CN111831427A - 一种基于移动边缘计算的分布式车辆间任务卸载方法 - Google Patents
一种基于移动边缘计算的分布式车辆间任务卸载方法 Download PDFInfo
- Publication number
- CN111831427A CN111831427A CN202010417308.1A CN202010417308A CN111831427A CN 111831427 A CN111831427 A CN 111831427A CN 202010417308 A CN202010417308 A CN 202010417308A CN 111831427 A CN111831427 A CN 111831427A
- Authority
- CN
- China
- Prior art keywords
- task
- vehicle
- vehicles
- service vehicle
- service
- 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
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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于移动边缘计算的分布式车辆间任务卸载方法,首先建立车辆移动边缘云模型,将行驶中的车辆分为任务车和服务车两类;接着对任务的优先级进行了划分,并以此创建任务队列;然后,建立任务卸载模型,针对建模所得的不等式约束问题转化为无约束问题,并使用牛顿迭代法求解,具有更快的算法收敛速度;最后,管理车辆空闲计算资源,为任务车分配任务卸载集合。本发明和传统云计算相比,具有更低的系统的整体延迟和更低的任务超时概率,从而改善用户体验质量。
Description
技术领域
本发明属于车联网技术领域,具体涉及一种基于移动边缘计算的分布式车辆间任务卸载方法。
背景技术
汽车数量的不断增加也引发了如交通拥堵,交通事故等诸多问题,为了在一定程度上缓解这些问题,车辆之上开始搭载一些感知设备,但是受限于一些车辆自身的可用资源,车辆本身往往无法处理这些数据,而车联网的出现在很多方面解决了此类问题。起初,云计算因其强大的计算和存储能力可以作为车联网的一种可能的解决方案,然而传统的集中式云计算由于距离较远和车辆的移动性,导致在车联网环境下网络连接的不稳定,从而使得安全消息无法得到及时处理。移动边缘计算(MEC)是一种更适用于车联网环境的解决方案,借助移动边缘计算,车辆可以利用距离更近的边缘服务器或者路边单元(RSU)提供的计算资源;也可以利用车辆间的协作,调用其他车辆的空闲计算资源共同完成计算任务以获得更低的时延,这对于安全消息的及时处理是十分重要的。
因此本发明针对车辆本地处理能力不足以及云计算延迟较高的问题,提出了一种基于移动边缘计算的分布式车辆间任务卸载方法,为车辆提供更低的计算延迟,从而改善用户体验。
发明内容
发明目的:本发明提出一种基于移动边缘计算的分布式车辆间任务卸载方法,以达到降低更新车载设备以及大规模部署高性能路边单元成本的目的。
发明内容:本发明提出一种基于移动边缘计算的分布式车辆间任务卸载方法,包括以下步骤:
(1)建立车辆移动边缘云模型,将行驶中的车辆分为任务车和服务车两类;
(2)基于熵值法划分任务优先级,创建任务队列;
(3)建立任务卸载模型,针对建模所得的不等式约束问题转化为无约束问题,并使用牛顿迭代法求解,具有更快的算法收敛速度;
(4)管理车辆空闲计算资源,为任务车分配任务卸载集合。
进一步地,所述步骤(1)包括以下步骤:
(11)任务车在MEC服务器的控制下将车辆所产生的计算任务卸载到附近的服务车;
(12)服务车会定期向其通信范围内的MEC服务器发送它的状态信息;
(13)任务车在生成计算任务后,向MEC服务器发起任务卸载请求消息,消息的内容为任务的特征参数;
(14)MEC服务器根据任务的特征参数,执行提前在MEC服务器中部署的任务卸载算法,根据所得的任务卸载策略将任务车的任务卸载到服务车。
进一步地,所述步骤(2)包括以下步骤:
(21)将步骤一中描述的任务集合展开成如下的矩阵:
其中,计算任务表示为集合T={T1,T2,...,TN},每个任务的特征可以表示为Ti={di,ωi,τi,pi},其中di,ωi,τi,pi分别表示计算任务的数据量大小(单位:bit),计算强度(单位:cycle/bit),最大延迟限度(单位:s)和任务的类别;
(22)用αr,r={1,2,3,4}表示T的每个列向量,对上述矩阵中的每一列求每个元素出现的概率,如下式所示:
每个参数的熵值可以通过式(3)来计算:
(23)得到每个参数的熵值后,该参数所对应的权重由式(4)给出:
(24)将权重向量表示为W=[w1,w2,w3,w4],因此每个任务请求的权重即优先级可以通过式(5)得出:
(25)得到任务请求消息的优先级向量之后,根据每个请求的优先级将请求消息放入优先级队列之中,任务卸载每次从队列中取一个任务。
进一步地,所述步骤(3)实现过程如下:
任务i的总延迟为:
求解目标是最小化系统的平均延迟,表述为如下的最优化问题:
其中,tinit为第i个请求的进程初始化等待时间,Δt为时隙间隔,服务车j所能提供的最大空闲计算能力用表示(单位:cycle/s),并且提供给任务i的计算能力为服务车j的最大通信带宽为 (单位:bit/s)为服务车与任务车之间的传输速率,车辆与MEC服务器连接的持续时间为约束条件C1保证了进程初始化的等待时间和系统时隙间隔不会使队列中最后一个任务总延迟超出延迟期限,C2使得服务车中的所有进程占用的计算资源小于共享的最大空闲资源,C3指出了Δt时间内所有任务卸载的总带宽不超过服务车最大传输带宽,C4要求任务i必须在服务车j的连接持续时间内完成传输和计算。
进一步地,所述步骤(4)实现过程如下:
(41)将步骤(3)获得的目标函数和约束条件改写成如下形式:
gp(x)<0,gp(x)=fp(x)-c (16)
(42)将上述不等式凸优化问题重新表述为如下的无约束问题:
其中:
(43)使用Q-(x)的近似函数做替换:
(44)将目标问题,转化为如下的近似问题:
(45)使用牛顿迭代法快速的求得卸载的服务车集合以及进程分配,并将卸载服务车集合通知给任务车执行,同时初始化任务进程,在服务车集合中创建子进程;
(46)将目标函数式(20)用p(x)表示:
有益效果:与现有技术相比,本发明的有益效果:任务处理的延迟相对云计算和本地处理更低;任务处理超时概率相对云计算和本地处理更小;本发明用于车联网环境中可以帮助一些处理能力较弱的车载设备以更快的速度及时完成车辆计算任务,以达到降低更新车载设备以及大规模部署高性能路边单元成本的目的。
附图说明
图1为本发明所用车辆云计算框架图;
图2为本发明步骤四所用算法流程。
具体实施方式
下面结合附图对本发明作进一步详细描述。本发明提供一种基于移动边缘计算的分布式车辆间任务卸载方法,具体包括以下步骤:
步骤一:建立车辆移动边缘云模型,将行驶中的车辆分为任务车和服务车两类。
如图1所示,本发明将车辆云计算架构中的车分为两类,一类是生成计算任务的车辆(简称为任务车),一类是可以共享空闲计算资源提供计算服务的车辆(简称为服务车)。任务车在MEC服务器的控制下将车辆所产生的计算任务卸载到附近的服务车,其中,MEC服务器可以是虚拟化的网络资源,也可以是物理主机。服务车会定期向其通信范围内的MEC服务器发送它的状态信息,包含车辆的速度,行驶方向和可提供的计算资源等。任务车在生成计算任务后,向MEC服务器发起任务卸载请求消息,消息的内容为任务的特征参数,MEC服务器根据任务的特征参数,执行提前在MEC服务器中部署的任务卸载算法,根据所得的任务卸载策略将任务车的任务卸载到服务车或者服务车集合。
在上述架构中,系统的时隙定义为t={t1,t2,...,tk},时隙间隔用Δt表示,并且在tk时刻,每个MEC服务器通信范围内,只考虑产生一个计算任务卸载请求的情况,因此将Δt时间内不同车辆产生的计算任务表示为集合T={T1,T2,...,TN},每个任务的特征可以表示为Ti={di,ωi,τi,pi},其中di,ωi,τi,pi分别表示计算任务的数据量大小(单位:bit),计算强度(单位:cycle/bit),最大延迟限度(单位:s)和任务的重要程度,并且定义在tk时刻可用的服务车集合表示为S={S1,S2,...,SM}。
步骤二:基于熵值法划分任务优先级,创建任务队列。
具体的,将步骤一中描述的任务集合展开成如下的矩阵:
然后用αr,r={1,2,3,4}表示T的每个列向量,对上述矩阵中的每一列求每个元素出现的概率,如式(2)所示:
因此,每个参数的熵值可以通过式(3)来计算:
得到每个参数的熵值后,该参数所对应的权重由式(4)给出:
将权重向量表示为W=[w1,w2,w3,w4],因此每个任务请求的权重即优先级可以通过式(5)得出:
得到任务请求消息的优先级向量之后,根据每个请求的优先级将请求消息放入优先级队列之中,任务卸载每次从队列中取一个任务。
步骤三:建立任务卸载模型,针对建模所得的不等式约束问题转化为无约束问题,并使用牛顿迭代法求解,具有更快的算法收敛速度。
具体的,考虑到车辆的移动性,车辆的连接持续时间,MEC服务器通信范围,车辆速度之间的关系可以用式(6)来表示:
MEC服务器在每个时刻只会为一个任务请求初始化进程,因此队列中的每个任务请求需要等待前一个请求进程初始化之后才可以继续初始化当前进程,为了简单起见,本发明认为在CPU中初始化一个进程的用时固定的用tinit来表示,因此队列中的第i个请求的进程初始化等待时间由(7)给出:
tinit是一个比较小的数值,为了保证进程初始化的等待时间和系统时隙间隔不会使队列中最后一个任务总延迟超出延迟期限,因此tinit应该满足如下约束:
上述表达式表明,队列中最后一个请求的初始化进程等待时间小于最后一个任务的最大延迟期限。
由于任务处理需要等待所有进程结束之后才能得出结果,所以任务i的实际计算延迟为最后结束的进程所消耗的时间:
任务处理的返回数据量通常很小,可以忽略结果返回所消耗的时间,因此任务i的总延迟为:
本发明的求解目标是最小化系统的平均延迟,因此可以表述为如下的最优化问题:
其中,tinit为任务i的进程初始化等待时间,Δt为时隙间隔,服务车j所能提供的最大空闲计算能力用表示(单位:cycle/s),并且提供给任务i的计算能力为服务车j的最大通信带宽为 (单位:bit/s)为服务车与任务车之间的传输速率,车辆与MEC服务器连接的持续时间为约束条件C1保证了进程初始化的等待时间和系统时隙间隔不会使队列中最后一个任务总延迟超出延迟期限,C2使得服务车中的所有进程占用的计算资源小于共享的最大空闲资源,C3指出了Δt时间内所有任务卸载的总带宽不超过服务车最大传输带宽,C4要求任务i必须在服务车j的连接持续时间内完成传输和计算,这保证了MEC服务器能接收到计算结果并将结果返回给任务车。
步骤四:管理车辆空闲计算资源,为任务车分配任务卸载集合。
具体的,先将步骤三的目标函数和约束条件改写成如下形式:
gp(x)<0,gp(x)=fp(x)-c (16)
那么上述不等式凸优化问题就可以重新表述为如下的无约束问题:
其中,
但是,可以看出Q-(x)是不可微的,直接求解上述问题是非常困难的,因此,我们需要使用Q-(x)的近似函数做替换:
因此目标问题,可以转化为如下的近似问题:
本发明考虑的式最小化系统的平均时延,因此对算法的收敛时间要求比较严格,并且求解算法是部署在MEC服务器端的,不考虑其资源消耗,因此我们可以使用牛顿迭代法快速的求得卸载的服务车集合以及进程分配,并将卸载服务车集合通知给任务车执行,同时初始化任务进程,在服务车集合中创建子进程。
式(20)就是本发明最终问题表述,为了方便表述,将目标函数用p(x)表示:
则上述问题可通过牛顿迭代法解出,算法流程如图2所示:
具体的,首先,输入数据为任务i的数据量大小di,计算强度ωi,最大延迟限度τi,可用的服务车集合S={S1,S2,...,SM}以及每辆车的最大可用计算资源和最大空闲带宽输出数据为接受任务i卸载的服务车集合以及式(20)目标函数值。
最后,如果迭代步长小于误差要求,就输出当前的结果,否则更新下一个迭代值xk+1=xk-s,重新返回上一步进行迭代。
任务处理的延迟相对云计算和本地处理更低,在相同实验环境下,本发明平均处理延迟为402.8ms,云计算平均延迟为614.4ms,本地处理的平均延迟为751.9ms;任务处理超时概率相对云计算和本地处理更小;在相同实验环境下,本发明平均超时概率为0.06,云计算的平均超时概率为0.14,本地计算平均超市概率为0.2,因此将本发明用于车联网环境中可以帮助一些处理能力较弱的车载设备以更快的速度及时完成车辆计算任务,以达到降低更新车载设备以及大规模部署高性能路边单元成本的目的。
以上仅为本发明的较佳实施例,但并不限制本发明的专利范围,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (5)
1.一种基于移动边缘计算的分布式车辆间任务卸载方法,所其特征在于,包括以下步骤:
(1)建立车辆移动边缘云模型,将行驶中的车辆分为任务车和服务车两类;
(2)基于熵值法划分任务优先级,创建任务队列;
(3)建立任务卸载模型,针对建模所得的不等式约束问题转化为无约束问题,并使用牛顿迭代法求解,具有更快的算法收敛速度;
(4)管理车辆空闲计算资源,为任务车分配任务卸载集合。
2.根据权利要求1所述的基于移动边缘计算的分布式车辆间任务卸载方法,其特征在于,所述步骤(1)包括以下步骤:
(11)任务车在MEC服务器的控制下将车辆所产生的计算任务卸载到附近的服务车;
(12)服务车会定期向其通信范围内的MEC服务器发送它的状态信息;
(13)任务车在生成计算任务后,向MEC服务器发起任务卸载请求消息,消息的内容为任务的特征参数;
(14)MEC服务器根据任务的特征参数,执行提前在MEC服务器中部署的任务卸载算法,根据所得的任务卸载策略将任务车的任务卸载到服务车。
3.根据权利要求1所述的基于移动边缘计算的分布式车辆间任务卸载方法,其特征在于,所述步骤(2)包括以下步骤:
(21)将步骤一中描述的任务集合展开成如下的矩阵:
其中,计算任务表示为集合T={T1,T2,...,TN},每个任务的特征可以表示为Ti={di,ωi,τi,pi},其中di,ωi,τi,pi分别表示计算任务的数据量大小(单位:bit),计算强度(单位:cycle/bit),最大延迟限度(单位:s)和任务的类别;
(22)用αr,r={1,2,3,4}表示T的每个列向量,对上述矩阵中的每一列求每个元素出现的概率,如下式所示:
每个参数的熵值可以通过式(3)来计算:
(23)得到每个参数的熵值后,该参数所对应的权重由式(4)给出:
(24)将权重向量表示为W=[w1,w2,w3,w4],因此每个任务请求的权重即优先级可以通过式(5)得出:
(25)得到任务请求消息的优先级向量之后,根据每个请求的优先级将请求消息放入优先级队列之中,任务卸载每次从队列中取一个任务。
4.根据权利要求1所述的基于移动边缘计算的分布式车辆间任务卸载方法,其特征在于,所述步骤(3)实现过程如下:
任务i的总延迟为:
求解目标是最小化系统的平均延迟,表述为如下的最优化问题:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417308.1A CN111831427B (zh) | 2020-05-18 | 2020-05-18 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417308.1A CN111831427B (zh) | 2020-05-18 | 2020-05-18 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111831427A true CN111831427A (zh) | 2020-10-27 |
CN111831427B CN111831427B (zh) | 2022-10-14 |
Family
ID=72913658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417308.1A Active CN111831427B (zh) | 2020-05-18 | 2020-05-18 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111831427B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112714178A (zh) * | 2020-12-25 | 2021-04-27 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112769796A (zh) * | 2020-12-30 | 2021-05-07 | 华北电力大学 | 一种基于端侧边缘计算的云网端协同防御方法及系统 |
CN113316116A (zh) * | 2021-05-27 | 2021-08-27 | 南京邮电大学 | 一种基于多臂赌博机的车辆计算任务卸载方法 |
CN113986486A (zh) * | 2021-10-15 | 2022-01-28 | 东华大学 | 一种边缘环境下数据缓存与任务调度的联合优化方法 |
CN114264220A (zh) * | 2021-12-23 | 2022-04-01 | 湖南大学 | 一种移动设备的相对位移精确感知与检测方法 |
CN114980029A (zh) * | 2022-05-20 | 2022-08-30 | 重庆邮电大学 | 车联网中基于任务关联性的卸载方法 |
CN115964178A (zh) * | 2023-01-09 | 2023-04-14 | 江南大学 | 一种车联网用户计算任务调度方法、装置及边缘服务网络 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190014499A1 (en) * | 2015-12-11 | 2019-01-10 | Lg Electronics Inc. | Method and apparatus for indicating an offloading data size and time duration in a wireless communication system |
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
-
2020
- 2020-05-18 CN CN202010417308.1A patent/CN111831427B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190014499A1 (en) * | 2015-12-11 | 2019-01-10 | Lg Electronics Inc. | Method and apparatus for indicating an offloading data size and time duration in a wireless communication system |
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
CN109951821A (zh) * | 2019-02-26 | 2019-06-28 | 重庆邮电大学 | 基于移动边缘计算的最小化车辆能耗任务卸载方案 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112714178A (zh) * | 2020-12-25 | 2021-04-27 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112714178B (zh) * | 2020-12-25 | 2023-05-12 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112769796A (zh) * | 2020-12-30 | 2021-05-07 | 华北电力大学 | 一种基于端侧边缘计算的云网端协同防御方法及系统 |
