CN113573280A - 一种车辆边缘计算成本效益优化方法、系统、设备、终端 - Google Patents

一种车辆边缘计算成本效益优化方法、系统、设备、终端 Download PDF

Info

Publication number
CN113573280A
CN113573280A CN202110636429.XA CN202110636429A CN113573280A CN 113573280 A CN113573280 A CN 113573280A CN 202110636429 A CN202110636429 A CN 202110636429A CN 113573280 A CN113573280 A CN 113573280A
Authority
CN
China
Prior art keywords
vehicle
user
mec
users
vehicle user
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
Application number
CN202110636429.XA
Other languages
English (en)
Other versions
CN113573280B (zh
Inventor
杜剑波
孙艳
李树磊
孙爱晶
卢光跃
姜静
梁彦霞
何华
梁思远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202110636429.XA priority Critical patent/CN113573280B/zh
Publication of CN113573280A publication Critical patent/CN113573280A/zh
Application granted granted Critical
Publication of CN113573280B publication Critical patent/CN113573280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，公开了一种车辆边缘计算成本效益优化方法、系统、设备、终端，所述车辆边缘计算成本效益优化方法包括：初始化参数；根据本地执行的可行性以及任务处理最大时延进行卸载决策优化；进行MEC模型优化：通过协同优化用户分簇、子载波分配、计算资源分配及功率控制策略，使得卸载到MEC处理任务的用户的成本最小；进行云中心模型优化：通过协同优化计算资源分配和功率控制，最小化卸载到云中心处理任务的用户的成本。通过以上优化，本发明能够在保证用户任务处理时延的QoS需求的条件下，使得系统总成本最小化，使得尽可能多的用户任务得以执行，为用户节省尽可能多的成本，可应用于多种需要大容量、低成本的车联网场景中。

Description

一种车辆边缘计算成本效益优化方法、系统、设备、终端
技术领域
本发明属于无线通信技术领域，尤其涉及一种车辆边缘计算成本效益优化方法、系统、设备、终端。
背景技术
目前，物联网的出现彻底改变了计算时代。随着移动通信和传感器的快速发展，物联网应用已经渗透到医疗保健、航空、社交网络、智慧城市、交通以及交通控制等各个方面。其中，车联网(IoV)已经成为实现智能交通的关键技术之一。此外，诸如自动驾驶、视频流、语音识别和车载娱乐等各种车辆应用有望在车辆中实现。然而，这些应用不仅具有低延迟限制，并且需要大量的计算资源，车辆的车载计算能力已无法满足巨大的计算需求。
移动边缘计算(MEC)具有分布式计算的特点，它提供了一种新的计算架构，将计算密集型任务从远程云服务器和数据中心转移到本地边缘网络。通过将计算密集型任务转移到MEC服务器并在云上处理，许多新兴的移动应用将从MEC中受益。它解决了由于车载用户和远程服务器之间的数据传输延迟可能很高，远程云计算技术无法保证服务质量和体验质量要求的问题。将MEC和IoV结合起来可以降低车辆用户任务处理延迟和能耗等方面的问题。
非正交多址(NOMA)是一种提高频谱利用率的有效技术，它允许不同的终端用户共享相同的频谱、时间和空间资源来进行并行传输，从而可以容纳尽可能多的无线设备。将NOMA引入到IoV中可以提高系统容量和频谱效率等，为车辆用户提供更高服务质量的任务卸载服务。
对于车联网的特殊场景来说，车辆的能量供给充足，不需考虑能耗问题，但其处理任务的时延是至关重要的。另外，其执行任务卸载需要给运营商支付相应的费用。因此基于边缘计算的车联网主要考虑降低任务执行时延和经济开销两个因素。
因此，在IoV中引入MEC和NOMA可以大大提高系统的任务处理性能，减少任务处理时间、开销，并且支持大量的车辆连接。目前，绝大多数的文献只进行了将NOMA或者MEC两者之一与车联网结合起来，并且所做工作只要考虑了任务执行延迟的问题。因为MEC和NOMA的侧重点不同，MEC通过将车辆用户的任务卸载到边缘从而减小车辆用户任务处理的时延、开销，NOMA可以通过容纳更多的车辆用户从而获得更快的任务卸载速率，将二者结合引入到车联网中可以更有效的为车辆用户提供更高质量的服务。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有车辆应用不仅具有低延迟限制，并且需要大量的计算资源，车辆的车载计算能力已无法满足巨大的计算需求。
(2)现有文献仅将NOMA和MEC二者之一与车联网结合，并且主要考虑的是任务处理时延问题。
解决以上问题及缺陷的难度为：本发明在保证任务处理时延的同时，对系统成本进行优化，涉及到优化问题往往都是非凸的，因而难以求解。并且如何进行合理的资源分配使系统成本最小化也是难点之一。
解决以上问题及缺陷的意义为：本发明考虑了将NOMA和MEC二者结合引入到车联网中，并且站在用户的角度考虑，车辆卸载需要支付的费用也是很重要的因素且车辆任务处理时间同样至关重要。本发明所提出的启发式优化算法复杂度低，有利于应用于实际系统中。
发明内容
针对现有技术存在的问题，本发明提供了一种车辆边缘计算成本效益优化方法、系统、设备、终端，尤其涉及一种基于非正交多址的车辆边缘计算成本效益优化方法、系统、设备、终端。
本发明是这样实现的，一种车辆边缘计算成本效益优化方法，所述车辆边缘计算成本效益优化方法包括：
初始化车辆用户个数为N，MEC服务器个数M，子载波个数Wm，MEC计算资源块Um，车辆用户的初始位置
Figure BDA0003105399720000031
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure BDA0003105399720000032
车辆用户本地处理能力
Figure BDA0003105399720000033
参数。
根据本地执行的可行性以及任务处理最大时延限制进行卸载决策分配优化；判断本地执行是否可行，如果可行，则放入本地可行集合
Figure BDA0003105399720000034
否则，则放入本地不可行集合
Figure BDA0003105399720000035
进行本地不可行集合
Figure BDA0003105399720000036
中车辆用户的卸载决策优化：根据每个车辆用户的初始位置判断其属于哪个AP覆盖范围以及是否适合在MEC进行处理，如果适合，则将其卸载到MEC进行处理；否则，则将其卸载到云。
