CN112714178B - 一种基于车载边缘计算的任务卸载方法及装置 - Google Patents
一种基于车载边缘计算的任务卸载方法及装置 Download PDFInfo
- Publication number
- CN112714178B CN112714178B CN202011560186.8A CN202011560186A CN112714178B CN 112714178 B CN112714178 B CN 112714178B CN 202011560186 A CN202011560186 A CN 202011560186A CN 112714178 B CN112714178 B CN 112714178B
- Authority
- CN
- China
- Prior art keywords
- task
- server
- unloading
- vehicle
- candidate server
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44594—Unloading
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- 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
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于车载边缘计算的任务卸载方法及装置,方法包括:接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,根据路边单元覆盖范围内每一候选服务器的任务计算资源、剩余电量、移动性信息,计算候选服务器的任务计算资源综合服务概率;提取超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;基于多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;将任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。可以提高卸载任务的计算效率。
Description
技术领域
本发明涉及车载边缘计算(VEC,Vehicular Edge Computing)技术领域,具体而言,涉及一种基于车载边缘计算的任务卸载方法及装置。
背景技术
在车联网环境下,为了适应复杂多变的道路交通环境,要求自动驾驶需要具有高精度的导航,高精度导航对车辆的计算能力、时延和稳定性提出了更高的要求。但是由于车辆(车载终端)自身资源及计算性能有限,在处理计算密集型和时间敏感型的导航任务时可能面临着能力不足的情况,而通过将待计算的任务卸载到远程的云服务器,又将导致无法满足高可靠低时延的要求。
车载边缘计算基于车联网与移动边缘计算(MEC,Mobile Edge Computing),通过将任务卸载到车辆周围静态部署的MEC服务器上,不仅可以解决车载终端计算能力不足的问题,也可以减少车辆与云服务器通信的时延,从而满足车联网低时延和高可靠性的要求。但该基于车载边缘计算的任务卸载方法,由于将车辆的任务卸载到静态部署的MEC服务器上,在需要任务卸载的车辆处于运动状态时,尤其是高速公路场景下,车辆的移动速度较快,使得静态部署的接受任务卸载的MEC服务器无法在车辆驶出其覆盖范围之前完成任务计算,导致任务计算的失败,任务计算的效率较低,不仅造成任务卸载的可靠性较低,浪费MEC服务器的资源,还影响影响车辆的自动驾驶性能以及服务体验质量。
发明内容
有鉴于此,本发明的目的在于提供基于车载边缘计算的任务卸载方法及装置,以提高卸载的任务的计算效率。
第一方面,本发明实施例提供了基于车载边缘计算的任务卸载方法,包括:
接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;
提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;
基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;
将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,包括:
针对每一任务卸载车辆,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率;
针对每一候选服务器,依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率;
针对每一候选服务器,依据该候选服务器剩余的电池电量以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率;
针对每一候选服务器,依据该候选服务器的移动性服务概率、计算资源概率、剩余电量概率,得到该候选服务器的任务计算资源综合服务概率。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率,包括:
从所述候选服务器集对应的移动性信息库中,获取与所述任务卸载车辆同向行驶的第一行驶车辆的行驶速度;
计算所述任务卸载车辆的行驶速度与所述第一行驶车辆的行驶速度的速度差、所述任务卸载车辆与所述第一行驶车辆的相间距离、以及所述任务卸载车辆的当前位置与进入所述覆盖范围时的位置的距离差;
基于所述速度差、相间距离与所述可通信距离阈值中的车间通信距离阈值,得到任务计算第一名义时长,以及,基于所述任务卸载车辆的行驶速度、距离差以及所述可通信距离阈值中的覆盖范围阈值,得到任务计算第二名义时长;
依据名义时长以及所述容忍时延阈值,计算该名义时长对应的候选服务器的移动性服务概率,所述名义时长包括所述第一名义时长和第二名义时长。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率,包括:
若该候选服务器提供的电池电量百分比大于预先设置的电池电量阈值中的电池电量最大阈值,确定该候选服务器的剩余电量概率为1;
若该候选服务器提供的电池电量百分比小于预先设置的电池电量阈值中的电池电量最小阈值,确定该候选服务器的剩余电量概率为0;
否则,计算2与该候选服务器提供的电池电量百分比的差值,计算所述差值与该候选服务器提供的电池电量百分比的乘积,得到该候选服务器的剩余电量概率。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率,包括:
若该候选服务器提供的剩余计算资源大于所述任务卸载车辆的卸载任务所需的计算资源,确定该候选服务器的计算资源概率为1,否则,确定该候选服务器的计算资源概率为0。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵,包括:
针对每一卸载任务,以该卸载任务为行,以该卸载任务对应的任务计算服务器集中的各任务计算服务器为列,构建所述任务计算服务器矩阵。
第二方面,本发明实施例还提供了一种基于车载边缘计算的任务卸载装置,包括:
概率获取模块,用于接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;
任务计算服务器集采集模块,用于提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;
矩阵生成模块,用于基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;
卸载任务分配模块,用于将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述概率获取模块,具体用于:
针对每一任务卸载车辆,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率;
针对每一候选服务器,依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率;
针对每一候选服务器,依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率;
针对每一候选服务器,依据该候选服务器的移动性服务概率、计算资源概率、剩余电量概率,得到该候选服务器的任务计算资源综合服务概率。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
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,所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的基于车载边缘计算的任务卸载方法及装置,通过接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。这样,利用交通道路环境下与任务卸载车辆临近的行驶车辆具有相似性的特点,基于该临近的行驶车辆和MEC服务器,对卸载任务进行协同卸载,在保证高可靠性和低时延性的基础上,可以充分利用网络系统中现有的资源,从而有效提升卸载任务的计算效率。
为使本发明的上述目的、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发明实施例的技术方案,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发明的某些实施例,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示出了本发明实施例所提供的基于车载边缘计算的任务卸载方法流程示意图;
图2示出了本发明实施例所提供的基于车载边缘计算的任务卸载方法流程具体示意图;
图3示出了本发明实施例所提供的基于车载边缘计算的任务卸载装置结构示意图;
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,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,都属于本发明保护的范围。
现有通过将任务卸载到车辆周围静态部署的MEC服务器进行任务计算的方法,在需要任务卸载的车辆处于运动状态时,可能导致静态部署的接受任务卸载的MEC服务器无法在车辆驶出其覆盖范围之前完成任务计算,从而使得任务计算失败,任务计算的效率较低。本发明实施例中,考虑与需要任务卸载的车辆处于相同运动方向的车辆,基于具有相同运动状态的车辆进行任务计算服务,从而提升任务计算的可靠性以及任务计算效率。
本发明实施例中,基于交通道路行驶的车辆、交通道路旁预先设置的路边单元(RSU,Road Side Unit)、深度强化学习(DRL,Deep Reinforcement Learning)控制器、MEC服务器,构建车载边缘计算网络系统,基于车载边缘计算网络系统,判定提交至车载边缘计算网络系统中的每个任务需要卸载至哪些计算节点的服务器上,其中,服务器包括MEC服务器以及行驶车辆。
本发明实施例中,在车载边缘计算网络系统中,将卸载的任务转化为一包含最小化任务时延、能耗、成本等的最优化问题,以寻找最佳的任务卸载决策。
本发明实施例提供了一种基于车载边缘计算的任务卸载方法及装置,下面通过实施例进行描述。
图1示出了本发明实施例所提供的基于车载边缘计算的任务卸载方法流程示意图。如图1所示,该方法包括:
步骤101,接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;
本发明实施例中,针对交通道路,交通道路上的行驶车辆、交通道路旁预先设置的RSU、DRL控制器、MEC服务器组成车载边缘计算网络系统,其中,RSU、DRL控制器、MEC服务器组成基础设施,RSU是位于交通道路旁的基础通信设施,可以为交通道路上行驶的车辆提供通信服务,DRL控制器是车载边缘计算网络系统中的任务卸载决策的主体,用于通过RSU接收需要进行任务卸载的任务卸载车辆发起的任务卸载请求,为该请求任务卸载的任务卸载车辆计算最佳的任务卸载决策,MEC服务器是网络系统内对卸载任务进行计算的主体,拥有较多的算力以处理任务,交通道路上行驶的各车辆,也可以是网络系统内对任务进行计算的主体。
