CN112685186B - 一种计算任务的卸载方法、装置、电子设备及存储介质 - Google Patents
一种计算任务的卸载方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112685186B CN112685186B CN202110021412.3A CN202110021412A CN112685186B CN 112685186 B CN112685186 B CN 112685186B CN 202110021412 A CN202110021412 A CN 202110021412A CN 112685186 B CN112685186 B CN 112685186B
- Authority
- CN
- China
- Prior art keywords
- task
- server
- target
- tasks
- calculation
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Computer And Data Communications (AREA)
Abstract
本申请提供了一种计算任务的卸载方法、装置、电子设备及存储介质,其中,该方法包括:获取目标车辆的计算任务,并基于计算任务对应的任务信息,从计算任务中选取目标任务;基于目标车辆产生目标任务时的位置信息,从边缘服务器中选取处理目标任务中第一部分任务的第一服务器;基于各个边缘服务器的属性信息,以及目标车辆的行驶信息,从多个边缘服务器中选取处理目标任务中第二部分任务的第二服务器;根据均衡负载策略,确定第一部分任务和第二部分任务,并将第一部分任务分配给第一服务器,将第二部分任务分配给第二服务器。本申请基于均衡负载策略,将目标任务分配给第一服务器和第二服务器共同处理,实现边缘服务器工作负载的均衡分配。
Description
技术领域
本申请涉及智能车辆任务处理技术领域,具体而言,涉及一种计算任务的卸载方法、装置、电子设备及存储介质。
背景技术
随着智能车辆提供的驾驶服务的复杂度的提高,对智能车辆的计算速度和计算时延都提出了新要求,这将导致计算能力有限的车辆无法很好地为用户提供智能驾驶服务。
现阶段,为了解决智能车辆计算能力不足的问题,通常将移动边缘计算技术(Mobile Edge Computing,MEC)引入车载自组网形成车载边缘计算网络,该网络不仅满足了车辆计算能力扩展的要求,还弥补了远程云计算传输时延较长以及网络带宽成本较高的缺陷。
但是,在上述车载边缘计算网络中,对车辆的计算任务进行分配时,没有考虑车辆的移动性以及区域基础设施部署的差异性,容易将大量计算任务卸载至同一个边缘服务器,造成不同的边缘服务器之间负载不均衡的问题,这严重降低了整体系统的边缘服务器的计算资源利用率,也降低了计算任务的处理效率。
发明内容
有鉴于此,本申请实施例的目的在于提供一种计算任务的卸载方法、装置、电子设备及存储介质,能够采用第一服务器和第二服务器联合处理目标任务,并采用均衡负载策略,确定第一服务器处理的第一部分任务,以及第二服务器处理的第二部分任务,提高了目标任务的分配效率,实现边缘服务器工作负载的均衡分配。
第一方面,本申请实施例提供了一种计算任务的卸载方法,所述卸载方法包括:
获取目标车辆产生的计算任务,并基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;
基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;
基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;
根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,并将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器。
在一种可能的实施方式中,所述基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务,包括:
基于所述计算任务对应的任务信息,分别确定所述目标车辆计算所述计算任务所需的计算时间和计算能量,以及所述目标车辆传输所述计算任务所需的传输时间和传输能量;
若所述计算任务的计算时间和传输时间满足边缘服务器处理的时间要求,并且所述计算任务的计算能量和传输能量满足边缘服务器处理的能量要求,则将所述计算任务确定为目标任务。
在一种可能的实施方式中,所述基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器,包括:
基于所述目标车辆产生所述目标任务时的位置信息,查找所述位置信息对应的边缘服务器;
若所述位置信息对应的边缘服务器为源服务器,则根据计算所述目标任务所需的计算资源,确定所述目标任务所属的任务类别;其中,源服务器为计算资源占用率满足预设要求的边缘服务器;
若所述目标任务所属的任务类别满足联合计算要求,则将所述位置信息对应的边缘服务器确定为所述第一服务器。
在一种可能的实施方式中,通过如下方式判断所述边缘服务器是否为源服务器:
获取所述位置信息对应的边缘服务器的计算资源占用率;
根据所述计算资源占用率,确定所述位置信息对应的边缘服务器所属的服务器类别;
若所述位置信息对应的边缘服务器所属的服务器类别为高负载类别,则将所述位置信息对应的边缘服务器确定为源服务器。
在一种可能的实施方式中,所述基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器,包括:
根据各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取满足所述目标任务对应的处理时长上限值的多个候选服务器;
根据所述目标任务对应的系统处理成本,每个候选服务器的计算资源占用率,从所述多个候选服务器中选取预备服务器;
若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则将所述预备服务器确定为第二服务器。
在一种可能的实施方式中,所述根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,包括:
根据计算所述目标任务所需的计算资源,所述第二服务器已占用的计算资源,以及所述目标任务对应的处理时长上限值,确定所述第一部分任务和所述第二部分任务的比值。
在一种可能的实施方式中,所述卸载方法还包括:将所述第二部分任务基于传输路径发送给所述第二服务器;其中,通过如下方式确定所述传输路径:
若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则从所述目标车辆对应的通信范围内查找最小传输时长对应的中转车辆;
若所述中转车辆的数量小于预设阈值,且所述中转车辆位于所述第二服务器的通信范围外,则将所述中转车辆确定为新的目标车辆,查找所述新的目标车辆对应的新的中转车辆,直到所述新的中转车辆位于所述第二服务器的通信范围内。
第二方面,本申请实施例提供了一种计算任务的卸载装置,所述卸载装置包括:
第一获取模块,用于获取目标车辆产生的计算任务;
第一选取模块,用于基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;
第二选取模块,用于基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;
第三选取模块,用于基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;
第一确定模块,用于根据均衡负载策略,确定所述第一部分任务和所述第二部分任务;
分配模块,将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行第一方面任一项所述的计算任务的卸载方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行第一方面任一项所述的计算任务的卸载方法的步骤。
