CN113518326B - 车载边缘网络计算资源和通信资源的联合分配优化方法 - Google Patents
车载边缘网络计算资源和通信资源的联合分配优化方法 Download PDFInfo
- Publication number
- CN113518326B CN113518326B CN202110390147.6A CN202110390147A CN113518326B CN 113518326 B CN113518326 B CN 113518326B CN 202110390147 A CN202110390147 A CN 202110390147A CN 113518326 B CN113518326 B CN 113518326B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mec server
- vehicles
- resources
- computing
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000006855 networking Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013468 resource allocation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- 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
- H04W28/08—Load balancing or load distribution
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车载边缘网络计算资源和通信资源的联合分配优化方法,构建一个基于移动边缘计算MEC的卸载框架,建模该框架为组合拍卖模式,在计算资源和通信资源有限的情况下,最大化边缘计算服务器提供商的利益。将车联网中的计算资源和通信资源进行组合拍卖,卖家为拥有有限计算和通信资源的MEC服务器,买家为购买计算和通信资源的任务车辆,通过将计算任务耗能多的应用程序卸载到MEC服务器,让MEC服务器运行新的复杂程序。首先用k‑means算法对车辆任务进行分类,优先为高等级的任务车辆分配资源,其次联网车辆构建偏好列表,最后执行资源分配策略。在保证任务等级的前提下最大化边缘计算服务器提供商的利益。
Description
技术领域
本发明涉及车联网技术领域,特别是一种车载边缘网络计算资源和通信资源的联合分配优化方法。
背景技术
联网的车辆通过车辆-基础设施(Vehicle-to-Infrastructure,V2I)链路与车辆-车辆(Vehicle-to-Vehicle,V2V)链路组成车辆自组织网络。由于车载单元带来的移动应用的大幅度增长给这项技术带来了新的挑战,将计算任务卸载到云被认为是一种很有前景的方法,但远距离部署带来的骨干网络与回程网络的容量限制和延迟波动,导致车辆QoS(Quality of Service)严重下降。移动边缘计算(Mobile Edge Computing,MEC)通过在移动网络边缘提供了计算和通信服务,既满足车辆计算能力的扩展需求,也弥补了云计算时延较长的缺点。但是MEC有限的计算资源与MEC卸载系统的成本问题,会严重限制任务卸载带来的效益,而且频谱资源的稀缺也是需要在任务卸载时考虑的棘手问题。本发明研究了车载边缘移动网络中的资源分配问题,并提出了车联网资源联合分配优化算法,有效的激励了MEC运营商为车辆提供计算服务。
车联网能够为当前智能城市发展和社会带来诸多好处,包括减少交通碰撞、高效运输管理、更好的驾驶体验等。然而,要实现这些优势,需要大量的数据交换和计算能力,而且车辆在进行通信时所需的数据是基于位置和延迟受限的内容,例如,高清晰度地图包含路线图的所有关键的三维位置(如车道标记、人行横道、标志、障碍)和便于驾驶的动态信息(如交通干扰、道路状况、事故、车道封闭等状况)。此外,在车辆前往某个地区之前,需要定期更新高清地图的本地信息,以跟上变化的驾驶路线。为了有效地传输这样的数据,需要在传输、存储和计算之间进行深度集成。传统上,为了方便管理,传输、存储和计算是分开编排和设计的。以云计算为例,具有大量计算和存储能力的远程云服务器负责为用户提供计算和存储服务,然而该网络仅用于云与用户之间的数据传输,因此无法满足联网车辆的延迟和服务质量要求。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种车载边缘网络计算资源和通信资源的联合分配优化方法,本发明充分考虑了资源的有限性,研究任务车辆在进行任务卸载时搜寻最佳服务节点的匹配问题,建模系统为组合拍卖模型,其中卖家为具有有限计算资源和通信资源的服务节点,任务车辆充当买家购买这些资源并支付相应的费用。结合边缘计算服务器的计算资源充足、终端到网络边缘低时延等特性,并采用基于机器学习的分类方法来区分具有安全等级任务的车辆和具有非安全等级任务的车辆,在保证具有安全等级任务的车辆优先分配资源的前提下最大化边缘计算服务器的运营商的收益。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种车载边缘网络计算资源和通信资源的联合分配优化方法,
