CN112584351B - 一种面向车联雾计算的“通信-计算”一体化资源分配方法 - Google Patents

Abstract

本发明涉及一种面向车联雾计算的“通信‑计算”一体化资源分配，属于车辆计算资源领域。该方法包括以下步骤：S1、获取车辆信息和雾节点信息；S2、建立任务模型；S3、计算雾节点执行任务的稳定度；S4、任务计算模型；S5、将稳定性影响因子与任务执行时延相结合。传统的单小区资源分配策略中一般只是单纯的考虑任务执行的时延，而本发明中提出了一种“稳定度‑时延”联合分配策略，新增了任务稳定度这一指标，并将其转化为稳定度影响因子与任务执行时延相结合，使得最终的分配结果更加可靠。

Description

一种面向车联雾计算的“通信-计算”一体化资源分配方法

技术领域

本发明属于车辆计算资源领域，涉及一种面向车联雾计算的“通信-计算”一体化资源分配方法。

背景技术

随着网络技术的蓬勃发展，云计算凭借其强大的计算和存储能力，得到了广泛的应用。一方面，终端设备的爆炸式增长让云计算有了进一步的发展；另一方面，终端用户之间较大的通信距离，云计算集中式地处理大量数据的模式需要面对网络拥塞、较大的网络延迟以及较高的运营成本等问题。对于一些时延敏感的应用，需要一种新的体系结构快速响应底层设备的需求。

2011年，思科公司首次提出了雾计算的概念，在用户和云服务层之间增加一个雾层，利用距离用户较近的雾层中的设备提供有弹性的计算资源。雾计算靠近终端用户、拥有稠密的地理分布，支持移动性、低延迟性、位置感知、异构性，包括终端用户设备、接入设备、智能路由、交换机等都可以成为雾设备(节点)。

雾计算在各个领域都有着广泛的应用，本发明主要解决的是雾计算在车联网领域应用的难题。近年来，随着智能车的不断发展以及先进车辆应用的出现，在满足车辆通信和计算需求方面的挑战日益突出。但是如果没有强大的通信和计算能力支持，各种车辆应用和服务仍将处于概念阶段，不能在日常生活中付诸实践。因此，这个问题亟待解决。现有的解决方案(例如蜂窝网络、路边单元(RSU)和移动云计算)并不完美，因为它们高度依赖额外基础设施并会承担高额的部署成本。

发明内容

有鉴于此，本发明的目的在于提供一种面向车联雾计算的“通信-计算”一体化资源分配方法。

为达到上述目的，本发明提供如下技术方案：

一种面向车联雾计算的“通信-计算”一体化资源分配方法，该方法包括以下步骤：

S1、获取车辆信息和雾节点信息；

S2、建立任务模型；

S3、计算雾节点执行任务的稳定度；

S4、建立任务计算模型；

S5、将稳定性影响因子与任务执行时延相结合。

可选地，步骤S1具体为：

设卸载到路侧单元RSU执行任务，根据香农公式，车辆上行的传输速率可以表示为

其中，B为无线信道的带宽，P_i代表智能车辆用于上传数据的传输功率，g_i则代表智能车辆i与基站之间的信道增益，N₀为白高斯噪声方差。

可选地，步骤S2具体为：

系统中的每一个车辆都产生了计算密集型任务，设智能车辆i对应的任务A_i用以下数组来表示

其中，

表示应用的数据量；S_i表示CPU处理该应用需要的周期数；

表示该应用的到达时间。

可选地，S3具体为

通过雾节点的信誉度对其执行任务的所述稳定度进行量化，雾节点的信誉度使用以下公式进行描述：

其中，rep_i代表雾节点i的信誉度，r_i ^s和r_i ^c是计算节点i的信誉度评价指标，分别代表雾节点i的统计信誉度和认知信誉度，在信誉度计算中所占的权重值分别为ω₁、ω₂，ω₁+ω₂＝1，N_t是雾节点i已经执行的任务总数，N_th是任务数的阈值；

1)统计信誉度r_i ^s的计算过程为：

统计信誉度r_i ^s是根据雾节点i执行历史任务的情况统计得出的，f_l∈[0,1]代表第l次满意度评价，设雾节点满意度评价表中存放的对雾节点i的评价次数为m次，则统计信誉度r_i ^s为m次评价的平均值，不考虑时间衰减的统计信誉度的计算公式为

