CN112702714A - 一种无人机协作式的车联网运算任务卸载方法 - Google Patents

Abstract

本发明公开了一种无人机协作式的车联网运算任务卸载方法，包括：移动边缘运算服务器接收车联网卸载的运算任务，若超过自身运算容限，则确定该移动边缘运算服务器为过载服务器，否则为非过载服务器；过载服务器基于自身的过载运算量，向无人机发出求助信号；无人机接收所有过载服务器的协作求助信号，并以最小化过载运算量的时延开销为目标、以自身长期能耗为约束条件构建原始优化问题，通过对原始优化问题进行转换和求解，得到为所有过载服务器的过载运算量提供协作式策略。本发明可以缓解由于卸载运算量分布不均衡造成的移动边缘运算服务器过载问题。

Description

一种无人机协作式的车联网运算任务卸载方法

技术领域

本发明属于智能交通技术领域，具体涉及一种无人机协作式的车联网运算任务卸载方法。

背景技术

近年来，车辆数目的增加和日益成熟的互联技术催生出了很多新兴的车辆应用，比如：自动驾驶、车载娱乐等。这些应用大多对时延要求很高，并且运算资源需求很大。而单个车辆有限的运算能力难以完成对这些应用的及时处理工作，在这种情况下车辆的用户体验质量总是很低。

移动边缘运算服务器的出现为解决上述困境提供了可能。移动边缘运算服务器具有较强的任务处理能力，并且距离车辆终端较近。因此，车辆可以将部分运算量卸载到移动边缘运算服务器中，由移动边缘运算服务器与车辆终端共同完成对车辆数据的处理。这种车辆卸载的方式不会造成很大的传输时延，能有效缓解本地车辆运算量不足问题，有利于提高车辆用户的用户体验质量。

不过，单个移动边缘运算服务器的运算能力同样是有限的。由于车辆卸载量的空间分布不均衡，某些移动边缘运算服务器会出现运算过载问题，即当前该移动边缘运算服务器的运算资源供不应求。而移动边缘运算服务器过载会造成很大的排队时延，甚至造成数据丢失。这会极大降低车辆用户体验质量(Quality of Experience,QoE)。应对这种问题，常见的做法是采用“云-边-端”结构，由高层的云服务器承担当前过载移动边缘运算服务器的部分运算量，由此避免移动边缘运算服务器的过载问题。但是由于“云”与“边”通常距离较远，因此这种解决方式往往伴随着很大的传输时延，并且会造成很大的通信开销。另一种方案是移动边缘运算服务器之间采用协作的方式均衡移动边缘运算服务器运算量，由当前运算资源富余的移动边缘运算服务器处理当前运算过载的移动边缘运算服务器的部分任务。但由于车辆集聚效应的存在，总有一些时刻服务器之间的协作需要跨越多个边节点，这存在复杂的路径选择问题，也会增大边节点之间的开销。

由于无人机同样具有运算能力，而且距离移动边缘运算服务器较近，因此可以承担过载移动边缘运算服务器的部分运算量，且不会造成很大的传输时延。此外，由于无人机部署方便，移动灵活，所以可以很好的适应由于车辆移动造成的运算量动态变化，有效提高无人机协作的卸载效率。但是现有的工作对无人机协助边服务器完成终端任务卸载的做法都没有给出合适的实施方案。

发明内容

为了解决以上技术问题，本发明提出一种无人机协作式的车联网运算任务卸载方法，可以缓解由于卸载运算量分布不均衡造成的移动边缘运算服务器过载问题。

为实现上述技术目的，本发明采用如下技术方案：

一种无人机协作式的车联网运算任务卸载方法，包括以下步骤：

步骤1，移动边缘运算服务器接收车联网卸载的运算任务，若超过自身运算容限，则确定该移动边缘运算服务器为过载服务器，否则为非过载服务器；设超过自身运算容限的运算量为过载运算量；

