CN111626354A - 应用于车联网中的基于任务依赖性的聚类方法 - Google Patents

Abstract

本发明公开了一种应用于车联网中的基于任务依赖性的聚类方法，包括步骤如下：构建车联网络中的任务到达模型以及有向无环图任务处理模型；对任务到达模型中各车辆产生的任务集的样本与任务到达模型中各车辆的特征进行相关性学习；将来自源任务的相关特征加入到目标任务的集群中；对不同的任务集进行聚类处理。本发明的方法能够提高车辆网中任务处理的效率，从而使在车载异构网络的环境下，处理时延及能耗能够得到降低。

Description

应用于车联网中的基于任务依赖性的聚类方法

技术领域

本发明涉及一种应用于车联网中的基于任务依赖性的聚类方法，属于通信技术领域。

背景技术

作为移动自组织网络(MANET)的一种特殊形式，车载自组织网络(VANET)使车辆能够与其他车辆以及基础设施进行通信，能够提供各种应用；例如交通流控制，互联网访问以及车载多媒体应用等。多种多样的复杂车载应用给车联网服务器处理的处理能力带来了很大的挑战，一方面在考虑提升服务器处理性能的同时，另一方面，对于车辆任务的处理也需要考虑在内。但由于车载自组织网络特殊的网络特性如动态拓扑，信道竞争机制以及各种服务质量(QoS)的要求等，目前的任务聚类算法并不能很好的适用于车载自组织网络中。

当前，多任务聚类已经成为分布式计算中的重要研究主题，国内外已有许多通过数据集样本的划分对目标任务进行聚类处理的方法。例如，基于任务聚类的IABC云计算资源调度方法、基于集群的无线传感器网络中的分层集群任务调度策略、通过实例转移实现多任务聚类等等。但对于车联网中任务聚类方法的研究还不是很多，对于当中存在的问题还没办法很好的解决。

针对现有的问题，本发明把任务聚类引入到车载边缘网络中，提出了一个适用于车载边缘网络的基于任务依赖性的任务聚类方法，通过构造相似度矩阵进行任务聚类，对具有相同特征的不同任务集中处理，在牺牲了一定聚类效果的情况下提升了车联网中任务处理的整体效率。

发明内容

为了克服现有技术中存在的不足，本发明提供一种应用于车联网中的基于任务依赖性的聚类方法，以解决现有技术中目前的任务聚类算法并不能很好的适用于车载自组织网络的问题。本发明的方法能够提高车辆网中任务处理的效率，从而使在车载异构网络的环境下，处理时延及能耗能够得到降低。

为实现上述目的，本发明采用的技术方案如下：

本发明的一种应用于车联网中的基于任务依赖性的聚类方法，包括步骤如下：

步骤1：构建车联网络中的任务到达模型以及有向无环图任务处理模型；

步骤2：对任务到达模型中各车辆产生的任务集的样本与任务到达模型中各车辆的特征进行相关性学习；

步骤3：将来自源任务的相关特征加入到目标任务的集群中；

步骤4：对不同的任务集进行聚类处理。

进一步地，所述步骤1中的任务到达模型：在单向道路中，沿街道路布置N个RSU，且在每两个相邻的数据中心之间均布置一个MEC服务器为位于RSY传输范围内的车辆提供任务处理服务。

进一步地，所述步骤1中的有向无环图任务处理模型：结合有向无环图的数学基本模型和车联网环境下的任务生成机制构建而成；有向无环图，是一种无环的有向图，其由有限个顶点和有向边组成，每条有向边均从一个顶点指向另一个顶点，且从任意一个顶点出发均未通过所述有向边回到原来的顶点。

进一步地，所述步骤2具体包括：为每个目标任务(预设的聚类任务)构造一个相似度矩阵，其中任意两个数据点之间的相似度是目标任务本身及选定任务之间共享最近邻的标准化加权数；给定一个数据集X∈R^d×n，设置两个矩阵：

和

其中，W是有向无环图的矩阵，D是度矩阵，D₁(i,i)＝∑_j X_ij，D₂(j,j)＝∑_iX_ij；则目标函数表示为：

其中，L＝D^-1/2(D-W)D^-1/2，Z＝[U；M]，U∈R^d×c由特征向量c组成，表示特征的划分，M∈R^n×c同样由特征向量c组成，表示样本的划分；式(1)表示为：