设信誉度模型区别不同阶段对于信誉度计算的影响，时间较近的评价具有更高的权重值，因此考虑时间衰减的最终统计信誉度的公式为

其中

为交易次数因子，反应满意度评价量越多时，做出的信任度评价越准确；

2)所述认知信誉度r_i ^c的计算过程为：

设雾节点执行的历史任务数量较少，即N_t＜N_th，统计信誉度不能反映雾节点的真实信誉度，因此考虑雾节点的认知信誉度r_i ^c，雾节点主要包括车辆与路边单元，因此根据其计算能力以及其续航能力将其分为稳定节点和不稳定节点两种；其中令r_i ^RSU表示稳定节点，r_i ^AV表示不稳定节点；

3)雾节点执行任务的稳定度计算过程为

雾节点任务执行的稳定度计算方法，如下所示：

其中sta_i表示雾节点i的稳定度，t_i为雾节点i完成任务的时间，T为单位时间；

4)雾节点执行任务的稳定度影响因子为γ_i

γ_i＝1-sta_i。

可选地，S4具体为：

将任务计算模型分成两个部分：本地计算模型与卸载计算模型；

本地计算模型是利用车辆自身的计算资源执行任务，卸载计算模型是基站决定卸载到路侧单元RSU并利用路侧单元RSU的计算资源处理任务模型；

1)所述本地计算模型具体为：

设车辆i的任务在本地执行，定义T_l ⁱ作为本地执行的时延，假定车辆的计算能力为f_l ⁱ，则本地处理的时间为

2)所述卸载处理模型具体为：

设选择路侧单元RSU执行任务，首先智能车辆将通过无线信道卸载任务到RSU，然后由RSU来执行这个任务，整个卸载过程包括三部分组成：

①智能车辆通过无线信道上传程序编程代码与参数相关的信息到基站，基站再把相关信息转发到RSU；

②RSU分配相应的计算资源去执行这项任务；

③基站把计算结果返回到智能车辆；

将智能车辆i通过无线信道上传数据的时间记作

设任务开始在RSU执行的时间为

把智能车辆通过无线信道上传数据的时间记作

则有

设RSU在执行一项任务的时候占据了所有计算资源，执行时延是

其中f_c代表了RSU的计算资源，

智能车辆i的计算卸载总时延为：

可选地，S5具体为

将稳定性影响因子与任务执行时延相结合，结合后智能车辆i的稳定时延表示为

其中，α_i代表了卸载决策变量，智能车辆的卸载决策变量是一个整型的0，1变量，当其为0时表示任务在车辆上执行，当其为1时表示任务卸载到RSU执行，系统的最小稳定时延表示为

本发明的有益效果在于：在车辆雾网络中通过资源分配利用分布式的雾资源协同为用户提供高效的计算功能，以实现用户计算需求和雾计算资源之间快速、稳定有效的匹配，有效降低服务时延以及提高资源分配的可靠性。

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为本发明资源分配策略方法的流程图；

图2为稳定时延计算流程图；

图3为卸载分配流程图。

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。

请参阅图1～图3，为一种面向车联雾计算的“通信-计算”一体化资源分配方法。

1.网络模型

如果卸载到RSU执行任务，根据香农公式，车辆上行的传输速率可以表示为

因此我们需要获取的车辆信息如下：其中，B为无线信道的带宽，P_i代表智能车辆用于上传数据的传输功率，g_i则代表智能车辆i与基站之间的信道增益，N₀为白高斯噪声方差。

2.任务模型

每一辆智能车都有一个计算密集型的任务需要执行。智能车辆i对应的任务A_i可以用以下数组来表示

其中

表示应用的数据量；S_i表示CPU处理该应用需要的周期数；

表示该应用的到达时间。

3.稳定度模型

在本发明场景中，RSU与智能车辆都可作为雾节点，而每个车辆的性能以及计算环境并不相同。因此，雾集群管理者进行资源分配的过程中，需要考虑到雾节点执行任务的稳定性，在这里我们用雾节点的信誉度对其执行任务的稳定性进行量化。雾节点的信誉度使用以下公式进行描述：

其中rep_i代表雾节点i的信誉度，r_i ^s和r_i ^c是计算节点i的信誉度评价指标，分别代表雾节点i的统计信誉度和认知信誉度。他们在信誉度计算中所占的权重值分别为ω₁、ω₂，ω₁+ω₂＝1。N_t是雾节点i已经执行的任务总数。N_th是任务数的阈值，可以设置为常数。

