CN114641041B - 一种面向边缘智能的车联网切片方法及装置 - Google Patents

一种面向边缘智能的车联网切片方法及装置 Download PDF

Info

Publication number
CN114641041B
CN114641041B CN202210536594.2A CN202210536594A CN114641041B CN 114641041 B CN114641041 B CN 114641041B CN 202210536594 A CN202210536594 A CN 202210536594A CN 114641041 B CN114641041 B CN 114641041B
Authority
CN
China
Prior art keywords
service
vehicle
rsu
services
vehicles
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.)
Active
Application number
CN202210536594.2A
Other languages
English (en)
Other versions
CN114641041A (zh
Inventor
赵庶源
张园
朱永东
赵志峰
杨明川
刘云涛
郭益民
黄倩
李道勋
朱凯男
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202210536594.2A priority Critical patent/CN114641041B/zh
Publication of CN114641041A publication Critical patent/CN114641041A/zh
Application granted granted Critical
Publication of CN114641041B publication Critical patent/CN114641041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters
    • H04W28/20—Negotiating bandwidth

Abstract

本发明公开了一种面向边缘智能的车联网切片方法及装置，应用于部署了移动边缘计算（Mobile Edge Computing，MEC）服务器的车联网通信场景中，并将车联网服务根据服务质量（Quality of Service，QoS）需求划分为交通信息服务、感知融合服务、车载娱乐服务三种类型。综合考虑系统时延和能耗，该方法从车联网全局性能出发设计优化函数来分配通信、计算、存储资源，通过深度强化学习方法进行求解，以实现面向服务类型的网络切片部署。本发明通过对MEC辅助的车联网场景进行智能网络切片，可以根据用户业务需求，灵活、动态地进行网络资源的定制化分配，保障用户服务体验和交通效率及安全。

