CN113377743B - 车辆终端服务迁移方法及系统 - Google Patents
车辆终端服务迁移方法及系统 Download PDFInfo
- Publication number
- CN113377743B CN113377743B CN202110622247.7A CN202110622247A CN113377743B CN 113377743 B CN113377743 B CN 113377743B CN 202110622247 A CN202110622247 A CN 202110622247A CN 113377743 B CN113377743 B CN 113377743B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- driving
- server
- road intersection
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆终端服务迁移方法及系统,包括:获取第一预设时间段内通过第一道路路口的多个历史车辆的行驶数据,基于获取到的行驶数据预测当前车辆在第一道路路口的行驶行为;根据预测到的行驶行为确定当前车辆的待行驶路段,将覆盖待行驶路段的边缘服务器作为服务迁移的备选服务器;获取终端设备的第一访问行为数据,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,基于比较结果对备选服务器进行分簇,将与当前边缘服务器属于同簇的备选服务器作为目标服务器;当前边缘服务器将服务模型数据存储至哈希表,目标服务器从哈希表中获取相应的服务模型;当前边缘服务器将任务数据迁移至目标服务器。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种车辆终端服务迁移方法及系统。
背景技术
5G网络和其他领域的新的计算和通信技术为车辆的智能驾驶和应用的快速发展开辟了可能性,如自动驾驶和内容交付,可以为用户提供更好的服务质量和体验。在智能驾驶中,车辆在移动过程中不断产生大量的不同类型的数据,其中包括额外的数据,如轨迹,交通信息和多媒体数据等。如何保证服务的连续性和准确性,为智能驾驶过程提供广泛的优质服务,是一个至关重要的问题。
在车辆高速移动的过程中,保证为用户提供的服务具备连续性非常重要。数据共享和服务迁移可以通过协作分析来改善智能驾驶应用程序的质量,从而缓解这个问题。然而,在智能驾驶中,服务迁移面临两个关键挑战。首先,需要考虑接入边缘计算服务器的车辆可能具有移动性,这导致其可接入的边缘计算服务器发生变化,并且车辆收集和产生的数据很多,需要保证服务迁移和服务的连续性。因此,如何提高数据传输的效率和可靠性需要进一步深入的研究。第二,车辆上的终端用户(数据提供者)越来越关注数据安全和隐私问题,如何在保证用户隐私数据不被泄露的前提下完成服务迁移也是一个关键问题。因此如何确保为移动中的终端设备提供高效的可持续性服务是亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种车辆终端服务迁移方法及系统,以解决现有技术中存在的一个或多个问题。
根据本发明的一个方面,本发明公开了一种车辆终端服务迁移方法,所述方法包括:
获取当前时间之前的第一预设时间段内通过第一道路路口的多个历史车辆的行驶数据,基于获取到的多个历史车辆的行驶数据预测当前车辆在所述第一道路路口的行驶行为;其中,所述行驶数据包括在第一道路路口的行驶行为信息及第一道路路口通过时间信息,所述行驶行为包括直行、左转向、右转向和调头;
根据预测到的当前车辆在所述第一道路路口的行驶行为确定当前车辆的待行驶路段,将覆盖所述待行驶路段的边缘服务器作为服务迁移的备选服务器;
获取终端设备在当前时间之前的第二预设时间段内访问目标对象的第一访问行为数据,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,基于相似度比较结果对备选服务器进行分簇,并将与终端设备的当前边缘服务器属于同簇的备选服务器作为服务迁移的目标服务器;
当前边缘服务器将服务模型数据存储至哈希表,并将所述服务模型数据的数据摘要上传至区块链网络,目标服务器基于所述数据摘要从所述哈希表中获取相应的服务模型;
当前边缘服务器将终端设备的任务数据迁移至目标服务器。
在本发明的一些实施例中,获取当前时间之前的第一预设时间段内通过第一道路路口的历史车辆的行驶数据,基于获取到的历史车辆的行驶数据预测当前车辆在所述第一道路路口的行驶行为,包括:
获取多个历史车辆在第一路段范围内的各道路路口的行驶数据;
根据获取到的多个历史车辆在第一道路路口之前的各道路路口的行驶数据基于马尔可夫算法计算各行驶行为的发生可能性;
将发生可能性最高的驾驶行为作为当前车辆在所述第一道路路口的行驶行为。
在本发明的一些实施例中,各行驶行为的发生可能性的计算公式为:
SX(t)=k1Spre(t-1)Ppre+k2Spre(t-2)Ppre 2+…+kkSpre(t-k)Ppre k
其中,SX(t)为1×N矩阵,N为行驶行为数量,SX(t)内的各元素为在第一道路路口的各行驶行为发生的可能性;k1、k2…kk分别表示第一道路路口的前1、2...k个路口对当前车辆在第一道路路口的行驶方向的影响权重,且k1>k2>…>k2;Ppre为转移概率矩阵;Spre(t-1)、Spre(t-2)…Spre(t-k)分别为第一道路路口的前1、2...k个路口的各行驶行为发生的概率矩阵。