1)统计信誉度

统计信誉度r_i ^s是根据雾节点i执行历史任务的情况统计得出的。雾节点i每次完成雾集群管理者分配给他的任务，雾集群管理者都会对其进行满意度评价，f_l∈[0,1]代表第l次满意度评价，f_l值的大小取决于雾节点完成任务的成功率、执行效率和任务反馈等。假设雾集群管理者的雾节点满意度评价表中存放的对雾节点i的评价次数为m次，则统计信誉度r_i ^s为雾集群管理者m次评价的平均值，不考虑时间衰减的统计信誉度其计算公式为

然而，为了使雾节点信誉度的计算更加准确，信誉度模型需要区别不同阶段对于信誉度计算的影响，时间较近的评价应该具有更高的权重值，因此我们定义考虑时间衰减的最终统计信誉度的公式为

其中

为交易次数因子，反应满意度评价量越多时，做出的信任度评价越准确。

2)认知信誉度

当雾节点执行的历史任务数量较少时(N_t＜N_th)，统计信誉度不能反映雾节点的真实信誉度，此时需要考虑到雾节点的认知信誉度r_i ^c，如上文中的统计信誉度公式所示。在本发明场景中，雾节点主要包括车辆与路边单元，因此根据其计算能力以及其续航能力将其分为稳定节点和不稳定节点两种。其中我们令r_i ^RSU表示稳定节点，r_i ^AV表示不稳定节点。

3)雾节点的稳定度

根据上文的信誉度计算方法，我们建立了雾节点任务执行的稳定度计算方法，如公式所示

其中sta_i表示雾节点i的稳定度，t_i为雾节点i完成任务的时间，T为单位时间。

4)稳定性影响因子

对于执行任务的雾节点来说，稳定度越高对于任务分配所带来的收益也越高，相对于时延来说即时延越短，因此稳定度对时延大小的影响与其本身的值成反比。我们在此处提出稳定度影响因子：

γ_i＝1-sta_i

4.任务计算模型

由于任务可以在基站端执行，也可以在智能车辆端执行。因此计算模型分成两个部分：本地计算模型与卸载计算模型。本地计算模型代表的是利用车辆自身的计算资源执行任务。卸载计算模型代表的是基站决定卸载到RSU利用RSU的计算资源处理任务。

1)本地计算模型

如果雾集群管理者决定车辆i的任务在本地执行，定义T_l ⁱ作为本地执行的时延。假定车辆的计算能力为f_l ⁱ，则本地处理的时间为

2)卸载处理模型

如果选择RSU执行任务，首先智能车辆将通过无线信道卸载任务到RSU，然后由RSU来执行这个任务。整个卸载过程主要由三部分组成。首先，智能车辆通过无线信道上传程序编程代码与参数相关的信息到基站，基站再把相关信息转发到RSU。然后，RSU需要分配相应的计算资源去执行这项任务。最终，基站把计算结果返回到智能车辆。

智能车辆向基站发送任务相关信息之后的任一时间片都可能上传任务数据到基站端服务器。因此，把智能车辆i通过无线信道上传数据的时间记作

注意同一时刻只能有一个任务在RSU上执行，其他任务可能在本地车辆等待调度并在未来某一个时间片卸载到RSU，也可能已经卸载到RSU服务器上等待执行。考虑到通常会有多个任务在RSU上等待执行，RSU里有一个先进先出的队列，用于存储卸载的任务。一旦正在执行的任务结束，RSU会从队列中获取下一个任务。定义任务开始在RSU执行的时间为

把智能车辆通过无线信道上传数据的时间记作

则有

当RSU在执行一项任务的时候，假定占据了所有计算资源，则执行时延是

其中f_c代表了RSU的计算资源。

最终的计算结果返回给智能车辆。而因为计算结果的数据量相比于上传的数据量是很小的，因此本发明忽略数据的下发时延。

综上所述，智能车辆i的计算卸载总时延

5.稳定时延

我们将稳定性影响因子与任务执行时延相结合，智能车辆i的稳定时延为

其中，α_i代表了卸载决策变量，由于任务时不可分的，因此针对智能车辆的卸载决策变量是一个整型的0，1变量。最终以达到系统的最小稳定时延

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 (1)

