CN113641417A - 一种基于分支定界法的车辆安全任务卸载方法 - Google Patents

Abstract

本发明公开了一种基于分支定界法的车辆安全任务卸载方法，应用在车辆自组织网络中。S1：获取车辆自组织网络的用户层的车辆用户集合，以及数据层中沿道路均匀分布的MEC服务器的集合，收集车辆用户安全消息任务；S2：根据车辆用户每个安全消息任务的最大时延容忍对安全消息任务进行排序，确定卸载的优先级顺序；S3：基于最优计算能力分配策略，以系统开销最小化为目标构建模型，利用分支定界法求解每个计算任务，确定任务卸载决策；S4：依据KKT条件，通过拉格朗日乘数法计算资源分配的最优解，通过该资源分配最优解完成车辆安全任务的卸载。本发明方法运用分支定界法解决得到最佳的卸载决策，可以降低安全消息的处理时延。

Description

一种基于分支定界法的车辆安全任务卸载方法

技术领域

本发明涉及车联网通信技术领域，尤其涉及一种基于分支定界法的车辆安全任务卸载方法。

背景技术

随着智能交通行业的快速发展以及车辆用户的不断增加，道路上的交通安全问题日益突出，这对于车联网中的移动车辆终端的安全消息类服务提出更高的要求。为减少交通事故的发生，安全消息类业务例如防碰撞及时刹车、交通事故预警、违规行车等需要得到及时有效的处理，因此此类任务需要更低的时延。一方面，移动车辆终端自身的计算资源量有限，一旦任务量增加，本地计算将会耗费更多的时间等待，从而增加时延；另一方面，若全部卸载到云端，传输的时延又将大大增加。

发明内容

发明目的：针对以上问题，本发明提出一种基于分支定界法的车辆安全任务卸载方法，通过运用移动边缘计算，将一部分的任务卸载到MEC服务器进行计算；为实现任务的统一管理，利用SDN网络中将控制数据平面分开的特性，实现网络虚拟化和智能卸载。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于分支定界法的车辆安全任务卸载方法，包括以下步骤：

S1：获取车辆自组织网络的用户层的车辆用户集合，以及数据层中沿道路均匀分布的MEC服务器的集合，收集车辆用户安全消息任务；

S2：根据车辆用户每个安全消息任务的最大时延容忍对安全消息任务进行排序，确定卸载的优先级顺序；

S3：基于最优计算能力分配策略，以系统开销最小化为目标构建模型，利用分支定界法求解每个计算任务，确定任务卸载决策；

S4：依据KKT条件，通过拉格朗日乘数法计算资源分配的最优解，通过该资源分配最优解完成车辆安全任务的卸载。

进一步的，在S2中，根据车辆用户每个安全消息任务的最大时延容忍对安全消息任务进行排序，确定卸载的优先级顺序，具体为：

定义用户层的车辆用户集合为V＝{v₁,v₂,…v_N}，N为车辆用户数量；数据层中沿道路均匀分布的MEC服务器的集合为S＝{s₁,s₂,…s_M}，M为MEC服务器数量；

设每个车辆用户v_n有一定的安全消息任务，定义为

其中，d_n为消息任务数据大小，c_n为单位消息任务大小所需资源量，

为完成该任务的最大容忍时延；

计算分类优先级的边界值η₁、η₂，公式如下：

若

则该任务的处理优先级comp_n＝1，若

则comp_n＝2，若

则comp_n＝3；

计算完所有车辆用户安全消息任务优先级后，得到任务处理优先级数组comp。

进一步的，在S3中，基于最优计算能力分配策略，以系统开销最小化为目标构建模型，具体为：

系统的总开销Z计算公式如下：Z＝λ₁T+λ₂E；

其中T为安全消息任务总时延，E为安全消息任务总耗能，λ₁和λ₂是延迟和能耗的权重，0≤λ₁≤1,0≤λ₂≤1，且λ₁+λ₂＝1；

其中卸载决策变量a_nm∈{0,1}表示车辆用户n是选择本地计算还是边缘卸载，a_nm＝1表示车辆用户的安全消息任务卸载到边缘进行计算，a_nm＝0表示车辆用户的安全消息任务进行本地计算；

为安全消息任务在本地计算的时延，

为车辆用户v_n的计算能力；

为安全消息任务在边缘卸载的总时延，

分别为任务的传输时延、消息任务分配给对应的边缘服务器的等待时间、计算时延；

为安全消息任务在本地计算的能耗，f_n为单位CPU内能耗功率；

为车辆用户通过任务上传到MEC服务器的能耗，P_nm为车辆用户到边缘服务器b_m的传输功率，

为车辆用户的闲置功率；

以系统开销最小化为目标，建模目标函数如下：

P₁:

s.t.C1:

C2:

C3:

C4:

C5:

其中A为卸载决策向量，表示为A＝{a₁,a₂,…a_N}，a_N为用户v_N的卸载决策变量；F为MEC服务器的计算资源分配向量，表示为F＝{f₁,f₂,…f_N}，f_N为用户v_N的资源分配系数；C1表示任务在本地以及MEC服务器处理时延要小于该任务最大时延容忍度；C2表示卸载决策是0-1选择的问题；C3表示车辆用户的任务只能选择在1个MEC服务器执行；C4表示分配给用户的计算资源大于0；C5表示若卸载到MEC服务器执行，所分配给车辆用户的总资源不超过该MEC服务器的最大值

f_nm为MEC服务器分配给车辆用户v_n的计算资源，

为安全消息任务在本地计算的时延最大值。

进一步的，设安全信息任务I_n分为M个子任务I_nm，每个任务大小为d_nm，放置在M服务器上；

d_nm＝a_nmd_n，

其中d_n为子任务总负载；t_nm为I_nm相关执行时间，θ_mn为服务器执行任务的效率；

子任务的开销Z＝χ_nmd_nm，其中χ_nm为功耗权重；

则子优化目标函数P_1-1为：

P_1-1:

C6:

C7:

C8:

使用分支定界法基于对目标函数P_1-1的求解，获取目标函数P₁的最优解。

进一步的，在S3中，利用分支定界法求解每个计算任务，具体为：

定义集合

子集

和

P₁表示为子优化目标函数P_1-2：

P_1-2:

s.t.C1,C3

C9:

C10:

C11:

P_1-1表示为子优化目标函数P_1-3：

P_1-3:

s.t.C6,C7,C8

C12:

C13:

C14:

定义Г为分支问题的集合，Z^*是目标函数P₁最优解，分支定界法求解每个计算任务，确定任务卸载决策，具体包括：

1)在每个迭代过程中，选择达到最小下界

的问题进行分支，然后对优先级最高的安全任务(n^*,m^*)分为两个分支问题：

和

2)根据选择的分支，计算子问题下界，当两个分支问题的下限小于当前的最优值Z^*时，则将其存储在集合Г中进行下一步的分支；如果找到新的可行解，并且可行解小于当前的最优值Z^*时，则更新当前的最优解；如果下限大于当前的最优值Z^*时，删除其中的存储分支。

进一步的，在S4中，依据KKT条件，通过拉格朗日乘数法计算资源分配的最优解

具体为：

每个MEC服务器m均有一个用户集合

其服务用户的计算资源分配目标函数为：

P₂:

s.t.C4,C5

依据KKT条件，通过拉格朗日乘数法得出P₂最优解，计算资源分配的最优解，通过该资源分配最优解完成车辆安全任务的卸载。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

本发明提出的一种基于分支定界法的车辆安全任务卸载方法，引入SDN对全局变量统一调度，采用拉格朗日乘数法公式化求解计算资源分配问题，任务卸载问题则以安全消息任务的最大容忍时延为优先级进行排序，运用分支定界法解决得到最佳的卸载决策，可以降低安全消息的处理时延。

附图说明

图1为本发明方法的流程示意图；

图2为本发明方法中实施例的系统模型示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

如图1和图2所示，本发明所述的一种基于分支定界法的车辆安全任务卸载方法，应用于车辆自组织网络中，车辆自组织网络包括控制层、数据层和用户层；控制层由控制基站组成，主要是进行车联网中各类信息的采集，对于所收集到的信息任务进行统一资源分配；数据层由部署在移动车辆终端边缘的路边单元和MEC服务器构成，主要是对移动车辆终端卸载到此层的任务进行计算；用户层由移动车辆终端构成。

S1：获取车辆自组织网络的用户层的车辆用户集合，以及数据层中沿道路均匀分布的MEC服务器的集合，收集车辆用户安全消息任务。

定义用户层的车辆用户集合为V＝{v₁,v₂,…v_N}，N为车辆用户数量，可以将其任务转移到数据层进行计算；

数据层中沿道路均匀分布的MEC服务器的集合为S＝{s₁,s₂,…s_M}，M为MEC服务器数量；

控制层中主要通过SDN服务器来管理数据层中的所有车辆和RSU信息，通过存储和处理收集的车辆信息进行卸载决策；

设每个车辆用户有一定的安全消息任务，对于第n个车辆用户v_n定义其安全消息任务为

其中，d_n为消息任务数据大小，c_n为单位消息任务大小所需资源量，

为完成该任务的最大容忍时延。

S2：为了优先处理时延容忍度较低的安全消息以减少车辆用户交通事故的发生，根据车辆用户每个安全消息任务的最大时延容忍对安全消息任务进行排序，确定卸载的优先级顺序；具体为：

