CN113467851B - 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 - Google Patents
一种基于车辆聚类的动态车辆计算任务卸载方法和装置 Download PDFInfo
- Publication number
- CN113467851B CN113467851B CN202110563668.7A CN202110563668A CN113467851B CN 113467851 B CN113467851 B CN 113467851B CN 202110563668 A CN202110563668 A CN 202110563668A CN 113467851 B CN113467851 B CN 113467851B
- Authority
- CN
- China
- Prior art keywords
- cluster
- vehicle
- clustering
- vehicles
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 7
- 244000153665 Ficus glomerata Species 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 208000001613 Gambling Diseases 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于车辆聚类的动态车辆计算任务卸载方法和装置,该方法包括:计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树;将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩;以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头;基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。本发明在通过限制最小子树来降低运算量,用可达距离的概念替换欧氏距离,降低了对Eps阈值的依赖性;并且基于簇稳定性自动分簇,具有较低的平均计算时延以及较高的计算结果返回成功率。
Description
技术领域
本发明涉及车联边缘网络技术领域,具体而言涉及一种基于车辆聚类的动态车辆计算任务卸载方法和装置、电子设备、计算机可读存储介质。
背景技术
汽车诞生以来,汽车工业一直是重要的产业,其经济和社会影响一直在扩大。与此同时,随着人们水平的提高,对于汽车的需求不再停留在代步工具上。此外,随着5G相关技术应用的蓬勃发展,车联网成为时下热点研究方向。同时,为了克服机载计算,通信,存储和能源的有限功能以及避免了云计算中的过多延迟,移动边缘计算(Mobile EdgeComputing,MEC)成为车联网的一个关键技术。
移动边缘计算的优势主要在于边缘服务器更加靠近用户,拥有更低的计算延迟以及更好的隐私和安全性。因此,对于车辆的计算任务来讲,移动边缘计算是一个很好的解决方案。但是,考虑到如果所有车辆并发向边缘服务器卸载任务,极易容易引起网络的阻塞。因此,可以通过聚类将具有相似特征的样本划分到同一集合,使得同一集合内部的样本差异尽可能小,不同集合样本差异尽可能大。并根据聚类的结果选取簇头来辅助车辆决策或者缓解交通压力。
然而现有的车辆聚类方法存在对噪声敏感,参数调整比较复杂、簇数量选取不当会导致结果陷入局部最优以及车联边缘网络的稳定性和计算任务卸载的成功率低等问题。
发明内容
本发明针对现有技术中的不足,提供一种基于车辆聚类的动态车辆计算任务卸载方法和装置,在通过限制最小子树来降低运算量,用可达距离的概念替换欧氏距离,降低了对Eps阈值的依赖性;并且基于簇稳定性自动分簇,具有较低的平均计算时延以及较高的计算结果返回成功率。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明实施例提出了一种基于车辆聚类的动态车辆计算任务卸载方法,所述卸载方法包括:
S1,计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树;
S2,将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩;
S3,以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头;
S4,基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。
可选的,步骤S1中,所述计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树的过程包括以下步骤:
S11,根据下述公式计算各个节点的核心距离以及实际欧氏距离,两者中的最大值被定义成两者之间的可达距离dmreach-k(P,Q):
dmreach-k(P,Q)=max{corek(P),corek(Q),d(P,Q)}