本申请实施例提供的一种计算任务的卸载方法、装置、电子设备及存储介质,其中,计算任务的卸载方法包括:获取目标车辆产生的计算任务,并基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,并将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器。本申请实施例能够确定第一服务器处理的第一部分任务,以及第二服务器处理的第二部分任务,提高了目标任务的分配效率,实现边缘服务器工作负载的均衡分配。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种计算任务的卸载方法的流程图;
图2示出了本申请实施例提供的另一种计算任务的卸载方法的流程图;
图3示出了本申请实施例提供的另一种计算任务的卸载方法的流程图;
图4示出了本申请实施例提供的另一种计算任务的卸载方法的流程图;
图5示出了本申请实施例提供的另一种计算任务的卸载方法的流程图;
图6示出了本申请实施例提供的另一种计算任务的卸载方法的流程图;
图7示出了本申请实施例提供的一种计算任务的卸载装置的结构示意图;
图8示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实际中,随着智能车辆提供的驾驶服务的复杂度的提高,对智能车辆的计算速度和计算时延都提出了新要求,这将导致计算能力有限的车辆无法很好地为用户提供智能驾驶服务。
现阶段,为了解决智能车辆计算能力不足的问题,通常将移动边缘计算技术(Mobile Edge Computing,MEC)引入车载自组网形成车载边缘计算网络,该网络不仅满足了车辆计算能力扩展的要求,还弥补了远程云计算传输时延较长以及网络带宽成本较高的缺陷。
但是,在上述车载边缘计算网络中,对车辆的计算任务进行分配时,没有考虑车辆的移动性以及区域基础设施部署的差异性,容易将大量计算任务卸载至同一个边缘服务器,造成不同的边缘服务器之间负载不均衡的问题,这严重降低了整体系统的边缘服务器的计算资源利用率,也降低了计算任务的处理效率。
具体的,车载边缘计算中基于负载均衡的计算卸载对应有两种情况,一是车辆将计算任务卸载至低负载边缘服务器处理,二是边缘服务器将计算任务卸载至低负载边缘服务器处理。在第一种情况下,Dai Yueyu等人提出一种选择决策、计算资源与卸载联合算法,运用二分图匹配法和拉格朗日对偶上升法进行边缘服务器选择和计算资源分配,提高系统效用,但是该方案是一种依赖于车辆对边缘服务器负载感知下的卸载策略,卸载决策依据片面,难以真正均衡负载。Zhang Jie等人提出一种基于软件定义网络的车辆任务卸载架构,以及在此基础上的近似负载平衡与任务卸载算法,以使所有计算任务的处理时延最小化,并提出另两种基于博弈论的任务卸载方案验证了上述方法的有效性,该方案的不足之处在于采用传输链路的无线干扰情况判断边缘服务器计算负载状态,虽然该种方式在一定程度上能够起到指导车辆任务卸载并提升负载均衡的作用,但仍然存在卸载策略制定依据片面的问题。在第二种情况下,Yang Chao等人提出了一种基于位置的任务卸载方案,MEC服务器可将超载任务迁移到车辆移动方向上的相邻服务器处理,有效降低系统成本,然而,现实生活中可能出现邻近服务器剩余计算资源不足以执行外来任务的情况,此文却不予考虑。Zhao Junhui等人设计出一种计算卸载和资源优化分配协同方案,并提出相应的分布式计算卸载与资源分配算法,在资源分配和卸载决策之间进行迭代,最终得到最优卸载策略和资源分配方案,提高系统效用,但是上述研究在实际应用中仍存在前提条件要求多,实用价值较低等缺陷。
计算卸载方案的设计一直是研究热点,但现有的大多数方案都没有考虑由于车辆的移动性及区域基础设施部署的差异性,大量计算任务的卸载易于造成边缘服务器间负载不均衡的问题,这严重降低了系统整体的计算资源利用率,任务执行效率和卸载成功率,影响用户的服务体验。
由于VEC(Vehicular Edge Computing)技术提出时间不长,尚未被人们熟知,因此VEC和云计算卸载方案通常是孤立的,这造成了资源的极大浪费,边缘计算的优势也未得到充分体现,建立一个基于车辆、VEC服务器和远程云多维协作的卸载策略将成为未来的重要研究方向。
基于上述问题,本申请实施例提供了一种计算任务的卸载方法、装置、电子设备及存储介质,其中,计算任务的卸载方法包括:获取目标车辆产生的计算任务,并基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,并将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器。本申请实施例能够确定第一服务器处理的第一部分任务,以及第二服务器处理的第二部分任务,提高了目标任务的分配效率,实现边缘服务器工作负载的均衡分配。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案,都应该是发明人在本申请过程中对本申请做出的贡献。
下面将结合本申请中附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种计算任务的卸载方法进行详细介绍。
参见图1所示,图1为本申请实施例提供的一种计算任务的卸载方法的流程图,该卸载方法包括以下步骤:
S101、获取目标车辆产生的计算任务,并基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务。
在车辆行驶的过程中,不同的路段对应不同的车载边缘计算(Vehicular EdgeComputing,VEC)服务器,在下文中简称为边缘服务器,车辆通过RSU(Road Side Unit)设施与边缘服务器通信,车辆在行驶的过程中产生计算任务之后,可以使用车辆本地的服务器对计算任务进行处理,也可以将计算任务通过RSU发送给边缘服务器进行处理,还可以将计算任务通过RSU发送给云服务器进行处理。
目标车辆为任一行驶中的车辆,当目标车辆在行驶中产生计算任务后,根据计算任务对应的任务信息,判断处理计算任务的服务器,若处理计算任务的服务器为边缘服务器,则将计算任务确定为目标任务,若处理计算任务的服务器为云服务器,则将计算任务通过RSU发送给云服务器,若处理计算任务的服务器为目标车辆的本地服务器,则在目标车辆本地对计算任务进行处理。
其中,计算任务对应的任务信息至少包括:处理计算任务所需的计算资源Ci、目标车辆的计算能力fi loc、目标车辆车载设备的计算功率Ploc、产生计算任务i的目标车辆和RSUj之间的信道带宽目标车辆车载设备的发射功率Pt、上传链路的信道衰落因子h和高斯白噪声功率N0,产生计算任务i的目标车辆至RSUj上传链路的信道功率增益计算任务的输入数据量Di。
需要说明的是,本申请实施例的执行主体为任务分配系统,该任务分配系统可以分别获取车辆、边缘服务器以及云服务器的相关参数,任务分配系统用于对车辆产生的计算任务进行分配,将计算任务分配给对应的服务器进行处理,该步骤中,可以由任务分配系统确定目标车辆产生的计算任务是否为目标任务,也可以由目标车辆确定目标车辆产生的计算任务是否为目标任务。另外,边缘服务器(VEC服务器)布置在与软件定义网络(Software Defined Network,SDN)结合的车载边缘计算(Vehicular Edge Computing,VEC)网络中。
将软件定义网络技术引入车载边缘计算网络对于提高网络的性能和灵活性具有重要意义。SDN使数据平面与控制平面解耦,便于收集网络的状态信息,也利于对整个网络系统的资源进行集中管理,进而促进计算负载均衡。除此,SDN的引入也使车载边缘计算网络能够自适应地支持各种通信模式,满足了车辆移动性带来的通信稳健性需求。
S102、基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器。
该步骤中,目标车辆在不同的位置产生的目标任务,可以由不同的边缘服务器进行处理,在目标车辆产生目标任务时,根据目标车辆当前的位置信息,即目标车辆当前所在的路段,从多个边缘服务器中查找该路段对应的边缘服务器。
此时,若处理目标任务所需的计算资源较少,则由该路段对应的边缘服务器对目标任务进行处理;或者,处理目标任务所需的计算资源较多,且该路段对应的边缘服务器的计算资源占用率较低,也由该路段对应的边缘服务器对目标任务进行处理;或者,处理目标任务所需的计算资源较多,且该路段对应的边缘服务器的计算资源占用率较高,则由该路段对应的边缘服务器以及其他的边缘服务器联合对目标任务进行处理,即对目标任务进行联合卸载,该种情况下,将该路段对应的边缘服务器确定为第一服务器,第一服务器处理目标任务中的第一部分任务,这里的第一部分任务是未知的,需要进一步确定第一部分任务在目标任务中所占的比重。
S103、基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务。
该步骤中,若目标任务需要第一服务器和其他的边缘服务器联合处理,需要从除第一服务器之外的边缘服务器中选取上述其他的边缘服务器,作为第二服务器,具体的,根据除第一服务器之外的边缘服务器中每个边缘服务器的对应的属性信息,以及目标车辆的行驶信息,选取第二服务器。将目标任务分为第一部分任务和第二部分任务两部分,由第一服务器处理第一部分任务,由第二服务器处理第二部分任务。
其中,边缘服务器的对应的属性信息至少包括:边缘服务器对应的路段、边缘服务器对应的RSU。目标车辆的行驶信息至少包括:目标车辆的移动速度vi、行驶里程Ld。
S104、根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,并将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器。
该步骤中,基于预先设置的均衡负载策略,将目标任务分为第一部分任务和第二部分任务,分别由第一服务器处理第一部分任务,由第二服务器处理第二部分任务,其中,均衡负载策略考虑了第一服务器和第二服务器的计算资源占用率,能够使确定的第一部分任务和第二部分任务贴合各自对应的服务器的计算资源占用率,实现负载的均衡。
需要说明的是,任务的卸载包括任务的上传、任务的处理以及任务处理结果的返回,在确定将第一部分任务分配给第一服务器,将第二部分任务分配给第二服务器之后,还需要将第一部分任务上传至第一服务器,将第二部分任务上传至第二服务器,以使第一服务器对第一部分任务进行处理,第二服务器对第二部分任务进行处理,并在处理完成后,第一服务器将第一部分任务的任务处理结果返回给目标车辆,第二服务器将第二部分任务的任务处理结果返回给目标车辆,以完成目标任务的整个卸载过程。
本申请实施例提供的计算任务的卸载方法,能够采用第一服务器和第二服务器联合处理目标任务,并采用均衡负载策略,确定第一服务器处理的第一部分任务,以及第二服务器处理的第二部分任务,提高了目标任务的分配效率,实现边缘服务器工作负载的均衡分配。
进一步的,参见图2所示,图2为本申请实施例提供的另一种计算任务的卸载方法的流程图,所述基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务,包括:
S201、基于所述计算任务对应的任务信息,分别确定所述目标车辆计算所述计算任务所需的计算时间和计算能量,以及所述目标车辆传输所述计算任务所需的传输时间和传输能量。
该步骤中,在对计算任务进行处理时,对应有多种处理模式sk,分别为车辆终端处理模式sloc、边缘计算处理模式svec以及云计算处理模式scloud,即sk=(sloc,svec,scloud),且sloc,svec,scloud∈{0,1},sloc、svec、scloud都是二元量,用0和1表示,0表示不采用,1表示采用。
使用目标车辆本地的车载设备处理计算任务i所需的计算时间为:
其中,Ci为处理计算任务所需的计算资源,fi loc为目标车辆的计算能力。
使用目标车辆本地的车载设备处理计算任务所需的计算能量为:
其中,Ploc为目标车辆车载设备的计算功率。
目标车辆通过RSU向边缘服务器或云服务器传输计算任务的数据,其上传链路信道被认为是频率平坦型块衰落的瑞利信道,多路信号同时到达接收端的多径干扰影响几乎忽略不计。目标车辆的上行传输速率为:
其中,为产生计算任务i的目标车辆和RSUj之间的信道带宽,Pt是目标车辆车载设备的发射功率,h和N0分别为上传链路的信道衰落因子和高斯白噪声功率,是产生计算任务i的目标车辆至RSUj上传链路的信道功率增益,目标车辆处于移动过程中,上传链路的信道变化很快,难以获取实时信道状态信息,但是实际上只考虑大范围衰落对信道性能影响很小,为简化处理通常忽略少量衰落,令其中rj是RSUj通信覆盖范围半径长度,κ是信道增益指数。计算任务i的上行传输时延,也即目标车辆传输计算任务所需的传输时间为:
其中,Di为计算任务的输入数据量。
车辆采用V2I通信方式上传任务数据的能耗,也即目标车辆传输计算任务i所需的传输能量为:
需要说明的是,RSUj的含义为路段j对应的RSU。
S202、若所述计算任务的计算时间和传输时间满足边缘服务器处理的时间要求,并且所述计算任务的计算能量和传输能量满足边缘服务器处理的能量要求,则将所述计算任务确定为目标任务。
该步骤中,将目标车辆处理计算任务i所需的计算时间Ti loc,与计算任务i对应的最大容忍延迟Ti max进行比较,如果Ti loc大于Ti max,则将计算任务i添加至卸载计算集合Coffload,如果Ti loc小于等于Ti max,则将目标车辆处理计算任务i所需的计算能量与目标车辆传输计算任务所需的传输能量进行比较,如果Ti loc小于等于Ti max,并且,小于等于则确定sloc=1,svec=scloud=0,即计算任务i由目标车辆本地的车载设备进行处理;如果Ti loc小于等于Ti max,并且,大于则将计算任务i添加至卸载计算集合Coffload。
针对卸载计算集合Coffload中的计算任务i,计算上述计算任务i在产生路段的停留时间Ti stay,并将Ti stay与目标车辆传输计算任务所需的传输时间进行比较,如果小于Ti stay,则确定使用边缘服务器处理计算任务i,此时,svec=1,sloc=scloud=0;如果大于等于Ti stay,则确定使用云服务器处理计算任务i,此时,scloud=1,sloc=svec=0,至此完成计算任务处理模式的预选择。
简单来讲,在使用边缘服务器处理计算任务时,对应有两种情况,具体的,在第一种情况下,Ti loc大于Ti max,并且,小于Ti stay,计算任务的本地计算时间Ti loc不满足目标车辆的时间要求,并且,传输时间满足边缘服务器接收的时间要求,即计算任务的计算时间和传输时间满足边缘服务器处理的时间要求,对计算任务的计算能量和传输能量无要求,此时,确定使用边缘服务器处理计算任务i。在第二种情况下,Ti loc小于等于Ti max,并且,大于并且,小于Ti stay,计算任务的本地计算时间Ti loc满足目标车辆的时间要求,并且,传输时间满足边缘服务器接收的时间要求,即计算任务的计算时间和传输时间满足边缘服务器处理的时间要求,并且计算任务的车辆本地计算能量超过上传任务的传输能量不满足目标车辆的能量要求,即计算任务的计算能量和传输能量满足边缘服务器处理的能量要求,此时,确定使用边缘服务器处理计算任务i。
进一步的,参见图3所示,图3为本申请实施例提供的另一种计算任务的卸载方法的流程图,所述基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器,包括:
S301、基于所述目标车辆产生所述目标任务时的位置信息,查找所述位置信息对应的边缘服务器。
该步骤中,目标车辆在不同的位置处产生的目标任务,可以由不同的边缘服务器进行处理,在目标车辆产生目标任务时,根据目标车辆当前的位置信息,即目标车辆当前所在的路段,从多个边缘服务器中查找该路段对应的边缘服务器,由该路段对应的边缘服务器处理全部的目标任务,或者处理部分的目标任务。
