CN113535261A - 基于边缘计算的车联网车辆集群任务卸载方法 - Google Patents
基于边缘计算的车联网车辆集群任务卸载方法 Download PDFInfo
- Publication number
- CN113535261A CN113535261A CN202110757626.7A CN202110757626A CN113535261A CN 113535261 A CN113535261 A CN 113535261A CN 202110757626 A CN202110757626 A CN 202110757626A CN 113535261 A CN113535261 A CN 113535261A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- task
- resource
- vehicles
- tasks
- 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.)
- Granted
Links
Images
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
- 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
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
-
- 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
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于边缘计算的车联网车辆集群任务卸载方法,首先由路边单元RSU获取车辆集群中的车辆信息,然后进行任务卸载分析,确定需要进行任务卸载的车辆集合,对于需要进行任务卸载的车辆基于车辆邻居数、资源平衡度以及任务数计算优先级评分,并进行优先级排序,依次对每个需要进行任务卸载的车辆中的每个任务确定任务卸载目标车辆,在此过程中计算任务和车辆的资源匹配度来确定最终的任务卸载目标车辆。本发明通过任务卸载,最大化完成探测任务,提升探测信息量,提高集群探测成功率,加强道路安全性。
Description
技术领域
本发明属于车联网技术领域,更为具体地讲,涉及一种基于边缘计算的车联网车辆集群任务卸载方法。
背景技术
近年自动驾驶汽车得到了学术界和工业界越来越多的关注,诸如Tesla、Baidu、Uber等大型科技公司投入研发,一些原型车辆也已经投入测试。相较于传统汽车,自动驾驶汽车配备了更多传感器、多样化的通讯设备和更强大的计算设备,但是为了保证自动驾驶汽车行驶安全,其相应的也要承担更多计算。例如自动驾驶车辆需要运行目标检测、道路检测、定位等算法以使得车辆能够感知周围环境并做出决策,实现自动驾驶。
自动驾驶汽车可以通过车载传感器,例如Camera、LiDAR等,进行自主探测获取交通信息,这种方式受限于车辆位置和车载设备的能力,有局限性。另一方面,车辆可以通过路边服务单元(Road Side Unit,RSU)获取道路信息,但往往时效性不足。而如果把一定区域内的自动驾驶车辆组成车辆集群,共同进行实时的探测,将能够很好的解决时效性问题,同时也能扩大探测范围、提升探测信息量,有利于提高道路安全性。但是,由于参与集群探测车辆将运行诸多算法,这会给车辆带来较大资源负担,同时也可能形成集群内车辆负载不平衡的情况。把集群车辆通过无线网络互联在一起形成基于边缘计算的车联网,彼此共享资源,通过在集群车辆间任务卸载,将有利于解决车辆面临的资源负担,提高成功探测概率,提升道路安全性。但是如何对集群车辆进行合理调度,最大化地完成探测任务,还需要进一步研究。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于边缘计算的车联网车辆集群任务卸载方法,通过任务卸载,最大化完成探测任务,提升探测信息量,提高集群探测成功率,加强道路安全性。
为了实现上述发明目的,本发明基于边缘计算的车联网车辆集群任务卸载方法包括以下步骤:
S1:路边单元RSU获取车辆集群中的车辆信息,包括集群中车辆数量M、车辆的资源类型数量R、车辆所需执行的任务类型数量K、每辆车辆的可用资源向量、车辆的任务向量、任务的资源需求向量以及每辆车辆的邻居车辆向量,其中记每辆车辆的可用资源向量为Ci=(ci,1,ci,2,…,ci,R),其中ci,r表示车辆i中第r种资源的可用容量,i=1,2,…,M,r=1,2,…,R,记车辆的任务向量为Si=(si,1,si,2,…,si,K),其中si,k表示车辆i产生的第k种任务的数量,记第k种任务的资源需求向量为Wk=(wk,1,wk,2,…,wk,R),其中wk,r表示第k种任务中单个任务对第r种资源的资源需求量,k=1,2,…,K,记每辆车辆的邻居车辆向量为Δi=(δi,1,δi,2,…,δi,M),δi,j=1表示车辆j是车辆i的邻居节点,δi,j=0表示车辆j不是车辆i的邻居节点,j=1,2,…,M;
S2:对于车辆集群中的每辆车辆i,首先初始化车辆i卸载到车辆j上执行的第k种任务的数量yi,j,k=0,然后判断其自身资源容量是否满足自身任务的资源需求量,即判断每种资源是否均满足如果是,则说明该车辆i自身可以完成其任务,无需再进行任务卸载,令车辆i在车辆i自身上执行的第k种任务的数量yi,i,k=si,k,更新车辆i的第r种资源的可用容量否则将车辆i加入需要进行任务卸载的车辆集合A;
S3:对于车辆集合A中的车辆i,按照以下公式计算其优先级评分di:
其中,q(hi)=lg(hi+9)表示邻居车辆数贡献函数,其中hi表示车辆i的邻居车辆数,其计算公式如下:
g(B(k))=1.2B(k)是资源平衡度贡献函数,B(k)表示第k种任务的资源平衡度,其计算公式如下:
将车辆集合A中的车辆按照优先级评分进行降序排列,得到车辆列表list;
S4:路边单元RSU采用以下方法确定任务卸载方案:
S4.1:令n=1;
S4.4:令k=1;
S4.5:令λ=1;
S4.6:对于备选目标车辆集合中的各个车辆m′,判断车辆m′中当前资源可用容量是否满足车辆in中第k种任务的单个任务资源需求,即是否cm′,r≥wk,r,r=1,2,…,R,如果是,将该车辆加入可卸载目标车辆集合否则不作任何操作;
S4.11:令λ=λ+1,返回步骤S4.6;
S4.12:判断是否k<K,如果是,进入步骤S4.13,否则进入步骤S4.15;
S4.13:令k=k+1,返回步骤S4.5;
S4.14:对步骤S4.3备份的数据进行恢复,进入步骤S4.15;
S4.15:判断是否n<|A|,|A|表示车辆集合A中车辆数量,如果是,进入步骤S4.16,否则进入步骤S4.17;
S4.16:令n=n+1,返回步骤S4.2;
S5:车辆集群中各个车辆从路边单元RSU获取任务卸载方案,并进行任务卸载与执行。
本发明基于边缘计算的车联网车辆集群任务卸载方法,首先由路边单元RSU获取车辆集群中的车辆信息,然后进行任务卸载分析,确定需要进行任务卸载的车辆集合,对于需要进行任务卸载的车辆基于邻居车辆数、资源平衡度以及任务数计算优先级评分,并进行优先级排序,依次对每个需要进行任务卸载的车辆中的每个任务确定任务卸载目标车辆,在此过程中计算任务和车辆的资源匹配度来确定最终的任务卸载目标车辆。
本发明通过任务卸载,可以把资源紧张的车辆任务卸载到拥有空闲资源的车辆中,以最大化完成任务的车辆数量对车辆集群中的车辆进行合理调度,从而最大化完成探测任务,提升探测信息量,提高集群探测成功率,加强道路安全性。
附图说明
图1是基于边缘计算的车联网车辆集群示意图;
图2是本发明基于边缘计算的车联网车辆集群任务卸载方法的具体实施方式流程图;
图3是邻居车辆数对任务卸载方案的影响示意图;
图4是本发明中确定任务卸载方案的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了更好地说明本发明的技术方案,首先对本发明的应用场景和理论推导进行简要说明。
图1是基于边缘计算的车联网车辆集群示意图。如图1所示,当几个车辆距离较近时,可以通过无线网络互联组成车联网共享车辆资源,集群车辆任务可卸载到其他车辆执行。假设有若干辆车辆构成车辆集群,当其中存在某个车辆的资源需求量大于其自身的资源容量时,如果不进行任务卸载,那么该车辆的探测任务将不能完成,需要通过任务卸载以保证该任务完成。
车辆集群探测的好处在于可以扩大探测范围、提升感知量、避免单独车辆探测死角;而任务卸载则可以协同利用集群车辆的资源完成探测任务,强化集群探测效果。车辆集群探测的大致流程如下:
1、集群内车辆进行邻居探测,确定在时间槽内可以连接稳定的车辆。
2、各个车辆将车辆目前的状态信息(邻居集合、可用资源和车辆任务集合)同步给路边服务单元。
3、路边服务单元收集集群车辆同步的信息。
4、路边服务单元根据集群车辆信息进行任务卸载方案决策。
5、路边服务单元把卸载方案回传给车辆.
6、车辆根据自己的卸载方案进行任务卸载。
7、各个车辆接收任务执行结果.
