CN111918311A - 基于5g移动边缘计算的车联网任务卸载和资源分配方法 - Google Patents

Abstract

本发明涉及一种基于5G移动边缘计算的车联网任务卸载和资源分配方法，属于移动通信技术领域。通过添加一个备用MEC服务器的方法来弥补网络中计算资源不足的问题，MEC服务器之间资源共享以解决负载不均衡问题，联合任务卸载策略及计算资源分配以最小化网络开销。由于该优化问题难以直接求解，本发明提出一种启发式算法，将原问题转换为本地计算资源分配及任务卸载子问题分别求解。其中本地计算资源分配子问题采用导数求极值的方法得到最优解，任务卸载子问题联合任务卸载及MEC资源分配，采用拉格朗日优化算法进行求解，从而最小化网络时延和能耗开销。

Description

基于5G移动边缘计算的车联网任务卸载和资源分配方法

技术领域

本发明属于移动通信技术领域，涉及基于5G移动边缘计算的车联网任务卸载和资源分配方法。

背景技术

无线技术与物联网的飞速进步加快了智能汽车的发展，使得智能汽车能够为人类提供更好的服务。随着新兴车联网业务(如：无人驾驶、语音处理、3D导航等)的出现，车辆终端难以处理此类计算密集型任务，任务数据量和处理复杂度的激增对传统车辆网络提出了挑战。目前很多研究正努力解决车载终端的超负荷应用问题，一些专家提出通过基于云的车载网络将计算任务转移到远端云服务器。虽然将任务卸载到远端云上提高了计算性能和资源利用率，但任务在移动车辆和远端云服务器之间的长距离传输会带来相当大的网络开销。

MEC是实现边缘计算，降低时延并提高联网车辆处理能力的有效方法。在车辆密集的多MEC网络场景中，单个MEC服务器可能很难提供充足的计算资源。针对这种情形，本发明通过添加一个备用MEC服务器的方法来弥补网络中计算资源不足的问题，MEC服务器之间资源共享以解决负载不均衡问题，联合任务卸载策略及计算资源分配以最小化网络开销。该优化目标难以直接求解，本发明提出一种启发式算法，将原问题转换为本地计算资源分配及任务卸载子问题分别求解。其中本地计算资源分配问题采用导数求极值的方法求得最优解，任务卸载子问题联合了任务卸载及MEC资源分配两个部分，采用拉格朗日优化算法进行求解，从而最小化网络时延和能耗开销。本方案有效的降低网络的计算开销，特别是当道路上的车辆越多时，该算法对减小网络开销更加明显。

发明内容

有鉴于此，本发明的目的在于提供一种基于5G移动边缘计算的车联网任务卸载和资源分配方法。通过添加一个备用MEC服务器的方法来弥补网络中计算资源不足的问题，MEC服务器之间资源共享以解决负载不均衡问题，联合任务卸载策略及计算资源分配以最小化网络开销。提出一种启发式算法解决优化目标难以直接求解的问题，将原问题转换为本地计算资源分配及任务卸载子问题分别求解。

为达到上述目的，本发明提供如下技术方案：

基于5G移动边缘计算的车联网任务卸载和资源分配方法，该方法包括以下步骤：

S1：备用MEC辅助的车联网卸载模型；

S2：任务卸载决策方案；

S3：计算资源分配方案。

可选的，在所述S1中，建立一个车辆网络卸载模型，在双向道路旁部署K个基站，基站集合为表示Θ＝{1，2，...，K}，相应的每个基站部署一个MEC服务器，MEC集合表示为Φ＝{0，1，...，K}；在此架构上添加一个较大计算资源的备用MEC服务器代替远端云，k＝0表示备用MEC服务器，通过有线通信技术连接到各个基站，以此满足双向道路中车辆密集型任务的截止时延要求且弥补计算资源的不足；

网络中车辆用户n所产生的计算密集型任务V_n由三元素

表示，其中，B_n表示请求车辆任务n产生的数据量大小；D_n表示完成车辆任务n所需的计算资源量；

表示完成该车辆任务n的截止时延；车辆任务在本地执行，或通过V2I通信及有线连接将任务卸载到任意一个MEC服务器上进行计算；MEC之间实现资源共享，车辆卸载任务至其通信范围内的MEC服务器，当该车辆通信范围内的MEC服务器处理任务繁多，处理效率低下时，车辆用户选择通过中间基站中继转发卸载任务至备用服务器或其他相邻的服务器上处理，通过MEC服务器之间的资源共享以此解决服务器负载不均衡的问题。