在本发明的一些实施例中,第一路段范围内的第一道路路口之前的道路路口的数量大于5。
在本发明的一些实施例中,所述第一访问行为数据和第二访问行为数据均包括访问的页面的关键词以及各页面的访问时间。
在本发明的一些实施例中,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,包括:
根据第一访问行为数据建立所访问的页面关键词的第一节点集以及第一节点集的各子集;
根据第二访问行为数据建立所访问的页面关键词的第二节点集以及第二节点集的各子集;
根据所述第一节点集及第二节点集计算相似度值。
在本发明的一些实施例中,所述第一节点集和第二节点集内的各页面关键词对应的访问页面均为访问时间超过预设时间的页面。
在本发明的一些实施例中,相似度值计算公式为:
其中,Sim(useri,userj)为第一访问行为数据与第二访问行为数据的相似度值,<Bri′,Brj′>l为第一节点集的长度为l的子集的集合与第二节点集的长度为l的子集的集合的特征空间内积,<Bri′,Bri′>l为第一节点集的长度为l的子集的集合与其自身的特征空间内积,<Brj′,Brj′>l为第二节点集的长度为l的子集的集合与其自身的特征空间内积。
在本发明的一些实施例中,所述方法还包括:在各边缘服务器之间构建迁移路由表,目标服务器根据所述迁移路由表向所述当前边缘服务器请求服务模型。
根据本发明的另一方面,还公开了一种车辆终端服务迁移系统,该系统包括多个边缘服务器,各所述边缘服务器包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
上述实施例中的车辆终端服务迁移方法及系统,在基于边缘计算的智能驾驶环境中,以车辆为载体进行快速的移动,考虑到车辆的阶段性目的地和迁移的内容来提高终端用户的服务体验。本发明引入区块链的通道技术在边缘计算服务器之间实现服务迁移,保障了终端用户的隐私安全,减少了不必要的边缘计算服务器的参与和资源的浪费,提高了服务的准确性和连续性。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。附图中的部件不是成比例绘制的,而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分,附图中对应部分可能被放大,即,相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中:
图1为本发明一实施例的车辆终端服务迁移方法的流程示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在此,需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在车辆行驶过程中,车辆可能处于持续的移动状态,另由于单个边缘计算服务器的覆盖范围比较有限,用户可能在某些时间不处于当前边缘计算服务器的覆盖范围。在实际场景中,当车辆从一个位置移动到另外一个位置时,存在着以下情况:1)终端设备仍然在当前边缘服务器覆盖范围内,无需服务迁移;2)终端设备移动到当前边缘服务器覆盖范围外,但是其所需的服务仍旧在该边缘服务器上完成,结果需要通过其它边缘服务器反馈给用户;3)终端设备所需的服务随着终端设备的移动发生迁移,即边缘服务器需要完成服务迁移。而对于第三种情况,如果服务迁移流程中存在故障,可能使服务质量快速下降,甚至中断正在进行的边缘计算服务,直接影响服务的连续性。因此,实现无缝的边缘计算服务迁移非常重要。
对于目前存在的上述问题,现有的研究存在以下不足:第一,当终端用户任意移动到原边缘计算服务器的服务区域之外时,大部分研究都集中在决定是否迁移正在进行的边缘服务以及迁移到何处。但是在用户处于高速移动状态时(例如乘坐交通工具),需要考虑迁移时间、迁移内容和迁移目的地,以及频繁的切换边缘计算服务器带来的任务处于长时间的跳跃而非执行状态的问题。第二,由于多个用户访问目标对象的兴趣偏好不同,因而用户的服务需求并不完全相同。而在用户持续的移动中,目标服务器可能之前未曾服务过该类型的终端用户,此时可能面临着服务模型冷启动的问题。第三,终端用户移动的过程中,可能面临着某区域存在不止一个边缘计算服务器的情况,通过多个服务器计算能力的比较来决定卸载到哪个服务器可能是片面的,需要其它的判断方式来完成边缘计算服务器的选择。
有鉴于此,发明人以智能驾驶场景为基础,针对上述问题进行了研究改进。而众所周知,边缘计算通过在移动网络边缘执行计算和内容存储,通过设备对设备通信可以实现边缘资源共享;但是边缘计算更侧重于效率,其安全性考虑不足。发明人为了克服边缘计算的安全性问题,还进一步将区块链架构引入边缘计算领域。本发明将车辆的行驶行为和用户的浏览兴趣分别进行分析讨论,通过预测车辆的行驶行为得到车辆的途径路段和路口,通过采取用户兴趣聚类的方法分析用户对应的服务模型和判断迁移目标服务器上是否有服务基础和条件;并利用区块链的通道技术完成服务迁移过程。在下文中,将参考附图对本发明的具体内容进行详细描述。
图1为本发明一实施例的车辆终端服务迁移方法的流程示意图,如图1所示,该车辆终端服务迁移方法包括步骤S10~S50。
