CN112055329B - 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 - Google Patents
一种适用于rsu覆盖切换的边缘车联网任务卸载方法 Download PDFInfo
- Publication number
- CN112055329B CN112055329B CN202010768820.0A CN202010768820A CN112055329B CN 112055329 B CN112055329 B CN 112055329B CN 202010768820 A CN202010768820 A CN 202010768820A CN 112055329 B CN112055329 B CN 112055329B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- task
- transmission
- roadside unit
- expressed
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Abstract
本发明公开了一种适用于RSU覆盖切换的边缘车联网任务卸载方法,包括以下步骤:S1:获取车辆的历史行车数据,利用历史行车数据训练LSTM模型,通过训练完毕的LSTM模型预测未来设定时间段内车辆的移动轨迹;S2:根据车辆的移动轨迹确定车辆的行驶路段,根据车辆行驶的路段确定车辆即将经过的路边单元RSU2,车辆当前所处的路边单元记为RSU1;S3:当车辆行驶位置处于路边单元RSU1与路边单元RSU2之间的边界处分别计算三种任务卸载方式的开销;S4:以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式。本发明能够使车辆获取合适的任务卸载方式,进而获得最优的服务质量。
Description
技术领域
本发明涉及车联网技术领域,更具体地,涉及一种适用于RSU覆盖切换的边缘车联网任务卸载方法。
背景技术
随着智能移动设备的不断更新换代,设备通信所需要的资源也不断地增加。然而各种设备其自身的的资源(包括:计算、存储和通信资源)是极其有限的。当计算任务在移动设备上执行时,用户的服务质量(Quality of Services,QoS)将会受到很大的限制。例如,当众多设备同时发起密集型计算任务时,仅利用现有的可用资源将无法为移动设备提供足够的处理速度。
相比于云计算,移动边缘计算(Mobile edge computing,MEC)可以在接近任务请求用户的地方提供足够的计算能力,是目前提供实时服务的最佳解决方案。一般地,路面车辆通过将计算任务卸载到布置在路边单元RSU的MEC服务器,借助其强大的计算能力,就可以获得更高的QoS。然而,现有的车联网内MEC任务卸载方案只考虑单一的传输方案,例如只是通过车与路侧设施通信技术(V2R)传给RSU或者通过车与车通信技术(V2V),这样的考虑是不够全面的,特别是在一些特定的场合,比如两个RSU覆盖交叉的区域,现有的车联网MEC任务卸载策略不能得到总体的最优QoS。
同时,随着道路上行驶的车辆越来越多,若多辆车同时选择一个RSU进行任务卸载时,在通信和任务处理两方面均会存在通信堵塞和处理速度减缓的问题,这时,需要对车辆的卸载目标进行调度,以获得最优的全局QoS。车辆也可以选择将计算任务卸载给车辆附近的移动车辆,减少同时接入同一RSU的几率,获得更好的通信和计算速率。此外,车联网MEC的任务卸载还与车辆的移动轨迹相关。在现实中,车辆行驶的路况及其复杂,使得车联网的拓扑结构变化很快,如何进行任务卸载调配是一个较难的问题。
现有技术中,公开号为:CN111314889A的中国发明专利,于2020年6月19日公开了一种车联网中基于移动边缘计算的任务卸载与资源分配方法,具体步骤包括:建立包括车对车V2V和车对基础设施V2I通信的车联网通信场景;对场景中的车辆节点进行聚类,将车辆节点划分为V2I用户簇和V2V用户簇;针对场景中的V2V用户簇,对其中的V2V请求节点与服务节点进行划分、配对并优化;计算场景中所有节点任务处理的总延迟;以最小化车联网系统中车辆任务处理总延迟为目标,结合约束条件,建立最优化问题模型,利用量子粒子群算法对其进行求解,得到车联网系统的信道、计算资源分配以及各个车辆节点功率分配策略。该发明是利用粒子群算法求解目标的最优化问题,但该发明没有考虑不同的任务卸载方式及卸载平衡的问题,无法最优得到最优卸载方案。
发明内容
