CN113438621A - 一种基于网联车辅助的边缘计算卸载与资源分配方法 - Google Patents
一种基于网联车辅助的边缘计算卸载与资源分配方法 Download PDFInfo
- Publication number
- CN113438621A CN113438621A CN202110745599.1A CN202110745599A CN113438621A CN 113438621 A CN113438621 A CN 113438621A CN 202110745599 A CN202110745599 A CN 202110745599A CN 113438621 A CN113438621 A CN 113438621A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- user
- edge
- service provider
- unloading
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于网联车辅助的边缘计算卸载与资源分配方法,利用网联车的空闲计算资源缓解卸载高峰时段网络的负载压力。首先服务提供商根据边缘服务器和网联车的动静差异对它们的计算资源区别定价,鼓励用户将任务分别卸载至边缘云和车辆边缘节点执行,服务提供商则根据用户需求和系统内车辆计算资源的实时关系动态激励车辆,适应性地补充系统内计算资源。然后,将用户与服务提供商的交互建模为斯坦伯格博弈,针对纳什均衡解,设计了一种基于梯度的资源分配迭代算法。最后,采用反向拍卖的方式调度卸载任务,根据用户与车辆间的匹配优化激励车辆的选择。本发明所提方法可在有效缓解网络拥塞的同时,显著提高系统效用和资源利用率。
Description
技术领域
本发明涉及边缘计算和车联网技术,涉及基于网联车辅助的计算卸载与资源管理优化技术。
背景技术
随着智能移动应用的发展,各种物联网设备的普及和应用场景的多样化,使得人们对无线通信的需求以前所未有的速度增长。新一代应用和服务不断涌现,如智能交通、智慧医疗、工业物联网等,这些物联网应用通常需要先进的数据通信、计算和存储技术来完成复杂数据的计算和处理。虽然云中心无线资源充足,但与用户距离较远,通常会造成较高的传输延迟,难以保证用户体验质量。作为5G网络中的一项关键技术,多接入边缘计算将计算和存储资源部署在用户附近,以提供低延迟高可靠性的计算服务。然而,在卸载高峰时段,边缘云资源的有限性不容忽视,海量接入和终端数据量增加将导致网络拥塞。用户需求与无线资源不足之间的冲突是未来研究的关键问题。
随着智能汽车的发展,自动驾驶、人群感知等各种业务不断涌现,赋予网联车更多的计算、存储和感知资源。然而,这些资源并未得到有效利用。作为物联网的重要组成部分,车联网可以通过V2X将车辆与一切相连。C-V2X更是可以借助人、车、路、云中心之间的全方位连接实现信息交互,高效利用车辆资源已成为必然趋势。在未来的通信网络中,多接入边缘计算将与车联网联合作用,以网联车作为重要平台,通过C-V2X技术为用户提供计算卸载服务。
从目前的国内外研究现状来看,国内外专家和学者在有效利用车辆计算资源方面均进行了一些研究,虽然较好的利用了车辆资源,但大多忽略了激励问题,他们都假设车辆愿意无偿提供自身资源,这在实际场景中很难实现。而一些车辆网络激励的研究都未考虑系统状态是实时变化的,不能保证系统资源调整的实时性和灵活性。因此,通过考虑用户需求与系统内资源的实时关系,动态调整对车辆的激励,适应性地补充系统内计算资源,更具实际应用价值。在已有的资源管理相关研究中,大多数文献以用户或边缘服务提供商作为单一优化目标,而优化整个系统的性能通常需要考虑用户、车辆和服务提供商三者间协作,只考虑其中两方之间的交互也不全面。
发明内容
本发明的目的是提供一种基于网联车辅助的边缘计算卸载与资源分配方法。
本发明是一种基于网联车辅助的边缘计算卸载与资源分配方法,其步骤为:
步骤(1)卸载高峰时段,边缘服务提供商激励网联车作为车辆边缘节点,通过共享空闲计算资源辅助计算卸载缓解网络拥塞,建立网联车辅助边缘计算系统框架;
