CN113904947A - 车路协同分布式边缘计算任务卸载与资源分配方法和系统 - Google Patents

车路协同分布式边缘计算任务卸载与资源分配方法和系统 Download PDF

Info

Publication number
CN113904947A
CN113904947A CN202111344258.XA CN202111344258A CN113904947A CN 113904947 A CN113904947 A CN 113904947A CN 202111344258 A CN202111344258 A CN 202111344258A CN 113904947 A CN113904947 A CN 113904947A
Authority
CN
China
Prior art keywords
vehicle
task
resource allocation
optimization
edge computing
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
CN202111344258.XA
Other languages
English (en)
Other versions
CN113904947B (zh
Inventor
王晓伟
马贵福
秦洪懋
徐彪
谢国涛
秦兆博
秦晓辉
边有钢
胡满江
丁荣军
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.)
Wuxi Institute Of Intelligent Control Hunan University
Original Assignee
Wuxi Institute Of Intelligent Control Hunan University
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 Wuxi Institute Of Intelligent Control Hunan University filed Critical Wuxi Institute Of Intelligent Control Hunan University
Priority to CN202111344258.XA priority Critical patent/CN113904947B/zh
Publication of CN113904947A publication Critical patent/CN113904947A/zh
Application granted granted Critical
Publication of CN113904947B publication Critical patent/CN113904947B/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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车路协同分布式边缘计算任务卸载与资源分配方法和系统，该方法包括：步骤1，获得车辆与基站之间的平均传输速率；步骤2，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题；步骤3，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，通过可行性分析得到优化变量可行集；步骤4，将所述原优化问题转化为等价优化问题；步骤5，将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，分别得到最优通信与边缘计算资源分配策略和最优车辆任务分割策略与本地计算资源分配策略。本发明能够解决现有的边缘计算集中式决策方案通信开销大、求解复杂度高、资源分配不合理、用户部分隐私泄露等问题。

Description

车路协同分布式边缘计算任务卸载与资源分配方法和系统
技术领域
本发明涉及边缘计算技术领域，特别是关于一种考虑车辆移动性的车路协同分布式边缘计算任务卸载与资源分配方法和系统。
背景技术
随着智能网联车辆自动驾驶等级的不断提高，其感知、决策、控制算法的复杂度也在不断增加，对车辆终端设备计算能力的需求日益增大，基于5G通信的车路协同边缘计算技术为解决上述问题提供了有效手段。然而现有边缘计算多数基于集中式求解方案进行任务卸载与资源分配，求解复杂度高且难以应对大规模网联车辆场景。本发明可提供一种在多智能网联车辆场景中考虑车辆移动性的车路协同分布式任务卸载与资源分配方法和系统，可有效降低系统的通信开销并提高求解效率，通过建立车辆任务计算时延和能耗的多目标加权和优化模型，将优化问题分解为两阶段求解方案，可在满足车辆任务最大截止时间约束的同时，降低车辆的计算能耗。
目前已有关于边缘计算相关技术与专利，然而，目前技术仅能构建分布式环境，在边缘计算任务卸载场景中并未体现分布式算法求解的高效性与可扩展性，并且，未能对动态变化的边缘计算场景进行建模。
发明内容
本发明的目的在于提供一种在多智能网联车辆场景中考虑车辆移动性的车路协同分布式任务卸载与资源分配方法和系统，以解决现有的边缘计算集中式决策方案通信开销大、求解复杂度高、资源分配不合理、用户部分隐私泄露等问题。
为实现上述目的，本发明提供一种建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型方法，所述由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1；
P1：
Figure BDA0003353397110000021
其中，αi为车辆i留在本地计算的任务比例，
Figure BDA0003353397110000022
为车辆i的CPU计算周期，ci为边缘服务器分配给车辆的CPU计算周期比例，bi为边缘服务器分配给车辆i的带宽比例，
Figure BDA0003353397110000023
与
Figure BDA0003353397110000024
分别为时延与能耗权重系数，且满足
Figure BDA0003353397110000025
Figure BDA0003353397110000026
Di为车辆i待处理的任务量，εi为处理每字节任务所需CPU计算周期，B为信道总带宽，
Figure BDA0003353397110000027
为车辆i更新与基站之间的通信状态信息中的平均频谱效率，Fe为边缘服务器的最大CPU计算周期，Ei为车辆i的任务总能耗。
本发明还提供一种车路协同分布式边缘计算任务卸载与资源分配方法，该方法包括：