S302、若所述位置信息对应的边缘服务器为源服务器,则根据计算所述目标任务所需的计算资源,确定所述目标任务所属的任务类别;其中,源服务器为计算资源占用率满足预设要求的边缘服务器。
该步骤中,边缘服务器对应有两种类别,分别为高负载边缘服务器(源服务器)以及低负载边缘服务器(辅助服务器),其中,高负载边缘服务器为计算资源占用率较高的边缘服务器,低负载边缘服务器为计算资源占用率较低的边缘服务器,根据该路段对应的边缘服务器的计算资源占用率,确定该路段对应的边缘服务器所属的服务器类别,若该路段对应的边缘服务器为源服务器,此时源服务器负载程度较高,需要判断目标任务所需计算资源的多少,具体的,计算任务对应有两个任务类别,分别为联合卸载计算任务和本地卸载计算任务,其中,联合卸载计算任务为需要源服务器和其他服务器共同处理的计算任务,本地卸载计算任务为需要源服务器单独处理的计算任务,根据计算目标任务所需的计算资源,确定目标任务所属的任务类别,进而判断目标任务是需要源服务器进行处理,还是需要源服务器和其他服务器联合进行处理。
S303、若所述目标任务所属的任务类别满足联合计算要求,则将所述位置信息对应的边缘服务器确定为所述第一服务器。
该步骤中,若目标任务所属的任务类别为联合卸载计算任务,则确定目标任务所属的任务类别满足联合计算要求,此时,确定目标任务需要源服务器和其他服务器联合计算,将位置信息对应的边缘服务器确定为第一服务器,第一服务器用于处理目标任务中的第一部分任务。
进一步的,参见图4所示,图4为本申请实施例提供的另一种计算任务的卸载方法的流程图,通过如下方式判断所述边缘服务器是否为源服务器:
S401、获取所述位置信息对应的边缘服务器的计算资源占用率。
该步骤中,根据目标车辆产生目标任务时的位置信息,查找位置信息对应的边缘服务器,并获取该边缘服务器的计算资源占用率。
S402、根据所述计算资源占用率,确定所述位置信息对应的边缘服务器所属的服务器类别。
该步骤中,任务分配系统采用基于AHC的边缘服务器分类算法划分出计算负载程度高的源服务器集合Hs以及计算负载程度较低的辅助服务器集合Hr,Hs内的源服务器的服务器类别为高负载边缘服务器,Hr内的辅助服务器的服务器类别为低负载边缘服务器,Hs中每个源服务器所处理的计算任务中,可能存在计算任务需要源服务器和辅助服务器联合进行处理,并且,采用V2V的方式该计算任务的部分任务迁移至辅助服务器。
基于AHC的边缘服务器分类算法包括步骤如下:
步骤一、初始化,将所有边缘服务器的计算资源占用率构成集合B={b1,b2,b3,…,bM},M为边缘服务器的个数,设定聚类簇个数为2;
步骤二、将集合B中每个元素生成一个簇,得到簇列表H={h1,h2,h3,…,hM},每个簇都包含一个数据对象,即每个边缘服务器的计算资源占用率,可表示为hk={bk},k∈M;
步骤三、进入循环阶段,判断聚类簇数量是否为2,若否定则进行以下步骤,反之输出簇划分H={Hs,Hr};
步骤四、计算数据簇间距离,在簇列表H中找出距离最近的2个簇合并形成新簇,在簇列表中添加新簇,并删除原来的两簇;
其中,计算簇间距离采用类平均法,即簇之间的距离等于各簇元素两两之间欧式距离的平均,这种方法是最常用且最好用的方法,一方面是因为其良好的单调性,另一方面是因为其空间扩张/浓缩的程度适中。簇间距离可表示为:
步骤五、计算簇列表中数据簇的数量,返回至步骤三。
最终,将边缘服务器划分为计算负载程度高的源服务器集合Hs以及计算负载程度较低的辅助服务器集合Hr,也即得到高负载和低负载两个服务器类别。
S403、若所述位置信息对应的边缘服务器所属的服务器类别为高负载类别,则将所述位置信息对应的边缘服务器确定为源服务器。
该步骤中,若位置信息对应的边缘服务器所属的服务器类别为高负载类别,则将位置信息对应的边缘服务器确定为源服务器,此时,需要进一步判断目标任务所需计算资源的多少,相应的,通过如下方式确定目标任务所属的任务类别:
针对源服务器集合Hs中每个源服务器接收到的计算任务,采用基于AHC的计算任务联合卸载决策算法进行划分,得到需要联合卸载的计算任务集合Hco以及源服务器本地卸载的计算任务集合Hlo,相应的,Hco内的计算任务属于联合卸载计算任务,需要源服务器和辅助服务器共同进行处理,Hlo内的计算任务属于本地卸载计算任务,需要源服务器单独进行处理。
基于AHC的计算任务联合卸载决策算法步骤,与上述基于AHC的边缘服务器分类算法相似,在此不再赘述。两者间的区别是数据点的选取不同,前者需要考虑边缘服务器的负载情况,因此,将计算资源占用率作为数据点进行划分,对于计算任务而言,有些计算任务所需计算资源较多,占用源服务器计算资源较多,若源服务器同时处理多个这类的计算任务,必定造成高负载,因此,将源服务器分配给计算任务的最优计算资源量,即目标任务所需的计算资源作为数据点进行分类,对高计算资源占用量的计算任务进行联合处理。
进一步的,参见图5所示,图5为本申请实施例提供的另一种计算任务的卸载方法的流程图,所述基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器,包括:
S501、根据各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取满足所述目标任务对应的处理时长上限值的多个候选服务器。
该步骤中,第一服务器的属性信息包括第一服务器所对应的路段j,上传目标任务的目标车辆的行驶信息包括目标车辆的移动速度vi、行驶里程Ld,多个边缘服务器中除第一服务器之外的每个边缘服务器的属性信息包括边缘服务器所对应的路段j′,每个目标任务i均对应有处理时长上限值Ti max,即最大容忍延迟,根据产生目标任务的目标车辆在该目标任务的最大容忍延迟内的行驶过程中可连接的RSU情况,构造相应的边缘服务器候选集合,即从边缘服务器中选取出多个候选服务器,候选服务器为可能与第一服务器共同处理目标任务的边缘服务器,目标任务i的服务器候选集合RVi表示如下:
目标车辆从路段j行驶到路段j′的距离被称为等待路程,行驶时间则被称为等待时间。若车辆需行驶至路段j′处取得计算结果,则其等待路程为si,j′=(j′-1)Ls-(Ld-jLs),等待时间为:
需要说明的是,目标车辆上传目标任务及接收VEC服务器返回的计算结果都须在RSU的通信覆盖范围内才可完成,为了保证目标车辆在移动过程中可以成功上传目标任务,需满足以下两个条件:
其中,为目标车辆将目标任务上传给边缘服务器的传输时延,为目标任务i在第一服务器上执行所需的时间,Ti vec为目标任务i的边缘服务器卸载总时延,Ti vec为第一部分任务和第二部分任务分别在第一服务器和第二服务器上的卸载时延的最大值,第一个条件确保目标车辆在路段j的行驶过程中能够接收到第一服务器反馈的计算结果,第二个条件保证目标车辆在路段j′的行驶过程中能接收到所有边缘服务器执行任务后反馈的计算结果。
S502、根据所述目标任务对应的系统处理成本,每个候选服务器的计算资源占用率,从所述多个候选服务器中选取预备服务器。
该步骤中,若目标任务i的服务器候选集合RVi不为空,则计算RVi中每个候选服务器的优势度值,并选取最大的优势度值对应的候选服务器作为目标任务i的预备服务器,否则,将目标任务i分配给云服务器进行处理。
具体的,通过如下方式计算每个候选服务器的优势度值:根据目标任务i对应的系统处理成本Zi,每个候选服务器的计算资源占用率bj,以及系统处理成本和计算资源占用率分别对应的权重μ1和μ2,确定优势度值函数,优势度值函数表示为:
其中,为目标任务i采用目标车辆本地处理模式消耗的系统成本,Ti local为采用目标车辆本地处理模式下的处理时间,为该模式下的车辆能耗;为目标任务i采用边缘计算处理模式消耗的系统成本,Ti vec为采用边缘计算处理模式下的处理时间,为该模式下的车辆能耗,这里考虑的是目标车辆传输目标任务的能耗,包括目标车辆对RSU方式和车辆对车辆方式下的能耗,边缘服务器及云服务器上的能量消耗忽略不计;为目标任务i采用云计算处理模式消耗的系统成本,Ti cloud是采用云计算处理模式下的处理时间,是该模式下车辆消耗的能量,这里考虑的是目标车辆向RSU上传目标任务i消耗的能量,即车辆通过RSU将目标任务i上传至云服务器。α1和α2为权重因子,且α1+α2=1,分别为目标任务i对应的车辆本地处理模式、边缘计算处理模式、云计算处理模式。