可选的，在所述S2中，卸载决策

是二元变量，车辆用户产生的任务不能拆分，作为一个整体在本地进行处理或者全部传输到任意一MEC服务器上执行，包括备用服务器；

表示车辆设备卸载到MEC服务器上进行计算；

表示车辆设备选择本地计算；当车辆任务较少时，车辆用户选择卸载任务到MEC服务器上进行；随着车辆任务的增多，MEC服务器的负载及处理开销随之升高，车辆任务根据拉格朗日迭代算法动态调整至本地计算和在MEC服务器上进行；

假设网络中所有车辆成员在每个时间间隔内都会产生不同大小的计算任务，处理该任务会产生一定大小的开销；定义任务执行总开销为网络中处理每个车辆任务所消耗的开销之和，即：

车辆任务n所消耗的开销定义为：

其中，车辆任务n的卸载策略表示为

车辆任务n在本地计算时的开销表示为

车辆任务n卸载到其它服务器上计算时所消耗的开销表示为

其中，如果车辆用户n将任务卸载至MEC服务器k上执行时，则

否则

k∈Φ；

车辆的本地计算总开销包含本地计算所消耗的能量和本地计算时间两部分，车辆任务n在本地执行时的计算开销表示为：

其中，开销中关于时延的权值参数表示为W_t；开销中关于能耗的权值参数表示为W_e；车辆任务n在本地执行时的计算时延表示为

车辆任务n在本地执行时的计算能耗表示为

将车辆任务n卸载至服务器k上执行的卸载开销表示为：

其中，由传输时延和计算时延共同组成的车辆任务n的卸载时延表示为

车辆任务n的卸载能耗，即任务的传输能耗表示为

可选的，在所述S3中，基于任务卸载策略、计算资源分配及截止时延等约束条件下，得到车辆侧的最小总开销；目标函数优化模型为：

其中，所有车辆在本地计算时的计算资源分配集表示为F^l，当任务卸载到别的计算节点上计算时，该项即为0；所有车辆任务的卸载策略集表示为A；卸载到MEC服务器的计算资源分配集表示为F^o；

由于处理车辆任务总开销的优化目标无法直接求解，本设计提出一种启发式算法，将原优化问题转换为本地计算资源分配及任务卸载子问题分别求解；其中本地计算资源分配问题采用导数求极值的方法求得最优解；任务卸载子问题联合任务卸载及MEC资源分配两个部分，采用拉格朗日优化算法进行求解，从而实现以最小开销计算网络中的车辆任务；

本地计算资源分配变量只出现在本地开销项中，未与其它两个优化变量产生耦合，并且网络中每个车辆的本地计算资源分配策略之间互不影响；基于此，假设所有车辆任务均在本地计算，即

以求得每个任务在本地计算时的最小本地开销；令子问题为：

P1：

其中

将本地开销

对

求二次导后，有

因此本地开销

存在最小值；

对联合任务卸载策略及MEC计算资源分配子问题共同求解；将子问题P1中求解出的最小本地开销值

和式(2)代入式(1)中得：

任务卸载策略及MEC计算资源分配子问题建模为：

该目标函数中包含非线性项

与二元变量

两部分，为非凸函数，采用变量松弛法将二元变量

松弛为一个0到1的数，用符号

表示，采用变量替换法将非线性项

定义为新变量

并添加辅助变量

接下来采用拉格朗日对偶算法和梯度下降算法进行求解。

本发明的有益效果在于：本发明提出一种5G网络中基于移动边缘计算的车联网任务卸载和计算资源分配方法，旨在解决网络中计算资源不足问题，联合优化任务卸载策略及计算资源分配，综合考虑任务卸载、截止时延及计算资源分配等限制条件以最小化网络总开销。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为网络模型图；

图2为任务卸载模型图；

图3为优化问题求解流程图；

图4为任务卸载子问题求解方案图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

图1描述了该发明提出的车辆网络模型，在双向道路旁部署K个基站，基站集合为表示Θ＝{1，2，...，K}，相应的每个基站部署一个MEC服务器，MEC集合表示为Φ＝{0，1，...，K}。在此架构上添加一个具有较大计算资源的备用MEC服务器代替远端云，k＝0表示备用MEC服务器，它通过有线通信技术连接到各个基站。以此满足双向道路中车辆密集型任务处理的截止时延要求及弥补计算资源的不足。假设该网络中车辆用户n所产生的计算密集型任务V_n可由三元素