步骤1，获得车辆与基站之间的平均传输速率；
步骤2，在满足任务截止时间前提下，建立如权利要求1所述的P1；
步骤3，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，对所述原优化问题进行可行性分析，得到优化变量可行集，该优化变量可行集包括任务分割比例的上界与下界和通信带宽资源分配下界；
步骤4，将所述原优化问题转化为等价优化问题；
步骤5，将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，其中，所述第一阶段子问题通过分布式计算得到最优通信与边缘计算资源分配策略；所述第二阶段子问题根据所得最优通信与边缘计算资源分配策略，基于最优化理论求解第二阶段子问题，得到最优车辆任务分割策略与本地计算资源分配策略。
进一步地，所述步骤3中的所述任务分割比例的上界
Figure BDA0003353397110000028
描述为式(15)：
Figure BDA0003353397110000029
Figure BDA00033533971100000210
其中，
Figure BDA00033533971100000211
为车辆任务的截止时延。
进一步地，所述步骤3中的所述任务分割比例的下界
Figure BDA00033533971100000212
描述为式(17)：
Figure BDA00033533971100000213
进一步地，所述步骤3中的所述通信带宽资源分配下界bi描述为式(18)：
Figure BDA0003353397110000031
进一步地，所述步骤5中的最优通信与边缘计算资源分配策略描述为式(22)：
Figure BDA0003353397110000032
式中，μi [t]与ηi [t]为第t次迭代时的拉格朗日乘子，
Figure BDA0003353397110000033
与
Figure BDA0003353397110000034
为通信与计算资源分配策略本地变量第t+1次迭代值，
Figure BDA0003353397110000035
为惩罚系数。
进一步地，所述式(22)的获取方法具体包括：
步骤51，车辆i将任务分割比例上界
Figure BDA0003353397110000036
与本地最大计算资源
Figure BDA0003353397110000037
广播给基站，利用
Figure BDA0003353397110000038
在满足任务最大截止时间前提下处理
Figure BDA0003353397110000039
部分任务，剩下的
Figure BDA00033533971100000310
任务卸载到边缘服务器处理；
步骤52，基站根据本地可处理的任务生成全局变量初始值，记为ci [t],bi [t]，并将其广播给所有车辆，各车辆接收到全局变量后，利用全局一致性优化模型P3及约束条件，各自求解本地优化变量
Figure BDA00033533971100000311
步骤53，车辆i根据以下拉格朗日函数P4更新本地变量
Figure BDA00033533971100000312
其中μi和ηi为拉格朗日乘子：
P4:
Figure BDA00033533971100000313
s.t.：
Figure BDA00033533971100000314
Figure BDA00033533971100000315
Figure BDA00033533971100000316
Figure BDA00033533971100000317
步骤54，车辆i将更新后的本地变量
Figure BDA00033533971100000318
广播给基站，基站根据式(22)分别更新全局变量ci,bi和拉格朗日乘子μi,ηi，直至收敛准则，停止迭代。
进一步地，所述步骤5中的基于最优化理论求解第二阶段子问题具体包括：
通过求解以下优化模型P5，其约束条件s.t.包括C1和C2，更新αi和
Figure BDA0003353397110000041
P5:
Figure BDA0003353397110000042
s.t.：
Figure BDA0003353397110000043
Figure BDA0003353397110000044
本发明还提供一种车路协同分布式边缘计算任务卸载与资源分配系统，该系统包括：
任务管理模块，其用于管理车辆实时生成的任务流；
车辆决策模块，用于首先获得车辆与基站之间的平均传输速率，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1；然后联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，对所述原优化问题进行可行性分析，得到优化变量可行集，该优化变量可行集包括任务分割比例的上界与下界和通信带宽资源分配下界；最后，将所述原优化问题转化为等价优化问题，并将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，其中，所述第一阶段子问题通过分布式计算得到最优通信与边缘计算资源分配策略；所述第二阶段子问题根据所得最优通信与边缘计算资源分配策略，基于最优化理论求解第二阶段子问题，得到最优车辆任务分割策略与本地计算资源分配策略；
P1：
Figure BDA0003353397110000045
其中，αi为车辆i留在本地计算的任务比例，
Figure BDA0003353397110000046
为车辆i的CPU计算周期，ci为边缘服务器分配给车辆的CPU计算周期比例，bi为边缘服务器分配给车辆i的带宽比例，
Figure BDA0003353397110000047
与
Figure BDA0003353397110000048
分别为时延与能耗权重系数，且满足
Figure BDA0003353397110000049
Figure BDA00033533971100000410
为车辆i待处理的任务量，εi为处理每字节任务所需CPU计算周期，B为信道总带宽，
Figure BDA0003353397110000051
为车辆i更新与基站之间的通信状态信息中的平均频谱效率，Fe为边缘服务器的最大CPU计算周期Ei为车辆i的任务总能耗。
进一步地，所述任务分割比例的上界
Figure BDA0003353397110000052
描述为式(15)，所述任务分割比例的下界
Figure BDA0003353397110000053
描述为式(17)，所述通信带宽资源分配下界bi描述为式(18)：