本发明实施例中,车载边缘计算网络系统中,可以提供任务计算服务的服务器包括:MEC服务器以及行驶车辆。其中,根据车辆任务处理状况,可以将车载边缘计算网络系统中的行驶车辆分为本地计算车辆、任务卸载车辆和其他车辆。其中,本地计算车辆表示该车辆的任务由其自身进行本地计算,任务卸载车辆表示该车辆需要将待计算的任务卸载到其他车辆,其他车辆表示该车辆暂时没有任务产生,当其他车辆的计算资源较多时,可以为任务卸载车辆提供任务计算服务。
本发明实施例中,交通道路上的行驶车辆在有任务需要执行计算时,首先查询自身的任务计算资源信息是否满足该任务的计算,若能满足,则无需向RSU发起任务卸载请求,通过自身的任务计算资源信息对该任务进行计算,得到计算结果,若不能满足,则向车载边缘计算网络系统的RSU发起任务卸载请求,RSU将接收的任务卸载请求发送至DRL控制器,DRL控制器对在同一时间片接收的各任务卸载请求进行处理。
本发明实施例中,在车载边缘计算网络系统中,包含两种通信方式,分别为车辆到基础设施(V2I,Vehicle-to-Infrastructure)通信和车辆间(V2V,Vehicle-to-Vehicle)通信。
本发明实施例中,车辆在驶入RSU通信的覆盖范围后,若愿意提供计算服务,则通过RSU向DRL控制器上报任务计算资源信息。作为一可选实施例,任务计算资源信息包括但不限于:资源使用信息、电量信息和移动性信息。其中,移动性信息可以是车辆的行驶速度信息,例如,车辆在近1分钟或5分钟内的平均行驶速度信息,或,与RSU建立通信连接时的即时行驶速度信息等,资源使用信息可以是剩余计算资源,电量信息可以是剩余电量百分比。
本发明实施例中,作为一可选实施例,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,包括:
A11,针对每一任务卸载车辆,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率;
本发明实施例中,容忍时延阈值考虑卸载任务传输速率以及候选服务器对卸载任务的计算时长。作为一可选实施例,候选服务器包括:行驶车辆以及MEC服务器,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率,包括:
A21,从所述候选服务器集对应的移动性信息库中,获取与所述任务卸载车辆同向行驶的第一行驶车辆的行驶速度;
本发明实施例中,第一行驶车辆是泛指,是指与任务卸载车辆同向行驶的各车辆。
A22,计算所述任务卸载车辆的行驶速度与所述第一行驶车辆的行驶速度的速度差、所述任务卸载车辆与所述第一行驶车辆的相间距离、以及所述任务卸载车辆的当前位置与进入所述覆盖范围时的位置的距离差;
A23,基于所述速度差、相间距离与所述可通信距离阈值中的车间通信距离阈值,得到任务计算第一名义时长,以及,基于所述任务卸载车辆的行驶速度、距离差以及所述可通信距离阈值中的覆盖范围阈值,得到任务计算第二名义时长;
本发明实施例中,作为一可选实施例,若任务卸载车辆位于第一行驶车辆行驶的前方,且第一行驶车辆的行驶速度大于任务卸载车辆的行驶速度,则可以利用下式计算第一名义时长:
式中,
D为可通信距离阈值中的车间通信距离阈值;
Di,j为相间距离,即候选服务器j与任务卸载车辆i之间的间隔距离;
vi,j为速度差。
作为另一可选实施例,若任务卸载车辆位于第一行驶车辆行驶的前方,且第一行驶车辆的行驶速度小于任务卸载车辆的行驶速度,则可以利用下式计算第一名义时长:
本发明实施例中,作为一可选实施例,可以利用下式计算任务计算第二名义时长:
式中,
D′为可通信距离阈值中的覆盖范围阈值;
d为距离差;
vi为任务卸载车辆i的行驶速度。
本发明实施例中,对于能够为任务卸载车辆提供任务计算的候选服务器,对于行驶车辆,该行驶车辆与任务卸载车辆之间的距离,需要在车间通信距离阈值内;对于MEC服务器,该MEC服务器与任务卸载车辆,均需要在覆盖范围阈值内,即任务卸载车辆需要位于覆盖范围阈值内。
A24,依据名义时长以及所述容忍时延阈值,计算该名义时长对应的候选服务器的移动性服务概率,所述名义时长包括所述第一名义时长和第二名义时长。
本发明实施例中,利用移动性服务概率表征服务器能够为任务卸载车辆提供移动服务的可能性,作为一可选实施例,利用下式计算移动服务性概率:
式中,
t1为容忍时延阈值中的最大容忍时延;
t2为容忍时延阈值中的最小容忍时延。
本发明实施例中,若某一行驶车辆或MEC服务器和任务卸载车辆保持在可通信距离阈值内的时间越长,则该行驶车辆或MEC服务器能够为该任务卸载车辆提供移动服务的可能性越大。
本发明实施例中,在候选服务器j保持在任务卸载车辆i的可通信距离阈值内的时间较短时,候选服务器j为任务卸载车辆i提供计算服务的移动性概率随着的减小快速下降;在候选服务器j保持在任务卸载车辆i的可通信距离阈值内的时间较长时,候选服务器j为任务卸载车辆i提供计算服务的移动性概率随着的增大而缓慢增大。
A12,针对每一候选服务器,依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率;
本发明实施例中,作为一可选实施例,利用下式计算候选服务器能够为任务卸载车辆提供计算资源的计算资源概率:
式中,
fi为任务卸载车辆i的卸载任务所需的计算资源。
本发明实施例中,只有候选服务器可提供的剩余计算资源大于卸载任务所需的计算资源时,才有可能为卸载任务提供计算资源。
A13,针对每一候选服务器,依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率;
本发明实施例中,作为一可选实施例,利用下式计算候选服务器能够为任务卸载车辆提供任务所需的剩余电量概率:
式中,
b1为电池电量阈值中的电池电量最大阈值,即候选服务器j的电量充足时愿意提供任务计算服务的阈值;