步骤(2)在步骤(1)中的系统架构下,分析价格对用户需求的影响,根据边缘云和车辆边缘节点资源状态的差异性,对计算资源区别定价,用户根据价格做出卸载决策;
步骤(3)根据步骤(2)中的用户卸载决策以及系统内车辆资源设置激励因子,实时调整对网联车的激励并选择车辆边缘节点,动态补充系统内计算资源;
步骤(4)根据步骤(3)中对车辆边缘节点的激励决策,对用户的卸载过程分别建立蜂窝链路和V2X链路的通信模型和时延模型;
步骤(5)量化系统中用户、车辆和服务提供商的效用,分别建立三者的效用函数作为优化目标;
步骤(6)根据步骤(5)中的效用函数,将最大化用户和服务提供商的效用作为优化目标,通过一种基于梯度的资源分配迭代算法求解用户的最优卸载决策和无线资源分配策略以及服务提供商的最优定价策略;
步骤(7)根据步骤(6)得到的用户最优卸载决策,通过一种基于反向拍卖的任务卸载调度算法决策激励车辆,在最大化用户和车辆匹配成功率的同时最大化服务提供商的效用。
有益效果
本发明与现有技术相比,具有以下优点:
(1)传统相关发明在系统状态不变的理想情况下研究激励策略,而在实际场景中系统状态实时变化。本发明设置中央控制单元利用用户需求和车辆计算资源的实时关系,根据系统状态设置激励因子,动态调节对车辆的激励,适应性的补充系统内计算资源,具有较大的实际应用价值。
(2)所述方法在进行资源定价时充分考虑到资源状态的差异性,采用的区别定价策略在鼓励用户分流卸载任务,将任务分别卸载至边缘云和车辆边缘节点执行,缓解由于边缘云资源有限引起的网络拥塞效果显著。将边缘云和用户之间的交互描述为斯坦伯格博弈,设计的算法能够同时保证用户和服务提供商的效用。
(3)所述方法在调度卸载任务时更加贴近实际场景,多辆车通过宣布激励竞争有限的资源共享机会,考虑用户与车辆的匹配过程,以优先满足高需求用户,在最大化用户和车辆匹配成功率的同时最大化服务提供商的效用,设计的基于反向拍卖的任务卸载调度算法能够充分利用车辆空闲计算资源,提高系统资源利用率。
附图说明
图1是网联车辅边缘计算系统架构,图2是任务卸载过程示意图,图3是边缘计算卸载与资源分配方法流程图。
具体实施方式
本发明是一种基于网联车辅助的边缘计算卸载与资源分配方法,其步骤为:
步骤(1)卸载高峰时段,边缘服务提供商激励网联车作为车辆边缘节点,通过共享空闲计算资源辅助计算卸载缓解网络拥塞,建立网联车辅助边缘计算系统框架;
步骤(2)在步骤(1)中的系统架构下,分析价格对用户需求的影响,根据边缘云和车辆边缘节点资源状态的差异性,对计算资源区别定价,用户根据价格做出卸载决策;
步骤(3)根据步骤(2)中的用户卸载决策以及系统内车辆资源设置激励因子,实时调整对网联车的激励并选择车辆边缘节点,动态补充系统内计算资源;
步骤(4)根据步骤(3)中对车辆边缘节点的激励决策,对用户的卸载过程分别建立蜂窝链路和V2X链路的通信模型和时延模型;
步骤(5)量化系统中用户、车辆和服务提供商的效用,分别建立三者的效用函数作为优化目标;
步骤(6)根据步骤(5)中的效用函数,将最大化用户和服务提供商的效用作为优化目标,通过一种基于梯度的资源分配迭代算法求解用户的最优卸载决策和无线资源分配策略以及服务提供商的最优定价策略;
步骤(7)根据步骤(6)得到的用户最优卸载决策,通过一种基于反向拍卖的任务卸载调度算法决策激励车辆,在最大化用户和车辆匹配成功率的同时最大化服务提供商的效用。
以上所述方法,所述步骤(1)建立的车辆辅助边缘计算系统框架,具体按照以下过程实施:(1)边缘云计算资源内嵌于基站中的硬件服务平台,与覆盖范围内的用户建立通信并提供卸载服务,由边缘服务提供商分配和调度有限的计算资源;
(2)网联车搭载先进的车载传感器、控制器、执行器,并融合现代通信与网络技术,实现各类未来车载业务;
(3)通过鼓励城市中的拥堵网联车作为车辆边缘节点共享空闲计算资源,缓解卸载高峰时段由于计算资源有限导致的网络拥塞,用户可将任务分别卸载至边缘云和车辆边缘节点执行。