对应的约束条件包括:
约束条件C1保证云服务器和车辆终端分配给目标任务i的计算资源量均为正数,N为目标任务的个数。约束条件C2保证边缘服务器分配给各个计算任务的总计算资源量不超过其计算能力,边缘服务器执行的计算任务包含本路段车辆卸载的任务和协助其他服务器处理的任务。约束条件C3保证边缘服务器分配给计算任务的计算资源量不为负。约束条件C4和C5确保每个计算任务i只能选择一种处理模式。约束条件C6保证任务处理时延不超过任务执行的最大容忍时延。约束条件C7保证车辆能耗(包括本地计算能耗车辆对基础设施数据传输能耗和车辆对车辆数据传输能耗)不超过车辆提供能量阈值
S503、若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则将所述预备服务器确定为第二服务器。
该步骤中,对目标任务进行分割,得到第一服务器需要处理的第一部分任务,以及预备服务器需要处理的第二部分任务,并确定将第一部分任务上传至第一服务器的能耗,以及将第二部分任务上传至预备服务器的能耗,若两部分能耗的加和小于目标车辆当前所能提供的能量,则将预备服务器确定为第二服务器,将目标任务中的第一部分任务分配给第一服务器,将第二部分任务分配给第二服务器,以使第一服务器和第二服务器共同对目标任务进行处理。
进一步的,本申请实施例提供的计算任务的卸载方法的流程图中,所述根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,包括:
根据计算所述目标任务所需的计算资源,所述第二服务器已占用的计算资源,以及所述目标任务对应的处理时长上限值,确定所述第一部分任务和所述第二部分任务的比值。
本申请实施例中,需要联合处理的目标任务i被任务分配系统分成第一部分任务和第二部分任务,分别在第一服务器和第二服务器上进行处理,第一服务器处理第一部分任务,第二服务器处理第二部分任务,第一部分任务与第二部分任务的比值称为卸载率λ,运用二分法获得λ。
初始设定最大容忍阈值ε>0,左右边界分别为λmin和λmax,将卸载率λ表示为即目标任务所需的标准计算资源与边缘服务器占用计算资源量的比值θ和任务最大容忍延迟Tmax的加权和的自然对数形式,对数形式可调节两部分任务之间的公平性,通过如下步骤得到卸载率λ:
步骤一、进入循环阶段,当右左边界差值λmax-λmin超过ε时,执行步骤二;
步骤二、在以λ=(λmax-λmin)/2为初始值的基础上使用Adam优化算法计算λ的最优值λ*;
步骤三、判断λ*值范围是否处于0和1之间,若为负值,则将λ*设定为左边界,若超过1,则将λ*设定为右边界;
步骤四、判断λ*是否符合卸载率的预设范围要求,符合则输出λ*,退出循环,否则返回步骤一,继续循环。
进一步的,参见图6所示,图6为本申请实施例提供的另一种计算任务的卸载方法的流程图,所述卸载方法还包括:将所述第二部分任务基于传输路径发送给所述第二服务器;其中,通过如下方式确定所述传输路径:
S601、若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则从所述目标车辆对应的通信范围内查找最小传输时长对应的中转车辆。
S602、若所述中转车辆的数量小于预设阈值,且所述中转车辆位于所述第二服务器的通信范围外,则将所述中转车辆确定为新的目标车辆,查找所述新的目标车辆对应的新的中转车辆,直到所述新的中转车辆位于所述第二服务器的通信范围内。
综合步骤601和步骤602,目标车辆可通过车辆间多跳方式将第二部分任务的数据卸载至第二服务器,即将第二部分任务传输至第二服务器,但跳数不可能无限大,这是因为经过跳数越多信号强度越弱,数据传输损耗越大,因此需要设定最大跳数ξ。V2V寻径算法的思想是动态规划方法,目的是在最大跳数和其他条件限制下寻找一条最优的卸载中继线路,这里V2V寻径算法包含步骤如下:
步骤一、从产生目标任务的目标车辆出发,比较目标车辆的总能耗与目标车辆当前所能提供的能量Emax的大小,目标车辆Vs的总能耗EVs为:
其中,为目标车辆的本地能耗,为目标车辆对基础设施数据传输能耗,为目标车辆对车辆数据传输能耗,也即目标车辆传输第二部分任务所需的能量,若EVs大于等于Emax,则不满足能量传输要求,将目标任务传输至云服务器处理,此时,scloud=1,sloc=svec=0;若EVs小于Emax,则满足能量传输要求,可以使用联合卸载的方式处理目标任务,则从目标车辆对应的通信范围内查找最小传输时长对应的中转车辆,其中,目标车辆对应的通信范围内为目标车辆Vs的一跳通信范围内,在目标车辆Vs的一跳通信范围内对应有多个候选车辆计算每个候选车辆假定的卸载时延(即传输时长)
步骤二、从多个候选车辆中选取卸载时延最短的候选车辆,作为目标车辆的第一跳的预备车辆中继节点(即预备中转车辆)V1,如果预备中转车辆的总能耗EV1小于Emax,则将预备车辆中继节点(即预备中转车辆)V1确定为车辆中继节点(即中转车辆)V1 *,并将V1 *并入车辆中继节点集合rs,将中转车辆的数量加一,将V2V传输总时延设为:
步骤三、将中转车辆的数量(h,h>1)与预设阈值(最大跳数ξ)进行比较,若中转车辆的数量h大于等于最大跳数ξ,则查找距离即中转车辆V1 *最近的RSU,将第二部分任务传输给上述最近的RSU,并通过RSU多跳的方式,将第二部分任务通过上述最近的RSU传输给第二服务器对应的RSU,以实现将第二部分任务传输给第二服务器;若中转车辆的数量h小于最大跳数ξ,并且,中转车辆V1 *位于第二服务器连接的RSU覆盖范围内,则将中转车辆V1 *标记为尾端车辆Vdes,通过尾端车辆Vdes将第二部分任务传输给第二服务器对应的RSU,这里,第二服务器连接的RSU覆盖范围为第二服务器的通信范围;若中转车辆的数量h小于最大跳数ξ,并且,中转车辆V1 *位于第二服务器连接的RSU覆盖范围外,则将中转车辆V1 *作为新的目标车辆,返回步骤一,查找新的目标车辆对应的新的中转车辆,直至中转车辆的数量h大于等于最大跳数ξ;或者,中转车辆的数量h小于最大跳数ξ,并且,中转车辆V1 *位于第二服务器连接的RSU覆盖范围内,停止查找新的中转车辆。
基于同一发明构思,本申请实施例中还提供了与计算任务的卸载方法对应的计算任务的卸载装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述计算任务的卸载方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图7所示,图7为本申请一实施例提供的一种计算任务的卸载装置的结构示意图,该卸载装置包括:
第一获取模块701,用于获取目标车辆产生的计算任务;
第一选取模块702,用于基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;
第二选取模块703,用于基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;
第三选取模块704,用于基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;
第一确定模块705,用于根据均衡负载策略,确定所述第一部分任务和所述第二部分任务;
分配模块706,将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器。
在一种可能的实施方式中,所述第一选取模块702,在基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务时,包括:
基于所述计算任务对应的任务信息,分别确定所述目标车辆计算所述计算任务所需的计算时间和计算能量,以及所述目标车辆传输所述计算任务所需的传输时间和传输能量;
若所述计算任务的计算时间和传输时间满足边缘服务器处理的时间要求,并且所述计算任务的计算能量和传输能量满足边缘服务器处理的能量要求,则将所述计算任务确定为目标任务。