表示，其中，B_n表示请求车辆任务n产生的数据量大小，单位用bit来表示；D_n表示完成车辆任务n所需的计算资源量，单位用cycle表示；

表示完成该车辆任务n的截止时延。

图2描述了该发明的任务卸载模型，车辆任务既可以在本地执行，也可以通过V2I通信及有线连接将任务卸载到任意一个MEC服务器上进行计算。MEC之间可以实现资源共享，车辆可以卸载任务至其通信范围内的MEC服务器，当该车辆通信范围内的MEC服务器处理任务繁多，处理效率低下时，车辆用户选择通过中间基站中继转发卸载任务至备用服务器或其他相邻的服务器上处理，通过MEC服务器之间的资源共享以此解决服务器负载不均衡的问题。

以网络中所有车辆任务执行所消耗的总开销为目标建模优化问题，在满足任务卸载、截止时延、及计算资源分配等约束条件下，为所有车辆用户设计满足最小执行总开销的最优任务卸载策略和计算资源分配策略。

1.计算模型

1)本地计算开销

车辆的本地计算总开销包含本地计算所消耗的能量和本地计算时间两部分，车辆任务n在本地执行时的计算开销可表示为：

其中，开销中关于时延的权值参数表示为W_t；开销中关于能耗的权值参数表示为W_e；车辆任务n在本地执行时的计算时延表示为

车辆任务n在本地执行时的计算能耗表示为

车辆用户n中的任务在本地执行时的计算时延建模为：

其中，完成任务n所需的计算资源表示为D_n；本地车辆n分配给车辆任务的计算资源量表示为

车辆用户n中的任务在本地执行时的计算能耗建模为：

其中，车辆CPU每转一个周期所消耗的能量表示为α，其数值可设为10^-26。

2)MEC服务器计算开销

将车辆任务n卸载至MEC服务器k上执行的卸载开销可表示为：

其中车辆任务n的卸载时延表示为

卸载时延包含传输时延和计算时延两部分；车辆任务n的卸载能耗表示为

卸载能耗只包含传输能耗。

车辆任务n卸载至MEC服务器k上执行的卸载时延建模为：

其中，任务n的数据大小表示为B_n；车辆任务n传输至本基站的传输速率表示为R_n；MEC服务器k分配给车辆任务n的计算资源量表示为

任务在基站之间通过有线传输或者基站与备用服务器之间有线传输的传输时延表示为T_hual。由于任务在有线链路上的传输速度非常快，时延小，基于此，本发明忽略了有线传输的传输时延。

车辆任务n将任务卸载至基站的数据传输速率R_n建模为：

其中，车辆用户的任务卸载到基站的信道带宽表示为w₀；任务n卸载到基站的信道传输增益表示为h_n；传输信道的噪声功率表示为N₀；车辆将任务卸载到基站的发送功率表示为P_t。

车辆任务n卸载至基站的卸载能耗建模为：

3)优化问题建模

假设网络中所有车辆成员在每个时间间隔内都会产生不同大小的计算任务，处理该任务会产生一定大小的开销。定义任务执行总开销为网络中处理每个车辆任务所消耗的开销之和，即：

车辆任务n所消耗的开销定义为：

其中，车辆任务n的卸载策略表示为

车辆任务n在本地计算时的开销表示为

车辆任务n卸载到其它服务器上计算时所消耗的开销表示为

其中，如果车辆用户n将任务卸载至MEC服务器k上执行时，则

否则

k∈Φ。

目标函数优化模型为：

C1：

C2：

C3：0≤W_t、W_e≤1，且W_t+W_e＝1# (17)

C4：

C5：

其中，所有车辆在本地计算时的计算资源分配集表示为F^l，当任务卸载至其他节点上计算时，该项即为0；所有车辆任务的卸载策略集表示为A；卸载到MEC服务器的计算资源分配集表示为F^o。约束条件C1表示为任务卸载决策约束，假设每个任务只能选择在一个计算节点上计算，既可以在本地上计算，也可以卸载到其中任意一个MEC服务器(包括备用MEC服务器)上处理，当