步骤S10:获取当前时间之前的第一预设时间段内通过第一道路路口的多个历史车辆的行驶数据,基于获取到的多个历史车辆的行驶数据预测当前车辆在所述第一道路路口的行驶行为;其中,所述行驶数据包括在第一道路路口的行驶行为信息及第一道路路口通过时间信息,所述行驶行为包括直行、左转向、右转向和调头。
在该步骤中,第一预设时间段的起点时间和终点时间可以根据实际应用环境进行设定,示例性的,终点时间可为当前车辆行驶至第一道路路口的时间。并且,多个历史车辆的行驶数据除了包括在第一道路路口的行驶行为信息及第一道路路口通过时间信息之外,还可包括其对应的行驶路程的起点、终点等信息。另外,为了保护各个车辆以及车辆终端用户的信息安全,因而在获取历史车辆的行驶数据时可仅获取与行驶行为有关的信息,而不获取各个车辆以及车辆终端用户的身份信息。
进一步的,各历史车辆的行程起点、终点、通过的各路口等信息可通过滴滴盖亚数据获得,即单笔行程的开始和结束作为车辆的起点和终点。且将该开放数据序列化,将散点形成多条线段,线段即为分段行驶的轨迹,映射在网格中,可由行程的分段行驶向量的夹角情况获取路口。例如两段线段的方向向量的夹角大于0,即认为线段相交的部分为路口。
在该实施例中,除道路的交叉口外,不考虑道路的弯曲情况,将没有路口的道路抽象为直线。为了简单起见,认为车辆在道路上行驶轨迹也为直线,即未进行并线、超车等行为。也就是说,假设车辆在进入路口之前道路上的行驶方向为向量a,车辆在路口处的行驶方向方向向量b;如果向量a和向量b的夹角φ为0度时,表示车辆在该段路段并未发生方向偏移,即车辆直行通过该路口;如果φ为90度,则表示车辆在路口转向;如果夹角为180度,则表示车辆在路口掉头。在本实施例中,由于车辆的行驶行为主要由车辆的行驶方向的改变来决定,所以本实施例将车辆的行驶路径抽象化为多条有向线段,预测车辆的行驶行为只需要预测抽象模型中的交点处(即道路的路口处)的车辆行驶方向的向量即可。其中,车辆的行驶行为也可理解为车辆在路口的行驶方向,如车辆在路口的行驶方向与车辆在未进入路口之前的行驶方向相同时,则此时对应的车辆的行驶行为为直行。
在本发明一实施例中,步骤S10具体的可包括:获取多个历史车辆在第一路段范围内的各道路路口的行驶数据;根据获取到的多个历史车辆在第一道路路口之前的各道路路口的行驶数据基于马尔可夫算法计算各行驶行为的发生可能性;将发生可能性最高的驾驶行为作为当前车辆在所述第一道路路口的行驶行为。
在该实施例中,由于历史车辆行驶路程的起点和终点存在差别,因而可选取行驶路程中的局部路段作为第一路段,而进一步也可仅获取各历史车辆在第一路段范围内的行驶数据。示例性的,第一路段范围包括第一道路路口以及位于第一道路路口之前的M个道路路口;其中,M的数值不做具体限定,但为了进一步提高预测到的车辆在第一道路路口的行驶行为的准确性,M的数值可大于或等于5,即此时第一路段范围内的第一道路路口之前至少具有5个路口。
由于车辆在第一道路路口的具体行驶行为具有随机性,也即当前车辆在第一道路路口的行驶行为具有多种可能性,因而具体的可引入马尔可夫链,即采用马尔可夫算法预测当前车辆在第一道路路口发生的各行驶行为的可能性。由马尔可夫链定义可知,k步以前的历史信息对下一路口的行驶行为判断影响比较小,因而保留k步的历史信息,具体的计算方法如下列公式:
SX(t)=k1Spre(t-1)Ppre+k2Spre(t-2)Ppre 2+…+kkSpre(t-k)Ppre k
在该式中,t是车辆进入当前路口(第一道路路口)的时刻,而t-1为车辆进入当前路口的前1个路口的时刻,t–2…t–k以此类推。SX(t)为引入权重预测到当前车辆在第一道路路口的行驶行为的可能性(包括直行、左转、右转、调头),其具体的为1×N矩阵,N为行驶行为数量,而SX(t)内的各元素为在第一道路路口的各行驶行为发生的可能性;类似的,Spre(t-1)、Spre(t-2)…Spre(t-k)分别为第一道路路口的前1、2…k个路口的各行驶行为发生的概率矩阵;k1、k2…kk分别表示第一道路路口的前1、2…k个路口对当前车辆在第一道路路口的行驶行为的影响权重,且k1>k2>…>kk;Ppre为转移概率矩阵,其可通过数据统计方法获得,示例性的,ppre内的元素ppre_ij=Nij∑n j=1Nij,ppre_ij表示路口i经过一段直线路径通过路口j的概率,其中Nij表示路口i经过一段直线路径通过路口j的次数,∑n j=1Nij表示路口i经过直线转到其他路口的总次数。
步骤S20:根据预测到的当前车辆在所述第一道路路口的行驶行为确定当前车辆的待行驶路段,将覆盖所述待行驶路段的边缘服务器作为服务迁移的备选服务器。
在该步骤中,车辆的待行驶路段是指车辆在通过第一道路路口的下一时刻所要行驶的路段。示例性的,若预测到当前车辆在第一道路路口的行驶行为为直行,则待行驶路段即为当前车辆通过第一道路路口后直行经过的路段。由于当前车辆在第一道路路口可能发生的行驶行为具有多个,且各行驶行为所对应的当前车辆的待行驶路段不同,因而根据当前车辆的待行驶路段选择部分边缘服务器作为备选服务器,节省了冗余服务器的等待时间。
步骤S30:获取终端设备在当前时间之前的第二预设时间段内访问目标对象的第一访问行为数据,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,基于相似度比较结果对备选服务器进行分簇,并将与终端设备的当前边缘服务器属于同簇的备选服务器作为服务迁移的目标服务器。