Figure BDA0003353397110000054
Figure BDA0003353397110000055
Figure BDA0003353397110000056
Figure BDA0003353397110000057
其中，
Figure BDA0003353397110000058
为车辆任务的截止时延。
进一步地，最优通信与边缘计算资源分配策略描述为式(22)：
Figure BDA0003353397110000059
式中，μi [t]与ηi [t]为第t次迭代时的拉格朗日乘子，
Figure BDA00033533971100000510
与
Figure BDA00033533971100000511
为通信与计算资源分配策略本地变量第t+1次迭代值，
Figure BDA00033533971100000512
为惩罚系数。
进一步地，基于最优化理论求解第二阶段子问题具体包括：
通过求解以下优化模型P5，其约束条件s.t.包括C1和C2，更新αi和
Figure BDA00033533971100000513
P5:
Figure BDA00033533971100000514
s.t.：
Figure BDA00033533971100000515
Figure BDA00033533971100000516
本发明由于采取以上技术方案，其具有以下优点：
本方法考虑车辆的实时移动性及通信状态的变化特性，以最小化任务计算时延与能耗的多目标加权和为优化目标建立任务卸载与资源分配优化模型，分析约束条件得到任务分割比例上界与下界及通信带宽资源分配下界，并构建分布式计算框架分两阶段求解优化模型。
附图说明
图1为本发明实施例提供的分布式边缘计算任务卸载与资源分配系统。
图2为本发明实施例提供的多网联车辆边缘计算场景示意图。
图3为本发明实施例提供的车辆与基站时变距离示意图。
图4为本发明实施例提供的分布式求解框架。
具体实施方式
在附图中，使用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。下面结合附图对本发明的实施例进行详细说明。
本发明实施例提供的车路协同分布式边缘计算任务卸载与资源分配方法包括：
步骤1，基于网联车辆在基站覆盖范围内的实时移动状态信息，获得车辆与基站之间的平均频谱效率，进而获得车辆与基站之间的平均传输速率。
步骤2，基于平均传输速率，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1：
P1：
Figure BDA0003353397110000061
其中，αi为车辆i留在本地计算的任务比例，
Figure BDA0003353397110000062
为车辆i的CPU计算周期，ci为边缘服务器分配给车辆的CPU计算周期比例，bi为边缘服务器分配给车辆i的带宽比例，
Figure BDA0003353397110000063
与
Figure BDA0003353397110000064
分别为时延与能耗权重系数，且满足
Figure BDA0003353397110000065
Figure BDA0003353397110000066
为车辆i待处理的任务量，εi为处理每字节任务所需CPU计算周期，B为信道总带宽，
Figure BDA0003353397110000067
为车辆i更新与基站之间的通信状态信息中的平均频谱效率，Fe为边缘服务器的最大CPU计算周期Ei为车辆i的任务总能耗。
步骤3，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，对所述原优化问题进行可行性分析，得到优化变量可行集，该优化变量可行集包括任务分割比例的上界与下界和通信带宽资源分配下界。
步骤4，将所述原优化问题转化为等价优化问题。
步骤5，将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，其中，所述第一阶段子问题通过分布式计算得到最优通信与边缘计算资源分配策略；所述第二阶段子问题根据所得最优通信与边缘计算资源分配策略，基于最优化理论求解第二阶段子问题，得到最优车辆任务分割策略与本地计算资源分配策略，以进一步降低系统开销。
在多网联车辆场景下，车辆驶入基站覆盖范围内并实时生成计算任务，假设任务可进行分割处理并且需在最大截止时间内完成，车辆可根据本地计算资源可用性选择在本地处理或卸载到边缘服务器处理，在满足任务时延需求前提下最小化车辆的计算能耗与时延多目标加权和。本发明实施例的优势在于：
(1)相比于集中式的任务卸载方案，本方案基于全局一致性的交替方向乘子法分布式计算框架可显著减少通信开销，并且随着网联车辆规模不断增加，可显著提高系统求解效率。
(2)相比于集中式的任务卸载方案，本方案只需收集车辆的部分信息用于优化模型求解算法参数更新，可保护车辆用户的隐私信息。
如图2所示，将网联车辆集合中的任一辆车描述为车辆i,i＝1,2,…M。也可以将网联车辆集合理解为M。
对于M中，对于其中的一种情形，比如每辆车均为匀速行驶，行驶速度为vi(米/秒)。如图3所示，基站的坐标为(0,0)，距离道路的距离为l(米)，其信号覆盖范围为ω(米)，车辆i的坐标为(xi,yi)，那么，根据车辆i在基站范围内的行驶状态信息，计算在基站内的行驶路径长度为si(米)，停留时间为
Figure BDA0003353397110000071
(秒)：
Figure BDA0003353397110000072
Figure BDA0003353397110000073
车辆与基站之间的通信采用正交信道传输信息，且车辆之间相互无干扰，因此车辆与基站之间的信道功率增益Gi(τ)表示为式(3)：
Figure BDA0003353397110000074
其中，ρ0为信道功率增益在参考距离为1m时的值，θ为路径损耗指数，H与hi分别为路侧基站与第i辆车的天线高度，单位为米，因此可得平均频谱效率
Figure BDA0003353397110000081
为式(4)，平均传输速率
Figure BDA0003353397110000082
为式(5)：
Figure BDA0003353397110000083
Figure BDA0003353397110000084
其中，τ为积分变量，B为信道总带宽，bi为分配给车辆i的带宽比例，pi为车辆的数据传输功率，σ2为接收器的噪声功率。
车辆的任务管理模块与决策模块根据分布式算法运行结果进行任务卸载决策，具体过程如下：
(1)任务管理模块用于生成任务信息，任务信息主要包括：车辆i待处理的任务量为Di(bits)，CPU计算周期为
Figure BDA0003353397110000085