Description

一种面向边缘智能的车联网切片方法及装置
技术领域
本发明属于移动通信技术领域，尤其涉及一种面向边缘智能的车联网切片方法及装置。
背景技术
随着5G通信技术的快速发展，无线网络在吞吐量、可靠性、连接数量及传输时延等方面有了巨大的提升，精细化和多样化业务场景层出不穷。传统一刀切的网络架构使用一组垂直集成的网元提供网络所有功能，不支持网络的灵活和动态拓展，难以实现差异化的业务需求。借助于软件定义网络（Software-Defined Networks, SDN）和网络功能虚拟化（Network Function Virtualization, NFV）技术，“逻辑分离、业务匹配”的网络切片技术能够规划特定的服务功能链，增强网络的自组织、自管理能力，受到了学术界和工业界的广泛关注。3GPP等标准组织也提出无线接入网络应该支持切片设计，并通过SA2、SA5、RAN3等工作组开展相关资源管理技术的研究。
近年来，车辆智能化的演进和多接入边缘计算的发展使得未来车联网的业务类型更加复杂化、多样化，业务所需要的资源也不仅仅局限于通信资源，更需要边缘设施计算资源和存储资源的辅助。不同车联网业务对信息传输质量的需求存在较大的差异，如感知融合服务要求时延低、娱乐服务要求速率高等，因此车联网需要针对不同的业务类型设计合适的网络切片策略，来实现网络资源的有效调配，保障用户的服务体验和交通安全。此外，随着人工智能（Artificial Intelligence, AI）技术的发展，如何利用人工智能算法实现网络资源的合理调度已经成为研究热点。因此，网络切片的实时部署也需要AI算法的帮助。
目前关于车联网切片的研究较少，大多数理论研究仍停留在核心网切片和传统的蜂窝网切片上，并且仅考虑了通信资源的分配，没有涉及其他网络资源。因此需要一种系统的分析方法来指导多维度资源并存下的车联网切片设计。
发明内容
本发明的目的在于针对现有技术的不足，提供一种面向边缘智能的车联网切片方法及装置。
本发明的目的是通过以下技术方案来实现的：第一方面，本发明提供了一种面向边缘智能的车联网切片方法，包括以下步骤：
S1：在移动边缘计算MEC辅助的车联网通信场景中，根据车联网业务的QoS以及通信、计算、存储资源需求划分交通信息服务、感知融合服务和车载娱乐服务三种网络切片类型；其中，交通信息服务和感知融合服务具有不同的计算任务量和传输业务内容大小，车载娱乐服务只传输业务内容，没有计算任务；
S2：在切片内部用户资源平均分配的前提下，根据分配给每类切片的资源大小和不同车联网业务所需的计算任务量和数据传输量大小，通过计算每个车辆用户业务的传输时延、传输能耗和计算时延、计算能耗，建立以网络全局业务时延和能耗综合最低为目标的优化函数；
S3：将步骤S2切片的资源分配优化问题建模为马尔可夫决策过程，采用深度强化学习方法得到最优的切片资源分配方案。
进一步地，所述交通信息服务包括交通信息获取及处理，所述感知融合服务包括与其他车辆或基础设施之间的传感器感知信息的融合处理，所述车载娱乐服务包括网络浏览和高清视频娱乐服务。
进一步地，交通信息服务和感知融合服务的业务内容来源于车辆和路边单元RSU收集的待处理环境信息。
进一步地，车载娱乐服务的业务内容在未缓存的情况下需要RSU通过回程链路从核心网获得。
进一步地，所述的S1具体为：
在MEC辅助的车联网通信场景中，计算能力为F的MEC部署在RSU侧，RSU的存储空间 为M，总通信带宽为B；在某一时刻分别有
Figure 100002_DEST_PATH_IMAGE001
辆车发起交通信息服务的业务请求，有
Figure DEST_PATH_IMAGE002
辆车 发起感知融合服务的业务请求，有
Figure 100002_DEST_PATH_IMAGE003
辆车发起车载娱乐服务的业务请求；所述交通信息服 务需要在RSU执行计算任务
Figure DEST_PATH_IMAGE004
，传输大小为
Figure 100002_DEST_PATH_IMAGE005
的业务内容，时 延最低要求为
Figure DEST_PATH_IMAGE006
；所述感知融合服务需要在RSU执行计算任务
Figure 100002_DEST_PATH_IMAGE007
，传输大小 为
Figure DEST_PATH_IMAGE008
的业务内容，时延最低要求为
Figure 100002_DEST_PATH_IMAGE009
；所述车载娱乐服务传输大小为
Figure DEST_PATH_IMAGE010
的业务内容，业务时延最低要求为
Figure 100002_DEST_PATH_IMAGE011
，无需消耗计算资源。
进一步地，所述的S2具体为：
联合考虑时延和能耗分配RSU的通信、计算、存储资源，以实现面向服务类型的网 络切片部署；定义
Figure DEST_PATH_IMAGE012
为各类业务对应内容的 缓存指示变量，
Figure 100002_DEST_PATH_IMAGE013
；假设车联网给交通信息服务、感知融合服务和车载娱 乐服务三类业务分配的带宽资源为
Figure DEST_PATH_IMAGE014
，计算资源为
Figure 100002_DEST_PATH_IMAGE015
，给交通信息服务、感 知融合服务、车载娱乐服务分配的存储资源为
Figure DEST_PATH_IMAGE016
，切片内的计算资源平均分配；
则对交通信息服务的任意用户，业务时延为：