进行MEC用户分簇、子载波分配、计算资源分配以及功率控制优化：首先是用户分簇，将具有较高信道增益的车辆用户分布到不同的簇，其余的车辆用户被分配给相应的簇；其次是子载波分配，将子载波分配给具有最高成本增益的簇；接下来计算资源分配，先为每个车辆用户分配一些满足基本延迟要求的计算资源，为每个剩余的计算资源找到最佳的车辆用户将其分配完；最后是功率分配，对于每个簇的用户，对终端用户采用时延满足最大时延的用户功率，在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率。
进行云中心计算资源分配和功率控制优化：首先计算资源分配，采用满足处理时延等于最大时延的计算资源即可；其次是功率分配，采用每个车辆用户的功率满足最大功率以减少上行链路的传输时延即可。
进一步，所述MEC用户分簇、子载波分配、计算资源分配及功率控制优化，包括：
(1)对于所有在MEC卸载的车辆用户n，即
Figure BDA0003105399720000037
对于每一个
Figure BDA0003105399720000038
m∈M，按照信道增益降序排列，即
Figure BDA0003105399720000039
(2)用户{1,2,...J}作为簇{1,2,...J}的第一个用户，用户{J+1,J+2,...J+J}作为簇{1,2,...J}的第二个用户，用户{2J+1,2J+2,...2J+J}作为簇{1,2,...J}，以此类推；
(3)开始子载波分配：
①先给每一簇分配一个子载波以表示公平性；
②判断是否满足Wm＞0，如果不满足，执行步骤(4)；如果满足，计算给每一簇m∈M多分配一个子载波后的成本比当前成本的减少量，即成本增益
Figure BDA0003105399720000041
③找出所有用户中成本减少量最大的那一簇，记为j*，即
Figure BDA0003105399720000042
给j*簇分配一个子载波，同时从总的子载波中去掉该子载波，即执行
Figure BDA0003105399720000043
Wm＝Wm-1；
(4)开始第一轮计算资源块分配，保证每个车辆用户的任务执行时延要求：
①从第一个车辆用户开始，对于每个用户
Figure BDA0003105399720000044
给其分配一个计算资源块，同时从总的资源块中去掉该资源块，即执行βn＝βn+1，Um＝Um-1；
②判断是否满足
Figure BDA0003105399720000045
如果不满足，继续给当前用户n分配资源块，执行步骤①；如果满足，执行步骤(5)；
(5)开始第二轮计算资源块分配：
①判断是否满足Um＞0，如果不满足，执行步骤(6)；如果满足，计算给每个用户
Figure BDA0003105399720000046
多分配一个计算资源块后的时延比当前时延的减少量，即时延增益
Figure BDA0003105399720000047
②找出所有用户中时延减少量最大的车辆用户，记为n*，即
Figure BDA0003105399720000048
给车辆用户n*分配一个计算资源块，同时从总的资源块中去掉该资源块，即执行
Figure BDA0003105399720000049
Um＝Um-1；
(6)开始功率分配：
①对于每一簇的车辆用户，首先对于终端车辆用户，若车辆用户为K，则使
Figure BDA0003105399720000051
得到
Figure BDA0003105399720000052
②对于倒数第二个车辆用户，即车辆用户K-1，使
Figure BDA0003105399720000053
得到
Figure BDA0003105399720000054
以此类推，直到求出
Figure BDA0003105399720000055
(7)算法执行结束，得到MEC用户分簇、子载波分配、计算资源块分配以及功率控制策略。
进一步，根据SIC解调原理可知，簇内信道增益差异越大，系统传输速率和解码性能越好，故找出两个具有最大信道差异的相邻车辆用户，将其索引作为簇的个数；
先给每一簇分配一个子载波以表示公平性；
所述计算资源以计算资源块作为单位进行分配，每个车辆用户分配到若干个计算资源块；计算资源块个数充足；进行第一轮计算资源块分配时，给每个车辆用户分配足够多的计算资源块以满足该用户的任务处理时延约束。
进一步，所述云中心计算资源分配和功率控制优化，包括：
(1)对于所有在云中心卸载的车辆用户n，即
Figure BDA0003105399720000056
令
Figure BDA0003105399720000057
得到功率分配；
(2)对于所有在云中心卸载的车辆用户n，即
Figure BDA0003105399720000058
令
Figure BDA0003105399720000059
得到
Figure BDA00031053997200000510
(3)算法执行结束，得到云中心计算资源块分配以及功率控制策略。
进一步，所述车辆边缘计算成本效益优化方法包括以下步骤：
步骤一，初始化参数：车辆用户个数和集合分别为N和
Figure BDA00031053997200000511
MEC服务器个数M，MEC服务器集合
Figure BDA00031053997200000512
车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure BDA00031053997200000513
车辆用户的初始位置
Figure BDA00031053997200000514
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户本地处理能力
Figure BDA00031053997200000515
及阈值ζ参数；
步骤二，对于每个用户
Figure BDA00031053997200000516
判断
Figure BDA00031053997200000517
是否成立，如果成立，则将车辆用户放入本地可行集合
Figure BDA00031053997200000518
卸载决策xn＝1；否则，则将车辆用户放入本地不可行集合
Figure BDA0003105399720000061
步骤三，对于每个用户
Figure BDA0003105399720000062
计算
Figure BDA0003105399720000063
m∈M，将用户卸载到第m个MEC服务器，即
Figure BDA0003105399720000064
并计算
Figure BDA0003105399720000065
步骤四，判断
Figure BDA0003105399720000066
是否成立，如果成立，则将车辆用户卸载到MEC集合
Figure BDA0003105399720000067
卸载决策yn＝1，如果不成立，则将车辆用户卸载到云中心集合
Figure BDA0003105399720000068
卸载决策zn＝1；
步骤五，算法执行结束，得到车辆用户卸载决策分配策略。
进一步，
Figure BDA0003105399720000069
越小，越适合在MEC服务器上处理任务；
新设置一个阈值ξ，通过比较
Figure BDA00031053997200000610
和ξ的大小，可以获得车辆用户任务的卸载决策，即任务卸载在MEC服务器或云中心。