其中，A＝D₁ ^-1/2XD₂ ^-1/2。

进一步地，所述步骤2具体还包括：在有向无环图共聚类方法中，第t任务

的第v视图中的特征向量看作是关联特征的线性组合的降维，也称为子空间基；考虑到在公共视图v下，相关任务共享一个子空间U^(v)，由于有向无环图共聚类方法包含一个可看作子空间的分量

且特征

的特征向量可由样本

的特征向量提升，故使用有向无环图共聚类方法来学习共享子空间U^(v)，在所有相关的任务中

均可提升共享子空间U^(v)；

其中，

是任务t中的样本与公共视图v中任务共享的特征之间的数据矩阵。

进一步地，所述步骤3具体包括：根据目标函数中的条件概率计算工作流中任务的依赖关系；

任务T_i在假定任务T_j为基于数据集的常见任务发生的概率；使用上述式(4)中的条件概率计算工作流中任务的依赖关系以此来判定向子任务之间转移遵循的标准。

进一步地，所述步骤4具体包括：从列联表中创建出联合概率表以及边际概率表，其中的数据是每个任务数据集的常用频率，根据条件概率公式：

得出相应的条件概率；根据条件概率得出每一个任务对的相对依赖性；如果这些任务对的数目不相同，则逐行筛选，由每个任务依赖的最大值来聚类；在这种情况下，如果两对任务在数量上不相同，t_i≠t_j，但任务依赖的最大值相同，使用第一对任务作为依赖项；按此过程进行任务聚类；聚类后，根据数据感知调度将任务分配给边缘服务器，利用边缘服务器对其进行任务的计算处理。

本发明的有益效果：

通过本发明的方法对车联网中到达的任务进行聚类处理能够减少服务器需要处理任务的数量，对特征高度吻合的任务进行批量处理，节约服务器的资源。

附图说明

图1为车载边缘网络中的任务到达模型示意图。

图2为基于车辆任务生成的有向无环图模型示意图。

图3为本发明方法的流程图。

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3所示，本发明的一种应用于车联网中的基于任务依赖性的聚类方法，包括步骤如下：

步骤1：构建车联网络中的任务到达模型以及有向无环图任务处理模型；

步骤2：对任务到达模型中各车辆产生的任务集的样本与任务到达模型中各车辆的特征进行相关性学习；

步骤3：将来自原任务的相关特征加入到目标任务的集群中；

步骤4：对不同的任务集进行聚类处理。

示例中，考虑单向道路的情况，如图1所示；在单向道路中，设置了N个RSU(路侧单元)，在每两个相邻的数据中心之间都会布置一个MEC(移动边缘计算)服务器为位于RSU传输范围内的车辆提供任务处理服务。RSU之间通过无线回程通信，传输范围为L/2，确保道路上的每辆车都能被至少一个RSU覆盖。

每个车辆终端都会不时地生成任务请求，利用公式(1)表示车辆任务到达边缘服务器的分布；

其中，N(s)表示路段中车辆的数量，D_i表示每个时间单元内车辆i生成的任务数量；任务到达后通过边缘计算服务器进行处理，假定样本集D＝{x₁,x₂,...,x_m}，该样本集包含m个无标记样本，每一个无标记样本表示不同的任务类型，例如道路信息，车载多媒体娱乐，车辆状况以及自动驾驶请求等，每一个样本x_i＝(x_i1,x_i2,....x_in)是一个n维特征向量，每一个向量表示相同类型的不同任务。将样本D划分为k个不相关的簇{C_l|l＝1,2,...,k}，其中，C_l′∩_l′≠lC_l＝Φ且

相应的，用λ_j∈{1,2,...,k}表示样本x_j的“簇标记”，即

用包含m个元素的簇标记向量λ＝(λ₁,λ₂,...,λ_m)表示聚类的结果。对于每一个任务x_mn，可以定义为x_mn＝{a^x,b^x}，其中，a^x表示一组特征组成的特征空间，b^x是表示一组潜在标签的标签空间。对于不同的任务i与j，如果bⁱ＝b^j，则完全相关，如果bⁱ≠b^j，bⁱ∩b^j≠b^j，则部分相关，如果bⁱ∩b^j＝Φ，则不相关。

接下来进行相关性学习，使用如图2所示的有向无环图对每个车辆产生的任务集的样本与其特征进行相关性学习，为每个目标任务构造一个相似度矩阵，其中任意两个数据点之间的相似度是目标任务本身及选定任务之间共享最近邻的标准化加权数。给定一个数据集X∈R^d×n，设置两个矩阵：