车联网的体系包括车辆和MEC服务器,所述车辆在拍卖模型中充当购买计算资源和通信资源的买家,MEC服务器在拍卖模型中充当拍卖决策者和卖家,拍卖决策者由MEC服务器充当;
采用MEC机器学习分类算法将车辆进行分类,根据分类后的车辆,MEC服务器将计算资源和通信资源联合拍卖;具体步骤如下:
步骤S1、针对车辆的任务中不同安全等级的任务,提取车辆的任务的三个特征:可靠性要求、最低时延要求和需求的服务类型,这三个特征组成特征向量;根据车辆的任务的特征向量,通过机器学习分类算法,将车辆分为具有安全任务等级的车辆和具有非安全任务等级的车辆,MEC服务器优先为具有安全任务等级的车辆提供服务,当MEC服务器优先为具有安全任务等级的M个车辆提供服务后,才会接收非安全任务等级车辆为其提供服务,M为车联网中车辆总数目的一半;所述服务是指分配计算资源和通信资源以及对车辆的任务进行卸载;
步骤S2、统计MEC服务器的计算资源和通信资源;
步骤S3、车辆为任务构造出价矩阵,MEC服务器的运营商向拍卖者提供要价向量;
步骤S4、拍卖者收集车辆和MEC服务器的运营商的投标信息后,投标信息包括出价矩阵和要价向量,以完成MEC服务器和车辆之间的匹配。
作为本发明所述的一种车载边缘网络计算资源和通信资源的联合分配优化方法进一步优化方案,步骤S1-S4过程如下:
步骤1、假设整个车联网中有2M个车辆,N个MEC服务器,拍卖决策者提取车辆的任务的特征:可靠性要求、最低时延要求、需求的服务类型,这三个特征组成特征向量,根据特征向量,通过k-means算法,将车辆分为具有安全服务任务的车辆和具有非安全服务任务的车辆;
步骤2、第j个车辆的第k个任务记为Tj,k;其中0≤j≤2M;
首先,具有安全服务任务的第j个车辆为Tj,k构建出价矩阵Bj,k,记为Bj,k=(bj,k,1,...,...,bj,k,i,...,bj,k,N),其中bj,k,i表示Tj,k对第i个MEC服务器的出价向量,i=1,2…N, 表示单位计算资源的出价,/>表示单位通信资源的出价,/>表示Tj,k需要的计算资源,/>表示Tj,k需要的通信资源;令/>其中vj,k,i表示第j个车辆的第k个任务对第i个MEC服务器的计算资源和通信资源的加权出价,α是权重因子;
每个MEC服务器的运营商根据运营成本向拍卖者提交一个要价向量,所有MEC服务器的运营商的要价向量组成要价矩阵A=(a1,...,ai,...,aN),其中ai表示第i个MEC服务器的运营商的要价向量,其中/>表示第i个MEC服务器的运营商的单位计算资源要价,/>表示第i个MEC服务器的运营商的单位通信资源要价,上标T表示转置;令Rd=(d1,...,di,...,dN)表示所有MEC服务器可用的计算资源数目,Rc=(c1,...,ci,...,cN)表示所有MEC服务器可用的通信资源数目,其中di表示第i个MEC服务器可用计算资源的数目,ci表示第i个MEC服务器可用通信资源数目;
令X={xj,k,i},其中X为匹配矩阵,xj,k,i∈{0,1},xj,k,i表示Tj,k和第i个MEC服务器的运营商之间的匹配关系,该匹配关系是:如果第i个MEC服务器的运营商接受Tj,k,则xj,k,i=1,反之xj,k,i=0;
第j个车辆需要支付的费用为:
第i个MEC服务器的运营商获得的收益为:
其中,分别代表第i个MEC服务器的单位计算资源要价、第j个车辆的任务Tj,k所需的计算资源、第i个MEC服务器单位通信资源的要价、第j个车辆的任务Tj,k所需的通信资源;
因此,第i个MEC服务器的运营商的总收益Ui表示为:
其中,Kj表示第j个车辆的任务总数;
采用资源联合分配优化算法计算资源和通信资源联合拍卖,资源联合分配优化算法的优化目标是最大化MEC服务器的运营商的总收益,具体描述如下:
其中,第一约束C1表示对于第j个车辆和第i个MEC服务器,xj,k,i只能在0和1中取值;
第二约束C2表示提供给车辆总的计算资源要小于等于MEC服务器所具有的总计算资源;
第三约束C3表示提供给车辆总的通信资源要小于等于MEC服务器所具有的总的计算资源;