在该步骤中,终端设备具体的可为用户终端或车辆终端,第二预设时间段与第一预设时间段类似的也可根据实际应用环境进行设定,并且第二预设时间段与第一预设时间段可为同一时间段,也可为不同时间段。示例性的,第二预设时间段是以当前车辆进入第一道路路口之前的t1时刻为起点,而当前车辆进入第一道路路口的t2时刻为终点,则第二预设时间段为t1时刻至t2时刻之间的时间段。虽然第二预设时间段的起始时间、终止时间以及间隔时长均不做具体限制,但其应确保获取到的该时段之内的第一访问行为数据可反映终端用户访问目标对象的兴趣偏好。
终端用户访问目标对象的兴趣偏好是指终端用户对各个网页、各网页内的链接之间的浏览习惯,如浏览顺序、浏览时间等。除上述之外,也可为终端用户在多个应用程序之间的访问习惯。各备选服务器对应的历史终端设备的第二访问行为数据反映备选服务器涵盖的终端用户访问目标对象的兴趣偏好。由于车辆的快速移动会出现终端用户从一个边缘服务器的覆盖范围移动到另一个边缘服务器的情况,多个边缘服务器的覆盖范围的终端用户的网页浏览的兴趣偏好可能存在一定的相似性,因而基于不同边缘服务器涵盖的终端用户的兴趣聚类分析可映射为边缘服务器的服务相似性,这给服务器的服务模型分簇带来了启发。
进一步的,第一访问行为数据和第二访问行为数据均包括访问的页面的关键词以及各页面的访问时间。示例性的,终端用户在第二预设时间段内浏览目标对象的导航路径为:开始-→视频网站浏览20分钟-→由视频评论区链接跳转到帖子浏览10分钟-→由帖子区中的链接跳转到音乐页面10分钟-→由音乐页面中的链接转到视频网站A浏览30分钟-→结束。在该示例中,视频网站的页面关键词为“视频”,页面访问时间为20分钟;音乐页面的页面关键词为“音乐”,页面访问时间为10分钟。另,对于该实施例,单页面浏览时间超过5分钟的页面为有效浏览页面,也即导航路径中的各节点均为浏览时间超过五分钟的网页记录。应当理解的是,将浏览时间超过5分钟的页面作为有效浏览页面仅是多种示例中的一种,不难想象的,其具体的还可以设为浏览时间超过1分钟的页面作为有效浏览页面,或对有效浏览页面的浏览时间不加以限制。
进一步的,本发明认为边缘计算服务器涵盖的终端用户的网页关键词的访问顺序可以形成一个连通的有向图,该有向图示例性的如上述列举的终端用户在第二预设时间段内浏览目标对象的导航路径。该有向图的节点集由导航路径中的所有网页关键词组成,页面之间的超文本链接可以视为有向图的有向边;因为每个链接都有一个起始页面和一个结束页面,对于某些链接,起点或终点可能是某条有向边的站外点;因此,有向图可能非常复杂。简单起见,本发明将关注点限制在特定站点内用户的浏览路径部分。另外,从用户的浏览日志中,可收集终端用户的以下信息:页面使用频率,选择的链接列表,两个链接之间的间隔时间以及用户访问页面的顺序。
根据上述列举的有向图(导航路径)可以看出,终端用户在第一预设时间段内对视频页面的浏览频率为两次,对帖子页面、音乐页面的浏览频率均为一次;选择的连接链表为:开始-→视频-→帖子-→音乐-→视频-→结束;两个链接之间的间隔时间为:视频-→帖子间隔20分钟,帖子-→音乐间隔10分钟,音乐-→视频间隔10分钟,不难看出,两个链接的间隔时间也即为转换浏览页面之前的网页的浏览时间;用户访问页面的顺序为视频、帖子、音乐、视频。
另外,在大多数情况下,针对第一访问行为数据与第二访问行为数据的相似度,通常需要就特定的相似性度量值显示相似程度,且第一访问行为数据与第二访问行为数据的相似性度量值反映了两个边缘服务器所涵盖的终端用户访问目标对象的兴趣偏好的相似性。因此,在度量时,可设定一个相似度阈值ky,来提高终端用户聚类的细粒度。相似性度量值大于或等于ky的两个终端用户将被视为处于同一分簇中,也即处于同一分簇的两个终端用户所对应的边缘服务器位于同一分簇中;另外,将小于ky阈值的第二访问行为数据所对应的终端用户过滤掉,并认为位于同一分簇的终端用户访问目标对象的兴趣偏好具有一定的相似性。
在本发明另一实施例中,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,具体的可包括:根据第一访问行为数据建立所访问的页面关键词的第一节点集以及第一节点集的各子集;根据第二访问行为数据建立所访问的页面关键词的第二节点集以及第二节点集的各子集;根据所述第一节点集及第二节点集计算相似度值。
其中,第一节点集内的各元素为终端用户在第二预设时间段内浏览目标对象的各页面的页面关键词。示例性的,对于上述列举的终端用户在第二预设时间段内浏览目标对象的导航路径的具体示例,该终端用户的第一节点集为{视频,帖子,音乐,视频},而第一节点集的子集如{视频,音乐,视频},{视频,帖子,视频},{帖子,音乐,视频},{视频,帖子,音乐}等。
对于另外一些示例,若设定为访问时间超过预设时间的页面才能作为终端用户的有效浏览页面时,则相应的,第一节点集和第二节点集内的各页面关键词对应的访问页面均为访问时间超过预设时间的页面。
在一些实施例中,当对第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较时,限定为第一访问行为数据与第二访问行为数据反映的浏览导航路径以完全相同的顺序访问各网页,且对于各页面的浏览时间超过tx秒以上才被视为两个终端用户具有相似的兴趣偏好。为了便于描述,可将当前车辆的终端用户设定为用户i,而将与用户i的第一访问行为数据进行比较的第二访问行为数据对应的用户均限定为用户j。则具体的相似度值计算公式为:
其中,Sim(useri,userj)为第一访问行为数据与第二访问行为数据的相似度值,也即用户i与用户j的浏览导航路径的相似度值。示例性的,令Br={br1,br2…brq}为浏览导航路径,其中bri(1≤i≤q)表示按顺序访问的页面,称Br为q跳路径;将Bri′定义为Br的所有可能的l跳子路径(l≤q)的集合,即Brl′={Bri,Bri+1…Bri-1}。例如,当终端用户的浏览导航路径为:开始-→视频网站浏览20分钟-→由视频评论区链接跳转到帖子浏览10分钟-→由帖子区中的链接跳转到音乐页面10分钟-→由音乐页面中的链接转到视频网站A浏览30分钟-→结束时,Br={视频,帖子,音乐,视频},且此时q为4,即Br为4跳路径;另当l取值3时,Br的所有可能的3跳子路径的集合Brl′={{视频,音乐,视频},{视频,帖子,视频},{帖子,音乐,视频},{视频,帖子,音乐}}。不难理解的,用户i和用户j之间的相似性Sim(useri,userj)可以通过路径Bri′和Brj′之间的自然角cosθ(Bri′,Brj′)表示,在上述公式中,<Bri′,Brj′>l为第一节点集的长度为l的子集的集合与第二节点集的长度为l的子集的集合的特征空间内积,<Bri′,Bri′>l为第一节点集的长度为l的子集的集合与其自身的特征空间内积,<Brj′,Brj′>l为第二节点集的长度为l的子集的集合与其自身的特征空间内积。
应当注意的是,上述的l和q均具体的作为节点集和节点集的子集的元素数量,因而对于l的取值应通过公式l=min(l engt h(Bri),l engt h(Brj))限制,即用户i和用户j的浏览路径的所生成的第一节点集和第二节点集中元素数量的最小值。
步骤S40:当前边缘服务器将服务模型数据存储至哈希表,并将所述服务模型数据的数据摘要上传至区块链网络,目标服务器基于所述数据摘要从所述哈希表中获取相应的服务模型。
步骤S50:当前边缘服务器将终端设备的任务数据迁移至目标服务器。
随着学术和商业届的逐渐重视,区块链已成为提供分布式安全解决方案的有效途径;另区块链具有防篡改、匿名和可追溯性等功能,因此区块链架构可以作为一个解决方法被引入至边缘计算领域。
为了保证终端设备任务的快速处理,任务的处理信息(即资源交易信息)上链,任务本身的数据在链下通过边缘计算服务器之间通信来完成迁移。为了保障用户隐私信息的安全,车辆的服务模型利用区块链的通道完成迁移;边缘计算服务器之间的模型迁移通过区块链和分布式哈希表(DHT)完成。分布式哈希表作为链下存储结构,可以减轻区块链上的存储压力,保证系统的稳定性。另各边缘服务器将服务模型存储于分布式哈希表中,区块链系统只需要共享哈希值,利用空间换时间,使得区块链的业务性能不会因为存储效率而下降。
在步骤S40中,服务模型数据的数据摘要是指存储至哈希表的服务模型所对应的哈希值,也即目标服务器基于哈希值从哈希表中获取相应的服务模型,也即使服务模型在当前边缘服务器与目标服务器之间实现了服务模型迁移。
模型迁移具体的指在不同边缘计算服务器之间共享训练模型,也即指在当前边缘服务器与目标服务器之间共享训练模型。这是因为不同的边缘计算服务器可能训练不同的模型,例如,有的可能训练语音识别模型,有的可能训练图像处理模型;为了高效利用算力,可以通过模型迁移直接复用其他边缘服务器的结果,以提高效率。
在该实施例中,由于区块链的性能限制,其无法存储大规模数据,因此引入分布式哈希表完成模型迁移。分布式哈希表是区块链下的一个去中心化存储网络,其可通过多个节点共同存储大量的数据。存储过程如下:边缘服务器首先向分布式哈希表上传模型数据,随后获得该模型数据的摘要;当前车辆终端的边缘服务器将摘要上传到区块链网络(上链的过程),由其他节点共识。其他边缘服务器(目标服务器)从区块链网络获取该摘要,并到分布式哈希表中获取该模型,随后利用该模型执行本地训练。
上述实施例中的服务迁移方法保障了终端用户的隐私安全,基于预测当前车辆在第一道路路口的行驶方向以及基于终端用户的兴趣聚类选择进行迁移的目标服务器,减少了服务器选择的冗余,减少了不必要的边缘服务器的参与和资源的浪费,让服务器的资源得到充分的利用,避免一些服务器处于不必要的候选状态而导致的资源的闲置和浪费。
为了更详细的描述车辆终端的服务迁移过程,下列将列举一示例针对该过程进行详细说明。示例性的,基于区块链通道技术的任务和服务迁移过程具体如下:
(1)车辆采集环境数据,并根据用户需求进行数据过滤,并将本地难以处理的数据和任务上传至边缘计算服务器。
其中,任务是通过终端设备的应用程序而产生的,例如,终端用户打开视频播放APP,请求播放电影,此时发送请求到当前边缘服务器,当前边缘服务器响应请求为用户提供视频服务。数据包括任务规模、任务处理的允许时延等,数据和任务来自于终端设备的应用程序。
(2)当前边缘服务器接收到覆盖区域内的车辆上传的任务和服务请求后,开始对任务以及服务模型分别进行处理;若接收到车辆的移动信号,则启动边缘计算服务迁移策略完成车辆在第一道路路口的驾驶行为的预测,以及用户访问目标对象的兴趣偏好的预测。随后将任务迁移到目标服务器,服务模型上传至分布式哈希表获得该服务模型对应的哈希值;然后为该终端用户产生边缘计算服务模型迁移路由,并为当前边缘服务器与目标服务器之间分配通道。
该步骤中的“对任务以及服务模型分别进行处理”具体是指:当前边缘服务器将用户访问终端设备的应用程序所产生的任务以及数据迁移至目标服务器,而车辆自身的服务模型基于底层区块链的通道技术被迁移至目标服务器。
(3)在区块链中部署链码和背书策略,并对链码的输入和输出进行可见性设置,将目标服务器设为背书服务器,使得仅有背书服务器能访问链码的输入值。