b2为电池电量阈值中的电池电量最小阈值,即候选服务器j的电量不足时拒绝提供任务计算服务的阈值。
本发明实施例中,当电池电量低时,候选服务器j为任务卸载车辆提供任务计算服务的可能性,随着电量降低会快速下降;电池电量高时,可能性随着电量升高缓慢升高。
A14,针对每一候选服务器,依据该候选服务器的移动性服务概率、计算资源概率、剩余电量概率,得到该候选服务器的任务计算资源综合服务概率。
本发明实施例中,移动性服务概率、计算资源概率、剩余电量概率的乘积为任务计算资源综合服务概率。
步骤102,提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;
本发明实施例中,利用下式确定任务计算服务器集:
式中,
为候选服务器j能够为任务卸载车辆i提供任务计算的计算资源综合服务概率特征值;其中,若的值为1,表示服务器j能够为任务卸载车辆i提供任务计算,0表示服务器j不能为任务卸载车辆i提供任务计算。本发明实施例中,在任务计算服务器集中,候选服务器的的值为1或0。
ζ为任务计算资源综合服务概率阈值。
本发明实施例中,基于移动性服务概率、计算资源概率、剩余电量概率计算候选服务器的任务计算资源综合服务概率。当候选服务器的任务计算资源综合服务概率大于或等于任务计算资源综合服务概率阈值,则表明该候选服务器可为任务卸载车辆提供任务计算。
本发明实施例中,在利用行驶车辆作为服务器时,充分考虑了行驶车辆的移动性、计算资源和剩余电量,从中获取与卸载任务相匹配的任务计算服务器。
步骤103,基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;
本发明实施例中,作为一可选实施例,基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵,包括:
针对每一卸载任务,以该卸载任务为行,以该卸载任务对应的任务计算服务器集中的各任务计算服务器为列,构建所述任务计算服务器矩阵。
本发明实施例中,每一卸载任务对应任务计算服务器矩阵中的一行,该卸载任务对应的任务计算服务器集中的每一任务计算服务器,分别对应该行的一列。在任务计算服务器矩阵中,每一行列的元素值为1或0,该元素的属性值包括对应的任务计算资源信息。
步骤104,将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。
本发明实施例中,作为一可选实施例,在满足任务时延(容忍时延阈值)约束的前提下,以实现最小化所有卸载任务的任务时延为目标,设计基于深度强化学习的协同卸载算法,该协同卸载算法可以更快地适应动态变化的网络环境。
本发明实施例中,作为一可选实施例,将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,包括:
B11,初始化深度学习网络的网络参数;
B12,依据任务计算服务器矩阵中的每一任务计算服务器的任务计算资源信息,构建深度学习网络的状态空间(S);
本发明实施例中,作为一可选实施例,状态空间包括:任务计算服务器的位置、行驶速度、任务计算资源综合服务概率等。
B13,基于任务计算服务器矩阵中的每一任务计算服务器,构建深度学习网络的动作空间(A);
本发明实施例中,动作空间由所有任务计算服务器的动作(at)组成。作为一可选实施例,动作空间包括:本地计算、卸载到MEC服务器以及卸载到其他行驶车辆。当选择非候选服务器、所选方式时延不满足容忍需求、任务卸载车辆离开选择的任务计算服务器的通信范围时,由于选择的动作无法得到任务结果,因此该动作无效。
B14,利用贪心算法为每一任务计算服务器选择一动作并执行该动作并进行迭代,每次迭代为一片段;
B15,利用贪心算法获取基于该动作的探索速率(ε),以及,利用rand函数生成基于该动作探索新策略的概率;
B16,若探索新策略的概率大于基于该动作的探索速率(ε),从动作空间中随机选择一动作,否则,选择对深度学习算法输入后具有最大估计Q值的动作;
B17,在执行动作后,利用env()函数获取奖励值(rt)和下一个状态对(st+1),并将状态转换对(st,at,rt,st+1)存储在经验存储器中;
本发明实施例中,若任务计算服务器矩阵中的的值为1,奖励值为任务计算服务器完成卸载任务计算所需的时长与最大容忍时延的比值,将该比值乘以-1并归一到[-1,0];若任务计算服务器矩阵中的的的值为0,对应的奖励值为-1。
B18,取梯度下降算法的步长为K,从经验存储器中随机抽取U个(卸载任务数)样本(sj,aj,rj,sj+1),转换样本数据,计算目标Q值;
本发明实施例中,目标Q值包括:Q实际值(y')以及Q估计值(y),利用下式计算目标Q值:
式中,
γ为折扣因子;
st+1为t+1时刻(迭代)深度学习的状态空间;
α为t时刻(迭代)深度学习的学习速率;
θ、θ′为深度学习网络的参数。
B19,基于目标Q值,通过计算损失函数计算深度学习网络的损失值,依据损失值对深度学习网络的参数(θ)进行更新,直至损失值小于损失阈值,得到最佳卸载决策。
本发明实施例中,损失函数为:
Loss(θ)=(y′-y)2
本发明实施例中,对应步骤B11至B19的程序代码段如下:
本发明实施例中,基于行驶车辆的移动特性,利用交通道路环境下与任务卸载车辆临近的行驶车辆具有相似性的特点,基于该临近的行驶车辆和MEC服务器,对卸载任务进行协同卸载,提高了车载边缘计算网络资源利用率,从而在保证高可靠性和低时延性的基础上,可以充分利用网络系统中现有的资源。
图2示出了本发明实施例所提供的基于车载边缘计算的任务卸载方法流程具体示意图。如图2所示,该方法包括:
步骤201,任务卸载车辆确定有需要计算的卸载任务;
本发明实施例中,在不同的场景和要求下,行驶车辆会产生需要计算的任务(卸载任务),产生需要计算的任务的行驶车辆为任务卸载车辆。
步骤202,判断本地计算资源是否匹配卸载任务,若不匹配,生成任务卸载请求;
