t_j是当一个请求到达第j个LVE时LVE的处理时间，

η_j为第j个LVE专用于处理任务请求流的时间比例。

因此，单个LVE每秒CPU负载为：

当一个请求来到LVE，假设CPU全功率运转，即VM完全处理请求，

若边缘服务器上的单个虚拟机VM平均分配CPU的资源，那么η_j为定值，且

LC边缘服务器的CPU负载为：

基于NFV(NFV，Network Function Virtualized，网络功能虚拟化)技术，一个边缘服务器有多个虚拟机(VM)，一个VM对应一个VNF。簇头边缘服务器上的VNF的种类个数为固定的，而成员服务器上运行的VNF是根据流行度来进行更换，即出现VM迁移。当边缘服务器所有的VM被占用，最低流行度的VNF可被替换，因此l_Member成员服务器的平均CPU负载分为l_rep(替换成员服务器上的VNF所需的平均CPU负载)与l_M(边缘服务器上运行VNF所需的平均CPU负载)。因此，总功耗为：P_mec(k)＝kP(l_LC)+(m-k)P(l_M+l_rep)。

(1)替换MVE(成员边缘服务器虚拟机)时每秒CPU的负载；

当请求流到达集群时，任务请求所需的VNF未被安装，此时，集群中流行度最低的VNF将会被替换为任务流所需的VNF，此动态替换会占用服务器的CPU资源，所以将产生额外的功率损耗。即[mc-(k-1)c]≤n的情况下，需要更换还未安装的低流行度的VE。

由于未安装的MVE被动态替换，需要通过限定n_u个未安装MVE的流行度总和p_U的区间范围来得到p_U的值。由于流行度最低的MVE在初始时被卸载，所以p_U的最小临界值为

当请求流要求MVE j′处理任务，其中，j′∈N_ul，流行度最低的MVEn-n_U将被替换为MVE j'。如果另一个请求流要求MVE j″处理任务，其中j″∈N_ul，且j″≠j'，MVEj'又将被替换为MVE j″。故p_U的最大临界值为

N_ul＝{n-n_U,n-n_U+1,…,n-1}。

所以，p_U的区间范围为：

由于

与

的差值为

可忽略不计，因此p_U的值可被估算为

其中，N_U为未安装的MVE的集合，N_U＝{n-n_U+1,n-n_U+2,…n}。

那么，每秒替换MVE的CPU负载为：

(2)成员边缘服务器中运行请求时每秒CPU的负载；

在[mc-(k-1)c]≥n的情况下，少数服务器处理集中请求而大多剩余服务器处于空闲状态，因此无需迁移VM。计算成员边缘服务器中运行请求时每秒CPU的负载，需要确定成员服务器的平均流行度，即等于成员服务器中安装的MVE的流行度之和除以成员服务器的数量。已安装于成员服务器上的所有MVE的流行度之和为1-P_L-P_U，那么每个成员服务器中已安装的MVE的平均流行度总和p_M为：

当一个请求到达MVE时，MVE的处理时间为t_j，

那么，在第i个簇中第v种的MVE每秒忙的概率

为：

其中，i∈{1,2,…m-k}，v∈{1,2,…c}；当一个请求来到MVE，VM完全处理请求(CPU全功率运转)时，

因此，单个MVE每秒CPU负载为：

由于成员服务器中每个MVE运行时是互不干扰的，所以，当成员服务器中所有的MVE运行时，CPU每秒负载为：

由于

因此成员边缘服务器中运行请求时每秒CPU的负载为：

在系统模型中，MEC服务器的功耗计算主要分为两部分，包括了簇头边缘服务器的功耗与成员服务器的功耗；总功耗为：

P_mec(k)＝kP(l_LC)+(m-k)P(l_Member)

＝kP(l_LC)+(m-k)P(l_M+l_rep)

因此，自适应的服务器功耗最优模型可以转化为凸优化问题进行求解：

s.t.T(k)≤T_req,1≤k≤m/2

0≤l_LC,l_m+l_req≤1

由于降低了整个车联边缘网络环境下的车载边缘服务器的总能耗，将会导致其任务处理时间增加，但本发明保证车载MEC服务器中处理任务请求流的平均延迟T(k)将维持在可接受的水平，即T(k)≤T_req。同时，为了保证每个簇内至少有一个簇头服务器和一个成员服务器，即还需要满足1≤k≤m/2的约束条件。