本发明的另一目的在于提供一种应用所述的车辆边缘计算成本效益优化方法的车辆边缘计算成本效益优化系统，所述车辆边缘计算成本效益优化系统，包括：
参数初始化模块，用于初始化车辆用户个数和集合，MEC服务器个数，MEC服务器集合，子载波个数，MEC计算资源块，车辆用户的初始位置，每个MEC覆盖范围，车辆的初始速度，车辆用户任务输入数据量，车辆用户任务处理工作量，车辆用户任务的最大可容忍时延，车辆用户本地处理能力参数；
卸载决策优化模块，用于根据本地执行的可行性以及任务处理最大时延限制进行卸载决策优化；
MEC优化模块，用于联合优化用户分簇、子载波分配、计算资源分配以及功率控制，使MEC成本最小；首先对在MEC卸载其任务的车辆用户，所有用户按信道增益进行分簇，其次按照成本减小的方向对其进行子载波分配，同理进行计算资源分配，最后在根据时延要求进行功率分配；
云中心优化模块，用于联合优化用户计算资源分配和功率控制，使云中心成本最小；首先对在云中心卸载其任务的车辆用户进行计算资源分配，采用满足最大时延的计算资源即可；其次是功率分配，采用满足最大功率以减少上行链路的传输时延即可。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
初始化车辆用户个数和集合分别为N和
Figure BDA0003105399720000071
MEC服务器个数M，MEC服务器集合
Figure BDA0003105399720000072
子载波个数Wm，MEC计算资源块Um，车辆用户的初始位置
Figure BDA0003105399720000073
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure BDA0003105399720000074
车辆用户本地处理能力
Figure BDA0003105399720000075
参数。
根据本地执行的可行性以及任务处理最大时延限制进行卸载决策分配优化；对于每个车辆用户，判断本地执行是否可行，如果可行，则放入本地可行集合
Figure BDA0003105399720000076
卸载决策xn＝1；如果不可行，则放入本地不可行集合
Figure BDA0003105399720000077
进行本地不可行集合
Figure BDA0003105399720000078
中车辆用户的卸载决策优化：首先，根据每个车辆用户的初始位置判断其属于哪个AP覆盖范围，再判断其任务是否适合在MEC进行处理，如果适合，则将其卸载到MEC进行处理，卸载决策yn＝1；否则，则将其卸载到云，卸载决策zn＝1。
进行MEC用户分簇、子载波分配、计算资源分配以及功率控制优化：对于卸载到MEC处理的车辆用户，首先是用户分簇，将具有较高信道增益的车辆用户与其他车辆用户区别开来，将具有较高信道增益的车辆用户分布到不同的簇，其余的车辆用户被分配给相应的簇；其次是子载波分配，先给每一簇分配一个子信道以表示公平性，对于每个剩余的子信道，选择具有最高成本增益的簇，直到分配完所有子信道；然后是计算资源分配，首先为每个车辆用户分配一些计算资源，以满足基本延迟要求，然后，为每个剩余的计算资源找到最佳的车辆用户将其分配完；最后是功率分配，对于每个簇的用户，对终端用户采用时延满足最大时延的用户功率，在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配。
进行云中心计算资源分配和功率控制优化：对于卸载到云中心处理的车辆用户，首先计算资源分配，采用满足处理时延等于最大时延的计算资源即可；其次是功率分配，采用每个车辆用户的功率满足最大功率以减少上行链路的传输时延即可。
本发明的另一目的在于提供一种需要大容量、低成本的车联网场景控制系统，所述需要大容量、低成本的车联网场景控制系统执行所述的车辆边缘计算成本效益优化方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的车辆边缘计算成本效益优化系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的车辆边缘计算成本效益优化方法，涉及移动边缘计算(MEC)、非正交多址接入(NOMA)和车联网集成系统的联合优化，尤其涉及一种协同卸载决策、MEC用户分簇、子载波分配、计算资源分配和功率控制以及云中心计算资源分配和功率控制的联合优化方法，能够有效减少系统的总成本。
本发明考虑了将NOMA和MEC二者结合引入到车联网中，并且站在用户的角度考虑，车辆卸载需要支付的费用也是很重要的因素且车辆任务处理时间同样至关重要。本发明所提出的启发式优化算法复杂度低，有利于应用于实际系统中。通过优化，本发明在保证用户任务处理时延的QoS需求的条件下，使得系统总成本最小化。本发明使得尽可能多的用户任务得以执行，为用户节省尽可能多的成本，可应用于多种需要大容量、低成本的车联网场景中。
本发明在基于非正交多址的车辆边缘计算系统中，通过协同卸载决策、MEC用户分簇、子载波分配、计算资源分配和功率控制以及云中心计算资源分配和功率控制的联合优化，在确保所以车辆用户的任务被成功执行的同时，最小化任务执行所产生的系统成本。本发明将非正交多址和移动边缘计算引入车联网中，一方面通过计算卸载优化以及NOMA无线接入，来最大程度提高卸载性能和系统有效容量，另一方面通过MEC服务器端的用户分簇、子载波分配、计算资源分配优化和云中心端的联合计算资源分配和发送功率控制优化，使得总的成本最小化。仿真结果表明，本发明提出的联合优化算法，可以充分发挥边缘计算和非正交多址接入的优势，为用户节省尽可能多的成本。本发明提出的方案可应用于多种需要大容量、低成本的车联网场景中。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的车辆边缘计算成本效益优化方法流程图。
图2是本发明实施例提供的车辆边缘计算成本效益优化系统结构框图；
图中：1、参数初始化模块；2、卸载决策优化模块；3、MEC优化模块；4、云中心优化模块。
图3是本发明实施例提供的可应用的一个场景图。
图4是本发明实施例提供的卸载决策流程图。
图5是本发明实施例提供的MEC用户分簇、子载波分配、计算资源分配和功率控制优化方法流程图。
图6是本发明实施例提供的云中心协同计算资源分配及功率控制流程图。
图7是本发明实施例提供的将本发明与现有联合卸载决策、资源分配和功率控制方法对不同任务处理负载时成本比较图。
图8是本发明实施例提供的将本发明与现有联合卸载决策、资源分配和功率控制方法对不同最大时延时成本比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种车辆边缘计算成本效益优化方法、系统、设备、终端，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的车辆边缘计算成本效益优化方法包括以下步骤：
S101，初始化车辆用户及MEC服务器参数；
S102，根据本地执行的可行性以及任务处理最大时延限制进行卸载决策分配优化；
S103，进行本地不可行集合
Figure BDA0003105399720000101
中车辆用户的卸载决策优化；
S104，进行MEC用户分簇、子载波分配、计算资源分配以及功率控制优化；
S105，进行云中心计算资源分配和功率控制优化。