8、各个车辆将所接收到的任务报告结果组合后上报给路边服务单元,供其他车辆获取。
为了便于描述车联网车辆集群任务卸载方法,需要先对本发明所基于的数学模型进行说明。为每个路边单元RSU划分一个服务区域,该路边单元RSU作为车辆集群的控制中心,为区域内参与集群探测的车辆提供服务。记该区域内有M辆车辆构成车辆集群,车辆可以通过车辆到基础设置(vehicle-to-infrastructure,V2I)链路与路边单元RSU建立连接,也可以通过车辆到车辆(vehicle-to-vehicle,V2V)链路实现车辆之间的互联。车辆可与多辆其他车辆同时通讯,路边单元RSU也可以同时与区域内车辆通讯,这些通讯之间互不干扰。
每个车辆拥有通讯和计算设备,可以被当作具有无线通讯能力的小型服务器。车辆拥有多种资源,例如CPU、memory和Disk size等,记车辆的资源类型数量为R。车辆可能由于价格因素,导致其拥有的用于处理探测数据的各个资源量不同,可以使用Ci=(ci,1,ci,2,…,ci,R)表示车辆i的可用资源向量,其中ci,r表示车辆i中第r种资源的可用容量,i=1,2,…,M,M表示车辆集群中车辆的数量,r=1,2,…,R。车辆既可以执行自身产生的数据处理任务,也可以通过虚拟化的方式,例如虚拟机、容器等,为其他连接的车辆提供计算服务。在集群探测中,获取交通信息需要处理来自不同传感器的数据,例如Camera、LiDAR、Radar等,它们数据产生率不同。例如,LiDAR每秒将会产生10-70MB的数据,而Radar每秒只会产生10-100KB。不同类型传感器数据对应了不同的处理任务,记任务类型数量为K,第k种任务中单个任务的资源需求向量为Wk=(wk,1,wk,2,…,wk,R),其中wk,r表示第k种任务对第r种资源的资源需求量,k=1,2,…,K。车辆会产生数量不等的各种类型的任务,这些任务可以在车辆自身执行,也可通过V2V链路部分或者全部卸载到其他车辆上执行。本发明中假设计算任务只通过一跳卸载,即不通过多跳路由的方式卸载到未通过V2V连接的车辆上执行。
本发明中任务的规划和卸载基于时间槽的方式执行,图1中展示了一个时间槽内,路边单元RSU和一辆车辆的槽内流程。车辆进入此区域RSU服务范围后,将自动与它同步时间槽。首先,车辆需要通过V2V链路进行邻居的探测,这里邻居是指可与自身稳定连接的其他车辆。假设在一个时间槽内,通过邻居探测获取的车辆网络拓扑不变。但是由于车辆的移动性,其网络拓扑会随时间槽而改变,同时不同车辆因为其通讯设备能力不同,会有不同的网络拓扑。对于车辆i,记其邻居车辆向量为Δi=(δi,1,δi,2,…,δi,M),当δi,j=1表示车辆j是车辆i的邻居节点,当δi,j=0表示车辆j不是车辆i的邻居节点,j=1,2,…,M。一般来说当δi,j=1时δj,i=1,即两辆车辆互为邻居。其次,车辆除了向路边单元RSU报告邻居网络拓扑外,还需要在同步阶段向路边单元RSU报告车辆拥有的可用资源向量Ci和当前时间槽内车辆产生的任务向量Si。其中,Si=(si,1,si,2,…,si,K),si,k表示车辆i产生的第k种任务的数量。最后,路边单元RSU根据在一个时间槽内的收集的以上车辆信息,进行卸载决策并把结果反馈给各个车辆。最后,车辆执行计算卸载执行计算并发送处理结果给路边单元RSU供其他车辆获取。
根据以上的数学模型,在每个时间槽内,路边单元RSU将根据集群车辆同步的信息完成卸载计算。因为集群探测的初衷是扩大探测范围、提高探测信息量,那么自然车联网任务卸载的目标可以为提高任务完成数量,因为成功完成任务的数量越多,探测的信息量也能提升。
那么对于基于边缘计算车联网车辆集群探测来说,需要通过任务卸载追求更大的探测信息量,进而提高获取的交通信息、帮助提高道路安全性,由此任务卸载任务可以定义为:
xi∈{0,1},yi,j,k∈Z+∪{0} (1c)
其中,xi=1表示车辆集群中车辆i的任务完成,xi=0表示车辆集群中车辆i的任务未完成,yi,j,k表示车辆i卸载到车辆j上执行的第k种任务的数量。
(1)式表示优化目标为最大化完成任务车辆数,式(1a)表示车辆i卸载到其他车辆执行的各类任务的数量应该等于其提交的对应类别任务数,式(1b)表示在集群中各个车辆上所执行的任务对各类资源的占用总量不超过车辆所拥有的可用资源量,式(1c)表示对决策变量xi和yi,j,k的约束。
上述问题可以规约为一个多维的带部署约束的多背包问题,但是此问题是一个NP难问题,无法在多项式时间内求解。基于以上分析,本发明提出了基于边缘计算的车联网车辆集群任务卸载方法。图2是本发明基于边缘计算的车联网车辆集群任务卸载方法的具体实施方式流程图。如图2所示,本发明基于边缘计算的车联网车辆集群任务卸载方法的具体步骤包括:
S201:获取车辆集群信息:
S1:路边单元RSU获取车辆集群中的车辆信息,包括集群中车辆数量M、车辆的资源类型数量R、车辆所需执行的任务类型数量K、每辆车辆的可用资源向量、车辆的任务向量、任务的资源需求向量以及每辆车辆的邻居车辆向量,其中记每辆车辆的可用资源向量为Ci=(ci,1,ci,2,…,ci,R),其中ci,r表示车辆i中第r种资源的可用容量,i=1,2,…,M,r=1,2,…,R,记车辆的任务向量为Si=(si,1,si,2,…,si,K),其中si,k表示车辆i产生的第k种任务的数量,记第k种任务的资源需求向量为Wk=(wk,1,wk,2,…,wk,R),其中wk,r表示第k种任务中单个任务对第r种资源的资源需求量,k=1,2,…,K,记每辆车辆的邻居车辆向量为Δi=(δi,1,δi,2,…,δi,M),δi,j=1表示车辆j是车辆i的邻居节点,δi,j=0表示车辆j不是车辆i的邻居节点,j=1,2,…,M。
S202:任务卸载分析:
按照以下方法进行任务卸载分析,确定需要进行任务卸载的车辆集合A:
对于车辆集群中的每辆车辆i,首先初始化车辆i卸载到车辆j上执行的第k种任务的数量yi,j,k=0,然后判断其自身资源容量是否满足自身任务的资源需求量,即判断每种资源是否均满足如果是,则说明该车辆i自身可以完成其任务,无需再进行任务卸载,令车辆i有车辆i自身上执行的第k种任务的数量yi,i,k=si,k,更新车辆i的第r种资源的可用容量否则将车辆i加入需要进行任务卸载的车辆集合A。
S203:确定车辆卸载任务优先级:
接下来路边单元RSU需要确定车辆集合A中车辆拟卸载任务的次序,也即优先级。在公式(1)所提出的规划模型中,优化目标为最大化完成任务的车辆数。因此本发明从分析车辆的属性入手,分析车辆卸载优先级确定准则,分别考虑邻居车辆数、资源平衡度等因素对优先级的影响,构建优先级计算公式,从而确定车辆优先级。
·邻居车辆数
对于邻居车辆数而言,路边单元RSU根据各辆车辆的邻居车辆向量Δi=(δi,1,δi,2,…,δi,M),即可计算得到该车辆的邻居车辆数邻居车辆数是车辆的一项属性,能够在一定程度上决定分配的优先级。具体来说,两个拥有相同任务数量的车辆,邻居车辆数越少,则导致任务卸载可选择的目标越少,因此其优先级越高。
图3是邻居车辆数对任务卸载方案的影响示意图。如图3所示,当前车辆集群包括3辆车辆1,2,3,资源种类为3,它们分别拥有资源量C1=(2,3,4),C2=(3,4,5),C3=(5,7,9)。本实施例中车辆有两种类型的传感器产生两种不同的任务,车辆的任务向量S1=(1,1),S2=(1,1),S3=(0,0),它们的资源需求量分别为W1=(2,3,4),W2=(3,4,5)。车辆1只有一个邻居(车辆2),而车辆2则有两个邻居(车辆1和车辆3)。如果车辆2先分配,那么结果图3(a)所示,车辆2的任务会分配到车辆1和自己中执行,此时成功完成探测数据处理任务的车辆只有车辆2;而如果让只有一个邻居的车辆1先分配,那么车辆1的任务则分散在其本身和车辆2中执行,且车辆2的任务可以在车辆3执行,这样完成任务的车辆数为2,如图3(b),显然让邻居车辆数较少的车辆拥有相对高的优先级,有利于提高完成任务的车辆数。
·资源平衡度
由于车辆中不同类型的传感器会产生不同类型的数据任务,有不同的资源需求量。任务对各个资源的需求量特征也将影响能完成任务的车辆数。对于第k种任务,其资源平衡度定义为:
资源平衡度B(k)表示任务不同维度资源占用的归一化后最大差值,其值越大代表任务越不平衡,如果其值为0则表示各个资源占用相同。如果车辆所拥有的不平衡任务较多,则这些任务的成功分配将导致目标车辆某种类型资源的快速耗尽,进而无法完成更多的任务,导致完成任务的车辆数减少。
同样的,假设当前车辆集群包括3辆车辆1,2,3,资源种类为3,它们分别拥有资源量C1=(2,2,2),C2=(2,3,5),C3=(2,3,5)。车辆产生两种不同的任务,车辆的任务向量S1=(0,2),S2=(2,0),S3=(2,0),它们的资源需求量分别为W1=(1,1,1),W2=(1,1,5)。3辆车辆均互为邻居车辆。如果资源平衡度B(k)更高的车辆1优先分配,那么其两个任务将会在车辆2和车辆3上执行,这将导致车辆2和3的第三种资源耗尽,从而使得它们的任务无法完成,最终完成任务的车辆数只有1;而如果车辆2和3优先,即拥有平衡资源的车辆优先,那么它们的任务都能够完成,虽然1的任务无法完成,但是最终完成任务车辆数为2,提高了成功处理的探测信息,有助于提高道路安全性。
除了以上两点提到的影响优先级的因素外,车辆产生任务的资源需求总量同样也是影响最终完成任务车辆数的一个重要因素。在区域内车辆拥有资源总量不变的情况下,任务所需要的资源量越少,其完成的数目也较多。所以,对于车辆优先级的确定也应该考虑车辆提交的任务资源占用总量。
本发明基于以上分析,基于资源占用总量、资源平衡度和邻居车辆数设计了车辆优先级公式,即对于车辆集合A中的车辆i,按照以下公式计算其优先级评分di:
其中,q(hi)=lg(hi+9)表示邻居车辆数贡献函数,其中hi表示车辆i的邻居车辆数,其计算公式如下:
g(B(k))=1.2B(k)是资源平衡度贡献函数,B(k)表示第k种任务的资源平衡度,其计算公式如下:
可见,两个贡献函数都是单调递增的函数,表示对资源总占用的放大。显然,优先级评分越小表示优先级越低。将车辆集合A中的车辆按照优先级评分进行降序排列,得到车辆列表list。
S204:确定任务卸载方案:
图4是本发明中确定任务卸载方案的流程图。如图4所示,本发明中确定任务卸载方案的具体步骤包括:
S401:令n=1。
S402:确定备选目标车辆集合:
S403:数据备份:
S404:令k=1。
S405:令λ=1。
S406:筛选可卸载目标车辆集合:
对于备选目标车辆集合中的各个车辆m′,判断车辆m′中当前资源可用容量是否满足车辆in中第k种任务的单个任务资源需求,即是否cm′,r≥wk,r,r=1,2,…,R,如果是,将该车辆加入可卸载目标车辆集合否则不作任何操作。
S408:确定任务卸载目标车辆:
对于待卸载的任务来说,本发明将使用任务与可卸载目标车辆的匹配程度来选择任务卸载目标车辆。对于一辆决定通过计算卸载执行其任务的车辆in,通过任务和可卸载目标车辆集合中车辆的剩余资源匹配程度决定最终进行任务卸载的目标车辆,对于第k种任务和可卸载目标车辆集合中的车辆m,采用以下公式计算资源匹配度f(k,m):
即对于第k种任务中的一个任务,将在邻居车辆集合中选择能容纳此任务且f(k,m)最小的车辆运行任务。f(k,m)越小代表待卸载任务的资源需求与目标车辆当前能提供的资源相符程度越高,这样就能减少在目标车辆中产生的资源碎片和空间浪费。因此将资源匹配度f(k,m)最小的车辆m*作为车辆in中第k种任务中第λ个任务的任务卸载目标车辆,令车辆in卸载到车辆m*上执行的第k种任务的数量
S409:更新资源可用容量:
S411:令λ=λ+1,返回步骤S406。
S412:判断是否k<K,如果是,进入步骤S413,否则进入步骤S415。
S413:令k=k+1,返回步骤S405。
S414:数据恢复:
一旦车辆in中有某个任务未卸载成功,则说明车辆in的任务无法全部完成,由于本发明需要最大化完成任务车辆数,因此为了节约资源,车辆in的所有任务均不进行卸载,因此对步骤S403备份的数据进行恢复,进入步骤S415。
S415:判断是否n<|A|,|A|表示车辆集合A中车辆数量,如果是,进入步骤S416,否则进入步骤S417。
S416:令n=n+1,返回步骤S402。
S417:获取任务卸载方案:
S205:任务卸载:
按照步骤S204中确定的车辆集合A中各车辆in的任务卸载方案对各车辆进行任务卸载。
为了更好地说明本发明的技术方案,采用一个具体实例对本发明进行举例说明。本实施例中任务类型为3,需要使用三种不同类型的资源完成任务,对应的资源需求为W1=(3,16,10),W2=(2,10,8)和W3=(1,3,4)。共有3辆车参与到集群探测中。在某时间槽中同步阶段路边单元RSU收到的各个车辆信息如下表:
表1
那么根据算法,车辆任务卸载方案计算如下
·车辆3任务能够本地完成,车辆3的剩余可用资源调整为(5,37,26),只有车辆1、2需要任务卸载,且按照车辆卸载优先级排序后顺序为车辆2、车辆1。
·选择车辆2进行卸载方案计算。首先计算其任务类型1的任务卸载目标车辆。由于车辆2只和车辆3相连,而车辆2和车辆3的资源均能满足任务类型1的需要,因此需计算任务类型1与车辆2本身和车辆3的资源匹配度:
f(1,2)=|1-1|+|20/3-16/3|+|15/3-10/3|=3
f(1,3)=|1-1|+|37/5-16/3|+|26/5-10/3|=3.93333
那么选择资源匹配度最小的车辆执行任务,即类型1任务将在车辆2执行,车辆2剩余资源为(0,4,5)。
·计算车辆2任务类型3的任务卸载目标车辆。此时车辆2本身的资源不足以容纳类型3任务,此任务将卸载到车辆3执行。车辆2任务卸载完毕。车辆3可用资源变为(4,34,22)。车辆2任务卸载方案计算完成。
·选择车辆1进行卸载方案计算。首先计算其任务类型1的任务卸载目标车辆。由于车辆1只同车辆3相连,而车辆1和车辆3的资源均能满足任务类型1的需要,因此需计算类型1任务与车辆1本身和车辆3的资源匹配度:
f(1,1)=|1-1|+|26/5-16/3|+|22/5-10/3|=1.2
f(1,3)=|1-1|+|34/4-16/3|+|22/4-10/3|=5.33333
车辆1中任务类型1的第一个任务分配到车辆1执行,车辆1剩余资源为(2,10,12)。此时,剩余的车辆1类型1任务因为车辆1可用资源不足只能卸载到车辆3,车辆3剩余资源(1,18,12)。
·计算车辆1任务类型2任务卸载目标车辆。同样,因为车辆3资源不足,类型2任务只能在本地执行。车辆1可用资源变为(0,0,4)。
·计算车辆1任务类型3任务卸载目标车辆。此时只有车辆3有空闲资源容纳车辆1类型3的任务,任务将卸载到车辆3,车辆3剩余资源(0,15,8)。任务卸载计算完毕。
表2是本实施例的任务卸载方案表。