LC边缘服务器的CPU负载公式

最小化LC边缘服务器的CPU负载，即要求

即转化为

的求解。因此，本发明根据柯西不等式来求解

的最小值，即求解：

由于

根据服务器CPU资源模型，

根据柯西不等式定理，可得

当且仅当p₁η₁ ²＝p₂η₂ ²＝p_cη_c ²，等号成立。

即最小化车载LC边缘服务器的CPU负载为：

同理，成员服务器运行时的CPU负载为：

因此，自适应不同请求流行度的车载MEC服务器功耗最小化模型如下：

s.t.T(k)≤T_req,1≤k≤m/2

0≤l_LC,l_m+l_req≤1

根据此能耗最优模型获得最优值k，即最小化车辆服务器整体能量消耗的最佳聚类数k。为了确定最佳聚类k值，要保证P_mec(k)函数为凸函数，以便有效地计算出最佳数量的簇，以最小化MEC服务器的功耗。因此，需要在两种情况下解决此最优化问题。在满足功耗模型凸性的条件下，通过凸优化确定最优簇数。当模型不符合凸性条件，则通过遍历搜索算法找到最佳簇数k。

S4：根据车速、车距、角度等参数采用模糊C均值算法对车辆划分成簇；

具体的，将包含车辆v₁,v₂,…v_n属性值的数据集X＝{x₁,x₂,…x_n}划分成c∈{2,…,n}个簇。其中，数据集X包括车速、车距、角度三个属性。簇划分的情况可以通过k×n的隶属度矩阵U来表征，其中u_ij的值即为车辆v_i对于簇j的隶属度，u_ij∈(0,1)。当u_ij＝0时，代表车辆v_i不属于簇j；当u_ij＝1时，代表车辆v_i被划分到簇j。u_ij的数值越大表示车辆v_i对于簇j的隶属度越高，u_ij满足下式：

i＝1,2,…c；j＝1,2,…n

定义簇的均值向量矩阵为Β＝{μ₁,μ₂,μ₃,…μ_c}，车辆数据集X与均值向量B之间的距离用矩阵D来表示。距离矩阵D利用欧几里得距离

求得：

目标函数即为：

其中，m为模糊系数，一般取值m＝2。利用拉格朗日优化方法，引入拉格朗日乘子λ，则目标函数写成：

利用拉格朗日乘数方法，令偏导数

推出隶属度及聚类中心均值向量更新公式：

S5：提出以车辆移动方向、加权移动性值、熵作为加权聚类算法的衡量标准来选择簇头车辆，优化簇头的选举过程以便可以获得更加稳定的网络。

具体的，利用模糊C均值算法对车辆进行聚类分簇之后，基于WCA算法对簇内的车辆v_i计算其加权和，加权和最小的车辆节点则被选择为簇头。

以车辆的位置信息

加权移动性值

熵值H_v(t,Δt)替代WCA中考虑的特征参数：

1.车辆的位置信息

表示车辆与车辆之间是相互远离还是靠近；

2.车辆的加权移动性值

衡量了车辆与其邻居车辆的相对稳定度；

3.车辆的熵值H_v(t,Δt)，反映了以车辆v为中心的网络是否稳定。

那么，车辆v的加权和计算为：

其中，w₁,w₂,w₃为相应的加权因子，且

其中加权因子的取值可根据其相应的参数重要程度进行设定。

以车辆移动方向、加权移动性值、熵值作为加权聚类算法的指标来选择簇头，延长了簇头生命周期，降低重新聚类频率，从而提高了车载自组网的稳定性并降低了网络的开销。

尽管以上本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下，在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (5)

1.一种基于模糊C均值的自适应能耗最优车辆聚类方法，其特征在于，步骤如下：

S1：将车辆接入自组织网络中；

S2：通过车辆的角度邻居检测确定车辆的邻居列表；

S3：根据自适应能耗最优模型来确定车辆聚类簇数；

S4：采用模糊C均值算法对车辆划分成簇；

S5：以车辆移动方向、加权移动性值、熵作为加权聚类算法的衡量标准来选择簇头车辆。

2.根据权利要求1所述的基于模糊C均值的自适应能耗最优车辆聚类方法，其特征在于，所述步骤S2具体包括：将车辆速度矢量之间的角度作为衡量标准，当且仅当车辆速度矢量之间的夹角为锐角时，两个车辆聚类到一个簇；车辆在接收到周围车辆广播的hello数据后，通过车载GPS获得位置信息，将与其夹角在阈值范围内的车辆作为潜在邻居车辆，忽略其他周围车辆所广播的hello数据。

3.根据权利要求1所述的基于模糊C均值的自适应能耗最优车辆聚类方法，其特征在于，所述步骤S3具体包括：基于虚拟化网络功能单元的流行度来进行动态调整虚拟机所占用的CPU资源分配，得到能耗最优模型，根据该能耗最优模型获得最优值k。

4.根据权利要求1所述的基于模糊C均值的自适应能耗最优车辆聚类方法，其特征在于，所述步骤S4中一个簇具有一个簇头和多个簇内成员，即车辆节点；每个车辆只能划分至一个簇内，保证划分的簇互不相交。

5.根据权利要求1所述的基于模糊C均值的自适应能耗最优车辆聚类方法，其特征在于，所述步骤S4具体包括：根据车辆建模参数采用模糊C均值算法对车辆划分成簇，参数包括：车速、车距及角度。

Images