本发明为克服上述现有技术中,车联网MEC网络中车辆轨迹不确定,车辆计算任务卸载没有多种方式可选的缺陷,提供一种适用于RSU覆盖切换的边缘车联网任务卸载方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种适用于RSU覆盖切换的边缘车联网任务卸载方法,包括以下步骤:
S1:获取车辆的历史行车数据,利用历史行车数据训练LSTM模型,通过训练完毕的LSTM模型预测未来设定时间段内车辆的移动轨迹;
S2:根据车辆的移动轨迹确定车辆的行驶路段,根据车辆行驶的路段确定车辆即将经过的路边单元RSU2,车辆当前所处的路边单元记为RSU1;
S3:当车辆行驶位置处于路边单元RSU1与路边单元RSU2之间的边界处分别计算三种任务卸载方式的开销;
S4:以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式。
本方案中,步骤S1所述的获取车辆的历史行车数据,利用历史行车数据训练LSTM模型具体过程为:
获取车辆的历史数据并进行特征处理,根据时间戳将车辆的ID、行车经纬度、提取成设定时长车辆行驶距离和行驶速度构建成数据集;
将所述数据集划分为训练数据集和测试数据集;
将训练数据集输入至LSTM模型中进行训练并输出下一时刻的预测经纬度;
以预测的经纬度与实际的经纬度的距离误差作为训练指标对LSTM模型优化直至LSTM模型符合训练指标则训练完毕。
本方案中,路边单元RSU1、路边单元记RSU2的半径分别为:R1、R2,车辆与RSU1之间的传输速率记为车辆与RSU2之间的传输速率记为进行合作下载的任务车车辆有k辆,其中任务车的集合记为Ι,其中车辆i∈Ι,合作车集合记为J,设定车辆i生成一个任务(Li,Ci,xi,0,Ti max)且服从泊松分布,Li为车辆i的输入任务大小,Ci为车辆i处理任务所需要的CPU周期数,xi,0为生成任务的位置;Ti max为车辆i所生成任务的最大处理延迟;
任务可以传输给路边单元或者是合作车辆,也能自己处理,处理任务时,车辆自身处理任务的CPU频率为fm,路边单元处理任务的CPU频率为fR,合作车辆车j处理车辆i的任务时占据的CPU的频率为fi,j;卸载到路边单元部分的任务结果会传回,由于计算结果数据量比较小,所以忽略计算结果回传的时间和能量损耗;将车辆行驶的时间分为多个时隙,假定当前时隙为t,t∈{1,2,…,n};
从车辆i到RSU1的数据传输速度:
车辆i到RSU2的数据传输速度为:
本方案中,三种任务卸载方式包括:卸载计算任务至路边单元、车辆自身处理计算任务、将计算任务经过一跳传输至合作车辆。
本方案中,所述卸载计算任务至路边单元其计算开销包括:
计算路边单元切换的总体开销:
当车辆选择将计算任务传给路边单元时,则存在在路段的前一个路边单元的区域内完成不了任务的情况,若是计算任务已分解为最小单元,此时发生路边单元的切换,则需要将已经传输的数据从RSU1和RSU2之间的链路继续传输给RSU2,剩余的直接送给RSU2,则路边单元切换产生的开销属于多余的开销,多余的开销表示为:
考虑路边单元的边界,确定是否需要更换路边单元进行传输,得出总的延迟公式;
设RSU1和RSU2的交换边界的时隙是T,则此交换边界相对位置为xT;
当前时隙t内,数据的传输量为Hi(t),计算公式表示为:
当车辆在RSU1的传输范围内不能传输完任务时,即车辆到达交换边界时,数据的传输量小于任务的大小,用公式可以表示为Hi(T)<Li,此时选择进行路边单元切换,切换到RSU2;
则总传输时间为:
根据路边单元切换与否,得到路边单元内部任务计算时间:
本方案中,车辆自身处理计算任务时,任务处理时间和任务计算速率分别为:
当车辆自身处理计算任务,任务处理时间表示为:
其中fi,local为车辆i自行处理任务时的CPU频率;
本方案中,将计算任务经过一跳传输至合作车辆具体包括:
确定合作车辆,对任务车辆i周围车辆通过三个指标进行评价,选择三个指标中综合性价比最高的周围车辆作为合作车辆,所述指标包括:基于可分配的计算容量Ci,j、距离Di,j、在任务车辆身边行驶的时间Ti,j;
当多个周围车辆作为候选合作车辆时,判断依据表示为:
其中α+β+γ=1,且为α,β,γ∈(0,1),α、β、γ表示折扣参数,选出候选合作车辆中最优的合作车辆后,任务车辆i会与最优合作车辆形成一个车辆组合;计算任务总延迟:
任务车辆i到最优合作车辆的V2V链路传输速度为:
本方案中,以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式具体包括:
定义数据传输效用,所述数据传输效用等于代理的网络接入费用减去频谱资源的租用扣费,t时刻的数据传输效用表示为:
其中,a为代理商的单位网络接入成本,单位是RMB/bps;分别是将任务传给路边单元和最优合作车辆j时的带宽租赁成本,单位是RMB/Hz;λ1,λ2,λ3={0,1}分别为3种计算任务卸载方式的选择与否,当λ1,λ2,λ3取值为0时,表示不选择对应的任务卸载方式,当λ1,λ2,λ3取值为1时,表示选择对应的任务卸载方式;bi,R(t),分别为传输给路边单元和最优合作车辆j所占用的带宽;ri,R(t),ri,j分别为将任务传输给路边单元RSU和最优合作车辆j的传输速度;
定义任务计算效用,所述任务计算效用等于代理任务执行的费用减去计算资源的费用,t时刻的任务计算效用为:
其中ηi,R,ηi,local,ηi,j分别是三种任务传输方案的任务计算成本,单位是RMB/J;β为每个CPU周期消耗的能量;λ1,λ2,λ3={0,1}分别为3种任务卸载方式的选择与否;分别为三种任务卸载方式中的任务计算速率;fi,R,fi,local,fi,j分别代表着三种任务卸载方式中路边单元,任务车辆i和最优合作车辆j的CPU周期频率;b为代理商的单位任务执行费用;
定义一个时隙系统内车辆和路边单元总的效用,表示为:
U(t)=Ucomm(t)+Ucomp(t)
总的系统效用是每个时隙成本的叠加再减去切换路边单元所带来的花销:
目标函数表示为:
本方案中,所述约束条件包括有:决策约束、频谱约束、任务计算约束、任务延迟约束。
本方案中,所述决策约束表示为:λ1,λ2,λ3={0,1},且λ1+λ2+λ3=1
所述频谱约束表示为:任务传输占用的频谱不能超过频谱阈值;
所述任务计算约束表示为:任务计算所占用的CPU周期不能超过设备CPU周期总数的总阈值;
所述任务延迟约束表示为:任务处理的总延迟需要在任务处理的延迟限制之内;
与现有技术相比,本发明技术方案的有益效果是:
本发明利用车辆历史行车数据通过网络模型预测得到车辆移动轨迹,进而根据车辆即将经过路段的路边单元设计三种不同的任务卸载方式并基于不同的开销进行任务卸载进而获得最优的服务质量。
附图说明
图1为本发明一种适用于RSU覆盖切换的边缘车联网任务卸载方法流程图。
图2为本发明实施例提供的一种边缘车联网任务卸载模型示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示,一种适用于RSU覆盖切换的边缘车联网任务卸载方法,包括以下步骤:
S1:获取车辆的历史行车数据,利用历史行车数据训练LSTM模型(长短期记忆模型),通过训练完毕的LSTM模型预测未来设定时间段内车辆的移动轨迹;
S2:根据车辆的移动轨迹确定车辆的行驶路段,根据车辆行驶的路段确定车辆即将经过的路边单元RSU2,车辆当前所处的路边单元记为RSU1;
S3:当车辆行驶位置处于路边单元RSU1与路边单元RSU2之间的边界处分别计算三种任务卸载方式的开销;
S4:以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式。
本方案中,步骤S1所述的获取车辆的历史行车数据,利用历史行车数据训练LSTM模型具体过程为:
获取车辆的历史数据并进行特征处理,根据时间戳将车辆的ID、行车经纬度、提取成设定时长车辆行驶距离和行驶速度构建成数据集;
将所述数据集划分为训练数据集和测试数据集;
将训练数据集输入至LSTM模型中进行训练并输出下一时刻的预测经纬度;
以预测的经纬度与实际的经纬度的距离误差作为训练指标对LSTM模型优化直至LSTM模型符合训练指标则训练完毕。
通过LSTM模型预测得到车辆移动轨迹,也就确定了车辆经过的路段,根据确定路段的路边单元来计算任务车辆到路边单元的数据传输速度。
本方案中,设定路边单元RSU1、路边单元记RSU2的半径分别为:R1、R2,车辆与RSU1之间的传输速率记为车辆与RSU2之间的传输速率记为进行合作下载的任务车车辆有k辆,其中任务车的集合记为Ι,其中车辆i∈Ι,合作车集合记为J,设定车辆i生成一个任务(Li,Ci,xi,0,Ti max)且服从泊松分布,Li为车辆i的输入任务大小,Ci为车辆i处理任务所需要的CPU周期数,xi,0为生成任务的位置;Ti max为车辆i所生成任务的最大处理延迟;
计算任务可以传输给路边单元或者是合作车辆,也能是任务车辆自己处理,处理任务时,任务车辆自身处理任务的CPU频率为fm,路边单元处理任务的CPU频率为fR,合作车辆车j处理车辆i的任务时占据的CPU的频率为fi,j;卸载到路边单元部分的任务结果会传回,由于计算结果数据量比较小,所以忽略计算结果回传的时间和能量损耗;
将车辆行驶的时间分为多个时隙,假定当前时隙为t,t∈{1,2,…,n};
从车辆i到RSU1的数据传输速度:
车辆i到RSU2的数据传输速度为:
本方案中,三种任务卸载方式包括:卸载计算任务至路边单元、车辆自身处理计算任务、将计算任务经过一跳传输至合作车辆。
