CN113810878B

CN113810878B - 一种基于车联网任务卸载决策的宏基站放置方法

Info

Publication number: CN113810878B
Application number: CN202111010521.1A
Authority: CN
Inventors: 李斌; 史琪
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2021-08-31
Filing date: 2021-08-31
Publication date: 2023-04-25
Anticipated expiration: 2041-08-31
Also published as: CN113810878A

Abstract

本发明公开了一种基于车联网任务卸载决策的宏基站放置方法，具体为：步骤1：建立Y*Y个编码矩阵，并对行和列进行组合，步骤2：建立数字孪生网络，对每一种组合进行仿真；步骤3：计算得到每一种组合中每个宏基站的最优任务卸载决策，步骤4计算每一种组合下每一个宏基站的总能耗；步骤5：建立总能耗的最小目标函数，并采用粒子群算法进行求解；从而得到最优的组合。本发明考虑了边缘计算中的宏基站的放置问题，在满足任务计算要求的前提下，减少宏基站中边缘服务器的闲置时间，进一步降低能耗。

Description

一种基于车联网任务卸载决策的宏基站放置方法

技术领域

本发明属于移动边缘计算领域。

背景技术

工业物联网是一种信息物理系统(CPSs)的实现技术，它可以使传感器、仪器和设备等工业单元具备相互通信和交互的能力。据国际数据公司(IDC)的报告，到2025年，联网设备的数量将达到416亿，预计这些设备将产生近80ZB的数据。工业物联网技术的高度普及，促使工业生产向网络化和数字化方向发展。利用边缘计算技术可将大量计算任务卸载至边缘服务器中，使得计算能力弱、能量储备低的设备能够及时处理数据较大的任务。此外，数字孪生技术是反应物理现实世界的虚拟模型，构建数字孪生网络，通过对网络中各设备的状态进行仿真、分析、预测，实现了对现实世界的数字化转变。因此，边缘计算和数字孪生的结合，是当前的研究热点。

在物联网各领域中，车联网备受关注。车辆上的车载设备通过无线通信技术，对信息网络平台中的所有车辆动态信息进行有效利用，在车辆运行中提供不同的功能服务。当前，很多发明聚焦于将边缘计算应用于车联网中，但它们大多关注于如何减少计算能耗和时间延迟，而忽略了车辆在运动过程中的信道时变特性。且为了减少决策反馈时延，现在的研究大都是为每个基站配备一个边缘服务器，但这会造成极大的设备成本和能耗。即使在这种理想情况下，边缘服务器仍经常处于空闲状态且未被充分使用，为了进一步减少能耗，避免不必要的能量损失。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提供了一种基于车联网任务卸载决策的宏基站放置方法。

技术方案：本发明的提供了一种基于车联网任务卸载决策的宏基站放置方法，包括如下步骤：

步骤1：对某个区域内总个数为Y的小型基站依次编码，建立Y*Y的编码矩阵；所述小型基站包括城市基站和路边基站，编码矩阵中第Y列为第Y个宏基站，每一行对应一个小型基站；所述宏基站为设有边缘服务器的基站；

步骤2：对Y*Y的编码矩阵中的行和列进行组合，其中第z个组合为：宏基站的个数为K个,该K个宏基站的信号覆盖范围内有若干个小型基站，且1<K≤Y；z＝1,2,…,z’,z’为组合的总个数；

步骤3：建立数字孪生网络，数字孪生网络包括终端，小型基站和宏基站；所述终端包括车辆和智能终端；

步骤4：在数字孪生网络中小型基站的位置按照小型基站在现实中的位置放置，采用数字孪生网络对步骤2中的每一种组合进行仿真：针对第z个组合，时刻t时存在三种情况：情况1：车辆d_i在路边基站r_j的信号覆盖范围内；情况2：车辆d_i在宏基站s_k的信号覆盖范围内；情况3：车辆d_i既不在r_j的信号覆盖范围内也不在s_k的信号覆盖范围内；针对上述三种情况，计算车辆d_i卸载任务的传输速率和卸载的总任务量；i＝1,2,…I’，I’为数字孪生网络中所有车辆的总数，j＝1,2,…，J，J为数字孪生网络中所有路边基站的总个数；k＝1,2,…K；

步骤5：计算时刻t时宏基站s_k处理车辆d_i卸载任务所消耗的能量

步骤6：根据

以及时刻t时宏基站s_k处理智能终端v’_m卸载任务所消耗的能量

建立最小目标函数；其中m＝1,2,…,M,M为数字孪生网络中智能终端的总个数；

步骤7：求解步骤6中的最小目标函数，得到边缘服务器s_k的最优任务卸载决策；

步骤8：基于s_k的最优任务卸载决策，计算s_k的总能耗E_k；建立第z个组合的最小目标函数

步骤9：采用粒子群算法对步骤8中所有的最小目标函数进行求解，得到最优组合；从而得到步骤1的区域内应放置宏基站的个数以及宏基站覆盖范围内小型基站的个数和类型。

进一步的，所述数字孪生网络还包括状态信息，所述状态信息包括：终端状态，基站连接状态和边缘服务器的状态；所述终端状态包括车辆的速度、位置和任务发送功率以及智能终端的速度、位置和任务发送功率；所述基站连接状态包括车辆和路边基站的连接状态，智能终端和城市基站的连接状态以及宏基站与小型基站的连接状态；所述边缘服务器的状态包括边缘服务器的CPU状态和信道带宽分配状态。

进一步的，所述步骤4中，针对情况1，时刻t时车辆d_i卸载任务的传输速率为：

其中w_ij表示路边基站r_j分配给车辆d_i的传输带宽，σ²表示噪声功率，p_i(t)表示车辆d_i在时刻t时的任务发送功率，I²表示信号干扰，h_ij(t)表示路径损耗，h_ij(t)的表达式如下所示：

其中，α表示路径损耗指数，dis(d_i,r_j)表示车辆d_i与路边基站r_j的距离；

时刻t时车辆d_i卸载的总任务量

针对情况2，时刻t时车辆d_i卸载任务的传输速率为：

其中w_ik表示宏基站s_k分配给车辆d_i的传输带宽，dis(d_i,s_k)表示车辆d_i与宏基站s_k的距离；

时刻t时车辆d_i卸载的总任务量

针对情况3，时刻t时车辆d_i卸载任务的传输速率为0；车辆d_i卸载的总任务量也为0。

进一步的，所述步骤5中，针对情况1，时刻t时若r_j在宏基站s_k的信号覆盖范围内，则宏基站s_k处理车辆d_i卸载任务所消耗的能量为：

其中，c表示宏基站s_k中的边缘服务器处理单位计算任务所需要的CPU周期数，ε表示CPU每进行一次计算的能耗；

为宏基站s_k中的边缘服务器在时刻t时分配给路边基站r_j的CPU资源的预测值；p_jk(t)表示路边基站r_j向边宏基站s_k发送任务的功率，

为宏基站s_k中的边缘服务器时刻t时分配给路边基站r_j的CPU资源的真实值与预测值的误差；

针对情况1，时刻t时若r_j不在宏基站s_k的信号覆盖范围内，则宏基站s_k处理车辆d_i卸载任务所消耗的能量为0；

针对情况2，时刻t时宏基站s_k处理车辆d_i卸载任务所消耗的能量为：

其中，

为宏基站s_k中的边缘服务器在时刻t时分配车辆d_i的CPU资源的预测值；

为宏基站s_k中的边缘服务器时刻t时分配给车辆d_i的CPU资源的真实值与预测值的误差；

针对情况3，时刻t时宏基站s_k处理车辆d_i卸载任务所消耗的能量

进一步的，所述步骤6中的最小目标函数为：

其中，h＝1,2,…,H,H为数字孪生网络中城市基站的总个数。

进一步的，所述步骤8中根据如下公式计算s_k的总能耗E_k：

E_k＝∫P_k(t)dt

其中，P_idle表示宏基站s_k的边缘服务器空闲状态时的功率，P_max表示宏基站s_k的边缘服务器满状态工作时的功率，w_kt为宏基站s_k的边缘服务器在时刻t时的工作量，w_max为宏基站s_k的边缘服务器的最大工作量。

有益效果：本发明采用数字孪生方法对物理世界进行模拟，考虑到车联网中车辆行驶时的信道时变特性，本发明引入了速度变量，将信道时变特性进行表征，更加符合实际，从而做出更精确、更适用于现实场景的任务卸载决策；本发明考虑了边缘计算中的边缘服务器放置问题，在满足任务计算要求的前提下，减少边缘服务器的闲置时间，进一步降低能耗。

附图说明

图1为本发明的应用场景图；

图2为发明的流程图；

图3为本发明的PSO算法流程图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

基于某个区域内小型基站的总个数Y，对每个小型基站依次编码，并建立Y*Y个编码矩阵；所述小型基站包括城市基站和路边基站，编码矩阵中第Y列为第Y个宏基站，每一行对应一个小型基站；所述宏基站为设有边缘服务器的基站。

对Y*Y的编码矩阵中的行和列进行组合，其中第z个组合为：宏基站的个数为K个,该K个宏基站的信号覆盖范围内有若干个小型基站，且1<K≤Y；z＝1,2,3，…，z’,z’为组合的总个数。

如图1所示，任务卸载环境包括移动的车辆、智能终端、小型基站集合和宏基站MBS集合；所述智能终端包括智能手机和移动平板等；小型基站包括车联网中的路边基站RSU和服务于城市通信网络(非车联网)的城市基站；MBS上配备有计算资源足够强大的边缘服务器；同一时刻，每个终端用户有且只有一个基站与之相连，终端用户将任务卸载至连接的基站上；所述终端用户包括移动的车辆和智能终端。

边缘服务器计算环境包括大型边缘服务器和DRL Agent；DRL Agent装载在边缘服务器上，使用Actor-Critic算法进行卸载决策。

建立数字孪生网络，数字孪生网络包括移动的车辆、智能终端、小型基站集合和宏基站MBS集合。

数字孪生网络还包括移动的车辆、智能手机、移动平板等终端用户的状态、基站连接状态和边缘服务器的状态；移动车辆的状态包括车辆的速度、位置和任务发送功率；智能手机和移动平板的状态包括智能手机或移动平板的速度、位置和任务发送功率；基站连接状态表示各终端用户与相应基站的连接状态、小型基站与宏基站中的边缘服务器的连接状态，边缘服务器的状态包括CPU状态、信道带宽分配状态。

如图2所示，本发明的方法如下所示：

终端用户将任务卸载至基站：

本发明重点关注车联网中高速移动的车辆在道路上行驶时的任务卸载。

如图1所示，假设一条笔直的单向道路，车辆以速度v在道路上自西向东行驶，车辆的集合为V＝{d₁,d₂,d₃,...,d_N}，其中，d_i＝(v_i,p_i(t))，v_i表示车辆d_i的行驶速度，p_i(t)表示车辆d_i在时间t时的任务发送功率；RSU分布在道路两侧，R＝{r₁,r₂,r₃,...,r_J}表示所有路边基站的集合，其中，r_j的信号覆盖范围为C_j；针对上述第z个组合，用集合S＝{s₁,s₂,s₃,...,s_K}表示所有的宏基站，其中，宏基站s_k的信号覆盖范围是C_k。

情况1：时刻t时，若车辆d_i进入了路边基站r_j的信号覆盖范围，即dis(d_i,r_j)≤C_j时，d_i通过无线传输开始向r_j卸载任务，其中，dis(d_i,r_j)表示车辆d_i与路边基站r_j的距离。由香农公式得出任务传输速率为：

其中，w_ij表示r_j分配给d_i的传输带宽，σ²表示噪声功率，I²表示来自其他基站的信号干扰，h(t)表示路径损耗。时刻t时，若车辆d_i没有进入路边基站r_j的信号覆盖范围，则R_ij(t)＝0。

在车联网中，考虑到车辆的移动性，信道是时刻变化的，因此，使用路径损耗h_ij(t)来替代信道状态信息。则路径损耗h_ij(t)的计算公式如下：

α表示路径损耗指数，dis(d_i,r_j)表示车辆d_i与路边基站r_j的距离。

因此，d_i卸载至r_j的总任务量为：

情况2：时刻t时，若车辆d_i在宏基站s_k的信号覆盖范围内，车辆d_i卸载任务的传输速率为：

时刻t时车辆d_i卸载的总任务量

情况3：时刻t时，若车辆d_i既不在路边基站r_j的信号覆盖范围内也不在宏基站s_k的信号覆盖范围内，车辆d_i卸载任务的传输速率为0；车辆d_i卸载的总任务量也为0。

针对情况1：时刻t时，若车辆d_i进入了路边基站r_j的信号覆盖范围，且路边基站r_j在宏基站s_k的信号覆盖范围内，令宏基站s_k的边缘服务器分配给r_j的CPU资源为

则边缘服务器s_k处理车辆d_i卸载的任务所消耗的能量可表示为：

其中，c表示宏基站s_k中的边缘服务器处理单位计算任务所需要的CPU周期数，ε表示CPU每进行一次计算的能耗，p_i(t)表示车辆d_i在时刻t时的任务发送功率；

为宏基站s_k中的边缘服务器在时刻t时分配给基站r_j的CPU资源的预测值；p_jk(t)表示路边基站r_j向宏基站s_k发送任务的功率。

数字孪生网络进行状态更新：

移动车辆、智能手机等终端用户将任务卸载至小型基站后，路边基站和城市基站不进行计算，而是直接将任务上传至与自己相连的MBS，MBS上配备有计算能力强大的边缘服务器，其上装载有DRL Agent，可以进行卸载决策训练。

数字孪生网络将上述参数传递给MBS，根据此时各设备的状态，DRL Agent进行卸载决策训练。

考虑到数字孪生网络与现实世界的误差，记

为宏基站s_k中的边缘服务器分配给d_i的CPU资源的真实值与预测值的误差，则将边缘服务器s_k处理车辆d_i卸载的任务所消耗的能量公式更新为：

为宏基站s_k时刻t时分配给路边基站r_j的CPU资源的真实值与预测值的误差。

当然如果时刻t时，车辆d_i进入了路边基站r_j的信号不覆盖范围，但是路边基站r_j不在宏基站s_k的信号覆盖范围内，则

同理可得到针对情况2，时刻t时宏基站s_k处理车辆d_i卸载任务所消耗的能量为：

其中，

为宏基站s_k中的边缘服务器时刻t时分配给车辆d_i的CPU资源的真实值与预测值的误差。

时刻t时宏基站s_k处理智能手机或者移动平板卸载任务所消耗的能量与上述宏基站s_k处理移动车辆卸载任务所消耗的能量的计算方法相同。

问题公式化：

求解最小能耗的问题可以公式化为：

DRL Agent进行卸载决策：

边缘服务器收到来自数字孪生网络传递的参数后，其上装载的DRL Agent使用Actor-Critic算法做出最优的任务卸载决策。

边缘服务器(宏基站)放置方法：

研究表明，一个服务器处于空闲状态时，其基本能耗占满状态工作时能耗的60％以上，这意味着当服务器在空闲状态或低利用率的情况下，会浪费大量的能源。为了减少边缘服务器空闲状态的时间、降低不必要的能耗，边缘服务器的使用率需要被提高，本发明据此提出了一种边缘服务器放置方法。

在前述方案的基础上，假设边缘服务器s_k在时刻t时的功率为P_k(t)，则s_k的总能耗为：

E_k＝∫P_k(t)dt

根据以上陈述，能量感知的边缘服务器放置问题可以表述为：

为使用粒子群优化算法解决上述问题，本发明将网络内的基站抽象为节点，提出了一种编码方式。

边缘服务器的放置问题本质上是边缘服务器和基站的一对多配对问题。通常来说，边缘服务器配备在基站上，本发明中的MBS同样也接收和处理周边用户发送的任务。因此，每个路边单元或城市基站均有可能配备边缘服务器，显然，边缘服务器的潜在放置位置即为小型基站集合。据此，本发明构建了一个可以反映基站与边缘服务器连接情况的矩阵。通过本发明的方法设置的一种组合如表1所示：

表1

	1	2	3	4	…	Y
							1	0	1	0	0	0
2	0	1	0	0		0
							3	0	0	0	1	0
4	0	0	0	1		0
							…		0	0	0	0
Y	0	1	0	0		0

表中的第一行第二列数值为1，表示编号为1的小型基站分配给编号为2的宏基站，显然，表中的第2行第2列的数值也为1。根据约束条件，容易得出，每行有且仅有1个元素的值为1，而每列数值为1的数量不定。

根据以上编码方式，本发明简化了基站与边缘服务器的连接关系，在前述方案已解决任务卸载决策问题的基础上，考虑最大化减少边缘服务器的空闲时间。最后使用PSO算法(粒子群算法)找出最佳边缘服务器放置方案，PSO算法的流程图如图3所示。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims

1.一种基于车联网任务卸载决策的宏基站放置方法，其特征在于，包括如下步骤：

步骤6：根据

步骤9：采用粒子群算法对步骤8中所有的最小目标函数进行求解，得到最优组合；从而得到步骤1的区域内应放置宏基站的个数以及宏基站覆盖范围内小型基站的个数和类型；

所述步骤4中，针对情况1，时刻t时车辆d_i卸载任务的传输速率为：

时刻t时车辆d_i卸载的总任务量

针对情况2，时刻t时车辆d_i卸载任务的传输速率为：

时刻t时车辆d_i卸载的总任务量

针对情况3，时刻t时车辆d_i卸载任务的传输速率为0；车辆d_i卸载的总任务量也为0；

所述步骤5中，针对情况1，时刻t时若r_j在宏基站s_k的信号覆盖范围内，则宏基站s_k处理车辆d_i卸载任务所消耗的能量为：

其中，

所述步骤6中的最小目标函数为：

其中，h＝1,2,…,H,H为数字孪生网络中城市基站的总个数；

所述步骤8中根据如下公式计算s_k的总能耗E_k：

E_k＝∫P_k(t)dt

2.根据权利要求1所述的一种基于车联网任务卸载决策的宏基站放置方法，其特征在于，所述数字孪生网络还包括状态信息，所述状态信息包括：终端状态，基站连接状态和边缘服务器的状态；所述终端状态包括车辆的速度、位置和任务发送功率以及智能终端的速度、位置和任务发送功率；所述基站连接状态包括车辆和路边基站的连接状态，智能终端和城市基站的连接状态以及宏基站与小型基站的连接状态；所述边缘服务器的状态包括边缘服务器的CPU状态和信道带宽分配状态。