(cycles/s)且车辆最大CPU计算周期为
Figure BDA0003353397110000086
处理每字节任务所需CPU计算周期为εi(cycles/bit)，任务最大截止时间为
Figure BDA0003353397110000087
与车辆芯片架构相关的能耗系数为ζ，一般取10-27～10-26。
(2)车辆决策模块用于根据行驶状态信息、任务管理模块广播的全局状态信息进行分布式求解，主要包括以下步骤：
1)根据行驶状态信息，车辆更新与基站之间的通信状态信息，即平均频谱效率
Figure BDA0003353397110000088
及平均传输速率
Figure BDA0003353397110000089
根据任务信息可得本地计算时延
Figure BDA00033533971100000810
本地计算能耗为
Figure BDA00033533971100000811
Figure BDA00033533971100000812
Figure BDA00033533971100000813
其中，αi∈[0,1]为车辆留在本地计算的任务比例，则卸载到边缘服务器的任务比例为(1-αi)，此部分任务产生的时延
Figure BDA00033533971100000814
包括任务传输时延
Figure BDA00033533971100000815
和边缘计算时延
Figure BDA00033533971100000816
表示为式(8)：
Figure BDA00033533971100000817
其中，Fe为边缘服务器的最大CPU计算周期，ci表示边缘分配给车辆的CPU计算周期比例。
任务传输到边缘产生的能耗
Figure BDA00033533971100000818
表示为式(9)：
Figure BDA00033533971100000819
若αi＝0，则表明车辆可在本地处理全部任务，若αi＝1，则表明车辆将全部任务卸载到边缘服务器。
2)任务分割后可在本地和边缘并行处理，由此产生的任务总时延为ti，且需满足任务最大时延限制，即
Figure BDA0003353397110000091
Figure BDA0003353397110000092
对式(10)表示的ti进行近似处理，得到ti的另一种描述形式(11)：
Figure BDA0003353397110000093
根据
Figure BDA0003353397110000094
和
Figure BDA0003353397110000095
任务总能耗Ei表示为式(12)：
Figure BDA0003353397110000096
由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1表示为式(13)，其约束条件s.t.具体包括C1-C9：
P1:
Figure BDA0003353397110000097
s.t.：
Figure BDA0003353397110000098
Figure BDA0003353397110000099
Figure BDA00033533971100000910
0≤αi≤1 C4
Figure BDA00033533971100000911
Figure BDA00033533971100000912
Figure BDA00033533971100000913
由约束C1可得式(14)，即车辆使用本地最大计算能力在任务截止时间内可处理的最大任务比例，由此可得任务分割比例的上界
Figure BDA00033533971100000914
表示为式(15)：
Figure BDA00033533971100000915
Figure BDA00033533971100000916
由约束C3和C4可得式(16)，即分配给车辆通信与边缘计算资源比例bi、ci后车辆本地需处理的最小任务比例，由此可得分割比例的下界
Figure BDA0003353397110000101
表示为式(17)：
Figure BDA0003353397110000102
Figure BDA0003353397110000103
将任务分割比例的上界
Figure BDA0003353397110000104
与下界
Figure BDA0003353397110000105
记为约束C8。
由约束C5可得式(18)，即车辆在基站覆盖范围内上传任务所需的通信带宽资源下界，记为约束C9：
Figure BDA0003353397110000106
根据以上分析可得原问题P1的等价优化模型P2为式(19)，其约束s.t.具体包括C1-C9：
P2:
Figure BDA0003353397110000107
Figure BDA0003353397110000108
s.t.：
Figure BDA0003353397110000109
Figure BDA00033533971100001010
Figure BDA00033533971100001011
Figure BDA00033533971100001012
Figure BDA00033533971100001013
Figure BDA00033533971100001014
Figure BDA00033533971100001015
3)车辆任务决策模块基于全局一致性交替方向乘子法计算框架分两阶段求解优化模型，计算框架如图4所示，主要步骤如下：
步骤51，车辆首先将任务分割比例上界
Figure BDA0003353397110000111
与本地最大计算资源
Figure BDA0003353397110000112
广播给基站，即车辆首先利用其最大计算资源
Figure BDA0003353397110000113
在满足任务最大截止时间前提下处理
Figure BDA0003353397110000114
部分任务，其余
Figure BDA0003353397110000115
任务卸载到边缘服务器处理，此阶段的任务卸载方案仅可满足任务时延需求。
步骤52，基站根据本地可处理的任务生成全局变量初始值，记为ci [t],bi [t]，并将其广播给所有车辆，各车辆接收到全局变量后，利用全局一致性优化模型P3及约束条件，各自求解本地优化变量
Figure BDA0003353397110000116
其中，P3表示为式(20)，其约束s.t.具体包括
Figure BDA0003353397110000117
P3:
Figure BDA0003353397110000118
Figure BDA0003353397110000119
s.t.：
Figure BDA00033533971100001110
Figure BDA00033533971100001111
Figure BDA00033533971100001112
Figure BDA00033533971100001113
Figure BDA00033533971100001114
Figure BDA00033533971100001115
步骤53，车辆i根据以下拉格朗日函数P4更新本地变量
Figure BDA00033533971100001116
其中μi和ηi为拉格朗日乘子，用交替方向乘子法的理论推导出的结果P4：
P4：
Figure BDA00033533971100001117
s.t.：
Figure BDA00033533971100001118
Figure BDA00033533971100001119
Figure BDA00033533971100001120
Figure BDA0003353397110000121
步骤54，车辆i通过任务决策模块将更新后的本地变量
Figure BDA0003353397110000122
广播给基站，基站根据式(22)分别更新全局变量和拉格朗日乘子，并判断是否达到收敛准则，直至收敛准则，停止迭代。
全局变量更新表示为：
Figure BDA0003353397110000123
式中，μi [t]与ηi [t]为第t次迭代时的拉格朗日乘子，
Figure BDA0003353397110000124
与
Figure BDA0003353397110000125
为通信与计算资源分配策略本地变量第t+1次迭代值，
Figure BDA0003353397110000126
为惩罚系数。
拉格朗日乘子更新表示为式(23)和(24)：
Figure BDA0003353397110000127
Figure BDA0003353397110000128
收敛准则表示为式(25)-式(28)：
Figure BDA0003353397110000129
Figure BDA00033533971100001210
Figure BDA00033533971100001211
Figure BDA00033533971100001212
由于第一阶段求解边缘资源分配过程中，假设车辆以其最大计算能力计算一部分任务，导致车辆能耗较大，此阶段可在边缘资源
Figure BDA00033533971100001213
分配完成后更新任务分割比例αi和本地计算资源
Figure BDA00033533971100001214
进一步降低车辆能耗，第二阶段车辆通过求解以下优化模型P5，其表示为式(29)，其约束s.t.具体包括C1、C2，更新αi和
Figure BDA0003353397110000131
P5:
Figure BDA0003353397110000132
s.t.：
Figure BDA0003353397110000133
Figure BDA0003353397110000134
如图1所示，本发明实施例提供的车路协同分布式边缘计算任务卸载与资源分配系统，包括：
任务管理模块，其用于管理车辆实时生成的任务流；
车辆决策模块，用于首先获得车辆与基站之间的平均传输速率，再基于平均传输速率，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1；然后联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，对所述原优化问题进行可行性分析，得到优化变量可行集，该优化变量可行集包括任务分割比例的上界与下界和通信带宽资源分配下界；最后，将所述原优化问题转化为等价优化问题，并将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，其中，所述第一阶段子问题通过分布式计算得到最优通信与边缘计算资源分配策略；所述第二阶段子问题根据所得最优通信与边缘计算资源分配策略，基于最优化理论求解第二阶段子问题，得到最优车辆任务分割策略与本地计算资源分配策略，以进一步降低系统开销；
P1：
Figure BDA0003353397110000135
其中，αi为车辆i留在本地计算的任务比例，
Figure BDA0003353397110000136
为车辆i的CPU计算周期，ci为边缘服务器分配给车辆的CPU计算周期比例，bi为边缘服务器分配给车辆i的带宽比例，
Figure BDA0003353397110000137
与
Figure BDA0003353397110000138
分别为时延与能耗权重系数，且满足
Figure BDA0003353397110000139
Figure BDA00033533971100001310
Di为车辆i待处理的任务量，εi为处理每字节任务所需CPU计算周期，B为信道总带宽，
Figure BDA00033533971100001311
为车辆i更新与基站之间的通信状态信息中的平均频谱效率，Fe为边缘服务器的最大CPU计算周期Ei为车辆i的任务总能耗。
在一个实施例中，所述任务分割比例的上界
Figure BDA00033533971100001312
描述为式(15)，所述任务分割比例的下界
Figure BDA0003353397110000141
描述为式(17)，所述通信带宽资源分配下界bi描述为式(18)：
Figure BDA0003353397110000142
Figure BDA0003353397110000143
Figure BDA0003353397110000144
Figure BDA0003353397110000145
其中，
Figure BDA0003353397110000146
为车辆任务的截止时延。
在一个实施例中，最优通信与边缘计算资源分配策略描述为式(22)：
Figure BDA0003353397110000147
式中，μi [t]与ηi [t]为第t次迭代时的拉格朗日乘子，
Figure BDA0003353397110000148
与
Figure BDA0003353397110000149
为通信与计算资源分配策略本地变量第t+1次迭代值，
Figure BDA00033533971100001410
为惩罚系数。
在一个实施例中，基于最优化理论求解第二阶段子问题具体包括：
通过求解以下优化模型P5，其约束条件s.t.包括C1、C2，更新αi和
Figure BDA00033533971100001411
P5:
Figure BDA00033533971100001412
s.t.