输入车辆v_n的请求信息I_n，

初始条件为n＝1，循环终止条件为n≥N，完成每次循环后更新n值为n＝n+1；每次循环完成以下内容：

计算分类优先级的边界值η₁、η₂，公式如下：

若

则该任务的处理优先级comp_n＝1，若

则comp_n＝2，若

则comp_n＝3；

计算完所有车辆用户安全消息任务优先级后，得到任务处理优先级数组comp。

S3：计算任务卸载问题，是一个0-1整数规划问题；基于最优计算能力分配策略，以系统开销最小化为目标构建模型，利用分支定界法求解每个计算任务，确定任务卸载决策。

系统的总开销Z计算公式如下：Z＝λ₁T+λ₂E；

其中T为安全消息任务总时延，E为安全消息任务总耗能，λ₁和λ₂是延迟和能耗的权重，0≤λ₁≤1,0≤λ₂≤1，且λ₁+λ₂＝1；车联网中任务种类繁多，有的任务对时延较为敏感，有的任务对能耗要求较高，针对不同类型的任务可以设定不同的权重值，对于时延较为敏感的业务，如本发明的车辆安全消息，则可以设置λ₁>λ₂，表示更多考虑的目标是最小化系统总时延，反之对于能耗要求较高的任务，则可设置λ₁<λ₂，表示更多考虑的目标是最小化系统总能耗；

考虑安全消息任务的两种计算卸载情况，一种是本地计算，另一种是边缘卸载，安全消息任务总时延T，安全消息任务总耗能E表示为：

其中卸载决策变量a_nm∈{0,1}表示车辆用户n是选择本地计算还是边缘卸载；

为安全消息任务在本地计算的能耗，f_n为单位CPU内能耗功率(对于本地计算，车辆终端在任务执行期间将会产生一定的能耗)；

为车辆用户通过任务上传到MEC服务器的能耗，

为车辆用户的闲置功率；

a_nm＝0表示车辆用户的安全消息任务进行本地计算；

为安全消息任务在本地计算的时延，

为车辆用户v_n的计算能力；

a_nm＝1表示车辆用户的安全消息任务卸载到边缘(路边的MEC服务器)进行计算，其时延由三部分组成：传输时延、等待时延、计算时延；

为安全消息任务在边缘卸载的总时延，

分别为任务的传输时延、消息任务分配给对应的边缘服务器的等待时间、计算时延；其中传输时延又分为任务数据上传的时间和结果回传的时间，通常情况下，MEC服务器将计算结果发送到车辆用户v_n的时间可以忽略；r_nm为数据上行传输速率，f_nm为MEC服务器分配给车辆用户v_n的计算资源，B为信道带宽，σ²为数据传输时高斯白噪声的功率谱密度，h_nm为信道增益，I_nm为车辆用户与边缘服务器之间的干扰功率，P_nm为车辆用户到边缘服务器b_m的传输功率；

假设边缘节点在处理卸载到边缘的任务时采用M/M/s的排队模型，其中s表示在该车联网系统中所有MEC服务器的数量，ρ_nm为M/M/s系统的服务强度；

每一个MEC服务器计算能力大小为μ_m(m＝1,2,...,s)的指数分布，移动车辆终端的安全消息任务的平均到达率为λ_n的泊松分布；

为了保持系统稳定性，ρ_nm必须小于或等于1，相应的平衡分布为

以系统开销最小化为目标，建模目标函数如下：

P₁:

s.t.C1:

C2:

C3:

C4:

C5:

其中A为卸载决策向量，表示为A＝{a₁,a₂,…a_N}，a_N为用户v_N的卸载决策变量；F为MEC服务器的计算资源分配向量，表示为F＝{f₁,f₂,…f_N}，f_N为用户v_N的资源分配系数；C1表示任务在本地以及MEC服务器处理时延要小于该任务最大时延容忍度；C2表示卸载决策是0-1选择的问题；C3表示车辆用户的任务只能选择在1个MEC服务器执行；C4表示分配给用户的计算资源大于0；C5表示若卸载到MEC服务器执行，所分配给车辆用户的总资源不超过该MEC服务器的最大值

f_nm为MEC服务器分配给车辆用户v_n的计算资源，

为安全消息任务在本地计算的时延最大值。

设安全信息任务I_n分为M个子任务I_nm，每个任务大小为d_nm，放置在M服务器上；该假设是将实数变量a_nm，不考虑其整数条件，即重新定义a_nm∈[0,1]，则

d_nm＝a_nmd_n，

其中d_n为子任务总负载；t_nm为I_nm相关执行时间，θ_mn为服务器执行任务的效率；

子任务的开销Z＝χ_nmd_nm，其中χ_nm为功耗权重；

则子优化目标函数P_1-1为：

P_1-1:

C6:

C7:

C8:

C6,C7,C8是线性的，则可以求出P_1-1的解，但P_1-1确定的解通常不是P₁的最优解，接下来使用分支定界法算法，以基于对P_1-1的解找P₁的最优解：

定义集合

子集

和

根据以上的集合定义，P₁可表示为子优化目标函数P_1-2：

P_1-2:

s.t.C1,C3

C9:

C10:

C11:

同样，可将P_1-1问题表示为子优化目标函数P_1-3：

P_1-3:

s.t.C6,C7,C8

C12:

C13:

C14:

定义Г为分支问题的集合，Z^*是目标函数P₁最优解，分支定界法求解每个计算任务，确定任务卸载决策，具体包括：

1)在每个迭代过程中，选择达到最小下界

的问题进行分支，然后对优先级最高的安全任务(n^*,m^*)分为两个分支问题：

和

2)根据选择的分支，计算子问题下界，当两个分支问题的下限小于当前的最优值Z^*时，则将其存储在集合Г中进行下一步的分支；如果找到新的可行解，并且可行解小于当前的最优值Z^*时，则更新当前的最优解；如果下限大于当前的最优值Z^*时，删除其中的存储分支。

S4：依据KKT条件，通过拉格朗日乘数法计算资源分配的最优解

具体为：

每个MEC服务器m均有一个用户集合

其服务用户的计算资源分配目标函数为：

P₂:

s.t.C4,C5

由于λ₁+λ₂＝1，Z的Hessian矩阵是正定矩阵，因此函数Z是凸函数，并且C4,C5是线性的，所以优化问题P₂是凸优化问题，因此依据KKT条件，可以通过拉格朗日乘数法得出它的最优解，计算资源分配的最优解

借助该资源分配最优解可以完成车辆安全任务的卸载，即可完成本发明的一种基于分支定界法的车辆安全任务卸载方法。

本发明方法依据低开销的效用函数，运用分支定界法进行卸载决策，充分利用本地资源和服务器资源，保证资源有效利用，从而保持较小的时延增长；该方法相比随机卸载、统一卸载算法有更低的任务卸载能耗，但是在任务卸载能量消耗方面高于能量最优卸载算法，主要使由于能量最优卸载算法是优化任务卸载的能耗，而时延在目标函数中只是作为约束条件，因此其卸载能耗保持最低，而本发明方法考虑了系统的总开销以及安全消息的优先级；该方法所提出的在时延方面要优于能量最优卸载算法，这是因为能量最优卸载算法更多地考虑了任务卸载能量消耗最小化，而本发明方法一方面能够及时地将时延最敏感的任务进行优先处理，另一方面引入SDN进行任务的合理的管理和分配。本发明方法引入SDN对全局变量统一调度，采用拉格朗日乘数法公式化求解计算资源分配问题，任务卸载问题则以安全消息任务的最大容忍时延为优先级进行排序，运用分支定界法解决得到最佳的卸载决策，可以降低安全消息的处理时延。

以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。

Claims (6)

1.一种基于分支定界法的车辆安全任务卸载方法，其特征在于：步骤如下：

S1：获取车辆自组织网络的用户层的车辆用户集合，以及数据层中沿道路均匀分布的MEC服务器的集合，收集车辆用户安全消息任务；

S2：根据车辆用户每个安全消息任务的最大时延容忍对安全消息任务进行排序，确定卸载的优先级顺序；

S3：基于最优计算能力分配策略，以系统开销最小化为目标构建模型，利用分支定界法求解每个计算任务，确定任务卸载决策；

S4：依据KKT条件，通过拉格朗日乘数法计算资源分配的最优解，通过该资源分配最优解完成车辆安全任务的卸载。

2.根据权利要求1所述的车辆安全任务卸载方法，其特征在于：在S2中，根据车辆用户每个安全消息任务的最大时延容忍对安全消息任务进行排序，确定卸载的优先级顺序，具体为：

定义用户层的车辆用户集合为V＝{v₁,v₂,…v_N}，N为车辆用户数量；数据层中沿道路均匀分布的MEC服务器的集合为S＝{s₁,s₂,…s_M}，M为MEC服务器数量；