如表2所示,其中车辆1、2上没有来自其他车辆卸载的任务。而车辆3上有来自车辆1、2的卸载任务,例如,表格第三行第一列表示车辆1卸载了一个类型1任务和一个类型3任务到车辆3执行。通过卸载算法,所有车辆的任务都能够完成。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于边缘计算的车联网车辆集群任务卸载方法,其特征在于,包括以下步骤:
S1:路边单元RSU获取车辆集群中的车辆信息,包括集群中车辆数量M、车辆的资源类型数量R、车辆所需执行的任务类型数量K、每辆车辆的可用资源向量、车辆的任务向量、任务的资源需求向量以及每辆车辆的邻居车辆向量,其中记每辆车辆的可用资源向量为Ci=(ci,1,ci,2,…,ci,R),其中ci,r表示车辆i中第r种资源的可用容量,i=1,2,…,M,r=1,2,…,R,记车辆的任务向量为Si=(si,1,si,2,…,si,K),其中si,k表示车辆i产生的第k种任务的数量,记第k种任务的资源需求向量为Wk=(wk,1,wk,2,…,wk,R),其中wk,r表示第k种任务中单个任务对第r种资源的资源需求量,k=1,2,…,K,记每辆车辆的邻居车辆向量为Δi=(δi,1,δi,2,…,δi,M),δi,j=1表示车辆j是车辆i的邻居节点,δi,j=0表示车辆j不是车辆i的邻居节点,j=1,2,…,M;
S2:对于车辆集群中的每辆车辆i,首先初始化车辆i卸载到车辆j上执行的第k种任务的数量yi,j,k=0,然后判断其自身资源容量是否满足自身任务的资源需求量,即判断每种资源是否均满足如果是,则说明该车辆i自身可以完成其任务,无需再进行任务卸载,令车辆i在车辆i自身上执行的第k种任务的数量yi,i,k=si,k,更新车辆i的第r种资源的可用容量否则将车辆i加入需要进行任务卸载的车辆集合A;
S3:对于车辆集合A中的车辆i,按照以下公式计算其优先级评分di:
其中,q(hi)=lg(hi+9)表示邻居车辆数贡献函数,其中hi表示车辆i的邻居车辆数,其计算公式如下:
g(B(k))=1.2B(k)是资源平衡度贡献函数,B(k)表示第k种任务的资源平衡度,其计算公式如下:
将车辆集合A中的车辆按照优先级评分进行降序排列,得到车辆列表list;
S4:路边单元RSU采用以下方法确定任务卸载方案:
S4.1:令n=1;
S4.4:令k=1;
S4.5:令λ=1;
S4.6:对于备选目标车辆集合中的各个车辆m′,判断车辆m′中当前资源可用容量是否满足车辆in中第k种任务的单个任务资源需求,即是否cm′,r≥wk,r,r=1,2,…,R,如果是,将该车辆加入可卸载目标车辆集合否则不作任何操作;
S4.11:令λ=λ+1,返回步骤S4.6;
S4.12:判断是否k<K,如果是,进入步骤S4.13,否则进入步骤S4.15;
S4.13:令k=k+1,返回步骤S4.5;
S4.14:对步骤S4.3备份的数据进行恢复,进入步骤S4.15;
S4.15:判断是否n<|A|,|A|表示车辆集合A中车辆数量,如果是,进入步骤S4.16,否则进入步骤S4.17;
S4.16:令n=n+1,返回步骤S4.2;
S4.17:将当前得到的车辆集合A中各车辆in卸载到各车辆上执行的各种任务的数量yin,j,k,作为各车辆in最终的任务卸载方案;
S5:车辆集群中各个车辆从路边单元RSU获取任务卸载方案,并进行任务卸载与执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757626.7A CN113535261B (zh) | 2021-07-05 | 2021-07-05 | 基于边缘计算的车联网车辆集群任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757626.7A CN113535261B (zh) | 2021-07-05 | 2021-07-05 | 基于边缘计算的车联网车辆集群任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113535261A true CN113535261A (zh) | 2021-10-22 |
CN113535261B CN113535261B (zh) | 2022-09-06 |
Family
ID=78126737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757626.7A Active CN113535261B (zh) | 2021-07-05 | 2021-07-05 | 基于边缘计算的车联网车辆集群任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535261B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11638133B1 (en) * | 2022-05-12 | 2023-04-25 | Rivian Ip Holdings, Llc | Distributed processing system for vehicles |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111132077A (zh) * | 2020-02-25 | 2020-05-08 | 华南理工大学 | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 |