在该步骤中,将链码应用程序部署在区块链网络上,而背书策略即在创建通道时指定节点执行数据的共识,使得数据需要根据背书策略获得一定数量节点的签名才可写入区块链网络。此时,边缘服务器作为区块链网络中的节点。
由于区块链网络中包含多个节点,各节点之间通过共识协议给其他节点共享数据。然而,节点背后的组织利益不同,某个节点可能不愿共享数据给特定节点,因此,通道技术应运而生。节点在区块链网络中创建通道,确定进入通道的节点身份,随后指定背书策略,该策略可以指定通道中的数据需要哪些节点的确认才可被写入区块链中,以此实现数据隔离,保护隐私。另外,由于各节点地理位置、训练的模型不同,其他节点无法得知该节点训练的模型架构,因此需要迁移路由进行寻址。具体方式是,节点之间构建迁移路由表,根据迁移路由表寻址相应的节点。
(4)当前边缘服务器将分布式哈希表中服务模型对应的哈希值作为链码的输入值并使该哈希值在通道中共享,目标服务器接收到服务模型对应的哈希值后,根据该哈希值丛哈希表中获取相应的服务模型。
具体的,目标服务器根据迁移路由表向当前边缘服务器请求服务模型,当前边缘服务器收到请求后,将服务模型存储至哈希表,并获得该服务模型对应的数据摘要;当前边缘服务器创建通道并指定背书策略与目标服务器通信;目标服务器加入通道;当前边缘服务器将获取到的数据摘要上传至区块链网络;通道中的目标服务器获取该数据摘要,并到哈希表中获取服务模型,以在本地进行模型训练,即完成了服务模型的迁移。
(5)目标服务器完成全部请求后,将请求结果发送至车辆和终端设备。
例如:用户A请求使用终端设备的语音识别功能,则目标服务器会接收到语音识别请求以及语音识别内容,进而目标服务器会分析语音识别内容,将语音内容转化为文字(作为结果)返回给用户A终端设备。
另一方面,本发明还公开了一种车辆终端服务迁移系统,该系统包括多个边缘服务器,各所述边缘服务器包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
上述实施例中的车辆终端服务迁移方法及系统考虑到终端在高速移动状态下的服务连续性问题,提出了基于边缘计算和区块链的服务迁移方法。该方法通过将车辆的行驶轨迹抽象化,以及将服务器分簇转化为终端用户访问目标对象的兴趣聚类问题来分析终端用户的类型和判断目标服务器上是否有服务基础和条件,通过历史车辆的行驶数据来预测当前车辆的未来途径路口从而进行边缘服务器的选择,简化了车辆的行驶轨迹预测流程;引入区块链技术,结合了区块链的防篡改、数据一致性等天然优势,并且利用通道技术保证服务迁移过程中用户信息的隐私,并具有较高的服务迁移成功率。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆终端服务迁移方法,其特征在于,所述方法包括:
获取当前时间之前的第一预设时间段内通过第一道路路口的多个历史车辆的行驶数据,基于获取到的多个历史车辆的行驶数据预测当前车辆在所述第一道路路口的行驶行为;其中,所述行驶数据包括在第一道路路口的行驶行为信息及第一道路路口的通过时间信息,所述行驶行为包括直行、左转向、右转向和调头;
根据预测到的当前车辆在所述第一道路路口的行驶行为确定当前车辆的待行驶路段,将覆盖所述待行驶路段的边缘服务器作为服务迁移的备选服务器;
获取终端设备在当前时间之前的第二预设时间段内访问目标对象的第一访问行为数据,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,基于相似度比较结果对备选服务器进行分簇,并将与终端设备的当前边缘服务器属于同簇的备选服务器作为服务迁移的目标服务器;
当前边缘服务器将服务模型数据存储至哈希表,并将所述服务模型数据的数据摘要上传至区块链网络,目标服务器基于所述数据摘要从所述哈希表中获取相应的服务模型;
当前边缘服务器将终端设备的任务数据迁移至目标服务器。
2.根据权利要求1所述的车辆终端服务迁移方法,其特征在于,获取当前时间之前的第一预设时间段内通过第一道路路口的历史车辆的行驶数据,基于获取到的历史车辆的行驶数据预测当前车辆在所述第一道路路口的行驶行为,包括:
获取多个历史车辆在第一路段范围内的各道路路口的行驶数据;
根据获取到的多个历史车辆在第一道路路口之前的各道路路口的行驶数据基于马尔可夫算法计算各行驶行为的发生可能性;
将发生可能性最高的驾驶行为作为当前车辆在所述第一道路路口的行驶行为。
3.根据权利要求2所述的车辆终端服务迁移方法,其特征在于,各行驶行为的发生可能性的计算公式为:
SX(t)=k1Spre(t-1)Ppre+k2Spre(t-2)Ppre 2+…+kkSpre(t-k)Ppre k
其中,SX(t)为1×N矩阵,N为行驶行为数量,SX(t)内的各元素为在第一道路路口的各行驶行为发生的可能性;k1、k2…kk分别表示第一道路路口的前1、2…k个路口对当前车辆在第一道路路口的行驶行为的影响权重,且k1>k2>…>kk;Ppre为转移概率矩阵;Spre(t-1)、Spre(t-2)…Spre(t-k)分别为第一道路路口的前1、2…k个路口的各行驶行为发生的概率矩阵。
4.根据权利要求3所述的车辆终端服务迁移方法,其特征在于,第一路段范围内的第一道路路口之前的道路路口的数量大于5。
5.根据权利要求1所述的车辆终端服务迁移方法,其特征在于,所述第一访问行为数据和第二访问行为数据均包括访问的页面的关键词以及各页面的访问时间。