本发明实施例中,产生卸载任务的行驶车辆(任务卸载车辆)根据自身本地计算资源情况和任务要求情况进行判断,如果本地计算资源足够,即满足任务要求,则在本地处理计算任务。否则,产生任务的行驶车辆将产生的任务转移到RSU或可以提供计算服务的行驶车辆以进行计算处理。
步骤203,将任务卸载请求发送给RSU;
本发明实施例中,卸载车辆将任务卸载请求发送至RSU,任务卸载请求中,包含有卸载任务的容忍时延阈值。
步骤204,RSU上的DRL控制器依据接收的任务卸载请求,收集RSU的任务计算资源信息和与该任务卸载车辆相邻的行驶车辆的任务计算资源信息;
步骤205,DRL控制器根据收集到的任务计算资源信息,确定用于为任务卸载车辆提供计算服务的任务计算服务器,并从中得出满足卸载任务的容忍时延阈值的最佳卸载决策;
本发明实施例中,DRL控制器根据收集到的任务计算资源信息,若存在可为该卸载任务提供计算服务的服务器,则将该服务器置于任务计算服务器集中。并通过基于深度学习网络(DDQN,Double Deep Q Network)的计算卸载算法,得出满足卸载任务的容忍时延阈值的最佳卸载决策。
步骤206、通过RSU将最佳卸载决策返回给任务卸载车辆,并通知最佳卸载决策对应的任务计算服务器;
本发明实施例中,当最佳卸载决策显示将任务卸载到其他行驶车辆或MEC服务器时,DRL控制器通过RSU通知最佳卸载决策对应的其他行驶车辆或MEC服务器,以准备为任务卸载车辆提供计算服务。
步骤207,任务卸载车辆按照最佳卸载决策,将对应的卸载任务的输入数据发送给最佳卸载决策对应的服务器;
本发明实施例中,对于同一个卸载任务,可能将任务卸载到其他车辆或MEC服务器。
步骤208,最佳卸载决策对应的服务器接收卸载任务,计算该卸载任务,得到卸载任务计算结果;
步骤209,将任务计算结果返回给任务卸载车辆;
步骤210,任务卸载车辆将任务计算结果通过RSU返回给DRL控制器。
本发明实施例中,对于计算量较大的卸载任务,若可以拆分为相互独立的多个子任务,可进行拆分,每一移动车辆或MEC服务器对应计算一子任务。
本发明实施例中,由于不同的行驶车辆之间可能会对同一个卸载任务,例如,源和目的地的实时路况查询具有相同的需求,因而,本发明实施例中,还可以对接收的各任务卸载请求中包含的卸载任务进行处理,对于相同的卸载任务,只保留一个,在得到该卸载任务的计算结果后,再将计算结果分发至相应的行驶车辆。作为另一可选实施例,由于各行驶车辆会存储一些任务,例如,热播剧、小品、导航地图,因而,在上报任务计算资源信息时,还可以将存储的任务信息同时上报,后续中可以直接将相应的卸载任务计算结果反馈给相应的任务卸载车辆,从而可以更高效提升行驶车辆的资源利用率。
图3示出了本发明实施例所提供的基于车载边缘计算的任务卸载装置结构示意图。如图3所示,该装置包括:
概率获取模块301,用于接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;
本发明实施例中,交通道路上的行驶车辆、交通道路旁预先设置的RSU、DRL控制器、MEC服务器组成车载边缘计算网络系统。作为一可选实施例,任务计算资源综合服务概率获取模块301,具体用于:
针对每一任务卸载车辆,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率;
针对每一候选服务器,依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率;
针对每一候选服务器,依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率;
针对每一候选服务器,依据该候选服务器的移动性服务概率、计算资源概率、剩余电量概率,得到该候选服务器的任务计算资源综合服务概率。
本发明实施例中,利用下式计算移动服务性概率:
利用下式计算计算资源概率:
利用下式计算剩余电量概率:
本发明实施例中,作为一可选实施例,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率,包括:
从所述候选服务器集对应的移动性信息库中,获取与所述任务卸载车辆同向行驶的第一行驶车辆的行驶速度;
计算所述任务卸载车辆的行驶速度与所述第一行驶车辆的行驶速度的速度差、所述任务卸载车辆与所述第一行驶车辆的相间距离、以及所述任务卸载车辆的当前位置与进入所述覆盖范围时的位置的距离差;
基于所述速度差、相间距离与所述可通信距离阈值中的车间通信距离阈值,得到任务计算第一名义时长,以及,基于所述任务卸载车辆的行驶速度、距离差以及所述可通信距离阈值中的覆盖范围阈值,得到任务计算第二名义时长;
依据名义时长以及所述容忍时延阈值,计算该名义时长对应的候选服务器的移动性服务概率,所述名义时长包括所述第一名义时长和第二名义时长。
任务计算服务器集采集模块302,用于提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;
本发明实施例中,利用下式确定任务计算服务器集:
矩阵生成模块303,用于基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;
卸载任务分配模块304,用于将所述任务计算服务器矩阵输入深度学习网络,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。
本发明实施例中,作为一可选实施例,矩阵生成模块303具体用于:
针对每一卸载任务,以该卸载任务为行,以该卸载任务对应的任务计算服务器集中的各任务计算服务器为列,构建所述任务计算服务器矩阵。
如图4所示,本申请一实施例提供了一种计算机设备400,用于执行图1中的基于车载边缘计算的任务卸载方法,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述基于车载边缘计算的任务卸载方法的步骤。
具体地,上述存储器401和处理器402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402运行存储器401存储的计算机程序时,能够执行上述基于车载边缘计算的任务卸载方法。