如图2所示,当任务车辆只在某个路边单元范围内时,车辆将任务传给路边单元后,路边单元处理完直接反馈给任务车辆即可。然而,当车辆行驶至两个路边单元之间的边界处时,假定旁边的车辆集合为J,任务车辆可以有3种任务处理的方式:
(1)计算任务传给路边单元:由于此时任务车辆处于边界处,当任务车辆的处理计算任务较多或者任务车辆与路边单元传输速率较低时,会出现任务车辆离开了路边单元但计算任务还没处理完的情况,此时会因为路边单元切换带来新的传输时延和任务处理开销。
(2)任务车辆自己处理计算任务:若为了避免路边单元切换带来的成本过高或者是车辆过多带来的拥堵,可以选择任务车辆自己处理计算任务,但任务车辆自身的处理能力有限。
(3)传给身边合作车辆:基于车辆的预测轨迹,车辆将计算任务卸载给附近的合作车辆。若车辆间的合作效用很高,可以选择此选项。
其中,λ1,λ2,λ3∈{0,1}分别代表上述3个任务卸载方式的决策参数,当决策参数为0则表示不选择参数对应的任务卸载方式,当决策参数为1则表示选择参数对应的任务卸载方式,下面分别详述三个任务卸载方式进行分析。
本方案中,所述卸载计算任务至路边单元其计算开销包括:
计算路边单元切换的总体开销:
当车辆选择将计算任务传给路边单元时,则存在在路段的前一个路边单元的区域内完成不了任务的情况,若是计算任务已分解为最小单元,此时发生路边单元的切换,则需要将已经传输的数据从RSU1和RSU2之间的链路继续传输给RSU2,剩余的直接送给RSU2,路边单元切换产生的开销属于多余的开销,表示为:
考虑路边单元的边界,确定是否需要更换路边单元进行传输,得出总的延迟公式;
设RSU1和RSU2的交换边界的时隙是T,则此交换边界相对位置为xT;
此时,根据交换边界,得出总体的带宽和传输速度的公式,表示为:
当前时隙t内,数据的传输量为Hi(t),计算公式表示为:
当车辆在RSU1的传输范围内不能传输完任务时,即车辆到达交换边界时,数据的传输量小于任务的大小,用公式可以表示为Hi(T)<Li,此时选择进行路边单元切换,切换到RSU2;
则总传输时间为:
根据路边单元切换与否,得到路边单元内部任务计算时间:
本方案中,车辆自身处理计算任务时,任务处理时间和任务计算速率分别为:
当车辆自身处理计算任务,任务处理时间表示为:
其中fi,local为车辆i自行处理任务时的CPU频率;
本方案中,将计算任务经过一跳传输至合作车辆具体包括:
确定合作车辆,对任务车辆i周围车辆通过三个指标进行评价,选择三个指标中综合性价比最高的周围车辆作为合作车辆,所述指标包括:基于可分配的计算容量Ci,j、距离Di,j、在任务车辆身边行驶的时间Ti,j;
当多个周围车辆作为候选合作车辆时,判断依据表示为:
其中α+β+γ=1,且为α,β,γ∈(0,1),α、β、γ表示折扣参数,选出候选合作车辆中最优的合作车辆后,任务车辆i会与最优合作车辆形成一个车辆组合;
需要说明的是,合作车辆的计算容量越大越好,在任务车旁行驶距离越近越好,行驶时间越多越好。
计算任务总延迟:
任务车辆i到最优合作车辆的V2V链路传输速度为:
本方案中,以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式具体包括:
定义数据传输效用,所述数据传输效用等于代理的网络接入费用减去频谱资源的租用扣费,t时刻的数据传输效用表示为:
其中,a为代理商的单位网络接入成本,单位是RMB/bps;分别是将任务传给路边单元和最优合作车辆j时的带宽租赁成本,单位是RMB/Hz;λ1,λ2,λ3={0,1}分别为3种计算任务卸载方式的选择与否,当λ1,λ2,λ3取值为0时,表示不选择对应的任务卸载方式,当λ1,λ2,λ3取值为1时,表示选择对应的任务卸载方式;bi,R(t),分别为传输给路边单元和最优合作车辆j所占用的带宽;ri,R(t),ri,j分别为将任务传输给路边单元RSU和最优合作车辆j的传输速度;
定义任务计算效用,所述任务计算效用等于代理任务执行的费用减去计算资源的费用,t时刻的任务计算效用为:
其中ηi,R,ηi,local,ηi,j分别是三种任务传输方案的任务计算成本,单位是RMB/J;β为每个CPU周期消耗的能量;λ1,λ2,λ3={0,1}分别为3种任务卸载方式的选择与否;分别为三种任务卸载方式中的任务计算速率;fi,R,fi,local,fi,j分别代表着三种任务卸载方式中路边单元,任务车辆i和最优合作车辆j的CPU周期频率;b为代理商的单位任务执行费用;
定义一个时隙系统内车辆和路边单元总的效用,表示为:
U(t)=Ucomm(t)+Ucomp(t)
总的系统效用是每个时隙成本的叠加再减去切换路边单元所带来的花销:
目标函数表示为:
本方案中,所述约束条件包括有:决策约束、频谱约束、任务计算约束、任务延迟约束。其中,所述决策约束表示为:λ1,λ2,λ3={0,1},且λ1+λ2+λ3=1