如图2所示，本发明实施例提供的车辆边缘计算成本效益优化系统包括：
参数初始化模块1，用于初始化车辆用户个数和集合，MEC服务器个数，MEC服务器集合，子载波个数，MEC计算资源块，车辆用户的初始位置，每个MEC覆盖范围，车辆的初始速度，车辆用户任务输入数据量，车辆用户任务处理工作量，车辆用户任务的最大可容忍时延，车辆用户本地处理能力参数；
卸载决策优化模块2，用于根据本地执行的可行性以及任务处理最大时延限制进行卸载决策优化；
MEC优化模块3，用于联合优化用户分簇、子载波分配、计算资源分配以及功率控制，使MEC成本最小；首先对在MEC卸载其任务的车辆用户，所有用户按信道增益进行分簇，其次按照成本减小的方向对其进行子载波分配，同理进行计算资源分配，最后在根据时延要求进行功率分配；
云中心优化模块4，用于联合优化用户计算资源分配和功率控制，使云中心成本最小；首先对在云中心卸载其任务的车辆用户进行计算资源分配，采用满足最大时延的计算资源即可；其次是功率分配，采用满足最大功率以减少上行链路的传输时延即可。
本发明提供的基于非正交多址的车辆边缘计算成本效益优化方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的基于非正交多址的车辆边缘计算成本效益优化方法仅仅是一个具体实施例而已。
下面结合实施例对本发明的技术方案作进一步描述。
本发明在基于非正交多址的车辆边缘计算系统中，通过协同卸载决策、MEC用户分簇、子载波分配、计算资源分配和功率控制以及云中心计算资源分配和功率控制的联合优化，在确保所以车辆用户的任务被成功执行的同时，最小化任务执行所产生的系统成本。本发明将非正交多址和移动边缘计算引入车联网中，一方面通过计算卸载优化以及NOMA无线接入，来最大程度提高卸载性能和系统有效容量，另一方面通过MEC服务器端的用户分簇、子载波分配、计算资源分配优化和云中心端的联合计算资源分配和发送功率控制优化，使得总的成本最小化。仿真结果表明，本发明提出的联合优化算法，可以充分发挥边缘计算和非正交多址接入的优势，为用户节省尽可能多的成本。本发明提出的方案可应用于多种需要大容量、低成本的车联网场景中。
本发明提供的基于非正交多址的车辆边缘计算成本效益优化方法包括以下步骤：
第一步，初始化车辆用户个数和集合分别为N和
Figure BDA0003105399720000111
MEC服务器个数M，MEC服务器集合
Figure BDA0003105399720000112
子载波个数Wm，MEC计算资源块Um，车辆用户的初始位置
Figure BDA0003105399720000113
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure BDA0003105399720000114
车辆用户本地处理能力
Figure BDA0003105399720000115
等参数；
第二步，根据本地执行的可行性以及任务处理最大时延限制进行卸载决策分配优化；对于每个车辆用户，判断本地执行是否可行，如果可行，则放入本地可行集合
Figure BDA0003105399720000116
卸载决策xn＝1；如果不可行，则放入本地不可行集合
Figure BDA0003105399720000117
第三步，进行本地不可行集合
Figure BDA0003105399720000121
中车辆用户的卸载决策优化：首先，根据每个车辆用户的初始位置判断其属于哪个AP覆盖范围，再判断其任务是否适合在MEC进行处理，如果适合，则将其卸载到MEC进行处理，卸载决策yn＝1；否则，则将其卸载到云，卸载决策zn＝1；
第四步，进行MEC用户分簇、子载波分配、计算资源分配以及功率控制优化：对于卸载到MEC处理的车辆用户，首先是用户分簇，将具有较高信道增益的车辆用户与其他车辆用户区别开来，将具有较高信道增益的车辆用户分布到不同的簇，其余的车辆用户将分配给相应的簇；其次是子载波分配，先给每一簇分配一个子信道以表示公平性，对于每个剩余的子信道，选择具有最高成本增益的簇，直到分配完所有子信道；然后是计算资源分配，首先为每个车辆用户分配一些计算资源，以满足基本延迟要求，然后，为每个剩余的计算资源找到最佳的车辆用户将其分配完；最后是功率分配，对于每个簇的用户，对终端用户采用时延满足最大时延的用户功率，在确定终端用户的功率后，倒数第二个用户的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配。
第五步，进行云中心计算资源分配和功率控制优化：对于卸载到云中心处理的车辆用户，首先计算资源分配，采用满足处理时延等于最大时延的计算资源即可；其次是功率分配，采用每个车辆用户的功率满足最大功率以减少上行链路的传输时延即可。
图4是本发明的方法可应用的一个场景图。系统中包含一条由M个接入点(AP)覆盖的道路，每个AP通过有线链路配备有MEC服务器，道路不远处有一个云中心，N辆车辆用户随机分布在单独的道路，并以恒定的速度v(m/s)移动。用户的集合记为
Figure BDA0003105399720000122
MEC服务器的集合记为
Figure BDA0003105399720000123
MEC有较强的任务处理能力，终端设备有一定的任务处理能力。
每个车辆用户n有一个计算密集型任务，可以在终端设备本地执行，也可以要卸载到边缘计算服务器上去执行，也可以卸载到云中心。用户的卸载决策用Π＝{xn,yn,zn}表示，其中xn＝1表示任务在本地执行，yn＝1表示任务卸载到MEC服务器执行，zn＝1表示任务卸载到云中心执行。每个用户的任务可以表示为
Figure BDA0003105399720000131
其中Dn表示该任务的输入数据量大小(单位为比特)，Cn是处理工作量大小，其单位为CPU cycles/bit，
Figure BDA0003105399720000132
为任务的处理时延约束。
本发明中用户以非正交多址的方式与服务器通信，以尽可能充分使用有限的无线资源，从而容纳更多的用户。为了让所有的车辆用户的任务得以成功执行，本发明通过卸载决策来控制，本地可行的用户都在本地执行，本地不可行的用户任务卸载到MEC服务器或云中心执行，判断其任务是否适合在MEC服务器执行，如果适合，则将其卸载到MEC服务器，否则将其卸载到云中心。
此外，为了尽可能减少系统总成本，本发明从两方面做了优化。在MEC服务器侧，通过联合优化用户分簇、子载波分配、计算资源分配和功率控制，其中，同一个簇内的车辆用户终端共同使用同一个子载波。为了克服簇内用户相互干扰，可以通过合理的用户分簇、子载波分配方案，保证簇内用户之间信道有一定的差异，配合发送端进行发送功率控制以及接收端的串行干扰消除来实现。在云中心侧，通过计算资源分配及发送功率控制来实现。
如图4所示，本发明采用的优化卸载决策、MEC用户分簇、子载波分配、计算资源分配和功率控制、云中心计算资源分配和功率控制方法的卸载决策优化包括以下步骤：
步骤一：初始化参数：车辆用户个数和集合分别为N和
Figure BDA0003105399720000133
MEC服务器个数M，MEC服务器集合
Figure BDA0003105399720000134
车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure BDA0003105399720000135
车辆用户的初始位置