式中,corek(P)是车辆P的核心距离,corek(Q)是车辆Q的核心距离,d(P,Q)是车辆P和车辆Q之间的实际欧式距离,k是以某个样本为圆心的圆能容纳除自身之外的样本数量;
S12,结合所有车辆之间的可达距离计算结果,构建对应的无向加权图,图的顶点集为所有车辆集合,权重为对应边连接的两个车辆之间的可达距离;
S13,将无向加权图转化为最小生成树。
可选的,步骤S2中,所述将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩的过程包括以下步骤:
S21,将最小生成树映射为二叉树;
S22,将映射得到的二叉树放到二维坐标系中,二叉树的每一个叶子节点都表示一个车辆,纵坐标表示可达距离;
S23,从所有未聚类的节点中,选取其中一个可达距离节点作为子树的根节点,将根节点相同的车辆聚类到同一个簇;
S24,重复步骤S23,直至所有节点被聚类完毕;
S25,去除散点。
可选的,步骤S3中,所述以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头的过程包括以下步骤:
S31,根据下述公式计算簇c每个节点的簇稳定性sc:
式中,λdeath是对压缩聚类树中的每个可达距离节点的定义,取值为当前节点值的倒数;λp是对压缩聚类树中所有叶子节点定义的一个数值;其中,当p不是散点时,当前节点正常分裂成左右子树,λp取值为λdeath,当p是散点时,当前节点替代了p原来的根节点,λp取值为原来根节点的倒数,λp<λdeath;
S32,进行簇提取;其中,如果节点分裂不能使左右子树稳定性之和大于当前节点则当前节点为根节点的所有车辆聚类时被划分到同一类,否则当前节点继续分裂以进一步提取聚类簇;
S33,对每个簇内部的所有节点进行评估,根据下述公式计算得到对应节点的车辆连接值、位置差异值和速度差异值作为该节点的三个评估指标:
式中,out(t)表示t时刻进入车辆i邻居列表的车辆数目,in(t)表示离开的车辆数目,N(t-1)表示车辆i上一时刻的邻居列表数量;dij(t)表示车辆i和其同簇车辆j的距离,表示车辆i和其同簇车辆j距离的平均值,N(t)表示t时刻当前车辆的所属聚类簇中的车辆节点数量;vij(t)表示车辆i和其同簇车辆j的速度差,/>表示车辆i和其同簇车辆j速度差的平均值;
S34,结合车辆连接值、位置差异值和速度差异值对簇节点进行优先级排序,根据排序结果选取优先级最高的作为簇头。
可选的,步骤S34中,所述结合车辆连接值、位置差异值和速度差异值对簇节点进行优先级排序的过程包括以下步骤:
采用下述公式计算每个簇节点i的优先级评估值:
式中,w1、w2和w3是对应的权重因子。
可选的,步骤S4中,所述基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略的过程包括以下步骤:
S41,定义概率ε,每个计算任务以ε的概率进行簇内卸载,以1-ε的概率进行全局跨簇卸载;
S42,将任务卸载问题看成是多臂赌博机问题,每次操作的臂分为同簇车辆和异簇车辆;其中,根据下述公式计算每辆服务车的评估指标:
式中,j表示服务车编号,t表示时刻,dj为将任务卸载至服务车辆j的延迟,D表示服务车和任务车的距离,Nt(i)为t时刻之前执行动作i的次数,M(t-1)表示t-1之前的子任务总数,表示执行动作i收益的方差。
第二方面,本发明实施例提出了一种基于车辆聚类的动态车辆计算任务卸载装置,所述卸载装置包括:
最小生成树构建模块,用于计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树;
压缩模块,用于将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩;
簇头选择模块,用于以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头;
求解模块,用于基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。
第三方面,本发明实施例提出了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如前所述的基于车辆聚类的动态车辆计算任务卸载方法。
第三方面,本发明实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如前所述的基于车辆聚类的动态车辆计算任务卸载方法。
本发明的有益效果是:
本发明根据车辆间移动方向的夹角进行邻居节点发现,其次以车辆之间的马氏距离作为车辆样本距离的衡量标准,并定义可达距离以放大散点与聚类中心的距离,接着将车联边缘网络中的车辆用无向图建模,根据无向图找到最小生成树并将其转化为层次聚类结构同时压缩聚类树以去除散点,然后根据簇稳定性自动提取聚类簇,并以车辆移动性相关特征参数的加权值为标准选取簇头,最后基于聚类结果利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。本发明在通过限制最小子树来降低运算量,用可达距离的概念替换欧氏距离,降低了对Eps阈值的依赖性;并且基于簇稳定性自动分簇,具有较低的平均计算时延以及较高的计算结果返回成功率。
附图说明