以上所述方法,所述步骤(2)建立的资源差异化定价模型,具体按以下过程实施:考虑实际卸载场景,网联车的移动性将增加计算卸载过程中的不稳定因素,用户对静止不动的边缘云有更高的卸载偏好;为鼓励用户将卸载任务分流至车辆边缘节点,服务提供商根据资源状态的差异性,对两种计算资源区别定价并向用户广播;θe和θV分别表示边缘云和车辆边缘节点计算资源的单价,且θe>θV;用户根据服务提供商的定价策略做出卸载决策,其总任务量表示为Dk,将εkDk任务卸载至边缘云执行,(1-εk)Dk任务卸载至车辆边缘节点执行。
以上所述方法,所述步骤(3)建立的动态激励模型,具体按照以下过程实施:根据用户需求和系统中的车辆计算资源量设置激励因子μ,当用户产生任务密集,对车辆计算资源的需求程度升高,服务提供商提高激励吸引更多网联车加入资源共享;反之,当边缘云计算资源相对充足,对车辆的激励降低;用户任务的计算复杂度表示为Ck,所有任务的最大容忍时延表示为T,fi表示车辆的计算资源:
考虑实际通信场景,一个用户可以与多个车辆连接,服务提供商在保证连接和用户需求的前提下选择车辆并激励它作为边缘节点;为方便计算,一个用户只能将任务卸载至一个车辆边缘节点,一辆车只能为一个用户提供卸载服务。
以上所述方法,所述步骤(4)建立的蜂窝链路和V2X链路的通信模型和时延模型,具体按照以下过程实施:不考虑用户间的干扰,将用户的卸载任务传输速率定义为香农公式:
任务计算卸载的总时延表示为:
以上所述方法,所述步骤(5)分别建立的用户、车辆和服务提供商三者的效用函数作为优化目标,具体按照以下过程实施:
(1)用户效用表示为时延满意度与能耗和卸载成本的差:
(2)车辆效用表示为激励与执行卸载任务能耗的差,πi表示车辆的期望激励:
Ui=μπi-Ei;
(3)服务提供商效用表示为卸载服务收益与车辆激励之差:
以上所述方法,所述步骤(6)解决用户和服务提供商效用最大化问题,具体按照以下过程实施:
(1)将用户和服务提供商的交互描述为斯坦伯格博弈,服务提供商作为领导者,用户作为跟随者;
(2)通过逆向归纳法证明纳什均衡的存在性和唯一性;
(3)在已知服务提供商策略的条件下,基于KKT条件构造拉格朗日函数求得用户侧的最优卸载策略和无线资源分配策略;
(4)在已知用户策略的条件下更新服务提供商的定价策略;
(5)通过基于梯度的资源分配迭代算法求得最优解。
以上所述方法,所述步骤(7)中优化任务卸载调度,具体按照以下过程实施:
(1)以最大化用户和车辆匹配成功率和最大化服务提供商的效用作为优化目标;
(2)服务提供商公布激励因子,车辆根据激励因子及与用户的连接情况决定是否共享资源,愿意共享资源的车辆公布期望激励并作为候选车辆边缘节点;
(3)服务提供商将用户对车辆计算资源的需求按降序排列;
(4)候选车辆边缘节点与其覆盖范围内的用户依次匹配,并预分配给第一个能够满足需求的用户,更新车辆信息;
(5)服务提供商作为拍卖代理,根据反向拍卖选择期望激励最低的车辆作为边缘节点辅助计算卸载。
本发明的思路是:首先建立网联车辅助边缘计算系统架构。其次,探讨定价对用户需求的影响,根据资源的状态差异建立区别定价模型,采用动态激励机制鼓励网联车资源共享,对用户的卸载过程建立蜂窝链路和V2X链路的通信模型和时延模型,并量化系统中用户、网联车和边缘服务提供商的效用作为优化目标。最后,将用户和服务提供商之间的交互描述为斯坦伯格博弈,设计算法优化用户的卸载策略和发射功率分配以及服务提供商的定价策略,以最大化用户和服务提供商的效用;将服务提供商对车辆边缘节点的选择描述为反向拍卖,考虑用户与车辆的匹配,将最大化用户和车辆匹配成功率和最大化服务提供商的效用作为优化目标,设计算法选择激励车辆。
具体而言,本发明采用如下技术方案:本发明所述基于网联车辅助的边缘计算卸载与资源分配系统架构如图1所示,基站配备了计算资源有限的边缘服务器。卸载高峰时段边缘服务器因大量卸载任务而过载时,边缘服务提供商将作为中央控制单元综合调度系统内计算资源,鼓励有空闲计算资源的车辆作为边缘节点提供计算卸载服务,缓解网络拥塞。用户可将全部任务分别卸载至边缘云和车辆边缘节点执行,卸载过程如图2所示。Dk表示用户任务量,εkDk表示卸载至边缘云的任务量,(1-εk)Dk表示卸载至车辆边缘节点的任务量,用户根据服务提供商的定价策略做出卸载决策。
定价策略:由于用户对静止不动的边缘云有更高的卸载偏好,而车辆的移动性会影响计算卸载过程的稳定性。因此,边缘服务提供商根据资源状态的差异性为两种计算资源设置不同的价格,以鼓励用户将任务卸载至车辆边缘节点执行,令θe和θV分别表示边缘云和车辆边缘节点计算卸载的单价,θe>θV。