Figure BDA0003105399720000136
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户本地处理能力
Figure BDA0003105399720000137
阈值ζ等参数；
步骤二：对于每个用户
Figure BDA0003105399720000138
判断
Figure BDA0003105399720000139
是否成立，如果成立，则将车辆用户放入本地可行集合
Figure BDA00031053997200001310
卸载决策xn＝1；否则，则将车辆用户放入本地不可行集合
Figure BDA0003105399720000141
步骤三：对于每个用户
Figure BDA0003105399720000142
计算
Figure BDA0003105399720000143
m∈M，将用户卸载到第m个MEC服务器，即
Figure BDA0003105399720000144
并计算
Figure BDA0003105399720000145
步骤四：判断
Figure BDA0003105399720000146
是否成立，如果成立，则将车辆用户卸载到MEC集合
Figure BDA0003105399720000147
卸载决策yn＝1，如果不成立，则将车辆用户卸载到云中心集合
Figure BDA0003105399720000148
卸载决策zn＝1；
步骤五：算法执行结束，得到车辆用户卸载决策分配策略。
步骤三中，
Figure BDA0003105399720000149
越小，越适合在MEC服务器上处理任务；
步骤四中，新设置一个阈值ξ，通过比较
Figure BDA00031053997200001410
和ξ的大小，可以获得车辆用户任务的卸载决策，即任务卸载在MEC服务器或云中心。
如图5所示，本发明采用的优化卸载决策、MEC用户分簇、子载波分配、计算资源分配和功率控制、云中心计算资源分配和功率控制方法的MEC用户分簇、子载波分配、计算资源分配和功率控制优化包括以下步骤：
步骤一：对于所有在MEC卸载的车辆用户n，即
Figure BDA00031053997200001411
对于每一个
Figure BDA00031053997200001412
m∈M，按照信道增益降序排列，即
Figure BDA00031053997200001413
步骤二：用户{1,2,...J}作为簇{1,2,...J}的第一个用户，用户{J+1,J+2,...J+J}作为簇{1,2,...J}的第二个用户，用户{2J+1,2J+2,...2J+J}作为簇{1,2,...J}，以此类推；
步骤三：开始子载波分配：
(1)：先给每一簇分配一个子载波以表示公平性；
(2)：判断是否满足Wm＞0，如果不满足，执行步骤四；如果满足，计算给每一簇m∈M多分配一个子载波后的成本比当前成本的减少量，即成本增益
Figure BDA00031053997200001414
(3)：找出所有用户中成本减少量最大的那一簇，记为j*，即
Figure BDA00031053997200001415
给j*簇分配一个子载波，同时从总的子载波中去掉该子载波，即执行
Figure BDA0003105399720000151
Wm＝Wm-1；
步骤四：开始第一轮计算资源块分配，以保证每个车辆用户的任务执行时延要求：
(1)从第一个车辆用户开始，对于每个用户
Figure BDA0003105399720000152
给其分配一个计算资源块，同时从总的资源块中去掉该资源块，即执行βn＝βn+1，Um＝Um-1；
(2)判断是否满足
Figure BDA0003105399720000153
如果不满足，继续给当前用户n分配资源块，执行(1)；如果满足，执行步骤五；
步骤五：开始第二轮计算资源块分配：
(1)判断是否满足Um＞0，如果不满足，执行步骤六；如果满足，计算给每个用户
Figure BDA0003105399720000154
多分配一个计算资源块后的时延比当前时延的减少量，即时延增益
Figure BDA0003105399720000155
(2)找出所有用户中时延减少量最大的车辆用户，记为n*，即
Figure BDA0003105399720000156
给车辆用户n*分配一个计算资源块，同时从总的资源块中去掉该资源块，即执行
Figure BDA0003105399720000157
Um＝Um-1；
步骤六：开始功率分配：
(1)对于每一簇的车辆用户，首先对于终端车辆用户，例如车辆用户K，使
Figure BDA0003105399720000158
得到
Figure BDA0003105399720000159
(2)对于倒数第二个车辆用户，即车辆用户K-1，使
Figure BDA00031053997200001510
得到
Figure BDA00031053997200001511
以此类推，直到求出
Figure BDA00031053997200001512
步骤七：算法执行结束，得到MEC用户分簇、子载波分配、计算资源块分配以及功率控制策略。
步骤二中，根据SIC解调原理可知，簇内信道增益差异越大，系统传输速率和解码性能越好。因此找出两个具有最大差异的相邻车辆用户，将其索引作为簇的个数；
步骤三中先给每一簇分配一个子载波以表示公平性；
步骤四中涉及到的计算资源以计算资源块作为单位进行分配，每个车辆用户分配到若干个计算资源块；计算资源块个数充足；进行第一轮计算资源块分配时，给每个车辆用户分配足够多的计算资源块以满足该用户的任务处理时延约束。
如图6所示，本发明采用的优化卸载决策、MEC用户分簇、子载波分配、计算资源分配和功率控制、云中心计算资源分配和功率控制方法的云中心计算资源分配和功率控制方法优化包括以下步骤：
步骤一：对于所有在云中心卸载的车辆用户n，即
Figure BDA0003105399720000161
令
Figure BDA0003105399720000162
得到功率分配；
步骤二：对于所有在云中心卸载的车辆用户n，即
Figure BDA0003105399720000163
令
Figure BDA0003105399720000164
得到
Figure BDA0003105399720000165
步骤三：算法执行结束，得到云中心计算资源块分配以及功率控制策略。
本发明将非正交多址和移动边缘计算引入车联网中，一方面通过计算卸载优化以及NOMA无线接入，确保所有车辆用户的任务能得到成功处理并且最大程度提高系统有效容量，另一方面通过MEC服务器端的用户分簇、子载波分配、计算资源分配优化和云中心端的联合计算资源分配和发送功率控制优化，使得总的成本最小化。此外，本发明提出的联合优化算法，可以充分发挥边缘计算和非正交多址接入在车联网中的优势，为用户节省尽可能多的成本。本发明提出的方案可应用于多种需要大容量、低成本的车联网场景中。
下面结合实验对本发明的技术效果作详细的描述。
如图7、图8所示，本发明(记为Proposed)和现有的三个方案进行对比：
在Random-offloading方案中，用户被随机卸载到本地和MEC或云中心。此外，它将使用我们提出的算法进行子信道分配、MEC处理中的CRB分配和功率控制，以及云计算处理中的计算资源分配和功率控制。