CN111262940A (zh) * | 2020-01-17 | 2020-06-09 | 中南大学 | 一种车载边缘计算应用缓存方法、装置及系统 |
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 |
CN111372217A (zh) * | 2020-03-02 | 2020-07-03 | 厦门大学 | 车联网环境中的计算任务卸载方法、介质及装置 |
CN111462487A (zh) * | 2020-03-31 | 2020-07-28 | 长安大学 | 一种车联网环境下的最优化边缘计算节点选择方法及系统 |
US20200267053A1 (en) * | 2019-02-15 | 2020-08-20 | Samsung Electronics Co., Ltd. | Systems and methods for latency-aware edge computing |
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 |
CN112055329A (zh) * | 2020-08-03 | 2020-12-08 | 广东工业大学 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
CN112714178A (zh) * | 2020-12-25 | 2021-04-27 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112737842A (zh) * | 2020-12-29 | 2021-04-30 | 西北工业大学深圳研究院 | 空地一体化车联网中基于最小化时延的任务安全卸载方法 |
CN112887905A (zh) * | 2021-01-29 | 2021-06-01 | 重庆邮电大学 | 一种车联网中基于周期性资源调度的任务卸载方法 |
-
2021
- 2021-07-05 CN CN202110757626.7A patent/CN113535261B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200267053A1 (en) * | 2019-02-15 | 2020-08-20 | Samsung Electronics Co., Ltd. | Systems and methods for latency-aware edge computing |
CN111262940A (zh) * | 2020-01-17 | 2020-06-09 | 中南大学 | 一种车载边缘计算应用缓存方法、装置及系统 |
CN111132077A (zh) * | 2020-02-25 | 2020-05-08 | 华南理工大学 | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 |
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 |
CN111372217A (zh) * | 2020-03-02 | 2020-07-03 | 厦门大学 | 车联网环境中的计算任务卸载方法、介质及装置 |
CN111462487A (zh) * | 2020-03-31 | 2020-07-28 | 长安大学 | 一种车联网环境下的最优化边缘计算节点选择方法及系统 |
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 |
CN112055329A (zh) * | 2020-08-03 | 2020-12-08 | 广东工业大学 | 一种适用于rsu覆盖切换的边缘车联网任务卸载方法 |
CN112714178A (zh) * | 2020-12-25 | 2021-04-27 | 北京信息科技大学 | 一种基于车载边缘计算的任务卸载方法及装置 |
CN112737842A (zh) * | 2020-12-29 | 2021-04-30 | 西北工业大学深圳研究院 | 空地一体化车联网中基于最小化时延的任务安全卸载方法 |