图1是本发明实施例的基于车辆聚类的动态车辆计算任务卸载方法流程图。
图2为本发明实施例的应用场景示意图。
图3为本发明实施例的最小生成树构建流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
实施例一
图1是本发明实施例的基于车辆聚类的动态车辆计算任务卸载方法流程图。本实施例可事用于通过服务器等设备卸载动态车辆计算任务的情况,该方法可以由基于车辆聚类的动态车辆计算任务卸载装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成在电子设备中,例如集成服务器设备中。图2为本发明实施例的其中一种应用场景示意图。
在实施中,该卸载方法应用于车联边缘网络中,图2为本发明实施例的其中一种应用场景示意图。首先,计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树。接着,将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩。其次,以簇稳定性为依据对节点进行聚类。最后,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头。参见图1,具体方法步骤如下:
步骤1:计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树。
具体的,计算各个节点的核心距离以及实际欧氏距离,两者中的最大值即为可达距离,公式如下:
dmreach-k(P,Q)=max{corek(P),corek(Q),d(P,Q)}
所有车辆之间的可达距离计算结束之后可以得到一个无向加权图,图的顶点集为所有车辆集合,权重就是这条边连接的车辆之间的可达距离,接着将无向加权图转化为最小生成树,构建最小生成树的流程图如图3所示。
步骤2:将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩。
具体的,当前步骤的目标是构建并压缩层次聚类树,处理的步骤如下:
⑴将最小生成树映射为二叉树,将这个二叉树放到二维坐标系中,二叉树的每一个叶子节点都表示一个车辆,纵坐标表示可达距离,如果选取特定的可达距离节点作为子树的根节点,那么根节点相同的车辆聚类时被放到了同一个簇。
⑵去除散点以达到压缩聚类树的目的。
步骤3:以簇稳定性为依据对节点进行聚类,对聚类后的各个簇内的节点按优先级排序,并根据排序后的结果选取簇头。
具体的,以簇稳定性为依据对节点进行聚类,它由以下三个阶段组成:
⑴第一阶段:针对压缩聚类树中的每个可达距离节点定义一个λdeath,取值为当前节点值的倒数,接下来对压缩聚类树中所有叶子节点定义一个λp,这里λp的取值有下面两种情况:
①p不是散点:当前节点正常分裂成左右子树,λp取值就是λdeath。
②p是散点:当前节点替代了p原来的根节点,λp取值应为原来根节点的倒数,因此λp<λdeath。
则每个节点的簇稳定性的定义如下:
进行簇提取时如果节点分裂不能使左右子树稳定性之和大于当前节点则及那个当前节点为根节点的所有车辆聚类时被划分到同一类,否则当前节点继续分裂以进一步提取聚类簇。
⑵第二阶段:聚类完成之后,对每个簇内部的所有节点进行评估,评估的指标为当前时刻车辆的连接度、位置和速度。
①车辆连接值
本发明用车辆连接值反应车辆邻居列表变化的程度,邻居列表变化的程度越小说明当前车辆与其他车辆的相对连接情况越稳定,车辆的连接值的定义如下所示:
其中,out(t)表示t时刻进入车辆i邻居列表的车辆数目,in(t)表示离开的车辆数目,N(t-1)表示车辆i上一时刻的邻居列表数量。
②位置差异值
位置差异表示当前车辆与相同聚类簇中其他车辆之间距离的离散化程度,用如下公式来表示,该值越大表明当前车辆与同一聚类簇中所有节点连接总体稳定性波动越大。
其中,dij(t)表示车辆i和其同簇车辆j的距离,表示车辆i和其同簇车辆j距离的平均值,N(t)表示t时刻当前车辆的所属聚类簇中的车辆节点数量。
③速度差异值
位置差异表示当前车辆与相同聚类簇中其他车辆之间速度差的离散化程度,用如下公式来表示,该值越小说明当前车辆与其同一聚类簇中所有节点在移动过程中保持更长连接时间的概率越大。
其中vij(t)表示车辆i和其同簇车辆j的速度差,表示车辆i和其同簇车辆j速度差的平均值。
⑶第三阶段:对簇节点进行优先级的排序,并根据排序结果选取优先级最高的作为簇头。
采用加权的方式综合考虑所有车辆的上述三个评估指标。这三个度量值越小说明该车辆越适合作为簇头,因此下面公式在计算优先级时取这三个度量的倒数进行加权求和后再排序。
其中权重在所有车辆的上述三个度量计算结束之后,取其倒数用熵值法分别进行计算。最后,根据排序后的结果选取优先级最高的作为簇头。
步骤4:基于聚类结果利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。
将任务卸载问题看成是多臂赌博机问题,每次可以操作的臂可以分为同簇车辆和异簇车辆,以下公式为每辆服务车的评估指标:
这里定义一个概率ε,并且每个计算任务以ε的概率进行簇内卸载,以1-ε的概率进行全局跨簇卸载,不同的ε限制了不同的跨簇卸载宽容度,如ε为1时只进行簇内卸载,ε为0时所有服务车都存在被选中进行计算任务卸载的可能,定义该参数的意义在于防止簇内车辆无法满足要求,而算法只能学习簇内车辆性能的情况出现。