在一种可能的实施方式中,所述第二选取模块703,在基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器时,包括:
基于所述目标车辆产生所述目标任务时的位置信息,查找所述位置信息对应的边缘服务器;
若所述位置信息对应的边缘服务器为源服务器,则根据计算所述目标任务所需的计算资源,确定所述目标任务所属的任务类别;其中,源服务器为计算资源占用率满足预设要求的边缘服务器;
若所述目标任务所属的任务类别满足联合计算要求,则将所述位置信息对应的边缘服务器确定为所述第一服务器。
在一种可能的实施方式中,所述计算任务的卸载装置还包括:
第二获取模块,用于获取所述位置信息对应的边缘服务器的计算资源占用率;
第二确定模块,用于根据所述计算资源占用率,确定所述位置信息对应的边缘服务器所属的服务器类别;
第三确定模块,用于若所述位置信息对应的边缘服务器所属的服务器类别为高负载类别,则将所述位置信息对应的边缘服务器确定为源服务器。
在一种可能的实施方式中,所述第三选取模块704,在基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器时,包括:
根据各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取满足所述目标任务对应的处理时长上限值的多个候选服务器;
根据所述目标任务对应的系统处理成本,每个候选服务器的计算资源占用率,从所述多个候选服务器中选取预备服务器;
若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则将所述预备服务器确定为第二服务器。
在一种可能的实施方式中,所述第一确定模块705,在根据均衡负载策略,确定所述第一部分任务和所述第二部分任务时,包括:
根据计算所述目标任务所需的计算资源,所述第二服务器已占用的计算资源,以及所述目标任务对应的处理时长上限值,确定所述第一部分任务和所述第二部分任务的比值。
在一种可能的实施方式中,所述计算任务的卸载装置还包括:
发送模块,用于将所述第二部分任务基于传输路径发送给所述第二服务器;
第一查找模块,用于若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则从所述目标车辆对应的通信范围内查找最小传输时长对应的中转车辆;
第四确定模块,用于若所述中转车辆的数量小于预设阈值,且所述中转车辆位于所述第二服务器的通信范围外,则将所述中转车辆确定为新的目标车辆;
第二查找模块,用于查找所述新的目标车辆对应的新的中转车辆,直到所述新的中转车辆位于所述第二服务器的通信范围内。
本申请实施例提供的计算任务的卸载装置,能够采用第一服务器和第二服务器联合处理目标任务,并采用均衡负载策略,确定第一服务器处理的第一部分任务,以及第二服务器处理的第二部分任务,提高了目标任务的分配效率,实现边缘服务器工作负载的均衡分配。
参见图8所示,图8为本申请实施例提供的一种电子设备的结构示意图,该电子设备800包括:处理器801、存储器802和总线803,所述存储器802存储有所述处理器801可执行的机器可读指令,当电子设备运行时,所述处理器801与所述存储器802之间通过总线803通信,所述处理器801执行所述机器可读指令,以执行如上述计算任务的卸载方法的步骤。
具体地,上述存储器802和处理器801能够为通用的存储器和处理器,这里不做具体限定,当处理器801运行存储器802存储的计算机程序时,能够执行上述计算任务的卸载方法。
对应于上述计算任务的卸载方法,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述计算任务的卸载方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种计算任务的卸载方法,其特征在于,所述卸载方法包括:
获取目标车辆产生的计算任务,并基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;
基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;
基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;
根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,并将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器;
所述基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器,包括:
基于所述目标车辆产生所述目标任务时的位置信息,查找所述位置信息对应的边缘服务器;
若所述位置信息对应的边缘服务器为源服务器,则根据计算所述目标任务所需的计算资源,确定所述目标任务所属的任务类别;其中,源服务器为计算资源占用率满足预设要求的边缘服务器;
若所述目标任务所属的任务类别满足联合计算要求,则将所述位置信息对应的边缘服务器确定为所述第一服务器;
所述基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器,包括:
根据各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取满足所述目标任务对应的处理时长上限值的多个候选服务器;
根据所述目标任务对应的系统处理成本,每个候选服务器的计算资源占用率,从所述多个候选服务器中选取预备服务器;
若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则将所述预备服务器确定为第二服务器;
所述根据均衡负载策略,确定所述第一部分任务和所述第二部分任务,包括:
根据计算所述目标任务所需的计算资源,所述第二服务器已占用的计算资源,以及所述目标任务对应的处理时长上限值,确定所述第一部分任务和所述第二部分任务的比值;
假设初始设定最大容忍阈值,左右边界的比值分别为λmin和λmax,通过以下二分法的执行步骤确定所述比值:
步骤一、进入循环阶段,当右左边界差值λmax-λmin超过时,执行步骤二;
步骤二、在以λ=(λmax-λmin)/2为初始值的基础上使用Adam优化算法计算λ的最优值λ*;
步骤三、判断λ*值范围是否处于0和1之间,若为负值,则将λ*设定为左边界,若超过1,则将λ*设定为右边界;
步骤四、判断λ*是否符合卸载率的预设范围要求,符合则输出λ*,退出循环,否则返回步骤一,继续循环。
2.根据权利要求1所述的计算任务的卸载方法,其特征在于,所述基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务,包括:
基于所述计算任务对应的任务信息,分别确定所述目标车辆计算所述计算任务所需的计算时间和计算能量,以及所述目标车辆传输所述计算任务所需的传输时间和传输能量;
若所述计算任务的计算时间和传输时间满足边缘服务器处理的时间要求,并且所述计算任务的计算能量和传输能量满足边缘服务器处理的能量要求,则将所述计算任务确定为目标任务。
3.根据权利要求1所述的计算任务的卸载方法,其特征在于,通过如下方式判断所述边缘服务器是否为源服务器:
获取所述位置信息对应的边缘服务器的计算资源占用率;
根据所述计算资源占用率,确定所述位置信息对应的边缘服务器所属的服务器类别;
若所述位置信息对应的边缘服务器所属的服务器类别为高负载类别,则将所述位置信息对应的边缘服务器确定为源服务器。
4.根据权利要求1所述的计算任务的卸载方法,其特征在于,所述卸载方法还包括:将所述第二部分任务基于传输路径发送给所述第二服务器;其中,通过如下方式确定所述传输路径:
若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则从所述目标车辆对应的通信范围内查找最小传输时长对应的中转车辆;