CN112887905A (zh) * | 2021-01-29 | 2021-06-01 | 重庆邮电大学 | 一种车联网中基于周期性资源调度的任务卸载方法 |
Non-Patent Citations (5)
Title |
---|
张海波等: "车辆异构网中基于移动边缘计算的任务卸载与资源分配", 《物联网学报》 * |
张骥先等: "一种支持云计算虚拟资源分配的可信多需求拍卖机制", 《电子与信息学报》 * |
张骥先等: "基于监督学习的可信云计算资源拍卖机制研究", 《电子与信息学报》 * |
王登辉等: "面向物联网的移动边缘计算任务卸载方法研究", 《内江师范学院学报》 * |
莫瑞超等: "面向车联网边缘计算的智能计算迁移研究", 《应用科学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11638133B1 (en) * | 2022-05-12 | 2023-04-25 | Rivian Ip Holdings, Llc | Distributed processing system for vehicles |
Also Published As
Publication number | Publication date |
---|---|
CN113535261B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108777852A (zh) | 一种车联网内容边缘卸载方法、移动资源分配系统 | |
US20120054768A1 (en) | Workflow monitoring and control system, monitoring and control method, and monitoring and control program | |
CN114142907B (zh) | 一种通信终端设备的信道筛选优化方法及系统 | |
CN113282409B (zh) | 边缘计算任务的处理方法、装置和计算机设备 | |
CN114595049A (zh) | 一种云边协同任务调度方法及装置 | |
CN110570075A (zh) | 一种电力业务边缘计算任务分配方法及装置 | |
CN113535261B (zh) | 基于边缘计算的车联网车辆集群任务卸载方法 | |
CN113891477A (zh) | 一种车联网中基于mec计算任务卸载的资源分配方法 | |
CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
CN113645273A (zh) | 基于业务优先级的车联网任务卸载方法 | |
WO2012171362A1 (zh) | 一种构建多点协作传输小区协作集的方法及装置 | |
Zhang et al. | Dynamic DNN decomposition for lossless synergistic inference | |
Guo et al. | Radio resource management for C-V2X: From a hybrid centralized-distributed scheme to a distributed scheme | |
CN109032789B (zh) | 一种物流网络的部署方法、装置和服务器 | |
WO2017148246A1 (zh) | 一种数据配置方法和装置 | |
CN113825198A (zh) | 小区重选方法、网管设备、基站及存储介质 | |
CN111626354A (zh) | 应用于车联网中的基于任务依赖性的聚类方法 | |
Han et al. | Opportunistic coded distributed computing: An evolutionary game approach | |
CN110933728B (zh) | 虚拟化无线传感网络的映射方法、装置、存储介质 | |
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 | |
CN114172962A (zh) | 面向工业agv的双向选择边缘计算服务分配方法 | |
CN112948087A (zh) | 一种基于拓扑排序的任务调度方法及系统 | |
Qian et al. | Online vehicle selection for task replication via bandit learning | |
KR102251863B1 (ko) | 차량 클라우드 컴퓨팅을 위한 작업 할당 방법 및 이를 수행하는 서버 및 차량 데이터 처리 시스템 | |
CN109872070B (zh) | 基于团划分的静态充电桩部署方法 |
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 |