实施例二
本发明实施例提出了一种基于车辆聚类的动态车辆计算任务卸载装置,该卸载装置包括最小生成树构建模块、压缩模块、簇头选择模块和求解模块。
最小生成树构建模块,用于计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树。
压缩模块,用于将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩。
簇头选择模块,用于以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头。
求解模块,用于基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。
通过本发明实施例二的卸载装置,通过建立整个应用的数据包含关系确定传输对象,达到动态车辆计算任务卸载的目标。本发明实施例所提供的检测装置可执行本发明任意实施例所提供的基于车辆聚类的动态车辆计算任务卸载方法,具备执行方法相应的功能模块和有益效果。
实施例三
本申请实施例提供了一种电子设备,包括处理器、存储器、输入装置和输出装置;电子设备中,处理器的数量可以一个或多个;电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的检测方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现本发明实施例所提供的基于车辆聚类的动态车辆计算任务卸载方法。
存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,可以包括键盘、鼠标等。输出装置可包括显示屏等显示设备。
实施例四
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如前所述基于车辆聚类的动态车辆计算任务卸载方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的基于环境上下文一致性的统一处理方法中的相关操作。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于车辆聚类的动态车辆计算任务卸载方法,其特征在于,所述卸载方法包括:
S1,计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树;
s2,将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩;
S3,以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头;
S4,基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略;
步骤S3中,所述以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头的过程包括以下步骤:
s31,根据下述公式计算簇c每个节点的簇稳定性sc:
式中,λdeath是对压缩聚类树中的每个可达距离节点的定义,取值为当前节点值的倒数;λp是针对压缩聚类树中所有叶子节点定义的一个数值,其中,当p不是散点时,当前节点正常分裂成左右子树,λp取值为λdeath,当p是散点时,当前节点替代了p原来的根节点,λp取值为原来根节点的倒数,λp<λdeath;
S32,进行簇提取;其中,如果节点分裂不能使左右子树稳定性之和大于当前节点则当前节点为根节点的所有车辆聚类时被划分到同一类,否则当前节点继续分裂以进一步提取聚类簇;
S33,对每个簇内部的所有节点进行评估,根据下述公式计算得到对应节点的车辆连接值、位置差异值和速度差异值作为该节点的三个评估指标:
式中,out(t)表示t时刻进入车辆i邻居列表的车辆数目,in(t)表示离开的车辆数目,N(t-1)表示车辆i上一时刻的邻居列表数量;dij(t)表示车辆i和其同簇车辆j的距离,表示车辆i和其同簇车辆j距离的平均值,N(t)表示t时刻当前车辆的所属聚类簇中的车辆节点数量;vij(t)表示车辆i和其同簇车辆j的速度差,/>表示车辆i和其同簇车辆j速度差的平均值;
S34,结合车辆连接值、位置差异值和速度差异值对簇节点进行优先级排序,根据排序结果选取优先级最高的作为簇头;
步骤s4中,所述基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略的过程包括以下步骤:
S41,定义概率ε,每个计算任务以ε的概率进行簇内卸载,以1-ε的概率进行全局跨簇卸载;
S42,将任务卸载问题看成是多臂赌博机问题,每次操作的臂分为同簇车辆和异簇车辆;其中,根据下述公式计算每辆服务车的评估指标:
式中,j表示服务车编号,t表示时刻,dj为将任务卸载至服务车辆j的延迟,D表示服务车和任务车的距离,Nt(i)为t时刻之前执行动作i的次数,M(t-1)表示t-1之前的子任务总数,表示执行动作i收益的方差。