Figure BDA00033533971100001413
Figure BDA00033533971100001414
1)相比现有的边缘计算任务卸载优化模型建模与求解过程，本发明通过构建多网联车辆任务卸载时延与能耗多目标加权和优化模型，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略，对原优化问题约束进行可行性分析并得到优化变量的上界与下界，以降低约束条件的复杂度，进而提高优化问题求解效率。主要表现在通过所得优化变量的上界与下界，将原问题转化为等价优化问题并分解为两阶段子问题进行分布式求解以提高求解效率。相比已有任务卸载方案，本发明所提出的两阶段优化子问题均可以满足车辆的任务卸载需求，并且在第一阶段满足车辆任务卸载需求的前提下进一步降低车辆的任务卸载能耗，同时有效提高通信与计算资源的利用率。
2)本发明可以解决多网联车辆场景中的任务卸载和资源分配问题，相比集中式决策算法需要收集车辆的完整信息，包括行驶状态信息、任务信息等，本发明提供的方法只需车辆提供部分信息，如车辆任务分割比例上界和本地计算资源等参数，通过分布式求解方案即可在车辆端求解各自的优化问题，缓解通信压力的同时提高了系统求解效率，并且有效保护了车辆用户的隐私。上述第一阶段交替方向乘子法求解步骤中，车辆各自求解优化问题，边缘服务器只更新全局变量，无需收集车辆的完整信息，从公式(22)即可看出。边缘服务器无需收集车辆信息即缓解了通信压力，同时也就提高了求解效率。
上述各实施例中，带上标[t]指的是迭代计算中全局变量的某一次迭代值。不带上波浪线的是全局变量，是在基站处求解得到的结果；带上波浪线的是本地变量，是在车辆本地求解得到的结果。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例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同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型方法，其特征在于，所述由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1；
P1：
Figure FDA0003353397100000011
其中，αi为车辆i留在本地计算的任务比例，
Figure FDA0003353397100000012
为车辆i的CPU计算周期，ci为边缘服务器分配给车辆的CPU计算周期比例，bi为边缘服务器分配给车辆i的带宽比例，
Figure FDA0003353397100000013
与
Figure FDA0003353397100000014
分别为时延与能耗权重系数，且满足
Figure FDA0003353397100000015
Figure FDA0003353397100000016
Di为车辆i待处理的任务量，εi为处理每字节任务所需CPU计算周期，B为信道总带宽，
Figure FDA0003353397100000017
为车辆i更新与基站之间的通信状态信息中的平均频谱效率，Fe为边缘服务器的最大CPU计算周期，Ei为车辆i的任务总能耗。
2.一种车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，包括：
步骤1，获得车辆与基站之间的平均传输速率；
步骤2，在满足任务截止时间前提下，建立如权利要求1所述的P1；
步骤3，联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，对所述原优化问题进行可行性分析，得到优化变量可行集，该优化变量可行集包括任务分割比例的上界与下界和通信带宽资源分配下界；
步骤4，将所述原优化问题转化为等价优化问题；
步骤5，将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，其中，所述第一阶段子问题通过分布式计算得到最优通信与边缘计算资源分配策略；所述第二阶段子问题根据所得最优通信与边缘计算资源分配策略，基于最优化理论求解第二阶段子问题，得到最优车辆任务分割策略与本地计算资源分配策略。
3.如权利要求2所述的车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，所述步骤3中的所述任务分割比例的上界
Figure FDA0003353397100000021
描述为式(15)：
Figure FDA0003353397100000022
Figure FDA0003353397100000023
其中，
Figure FDA0003353397100000024
为车辆任务的截止时延，
Figure FDA0003353397100000025
为车辆最大CPU计算周期。
4.如权利要求2所述的车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，所述步骤3中的所述任务分割比例的下界
Figure FDA0003353397100000026
描述为式(17)：
Figure FDA0003353397100000027
5.如权利要求2所述的车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，所述步骤3中的所述通信带宽资源分配下界bi描述为式(18)：
Figure FDA0003353397100000028
其中，
Figure FDA0003353397100000029
为车辆i在基站范围内的停留时间。
6.如权利要求2-5中任一项所述的车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，所述步骤5中的最优通信与边缘计算资源分配策略描述为式(22)：
Figure FDA00033533971000000210
式中，μi [t]与ηi [t]为第t次迭代时的拉格朗日乘子，
Figure FDA00033533971000000211
与
Figure FDA00033533971000000212
为通信与计算资源分配策略本地变量第t+1次迭代值，
Figure FDA00033533971000000213
为惩罚系数。
7.如权利要求6所述的车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，所述式(22)的获取方法具体包括：
步骤51，车辆i将任务分割比例上界
Figure FDA0003353397100000031
与本地最大计算资源
Figure FDA0003353397100000032
广播给基站，利用
Figure FDA0003353397100000033
在满足任务最大截止时间前提下处理
Figure FDA0003353397100000034
部分任务，剩下的
Figure FDA0003353397100000035
任务卸载到边缘服务器处理；
步骤52，基站根据本地可处理的任务生成全局变量初始值，记为ci [t]，bi [t]，并将其广播给所有车辆，各车辆接收到全局变量后，利用全局一致性优化模型P3及约束条件，各自求解本地优化变量
Figure FDA0003353397100000036
步骤53，车辆i根据以下拉格朗日函数P4更新本地变量
Figure FDA0003353397100000037
其中μi和ηi为拉格朗日乘子：
P4：
Figure FDA0003353397100000038
s.t.：
Figure FDA0003353397100000039
Figure FDA00033533971000000310
Figure FDA00033533971000000311
Figure FDA00033533971000000312
其中，
Figure FDA00033533971000000313
为车辆i的本地变量对应的优化目标函数；
步骤54，车辆i将更新后的本地变量
Figure FDA00033533971000000314
广播给基站，基站根据式(22)分别更新全局变量ci，bi和拉格朗日乘子μi，ηi，直至收敛准则，停止迭代。
8.如权利要求2-5中任一项所述的车路协同分布式边缘计算任务卸载与资源分配方法，其特征在于，所述步骤5中的基于最优化理论求解第二阶段子问题具体包括：
通过求解以下优化模型P5，其约束条件s.t.包括C1和C2，更新αi和
Figure FDA00033533971000000315
P5：
Figure FDA00033533971000000316
s.t.：
Figure FDA00033533971000000317
Figure FDA0003353397100000041
其中，ζ为与车辆芯片架构相关的能耗系数。
9.一种车路协同分布式边缘计算任务卸载与资源分配系统，其特征在于，包括：
任务管理模块，其用于管理车辆实时生成的任务流；
车辆决策模块，用于首先获得车辆与基站之间的平均传输速率，在满足任务截止时间前提下，建立由多网联车辆任务卸载时延与能耗多目标加权和优化模型描述的原优化问题P1；然后联合优化任务卸载分割比例、本地计算资源分配策略、通信带宽与边缘计算资源分配策略组成的约束条件，对所述原优化问题进行可行性分析，得到优化变量可行集，该优化变量可行集包括任务分割比例的上界与下界和通信带宽资源分配下界；最后，将所述原优化问题转化为等价优化问题，并将所述等价优化问题依次分解为第一阶段子问题和第二阶段子问题进行求解，其中，所述第一阶段子问题通过分布式计算得到最优通信与边缘计算资源分配策略；所述第二阶段子问题根据所得最优通信与边缘计算资源分配策略，基于最优化理论求解第二阶段子问题，得到最优车辆任务分割策略与本地计算资源分配策略；
P1：
Figure FDA0003353397100000042
其中，αi为车辆i留在本地计算的任务比例，
Figure FDA0003353397100000043
为车辆i的CPU计算周期，ci为边缘服务器分配给车辆的CPU计算周期比例，bi为边缘服务器分配给车辆i的带宽比例，
Figure FDA0003353397100000044
与
Figure FDA0003353397100000045
分别为时延与能耗权重系数，且满足
Figure FDA0003353397100000046
Figure FDA0003353397100000047
Di为车辆i待处理的任务量，εi为处理每字节任务所需CPU计算周期，B为信道总带宽，
Figure FDA0003353397100000048
为车辆i更新与基站之间的通信状态信息中的平均频谱效率，Fe为边缘服务器的最大CPU计算周期Ei为车辆i的任务总能耗。
10.如权利要求9所述的车路协同分布式边缘计算任务卸载与资源分配系统，其特征在于，所述任务分割比例的上界
Figure FDA0003353397100000049
描述为式(15)，所述任务分割比例的下界
Figure FDA00033533971000000410
描述为式(17)，所述通信带宽资源分配下界bi描述为式(18)：
Figure FDA0003353397100000051
Figure FDA0003353397100000052
Figure FDA0003353397100000053
Figure FDA0003353397100000054
其中，
Figure FDA0003353397100000055
为车辆任务的截止时延其中，
Figure FDA0003353397100000056
为车辆i在基站范围内的停留时间。
CN202111344258.XA 2021-11-15 2021-11-15 车路协同分布式边缘计算任务卸载与资源分配方法和系统 Active CN113904947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111344258.XA CN113904947B (zh) 2021-11-15 2021-11-15 车路协同分布式边缘计算任务卸载与资源分配方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111344258.XA CN113904947B (zh) 2021-11-15 2021-11-15 车路协同分布式边缘计算任务卸载与资源分配方法和系统

Publications (2)

Publication Number Publication Date
CN113904947A true CN113904947A (zh) 2022-01-07
CN113904947B CN113904947B (zh) 2022-10-25

Family

ID=79194245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111344258.XA Active CN113904947B (zh) 2021-11-15 2021-11-15 车路协同分布式边缘计算任务卸载与资源分配方法和系统

Country Status (1)

Country Link
CN (1) CN113904947B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114640966A (zh) * 2022-03-11 2022-06-17 重庆邮电大学 一种车联网中基于移动边缘计算的任务卸载方法
CN114780254A (zh) * 2022-06-20 2022-07-22 湖南苏科智能科技有限公司 一种基于物联网的分布式节点资源优化方法
CN114915627A (zh) * 2022-04-15 2022-08-16 浙江工业大学 一种基于fdma接入的无线供能边缘计算网络卸载决策方法
CN114926977A (zh) * 2022-04-19 2022-08-19 北京理工大学长三角研究院(嘉兴) 一种适用于协同自动驾驶的多任务分配方法
CN115022322A (zh) * 2022-06-02 2022-09-06 湖南商务职业技术学院 一种车联网中基于群智进化的边云协作任务卸载方法
CN115065964A (zh) * 2022-07-07 2022-09-16 西安电子科技大学 车辆事故信息定向发布方法
CN116506877A (zh) * 2023-06-26 2023-07-28 北京航空航天大学 一种用于移动群智感知的分布式协同计算方法
CN117931460A (zh) * 2024-03-25 2024-04-26 勤源(江苏)科技有限公司 基于机器学习的智能物联终端边缘计算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111130911A (zh) * 2019-12-31 2020-05-08 杭州电子科技大学 一种基于移动边缘计算的计算卸载方法
CN111372314A (zh) * 2020-03-12 2020-07-03 湖南大学 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
CN111464976A (zh) * 2020-04-21 2020-07-28 电子科技大学 一种基于车队的车辆任务卸载决策和总体资源分配方法
WO2021139537A1 (zh) * 2020-01-08 2021-07-15 上海交通大学 一种工业物联网中基于功率控制和资源分配的任务卸载方法
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