在Random-MEC-resource-allocation方案中，其中MEC处理中的资源分配是随机生成的，而其他资源分配是使用我们提出的算法优化的。
在Random-cloud-computing-resource方案中，在云处理中，计算资源是随机分配的。使用我们提出的算法优化了卸载决策、用户聚类、资源分配和功率控制。
图7显示了每个用户要处理的工作负载大小Cn对总成本的影响。当Cn越大时，任务越复杂，处理任务的成本就增加，导致系统总成本的增加。这对于所有算法都是一样的，我们提出的算法表现最好。
在图8中，我们绘制了最大延迟
Figure BDA0003105399720000171
对系统成本的影响。由于速率与传输延迟成反比，随着延迟的增加，传输过程中产生的带宽成本将降低，从而降低系统的总成本。图中四种算法的趋势是合理的。可以看出，所提出的算法在降低成本方面是最优的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种车辆边缘计算成本效益优化方法，其特征在于，所述车辆边缘计算成本效益优化方法包括：
初始化车辆用户个数和集合分别为N和
Figure FDA0003105399710000011
MEC服务器个数M，MEC服务器集合
Figure FDA0003105399710000012
子载波个数Wm，MEC计算资源块Um，车辆用户的初始位置
Figure FDA0003105399710000013
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure FDA0003105399710000014
车辆用户本地处理能力
Figure FDA0003105399710000015
参数；
根据本地执行的可行性以及任务处理最大时延限制进行卸载决策分配优化；对于每个车辆用户，判断本地执行是否可行，如果可行，则放入本地可行集合
Figure FDA0003105399710000016
卸载决策xn＝1；如果不可行，则放入本地不可行集合
Figure FDA0003105399710000017
进行本地不可行集合
Figure FDA0003105399710000018
中车辆用户的卸载决策优化：首先，根据每个车辆用户的初始位置判断其属于哪个AP覆盖范围，再判断其任务是否适合在MEC进行处理，如果适合，则将其卸载到MEC进行处理，卸载决策yn＝1；否则，则将其卸载到云，卸载决策zn＝1；
进行MEC用户分簇、子载波分配、计算资源分配以及功率控制优化：对于卸载到MEC处理的车辆用户，首先是用户分簇，将具有较高信道增益的车辆用户与其他车辆用户区别开来，将具有较高信道增益的车辆用户分布到不同的簇，其余的车辆用户被分配给相应的簇；其次是子载波分配，先给每一簇分配一个子信道以表示公平性，对于每个剩余的子信道，选择具有最高成本增益的簇，直到分配完所有子信道；然后是计算资源分配，首先为每个车辆用户分配一些计算资源，以满足基本延迟要求，然后，为每个剩余的计算资源找到最佳的车辆用户将其分配完；最后是功率分配，对于每个簇的用户，对终端用户采用时延满足最大时延的用户功率，在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配；
进行云中心计算资源分配和功率控制优化：对于卸载到云中心处理的车辆用户，首先计算资源分配，采用满足处理时延等于最大时延的计算资源即可；其次是功率分配，采用每个车辆用户的功率满足最大功率以减少上行链路的传输时延即可。
2.如权利要求1所述车辆边缘计算成本效益优化方法，其特征在于，所述MEC用户分簇、子载波分配、计算资源分配及功率控制优化，包括：
(1)对于所有在MEC卸载的车辆用户n，即
Figure FDA0003105399710000021
对于每一个
Figure FDA0003105399710000022
m∈M，按照信道增益降序排列，即
Figure FDA0003105399710000027
(2)用户{1,2,...J}作为簇{1,2,...J}的第一个用户，用户{J+1,J+2,...J+J}作为簇{1,2,...J}的第二个用户，用户{2J+1,2J+2,...2J+J}作为簇{1,2,...J}，以此类推；
(3)开始子载波分配：
①先给每一簇分配一个子载波以表示公平性；
②判断是否满足Wm＞0，如果不满足，执行步骤(4)；如果满足，计算给每一簇m∈M多分配一个子载波后的成本比当前成本的减少量，即成本增益
Figure FDA0003105399710000023
③找出所有用户中成本减少量最大的那一簇，记为j*，即
Figure FDA0003105399710000024
给j*簇分配一个子载波，同时从总的子载波中去掉该子载波，即执行
Figure FDA0003105399710000028
Wm＝Wm-1；
(4)开始第一轮计算资源块分配，保证每个车辆用户的任务执行时延要求：
①从第一个车辆用户开始，对于每个用户
Figure FDA0003105399710000025
给其分配一个计算资源块，同时从总的资源块中去掉该资源块，即执行βn＝βn+1，Um＝Um-1；
②判断是否满足
Figure FDA0003105399710000026
如果不满足，继续给当前用户n分配资源块，执行步骤①；如果满足，执行步骤(5)；
(5)开始第二轮计算资源块分配：
①判断是否满足Um＞0，如果不满足，执行步骤(6)；如果满足，计算给每个用户
Figure FDA0003105399710000031
多分配一个计算资源块后的时延比当前时延的减少量，即时延增益
Figure FDA0003105399710000032
②找出所有用户中时延减少量最大的车辆用户，记为n*，即
Figure FDA0003105399710000033
给车辆用户n*分配一个计算资源块，同时从总的资源块中去掉该资源块，即执行
Figure FDA00031053997100000314
Um＝Um-1；
(6)开始功率分配：
①对于每一簇的车辆用户，首先对于终端车辆用户，若车辆用户为K，则使
Figure FDA0003105399710000034
得到
Figure FDA0003105399710000035
②对于倒数第二个车辆用户，即车辆用户K-1，使
Figure FDA0003105399710000036
得到
Figure FDA0003105399710000037
以此类推，直到求出
Figure FDA0003105399710000038
(7)算法执行结束，得到MEC用户分簇、子载波分配、计算资源块分配以及功率控制策略。
3.如权利要求2所述车辆边缘计算成本效益优化方法，其特征在于，根据SIC解调原理可知，簇内信道增益差异越大，系统传输速率和解码性能越好，故找出两个具有最大信道差异的相邻车辆用户，将其索引作为簇的个数；
先给每一簇分配一个子载波以表示公平性；
所述计算资源以计算资源块作为单位进行分配，每个车辆用户分配到若干个计算资源块；计算资源块个数充足；进行第一轮计算资源块分配时，给每个车辆用户分配足够多的计算资源块以满足该用户的任务处理时延约束。
4.如权利要求1所述车辆边缘计算成本效益优化方法，其特征在于，所述云中心计算资源分配和功率控制优化，包括：
(1)对于所有在云中心卸载的车辆用户n，即
Figure FDA0003105399710000039