1.一种面向车联雾计算的“通信-计算”一体化资源分配方法，其特征在于：所述方法包括以下步骤：

S1、设卸载到路侧单元RSU执行任务，获取车辆信息和雾节点信息；

设卸载到路侧单元RSU执行任务，根据香农公式，车辆上行的传输速率表示为

其中，B为无线信道的带宽，P_i代表智能车辆用于上传数据的传输功率，g_i则代表智能车辆i与基站之间的信道增益，N₀为白高斯噪声方差；

S2、建立任务模型；

系统中的每一个车辆都产生了计算密集型任务，设智能车辆i对应的任务A_i用以下数组来表示

其中，

表示应用的数据量；S_i表示CPU处理该应用需要的周期数；

表示该应用的到达时间

S3、计算雾节点执行任务的稳定度；

通过雾节点的信誉度对其执行任务的所述稳定度进行量化，雾节点的信誉度使用以下公式进行描述：

其中，rep_i代表雾节点i的信誉度，r_i ^s和r_i ^c是计算节点i的信誉度评价指标，分别代表雾节点i的统计信誉度和认知信誉度，在信誉度计算中所占的权重值分别为ω₁、ω₂，ω₁+ω₂＝1，N_t是雾节点i已经执行的任务总数，N_th是任务数的阈值；

1)所述统计信誉度r_i ^s的计算过程为：

统计信誉度r_i ^s是根据雾节点i执行历史任务的情况统计得出的，f_l∈[0,1]代表第l次满意度评价，设雾节点满意度评价表中存放的对雾节点i的评价次数为m次，则统计信誉度r_i ^s为m次评价的平均值，不考虑时间衰减的统计信誉度的计算公式为

设信誉度模型区别不同阶段对于信誉度计算的影响，时间较近的评价具有更高的权重值，因此考虑时间衰减的最终统计信誉度的公式为

其中

为交易次数因子，反应满意度评价量越多时，做出的信任度评价越准确；

2)所述认知信誉度r_i ^c的计算过程为：

设雾节点执行的历史任务数量较少，即N_t＜N_th，统计信誉度不能反映雾节点的真实信誉度，因此考虑雾节点的认知信誉度r_i ^c，雾节点主要包括车辆与路边单元，因此根据其计算能力以及其续航能力将其分为稳定节点和不稳定节点两种；其中令r_i ^RSU表示稳定节点，r_i ^AV表示不稳定节点；

3)雾节点执行任务的稳定度计算过程为

雾节点任务执行的稳定度计算方法，如下所示：

其中sta_i表示雾节点i的稳定度，t_i为雾节点i完成任务的时间，T为单位时间；

4)雾节点执行任务的稳定度影响因子为γ_i

γ_i＝1-sta_i；

S4、建立任务计算模型；

将任务计算模型分成两个部分：本地计算模型与卸载计算模型；

本地计算模型是利用车辆自身的计算资源执行任务，卸载计算模型是基站决定卸载到路侧单元RSU并利用路侧单元RSU的计算资源处理任务模型；

1)所述本地计算模型具体为：

设车辆i的任务在本地执行，定义T_l ⁱ作为本地执行的时延，假定车辆的计算能力为f_l ⁱ，则本地处理的时间为

2)所述卸载计算模型具体为：

设选择路侧单元RSU执行任务，首先智能车辆将通过无线信道卸载任务到RSU，然后由RSU来执行这个任务，整个卸载过程包括三部分组成：

①智能车辆通过无线信道上传程序编程代码与参数相关的信息到基站，基站再把相关信息转发到RSU；

②RSU分配相应的计算资源去执行这项任务；

③基站把计算结果返回到智能车辆；

将智能车辆i通过无线信道上传数据的时间记作

设任务开始在RSU执行的时间为

把智能车辆通过无线信道上传数据的时间记作

则有

设RSU在执行一项任务的时候占据了所有计算资源，执行时延是

其中f_c代表了RSU的计算资源，智能车辆i的计算卸载总时延为：

S5、将稳定性影响因子与任务执行时延相结合；

结合后智能车辆i的稳定时延表示为：

其中，γ_i表示稳定性影响因子，α_i代表了卸载决策变量，智能车辆的卸载决策变量是一个整型的0，1变量，当其为0时表示任务在车辆上执行，当其为1时表示任务卸载到RSU执行，系统的最小稳定时延表示为

Images