对应于图1中的基于车载边缘计算的任务卸载方法,本申请实施例还提供了一种计算机可读存储介质,该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上述基于车载边缘计算的任务卸载方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述基于车载边缘计算的任务卸载方法。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,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,多个单元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,系统或单元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单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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-Only Memory,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。
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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
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所述以权利要求的保护范围为准。
Claims (10)
1.一种基于车载边缘计算的任务卸载方法,其特征在于,包括:
接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;
提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;
基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;
将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。
2.根据权利要求1所述的方法,其特征在于,所述基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,包括:
针对每一任务卸载车辆,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率;
针对每一候选服务器,依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率;
针对每一候选服务器,依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率;
针对每一候选服务器,依据该候选服务器的移动性服务概率、计算资源概率、剩余电量概率,得到该候选服务器的任务计算资源综合服务概率。
3.根据权利要求2所述的方法,其特征在于,所述依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率,包括:
从所述候选服务器集对应的移动性信息库中,获取与所述任务卸载车辆同向行驶的第一行驶车辆的行驶速度;
计算所述任务卸载车辆的行驶速度与所述第一行驶车辆的行驶速度的速度差、所述任务卸载车辆与所述第一行驶车辆的相间距离、以及所述任务卸载车辆的当前位置与进入所述覆盖范围时的位置的距离差;
基于所述速度差、相间距离与所述可通信距离阈值中的车间通信距离阈值,得到任务计算第一名义时长,以及,基于所述任务卸载车辆的行驶速度、距离差以及所述可通信距离阈值中的覆盖范围阈值,得到任务计算第二名义时长;
依据名义时长以及所述容忍时延阈值,计算该名义时长对应的候选服务器的移动性服务概率,所述名义时长包括所述第一名义时长和第二名义时长。
4.根据权利要求2所述的方法,其特征在于,所述依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率,包括:
若该候选服务器提供的电池电量百分比大于预先设置的电池电量阈值中的电池电量最大阈值,确定该候选服务器的剩余电量概率为1;
若该候选服务器提供的电池电量百分比小于预先设置的电池电量阈值中的电池电量最小阈值,确定该候选服务器的剩余电量概率为0;
否则,计算2与该候选服务器提供的电池电量百分比的差值,计算所述差值与该候选服务器提供的电池电量百分比的乘积,得到该候选服务器的剩余电量概率。
5.根据权利要求2所述的方法,其特征在于,所述依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率,包括:
若该候选服务器提供的剩余计算资源大于所述任务卸载车辆的卸载任务所需的计算资源,确定该候选服务器的计算资源概率为1,否则,确定该候选服务器的计算资源概率为0。
6.根据权利要求1至3任一项所述的方法,其特征在于,基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵,包括:
针对每一卸载任务,以该卸载任务为行,以该卸载任务对应的任务计算服务器集中的各任务计算服务器为列,构建所述任务计算服务器矩阵。
7.一种基于车载边缘计算的任务卸载装置,其特征在于,包括:
概率获取模块,用于接收多个任务卸载车辆在进入路边单元覆盖范围内发起的任务卸载请求,从预先存储的候选服务器集中,获取每一候选服务器在进入所述覆盖范围内上报的任务计算资源信息,基于所述任务计算资源信息计算该候选服务器的任务计算资源综合服务概率,所述候选服务器包括:位于所述覆盖范围内的移动边缘计算服务器以及行驶车辆;