动态激励策略:为合理补充系统中的计算资源,根据用户需求和车辆计算资源量设置激励因子实时调整对车辆的激励。
当用户产生任务密集,对车辆计算资源的需求程度升高,服务提供商提高激励吸引更多网联车加入资源共享;反之,当边缘云计算资源相对充足,对车辆的激励降低。在本发明中,用户任务的计算复杂度表示为Ck,所有任务的最大容忍时延表示为T,fi表示车辆的计算资源。愿意共享空闲计算资源的车辆将通过宣布期望激励竞争有限的资源共享机会,πi表示期望激励,μπi表示最终激励。设置{xk,i,yi,zk,i}分别表示连接变量、激励决策和任务卸载变量,任务卸载变量由连接变量和激励变量共同决定,即zk,i=xk,iyi。考虑实际通信场景,一个用户可以与多个车辆连接,服务提供商在保证连接和满足用户需求的前提下选择车辆并激励它作为边缘节点。为方便计算,在本发明中,一个用户只能将任务卸载至一个车辆边缘节点,一辆车只能为一个用户提供计算卸载服务。
通信和时延模型:无线信道模型采用正交频分多址(OFDMA)进行信道访问。每个用户都分配有一个用于蜂窝链路的子信道和一个V2X子信道,假设每个用户可以同时建立一个蜂窝链路和一个V2X链路,则用户通过蜂窝链路和V2X链路卸载任务的传输速率分别表示为
任务处理时延分别表示为
总时延表示为
效用函数:①用户效用表示为时延满意度与能耗和卸载成本的差:
②车辆效用表示为激励与执行卸载任务能耗的差:
Ui=μπi-ξ(fi)2(1-εk)DkCk Ui=μπi-ξ(fi)2(1-εk)DkCk
③服务提供商效用表示为卸载服务收益与车辆激励之差:
下面结合附图以具体实施例来详细说明本发明。本实施例仅表示对本发明的原理性说明,不代表对本发明的任何限制。
如图3所示,一种基于网联车辅助的边缘计算卸载与资源分配方法,首先将用户和服务提供商之间的交互描述为斯坦伯格博弈,针对用户和边缘服务提供商分别建立优化目标
然后证明纳什均衡解的存在性和唯一性,并采用逆向归纳法求得纳什均衡解。在定价策略已知的条件下,通过优化卸载决策和发射功率分配最大化用户效用。构造拉格朗日函数并利用KKT条件求得最优解为
边缘服务提供商通过向用户收取提供计算卸载服务的费用获得收益。因此,服务提供商在用户的卸载决策和任务卸载调度已知的条件下,通过优化资源定价最大自身效用,经过下式迭代直至收敛求得最优解。
其中,ψe,ψV用于控制价格的调整速度。
由于用户可以与多辆车连接但最多将任务卸载至其中的一辆,边缘服务提供商根据用户和车辆之间的匹配选择车辆作为边缘节点调度卸载任务,车辆竞争有限的资源共享机会,以最大化用户和车辆匹配成功率和最大化服务提供商效用作为优化目标:
为便于得到上述多目标优化问题的最优解,通过将最大化匹配成功率转化为最小化匹配失败率,将多目标优化问题转化为单目标优化问题:
本发明基于反向拍卖的任务卸载调度算法解决上述问题。首先,服务提供商公布激励因子。车辆根据激励因子和与用户的连接决定是否共享资源。愿意共享资源的车辆公布期望激励并作为候选边缘节点存储在集合VI中。服务提供商将用户对车辆计算资源的需求按降序排列,以优先满足高需求用户。候选边缘节点与其覆盖范围内的用户依次匹配,并预分配给第一个能够满足需求的用户。服务提供商在每次预分配完成后更新VI中车辆信息。当多辆车被预分配给一个用户时,服务提供商将作为拍卖代理,根据反向拍卖选择期望激励最低的车辆作为边缘节点完成卸载任务。
上述实施例只是本发明较佳的可行实施例,只是为了使本发明的目的、技术方案及优点更加清楚,并非用于限制本发明的专利保护范围,因此,凡是运用本发明的说明书及附图内容所作的等同结构变化,都应在本发明的保护范围之内。
Claims (8)
1.一种基于网联车辅助的边缘计算卸载与资源分配方法,其特征在于,其步骤为:
步骤(1)卸载高峰时段,边缘服务提供商激励网联车作为车辆边缘节点,通过共享空闲计算资源辅助计算卸载缓解网络拥塞,建立网联车辅助边缘计算系统框架;
步骤(2)在步骤(1)中的系统架构下,分析价格对用户需求的影响,根据边缘云和车辆边缘节点资源状态的差异性,对计算资源区别定价,用户根据价格做出卸载决策;