第四约束C4表示第i个MEC服务器最多只能同时为一个车辆提供服务。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明所实现方式中,车联网利用拍卖算法方法将计算资源和通信资源的联合拍卖,避免了因将通信资源和计算资源分开拍卖造成的浪费;
(2)采用多轮迭代资源分配算法,在保证安全类型服务车辆优先分配资源的基础上最大化边缘计算服务器运营商的收益;
(3)考虑到了用户对计算资源和通信资源的多样性需求,并联合分配了这两种资源;只有用户同时获得这两种资源交易才会成功;
(4)本发明在保证安全类型服务车辆优先分配资源的前提下,最大化MEC服务器的运营商的收益。
附图说明
图1是本发明所提出的边缘计算服务器网络架构图。
图2是车载边缘网络系统架构图。
图3是MEC服务器和多等级车辆组成的车载边缘网络场景。
图4是本发明所提出的仿真效果图。
图5是拍卖流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
MEC已被公认为一种行之有效的方法,可增强移动设备附近的计算能力,它通过使移动设备能够将计算任务卸载到附近的MEC服务器,将移动设备从繁重的计算工作负载中解放出来。与云计算相比,MEC可以节省回程延迟,降低移动设备的能耗,提高隐私性和安全性。边缘计算已成为深度整合传输、存储和计算的有前途范例。
本方法应用于车联网中,该体系主要由车辆、边缘计算服务器和拍卖决策者组成:所述车辆分为具有安全等级任务的车辆和具有非安全等级任务的车辆;所述边缘计算服务器是提供计算资源和通信资源的卖家;所述拍卖决策者会对买家的出价进行降序排序,然后选择出价最高的买家作为胜者,并将资源分配给胜者,胜者需要支付其出价。该车联网体系中,车辆作为买家会想拍卖者提供出价向量,边缘计算服务器会向拍卖者提供要价向量。
本发明所实现方式中,在拍卖开始前会根据已有的数据集,对任务车辆进行分类,将其分为具有安全等级任务的车辆和具有非安全等级任务的车辆,为保证MEC服务器优先接收安全等级任务车辆的出价向量,本算法设置一个阈值M,只有为安全任务等级车辆数的数目超过M后,才会接收非安全任务等级车辆,以此确保MEC计算服务器运营商的收益。
本发明所实现方式中,在拍卖前进行分类所需信息如下:任务的可靠性需求、最低时延要求。获取到上述信息后,利用随机森林机器学习算法对车辆进行分类。
本发明所实现方式中,基于拍卖算法的车联网计算资源和通信资源的联合分配优化算法分为三个阶段。第一阶段:车辆根据自身需求计算出价并提交出价向量,边缘计算服务器运营商提交要价向量。第二阶段:拍卖者收集车辆和边缘计算服务器运营商的投标信息,并检查提供服务的车辆数是否超过M,若超过M,则开始接收非安全类型服务车辆的投标信息。第三阶段:车辆上传任务,服务器执行计算任务并返回结果。
通过以上实现方式即可在保证安全类型服务车辆优先分配资源的前提下,最大化运营商的收益。
图1是本发明所提出的边缘计算服务器网络架构图,图2是车载边缘网络系统架构图,在车联网与边缘计算服务器系统架构图中,车联网计算架构主要由三个部分组成:车辆、边缘计算服务器和拍卖决策者组成:所述车辆分为具有安全服务类型的车辆和具有非安全服务类型的车辆,这类设备带受限的计算、电池和存储能力;所述边缘计算服务器是提供计算资源和通信资源的卖家;所述拍卖者会买家的出价进行排序,然后选择出价最高的买家作为胜者,并将资源分配给胜者,胜者需要支付其出价。该车联网体系中,车辆作为买家提供出价向量,边缘计算服务器会向拍卖者提供要价向量。
图3是MEC服务器和多等级车辆组成的车载边缘网络场景,图4是本发明所提出的仿真效果图,图5是拍卖流程图,为了充分保证安全服务类型车辆优先分配资源,需要在拍卖开始前对车辆进行划分,然后拍卖者执行资源分配算法,以达到任务车辆进行任务卸载时搜寻最佳服务节点的最佳匹配,具体算法如下:
1.根据采集到的数据对车辆进行分类:
车辆作为需要资源的买家,向边缘计算服务器购买通信和计算资源。然而随着车辆功能的不断增加,服务类型也越来越多,比如,安全类型服务包括车辆状态告警、车辆类型告警、交通危险告警、动态车辆告警。非安全类型服务包含交通管理、信息娱乐。分类所需具体信息示例如下所示:
2.执行车载边缘网络多轮迭代资源分配算法
在每轮拍卖过程开始时,车辆向拍卖者提交出价向量,MEC运营商向拍卖者提交要价向量,可用的计算资源和通信资源数目。在接收到以上信息后,拍卖者执行算法2.2,确定每个MEC服务器临时接受的任务。对于所有的MEC服务器j=1,...,N,以MEC服务器j为例,依次执行如下步骤:
首先,拍卖者从接收到出价向量中筛选出目标是MEC服务器j的出价向量。其次,拍卖者将这些出价向量按照vi,k,j进行降序排序并构建向量组其中/>表示排序为p的出价向量。令/>表示该向量组中出价向量的个数。接着,算法2.1中的步骤8-10是选出车辆出价大于aβ的出价向量。值得注意的是,单位计算资源出价或者单位通信资源出价低于MEC运营商j要价的出价向量不满足价格约束,应该被删除。因此,拍卖者根据价格约束删除向量组/>中不符合要求的出价向量,并构建候选向量组/>其中/>令/>表示候选向量组中出价向量的个数。最后,拍卖者按照/>中的出价向量顺序分配计算资源和通信资源。值得注意的是,只有车辆同时获得要求的计算资源数目和通信资源数目交易才会成功,否则交易失败。由于MEC服务器j的资源有限,那些加权出价低的任务请求很有可能被拒绝。用η表示
3.执行资源更新分配算法
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围内。
Claims (2)
1.一种车载边缘网络计算资源和通信资源的联合分配优化方法,其特征在于,
车联网的体系包括车辆和MEC服务器,所述车辆在拍卖模型中充当购买计算资源和通信资源的买家,MEC服务器在拍卖模型中充当拍卖决策者和卖家,拍卖决策者由MEC服务器充当;
采用MEC机器学习分类算法将车辆进行分类,根据分类后的车辆,MEC服务器将计算资源和通信资源联合拍卖;具体步骤如下:
步骤S1、针对车辆的任务中不同安全等级的任务,提取车辆的任务的三个特征:可靠性要求、最低时延要求和需求的服务类型,这三个特征组成特征向量;根据车辆的任务的特征向量,通过机器学习分类算法,将车辆分为具有安全任务等级的车辆和具有非安全任务等级的车辆,MEC服务器优先为具有安全任务等级的车辆提供服务,当MEC服务器优先为具有安全任务等级的M个车辆提供服务后,才会接收非安全任务等级车辆为其提供服务,M为车联网中车辆总数目的一半;所述服务是指分配计算资源和通信资源以及对车辆的任务进行卸载;
步骤S2、统计MEC服务器的计算资源和通信资源;
步骤S3、车辆为任务构造出价矩阵,MEC服务器的运营商向拍卖者提供要价向量;
步骤S4、拍卖者收集车辆和MEC服务器的运营商的投标信息后,投标信息包括出价矩阵和要价向量,以完成MEC服务器和车辆之间的匹配。
2.根据权利要求1所述的一种车载边缘网络计算资源和通信资源的联合分配优化方法,其特征在于,步骤S1-S4过程如下:
步骤1、假设整个车联网中有2M个车辆,N个MEC服务器,拍卖决策者提取车辆的任务的特征:可靠性要求、最低时延要求、需求的服务类型,这三个特征组成特征向量,根据特征向量,通过k-means算法,将车辆分为具有安全服务任务的车辆和具有非安全服务任务的车辆;
步骤2、第j个车辆的第k个任务记为Tj,k;其中0≤j≤2M;
首先,具有安全服务任务的第j个车辆为Tj,k构建出价矩阵Bj,k,记为Bj,k=(bj,k,1,...,...,bj,k,i,...,bj,k,N),其中bj,k,i表示Tj,k对第i个MEC服务器的出价向量,i=1,2…N, 表示单位计算资源的出价,/>表示单位通信资源的出价,/>表示Tj,k需要的计算资源,/>表示Tj,k需要的通信资源;令/>其中vj,k,i表示第j个车辆的第k个任务对第i个MEC服务器的计算资源和通信资源的加权出价,α是权重因子;
每个MEC服务器的运营商根据运营成本向拍卖者提交一个要价向量,所有MEC服务器的运营商的要价向量组成要价矩阵A=(a1,...,ai,...,aN),其中ai表示第i个MEC服务器的运营商的要价向量,其中/>表示第i个MEC服务器的运营商的单位计算资源要价,/>表示第i个MEC服务器的运营商的单位通信资源要价,上标T表示转置;令Rd=(d1,...,di,...,dN)表示所有MEC服务器可用的计算资源数目,Rc=(c1,...,ci,...,cN)表示所有MEC服务器可用的通信资源数目,其中di表示第i个MEC服务器可用计算资源的数目,ci表示第i个MEC服务器可用通信资源数目;
令X={xj,k,i},其中X为匹配矩阵,xj,k,i∈{0,1},xj,k,i表示Tj,k和第i个MEC服务器的运营商之间的匹配关系,该匹配关系是:如果第i个MEC服务器的运营商接受Tj,k,则xj,k,i=1,反之xj,k,i=0;
第j个车辆需要支付的费用为:
第i个MEC服务器的运营商获得的收益为:
其中,分别代表第i个MEC服务器的单位计算资源要价、第j个车辆的任务Tj,k所需的计算资源、第i个MEC服务器单位通信资源的要价、第j个车辆的任务Tj,k所需的通信资源;
因此,第i个MEC服务器的运营商的总收益Ui表示为:
其中,Kj表示第j个车辆的任务总数;
采用资源联合分配优化算法计算资源和通信资源联合拍卖,资源联合分配优化算法的优化目标是最大化MEC服务器的运营商的总收益,具体描述如下:
其中,第一约束C1表示对于第j个车辆和第i个MEC服务器,xj,k,i只能在0和1中取值;
第二约束C2表示提供给车辆总的计算资源要小于等于MEC服务器所具有的总计算资源;
第三约束C3表示提供给车辆总的通信资源要小于等于MEC服务器所具有的总的计算资源;