任务计算服务器集采集模块,用于提取任务计算资源综合服务概率超过预先设置的任务计算资源综合服务概率阈值的候选服务器,得到任务计算服务器集;
矩阵生成模块,用于基于所述多个任务卸载车辆对应的任务计算服务器集,构建任务计算服务器矩阵;
卸载任务分配模块,用于将所述任务计算服务器矩阵作为深度学习算法的输入,得到用于接收每一任务卸载请求对应的卸载任务的目标服务器,通知任务卸载车辆将卸载任务卸载至该卸载任务对应的目标服务器。
8.根据权利要求7所述的装置,其特征在于,所述概率获取模块,具体用于:
针对每一任务卸载车辆,依据该任务卸载车辆的行驶速度、所述候选服务器的行驶速度以及预先设置的容忍时延阈值和可通信距离阈值,获取所述候选服务器的移动性服务概率;
针对每一候选服务器,依据该候选服务器提供的剩余计算资源以及所述任务卸载车辆的卸载任务所需的计算资源,计算该候选服务器的计算资源概率;
针对每一候选服务器,依据该候选服务器提供的电池电量百分比以及预先设置的电池电量阈值,计算该候选服务器的剩余电量概率;
针对每一候选服务器,依据该候选服务器的移动性服务概率、计算资源概率、剩余电量概率,得到该候选服务器的任务计算资源综合服务概率。
9.一种计算机设备,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,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的基于车载边缘计算的任务卸载方法的步骤。
10.一种计算机可读存储介质,其特征在于,该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6任一所述的基于车载边缘计算的任务卸载方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560186.8A CN112714178B (zh) | 2020-12-25 | 2020-12-25 | 一种基于车载边缘计算的任务卸载方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560186.8A CN112714178B (zh) | 2020-12-25 | 2020-12-25 | 一种基于车载边缘计算的任务卸载方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112714178A CN112714178A (zh) | 2021-04-27 |
CN112714178B true CN112714178B (zh) | 2023-05-12 |
Family
ID=75546325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560186.8A Active CN112714178B (zh) | 2020-12-25 | 2020-12-25 | 一种基于车载边缘计算的任务卸载方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112714178B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422797B (zh) * | 2021-05-11 | 2022-10-11 | 中国科学院计算技术研究所 | 一种用于车联网的更新地图的方法及系统 |
CN113423091B (zh) * | 2021-05-24 | 2022-07-29 | 西安电子科技大学 | 一种车载算力网络的多维资源智能联合优化方法、系统 |
CN113254219B (zh) * | 2021-06-28 | 2021-10-15 | 国汽智控(北京)科技有限公司 | 协同处理方法、协同处理装置、电子设备及存储介质 |
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 |
CN113645273B (zh) * | 2021-07-06 | 2023-07-07 | 南京邮电大学 | 基于业务优先级的车联网任务卸载方法 |
CN113868808B (zh) * | 2021-08-18 | 2022-06-03 | 北京邮电大学 | 一种道路网络临近检测时延优化方法、装置和系统 |
CN114047965A (zh) * | 2021-10-12 | 2022-02-15 | 润联软件系统(深圳)有限公司 | 计算卸载方法、卫星服务器及计算机可读存储介质 |
CN113918240B (zh) * | 2021-10-15 | 2024-05-28 | 全球能源互联网研究院有限公司 | 任务卸载方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109391681A (zh) * | 2018-09-14 | 2019-02-26 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
CN111464976A (zh) * | 2020-04-21 | 2020-07-28 | 电子科技大学 | 一种基于车队的车辆任务卸载决策和总体资源分配方法 |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111831427A (zh) * | 2020-05-18 | 2020-10-27 | 南京邮电大学 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
CN111866807A (zh) * | 2020-06-22 | 2020-10-30 | 江苏大学 | 一种基于深度强化学习的软件定义车载任务细粒度卸载方法 |