和

其中，W是有向无环图的矩阵，D是度矩阵，D₁(i,i)＝∑_jX_ij，D₂(j,j)＝∑_iX_ij。则目标函数可以表示为(定义度矩阵进行相关性学习，构建任务之间的相似矩阵)：

其中，L＝D^-1/2(D-W)D^-1/2，Z＝[U；M]，U∈R^d×c由特征向量c组成，表示特征的划分，M∈R^n×c同样由特征向量c组成，表示样本的划分。

基于相关性学习的基础上，对车联网中到达的任务进行聚类处理，从而减少服务器需要处理任务的数量，对特征高度吻合的任务进行批量处理，节约服务器的资源。在这个过程中，将来自源任务的相关任务特征加入到目标任务的集群中。为了达到这个目的，根据目标函数中的条件概率计算工作流中任务的依赖关系；

任务t_i在假定任务t_j为基于数据集的常见任务发生的概率。考虑到源任务和目标任务的可能是相关的，使用式(3)中的条件概率计算工作流中任务的依赖关系以此来判定向子任务之间转移遵循的标准。

在经过聚类之后，根据数据感知调度将任务分配给边缘服务器，利用边缘服务器对其进行任务的计算处理。

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 (6)

1.一种应用于车联网中的基于任务依赖性的聚类方法，其特征在于，包括步骤如下：

步骤1：构建车联网络中的任务到达模型以及有向无环图任务处理模型；

步骤2：对任务到达模型中各车辆产生的任务集的样本与任务到达模型中各车辆的特征进行相关性学习；

步骤3：将来自源任务的相关特征加入到目标任务的集群中；

步骤4：对不同的任务集进行聚类处理。

2.根据权利要求1所述的应用于车联网中的基于任务依赖性的聚类方法，其特征在于，所述步骤1中的任务到达模型：在单向道路中，沿街道路布置N个RSU，且在每两个相邻的数据中心之间均布置一个MEC服务器为位于RSY传输范围内的车辆提供任务处理服务。

3.根据权利要求1所述的应用于车联网中的基于任务依赖性的聚类方法，其特征在于，所述步骤1中的有向无环图任务处理模型：结合有向无环图的数学基本模型和车联网环境下的任务生成机制构建而成；有向无环图，是一种无环的有向图，其由有限个顶点和有向边组成，每条有向边均从一个顶点指向另一个顶点，且从任意一个顶点出发均未通过所述有向边回到原来的顶点。

4.根据权利要求1所述的应用于车联网中的基于任务依赖性的聚类方法，其特征在于，所述步骤2具体包括：为每个目标任务构造一个相似度矩阵，其中任意两个数据点之间的相似度是目标任务本身及选定任务之间共享最近邻的标准化加权数；给定一个数据集X∈R^{d ×n}，设置两个矩阵：

和

其中，W是有向无环图的矩阵，D是度矩阵，D₁(i,i)＝∑_jX_ij，D₂(j,j)＝∑_iX_ij；则目标函数表示为：

其中，L＝D^-1/2(D-W)D^-1/2，Z＝[U；M]，U∈R^d×c由特征向量c组成，表示特征的划分，M∈R^{n ×c}同样由特征向量c组成，表示样本的划分；式(2)表示为：

其中，A＝D₁ ^-1/2XD₂ ^-1/2。

5.根据权利要求1所述的应用于车联网中的基于任务依赖性的聚类方法，其特征在于，所述步骤2具体还包括：在有向无环图共聚类方法中，第t任务

的第v视图中的特征向量看作是关联特征的线性组合的降维，也称为子空间基；考虑到在公共视图v下，相关任务共享一个子空间U^(v)，由于有向无环图共聚类方法包含一个可看作子空间的分量

且特征

的特征向量可由样本

的特征向量提升，故使用有向无环图共聚类方法来学习共享子空间U^(v)，在所有相关的任务中

均可提升共享子空间U^(v)；

其中，

是任务t中的样本与公共视图v中任务共享的特征之间的数据矩阵。

6.根据权利要求1所述的应用于车联网中的基于任务依赖性的聚类方法，其特征在于，所述步骤3具体包括：根据目标函数中的条件概率计算工作流中任务的依赖关系；

任务T_i在假定任务T_j为基于数据集的常见任务发生的概率；使用上述式(4)中的条件概率计算工作流中任务的依赖关系以此来判定向子任务之间转移遵循的标准。

Images