第四约束C4表示第i个MEC服务器最多只能同时为一个车辆提供服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390147.6A CN113518326B (zh) | 2021-04-12 | 2021-04-12 | 车载边缘网络计算资源和通信资源的联合分配优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390147.6A CN113518326B (zh) | 2021-04-12 | 2021-04-12 | 车载边缘网络计算资源和通信资源的联合分配优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113518326A CN113518326A (zh) | 2021-10-19 |
CN113518326B true CN113518326B (zh) | 2023-08-15 |
Family
ID=78062592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110390147.6A Active CN113518326B (zh) | 2021-04-12 | 2021-04-12 | 车载边缘网络计算资源和通信资源的联合分配优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113518326B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114786129B (zh) * | 2022-04-18 | 2024-04-26 | 北京工业大学 | 基于深度学习的车联网计算资源分配与优化方法 |
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 |
CN115328650B (zh) * | 2022-08-11 | 2023-08-25 | 杭州电子科技大学 | 一种基于智能合约最大化系统获利的边缘节点分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714797A (zh) * | 2019-02-18 | 2019-05-03 | 南京邮电大学 | 一种基于拍卖理论的移动边缘网络资源分配方法 |
CN110012508A (zh) * | 2019-04-10 | 2019-07-12 | 中南大学 | 一种面向超密集网络的边缘计算的资源分配方法及系统 |
CN110830390A (zh) * | 2019-11-11 | 2020-02-21 | 南京邮电大学 | 一种QoS驱动的移动边缘网络资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886499A (zh) * | 2014-03-06 | 2014-06-25 | 清华大学 | 基于组合拍卖的移动云资源在线电子拍卖方法及系统 |
-
2021
- 2021-04-12 CN CN202110390147.6A patent/CN113518326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714797A (zh) * | 2019-02-18 | 2019-05-03 | 南京邮电大学 | 一种基于拍卖理论的移动边缘网络资源分配方法 |
CN110012508A (zh) * | 2019-04-10 | 2019-07-12 | 中南大学 | 一种面向超密集网络的边缘计算的资源分配方法及系统 |
CN110830390A (zh) * | 2019-11-11 | 2020-02-21 | 南京邮电大学 | 一种QoS驱动的移动边缘网络资源分配方法 |
Non-Patent Citations (1)
Title |
---|
车辆网络多平台卸载智能资源分配算法;王汝言;梁颖杰;崔亚平;;电子与信息学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113518326A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113518326B (zh) | 车载边缘网络计算资源和通信资源的联合分配优化方法 | |
Xu et al. | A computation offloading method for edge computing with vehicle-to-everything | |