步骤(3)根据步骤(2)中的用户卸载决策以及系统内车辆资源设置激励因子,实时调整对网联车的激励并选择车辆边缘节点,动态补充系统内计算资源;
步骤(4)根据步骤(3)中对车辆边缘节点的激励决策,对用户的卸载过程分别建立蜂窝链路和V2X链路的通信模型和时延模型;
步骤(5)量化系统中用户、车辆和服务提供商的效用,分别建立三者的效用函数作为优化目标;
步骤(6)根据步骤(5)中的效用函数,将最大化用户和服务提供商的效用作为优化目标,通过一种基于梯度的资源分配迭代算法求解用户的最优卸载决策和无线资源分配策略以及服务提供商的最优定价策略;
步骤(7)根据步骤(6)得到的用户最优卸载决策,通过一种基于反向拍卖的任务卸载调度算法决策激励车辆,在最大化用户和车辆匹配成功率的同时最大化服务提供商的效用。
2.根据权利要求1所述的基于网联车辅助的边缘计算卸载与资源分配方法,其特征在于:
所述步骤(1)建立的车辆辅助边缘计算系统框架,具体按照以下过程实施:
(1)边缘云计算资源内嵌于基站中的硬件服务平台,为覆盖范围内的用户建立通信并提供卸载服务,由边缘服务提供商分配和调度有限的计算资源;
(2)网联车搭载先进的车载传感器、控制器、执行器,并融合现代通信与网络技术,实现各类未来车载业务;
(3)通过鼓励城市中的拥堵网联车作为车辆边缘节点共享空闲计算资源,缓解卸载高峰时段由于计算资源有限导致的网络拥塞,用户可将任务分别卸载至边缘云和车辆边缘节点执行。
3.根据权利要求1所述的基于网联车辅助的边缘计算卸载与资源分配方法,其特征在于:
所述步骤(2)建立的资源差异化定价模型,具体按以下过程实施:考虑实际卸载场景,网联车的移动性将增加计算卸载过程中的不稳定因素,用户对静止不动的边缘云有更高的卸载偏好;为鼓励用户将卸载任务分流至车辆边缘节点,服务提供商根据资源状态的差异性,对两种计算资源区别定价并向用户广播;θe和θV分别表示边缘云和车辆边缘节点计算资源的单价,且θe>θV;用户根据服务提供商的定价策略做出卸载决策,其总任务量表示为Dk,将εkDk任务卸载至边缘云执行,(1-εk)Dk任务卸载至车辆边缘节点执行。
4.根据权利要求1所述的基于网联车辅助的边缘计算卸载与资源分配方法,其特征在于:
所述步骤(3)建立的动态激励模型,具体按照以下过程实施:根据用户需求和系统中的车辆计算资源量设置激励因子μ,当用户产生任务密集,对车辆计算资源的需求程度升高,服务提供商提高激励吸引更多网联车加入资源共享;反之,当边缘云计算资源相对充足,对车辆的激励降低;用户任务的计算复杂度表示为Ck,所有任务的最大容忍时延表示为T,fi表示车辆的计算资源:
考虑实际通信场景,一个用户可以与多个车辆连接,服务提供商在保证连接和用户需求的前提下选择车辆并激励它作为边缘节点;为方便计算,一个用户只能将任务卸载至一个车辆边缘节点,一辆车只能为一个用户提供卸载服务。
7.根据权利要求1所述的基于网联车辅助的边缘计算卸载与资源分配方法,其特征在于:
所述步骤(6)解决用户和服务提供商效用最大化问题,具体按照以下过程实施:
(1)将用户和服务提供商的交互描述为斯坦伯格博弈,服务提供商作为领导者,用户作为跟随者;
(2)通过逆向归纳法证明纳什均衡的存在性和唯一性;
(3)在已知服务提供商策略的条件下,基于KKT条件构造拉格朗日函数求得用户侧的最优卸载策略和无线资源分配策略;
(4)在已知用户策略的条件下更新服务提供商的定价策略;
(5)通过基于梯度的资源分配迭代算法求得最优解。
8.根据权利要求1所述的基于网联车辅助的边缘计算卸载与资源分配方法,其特征在于:
所述步骤(7)中优化任务卸载调度,具体按照以下过程实施:
(1)以最大化用户和车辆匹配成功率和最大化服务提供商的效用作为优化目标;
(2)服务提供商公布激励因子,车辆根据激励因子及与用户的连接情况决定是否共享资源,愿意共享资源的车辆公布期望激励并作为候选车辆边缘节点;
(3)服务提供商将用户对车辆计算资源的需求按降序排列;
(4)候选车辆边缘节点与其覆盖范围内的用户依次匹配,并预分配给第一个能够满足需求的用户,更新车辆信息;