时，表示任务n在本地执行。约束条件C2表示为截止时延约束，车辆用户的任务不管在哪个节点上处理，都须在一定截止时延内处理完成。约束条件C3表示为处理时延和能量消耗的权值约束。约束条件C4，C5表示为MEC计算资源分配约束，C4表示车辆任务n分配的MEC计算资源应为非负值，且不能超过对应MEC服务器所能提供的计算资源总量，C5表示由于MEC服务器的计算资源有限，分配给所有车辆任务的计算资源之和不应超过MEC服务器所能提供的总资源量。

假设所有车辆任务均在本地计算，即

以求得每个任务在本地计算时的最小本地开销。令子问题为：

P1：

其中

将本地开销

对

求二次导后，有

因此本地开销

存在最小值。令

当且仅当最优本地计算资源为：

得到本地最小开销。

基于约束条件C2可知

因此有

进而得到：

式中，在任务截止时延约束条件下所能分配的最小计算资源表示为

当分配给任务的本地计算资源量小于

时，任务不能在规定的截止时延内处理完成。同样

其中

表示车辆n的终端部分所能提供的最大计算资源。基于此，最小本地成本

可由如下可得：

基于以上本地计算资源分配子问题的结果，对联合任务卸载策略及MEC计算资源分配子问题共同求解。将子问题P1中求解出的最小本地开销值

和式(13)代入式(14)中可得：

任务卸载策略及MEC计算资源分配子问题可建模为：

P2：

1)变量松弛及变量替换

目标函数中包含非线性项

与二元变量

两部分，导致目标函数为非凸函数，进而使得上式难以求解。采用变量松弛法将二元变量

松弛为一个0到1的数，用符号

表示：

采用变量替换法将非线性项

定义为新变量

并添加辅助变量

由约束条件C4可知，替换后的变量为：

其中，非零极小值表示为Q。

将新辅助变量及松弛二元变量引入到原开销函数后，处理车辆任务n所消耗的新开销函数U_n可改写为：

在拉格朗日优化方案的基础上，各约束条件相应转化为：

C7：

C8：

C9：

C10：

C11：

因此，由约束条件C7-C11及车辆任务n的开销函数(26)可知，原优化问题可改写为：

s.t. C7-C11# (28)

2)拉格朗日对偶问题建模

采用拉格朗日对偶算法和梯度下降算法共同求解该优化问题，设拉格朗日函数为V，并将原开销函数带入其中，则有：

其中，MEC服务器所能处理的任务数对应的拉格朗日因子表示为γ^k；任务卸载约束条件对应的拉格朗日因子表示为

计算资源分配约束条件对应的拉格朗日因子表示为

对上式拉格朗日对偶优化问题建模为：

记

为给用户分配最优MEC服务器计算能力时的

值，由优化理论可知：

对于一组给定的γ^k，δ_n，

因子，可求得最优分配的MEC服务器计算资源的倒数

将式(33)代入式(34)中，结合式(32)可将

还原为

求得其最优卸载策略

此外，结合式(25)得到分配给每个车辆任务的最优MEC服务器计算最优：

拉格朗日因子可使用梯度下降算法进行更新求得：

式中，

x——迭代次数，其中最大迭代次数设为x_max，

τ_i——迭代步长，其中1≤i≤5。

基于拉格朗日对偶算法，任务的卸载及计算资源分配算法收敛条件可表示为：

V(x+1)-V(x)≤Q#(42)

综上所述，该发明以网络中所有车辆任务执行所消耗的总开销为目标建模优化问题，在满足任务卸载、截止时延及计算资源分配等约束条件下，为所有车辆用户设计满足最小执行总开销的最优任务卸载策略、本地车辆计算资源分配策略及MEC服务器计算资源分配方法。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：该方法包括以下步骤：

S1：备用MEC辅助的车联网卸载模型；

S2：任务卸载决策方案；

S3：计算资源分配方案。

2.根据权利要求1所述的基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：在所述S1中，建立一个车辆网络卸载模型，在双向道路旁部署K个基站，基站集合为表示Θ＝{1，2，...，K}，相应的每个基站部署一个MEC服务器，MEC集合表示为Φ＝{0，1，...，K}；在此架构上添加一个较大计算资源的备用MEC服务器代替远端云，k＝0表示备用MEC服务器，通过有线通信技术连接到各个基站，以此满足双向道路中车辆密集型任务的截止时延要求且弥补计算资源的不足；