CN113364860A (zh) * 2021-06-03 2021-09-07 吉林大学 一种mec中联合计算资源分配和卸载决策的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111130911A (zh) * 2019-12-31 2020-05-08 杭州电子科技大学 一种基于移动边缘计算的计算卸载方法
WO2021139537A1 (zh) * 2020-01-08 2021-07-15 上海交通大学 一种工业物联网中基于功率控制和资源分配的任务卸载方法
CN111372314A (zh) * 2020-03-12 2020-07-03 湖南大学 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
CN111464976A (zh) * 2020-04-21 2020-07-28 电子科技大学 一种基于车队的车辆任务卸载决策和总体资源分配方法
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
CN113364860A (zh) * 2021-06-03 2021-09-07 吉林大学 一种mec中联合计算资源分配和卸载决策的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛建彬等: "基于边缘计算的新型任务卸载与资源分配策略", 《计算机工程与科学》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114640966A (zh) * 2022-03-11 2022-06-17 重庆邮电大学 一种车联网中基于移动边缘计算的任务卸载方法
CN114640966B (zh) * 2022-03-11 2024-05-10 重庆邮电大学 一种车联网中基于移动边缘计算的任务卸载方法
CN114915627A (zh) * 2022-04-15 2022-08-16 浙江工业大学 一种基于fdma接入的无线供能边缘计算网络卸载决策方法
CN114915627B (zh) * 2022-04-15 2024-04-02 浙江工业大学 一种基于fdma接入的无线供能边缘计算网络卸载决策方法
CN114926977A (zh) * 2022-04-19 2022-08-19 北京理工大学长三角研究院(嘉兴) 一种适用于协同自动驾驶的多任务分配方法
CN114926977B (zh) * 2022-04-19 2024-04-05 北京理工大学长三角研究院(嘉兴) 一种适用于协同自动驾驶的多任务分配方法
CN115022322B (zh) * 2022-06-02 2024-02-02 湖南第一师范学院 一种车联网中基于群智进化的边云协作任务卸载方法
CN115022322A (zh) * 2022-06-02 2022-09-06 湖南商务职业技术学院 一种车联网中基于群智进化的边云协作任务卸载方法
CN114780254A (zh) * 2022-06-20 2022-07-22 湖南苏科智能科技有限公司 一种基于物联网的分布式节点资源优化方法
CN115065964B (zh) * 2022-07-07 2023-09-08 西安电子科技大学 车辆事故信息定向发布方法
CN115065964A (zh) * 2022-07-07 2022-09-16 西安电子科技大学 车辆事故信息定向发布方法
CN116506877B (zh) * 2023-06-26 2023-09-26 北京航空航天大学 一种用于移动群智感知的分布式协同计算方法
CN116506877A (zh) * 2023-06-26 2023-07-28 北京航空航天大学 一种用于移动群智感知的分布式协同计算方法
CN117931460A (zh) * 2024-03-25 2024-04-26 勤源(江苏)科技有限公司 基于机器学习的智能物联终端边缘计算方法及系统
CN117931460B (zh) * 2024-03-25 2024-05-24 勤源(江苏)科技有限公司 基于机器学习的智能物联终端边缘计算方法及系统

Also Published As

Publication number Publication date
CN113904947B (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN113904947B (zh) 车路协同分布式边缘计算任务卸载与资源分配方法和系统
CN111918311B (zh) 基于5g移动边缘计算的车联网任务卸载和资源分配方法
CN111132191A (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
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
CN110035410A (zh) 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及系统
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
CN110233755B (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
CN114051254B (zh) 一种基于星地融合网络的绿色云边协同计算卸载方法
Shan et al. A survey on computation offloading for mobile edge computing information
CN113163365B (zh) 基于交替方向乘子算法的无人机支持物联网资源优化方法
CN113282352B (zh) 基于多无人机协同辅助边缘计算的节能卸载方法
CN114745383A (zh) 一种移动边缘计算辅助多层联邦学习方法
CN113641417A (zh) 一种基于分支定界法的车辆安全任务卸载方法
CN114928611B (zh) 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法
Cheng et al. Energy-efficient resource allocation for UAV-empowered mobile edge computing system
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
Zhu et al. Edge task migration with 6G-enabled network in box for cybertwin-based Internet of Vehicles
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
CN116820603A (zh) 一种基于深度强化学习的智慧工厂冗余卸载方法
CN116582893A (zh) 一种无线供能边缘智能场景下的神经网络模型分割及资源分配方法
CN114531718B (zh) 不完美csi情况下noma-mec系统能耗优化方法
Hao et al. Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information
CN112910716A (zh) 一种基于分布式dnn的移动雾计算损耗联合优化系统和方法
CN108513321B (zh) 基于云处理的无线通信系统能量最优资源分配系统

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