Figure 100002_DEST_PATH_IMAGE017
交通信息服务的RSU能量消耗为：
Figure DEST_PATH_IMAGE018
P表示RSU发射功率，
Figure 100002_DEST_PATH_IMAGE019
表示交通信息服务的路径损耗，
Figure DEST_PATH_IMAGE020
表示噪声功率，
Figure 100002_DEST_PATH_IMAGE021
表示 MEC处理器的能量转化系数；
感知融合服务用户的业务时延为：
Figure DEST_PATH_IMAGE022
感知融合服务用户的RSU能量消耗为：
Figure 100002_DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE024
表示感知融合服务的路径损耗；
车载娱乐服务用户的业务时延为：
Figure 100002_DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
为车载娱乐服务通过RSU从核心网下载的速率；
车载娱乐服务用户的RSU能量消耗为：
Figure 100002_DEST_PATH_IMAGE027
Figure DEST_PATH_IMAGE028
表示车载娱乐服务的路径损耗；
因此时延和能耗综合最低的优化目标r为：
Figure 100002_DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE030
和
Figure 100002_DEST_PATH_IMAGE031
分别是不同类型业务时延和能耗对网络性 能的影响因子， C1、C2、C3分别是带宽、计算资源、存储空间分配的约束条件，C4、C5、C6是不 同类型业务的缓存决策的约束条件，C7、C8、C9分别是不同类型业务的时延约束条件。
进一步地，当
Figure DEST_PATH_IMAGE032
取值为1时，表示对应车辆请求的内容已经存储在RSU， 无需处理可直接传输获得；反之则表示没有存储在RSU，则需要计算业务时延和能量消耗。
进一步地，所述的S3具体为：
将车联网切片的资源分配优化问题建模为马尔可夫决策过程，马尔可夫决策过程的状态包括不同切片的资源分配情况、RSU的缓存决策、每个车辆用户的业务时延和RSU的能量消耗；马尔可夫决策过程的动作是调整RSU和MEC对不同切片带宽资源、计算资源、存储资源的分配和缓存决策；马尔可夫决策过程的奖励函数为优化目标r；根据状态、动作和奖励，利用深度强化学习求得最优的切片资源分配方案。
第二方面，本发明提供了一种面向边缘智能的车联网切片装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的面向边缘智能的车联网切片方法。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的面向边缘智能的车联网切片方法。
本发明的有益效果是，本发明通过对MEC辅助的车联网场景进行智能网络切片，可以根据用户业务需求，灵活、动态地进行网络资源的定制化分配，保障用户服务体验和交通效率及安全。
附图说明
图1为本发明提供的一种面向边缘智能的车联网切片方法流程图。
图2是MEC辅助的车联网切片场景示意图。
图3为本发明提供的一种面向边缘智能的车联网切片装置的结构示意图。
具体实施方式
下面根据附图详细说明本发明。
本发明提出一种面向边缘智能的车联网切片方法，该方法包括以下步骤，如图1所示：
S1：建立MEC（Mobile edge computing，MEC）辅助的车联网多类型业务服务场景，如图2所示。随着智能网联汽车的发展，车联网中将存在多类不同业务，每类业务性能指标各不相同。例如交通安全和道路信息相关服务的数据传输量较少，对时延要求高；感知融合相关服务涉及摄像头、激光雷达、毫米波雷达等设备的感知内容，数据传输量较大且时延要求极高；视频、音乐等娱乐业务对数据传输速率要求较高，需要保持稳定连接。为了针对不同业务类型合理分配车联网资源，根据车联网业务的QoS和通信、计算、存储资源需求划分网络切片类型，具体内容为：
计算能力为F的MEC部署在路边单元RSU（Road Side Unit，RSU）侧，RSU的存储空间 为M，V2I的总通信带宽为B。根据业务质量和对通信、计算、存储资源需求的不同，将车联网 业务划分为三种切片类型：交通信息服务、感知融合服务和车载娱乐服务，在某一时刻分别 有
Figure DEST_PATH_IMAGE033
辆车发起该类业务请求。交通信息服务包括交通信息获取及处理等，需要 在RSU执行少量计算任务
Figure DEST_PATH_IMAGE034
，传输大小为
Figure DEST_PATH_IMAGE035
的业务内容，时 延最低要求为
Figure DEST_PATH_IMAGE036
；感知融合服务包括与其他车辆或基础设施之间的传感器感知信息的融合 处理等，需要在RSU执行大量计算任务
Figure DEST_PATH_IMAGE037
，传输大小为
Figure DEST_PATH_IMAGE038
的业 务内容，时延最低要求为
Figure DEST_PATH_IMAGE039
；车载娱乐服务包括网络浏览、高清视频等娱乐服务，传输大小 为
Figure DEST_PATH_IMAGE040
的业务内容，业务时延最低要求为
Figure DEST_PATH_IMAGE041
