CN113821270A - 任务卸载顺序预测方法、决策方法、电子设备及存储介质 - Google Patents
任务卸载顺序预测方法、决策方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113821270A CN113821270A CN202110866415.7A CN202110866415A CN113821270A CN 113821270 A CN113821270 A CN 113821270A CN 202110866415 A CN202110866415 A CN 202110866415A CN 113821270 A CN113821270 A CN 113821270A
- Authority
- CN
- China
- Prior art keywords
- task
- cooperative
- unloading
- host vehicle
- node
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种任务卸载顺序预测方法、决策方法、电子设备及存储介质。任务卸载顺序预测方法基于预测得到的位置坐标获取协作节点集合,考虑车辆运动状态对于协作节点卸载的影响,确保协作卸载过程协作节点选择的鲁棒性;提出多协作节点并发协作任务卸载,能够适应多场景任务,减少信道时长占用;提供纳什均衡的博弈论来确定任务执行顺序。任务卸载决策方法通过二次规划算法求解多协作节点的优化问题,能够降低所解决的优化问题的复杂度和收敛性。本发明实现协作卸载任务的协作节点的选择、执行顺序和协作卸载任务量的大小,实现完整的协作卸载过程,达到优化任务的执行时延的目的,多节点并发执行也可有效的减少信道的时长占用。
Description
技术领域
本发明涉及车联网移动边缘计算技术领域,特别涉及一种任务卸载顺序预测方法、决策方法、电子设备及存储介质。
背景技术
在相关方案中,为考虑到车辆的机动性对其产生的影响,使用随机几何理论和PPP方法,还有提出了使用基于LBB的计算卸载算法和基于CRI的计算算法,还有提出使用图论方法和启发式算法二种计算分流公式化问的方法。该技术主要应用于交通系统领域,使用的是二进制卸载方案,能够实现车辆之间的协作卸载执行,从而极大程度的减少任务的执行时延大小,以更短的时间之内对任务进行卸载执行从而可以做到干预车辆作出相应的应对措施,有效避免事故的发生或降低事故带来的危害。其主要是智慧交通领域当中的移动边缘计算部分,其相对于以前的任务只在本地进行卸载计算而言,具有任务执行时延小、可充分利用闲置计算资源。
在相关方案中,主要包括:车辆相对静止的协作卸载模型、二进制协作卸载模型和联合协作卸载模型。车辆相对静止的协作卸载模型仅假设车辆道路场景处于相对理想的状态下,没有考虑因车辆移动过程而引起的车辆之间通信过程中的拓扑结构的改变。二进制协作卸载模型未考虑卸载执行时信道占用情况,而且单纯的二进制卸载无法满足车联网中各种复杂类型的场景服务业务。联合协作卸载模型采用了在本地、协作车辆、协作RSU三部分进行联合协作卸载,但不能做到自适应优化。
综上,相关方案中主要存在的缺陷是未考虑车辆机动性的影响、而且只进行二进制卸载无法满足复杂的任务以及只使用到单进程流线执行过程来执行结果导致总任务占用信道的时间更长更容易在协作卸载过程中结果失败。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种任务卸载顺序预测方法、决策方法、电子设备及存储介质。主要考虑车辆的计算密集型的任务,能够减少任务的执行时延大小,进一步缩短信道的占用时长,提高用户的服务体验。
本发明第一方面,提供了一种任务卸载顺序预测方法,包括以下步骤:
获取道路范围内多个节点在第一时刻所处的预测位置,基于所述预测位置获取宿主车辆的协作节点集合,其中所述第一时刻是指所述宿主车辆发出卸载任务至接收对应任务结果之间的时刻,所述协作节点集合中所有协作节点并发执行卸载任务;
以每一个所述协作节点的最低预估时延作为最优策略,基于博弈论的纳什均衡获取所述协作节点集合中的所述协作节点的卸载顺序。
本发明第二方面,提供了一种任务卸载决策方法,应用有本发明第一方面所述任务卸载顺序预测方法,所述任务卸载决策方法包括以下步骤:
基于所述协作节点集合中的所述协作节点的卸载顺序,获取所述道路范围内多个所述宿主车辆的卸载顺序集合;
基于所述多个所述宿主车辆的卸载顺序集合,以最小化任务执行时间为优化目标,构建任务卸载决策目标函数;
通过序列二次规划法计算所述任务卸载决策目标函数的最优解,以所述最优解作为所述道路范围内所述多个所述宿主车辆的卸载决策。
本发明第三方面,提供了一种电子设备,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行本发明第一方面任务卸载顺序预测方法或本发明第二方面所述的任务卸载决策方法。
本发明第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述至少一个控制处理器能够执行本发明第一方面任务卸载顺序预测方法或本发明第二方面所述的任务卸载决策方法。
本发明第一方面提供的任务卸载顺序预测方法,首先预测得到任意车辆在任意时刻的位置坐标,然后基于预测得到的位置坐标获取宿主车辆的协作节点集合,本方法考虑到了车辆运动状态对于协作节点卸载的影响,能够确保协作卸载过程协作节点选择的鲁棒性;然后提出协作节点集合中的多协作节点并发协作任务卸载,无需等待一个协作节点任务完全执行完之后在进行下一个协作节点进行任务执行,能够适应多场景任务,能够实现任务计算过程中减少信道的时长占用;而且为了在多协作节点进行协作卸载过程保证卸载过程顺利畅通无阻的执行,提供基于预估时延为纳什均衡的博弈论来确定任务执行顺序。
本发明第二方面提供的任务卸载决策方法,基于本发明第一方面提供的方法,在这将此带约束的优化高维非线性问题(多协作节点)通过二次规划算法来进行求解,其具有更低迭代次数,降低所解决的优化问题的复杂度和收敛性。而且本发明第二方面提供的任务卸载决策方法,实现了协作卸载任务的协作节点的选择、执行顺序和协作卸载任务量的大小,从而实现完整的协作卸载过程,达到优化任务的执行时延的目的,多节点并发执行可以有效的减少信道的时长占用。
可以理解的是,上述第三方面和第四方面与相关技术相比存在的有益效果与上述第一方面或第二方面与相关技术相比存在的有益效果相同,可以参见上述第一方面或第二方面中的相关描述,在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一个实施例提供的基于V2X的并发协同卸载系统的示意图;
图2为本发明一个实施例提供的任务卸载顺序预测方法的流程示意图;
图3为本发明一个实施例提供的任务卸载决策方法的流程示意图;
图4为本发明另一个实施例提供的任务卸载顺序预测方法的流程框图;
图5为本发明另一个实施例提供的任务卸载决策方法的流程框图;
图6为本发明一个实施例提供的不同方案在不同任务量下的计算时延的示意图;
图7为本发明一个实施例提供的不同方案在不同的上传功率影响下的时延大小的示意图;
图8为本发明一个实施例提供的不同方案在不同的车辆密度下的时延大小的示意图;
图9为本发明一个实施例提供的不同方案在不同的车辆速度下的时延大小的示意图;
图10为本发明一个实施例提供的SQP方法解决优化问题的迭代次数的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
相关方案中主要存在的缺陷是未考虑车辆机动性的影响、而且只进行二进制卸载无法满足复杂的任务以及只使用到单进程流线执行过程来执行结果导致总任务占用信道的时间更长更容易在协作卸载过程中结果失败。
针对未考虑车辆机动性的影响这一问题,因为从现有的大多数关于车联网中的协作卸载模型优化问题,即仅考虑在协作卸载时车辆处于相对静止的状态,所以在协作卸载车辆在卸载时刻假设车辆之间处于相对静止状态,但真实场景中可能会存在所选取的协作卸载节点正在进行任务处理时,协作节点逃离宿主车辆节点的通信范围,导致计算过程或结果发生中断,例如:在某一宿主车辆节点、某一协作卸载节点在进行协作卸载时处于通信范围边界上。在进行协作卸载时,协作节点经过运动逃出了宿主车辆的通信范围。本发明实施例在车辆任务进行协作卸载时考虑车辆的运动状态对于协作卸载的影响。
针对只进行二进制卸载无法满足复杂的任务这一问题,二进制协作卸载可以很好的适用于各种时延敏感型任务,如防碰撞检测、安全紧急型任务处理等等。而忽略了在现实场景中对车载娱乐型、计算密集型任务的处理,从而导致二进制协作卸载的适用场景受到了很大的限制,例如:现有的大多数协作卸载场景下的协作节点要么是邻近车辆要么是邻近路侧单元,只能在这二种协作节点中选择一种作为协作卸载节点。本发明实施例提出了多节点并发协作卸载方案能够适用更多的场景。
针对只使用到单进程流线执行过程来执行结果导致总任务占用信道的时间更长更容易在协作卸载过程中结果失败这一问题,目前联合协作卸载模型并没有考虑使用并发卸载执行过程,只使用到单进程流线执行过程来执行结果,然而这样会使的总的任务占用信道的时间更长更容易在协作卸载过程中结果失败,例如:多协作卸载节点按照一个协作卸载过程完全结束之后再进行下个节点的协作卸载。从整体的协作卸载过程来看,多个协作卸载节点处于等待协作卸载的时间大大增加,信道的占用时长变大。本发明实施例提出并发执行能够很好的解决这一问题所带来的不足之处,使得系统卸载信道占用时长更短。
参照图1,本发明实施例提供一种基于V2X(vehicle to everything,车对外界的信息交换)的并发协同卸载系统,系统包括:道路车辆和路侧单元(Road Side Unit,RSU),每一个车辆都具有一个小型的MEC(多接入边缘计算),所有的车辆都可以进行任务的上传和任务的计算功能,因为对于每一个宿主车辆(有任务卸载需求的车辆)对应的协作节点包含多个,而每个协作节点所计算的任务大小各个不相等,所以本实施例在这里使用的任务类型为可不等分离任务。为了更好的体现车辆的机动性对于协作卸载的影响,本实施例主要涉及计算密集型任务,本文的实施例以车载娱乐型服务为例,此种任务需要大量存储资源、时延相对宽松、如车载语言或车载影音等。在图1中,标号100表示宿主车辆(需要注意的是,车辆中的计算单元图中未示出),标号200表示协作车辆,标号300表示RSU,标号310表示MEC。标号L1(虚线框)表示宿主车辆100的通信范围,标号L2(虚线)表示V2R,标号L2(虚线)表示V2V(虚拟机到虚拟机的迁移,Virtual to Virtual)。车辆朝右前行。
首先,本实施例提供的系统利用车辆的运动轨迹预测模型得到任意车辆在任意时刻的位置坐标,选择卸载执行所允许的最大时延范围之内宿主车辆的协作节点都在其通信范围之内,能够保证协作卸载过程协作节点选择的鲁棒性。然后,本实例提出了多节点并发协作卸载方案,能够适应多场景任务,因为需要对多个协作节点进行协作卸载,为了保证卸载过程顺利畅通无阻的执行,为了得到协作卸载各个协作节点进行卸载的执行顺序,本实施例提供了基于预估时延为纳什均衡的博弈论来确定任务执行过程集合。其次,卸载过程在二个部分使用到了并发执行,一是本地任务执行并不影响卸载协作任务执行,二是协作节点在进行任务计算的过程中其余协作节点可以进行任务上传和任务计算,不需等待一个协作节点任务完全执行完之后在进行下一个协作节点进行任务执行,能够实现任务计算过程中减少信道的时长占用。
参照图1和图2,基于上述系统实施例,提供一种任务卸载顺序预测方法,本方法的执行主体为设备终端,该设备终端可以为移动终端设备,也可以为非移动终端设备。移动终端设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载终端设备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理等;非移动终端设备可以为个人计算机、电视机、柜员机或者自助机等;本发明实施方案不作具体限定。本方法具体包括以下步骤:
步骤S101、获取道路范围内多个节点在第一时刻所处的预测位置,基于预测位置获取宿主车辆的协作节点集合,其中第一时刻是指宿主车辆发出卸载任务至接收对应任务结果之间的时刻,协作节点集合中所有协作节点并发执行卸载任务。
在步骤S101中,节点包括系统中的车辆和路侧单元,获取道路范围内所有节点(假设对系统中道路范围内的所有节点都进行预测)在第一时刻所处的预测位置,是通过运动模型预测道路范围内所有节点在第一时刻所处的预测位置,例如图1示,此模型场景为四车道高速公路,车辆的运动方向为同向行驶,车辆可进行变道超车操作,在此运动模型中,假设此段道路只部署一个路侧单元,道路上总共有N辆车呈均匀分布,道路上所有的车辆运动模型是可预测,为了方便确定任意时刻车辆的位置,将单个车辆的运动模型用直角坐标系中的位置表示sα=(xα,yα),通过运动预测模型公式可以准确估计短期车辆用户的轨迹,然后通过使用二维坐标系来表达描述的场景其中表达式为Sα(T+Δt)=(xα(T+Δt),yα(T+Δt))。本发明实施方案对预测车辆的运动轨迹和车辆任意时刻位置的运动模型不作具体限定。步骤S101中的协作节点并发执行是指:(1)本地任务执行并不影响卸载协作任务执行;(2)协作节点在进行任务计算的过程中其余协作节点可以进行任务上传和任务计算,不需等待一个协作节点任务完全执行完之后在进行下一个协作节点进行任务执行。
步骤S101中的基于预测位置获取宿主车辆的协作节点集合,具体包括步骤:
步骤S1011、根据预测位置计算每一个节点与宿主车辆之间的欧式距离。
步骤S1012、判断宿主车辆与节点之间的欧式距离与宿主车辆与节点之间的通信距离的大小,若宿主车辆与节点之间的欧式距离小于宿主车辆与节点之间的通信距离,将节点作为宿主车辆的协作节点。
本步骤能够实现对协作节点集合的实时更新,保证协作节点集合中的每一个节点与宿主车辆之间的欧式距离小于通信距离。在另一个实施例中,在步骤S1011之前还可以包括步骤:
根据预测位置获取宿主车辆所允许节点计算任务的最大时延,使协作节点集合中的每一个协作节点不仅需满足与宿主车辆之间欧式距离小于通信距离,而且还满足最大时延小于阈值,这个阈值可以根据实际情况进行设定,本发明不作具体的限制。
步骤S102、以每一个协作节点的最低预估时延作为最优策略,基于博弈论的纳什均衡获取协作节点集合中的协作节点的卸载顺序。
因为本方法实施例是多个协作节点进行协作卸载,那么按照一个如何的顺序进行卸载执行,才能保证卸载过程顺利畅通无阻的执行,减少信道的占用时长,为了解决这一问题,得到协作卸载各个协作节点进行卸载的执行顺序,本方法实施例提供了一种基于预估时延为纳什均衡的博弈论来确定任务执行过程集合。博弈论中的纳什均衡是指博弈中每个参与人都确信,在给定其他参与人策略给定的情况下其选择了最优策略,每个局中人选择自己的最优策略,从而使自己效用最大化。
在一些实施例中,提供了基于预估时延为纳什均衡的博弈论来确定任务执行顺序,即步骤S102具体包括:
步骤S1021、构建预估时延模型:
其中表示第i个宿主车辆的预估时延,Dreckon表示第i个宿主车辆卸载至第j个协作节点的任务量,ri,j表示第i个宿主车辆至第j个协作节点的上行传输速率,表示第j个协作节点的计算能力,μ表示通信过程中重叠因子,N表示道路范围内的宿主车辆的数量,n表示第i个宿主车辆的协作节点的数量;
步骤S1022、以每一个协作节点的最低预估时延作为最优策略,基于博弈论的纳什均衡计算预估时延模型,得到协作节点集合中的协作节点的卸载顺序。
本实施例通过各个协作节点每个的预估时延大小进行比较,基于纳什均衡的博弈论来确定执行的前后顺序。
本实施例利用车辆的运动轨迹预测模型得到任意车辆在任意时刻的位置坐标,选择卸载执行所允许的最大时延范围之内宿主车辆的协作节点都在其通信范围之内,能够保证协作卸载过程协作节点选择的鲁棒性。然后,本实例提出了多节点并发协作卸载方案,能够适应多场景任务,因为需要对多个协作节点进行协作卸载,为了保证卸载过程顺利畅通无阻的执行,为了得到协作卸载各个协作节点进行卸载的执行顺序,本实施例提供了基于预估时延为纳什均衡的博弈论来确定任务执行顺序。其次,卸载过程使用到了并发执行,一是本地任务执行并不影响卸载协作任务执行,二是协作节点在进行任务计算的过程中其余协作节点可以进行任务上传和任务计算,不需等待一个协作节点任务完全执行完之后在进行下一个协作节点进行任务执行,能够实现任务计算过程中减少信道的时长占用。
参照图3,基于上述实施例,在上述步骤S102获取宿主车辆对应的协作车辆集合以及集合中协作节点的卸载顺序之后,本发明实施例还提供了一种任务卸载决策方法,本方法包括:
步骤S103、基于协作节点集合中的协作节点的卸载顺序,获取道路范围内多个宿主车辆的卸载顺序集合。
步骤S104、基于多个宿主车辆的卸载顺序集合,以最小化任务执行时间为优化目标,构建任务卸载决策目标函数。
步骤S105、通过序列二次规划法计算任务卸载决策目标函数的最优解,以最优解作为道路范围内多个宿主车辆的卸载决策。
基于上述任务卸载顺序预测方法的实施例,为了计算求得各个协作节点需协作执行任务量的大小,而根据所描述的问题可得此优化问题类型为带约束的高维(多协作节点)非线性规划优化问题,在相关方案中,这样的问题无法直接求得所优化的最优解,所以在这里将此带约束的优化高维非线性问题通过二次规划算法(SQP)来进行求解,其具有更低迭代次数,降低所解决的优化问题的复杂度和收敛性。
通过采取基于上述任务卸载顺序预测方法和本实施例任务卸载决策方法,实现了协作卸载任务的协作节点的选择、执行顺序和协作卸载任务量的大小,从而实现完整的协作卸载过程,达到优化任务的执行时延的目的,多节点并发执行可以有效的减少信道的时长占用。
参照图1,本发明提供了一种任务卸载决策方法,本方法结合车辆的运动模型,充分利用可靠性高的协作节点资源并发运行来最小化任务处理时延。本实施例描述场景主要为移动车载娱乐型服务,如想编辑一个高清视频(包括视频剪辑、视频动画渲染等),需要先将一个高清视频先解码成RGB格式才可以进行编辑,然而,这样会使数据量成几何倍数增加,对于计算资源有限的车载服务器而言难以满足此种服务需求,严重影响用户出行服务体验感。所以本实施例提出了并发协同计算,不同于现有技术只使用到单进程流线执行过程来执行结果,本实施例将对要进行渲染的视频数据裁剪成多个小片段,按照卸载顺序的前后分别分配在不同的协作节点上并发执行小片段的渲染,并发协同计算能够使得系统卸载信道占用时长更短。
本方法的具体实现步骤如下所述:
第一、构建网络模型。网络模型图如图1所示,此模型场景为四车道高速公路,车辆的运动方向为同向行驶,车辆可进行变道超车操作,并且路侧单元和道路车辆上部署有MEC服务器。在此模型中,假设此段道路只部署一个路侧单元(Road Side Unit,RSU),表示为L={v0},本实施例的协作节点包括一个路侧单元和多个协作车辆。道路上总共有N辆车呈均匀分布,表示为V={v0,v1,v2,v3,...,vN,}。假设道路上所有的车辆运动模型是可预测,设运动模型集合为S={s0,s1,s2,s3,...,sN},为了方便确定任意时刻车辆的位置,将单个车辆的运动模型用直角坐标系中的位置表示sα=(xα,yα)。因RSU和车辆均具有计算与存储的能力,而在宿主车辆计算资源有限的情况下需要通信范围之内邻近节点进行协同卸载。因此,设所有车辆的协作节点集合为M={m0,m1,m2,m3,...,mN}。其中,某任意车辆的协作节点集合为mi={vi,0,vi,1,vi,2,...,vi,n}(i≠0)。描述的解决问题需要考虑协作节点进行协作任务卸载的前后顺序,因此本实施例设计一种划分车辆任务卸载顺序的策略集合,表示为Q={qi,0,qi,1,qi,2,...,qi,n}(i≠0),其中qi,j表示为[1,n]之间的整数(数值越小,任务最先进行卸载)。全部车辆的卸载策略集合表示为A={a1,a2,a3,...,aN},其中此处使用排序函数rank{}根据节点下标的大小不同对协作节点卸载顺序进行排序,方便卸载执行时各协作节点如何确定卸载的相关顺序。
本实施例的部分参数如下表1所示:
表1
第二、构建通信模型。基于V2X模式通信,宿主车辆vi不仅只可以卸载到RSU服务器上,还可以卸载到协作车辆之上。因此,可通过V2I(车辆基础设施互联系统)模式通信将计算任务Di卸载到RSU中的MEC服务器上,或者通过V2V模式通信将其任务卸载到协作车辆上。为了降低问题的复杂度,本方法实施例忽略信道接入时延和信道间切换时延的大小对通信速率的影响,同时假设此段道路上只有一个RSU服务器。根据Shannon第二定律,车辆vi与协作节点通信的信息传输速率为:
ri=wr/vlog2[1+SNR(dB)] (1)
其中wv为V2V通信信道带宽,wr为V2I信道带宽。宿主车辆vi在信道上的信噪比(SNR(dB))表示为:
其中p1表示为上传链路信道衰落因子,p2表示为路径损耗因子,li,j表示为宿主车辆vi到协作节点vj的距离,ρ0表示通信内部高斯噪声密度,P为发射功率。
第三、构建运动模型。车辆的移动性会不断的影响宿主车辆与协作车辆之间的间距和信道连接的拓扑结构。在本实施例设置的运动模型中,假设车辆在四车道直道上同向行驶,车辆可以进行加速、减速移动,还可以进行变道超车。因此,为了方便准确的描述场景和问题,假设本实施例的运动预测模型公式可以准确估计短期用户的轨迹,然后,通过使用二维坐标系来表达描述的场景,表达式为:
Sα(T+Δt)=(xα(T+Δt),yα(T+Δt)) (3)
其中,横坐标表示车辆直行运动状态,基于马尔科夫链模型,给出行驶在直道上的第α辆车在T+Δt时刻的位置,其中Δt表示宿主车辆发出卸载任务至接收对应任务结果之间的任意时刻,纵坐标用来描述单位时间内车辆所处的车道数,表达式为:
第四、构建计算模型。假设协作节点都分配得到计算任务Di表示任务Zi的输入大小,qi表示计算任务Di所处的卸载顺序大小,表示计算任务Zi所能容忍的最大时延。宿主车辆的计算任务可以通过卸载到RSU服务器和协作车辆上并发协同卸载计算。
1)本地计算;假设车辆处于相对理想的状态下,即所有车辆的计算能力相同的,时延大小只取决于分配所得到的计算任务。
2)卸载计算;由于要进行计算的任务计算量大,往往本地计算远远不能满足对时延的需求,因此需要将其任务卸载到协作节点进行并发计算,以减少时延,提高用户的服务体验。卸载任务过程分为上传时延、计算时延和回传时延三个阶段,因处理结果回传时数据量较小,所以本实施例忽略结果回传时的时延大小,仅考虑上传时延和计算时延的影响。
单个协作节点时延:
全部节点卸载时延:
第五、构建问题;以最小化任务执行时间为优化目标,制定了以下优化问题:
其中,A表示所有任务请求车辆的卸载决策集合;Q表示协作节点对应任务卸载顺序集合。
其中,约束条件C1表示卸载决策0-1决策;C2表示计算任务的上传功率约束;C3表示本地计算任务约束,即本地任务量小于总任务大小;C4表示卸载到协作节点的任务不能超过本地计算任务,因相比卸载计算时延而言,本地计算时延更小;C5表示本地计算任务和协同计算任务总和等于总任务大小;C6表示当前vm车辆卸载任务的计算时延需小于剩余协作节点执行的总时延大小,其目的在于保证在最后一个协作节点将任务计算结果回传后无其余后续节点未将计算结果回传,提高系统的鲁棒性。
为了确定宿主车辆的所有协作节点的卸载顺序,解决此问题分为二个部分,即分为得到协作节点集合mi和得到协作节点的卸载顺序集合Q。车辆的协作节点集合mi={vi,0,vi,1,vi,2,...,vi,n}(i≠0,i∈N),主要取决于车辆的通信范围RL的影响。如何保证车辆在运动状态下对通信质量产生较小的影响,为了解决此问题,本实施例提出了使用博弈论中的重复剔除严格劣战略和纳什均衡。
允许最大时延:
因:
Sα(T+ΔT)=(xα(T+ΔT),yα(T+ΔT))α∈N,α≠0 (10)
由L2范数(L2norm或欧几里得范数)得:
lα,β=||Sα(T),Sβ(T)||2α≠β,α,β∈N (11)
所以:
Δlα,β=||Sα(T+ΔT),Sβ(T+ΔT)||2 (12)
又由欧式距离得:
即:
使用博弈论中的重复剔除严格劣战略,将ΔT时间内节点间的通信距离大于通信范围RL定义为劣战略,终止条件为协作节点集合中不包含劣战略。即确定从T时刻到ΔTmax时刻所有节点的协作节点集合。
为了充分利用上述的协作节点集合进一步确定执行卸载任务时协作节点卸载顺序,即数值越小表示最先执行卸载任务。在这里以vi宿主车辆为例,说明如何使用博弈论中的纳什均衡来解决此问题。
默认的本地计算任务不影响协作卸载任务执行,因此不参与排序过程。本实施例的宿主车辆vi将任务上传到协作节点和协作节点进行任务计算的预估时延之和定义为能力强弱,即预估时延越小最先进行卸载。预估时延表示为:
其中Dreckon表示预估任务大小为定值。
随后使用博弈论中的纳什均衡来确定协作节点中执行任务的卸载顺序,则需证明纳什均衡的存在性与唯一性。因此定义博弈论中:参与人(也称局中人)为宿主车辆vi的协作节点集合;策略:预估时延模型如式(15);信息:由式(15)可知协作卸卸载的前后顺序主要的影响因素为宿主车辆与协作节点之间的欧式距离lα,β(ri,j与因素lα,β有关)和协作车辆的计算能力;支付:各个协作节点的预估时延大小
博弈论中的纳什均衡是指博弈中每个参与人都确信,在给定其他参与人策略给定的情况下其选择了最优策略,每个局中人选择自己的最优策略,从而使自己效用最大化。使用支付代价大小作为最优策略选择依据,即协作节点支付代价越小表示最优策略。依次按照以上策略原则,分别计算出各协作节点的卸载顺序Q={qi,0,qi,1,qi,2,...,qi,n}(i≠0)集合中的各个元素值的大小,根据卸载顺序集合Q的元素来更新卸载策略集合A。程序流程如图4所示:
为了协同计算更好体现并发性和优化式(8)所提出的协作节点分配任务量的问题,将由上述优化目标函数的问题转化以下优化目标函数:
优化问题的数学模型简化为:
minΔT(X) X∈Rn
s.t. D>X>0 D∈Rn
h(X)=0
g(X)≤0 (17)
式中,X为优化变量;ΔT(X)为优化目标函数,X的取值范围的最大值为总任务D,最小值为0;
h(X)为等式约束,g(X)为不等式约束,Rn意为D数值取自实数空间,相应的拉格朗日函数为:
L(X,λ1,λ2)=ΔT(X)+λ1g(X)+λ2h(X) (18)
式中,λ1,λ2为约束函数的加权因子。
在Xk点根据二阶秦勒公式近似展开为:
不等式约束g(X)≤0,函数g(X)=0在Xk点展开的二阶秦勒近似式为:
等式约束h(X)=0在Xk点展开的二阶秦勒近似式为:
将式(19)-(22)代入式(17),得二次规划子问题:
式中:
Zk=θkyk+(1+θk)BkSk
本文使用SQP算法利用拟牛顿法(变尺度法)来近似构造海塞(Hessian)矩阵,以建立二次规划子问题,因此又称为约束变尺度法,SQP通过拉格朗日函数将原问题转化为二次规划子问题。通过求解二次规划子问题得到迭代的搜索方向,沿搜索方向进行一维搜索,找到迭代的步长,通过迭代最终得到问题的最优解。数据流程图5所示:
以下提供本实施例的实验分析结果:
使用python进行了相应变量的仿真,通过仿真实验结果来评估本实施例的性能。为了最大程度的模拟真实场景下的交通,对于车辆的初始位置和运动中的加速度、速度取服从均匀分布的随机数。以下部分分别使用不同的卸载方案进行的性能比较,如本地计算方案、全部卸载计算方案等等。下表2列出了使用的主要模拟参数。
表2
首先,比较了不同方案在不同任务量下的计算时延。在图6中,通过使用博弈论和SQP算法结合进行任务分配大大减少了任务的执行时间。因为把部分任务卸载到多个协作节点上,利用协作节点的空闲资源来并行协同处理计算任务。从图6可以看出,随着计算任务量的不断增加,各种不同的方案的计算时延都缓慢的增加。因为计算任务量越大,任务上传时延和计算时延也随之会增加。但是,随着计算任务的增加并发卸载计算的优势将越来越明显,最重要的原因是同时调用所有空闲的协作节点来协同服务。另外,本实施例没有考虑多个任务的场景。如果将来有多个任务需要卸载,同样可以使用本实施例所提出的卸载策略和方案。只需加入排队等待策略,其最大的优势在于能够极大的减少排队等待的时间。
其次,比较了不同方案在不同的上传功率影响下的时延大小。为了更好的比较不同方案下的功率大小对计算时延的影响,开始设置任务的上传功率较小的。当上传功率慢慢增加时,任务执行时间也缓慢减少。如图7所示,引起这种现象的主要原因是上传功率会影响上传速度,从而进一步影响整体计算时延的大小,在这里使用并行计算方案很明显优于其余的不同的对比算法。因为上传功率与计算时延并不是线性关系,所以随着上传功率的不断增大时延大小开始趋于平稳。
然后,开始比较了不同方案在不同的车辆密度下的时延大小。在图8和9中,因使用多车辆并行计算大大减少了任务执行时间。从图8和图9中可以看出,随着车辆密度的增加,任务的执行时延缓慢减少且并行计算的下降速度最快。因为车辆密度的增加导致协作节点的数目也随着增加,从而导致任务计算时延的减小。通过图像可知,在车辆密集型的场所多车辆并行卸载执行具有很大的优越性
最后,分析SQP算法对于解决公式(16)的优化问题迭代次数。通过图10可知,当迭代33次图像就较平稳了即趋于目标函数的最优解,表明SQP算法不需要多次迭代就可以实现最优解。同时,随着迭代次数的增加,SQP算法得到目标函数的值越来越接近满足约束条件的最优解。这表明SQP算法在迭代过程可以获得良好的性能。
相较于相关技术,本实施例在车联网协作卸载方面,纳入车辆运动轨迹的预测模型对于协作卸载的影响。车辆的运动模型往往会影响到协作卸载策略的选择和决策,而要想解决这一问题,需要能够对于每辆车任意时刻的运动位置做出比较准确的判断。为保证多协作卸载节点并发协作卸载执行方面,描述的目标问题为带约束条件的多节点并发协作卸载执行,因此选择序列二次规划算法,其具有收敛速度更快,结果更有效和精度更高。结果显示使用多节点协作卸载具有很大的优势,结果时延更小。
参照图1,本发明的一个实施例,因为道路车辆的运动轨迹模型受到道路形状的影响,如图1所示车辆运行在四车道直行道路上,道路车辆可进行超车、加速、减速和匀速运动。同时为了更好满足道路车辆在不同场景下出现的情况,对于宿主车辆而言存在多辆不同的协作车辆和协作路侧单元。
1.考虑到各个不同车辆运动轨迹的预测,根据车辆运动轨迹预测模型,计算出不同时刻车辆所处二维坐标位置,然后计算出所允许的时刻范围之内任意时刻车辆节点之间的欧式距离,通过欧式距离和通信范围的比较可知,如图所示可得,有部分车辆无法满足此条件,从而能够提高卸载的鲁棒性。
2.之后过程中,提出了车辆预估时延模型,以此模型为纳什均衡的博弈论。确定了如图1所示各个不同卸载车辆次序,通过序列二次规划算法(SQP),求解出此带约束的多维非线性规划问题。在图中通过比例分配图可知,各个并发协作卸载的节点所分配任务量。
通过以上二步具体的操作可以得到,宿主车辆的各协作节点的卸载顺序和卸载任务量大小。
本发明的一个实施例,提供了一种电子设备,该设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是,本实施例中的电子设备能够构成图1所示实施例中的系统架构的一部分,这些实施例均属于相同的发明构思,因此这些实施例具有相同的实现原理以及技术效果,此处不再详述。
实现上述实施例的任务卸载顺序预测方法或任务卸载决策方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例方法,例如,执行以上描述的图2中的方法步骤S101至S102和图3中的方法步骤S103至S105。
以上所描述的终端实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外,本发明的一个实施例,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述终端实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的任务卸载顺序预测方法或任务卸载决策方法,例如,执行以上描述的图2中的方法步骤S101至S102和图3中的方法步骤S103至S105。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种任务卸载顺序预测方法,其特征在于,包括以下步骤:
获取道路范围内多个节点在第一时刻所处的预测位置,基于所述预测位置获取宿主车辆的协作节点集合,其中所述第一时刻是指所述宿主车辆发出卸载任务至接收对应任务结果之间的时刻,所述协作节点集合中所有协作节点并发执行卸载任务;
以每一个所述协作节点的最低预估时延作为最优策略,基于博弈论的纳什均衡获取所述协作节点集合中的所述协作节点的卸载顺序。
2.根据权利要求1所述的任务卸载顺序预测方法,其特征在于,所述预估时延包括预估任务上传时延和预估任务计算时延。
3.根据权利要求1所述的任务卸载顺序预测方法,其特征在于,所述基于所述预测位置获取宿主车辆的协作节点集合,包括:
根据所述预测位置计算每一个所述节点与所述宿主车辆之间的欧式距离;
判断所述宿主车辆与所述节点之间的所述欧式距离与所述宿主车辆与所述节点之间的通信距离的大小,若所述宿主车辆与所述节点之间的所述欧式距离小于所述宿主车辆与所述节点之间的通信距离,将所述节点作为所述宿主车辆的所述协作节点。
4.根据权利要求2所述的任务卸载顺序预测方法,其特征在于,所述以每一个所述协作节点的最低预估时延作为最优策略,基于博弈论的纳什均衡获取所述协作节点集合中的所述协作节点的卸载顺序,包括:
构建预估时延模型:
其中所述表示第i个所述宿主车辆的预估时延,所述Dreckon表示第i个所述宿主车辆卸载至第j个所述协作节点的任务量,所述ri,j表示第i个所述宿主车辆至第j个所述协作节点的上行传输速率,所述表示第j个所述协作节点的计算能力,所述μ表示通信过程中重叠因子,所述N表示所述道路范围内的所述宿主车辆的数量,所述n表示第i个所述宿主车辆的所述协作节点的数量;
以每一个所述协作节点的最低预估时延作为最优策略,基于博弈论的纳什均衡计算所述预估时延模型,得到所述协作节点集合中的所述协作节点的卸载顺序。
5.根据权利要求1至4任一项所述的任务卸载顺序预测方法,其特征在于,所述协作节点包括车辆和/或路侧单元。
6.一种任务卸载决策方法,其特征在于,应用有权利要求1至5任一项所述的任务卸载顺序预测方法,所述任务卸载决策方法包括以下步骤:
基于所述协作节点集合中的所述协作节点的卸载顺序,获取所述道路范围内多个所述宿主车辆的卸载顺序集合;
基于所述多个所述宿主车辆的卸载顺序集合,以最小化任务执行时间为优化目标,构建任务卸载决策目标函数;
通过序列二次规划法计算所述任务卸载决策目标函数的最优解,以所述最优解作为所述道路范围内所述多个所述宿主车辆的卸载决策。
7.根据权利要求6所述的任务卸载决策方法,其特征在于,所述任务卸载决策目标函数为:
约束条件为:
其中所述W表示所述多个所述宿主车辆的卸载决策集合,所述N表示所述道路范围内的所述宿主车辆的数量,所述n表示第i个所述宿主车辆的所述协作节点的数量,所述表示第i个所述宿主车辆的本地计算时延,所述表示第i个所述宿主车辆的所有协作节点的任务上传时延和任务计算时延,所述表示第i个所述宿主车辆的本地计算任务,所述表示第i个所述宿主车辆的本地计算能力,所述表示第i个所述宿主车辆卸载至第j个所述协作节点的任务量,所述ri,j表示第i个所述宿主车辆至第j个所述协作节点的上行传输速率,所述表示n个所述协作节点的计算能力,所述μ表示通信过程中重叠因子;所述约束条件C1表示卸载决策0-1决策,所述约束条件C2表示计算任务的上传功率约束,所述约束条件C3表示本地计算任务约束,所述约束条件C4表示卸载到协作节点的任务不能超过本地计算任务,所述约束条件C5表示本地计算任务和卸载计算任务总和等于总任务大小,所述约束条件C6表示第m个所述协作节点卸载任务的计算时延小于剩余协作节点执行的总时延。
8.根据权利要求7所述的任务卸载决策方法,其特征在于,所述通过序列二次规划法计算所述任务卸载决策优化目标函数的最优解,包括:
通过拉格朗日函数将优化任务卸载决策目标函数的问题转换为二次规划子问题;
求解所述二次规划子问题,得到迭代的搜索方向,沿所述搜索方向进行一维搜索,计算迭代的步长;
若所述迭代的步长满足预设的精度,获取所述任务卸载决策优化目标函数的最优解。
9.一种电子设备,其特征在于,包括:至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行权利要求1至5任一项所述的任务卸载顺序预测方法或权利要求6至8任一项所述的任务卸载决策方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至5任一项所述的任务卸载顺序预测方法或权利要求6至8任一项所述的任务卸载决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110866415.7A CN113821270B (zh) | 2021-07-29 | 2021-07-29 | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110866415.7A CN113821270B (zh) | 2021-07-29 | 2021-07-29 | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113821270A true CN113821270A (zh) | 2021-12-21 |
CN113821270B CN113821270B (zh) | 2023-07-25 |
Family
ID=78924005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110866415.7A Active CN113821270B (zh) | 2021-07-29 | 2021-07-29 | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821270B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114980029A (zh) * | 2022-05-20 | 2022-08-30 | 重庆邮电大学 | 车联网中基于任务关联性的卸载方法 |
CN117891613A (zh) * | 2024-02-29 | 2024-04-16 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及系统 |
CN117891613B (zh) * | 2024-02-29 | 2024-05-31 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130054050A1 (en) * | 2011-08-24 | 2013-02-28 | Dimitar Petrov Filev | Methods and apparatus for a vehicle to cloud to vehicle control system |
CN108616996A (zh) * | 2018-03-19 | 2018-10-02 | 山东大学 | 一种Femtocell网络的频谱和功率分配方法、装置及系统 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN110851197A (zh) * | 2019-10-10 | 2020-02-28 | 长沙理工大学 | 一种边缘计算多服务器任务选择卸载方法和系统 |
CN111182495A (zh) * | 2019-12-25 | 2020-05-19 | 大连理工大学 | 一种5g车联网部分计算卸载方法 |
CN111479238A (zh) * | 2020-04-14 | 2020-07-31 | 东华大学 | 一种车联网信息处理时延优化方法 |
CN112039965A (zh) * | 2020-08-24 | 2020-12-04 | 重庆邮电大学 | 一种时间敏感网络中的多任务卸载方法及系统 |
CN112702414A (zh) * | 2020-12-21 | 2021-04-23 | 中国电子科技集团公司第五十四研究所 | 边缘车队云计算卸载方法、系统、介质设备及应用 |
CN113132943A (zh) * | 2021-04-18 | 2021-07-16 | 中南林业科技大学 | 一种车联网中车边协同的任务卸载调度及资源分配方法 |
-
2021
- 2021-07-29 CN CN202110866415.7A patent/CN113821270B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130054050A1 (en) * | 2011-08-24 | 2013-02-28 | Dimitar Petrov Filev | Methods and apparatus for a vehicle to cloud to vehicle control system |
CN108616996A (zh) * | 2018-03-19 | 2018-10-02 | 山东大学 | 一种Femtocell网络的频谱和功率分配方法、装置及系统 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN110851197A (zh) * | 2019-10-10 | 2020-02-28 | 长沙理工大学 | 一种边缘计算多服务器任务选择卸载方法和系统 |
CN111182495A (zh) * | 2019-12-25 | 2020-05-19 | 大连理工大学 | 一种5g车联网部分计算卸载方法 |
CN111479238A (zh) * | 2020-04-14 | 2020-07-31 | 东华大学 | 一种车联网信息处理时延优化方法 |
CN112039965A (zh) * | 2020-08-24 | 2020-12-04 | 重庆邮电大学 | 一种时间敏感网络中的多任务卸载方法及系统 |
CN112702414A (zh) * | 2020-12-21 | 2021-04-23 | 中国电子科技集团公司第五十四研究所 | 边缘车队云计算卸载方法、系统、介质设备及应用 |
CN113132943A (zh) * | 2021-04-18 | 2021-07-16 | 中南林业科技大学 | 一种车联网中车边协同的任务卸载调度及资源分配方法 |
Non-Patent Citations (2)
Title |
---|
肖娇: "基于C-V2X的车联网资源调度算法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 2020, pages 034 - 501 * |
贺艳华: "面向5G/B5G无线网络的绿色传输策略研究", 中国博士学位论文全文数据库 信息科技辑, no. 2021, pages 136 - 43 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114980029A (zh) * | 2022-05-20 | 2022-08-30 | 重庆邮电大学 | 车联网中基于任务关联性的卸载方法 |
CN117891613A (zh) * | 2024-02-29 | 2024-04-16 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及系统 |
CN117891613B (zh) * | 2024-02-29 | 2024-05-31 | 湘江实验室 | 一种基于车联网的计算卸载和资源分配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113821270B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111031102B (zh) | 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法 | |
CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
CN109068391B (zh) | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 | |
CN113950066A (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
CN110740473B (zh) | 一种用于移动边缘计算的管理方法及边缘服务器 | |
CN112469001B (zh) | 一种应用迁移方法、装置、电子设备及存储介质 | |
CN113055487B (zh) | 一种基于vmec服务网络选择的迁移方法 | |
CN111132074B (zh) | 车联网环境下多接入边缘计算卸载和帧时隙资源分配方法 | |
CN113760511B (zh) | 一种基于深度确定性策略的车辆边缘计算任务卸载方法 | |
CN114662661A (zh) | 边缘计算下异构处理器加速多出口dnn推理的方法 | |
CN113867843B (zh) | 一种基于深度强化学习的移动边缘计算任务卸载方法 | |
CN114205353B (zh) | 一种基于混合动作空间强化学习算法的计算卸载方法 | |
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 | |
CN115665258B (zh) | 一种基于深度强化学习的多目标服务功能链的优先级感知部署方法 | |
CN116566838A (zh) | 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法 | |
CN114356544A (zh) | 面向边缘集群的并行计算方法和系统 | |
CN113315669B (zh) | 基于云边协同的吞吐量优化的机器学习推断任务部署方法 | |
CN113821270A (zh) | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 | |
CN113868808A (zh) | 一种道路网络临近检测时延优化方法、装置和系统 | |
CN117202264A (zh) | Mec环境中面向5g网络切片的计算卸载方法 | |
CN114815755A (zh) | 基于智能协作推理的分布式实时智能监控系统的建立方法 | |
CN114828047A (zh) | 一种5g移动边缘计算环境中多智能体协同计算卸载方法 | |
CN111813538A (zh) | 一种边缘计算资源分配方法 | |
CN117891613B (zh) | 一种基于车联网的计算卸载和资源分配方法及系统 | |
CN114531669B (zh) | 一种基于车辆边缘计算的任务卸载方法及系统 |
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 |