令
Figure FDA00031053997100000310
得到功率分配；
(2)对于所有在云中心卸载的车辆用户n，即
Figure FDA00031053997100000311
令
Figure FDA00031053997100000312
得到
Figure FDA00031053997100000313
(3)算法执行结束，得到云中心计算资源块分配以及功率控制策略。
5.如权利要求1所述车辆边缘计算成本效益优化方法，其特征在于，所述车辆边缘计算成本效益优化方法包括以下步骤：
步骤一，初始化参数：车辆用户个数和集合分别为N和
Figure FDA0003105399710000041
MEC服务器个数M，MEC服务器集合
Figure FDA0003105399710000042
车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure FDA0003105399710000043
车辆用户的初始位置
Figure FDA0003105399710000044
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户本地处理能力
Figure FDA0003105399710000045
及阈值ζ参数；
步骤二，对于每个用户
Figure FDA0003105399710000046
判断
Figure FDA0003105399710000047
是否成立，如果成立，则将车辆用户放入本地可行集合
Figure FDA0003105399710000048
卸载决策xn＝1；否则，则将车辆用户放入本地不可行集合
Figure FDA0003105399710000049
步骤三，对于每个用户
Figure FDA00031053997100000410
计算
Figure FDA00031053997100000411
m∈M，将用户卸载到第m个MEC服务器，即
Figure FDA00031053997100000412
并计算
Figure FDA00031053997100000413
步骤四，判断
Figure FDA00031053997100000414
是否成立，如果成立，则将车辆用户卸载到MEC集合
Figure FDA00031053997100000415
卸载决策yn＝1，如果不成立，则将车辆用户卸载到云中心集合
Figure FDA00031053997100000416
卸载决策zn＝1；
步骤五，算法执行结束，得到车辆用户卸载决策分配策略。
6.如权利要求5所述车辆边缘计算成本效益优化方法，其特征在于，
Figure FDA00031053997100000417
越小，越适合在MEC服务器上处理任务；
新设置一个阈值ξ，通过比较
Figure FDA00031053997100000418
和ξ的大小，可以获得车辆用户任务的卸载决策，即任务卸载在MEC服务器或云中心。
7.一种实施权利要求1～6任意一项所述车辆边缘计算成本效益优化方法的车辆边缘计算成本效益优化系统，其特征在于，所述车辆边缘计算成本效益优化系统，包括：
参数初始化模块，用于初始化车辆用户个数和集合，MEC服务器个数，MEC服务器集合，子载波个数，MEC计算资源块，车辆用户的初始位置，每个MEC覆盖范围，车辆的初始速度，车辆用户任务输入数据量，车辆用户任务处理工作量，车辆用户任务的最大可容忍时延，车辆用户本地处理能力参数；
卸载决策优化模块，用于根据本地执行的可行性以及任务处理最大时延限制进行卸载决策优化；
MEC优化模块，用于联合优化用户分簇、子载波分配、计算资源分配以及功率控制，使MEC成本最小；首先对在MEC卸载其任务的车辆用户，所有用户按信道增益进行分簇，其次按照成本减小的方向对其进行子载波分配，同理进行计算资源分配，最后在根据时延要求进行功率分配；
云中心优化模块，用于联合优化用户计算资源分配和功率控制，使云中心成本最小；首先对在云中心卸载其任务的车辆用户进行计算资源分配，采用满足最大时延的计算资源即可；其次是功率分配，采用满足最大功率以减少上行链路的传输时延即可。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
初始化车辆用户个数和集合分别为N和
Figure FDA0003105399710000051
MEC服务器个数M，MEC服务器集合
Figure FDA0003105399710000052
子载波个数Wm，MEC计算资源块Um，车辆用户的初始位置
Figure FDA0003105399710000053
每个MEC覆盖范围Dg，车辆的初始速度v，车辆用户任务输入数据量Dn，车辆用户任务处理工作量Cn，车辆用户任务的最大可容忍时延
Figure FDA0003105399710000054
车辆用户本地处理能力
Figure FDA0003105399710000055
参数；
根据本地执行的可行性以及任务处理最大时延限制进行卸载决策分配优化；对于每个车辆用户，判断本地执行是否可行，如果可行，则放入本地可行集合
Figure FDA0003105399710000056
卸载决策xn＝1；如果不可行，则放入本地不可行集合
Figure FDA0003105399710000057
进行本地不可行集合
Figure FDA0003105399710000058
中车辆用户的卸载决策优化：首先，根据每个车辆用户的初始位置判断其属于哪个AP覆盖范围，再判断其任务是否适合在MEC进行处理，如果适合，则将其卸载到MEC进行处理，卸载决策yn＝1；否则，则将其卸载到云，卸载决策zn＝1；
进行MEC用户分簇、子载波分配、计算资源分配以及功率控制优化：对于卸载到MEC处理的车辆用户，首先是用户分簇，将具有较高信道增益的车辆用户与其他车辆用户区别开来，将具有较高信道增益的车辆用户分布到不同的簇，其余的车辆用户被分配给相应的簇；其次是子载波分配，先给每一簇分配一个子信道以表示公平性，对于每个剩余的子信道，选择具有最高成本增益的簇，直到分配完所有子信道；然后是计算资源分配，首先为每个车辆用户分配一些计算资源，以满足基本延迟要求，然后，为每个剩余的计算资源找到最佳的车辆用户将其分配完；最后是功率分配，对于每个簇的用户，对终端用户采用时延满足最大时延的用户功率，在确定用户K的功率后，用户K-1的功率根据速率也可求出；以此类推，直到求出第一个用户的功率，即可得到用户功率分配；
进行云中心计算资源分配和功率控制优化：对于卸载到云中心处理的车辆用户，首先计算资源分配，采用满足处理时延等于最大时延的计算资源即可；其次是功率分配，采用每个车辆用户的功率满足最大功率以减少上行链路的传输时延即可。
9.一种需要大容量、低成本的车联网场景控制系统，其特征在于，所述需要大容量、低成本的车联网场景控制系统执行如权利要求1～6任意一项所述车辆边缘计算成本效益优化方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述车辆边缘计算成本效益优化系统。