Qiu et al. | Applications of auction and mechanism design in edge computing: A survey | |
Yang et al. | Resource allocation for edge computing-based vehicle platoon on freeway: A contract-optimization approach | |
Dai et al. | A scheduling algorithm for autonomous driving tasks on mobile edge computing servers | |
CN110012508B (zh) | 一种面向超密集网络的边缘计算的资源分配方法及系统 | |
CN110830390B (zh) | 一种QoS驱动的移动边缘网络资源分配方法 | |
CN114548723A (zh) | 基于云边协同的实时车货匹配与路径推荐方法及其系统 | |
Ng et al. | Stochastic resource allocation for semantic communication-aided virtual transportation networks in the metaverse | |
Lin et al. | A novel latency-guaranteed based resource double auction for market-oriented edge computing | |
Hasan et al. | Federated learning for computational offloading and resource management of vehicular edge computing in 6G-V2X network | |
Liwang et al. | Resource trading in edge computing-enabled IoV: An efficient futures-based approach | |
Zhang et al. | Uav base station network transmission-based reverse auction mechanism for digital twin utility maximization | |
Nguyen et al. | EdgePV: collaborative edge computing framework for task offloading | |
Liu et al. | TDRA: A Truthful Dynamic Reverse Auction for DAG Task Scheduling Over Vehicular Clouds | |
Fan et al. | A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles | |
CN111626354A (zh) | 应用于车联网中的基于任务依赖性的聚类方法 | |
WO2020248225A1 (en) | Integrating contextual bandit with temporal difference learning for pricing and dispatch of transportation-hailing platform | |
Hui et al. | Digital twin enabled multi-task federated learning in heterogeneous vehicular networks | |
CN114915940A (zh) | 一种基于边云计算的车路通信链路匹配方法及系统 | |
Sun et al. | Dynamic Pricing for Vehicle Dispatching in Mobility-as-a-Service Market via Multi-Agent Deep Reinforcement Learning | |
CN114519506A (zh) | 能量支持激励方法、系统、计算机设备、存储介质及终端 | |
Fontes et al. | AI-empowered data offloading in MEC-enabled IoV networks | |
CN111614420B (zh) | 一种基于供需平衡的车联网认知频谱分配方法 | |
CN116321075B (zh) | 基于博弈论的自动驾驶车辆协作服务决策方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |