CN113645273A - 基于业务优先级的车联网任务卸载方法 - Google Patents

基于业务优先级的车联网任务卸载方法 Download PDF

Info

Publication number
CN113645273A
CN113645273A CN202110761216.XA CN202110761216A CN113645273A CN 113645273 A CN113645273 A CN 113645273A CN 202110761216 A CN202110761216 A CN 202110761216A CN 113645273 A CN113645273 A CN 113645273A
Authority
CN
China
Prior art keywords
task
unloading
rsu
request
vehicle terminal
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
CN202110761216.XA
Other languages
English (en)
Other versions
CN113645273B (zh
Inventor
赵海涛
冯天翼
吴丰靖
李天屿
倪艺洋
朱洪波
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing 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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110761216.XA priority Critical patent/CN113645273B/zh
Publication of CN113645273A publication Critical patent/CN113645273A/zh
Application granted granted Critical
Publication of CN113645273B publication Critical patent/CN113645273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • 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
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • 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
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/61—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources taking into account QoS or priority requirements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • 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]
    • 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

Abstract

本申请涉及一种基于业务优先级的车联网任务卸载。该方法包括：实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，第一任务卸载请求为车辆终端进入RSU覆盖范围内时第一次发送的任务卸载请求；根据第一任务卸载请求，为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级；根据第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的卸载任务进行处理，并向对应的车辆终端进行反馈；根据第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；向RSU覆盖范围内的车辆终端发送卸载策略，使各车辆终端根据卸载策略通过RSU进行任务卸载的数据传输，提高了计算任务执行成功概率。

Description

基于业务优先级的车联网任务卸载方法
技术领域
本申请涉及车联网通信技术领域，特别是涉及一种基于业务优先级的车联网任务卸载方法。
背景技术
近年来，随着车联网(IoV)和人工智能(AI)技术的发展，促进了一系列计算密集型应用的实现，如自动驾驶、虚拟现实等，车辆会产生大量相关内容，包括时间、空间信息和用户应用信息，为了满足日益增长的计算需求，车载计算机将面临提供高质量服务的巨大挑战。
在车联网的早期研究阶段，首先考虑利用云端的强大计算能力提供服务支持，云计算虽极大地提高了资源利用率和计算性能，但是会导致较长的传输延迟和较高的通信能耗，远距离的云服务可能导致卸载效率的严重降低，不适用于对延迟敏感的应用。
为了满足任务卸载低延迟的要求，在车载网络中引入了移动边缘计算(MEC)为车辆提供计算服务。然而随着交通密度的增加，对于RSU或基站中有限的计算资源，很难保证所有车载应用程序的服务质量。此外，RSU或基站服务器通常部署稀疏，其性能受到无线电覆盖的限制。此外，由于基站和RSU都是固定的基础设施，车辆与RSU或基站之间的相对速度较高，导致链路持续时间较短。相反，两辆同一方向行驶的车辆之间的相对速度较小，因此较长的链路持续时间成为可能。如今，许多高端车辆都配备了相当数量的计算能力，随着自主驾驶和5G技术的迅速发展，在不久的将来，将有越来越多的车辆配备足够的计算能力。
作为移动边缘计算与车辆网络的结合，车辆边缘计算(VEC)是一种很有前途的方案，车辆可以相互共享其空闲计算资源。目前有一种基于多臂赌博机算法的在线学习的任务卸载方法，该方法将任务卸载问题建模成多臂赌博机问题，并将车辆分为服务车和任务车。任务车倾向于探索历史卸载次数较小的服务车进行任务卸载，以估计其时延分布；同时，利用之前卸载过程中时延更低的服务车，以优化瞬时卸载时延。一些如粒子群优化、改进遗传算法、Lyapunov优化等方法；基于马尔可夫决策过程理论的强化学习方法如Q学习算法、深度强化学习方法如深度Q网络也被用来解决在VEC中的任务分配问题。但是未能考虑任务的优先级和相邻车辆的服务可用性。结果，所有任务都有相同的概率被卸载到服务器并获得相应的计算资源，某些具有严格延迟的任务可能无法在最大延迟内完成，同时，由于V2V链路持续时间短或车辆计算资源不足，可能导致卸载失败。
因此，目前的车联网任务卸载方法卸载成功率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车联网任务卸载方法卸载成功率的基于业务优先级的车联网任务卸载方法。
一种基于业务优先级的车联网任务卸载方法，所述方法包括：
实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，所述第一任务卸载请求为所述车辆终端进入所述RSU覆盖范围内时第一次发送的任务卸载请求；
根据所述第一任务卸载请求，为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级；
根据所述第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的所述卸载任务进行处理，并向对应的车辆终端进行反馈；
根据所述第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；
向RSU覆盖范围内的所述车辆终端发送所述卸载策略，使各所述车辆终端根据所述卸载策略通过RSU进行任务卸载的数据传输。
在其中一个实施例中，所述方法还包括：
实时获取RSU覆盖范围内的所述车辆终端根据所述卸载策略发送的第二任务卸载请求；
对所述第二任务卸载请求进行处理，并向所述车辆终端获取所述车辆终端的位置信息；
根据所述车辆终端的位置信息和所述奖励值，采用计算任务调度算法对所述卸载策略进行更新，并向RSU覆盖范围内的所述车辆终端发送更新后的卸载策略，使各所述车辆终端根据所述更新后的卸载策略通过RSU进行任务卸载的数据传输。
在其中一个实施例中，所述计算任务调度算法为基于SAC的任务卸载算法，通过基于SAC的任务卸载算法经历多个迭代过程来不断更新卸载策略，最终得到最佳卸载策略。
在其中一个实施例中，在所述实时接收RSU覆盖范围内的车辆终端通过RSU发送的任务卸载请求的步骤之前，还包括：
对新进入所述RSU覆盖范围内的车辆终端进行RSU执行认证，向所述车辆终端反馈RSU执行认证信息。
在其中一个实施例中，所述根据所述第一任务卸载请求，为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级的步骤，包括：
根据所述第一任务卸载请求，通过层次分析法为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级。
上述基于业务优先级的车联网任务卸载方法，通过实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，所述第一任务卸载请求为所述车辆终端进入所述RSU覆盖范围内时第一次发送的任务卸载请求；根据所述第一任务卸载请求，为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级；根据所述第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的所述卸载任务进行处理，并向对应的车辆终端进行反馈；根据所述第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；向RSU覆盖范围内的所述车辆终端发送所述卸载策略，使各所述车辆终端根据所述卸载策略通过RSU进行任务卸载的数据传输，提高了计算任务执行成功概率。
附图说明
图1为一个实施例中基于业务优先级的车联网任务卸载方法的应用场景图；
图2为一个实施例中基于业务优先级的车联网任务卸载方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于业务优先级的车联网任务卸载方法，可以应用于如图1所示的车辆自组织网络环境中。其中，MEC服务器102通过网络与RSU(路侧单元)104进行通信；RSU(路侧单元)104通过网络与RSU信号覆盖范围内的车辆终端106进行通信。在RSU信号覆盖范围内的每一车辆终端106视为一个车辆节点；具体车辆终端106会将自身携带的计算任务通过无线网络卸载到RSU 104连接的MEC服务器102进行处理，MEC服务器102通过计算得到计算任务优先级，然后根据深度学习网络决定计算任务的卸载策略，车辆终端106随后跟着接收的卸载策略，将MEC服务器102可以接受的计算任务卸载到MEC服务器102上进行处理。其中，MEC服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于业务优先级的车联网任务卸载方法，包括以下步骤：
步骤S220，实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求。
其中，车辆终端每进入一个RSU的覆盖范围内时，会根据当前的计算任务与RSU连接的MEC服务器发送需要帮忙处理的计算任务的第一任务卸载请求，该第一任务卸载请求为车辆终端进入RSU覆盖范围内时第一次发送的任务卸载请求。MEC服务器可以根据接收到第一任务卸载请求和MEC服务器的处理能力，确定接受处理哪些卸载任务。
步骤S240，根据第一任务卸载请求，为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级。
其中，车辆终端通过发送第一任务卸载请求将所携带的计算任务发送至MEC服务器，MEC服务器因计算任务类型的不同导致所需占用的计算资源不同，MEC服务器根据收到的第一任务卸载请求中的计算任务信息，通过层次分析法为计算任务赋予不同的权重，例如：给容忍时延小、计算复杂度高的计算任务分配相对高一些的权重系数，为MEC服务器的计算资源调度过程提供更合理的依据，提高车辆终端计算任务的卸载执行成功率。
在一个实施例中，根据第一任务卸载请求，为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级的步骤，包括：根据第一任务卸载请求，通过层次分析法为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级。
其中，层次分析法对车辆终端的计算任务进行优先级划分，从而为计算任务处理速率赋予不同的权重。
步骤S260，根据第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的卸载任务进行处理，并向对应的车辆终端进行反馈。
其中，MEC服务器可以接收来自多个车辆终端的第一任务卸载请求，考虑到有限的计算资源和V2V链路的不稳定，必须拒绝一些低优先级的任务卸载请求，因此，根据第一任务卸载请求的任务优先级，以及MEC服务器的计算资源，按照优先级的高低，优先选择第一任务卸载请求的任务优先级相对较高的计算任务作为当前接受的卸载任务，对当前接受的卸载任务进行处理，并向对应的车辆终端进行反馈。当前的第一任务卸载请求的任务优先级相对较低的计算任务，MEC服务器不处理，由车辆终端自行处理。
步骤S280，根据第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值。
其中，MEC服务器可以接收来自多个车辆终端的第一任务卸载请求，考虑到有限的计算资源和V2V链路的不稳定，必须拒绝一些低优先级的任务卸载请求，然后根据MEC服务器的深度学习网络生成的卸载策略，卸载策略用于决定将车辆终端的哪些计算任务卸载至MEC服务器进行处理。
步骤S300，向RSU覆盖范围内的车辆终端发送卸载策略，使各车辆终端根据卸载策略通过RSU进行任务卸载的数据传输。
其中，车辆终端根据MEC服务器做出的卸载策略，进行任务分类：本地计算或者卸载至MEC服务器计算，将卸载至MEC服务器计算的计算任务通过RSU传输至MEC服务器进行计算。
上述基于业务优先级的车联网任务卸载方法，通过实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，第一任务卸载请求为车辆终端进入RSU覆盖范围内时第一次发送的任务卸载请求；根据第一任务卸载请求，为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级；根据第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的卸载任务进行处理，并向对应的车辆终端进行反馈；根据第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；向RSU覆盖范围内的车辆终端发送卸载策略，使各车辆终端根据卸载策略通过RSU进行任务卸载的数据传输，提高了计算任务执行成功概率。
在一个实施例中，基于业务优先级的车联网任务卸载方法还包括：
实时获取RSU覆盖范围内的车辆终端根据卸载策略发送的第二任务卸载请求；对第二任务卸载请求进行处理，并向车辆终端获取车辆终端的位置信息；根据车辆终端的位置信息和奖励值，采用计算任务调度算法对卸载策略进行更新，并向RSU覆盖范围内的车辆终端发送更新后的卸载策略，使各车辆终端根据更新后的卸载策略通过RSU进行任务卸载的数据传输。
其中，计算任务调度算法为基于SAC的任务卸载算法，通过基于SAC的任务卸载算法经历多个迭代过程来不断更新卸载策略，最终得到最佳卸载策略。第二任务卸载请求是RSU覆盖范围内的车辆终端根据卸载策略发送的任务卸载请求。
MEC服务器接收到第二任务卸载请求之后，从第二任务卸载请求对应的车辆终端收集车辆终端的位置信息；在确定任务车辆的位置生成计算时延以及卸载策略，并发送给对应的车辆终端，车辆终端根据接收到的卸载策略进行下一步的任务卸载动作；同时深度学习网络根据卸载策略结合基于SAC的任务卸载算法生成奖励值，以更新卸载策略。在RSU覆盖范围内的所有车辆终端都将根据MEC服务器做出的卸载策略，通过车辆终端与RSU之间的无线通信网络进行任务卸载的数据传输操作。
基于SAC(Soft Actor-Critic)的任务卸载算法为了得到最佳的卸载策略，在输入当前车辆终端的位置信息/参数后，即可输出结果。同时，通过训练Q值网络，得到卸载策略，将Q值网络作为策略评判标准，通过Q值网络遍历当前状态下的各种动作和环境参数，将状态、奖励值等参数存放于记忆单元，通过基于SAC(Soft Actor-Critic)的任务卸载算法经历多个迭代过程来反复训练该网络，不断更新更新卸载决策动作，最终得到最佳卸载策略。该网络以加权后的计算任务处理速率为优化目标，减小算法迭代过程中的计算复杂度，加快算法收敛速度。
在一个实施例中，在实时接收RSU覆盖范围内的车辆终端通过RSU发送的任务卸载请求的步骤之前，还包括：对新进入RSU覆盖范围内的车辆终端进行RSU执行认证，向车辆终端反馈RSU执行认证信息。
其中，通过对新进入RSU覆盖范围内的车辆终端进行RSU执行认证，以保证对新进入RSU覆盖范围内的车辆终端可以获得任务卸载的机会。
上述基于业务优先级的车联网任务卸载方法，若有新的车辆终端进入RSU的覆盖范围，车辆终端通过RSU将携带的计算任务发送给MEC服务器，MEC服务器为计算任务分配不同的权重系数，为MEC服务器的计算资源调度过程提供更合理的依据，提高车辆终端计算任务的卸载执行成功率；当MEC服务器收到车辆终端当前的计算任务后，深度学习网络根据当前得到的车辆状态得到卸载策略，并生成奖励值；最后通过基于SAC的任务卸载方法，更新卸载决策动作，所有RSU覆盖范围内的车辆终端根据卸载策略，进行任务卸载的数据传输操作；与现有技术相比，本申请通过层次分析法来预处理权重系数，为MEC服务器的计算资源调度过程提供更合理的依据，提高车辆终端计算任务的卸载执行成功率，更适用于车辆自组织网络环境中；提高了计算任务执行成功概率，提高了卸载决策正确率，有效减小了计算任务执行时延。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于业务优先级的车联网任务卸载方法，其特征在于，所述方法包括：
实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，所述第一任务卸载请求为所述车辆终端进入所述RSU覆盖范围内时第一次发送的任务卸载请求；
根据所述第一任务卸载请求，为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级；
根据所述第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的所述卸载任务进行处理，并向对应的车辆终端进行反馈；
根据所述第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；
向RSU覆盖范围内的所述车辆终端发送所述卸载策略，使各所述车辆终端根据所述卸载策略通过RSU进行任务卸载的数据传输。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
实时获取RSU覆盖范围内的所述车辆终端根据所述卸载策略发送的第二任务卸载请求；
对所述第二任务卸载请求进行处理，并向所述车辆终端获取所述车辆终端的位置信息；
根据所述车辆终端的位置信息和所述奖励值，采用计算任务调度算法对所述卸载策略进行更新，并向RSU覆盖范围内的所述车辆终端发送更新后的卸载策略，使各所述车辆终端根据所述更新后的卸载策略通过RSU进行任务卸载的数据传输。
3.根据权利要求2所述的方法，其特征在于，所述计算任务调度算法为基于SAC的任务卸载算法，通过基于SAC的任务卸载算法经历多个迭代过程来不断更新卸载策略，最终得到最佳卸载策略。
4.根据权利要求1所述的方法，其特征在于，在所述实时接收RSU覆盖范围内的车辆终端通过RSU发送的任务卸载请求的步骤之前，还包括：
对新进入所述RSU覆盖范围内的车辆终端进行RSU执行认证，向所述车辆终端反馈RSU执行认证信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一任务卸载请求，为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级的步骤，包括：
根据所述第一任务卸载请求，通过层次分析法为所述第一任务卸载请求分配权重，确定所述第一任务卸载请求的任务优先级。
CN202110761216.XA 2021-07-06 2021-07-06 基于业务优先级的车联网任务卸载方法 Active CN113645273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110761216.XA CN113645273B (zh) 2021-07-06 2021-07-06 基于业务优先级的车联网任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110761216.XA CN113645273B (zh) 2021-07-06 2021-07-06 基于业务优先级的车联网任务卸载方法

Publications (2)

Publication Number Publication Date
CN113645273A true CN113645273A (zh) 2021-11-12
CN113645273B CN113645273B (zh) 2023-07-07

Family

ID=78416827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110761216.XA Active CN113645273B (zh) 2021-07-06 2021-07-06 基于业务优先级的车联网任务卸载方法

Country Status (1)

Country Link
CN (1) CN113645273B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065683A (zh) * 2022-07-27 2022-09-16 多伦科技股份有限公司 基于车辆聚类的车辆边缘网络任务分配卸载方法
CN116708445A (zh) * 2023-08-08 2023-09-05 北京智芯微电子科技有限公司 边缘计算任务的分配方法、配电网系统、装置及存储介质
WO2024065903A1 (zh) * 2022-09-29 2024-04-04 福州大学 多约束边环境下计算卸载与资源分配联合优化系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111556461A (zh) * 2020-04-29 2020-08-18 南京邮电大学 一种基于深度q网络的车载边缘网络任务分发卸载方法
CN111866807A (zh) * 2020-06-22 2020-10-30 江苏大学 一种基于深度强化学习的软件定义车载任务细粒度卸载方法
CN112367640A (zh) * 2020-11-09 2021-02-12 中科怡海高新技术发展江苏股份公司 基于移动边缘计算的v2v模式多任务卸载方法及系统
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
CN113067873A (zh) * 2021-03-19 2021-07-02 北京邮电大学 基于深度强化学习的边云协同优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111556461A (zh) * 2020-04-29 2020-08-18 南京邮电大学 一种基于深度q网络的车载边缘网络任务分发卸载方法
CN111866807A (zh) * 2020-06-22 2020-10-30 江苏大学 一种基于深度强化学习的软件定义车载任务细粒度卸载方法
CN112367640A (zh) * 2020-11-09 2021-02-12 中科怡海高新技术发展江苏股份公司 基于移动边缘计算的v2v模式多任务卸载方法及系统
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
CN113067873A (zh) * 2021-03-19 2021-07-02 北京邮电大学 基于深度强化学习的边云协同优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵海涛等: "基于DQN的车载边缘网络任务分发卸载算法", 《通信学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065683A (zh) * 2022-07-27 2022-09-16 多伦科技股份有限公司 基于车辆聚类的车辆边缘网络任务分配卸载方法
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
WO2024065903A1 (zh) * 2022-09-29 2024-04-04 福州大学 多约束边环境下计算卸载与资源分配联合优化系统及方法
CN116708445A (zh) * 2023-08-08 2023-09-05 北京智芯微电子科技有限公司 边缘计算任务的分配方法、配电网系统、装置及存储介质

Also Published As

Publication number Publication date
CN113645273B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN113645273B (zh) 基于业务优先级的车联网任务卸载方法
CN111414252B (zh) 一种基于深度强化学习的任务卸载方法
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
Wu et al. An efficient offloading algorithm based on support vector machine for mobile edge computing in vehicular networks
CN114143346B (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN113114738B (zh) 基于sdn的车联网任务卸载的优化方法
CN115297171B (zh) 一种蜂窝车联网分级决策的边缘计算卸载方法及系统
Huang et al. A vehicle-assisted data offloading in mobile edge computing enabled vehicular networks
Esmat et al. Deep reinforcement learning based dynamic edge/fog network slicing
Huda et al. Deep reinforcement learning-based computation offloading in uav swarm-enabled edge computing for surveillance applications
CN114521002A (zh) 一种云边端合作的边缘计算方法
CN116723548A (zh) 一种基于深度强化学习的无人机辅助计算卸载方法
CN116781141A (zh) 一种基于深度q网络的leo卫星协作边缘计算卸载方法
Maleki et al. Reinforcement learning-based decision-making for vehicular edge computing
CN115955711A (zh) 一种面向能效最优的空地6g网络资源分配方法
CN115967430A (zh) 一种基于深度强化学习的成本最优空地网络任务卸载方法
Zhao et al. A research of task-offloading algorithm for distributed vehicles
CN115134829A (zh) 移动业务边缘协作卸载方法、装置、设备及介质
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
CN115065683B (zh) 基于车辆聚类的车辆边缘网络任务分配卸载方法
CN115373856B (zh) 一种端边云网络框架中智能车辆的卸载任务分配方法
Chidume et al. Intelligent user-collaborative edge device APC-based MEC 5G IoT for computational offloading and resource allocation
Agbaje et al. Deep Reinforcement Learning for Energy-Efficient Task Offloading in Cooperative Vehicular Edge Networks
CN115134242B (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
Jing et al. Enhancing Soft AC Based Reliable Offloading for IoV with Edge Computing

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