CN202110636429.XA 2021-06-08 2021-06-08 一种车辆边缘计算成本效益优化方法、系统、设备、终端 Active CN113573280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636429.XA CN113573280B (zh) 2021-06-08 2021-06-08 一种车辆边缘计算成本效益优化方法、系统、设备、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636429.XA CN113573280B (zh) 2021-06-08 2021-06-08 一种车辆边缘计算成本效益优化方法、系统、设备、终端

Publications (2)

Publication Number Publication Date
CN113573280A true CN113573280A (zh) 2021-10-29
CN113573280B CN113573280B (zh) 2023-09-19

Family

ID=78161748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636429.XA Active CN113573280B (zh) 2021-06-08 2021-06-08 一种车辆边缘计算成本效益优化方法、系统、设备、终端

Country Status (1)

Country Link
CN (1) CN113573280B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615687A (zh) * 2022-03-22 2022-06-10 重庆邮电大学 一种时延感知的网络资源配置方法
CN116112517A (zh) * 2022-12-05 2023-05-12 成都芯忆联信息技术有限公司 车联网计算卸载资源分配优化方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111836283A (zh) * 2020-07-03 2020-10-27 重庆邮电大学 一种基于mec多服务器的车联网资源分配方法
KR20210026171A (ko) * 2019-08-29 2021-03-10 인제대학교 산학협력단 멀티 액세스 엣지 컴퓨팅 기반의 이기종 네트워크 시스템
CN112654081A (zh) * 2020-12-14 2021-04-13 西安邮电大学 用户分簇及资源分配优化方法、系统、介质、设备及应用
CN112738185A (zh) * 2020-12-24 2021-04-30 西安邮电大学 基于非正交多址的边缘计算系统控制联合优化方法及应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210026171A (ko) * 2019-08-29 2021-03-10 인제대학교 산학협력단 멀티 액세스 엣지 컴퓨팅 기반의 이기종 네트워크 시스템
CN111836283A (zh) * 2020-07-03 2020-10-27 重庆邮电大学 一种基于mec多服务器的车联网资源分配方法
CN112654081A (zh) * 2020-12-14 2021-04-13 西安邮电大学 用户分簇及资源分配优化方法、系统、介质、设备及应用
CN112738185A (zh) * 2020-12-24 2021-04-30 西安邮电大学 基于非正交多址的边缘计算系统控制联合优化方法及应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫伟;申滨;刘笑笑;: "基于自适应遗传算法的MEC任务卸载及资源分配", 电子技术应用, no. 08 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615687A (zh) * 2022-03-22 2022-06-10 重庆邮电大学 一种时延感知的网络资源配置方法
CN114615687B (zh) * 2022-03-22 2023-06-27 重庆邮电大学 一种时延感知的网络资源配置方法
CN116112517A (zh) * 2022-12-05 2023-05-12 成都芯忆联信息技术有限公司 车联网计算卸载资源分配优化方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113573280B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111132191B (zh) 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN109413724B (zh) 一种基于mec的任务卸载和资源分配方案
CN110493360B (zh) 多服务器下降低系统能耗的移动边缘计算卸载方法
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN109756912B (zh) 一种多用户多基站联合任务卸载及资源分配方法
CN110928691B (zh) 一种面向交通数据的端边协同计算卸载方法
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
CN111372314A (zh) 基于移动边缘计算场景下的任务卸载方法及任务卸载装置
CN108924796B (zh) 一种资源分配及卸载比例联合决策的方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN110505644B (zh) 用户任务卸载与资源分配联合优化方法
CN113573280B (zh) 一种车辆边缘计算成本效益优化方法、系统、设备、终端
CN109151864A (zh) 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法
CN112738185B (zh) 基于非正交多址的边缘计算系统控制联合优化方法及应用
CN111711962B (zh) 一种移动边缘计算系统子任务协同调度方法
CN114153515B (zh) 一种基于5g毫米波通信的高速公路车联网任务卸载算法
CN113254095B (zh) 云边结合平台的任务卸载、调度与负载均衡系统、方法
CN114885418A (zh) 5g超密集网络中任务卸载及资源分配的联合优化方法、装置及介质
CN113114714B (zh) 一种大规模任务卸载到5g边缘服务器的节能方法及系统
CN117580180A (zh) 面向端到端低时延信息交付的通感算存多域资源分配方法
CN116405569A (zh) 基于车辆和边缘计算服务器的任务卸载匹配方法及系统
KR102391956B1 (ko) 비직교 다중접속(noma) 방식을 지원하는 다중접속 에지 컴퓨팅(mec)에서 컴퓨팅 오프로딩 최적화를 위한 연합 방법
CN114189521A (zh) 在f-ran架构中协作计算卸载的方法
CN117812076A (zh) 一种面向智能电网的移动边缘云资源共享方法及系统
CN112511652A (zh) 一种边缘计算下的合作计算任务分配方法

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