6.根据权利要求5所述的车辆终端服务迁移方法,其特征在于,将第一访问行为数据与各备选服务器对应的历史终端设备的第二访问行为数据进行相似度比较,包括:
根据第一访问行为数据建立所访问的页面关键词的第一节点集以及第一节点集的各子集;
根据第二访问行为数据建立所访问的页面关键词的第二节点集以及第二节点集的各子集;
根据所述第一节点集及第二节点集计算相似度值。
7.根据权利要求6所述的车辆终端服务迁移方法,其特征在于,所述第一节点集和第二节点集内的各页面关键词对应的访问页面均为访问时间超过预设时间的页面。
9.根据权利要求1所述的车辆终端服务迁移方法,其特征在于,所述方法还包括:在各边缘服务器之间构建迁移路由表,目标服务器根据所述迁移路由表向所述当前边缘服务器请求服务模型。
10.一种车辆终端服务迁移系统,该系统包括多个边缘服务器,各所述边缘服务器包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如权利要求1至9中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622247.7A CN113377743B (zh) | 2021-06-03 | 2021-06-03 | 车辆终端服务迁移方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110622247.7A CN113377743B (zh) | 2021-06-03 | 2021-06-03 | 车辆终端服务迁移方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377743A CN113377743A (zh) | 2021-09-10 |
CN113377743B true CN113377743B (zh) | 2022-09-09 |
Family
ID=77575721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110622247.7A Active CN113377743B (zh) | 2021-06-03 | 2021-06-03 | 车辆终端服务迁移方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377743B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903173B (zh) * | 2021-10-18 | 2022-06-03 | 苏州工业园区测绘地理信息有限公司 | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 |
CN115002155B (zh) * | 2022-05-25 | 2023-02-21 | 安徽江淮汽车集团股份有限公司 | 基于时延优化的路侧单元服务迁移方法 |
CN115083162B (zh) * | 2022-06-15 | 2023-11-17 | 北京三快在线科技有限公司 | 路况预测方法、装置、设备以及存储介质 |
CN116112865B (zh) * | 2023-01-17 | 2023-10-03 | 广州爱浦路网络技术有限公司 | 基于用户设备位置的边缘应用服务器选择方法、计算机装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616816A (zh) * | 2018-05-07 | 2018-10-02 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
CN111491332A (zh) * | 2020-04-20 | 2020-08-04 | 中国石油大学(北京) | 动态服务迁移方法及装置 |
CN112469001A (zh) * | 2020-11-17 | 2021-03-09 | 国网浙江省电力有限公司信息通信分公司 | 一种应用迁移方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975330B (zh) * | 2016-06-27 | 2019-06-18 | 华为技术有限公司 | 一种网络边缘计算的虚拟网络功能部署方法、装置和系统 |
-
2021
- 2021-06-03 CN CN202110622247.7A patent/CN113377743B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616816A (zh) * | 2018-05-07 | 2018-10-02 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
CN111491332A (zh) * | 2020-04-20 | 2020-08-04 | 中国石油大学(北京) | 动态服务迁移方法及装置 |
CN112469001A (zh) * | 2020-11-17 | 2021-03-09 | 国网浙江省电力有限公司信息通信分公司 | 一种应用迁移方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113377743A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113377743B (zh) | 车辆终端服务迁移方法及系统 | |