若所述中转车辆的数量小于预设阈值,且所述中转车辆位于所述第二服务器的通信范围外,则将所述中转车辆确定为新的目标车辆,查找所述新的目标车辆对应的新的中转车辆,直到所述新的中转车辆位于所述第二服务器的通信范围内。
5.一种计算任务的卸载装置,其特征在于,所述卸载装置包括:
第一获取模块,用于获取目标车辆产生的计算任务;
第一选取模块,用于基于所述计算任务对应的任务信息,从所述计算任务中选取需要边缘服务器处理的目标任务;
第二选取模块,用于基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器;
第三选取模块,用于基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器;所述第一部分任务和所述第二部分任务的总和等于所述目标任务;
第一确定模块,用于根据均衡负载策略,确定所述第一部分任务和所述第二部分任务;
分配模块,将所述第一部分任务分配给所述第一服务器,以及将所述第二部分任务分配给所述第二服务器;
所述第二选取模块,在基于所述目标车辆产生所述目标任务时的位置信息,从所述边缘服务器中选取处理所述目标任务中第一部分任务的第一服务器时,包括:
基于所述目标车辆产生所述目标任务时的位置信息,查找所述位置信息对应的边缘服务器;
若所述位置信息对应的边缘服务器为源服务器,则根据计算所述目标任务所需的计算资源,确定所述目标任务所属的任务类别;其中,源服务器为计算资源占用率满足预设要求的边缘服务器;
若所述目标任务所属的任务类别满足联合计算要求,则将所述位置信息对应的边缘服务器确定为所述第一服务器;
所述第三选取模块,在基于各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取处理所述目标任务中第二部分任务的第二服务器时,包括:
根据各个边缘服务器对应的属性信息,以及所述目标车辆的行驶信息,从多个边缘服务器中选取满足所述目标任务对应的处理时长上限值的多个候选服务器;
根据所述目标任务对应的系统处理成本,每个候选服务器的计算资源占用率,从所述多个候选服务器中选取预备服务器;
若传输所述第二部分任务所需的能量,以及所述目标车辆当前所能提供的能量满足能量传输要求,则将所述预备服务器确定为第二服务器;
所述第一确定模块,在根据均衡负载策略,确定所述第一部分任务和所述第二部分任务时,包括:
根据计算所述目标任务所需的计算资源,所述第二服务器已占用的计算资源,以及所述目标任务对应的处理时长上限值,确定所述第一部分任务和所述第二部分任务的比值;
假设初始设定最大容忍阈值,左右边界的比值分别为λmin和λmax,通过以下二分法的执行步骤确定所述比值:
步骤一、进入循环阶段,当右左边界差值λmax-λmin超过时,执行步骤二;
步骤二、在以λ=(λmax-λmin)/2为初始值的基础上使用Adam优化算法计算λ的最优值λ*;
步骤三、判断λ*值范围是否处于0和1之间,若为负值,则将λ*设定为左边界,若超过1,则将λ*设定为右边界;
步骤四、判断λ*是否符合卸载率的预设范围要求,符合则输出λ*,退出循环,否则返回步骤一,继续循环。
6.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至4任一项所述的计算任务的卸载方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4任一项所述的计算任务的卸载方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110021412.3A CN112685186B (zh) | 2021-01-08 | 2021-01-08 | 一种计算任务的卸载方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110021412.3A CN112685186B (zh) | 2021-01-08 | 2021-01-08 | 一种计算任务的卸载方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685186A CN112685186A (zh) | 2021-04-20 |
CN112685186B true CN112685186B (zh) | 2023-04-28 |
Family
ID=75456373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110021412.3A Active CN112685186B (zh) | 2021-01-08 | 2021-01-08 | 一种计算任务的卸载方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685186B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687876B (zh) * | 2021-08-17 | 2023-05-23 | 华北电力大学(保定) | 信息处理方法、自动驾驶控制方法和电子设备 |
CN113852692B (zh) * | 2021-09-24 | 2024-01-30 | 中国移动通信集团陕西有限公司 | 服务确定方法、装置、设备及计算机存储介质 |
CN113938957A (zh) * | 2021-12-06 | 2022-01-14 | 太平洋电信股份有限公司 | 网络边缘设备的计算分配方法及系统 |
CN114285847A (zh) * | 2021-12-17 | 2022-04-05 | 中国电信股份有限公司 | 数据处理、模型训练方法及装置、电子设备、存储介质 |
CN114398106B (zh) * | 2022-01-21 | 2023-11-21 | 中国联合网络通信集团有限公司 | 一种卸载策略确定方法、装置、电子设备及存储介质 |
CN114640966B (zh) * | 2022-03-11 | 2024-05-10 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的任务卸载方法 |
CN117240875A (zh) * | 2022-06-08 | 2023-12-15 | 厦门雅迅网络股份有限公司 | 一种车内计算任务卸载方法及系统 |
CN115237506B (zh) * | 2022-09-21 | 2022-12-09 | 暨南大学 | Cps系统中可靠性驱动的分层任务卸载方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947574A (zh) * | 2019-03-29 | 2019-06-28 | 南京邮电大学 | 一种基于雾网络的车辆大数据计算卸载方法 |
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 |
CN110557732A (zh) * | 2019-08-05 | 2019-12-10 | 西北工业大学 | 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 |
CN111641891A (zh) * | 2020-04-16 | 2020-09-08 | 北京邮电大学 | 一种多接入边缘计算系统中的任务对等卸载方法和装置 |
CN111918245A (zh) * | 2020-07-07 | 2020-11-10 | 西安交通大学 | 基于多智能体的车速感知的计算任务卸载和资源分配方法 |
CN112188442A (zh) * | 2020-11-16 | 2021-01-05 | 西南交通大学 | 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190047581A1 (en) * | 2017-08-14 | 2019-02-14 | GM Global Technology Operations LLC | Method and apparatus for supporting mission-critical applications via computational cloud offloading |