步骤2，过载服务器基于自身的过载运算量，向无人机发出求助信号；

步骤3，无人机接收所有过载服务器的协作求助信号，并以最小化过载运算量的时延开销为目标、以自身长期能耗为约束条件构建原始优化问题，通过对原始优化问题进行转换和求解，得到为所有过载服务器的过载运算量提供协作式策略。

进一步的，步骤3构建的原始优化问题P1为：

式中，cost^t为过载服务器在时隙t的时延开销，包括过载服务器向无人机传输过载运算量的传输时间开销和无人机执行过载运算任务的运算时间开销；T表示无人执行一次协作运算的时隙总数

为无人机协助过程在时隙t产生的能耗，包括运算能耗、飞行能耗和悬停能耗；

是无人机每个时隙内可以消耗能量的预算值；ε表示求期望操作。

进一步的，所述时延开销的计算式为：

式中，

和

分别为过载服务器i在时隙t受到无人机帮助前的运算量和无人机在时隙t协助过载服务器i处理的运算量，

表示在时隙t由过载服务器i卸载到无人机的运算任务对应的数据量，

表示无人机执行数据量

的运算任务的运算时间开销函数，n表示当前时隙下所有过载服务器的数目；

所述能耗

的计算式为：

式中，E^tcp表示运算能耗，f^u表示无人机的运算能力，a表示无人机的能效因子；E^tfly表示飞行能耗，b为常量权重，与无人机的重量相关，v^t表示无人机在t时隙下的飞行速度；