(5)服务提供商作为拍卖代理,根据反向拍卖选择期望激励最低的车辆作为边缘节点辅助计算卸载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745599.1A CN113438621A (zh) | 2021-07-01 | 2021-07-01 | 一种基于网联车辅助的边缘计算卸载与资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745599.1A CN113438621A (zh) | 2021-07-01 | 2021-07-01 | 一种基于网联车辅助的边缘计算卸载与资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113438621A true CN113438621A (zh) | 2021-09-24 |
Family
ID=77758472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110745599.1A Pending CN113438621A (zh) | 2021-07-01 | 2021-07-01 | 一种基于网联车辅助的边缘计算卸载与资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113438621A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113905415A (zh) * | 2021-10-12 | 2022-01-07 | 安徽大学 | 一种蜂窝网络中移动终端的动态计算任务卸载方法 |
CN114079882A (zh) * | 2021-11-15 | 2022-02-22 | 广东工业大学 | 多无人机协同计算与路径控制的方法及装置 |
CN114363338A (zh) * | 2022-01-07 | 2022-04-15 | 山东大学 | 一种基于竞争合作平均场博弈的多址接入边缘计算网络任务卸载策略的优化方法 |
CN115946132A (zh) * | 2023-03-15 | 2023-04-11 | 江西丹巴赫机器人股份有限公司 | 一种智能密集库与物流机器人系统及其故障监测方法 |
CN116069414A (zh) * | 2023-03-06 | 2023-05-05 | 湖北工业大学 | 一种电力物联网计算任务卸载激励优化方法和存储介质 |
CN116643808A (zh) * | 2023-05-29 | 2023-08-25 | 北京邮电大学 | 一种基于远期合同的边缘网络计算卸载方法 |
CN117519948A (zh) * | 2023-12-11 | 2024-02-06 | 广东筠诚建筑科技有限公司 | 基于云平台实现建筑施工下的计算资源调整方法及系统 |
US11897357B1 (en) | 2023-03-31 | 2024-02-13 | Mercedes-Benz Group AG | Scheduling system and method for distributed and unreliable electric vehicle nodes for compute workloads |
CN117750528A (zh) * | 2024-02-20 | 2024-03-22 | 南京信息工程大学 | 一种基于反向拍卖算法的自动驾驶动态感应优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166036A (zh) * | 2018-07-19 | 2019-01-08 | 华北电力大学 | 一种基于区块链和契约理论的v2g能源交易机制 |
CN112015545A (zh) * | 2020-07-23 | 2020-12-01 | 山东师范大学 | 车辆边缘计算网络中的任务卸载方法及系统 |
-
2021
- 2021-07-01 CN CN202110745599.1A patent/CN113438621A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109166036A (zh) * | 2018-07-19 | 2019-01-08 | 华北电力大学 | 一种基于区块链和契约理论的v2g能源交易机制 |