Lee et al. | Internet of Vehicles: From intelligent grid to autonomous cars and vehicular fogs | |
Manias et al. | Making a case for federated learning in the internet of vehicles and intelligent transportation systems | |
Song et al. | QoE-driven edge caching in vehicle networks based on deep reinforcement learning | |
Arain et al. | Location monitoring approach: multiple mix-zones with location privacy protection based on traffic flow over road networks | |
Liu et al. | Inferring dockless shared bike distribution in new cities | |
US11067406B2 (en) | Navigation method using historical navigation data to provide geographical- and user-optimised route suggestions | |
Xu et al. | Vehicular content delivery: A big data perspective | |
Chowdhury et al. | Mobile Crowd‐Sensing for Smart Cities | |
CN113422801A (zh) | 边缘网络节点内容分配方法、系统、装置及计算机设备 | |
Hasan et al. | Federated Learning for Computational Offloading and Resource Management of Vehicular Edge Computing in 6G-V2X Network | |
JP7410157B2 (ja) | クラウド側のロールをデバイスへ委譲(デリゲーション) | |
Garrabé et al. | CRAWLING: a crowdsourcing algorithm on wheels for smart parking | |
US20220260376A1 (en) | System and method for rideshare matching based on locality sensitive hashing | |
Natarajan et al. | Optimizing radio access in 5G vehicle networks using novel machine learning-driven resource management | |
Balzano et al. | Behavioral clustering: A new approach for traffic congestion evaluation | |
Rui et al. | A dynamic service migration strategy based on mobility prediction in edge computing | |
US11385068B2 (en) | Peer to peer route guidance | |
EP3789888A1 (en) | Information processing device, information processing method, and program | |
Li et al. | An empirical study on gan-based traffic congestion attack analysis: A visualized method | |
Fontes et al. | Ai-empowered data offloading in mec-enabled iov networks | |
Derder et al. | A prediction-based protocol for online target tracking in VSNs | |
Du et al. | Vehicle-road cooperative task offloading with task migration in MEC-enabled IoV | |
CN112269837A (zh) | 一种数据处理的方法和装置 | |
US11187554B2 (en) | Method, device and computer storage medium for providing running speed of urban road |
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 |