表示悬停能耗，

和

分别代表过载服务器i向无人机传输过载运算任务的传输时延和无人机执行过载运算任务的运算时延，E₀代表无人机在单位时间内的悬停能耗开销，其中：

P_ui和σ²分别表示无人机与过载服务器i之间的通信速率、信道带宽、信道增益、传输功率和噪声。

进一步的，步骤3中对原始优化问题进行转换的方法为：

首先，定义一个能量不足序列：

其中，

表示无人机在时隙t的能量不足程度；

然后，基于能量不足序列将原始优化问题P1转换为每个时隙可解的问题P2：

其中，

为公式(2)所示的无人机长期能耗约束条件的转换表达，用能量不足序列

加权以制约无人机长期能耗约束；V代表控制变量，V≥0,用来调整时延开销目标与约束无人机长期能耗约束之间的偏重关系。

进一步的，对转换后的问题P2再进一步转换为问题P2-S2：

首先，将问题P2转换成如下等价形式的问题P2-S1：

其中，

表明在t时隙，无人机采用策略s帮助过载服务器的概率，S则表示在t时隙所有可行的无人机帮助策略集合；

然后，将上述问题P2-S1近似转换成下列凸问题，表示为下列问题P2-S2：

其中，β≥0，当β趋于无穷大时，问题P2-S2与问题P2-S1等价。

进一步的，采用离散马尔可夫求解问题P2-S2，确定无人机在每个时隙时隙t协助的过载服务器和协助处理的运算量

进一步的，采用离散马尔可夫求解问题P2-S2的具体方法为：

步骤3.1，当前时隙下，每个过载服务器均作为无人机的候选协助对象；

步骤3.2，遍历当前时隙下无人机的所有可行的帮助策略，计算每个帮助策略s对应的f(s,t)值；每个帮助策略包括确定帮助的过载服务器和帮助该过载服务器的运算量；

步骤3.3，在帮助策略集合S随机选择一个帮助策略作为当前最佳帮助策略s^*，将其添加到空的帮助策略集合S'，然后按下列公式计算当前最佳帮助策略的出现概率

式中，s为帮助策略集合S中除去S'内包含策略的任意帮助策略；

步骤3.4，在帮助策略集合S随机选择S'中不包括的任意帮助策略

将其添加到帮助策略集合S'，按照策略转换表达式计算由帮助策略s^*转向帮助策略

的概率

以及由帮助策略

转向帮助策略s^*的概率

然后基于平衡表达式计算帮助策略

的出现概率

式中，χ为预设的非负系数；

步骤3.5，将帮助策略

的出现概率

与当前最优帮助策略的出现概率

比较，选择其中较大的出现概率所对应的帮助策略作为新的当前最优帮助策略；

步骤3.6，返回执行步骤3.4-3.5，直到从帮助策略集合S中所有帮助策略均执行步骤3.4-3.5，最终得到的当前最优帮助策略s^*即为最佳帮助策略。

有益效果

本发明基于一个具有认知功能的三层智能车联网模型，包括车辆、移动边缘运算服务器和无人机，车辆将部分运算量卸载至附近的移动边缘运算服务器，由该服务器承担部分运算任务；当移动边缘运算服务器接收到的卸载运算量超过自身运算容限时，则该移动边缘运算服务器为过载服务器，可向无人机求助，将过载的运算量卸载到无人机完成。

本发明不但可以缓解由于车辆卸载运算量分布不均衡造成的移动边缘运算服务器过载问题，以最小运算时延为目标，从而不会造成由移动边缘运算服务器至无人机的二次运算卸的传输时延。

附图说明

图1为系统模型图；

图2为平均时延开销随控制参量V变化的关系图。

图3为平均能耗随控制参量V变化的关系图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本实施例提供的无人机协作式的车联网运算任务卸载方法，具体包括以下步骤：

步骤1，移动边缘运算服务器接收车联网卸载的运算任务，若超过自身运算容限，则确定该移动边缘运算服务器为过载服务器，否则为非过载服务器；设超过自身运算容限的运算任务量为过载运算量。

步骤2，过载服务器基于自身的过载运算量，向无人机发出求助信号。

步骤3，无人机接收所有过载服务器的协作求助信号，并为了提高无人机协作效率，以最小化过载运算量的时延开销为目标、以自身长期能耗为约束条件构建原始优化问题，通过对原始优化问题进行转换和求解，得到为所有过载服务器的过载运算量提供协作式策略。

无人机协助应该满足以下条件：

第一：无人机每个时隙选择帮助一个过载移动边缘运算服务器。

第二：无人机需要满足自身长期的能耗约束关系。

本实施例中，步骤3以最小化过载运算量的时延开销为目标、以自身长期能耗为约束条件构建的原始优化问题P1为：

式中，cost^t为过载服务器在时隙t的时延开销，包括过载服务器向无人机传输过载运算任务的传输时间开销和无人机执行过载运算任务的运算时间开销；

本发明方法考虑无人机在一段时间内运行并执行协作运算的车联网运算任务卸载方法，该运行时间被间被分成一个个的时隙{1,…,t,…,T}来进行考虑协助运算，因此使用T表示无人机执行协作运算的时隙总数，也即该运行时间内最后一个时隙表达。

为无人机协助过程在时隙t产生的能耗，包括运算能耗、飞行能耗和悬停能耗；

是无人机每个时隙内可以消耗能量的预算值；ε表示求期望操作。上述表达式(2)使用1/T加权，表示的是无人机在每一个时隙内的能耗平均值，且都会受到能耗的约束。。

进一步的，时延开销的计算式为：

式中，

和

分别为过载服务器i在时隙t受到无人机帮助前的运算量和无人机帮助该服务器处理的运算量，

表示在时隙t由过载服务器i卸载到无人机的运算任务对应的数据量量，

表示无人机执行数据量

的运算任务的运算时间开销函数，n表示当前时隙下所有过载服务器的数目；

所述能耗

的计算式为：

式中，E^tcp表示运算能耗，f^u表示无人机的运算能力，a表示无人机的能效因子；E^tfly表示飞行能耗，b为常量权重，与无人机的重量相关，v^t表示无人机在t时隙下的飞行速度；