2.根据权利要求1所述的基于车辆聚类的动态车辆计算任务卸载方法,其特征在于,步骤S1中,所述计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树的过程包括以下步骤:
S11,根据下述公式计算各个节点的核心距离以及实际欧氏距离,两者中的最大值被定义成两者之间的可达距离dmreach-k(P,Q):
dmreach-k(P,Q)=max{corek(P),corek(Q),d(P,Q)}
式中,corek(P)是车辆P的核心距离,corek(Q)是车辆Q的核心距离,d(P,Q)是车辆P和车辆Q之间的实际欧式距离,k是以某个样本为圆心的圆能容纳除自身之外的样本数量;
S12,结合所有车辆之间的可达距离计算结果,构建对应的无向加权图,图的顶点集为所有车辆集合,权重为对应边连接的两个车辆之间的可达距离;
S13,将无向加权图转化为最小生成树。
3.根据权利要求1所述的基于车辆聚类的动态车辆计算任务卸载方法,其特征在于,步骤S2中,所述将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩的过程包括以下步骤:
S21,将最小生成树映射为二叉树;
S22,将映射得到的二叉树放到二维坐标系中,二叉树的每一个叶子节点都表示一个车辆,纵坐标表示可达距离;
S23,从所有未聚类的节点中,选取其中一个可达距离节点作为子树的根节点,将根节点相同的车辆聚类到同一个簇;
S24,重复步骤S23,直至所有节点被聚类完毕;
S25,去除散点。
4.根据权利要求1所述的基于车辆聚类的动态车辆计算任务卸载方法,其特征在于,步骤S34中,所述结合车辆连接值、位置差异值和速度差异值对簇节点进行优先级排序的过程包括以下步骤:
采用下述公式计算每个簇节点i的优先级评估值:
式中,w1、w2和w3是对应的权重因子。
5.一种基于权利要求1-4任一项中所述方法的基于车辆聚类的动态车辆计算任务卸载装置,其特征在于,所述卸载装置包括:
最小生成树构建模块,用于计算样本集中所有车辆的可达距离,根据可达距离构建最小生成树;
压缩模块,用于将最小生成树转化为层次聚类结构,并对转化后的层次聚类树进行压缩;
簇头选择模块,用于以簇的稳定性为依据对由每个车辆构成的节点进行聚类,对聚类后的各个簇内节点按优先级排序,根据排序后的结果选取簇头;
求解模块,用于基于聚类结果,利用带有跨簇卸载宽容度的UCB算法求解计算卸载策略。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一项所述的基于车辆聚类的动态车辆计算任务卸载方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一项所述的基于车辆聚类的动态车辆计算任务卸载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563668.7A CN113467851B (zh) | 2021-05-24 | 2021-05-24 | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563668.7A CN113467851B (zh) | 2021-05-24 | 2021-05-24 | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113467851A CN113467851A (zh) | 2021-10-01 |
CN113467851B true CN113467851B (zh) | 2024-01-23 |
Family
ID=77871156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563668.7A Active CN113467851B (zh) | 2021-05-24 | 2021-05-24 | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113467851B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115269180B (zh) * | 2022-07-18 | 2023-06-06 | 苏州大学 | 一种基于车辆地理位置感知的lcd任务分发方法及系统 |
CN115065683B (zh) * | 2022-07-27 | 2023-12-26 | 多伦互联网技术有限公司 | 基于车辆聚类的车辆边缘网络任务分配卸载方法 |
CN116456308B (zh) * | 2023-06-19 | 2023-08-29 | 华东交通大学 | 一种面向动态频谱环境的车联网分簇方法 |
CN117290741B (zh) * | 2023-11-14 | 2024-03-19 | 北京阿帕科蓝科技有限公司 | 车辆聚类方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314889A (zh) * | 2020-02-26 | 2020-06-19 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