CN111970318A (zh) * | 2020-05-18 | 2020-11-20 | 北京邮电大学 | 基于移动边缘计算的车辆与路边单元协同卸载任务方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9378063B2 (en) * | 2013-10-15 | 2016-06-28 | Qualcomm Incorporated | Mobile coprocessor system and methods |
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
-
2020
- 2020-12-25 CN CN202011560186.8A patent/CN112714178B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109391681A (zh) * | 2018-09-14 | 2019-02-26 | 重庆邮电大学 | 基于mec的v2x移动性预测与内容缓存卸载方案 |
CN111464976A (zh) * | 2020-04-21 | 2020-07-28 | 电子科技大学 | 一种基于车队的车辆任务卸载决策和总体资源分配方法 |
CN111831427A (zh) * | 2020-05-18 | 2020-10-27 | 南京邮电大学 | 一种基于移动边缘计算的分布式车辆间任务卸载方法 |
CN111970318A (zh) * | 2020-05-18 | 2020-11-20 | 北京邮电大学 | 基于移动边缘计算的车辆与路边单元协同卸载任务方法及装置 |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111866807A (zh) * | 2020-06-22 | 2020-10-30 | 江苏大学 | 一种基于深度强化学习的软件定义车载任务细粒度卸载方法 |
Non-Patent Citations (3)
Title |
---|
Deep Reinforcement Learning Based Computing Offloading for MEC-assisted Heterogeneous Vehicular Networks;Fanyuan Li 等;《2020 IEEE 20th International Conference on Communication Technology (ICCT)》;全文 * |
Task Offloading in Vehicular Edge Computing Networks: A Load-Balancing Solution;Jie Zhang 等;《IEEE Transactions on Vehicular Technology 》;第第69卷卷(第第2期期);全文 * |
车联网场景下的移动边缘计算卸载策略;余翔 等;《计算机工程》;第第46 卷卷(第第 11 期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112714178A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112714178B (zh) | 一种基于车载边缘计算的任务卸载方法及装置 | |
US20180232840A1 (en) | Geospatial clustering for service coordination systems | |
CN111833607A (zh) | 用于在社区云中进行路线导航共享的技术 | |
CN113051046B (zh) | 一种车载云环境下基于动态优先级的任务调度方法 | |
CN114005295A (zh) | 一种预估车辆能耗信息的方法、装置、设备及介质 | |
CN113063430A (zh) | 一种无人车路径规划方法、客户端及服务器 | |
CN111583713A (zh) | 车辆驾驶预警方法和装置 | |
CN112888021B (zh) | 一种车联网中避免中断的任务卸载方法 | |
CN112200336A (zh) | 一种车辆行驶路径规划的方法和装置 | |
CN110481538B (zh) | 分配混合动力车辆转矩的方法及装置、智能网联车辆系统 | |
CN112710316A (zh) | 专注于构造和本地化技术领域的动态地图生成 | |
CN111862599A (zh) | 车辆信息处理方法、装置 | |
CN116307580A (zh) | 运力调度方法、装置、电子设备及存储介质 | |
CN110910191A (zh) | 拼车订单生成方法及设备 | |
CN115185658A (zh) | 一种基于时间和通信可靠的任务卸载调度方法及相关产品 | |
KR102480915B1 (ko) | 지능형 차량 주행 제어 시스템의 동작 방법 | |
CN111586160B (zh) | 数据处理方法、装置、数据处理设备及存储介质 | |
CN111524389B (zh) | 车辆驾驶方法和装置 | |
US10430731B2 (en) | Method for providing configuration information for a system comprising a plurality of moving objects | |
CN111260912B (zh) | 车辆编队的处理方法及装置 | |
CN113900739A (zh) | 一种多对多边缘计算场景下的计算卸载方法及系统 | |
CN113422797A (zh) | 一种用于车联网的更新地图的方法及系统 | |
CN111507753A (zh) | 信息推送方法、装置和电子设备 | |
CN111800465A (zh) | 车辆消息的处理方法、装置、介质及电子设备 | |
CN117808653B (zh) | 基于车联网的数据分析方法、终端设备以及存储介质 |
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 |