表示悬停能耗，

和

分别代表过载服务器i向无人机传输过载运算任务的传输时延和无人机执行过载运算任务的运算时延，E₀代表无人机在单位时间内的悬停能耗开销，其中：

P_ui和σ²分别表示无人机与过载服务器i之间的通信速率、信道带宽、信道增益、传输功率和噪声。

约束的含义是：无人机的能量消耗需要满足长期时段的能量约束关系。如果我们想求出该优化问题P1的优化解的话，意味着需要得到所有可能的无人机帮助策略的信息，而未来信息通常是不可得的，所以该问题P1通常认为是不可解的。

针对P1不可解的问题，本实施例利用Lyapunov的方法对问题P1进行时间解耦，以得到每个时隙内的优化解，即对原始问题P1进行以下第一步转换：

首先，定义一个能量不足序列：

其中，

表示无人机在时隙t的能量不足程度；

然后，基于能量不足序列将原始优化问题P1转换为每个时隙可解的问题P2：

其中，

为公式(2)所示的无人机长期能耗约束条件的转换表达，用能量不足序列

加权以制约无人机长期能耗约束；V代表控制变量，V≥0,用来调整时延开销目标与约束无人机长期能耗约束之间的偏重关系。本实施例使用

来简化表达，其中s表示无人机在t时隙做出的帮助策略。

为了求解问题P2，本实施例采用基于离散Markov链的解决方案，因此再进一步将问题P2再进一步转换为问题P2-S2，过程为：

首先，将问题P2转换成如下等价形式的问题P2-S1：

其中，

表明在t时隙，无人机采用策略s帮助过载服务器的概率，S则表示在t时隙所有可行的无人机帮助策略集合；

然后，将上述问题P2-S1近似转换成下列凸问题，表示为下列问题P2-S2：

其中，β≥0，当β趋于无穷大时，问题P2-S2与问题P2-S1等价。

基于KKT条件，我们可以得到P2-S2问题最优解的表达式为：

至此，我们从理论上给出了无人机帮助策略的最优解的表达式。

最终，即可采用离散马尔可夫求解问题P2-S2，得到为所有过载服务器的过载运算量提供协作式策略，具体方法为：

步骤3.1，当前时隙下，每个过载服务器均作为无人机的候选协助对象；

步骤3.2，遍历当前时隙下无人机的所有可行的帮助策略，计算每个帮助策略s对应的f(s,t)值；每个帮助策略包括确定帮助的过载服务器和帮助该过载服务器的运算量；

步骤3.3，在帮助策略集合S随机选择一个帮助策略作为当前最佳帮助策略s^*，将其添加到空的帮助策略集合S'，然后按下列公式计算当前最佳帮助策略的出现概率

式中，s为帮助策略集合S中的任意帮助策略；

步骤3.4，在帮助策略集合S随机选择S'中不包括的任意帮助策略

将其添加到帮助策略集合S'，按照策略转换表达式计算由帮助策略s^*转向帮助策略

的概率

以及由帮助策略

转向帮助策略s^*的概率

然后基于平衡表达式计算帮助策略

的出现概率

式中，χ为预设的非负系数；

步骤3.5，将帮助策略

的出现概率

与当前最优帮助策略的出现概率

比较，选择其中较大的出现概率所对应的帮助策略作为新的当前最优帮助策略；

步骤3.6，返回执行步骤3.4-3.5，直到从帮助策略集合S中所有帮助策略均执行步骤3.4-3.5，最终得到的当前最优帮助策略s^*即为最佳帮助策略。

如图1所示是具有认知功能的三层智能物联网模型，包括车辆、移动边缘运算服务器和无人机。移动边缘运算服务器为车辆用户提供卸载服务，以提高车辆用户的用户体验质量。车辆将部分运算量卸载到附近的移动边缘运算运算服务器中，由该服务器承担该部分运算任务。但由于服务器运算资源有限，而且车辆任务卸载量空间分布具有很大的差异性，因此不同移动边缘运算服务器所要承担的运算量不同。当前时所要承担的运算量超过自身容限的服务器，称为过载服务器。对于过载服务器而言，则该服务器可向无人机求助，将过载的运算量卸载到无人机中去。