-
2021
- 2021-01-08 CN CN202110021412.3A patent/CN112685186B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统 |
CN109947574A (zh) * | 2019-03-29 | 2019-06-28 | 南京邮电大学 | 一种基于雾网络的车辆大数据计算卸载方法 |
CN110557732A (zh) * | 2019-08-05 | 2019-12-10 | 西北工业大学 | 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 |
CN111641891A (zh) * | 2020-04-16 | 2020-09-08 | 北京邮电大学 | 一种多接入边缘计算系统中的任务对等卸载方法和装置 |
CN111918245A (zh) * | 2020-07-07 | 2020-11-10 | 西安交通大学 | 基于多智能体的车速感知的计算任务卸载和资源分配方法 |
CN112188442A (zh) * | 2020-11-16 | 2021-01-05 | 西南交通大学 | 基于移动边缘计算的车联网数据驱动任务卸载系统和方法 |
Non-Patent Citations (6)
Title |
---|
Jie Zhang等.Task Offloading in Vehicular Edge Computing Networks: A Load-Balancing Solution.《 IEEE Transactions on Vehicular Technology》.2019,第69卷(第2期),第2092-2103页. * |
Junhui Zhao等.Computation Offloading and Resource Allocation For Cloud Assisted Mobile Edge Computing in Vehicular Networks.《 IEEE Transactions on Vehicular Technology 》.2019,第68卷(第8期),第7944-7956段. * |
Yueyue Dai等.Joint Load Balancing and Offloading in Vehicular Edge Computing and Networks.《 IEEE Internet of Things Journal 》.2018,第6卷(第3期),第4377-4387页. * |
余翔等.车联网场景下的移动边缘计算卸载策略.《计算机工程》.2020,第46卷(第11期),第29-34页. * |
杨紫淇等.基于负载均衡的VEC服务器联合计算任务卸载方案.《计算机科学》.2021,第48卷(第1期),第81-88. * |
莫瑞超等.面向车联网边缘计算的智能计算迁移研究.《应用科学学报》.2020,第38卷(第5期),第779-791页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112685186A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112685186B (zh) | 一种计算任务的卸载方法、装置、电子设备及存储介质 | |
Wang et al. | Federated offloading scheme to minimize latency in MEC-enabled vehicular networks | |
CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
CN108777852B (zh) | 一种车联网内容边缘卸载方法、移动资源分配系统 | |
Bozorgchenani et al. | Centralized and distributed architectures for energy and delay efficient fog network-based edge computing services | |
EP3457664A1 (en) | Method and system for finding a next edge cloud for a mobile user | |
CN111314889A (zh) | 车联网中基于移动边缘计算的任务卸载与资源分配方法 | |
CN111741448B (zh) | 一种基于边缘计算策略的分簇aodv路由方法 | |
Dai et al. | Joint offloading and resource allocation in vehicular edge computing and networks | |
Shang et al. | Deep learning-assisted energy-efficient task offloading in vehicular edge computing systems | |
Ku et al. | Adaptive computation partitioning and offloading in real-time sustainable vehicular edge computing | |
Wang et al. | Dynamic offloading scheduling scheme for MEC-enabled vehicular networks | |
Mekki et al. | Vehicular cloud networking: evolutionary game with reinforcement learning-based access approach | |
CN113891477A (zh) | 一种车联网中基于mec计算任务卸载的资源分配方法 | |
Yaqub et al. | Multi-objective resource optimization for hierarchical mobile edge computing | |
Buda et al. | Collaborative vehicular edge computing towards greener ITS | |
Mazza et al. | A cluster based computation offloading technique for mobile cloud computing in smart cities | |
CN108024231B (zh) | 一种车载网络数据传输能耗优化方法及系统 | |
CN112929850A (zh) | 一种面向边缘计算环境的车联网数据回传方法 | |
Song et al. | A collaborative task offloading strategy for mobile edge computing in internet of vehicles | |
CN113691956B (zh) | 基于sdn和mec的车联网移动性管理方法 | |
Hong et al. | An optimal resource allocation mechanism in vehicular MEC systems | |
CN116634500A (zh) | 基于超图匹配计算与通信容量增强的d2d计算卸载方法 | |
CN114201292B (zh) | 一种道路网络临近检测方法及装置 | |
KR102497226B1 (ko) | 자율주행 차량 애드혹 네트워크를 이용한 오프로딩 방법 |
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 |