设每个车辆用户v_n有一定的安全消息任务，定义为

其中，d_n为消息任务数据大小，c_n为单位消息任务大小所需资源量，

为完成该任务的最大容忍时延；

计算分类优先级的边界值η₁、η₂，公式如下：

若

则该任务的处理优先级comp_n＝1，若

则comp_n＝2，若

则comp_n＝3；

计算完所有车辆用户安全消息任务优先级后，得到任务处理优先级数组comp。

3.根据权利要求2所述的车辆安全任务卸载方法，其特征在于：在S3中，基于最优计算能力分配策略，以系统开销最小化为目标构建模型，具体为：

系统的总开销Z计算公式如下：Z＝λ₁T+λ₂E；

其中T为安全消息任务总时延，E为安全消息任务总耗能，λ₁和λ₂是延迟和能耗的权重，0≤λ₁≤1,0≤λ₂≤1，且λ₁+λ₂＝1；

其中卸载决策变量a_nm∈{0,1}表示车辆用户n是选择本地计算还是边缘卸载，a_nm＝1表示车辆用户的安全消息任务卸载到边缘进行计算，a_nm＝0表示车辆用户的安全消息任务进行本地计算；

为安全消息任务在本地计算的时延，

为车辆用户v_n的计算能力；

为安全消息任务在边缘卸载的总时延，

分别为任务的传输时延、消息任务分配给对应的边缘服务器的等待时间、计算时延；

为安全消息任务在本地计算的能耗，f_n为单位CPU内能耗功率；

为车辆用户通过任务上传到MEC服务器的能耗，P_nm为车辆用户到边缘服务器b_m的传输功率，

为车辆用户的闲置功率；

以系统开销最小化为目标，建模目标函数如下：

P₁:

s.t.C1:

C2:

C3:

C4:

C5:

其中A为卸载决策向量，表示为A＝{a₁,a₂,…a_N}，a_N为用户v_N的卸载决策变量；F为MEC服务器的计算资源分配向量，表示为F＝{f₁,f₂,…f_N}，f_N为用户v_N的资源分配系数；C1表示任务在本地以及MEC服务器处理时延要小于该任务最大时延容忍度；C2表示卸载决策是0-1选择的问题；C3表示车辆用户的任务只能选择在1个MEC服务器执行；C4表示分配给用户的计算资源大于0；C5表示若卸载到MEC服务器执行，所分配给车辆用户的总资源不超过该MEC服务器的最大值

f_nm为MEC服务器分配给车辆用户v_n的计算资源，

为安全消息任务在本地计算的时延最大值。

4.根据权利要求3所述的车辆安全任务卸载方法，其特征在于：设安全信息任务I_n分为M个子任务I_nm，每个任务大小为d_nm，放置在M服务器上；

d_nm＝a_nmd_n，

其中d_n为子任务总负载；t_nm为I_nm相关执行时间，θ_mn为服务器执行任务的效率；

子任务的开销Z＝χ_nmd_nm，其中χ_nm为功耗权重；

则子优化目标函数P_1-1为：

P_1-1:

C6:

C7:

C8:

使用分支定界法基于对目标函数P_1-1的求解，获取目标函数P₁的最优解。

5.根据权利要求4所述的车辆安全任务卸载方法，其特征在于：在S3中，利用分支定界法求解每个计算任务，具体为：

定义集合

子集

和

P₁表示为子优化目标函数P_1-2：

P_1-2:

s.t.C1,C3

C9:

C10:

C11:

P_1-1表示为子优化目标函数P_1-3：

P_1-3:

s.t.C6,C7,C8

C12:

C13:

C14:

定义Г为分支问题的集合，Z^*是目标函数P₁最优解，分支定界法求解每个计算任务，确定任务卸载决策，具体包括：

1)在每个迭代过程中，选择达到最小下界

的问题进行分支，然后对优先级最高的安全任务(n^*,m^*)分为两个分支问题：

和

2)根据选择的分支，计算子问题下界，当两个分支问题的下限小于当前的最优值Z^*时，则将其存储在集合Г中进行下一步的分支；如果找到新的可行解，并且可行解小于当前的最优值Z^*时，则更新当前的最优解；如果下限大于当前的最优值Z^*时，删除其中的存储分支。

6.根据权利要求3所述的车辆安全任务卸载方法，其特征在于：在S4中，依据KKT条件，通过拉格朗日乘数法计算资源分配的最优解

具体为：

每个MEC服务器m均有一个用户集合

其服务用户的计算资源分配目标函数为：

P₂:

s.t.C4,C5

依据KKT条件，通过拉格朗日乘数法得出P₂最优解，计算资源分配的最优解，通过该资源分配最优解完成车辆安全任务的卸载。

Images