在本实施例的仿真场景中，包括49个移动边缘运算服务器，每个服务器的半径为100米，无人机的飞行高度为30米，最高速度为25米/秒，无人机的总体能量预算为500千焦。为评估本发明的性能，将本发明提出的方案与“无无人机”、“最高过载”、“严格能耗”进行对比。“无无人机”表示在没有无人机帮助，对移动边缘运算服务器存在的过载问题不作为。“最高过载”表示无人机做出帮助决定的依据是使得任务处理时延最小，而忽略无人机长期能耗的约束。“严格能耗”表示无人机的帮助决定严格参照能耗约束，将长期能耗约束加强成对每个时隙内的实时能耗约束。

图2给出了平均时延开销随控制参量V变化的关系图。由图2可以发现“无无人机”情况下的平均时延开销总是最大的，这是因为没有无人机的帮助，车辆将不得不承担由于移动边缘运算服务器过载带来的很长的排队时延。同样地，“严格能耗”方法由于过于的偏重能耗约束，而导致最小平均时延开销的目标受到影响，性能也不容乐观。“最高过载”意味着无人机帮助以最小化时延为目的，而不考虑无人机这种做法对无人机能量的消耗量。这种做法具有最小的时延开销。上述三种对比试验均与参量V的改变无关。根据我们提出的做法，我们发现，随着参量V的增大，我们提出的做法最终会收敛到最小平均时延。这是因为V越大，意味着我们对于时延的偏重越大，所以P2侧重于对最小平均时延的优化。

图3表示给出了平均能量不足序列随控制参量V变化的关系图。由图3可以发现“严格能耗”的平均能量不足序列总是为0，这是因为这种做法严格遵循能量约束，不会造成能量不足，但是结合图2可以发现这种做法虽然能满足能耗约束，但是平均时延开销却很大，因此这种方案效果并不好。“最高过载”总是保持能耗最大的状态，这是因为最高过载是一种偏重最小平均时延目标的优化方式，这使得无人机的能量消耗总是处于一种比较高的状态。我们所提出的做法随着控制参量V的增加，能耗也不断增大，结合图2可以发现本实施例方法中的目标与能耗直接存在着一种O(V)-O(1/V)权衡关系，通过调节V的大小实现可以根据实际需求达到想要的效果。

结合图2图3也可以看出，问题P2通过调节V值，是可以达到P1问题的最优解的，这也进一步证明了本实施例方案的正确性。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (7)

1.一种无人机协作式的车联网运算任务卸载方法，其特征在于，包括以下步骤：

步骤1，移动边缘运算服务器接收车联网卸载的运算任务，若超过自身运算容限，则确定该移动边缘运算服务器为过载服务器，否则为非过载服务器；设超过自身运算容限的运算量为过载运算量；

步骤2，过载服务器基于自身的过载运算量，向无人机发出求助信号；

步骤3，无人机接收所有过载服务器的协作求助信号，并以最小化过载运算量的时延开销为目标、以自身长期能耗为约束条件构建原始优化问题，通过对原始优化问题进行转换和求解，得到为所有过载服务器的过载运算量提供协作式策略。

2.根据权利要求1所述的方法，其特征在于，步骤3构建的原始优化问题P1为：

式中，cost^t为过载服务器在时隙t的时延开销，包括过载服务器向无人机传输过载运算量的传输时间开销和无人机执行过载运算任务的运算时间开销；T表示无人执行一次协作运算的时隙总数