网络中车辆用户n所产生的计算密集型任务V_n由三元素

表示，其中，B_n表示请求车辆任务n产生的数据量大小；D_n表示完成车辆任务n所需的计算资源量；

表示完成该车辆任务n的截止时延；车辆任务在本地执行，或通过V2I通信及有线连接将任务卸载到任意一个MEC服务器上进行计算；MEC之间实现资源共享，车辆卸载任务至其通信范围内的MEC服务器，当该车辆通信范围内的MEC服务器处理任务繁多，处理效率低下时，车辆用户选择通过中间基站中继转发卸载任务至备用服务器或其他相邻的服务器上处理，通过MEC服务器之间的资源共享以此解决服务器负载不均衡的问题。

3.根据权利要求1所述的基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：在所述S2中，卸载决策

是二元变量，车辆用户产生的任务不能拆分，作为一个整体在本地进行处理或者全部传输到任意一MEC服务器上执行，包括备用服务器；

表示车辆设备卸载到MEC服务器上进行计算；

表示车辆设备选择本地计算；当车辆任务较少时，车辆用户选择卸载任务到MEC服务器上进行；随着车辆任务的增多，MEC服务器的负载及处理开销随之升高，车辆任务根据拉格朗日迭代算法动态调整至本地计算和在MEC服务器上进行；

假设网络中所有车辆成员在每个时间间隔内都会产生不同大小的计算任务，处理该任务会产生一定大小的开销；定义任务执行总开销为网络中处理每个车辆任务所消耗的开销之和，即：

车辆任务n所消耗的开销定义为：

其中，车辆任务n的卸载策略表示为

车辆任务n在本地计算时的开销表示为

车辆任务n卸载到其它服务器上计算时所消耗的开销表示为

其中，如果车辆用户n将任务卸载至MEC服务器k上执行时，则

否则

车辆的本地计算总开销包含本地计算所消耗的能量和本地计算时间两部分，车辆任务n在本地执行时的计算开销表示为：

其中，开销中关于时延的权值参数表示为W_t；开销中关于能耗的权值参数表示为W_e；车辆任务n在本地执行时的计算时延表示为

车辆任务n在本地执行时的计算能耗表示为

将车辆任务n卸载至服务器k上执行的卸载开销表示为：

其中，由传输时延和计算时延共同组成的车辆任务n的卸载时延表示为

车辆任务n的卸载能耗，即任务的传输能耗表示为

4.根据权利要求1所述的基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：在所述S3中，基于任务卸载策略、计算资源分配及截止时延等约束条件下，得到车辆侧的最小总开销；目标函数优化模型为：

其中，所有车辆在本地计算时的计算资源分配集表示为F^l，当任务卸载到别的计算节点上计算时，该项即为0；所有车辆任务的卸载策略集表示为A；卸载到MEC服务器的计算资源分配集表示为F^o；

由于处理车辆任务总开销的优化目标无法直接求解，本设计提出一种启发式算法，将原优化问题转换为本地计算资源分配及任务卸载子问题分别求解；其中本地计算资源分配问题采用导数求极值的方法求得最优解；任务卸载子问题联合任务卸载及MEC资源分配两个部分，采用拉格朗日优化算法进行求解，从而实现以最小开销计算网络中的车辆任务；

本地计算资源分配变量只出现在本地开销项中，未与其它两个优化变量产生耦合，并且网络中每个车辆的本地计算资源分配策略之间互不影响；基于此，假设所有车辆任务均在本地计算，即

以求得每个任务在本地计算时的最小本地开销；令子问题为：

其中

将本地开销

对

求二次导后，有

因此本地开销

存在最小值；

对联合任务卸载策略及MEC计算资源分配子问题共同求解；将子问题P1中求解出的最小本地开销值

和式(2)代入式(1)中得：

任务卸载策略及MEC计算资源分配子问题建模为：

该目标函数中包含非线性项

与二元变量

两部分，为非凸函数，采用变量松弛法将二元变量

松弛为一个0到1的数，用符号

表示，采用变量替换法将非线性项

定义为新变量

并添加辅助变量

接下来采用拉格朗日对偶算法和梯度下降算法进行求解。

Images