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

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

一种基于移动边缘计算的分布式车辆间任务卸载方法

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,...,T_N}，每个任务的特征可以表示为T_i＝{d_i,ω_i,τ_i,p_i}，其中d_i，ω_i，τ_i，p_i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α_r,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：

其中，

为任务i的进程初始化等待时间，

为任务i的数据传输时间，

为任务i的实际计算延迟；

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，t_init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：

g_p(x)＜0,g_p(x)＝f_p(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,...,t_k}，时隙间隔用Δt表示，并且在t_k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,...,T_N}，每个任务的特征可以表示为T_i＝{d_i,ω_i,τ_i,p_i}，其中d_i，ω_i，τ_i，p_i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t_k时刻可用的服务车集合表示为S＝{S₁,S₂,...,S_M}。

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α_r,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：

其中(x_n,y_n)，(x_s,y_s)，

分别表示车辆n的位置坐标，MEC服务器的位置坐标，车辆的水平和垂直速度分量，因为上述参数都是可知的，因此由式(6)计算得出车辆与MEC服务器连接的持续时间

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t_init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：

t_init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t_init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。

接受任务i卸载的服务车集合定义为

集合

中的车辆数记为m，每次卸载需要将任务数据全部卸载到

中的每辆车，服务车j的最大通信带宽为

任务数据传输到服务车j的用时为：

其中，

(单位：bit/s)为服务车与任务车之间的传输速率，任务计算需要等待所有数据卸载完成之后才可以开始，考虑到不同车辆间的传输速率差异，因此实际的传输时间应该由式(10)来表示：

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

因此在服务车j上的计算用时为：

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：

其中，

为任务i的进程初始化等待时间，

为任务i的数据传输时间，

为任务i的实际计算延迟。

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，t_init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：

g_p(x)＜0,g_p(x)＝f_p(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d_i，计算强度ω_i，最大延迟限度τ_i，可用的服务车集合S＝{S₁,S₂,...,S_M}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。

接着，计算每辆车的连接持续时间

并定义误差允许范围0≤ε＜＜τ_i，给定迭代初值x_k＝[0]_m×1。

然后，计算目标函数的梯度g_k＝▽p(x_k)以确定迭代的方向，同时计算海瑟矩阵G_k＝▽²p(x)来判定函数的极值，并根据梯度和海瑟矩阵计算迭代步长

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x_k+1＝x_k-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,...,T_N}，每个任务的特征可以表示为T_i＝{d_i,ω_i,τ_i,p_i}，其中d_i，ω_i，τ_i，p_i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α_r,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：

其中，

为任务i的进程初始化等待时间，

为任务i的数据传输时间，

为任务i的实际计算延迟；

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，t_init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。

5.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(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：

g_p(x)＜0,g_p(x)＝f_p(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：

Images