为无人机协助过程在时隙t产生的能耗，包括运算能耗、飞行能耗和悬停能耗；

是无人机每个时隙内可以消耗能量的预算值；ε表示求期望操作。

3.根据权利要求2所述的方法，其特征在于，所述时延开销的计算式为：

式中，

和

分别为过载服务器i在时隙t受到无人机帮助前的运算量和无人机在时隙t协助过载服务器i处理的运算量，

表示在时隙t由过载服务器i卸载到无人机的运算任务对应的数据量，

表示无人机执行数据量

的运算任务的运算时间开销函数，n表示当前时隙下所有过载服务器的数目；

所述能耗

的计算式为：

E^tfly＝b||v^t||²，

式中，E^tcp表示运算能耗，f^u表示无人机的运算能力，a表示无人机的能效因子；E^tfly表示飞行能耗，b为常量权重，与无人机的重量相关，v^t表示无人机在t时隙下的飞行速度；

表示悬停能耗，

和

分别代表过载服务器i向无人机传输过载运算任务的传输时延和无人机执行过载运算任务的运算时延，E₀代表无人机在单位时间内的悬停能耗开销，其中：

B、

P_ui和σ²分别表示无人机与过载服务器i之间的通信速率、信道带宽、信道增益、传输功率和噪声。

4.根据权利要求2所述的方法，其特征在于，步骤3中对原始优化问题进行转换的方法为：

首先，定义一个能量不足序列：

其中，

表示无人机在时隙t的能量不足程度；

然后，基于能量不足序列将原始优化问题P1转换为每个时隙可解的问题P2：

其中，

为公式(2)所示的无人机长期能耗约束条件的转换表达，用能量不足序列

加权以制约无人机长期能耗约束；V代表控制变量，V≥0,用来调整时延开销目标与约束无人机长期能耗约束之间的偏重关系。

5.根据权利要求4所述的方法，其特征在于，对转换后的问题P2再进一步转换为问题P2-S2：

首先，将问题P2转换成如下等价形式的问题P2-S1：

其中，

表明在t时隙，无人机采用策略s帮助过载服务器的概率，S则表示在t时隙所有可行的无人机帮助策略集合；

然后，将上述问题P2-S1近似转换成下列凸问题，表示为下列问题P2-S2：

其中，β≥0，当β趋于无穷大时，问题P2-S2与问题P2-S1等价。

6.根据权利要求5所述的方法，其特征在于，采用离散马尔可夫求解问题P2-S2，确定无人机在每个时隙时隙t协助的过载服务器和协助处理的运算量

7.根据权利要求6所述的方法，其特征在于，采用离散马尔可夫求解问题P2-S2的具体方法为：

步骤3.1，当前时隙下，每个过载服务器均作为无人机的候选协助对象；

步骤3.2，遍历当前时隙下无人机的所有可行的帮助策略，计算每个帮助策略s对应的f(s,t)值；每个帮助策略包括确定帮助的过载服务器和帮助该过载服务器的运算量；

步骤3.3，在帮助策略集合S随机选择一个帮助策略作为当前最佳帮助策略s^*，将其添加到空的帮助策略集合S'，然后按下列公式计算当前最佳帮助策略的出现概率

式中，s为帮助策略集合S中除去S'内包含策略的任意帮助策略；

步骤3.4，在帮助策略集合S随机选择S'中不包括的任意帮助策略

将其添加到帮助策略集合S'，按照策略转换表达式计算由帮助策略s^*转向帮助策略

的概率

以及由帮助策略

转向帮助策略s^*的概率

然后基于平衡表达式计算帮助策略

的出现概率

式中，χ为预设的非负系数；

步骤3.5，将帮助策略

的出现概率

与当前最优帮助策略的出现概率

比较，选择其中较大的出现概率所对应的帮助策略作为新的当前最优帮助策略；

步骤3.6，返回执行步骤3.4-3.5，直到从帮助策略集合S中所有帮助策略均执行步骤3.4-3.5，最终得到的当前最优帮助策略s^*即为最佳帮助策略。

Images