CN112015545A (zh) * | 2020-07-23 | 2020-12-01 | 山东师范大学 | 车辆边缘计算网络中的任务卸载方法及系统 |
Non-Patent Citations (1)
Title |
---|
JIANBIN XUE: "Joint task offloading and resource allocation in vehicle-assisted multi-access", 《COMPUTER COMMUNICATIONS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113905415A (zh) * | 2021-10-12 | 2022-01-07 | 安徽大学 | 一种蜂窝网络中移动终端的动态计算任务卸载方法 |
CN113905415B (zh) * | 2021-10-12 | 2023-08-18 | 安徽大学 | 一种蜂窝网络中移动终端的动态计算任务卸载方法 |
CN114079882B (zh) * | 2021-11-15 | 2024-04-05 | 广东工业大学 | 多无人机协同计算与路径控制的方法及装置 |
CN114079882A (zh) * | 2021-11-15 | 2022-02-22 | 广东工业大学 | 多无人机协同计算与路径控制的方法及装置 |
CN114363338A (zh) * | 2022-01-07 | 2022-04-15 | 山东大学 | 一种基于竞争合作平均场博弈的多址接入边缘计算网络任务卸载策略的优化方法 |
CN114363338B (zh) * | 2022-01-07 | 2023-01-31 | 山东大学 | 一种基于竞争合作平均场博弈的多址接入边缘计算网络任务卸载策略的优化方法 |
CN116069414A (zh) * | 2023-03-06 | 2023-05-05 | 湖北工业大学 | 一种电力物联网计算任务卸载激励优化方法和存储介质 |
CN116069414B (zh) * | 2023-03-06 | 2023-06-09 | 湖北工业大学 | 一种电力物联网计算任务卸载激励优化方法和存储介质 |
CN115946132A (zh) * | 2023-03-15 | 2023-04-11 | 江西丹巴赫机器人股份有限公司 | 一种智能密集库与物流机器人系统及其故障监测方法 |
US11897357B1 (en) | 2023-03-31 | 2024-02-13 | Mercedes-Benz Group AG | Scheduling system and method for distributed and unreliable electric vehicle nodes for compute workloads |
CN116643808A (zh) * | 2023-05-29 | 2023-08-25 | 北京邮电大学 | 一种基于远期合同的边缘网络计算卸载方法 |
CN116643808B (zh) * | 2023-05-29 | 2024-04-16 | 北京邮电大学 | 一种基于远期合同的边缘网络计算卸载方法 |
CN117519948A (zh) * | 2023-12-11 | 2024-02-06 | 广东筠诚建筑科技有限公司 | 基于云平台实现建筑施工下的计算资源调整方法及系统 |
CN117519948B (zh) * | 2023-12-11 | 2024-04-26 | 广东筠诚建筑科技有限公司 | 基于云平台实现建筑施工下的计算资源调整方法及系统 |
CN117750528A (zh) * | 2024-02-20 | 2024-03-22 | 南京信息工程大学 | 一种基于反向拍卖算法的自动驾驶动态感应优化方法 |