所述频谱约束表示为:任务传输占用的频谱不能超过频谱阈值;
所述任务计算约束表示为:任务计算所占用的CPU周期不能超过设备CPU周期总数的总阈值;
所述任务延迟约束表示为:任务处理的总延迟需要在任务处理的延迟限制之内;
本发明车联网中考虑车辆的有效通信范围和车辆行驶过程中脱离路边的单元覆盖范围的情况,通过预测车辆移动轨迹,预知下一时间段车辆的经过路段,可以预先调配路边单元资源,更有效得解决可能存在资源不够用的情况。也可以预知各辆车的轨迹,确定车辆之间能互相合作卸载的可能性,在路边单元排队队列满了或者网络拥塞的时候,可以选择将任务卸载给合作车辆。通过比较三种不同任务卸载方式的开销选择最优的全局调配,本发明在综合效用中加入路边单元切换带来的开销,更切合实际的数据传输成本的预估。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种适用于RSU覆盖切换的边缘车联网任务卸载方法,其特征在于,包括以下步骤:
S1:获取车辆的历史行车数据,利用历史行车数据训练LSTM模型,通过训练完毕的LSTM模型预测未来设定时间段内车辆的移动轨迹;
S2:根据车辆的移动轨迹确定车辆的行驶路段,根据车辆行驶的路段确定车辆即将经过的路边单元RSU2,车辆当前所处的路边单元记为RSU1;
S3:当车辆行驶位置处于路边单元RSU1与路边单元RSU2之间的边界处分别计算三种任务卸载方式的开销;
S4:以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式;
路边单元RSU1、路边单元记RSU2的半径分别为:R1、R2,车辆与RSU1之间的传输速率记为车辆与RSU2之间的传输速率记为进行合作下载的任务车车辆有k辆,其中任务车的集合记为Ι,其中车辆i∈Ι,合作车集合记为J,设定车辆i生成一个任务(Li,Ci,xi,0,Ti max)且服从泊松分布,Li为车辆i的输入任务大小,Ci为车辆i处理任务所需要的CPU周期数,xi,0为生成任务的位置;Ti max为车辆i所生成任务的最大处理延迟;
任务可以传输给路边单元或者是合作车辆,也能自己处理,处理任务时,车辆自身处理任务的CPU频率为fm,路边单元处理任务的CPU频率为fR,合作车辆车j处理车辆i的任务时占据的CPU的频率为fi,j;
将车辆行驶的时间分为多个时隙,假定当前时隙为t,t∈{1,2,…,n};
从车辆i到RSU1的数据传输速度:
车辆i到RSU2的数据传输速度为:
三种任务卸载方式包括:卸载计算任务至路边单元、车辆自身处理计算任务、将计算任务经过一跳传输至合作车辆;
所述卸载计算任务至路边单元其计算开销包括:
计算路边单元切换的总体开销:
当车辆选择将计算任务传给路边单元时,则存在在路段的前一个路边单元的区域内完成不了任务的情况,若是计算任务已分解为最小单元,此时发生路边单元的切换,则需要将已经传输的数据从RSU1和RSU2之间的链路继续传输给RSU2,剩余的直接送给RSU2,则路边单元切换产生的开销属于多余的开销,多余的开销表示为:
考虑路边单元的边界,确定是否需要更换路边单元进行传输,得出总的延迟公式;
设RSU1和RSU2的交换边界的时隙是T,则此交换边界相对位置为xT;
此时,根据交换边界,得出总体的带宽和传输速度的公式,表示为:
当前时隙t内,数据的传输量为Hi(t),计算公式表示为:
当车辆在RSU1的传输范围内不能传输完任务时,即车辆到达交换边界时,数据的传输量小于任务的大小,用公式可以表示为Hi(T)<Li,此时选择进行路边单元切换,切换到RSU2;
则总传输时间为:
根据路边单元切换与否,得到路边单元内部任务计算时间:
车辆自身处理计算任务时,任务处理时间和任务计算速率分别为:
当车辆自身处理计算任务,任务处理时间表示为:
其中fi,local为车辆i自行处理任务时的CPU频率;
将计算任务经过一跳传输至合作车辆具体包括:
确定合作车辆,对任务车辆i周围车辆通过三个指标进行评价,选择三个指标中综合性价比最高的周围车辆作为合作车辆,所述指标包括:基于可分配的计算容量Ci,j、距离Di,j、在任务车辆身边行驶的时间Ti,j;
当多个周围车辆作为候选合作车辆时,判断依据表示为:
其中α+β+γ=1,且为α,β,γ∈(0,1),α、β、γ表示折扣参数,选出候选合作车辆中最优的合作车辆后,任务车辆i会与最优合作车辆形成一个车辆组合;计算任务总延迟:
任务车辆i到最优合作车辆的V2V链路传输速度为:
以车辆行驶每个时隙成本的叠加减去切换路边单元所带来的花销最小为目标函数,利用约束条件求解目标函数得到当前时隙任务卸载方式具体包括:
定义数据传输效用,所述数据传输效用等于代理的网络接入费用减去频谱资源的租用扣费,t时刻的数据传输效用表示为:
其中,a为代理商的单位网络接入成本,单位是RMB/bps;分别是将任务传给路边单元和最优合作车辆j时的带宽租赁成本,单位是RMB/Hz;λ1,λ2,λ3={0,1}分别为3种计算任务卸载方式的选择与否,当λ1,λ2,λ3取值为0时,表示不选择对应的任务卸载方式,当λ1,λ2,λ3取值为1时,表示选择对应的任务卸载方式;bi,R(t),分别为传输给路边单元和最优合作车辆j所占用的带宽;ri,R(t),ri,j分别为将任务传输给路边单元RSU和最优合作车辆j的传输速度;
定义任务计算效用,所述任务计算效用等于代理任务执行的费用减去计算资源的费用,t时刻的任务计算效用为:
其中ηi,R,ηi,local,ηi,j分别是三种任务传输方案的任务计算成本,单位是RMB/J;β为每个CPU周期消耗的能量;λ1,λ2,λ3={0,1}分别为3种任务卸载方式的选择与否;分别为三种任务卸载方式中的任务计算速率;fi,R,fi,local,fi,j分别代表着三种任务卸载方式中路边单元,任务车辆i和最优合作车辆j的CPU周期频率;b为代理商的单位任务执行费用;
定义一个时隙系统内车辆和路边单元总的效用,表示为:
U(t)=Ucomm(t)+Ucomp(t)
总的系统效用是每个时隙成本的叠加再减去切换路边单元所带来的花销:
目标函数表示为:
2.根据权利要求1所述的一种适用于RSU覆盖切换的边缘车联网任务卸载方法,其特征在于,步骤S1所述的获取车辆的历史行车数据,利用历史行车数据训练LSTM模型具体过程为:
获取车辆的历史数据并进行特征处理,根据时间戳将车辆的ID、行车经纬度、提取成设定时长车辆行驶距离和行驶速度构建成数据集;
将所述数据集划分为训练数据集和测试数据集;
将训练数据集输入至LSTM模型中进行训练并输出下一时刻的预测经纬度;
以预测的经纬度与实际的经纬度的距离误差作为训练指标对LSTM模型优化直至LSTM模型符合训练指标则训练完毕。
3.根据权利要求1所述的一种适用于RSU覆盖切换的边缘车联网任务卸载方法,其特征在于,所述约束条件包括有:决策约束、频谱约束、任务计算约束、任务延迟约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768820.0A CN112055329B (zh) | 2020-08-03 | 2020-08-03 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768820.0A CN112055329B (zh) | 2020-08-03 | 2020-08-03 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112055329A CN112055329A (zh) | 2020-12-08 |
CN112055329B true CN112055329B (zh) | 2022-06-14 |
Family
ID=73602241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010768820.0A Active CN112055329B (zh) | 2020-08-03 | 2020-08-03 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112055329B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822661B (zh) * | 2021-01-04 | 2022-03-29 | 安徽大学 | 车辆任务卸载方法、系统、设备及存储介质 |
CN112911016B (zh) * | 2021-02-25 | 2022-04-08 | 北京邮电大学 | 边端协同计算卸载方法及系统、电子设备和存储介质 |
CN113115203B (zh) * | 2021-03-25 | 2023-04-07 | 重庆首讯科技股份有限公司 | 一种路侧单元设备的降耗方法、装置及系统 |
CN113535261B (zh) * | 2021-07-05 | 2022-09-06 | 云南大学 | 基于边缘计算的车联网车辆集群任务卸载方法 |
CN113965569B (zh) * | 2021-10-22 | 2022-08-12 | 大连理工大学 | 一种高能效、低时延的边缘节点计算迁移配置系统 |
CN114384906B (zh) * | 2021-12-01 | 2024-02-02 | 合肥湛达智能科技有限公司 | 一种路边单元与智能网联汽车计算任务分配方法 |
CN114708450B (zh) * | 2021-12-30 | 2024-04-26 | 华北电力大学 | 一种基于路边停放车辆的rsu招募方法 |
CN114760661B (zh) * | 2022-04-15 | 2022-12-27 | 陕西师范大学 | 基于边缘计算的车路协同车联网任务卸载与迁移方法 |
CN114916013B (zh) * | 2022-05-10 | 2024-04-16 | 中南大学 | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 |
CN115022893A (zh) * | 2022-05-31 | 2022-09-06 | 福州大学 | 多任务边缘计算系统中最小化总计算时间的资源分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN110348670A (zh) * | 2019-05-23 | 2019-10-18 | 广东工业大学 | 一种城市计算环境下的车辆计算资源分配方法 |
CN111083634A (zh) * | 2019-12-16 | 2020-04-28 | 重庆邮电大学 | 基于cdn和mec的车联网移动性管理方法 |
CN111314889A (zh) * | 2020-02-26 | 2020-06-19 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101338479B1 (ko) * | 2010-06-11 | 2013-12-10 | 한국전자통신연구원 | 차량 환경에서의 무선 접속을 이용한 채널 할당 방법 및 그 장치 |
-
2020
- 2020-08-03 CN CN202010768820.0A patent/CN112055329B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN110348670A (zh) * | 2019-05-23 | 2019-10-18 | 广东工业大学 | 一种城市计算环境下的车辆计算资源分配方法 |
CN111083634A (zh) * | 2019-12-16 | 2020-04-28 | 重庆邮电大学 | 基于cdn和mec的车联网移动性管理方法 |
CN111314889A (zh) * | 2020-02-26 | 2020-06-19 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
Non-Patent Citations (3)
Title |
---|
基于移动边缘计算的V2X任务卸载方案;张海波等;《电子与信息学报》;20180712(第11期);全文 * |
车联网中整合移动边缘计算与内容分发网络的移动性管理策略;张海波等;《电子与信息学报》;20200615(第06期);全文 * |
车载边缘计算中基于信誉值的计算卸载方法研究;吴振铨等;《计算机应用研究》;20170828(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112055329A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112055329B (zh) | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 | |
Wang et al. | Machine learning for 5G and beyond: From model-based to data-driven mobile wireless networks | |
Li et al. | Adaptive computing scheduling for edge-assisted autonomous driving | |
Javed et al. | Ai-empowered content caching in vehicular edge computing: Opportunities and challenges | |
CN105009475B (zh) | 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统 | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
Kumar et al. | Multi-agent deep reinforcement learning-empowered channel allocation in vehicular networks | |
CA3166419A1 (en) | Bandwidth allocation using machine learning | |
Donta et al. | Congestion-aware data acquisition with q-learning for wireless sensor networks | |
CN111491312B (zh) | 无线资源预测分配、获取、训练神经网络的方法及设备 | |
Alwarafy et al. | The frontiers of deep reinforcement learning for resource management in future wireless HetNets: Techniques, challenges, and research directions | |
US20220104027A1 (en) | Method for sharing spectrum resources, apparatus, electronic device and storage medium | |
CN114189869A (zh) | 基于边缘计算的无人车协同路径规划和资源分配方法 | |
US20240039788A1 (en) | Deep reinforcement learning for adaptive network slicing in 5g for intelligent vehicular systems and smart cities | |
Ganewattha et al. | Confidence aware deep learning driven wireless resource allocation in shared spectrum bands | |
Liu et al. | Real-time task offloading for data and computation intensive services in vehicular fog computing environments | |
Sarkar et al. | Delay-aware intelligent task offloading strategy in vehicular fog computing | |
CN113271221B (zh) | 网络能力开放方法、系统及电子设备 | |
Farzanullah et al. | Platoon Leader Selection, User Association and Resource Allocation on a C-V2X based highway: A Reinforcement Learning Approach | |
Chidume et al. | Intelligent user-collaborative edge device APC-based MEC 5G IoT for computational offloading and resource allocation | |
Lieira et al. | Meta-heuristic mechanism based on whale optimization algorithm for tasks allocation in edge computing | |
HaghighiFard et al. | Hierarchical Federated Learning in Multi-hop Cluster-Based VANETs | |
Yang et al. | Beyond the Edge: An Advanced Exploration of Reinforcement Learning for Mobile Edge Computing, its Applications, and Future Research Trajectories | |
Silva et al. | Deep reinforcement learning edge workload orchestrator for vehicular edge computing | |
Da Costa et al. | Efficient Pareto Optimality-based Task Scheduling for Vehicular Edge Computing |
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 |