CN111626352A (zh) * | 2020-05-26 | 2020-09-04 | 多伦科技股份有限公司 | 基于模糊c均值的自适应能耗最优车辆聚类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10440096B2 (en) * | 2016-12-28 | 2019-10-08 | Intel IP Corporation | Application computation offloading for mobile edge computing |
US11520345B2 (en) * | 2019-02-05 | 2022-12-06 | Nvidia Corporation | Path perception diversity and redundancy in autonomous machine applications |
-
2021
- 2021-05-24 CN CN202110563668.7A patent/CN113467851B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314889A (zh) * | 2020-02-26 | 2020-06-19 | 华南理工大学 | 车联网中基于移动边缘计算的任务卸载与资源分配方法 |
CN111626352A (zh) * | 2020-05-26 | 2020-09-04 | 多伦科技股份有限公司 | 基于模糊c均值的自适应能耗最优车辆聚类方法 |
Non-Patent Citations (1)
Title |
---|
人工蜂与K-means混合算法在VANETs的应用;黄欣;余思东;赵志刚;;广西科学(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113467851A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113467851B (zh) | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 | |
CN113326377B (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
CN111460234B (zh) | 图查询方法、装置、电子设备及计算机可读存储介质 | |
CN114281823B (zh) | 表格处理方法、装置、设备、存储介质及产品 | |
KR102086936B1 (ko) | 사용자 데이터 공유 방법 및 디바이스 | |
CN112182567B (zh) | 一种多步攻击溯源方法、系统、终端及可读存储介质 | |
CN111259952A (zh) | 异常用户识别方法、装置、计算机设备及存储介质 | |
CN113626612A (zh) | 一种基于知识图谱推理的预测方法和系统 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN110309154B (zh) | 基于图谱的实体特征选择方法、装置、设备和存储介质 | |
CN114124484B (zh) | 网络攻击识别方法、系统、装置、终端设备以及存储介质 | |
CN111291785A (zh) | 目标检测的方法、装置、设备及存储介质 | |
CN113674152A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
Zhang | Application of knowledge model in dance teaching based on wearable device based on deep learning | |
Chen et al. | DBSCAN-PSM: an improvement method of DBSCAN algorithm on Spark | |
CN108198084A (zh) | 一种复杂网络重叠社区发现方法 | |
CN110889467A (zh) | 一种公司名称匹配方法、装置、终端设备及存储介质 | |
CN116860996A (zh) | 三维知识图谱的构建方法、装置、设备以及存储介质 | |
CN114202746B (zh) | 路面状态识别方法、装置、终端设备及存储介质 | |
CN115664814A (zh) | 网络入侵检测方法、装置、电子设备及存储介质 | |
CN114900835A (zh) | 恶意流量智能检测方法、装置及存储介质 | |
CN114595764A (zh) | 用于获取城市要素对内涝灾害损失影响程度的方法及系统 | |
CN113946717A (zh) | 一种子图指标特征获得方法、装置、设备及存储介质 | |
CN113886547A (zh) | 基于人工智能的客户实时对话转接方法、装置和电子设备 | |
CN112183567B (zh) | Birch算法的优化方法、装置、设备及存储介质 |
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 |