CN117750528B (zh) * | 2024-02-20 | 2024-05-14 | 南京信息工程大学 | 一种基于反向拍卖算法的自动驾驶动态感应优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113438621A (zh) | 一种基于网联车辅助的边缘计算卸载与资源分配方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
CN111586762B (zh) | 一种基于边缘协作的任务卸载及资源分配联合优化方法 | |
CN112492626B (zh) | 一种移动用户计算任务的卸载方法 | |
CN113950103B (zh) | 一种移动边缘环境下多服务器完全计算卸载方法及系统 | |
CN109005057B (zh) | 一种基于契约理论和匹配理论的资源分配与任务卸载方法 | |
Zhang et al. | Delay constrained offloading for mobile edge computing in cloud-enabled vehicular networks | |
CN109413615B (zh) | 车联网中基于mec的能量感知卸载的能量延迟折衷 | |
Guo et al. | Efficient and flexible management for industrial internet of things: A federated learning approach | |
CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
CN111586696B (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN111010684B (zh) | 一种基于mec缓存服务的车联网资源分配方法 | |
CN109802998B (zh) | 一种基于博弈的雾网络协同调度激励方法及系统 | |
CN110996393A (zh) | 一种单边缘计算服务器与多用户协同的计算卸载与资源分配方法 | |
CN111193615B (zh) | 一种移动边缘计算网络中的边缘计算节点选择方法 | |
CN110928691A (zh) | 一种面向交通数据的端边协同计算卸载方法 | |
CN111475274A (zh) | 云协同多任务调度方法及装置 | |
Chen et al. | Code caching-assisted computation offloading and resource allocation for multi-user mobile edge computing | |
Cui et al. | Blockchain-driven contents sharing strategy for wireless cache-enabled D2D networks | |
CN112153728B (zh) | 一种基站关联和模块休眠的优化方法 | |
Wang et al. | Distributed incentives and digital twin for resource allocation in air-assisted internet of vehicles | |
CN111565380A (zh) | 车联网中基于noma-mec混合卸载方法 | |
Yin et al. | Distributed spectrum and power allocation for D2D-U networks: a scheme based on NN and federated learning | |
Tian et al. | Asynchronous federated learning empowered computation offloading in collaborative vehicular networks | |
CN111580943B (zh) | 一种面向低时延边缘计算中多跳卸载的任务调度方法 |
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 |