CN112769796B (zh) * | 2020-12-30 | 2021-10-19 | 华北电力大学 | 一种基于端侧边缘计算的云网端协同防御方法及系统 |
CN113316116A (zh) * | 2021-05-27 | 2021-08-27 | 南京邮电大学 | 一种基于多臂赌博机的车辆计算任务卸载方法 |
CN113316116B (zh) * | 2021-05-27 | 2022-08-16 | 南京邮电大学 | 一种车辆计算任务卸载方法 |
CN113986486A (zh) * | 2021-10-15 | 2022-01-28 | 东华大学 | 一种边缘环境下数据缓存与任务调度的联合优化方法 |
CN114264220A (zh) * | 2021-12-23 | 2022-04-01 | 湖南大学 | 一种移动设备的相对位移精确感知与检测方法 |
CN114980029A (zh) * | 2022-05-20 | 2022-08-30 | 重庆邮电大学 | 车联网中基于任务关联性的卸载方法 |
CN115964178A (zh) * | 2023-01-09 | 2023-04-14 | 江南大学 | 一种车联网用户计算任务调度方法、装置及边缘服务网络 |
CN115964178B (zh) * | 2023-01-09 | 2024-05-31 | 江南大学 | 一种车联网用户计算任务调度方法、装置及边缘服务网络 |
Also Published As
Publication number | Publication date |
---|---|
CN111831427B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111831427B (zh) | 一种基于移动边缘计算的分布式车辆间任务卸载方法 | |
CN113316116B (zh) | 一种车辆计算任务卸载方法 | |
CN111400001B (zh) | 一种面向边缘计算环境的在线计算任务卸载调度方法 | |
CN109656703A (zh) | 一种移动边缘计算辅助车辆任务卸载方法 | |
CN111885137B (zh) | 一种基于深度强化学习的边缘容器资源分配方法 | |
CN112153145A (zh) | 5g边缘环境下面向车联网的计算任务卸载方法及装置 | |
CN115297171B (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
CN115629873A (zh) | 车路云协同任务卸载与任务队列稳定性控制系统和方法 | |
CN113709249B (zh) | 辅助驾驶业务安全均衡卸载方法及系统 | |
CN115103313A (zh) | 基于位置预测的智慧公路任务协同处理方法、系统 | |
CN114980029A (zh) | 车联网中基于任务关联性的卸载方法 | |
CN113709694A (zh) | 一种面向边缘车联网系统的计算任务卸载方法 | |
CN115988462B (zh) | 一种基于车路协同的边缘计算模块的调试方法 | |
CN117221951A (zh) | 车载边缘环境下基于深度强化学习的任务卸载方法 | |
CN108833486B (zh) | 面向复杂车载雾计算系统环境的混合动态任务调度方法 | |
CN115065683B (zh) | 基于车辆聚类的车辆边缘网络任务分配卸载方法 | |
CN114138466A (zh) | 面向智慧公路的任务协同处理方法、装置及存储介质 | |
CN116801309A (zh) | 一种面向不同时延敏感型任务的车辆卸载决策优化方法 | |
CN115208892B (zh) | 基于动态资源需求的车路协同在线任务调度方法及系统 | |
CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及系统 | |
CN115033355A (zh) | 任务调度方法、电子设备及存储介质 | |
CN110928683B (zh) | 基于两类密集型虚拟机的边缘计算资源分配方法 | |
Atik et al. | Are turn-by-turn navigation systems of regular vehicles ready for edge-assisted autonomous vehicles? | |
CN113326076B (zh) | 基于半马尔可夫决策过程车载雾辅助的车队任务卸载方法 | |
Toyoda et al. | A dynamic task offloading method with centralized controller to improve task success rate |
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 |