。考虑实际情况，假设在同一时刻， 不同车辆请求的业务内容各不相同。交通信息服务和感知融合服务的业务内容来源于RSU 收集的待处理环境信息，而车载娱乐服务的业务内容在未缓存的情况下需要RSU通过回程 链路从核心网获得，假设从核心网下载的速率固定为
Figure DEST_PATH_IMAGE042
。
S2：设计网络切片策略，确定优化目标，具体内容为：
考虑绿色、低碳的交通建设目标，在满足业务时延和速率要求的基础上需要尽可能 降低业务的能耗。因此，联合考虑系统时延和能耗分配RSU的通信、计算、存储资源，以实现 面向服务类型的网络切片部署。定义
Figure DEST_PATH_IMAGE043
为各类业务对应内容的缓存指示变量，
Figure 107907DEST_PATH_IMAGE013
；当
Figure DEST_PATH_IMAGE044
取值为1时， 表示对应车辆请求的内容已经存储在RSU，无需处理可直接传输获得；反之则表示没有存储 在RSU，则需要计算业务时延和能量消耗。假设车联网给交通信息服务、感知融合服务和车 载娱乐服务三类业务分配的带宽资源为
Figure 228309DEST_PATH_IMAGE014
，计算资源为
Figure DEST_PATH_IMAGE045
，给交通信息服 务、车载娱乐服务分配的存储资源为
Figure 444265DEST_PATH_IMAGE016
，切片内的资源平均分配。则对交通信息 服务的任意用户，业务时延为：
Figure DEST_PATH_IMAGE046
，RSU能量消耗为：
Figure DEST_PATH_IMAGE047
，P表示RSU发射功率，
Figure DEST_PATH_IMAGE048
表示路径损耗，
Figure DEST_PATH_IMAGE049
表示噪 声功率，
Figure DEST_PATH_IMAGE050
表示MEC处理器的能量转化系数。感知融合服务用户的业务时延为：
Figure DEST_PATH_IMAGE051
，
Figure DEST_PATH_IMAGE052
表示感知融合服务的路径损耗，能量消耗 为：
Figure DEST_PATH_IMAGE053
。车载娱乐服务用户的业务时延为：
Figure 121365DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE054
表示车载娱乐服务的路径损耗，能量消耗为：
Figure DEST_PATH_IMAGE055
。因此优化目标r为：
Figure DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE057
和
Figure DEST_PATH_IMAGE058
分别是不同类型业务时延和能耗对系统性能 的影响因子， C1、C2、C3分别是带宽、计算资源、存储空间分配的约束条件，C4、C5、C6是缓存 决策的约束条件，C7、C8、C9分别是不同类型业务的时延约束条件。
S3：采用深度强化学习方法求得最优切片方案，具体内容为：
将车联网切片的资源分配优化问题建模为马尔可夫决策过程，系统状态s包括不同 切片的资源分配情况、RSU的缓存决策、每个车辆用户的业务服务质量和RSU的能量消耗；系统 动作a是调整RSU和MEC对不同切片带宽资源、计算资源、存储资源的分配和缓存决策；系统奖 励函数为优化目标r。根据系统状态、动作和奖励，利用深度强化学习中的DQN算法，求解最优 的切片资源分配方案。使用函数逼近器来估计深度强化学习网络的动作价值函数：
Figure DEST_PATH_IMAGE059
，参数
Figure DEST_PATH_IMAGE060
表示神经网络的权重，通过迭代更新
Figure 981742DEST_PATH_IMAGE060
值，
Figure DEST_PATH_IMAGE061
是每 次迭代的目标函数值，
Figure DEST_PATH_IMAGE062
表示第i次迭代的即时奖励，
Figure DEST_PATH_IMAGE063
和
Figure DEST_PATH_IMAGE064
表示下一步的状态和采 取的动作，
Figure DEST_PATH_IMAGE065
表示折扣因子，
Figure DEST_PATH_IMAGE066
表示所有动作中的最大值。通过最小化每次迭 代i处的损失函数
Figure DEST_PATH_IMAGE067
来训练深度强化学习网络，表示均值。
基于DQN的车联网切片算法主要步骤如下：
步骤1：初始化DQN模型相关参数，包括经验复用池D的容量N，在线网络权重
Figure DEST_PATH_IMAGE068
，目标 网络权重
Figure DEST_PATH_IMAGE069
；整个算法执行X幕（episode），每一幕均重复执行以下步骤；
步骤2：输入起始状态
Figure DEST_PATH_IMAGE070
，然后从
Figure DEST_PATH_IMAGE071
到T（状态序列长度）均重复执行步骤3-7；
步骤3：采用
Figure DEST_PATH_IMAGE072
的概率随机选择动作
Figure DEST_PATH_IMAGE073
或者
Figure DEST_PATH_IMAGE074
，获得
Figure DEST_PATH_IMAGE075
；
步骤4：将t时刻样本
Figure DEST_PATH_IMAGE076
存储到经验池D中，并从经验池中随机抽取一个小 批量样本
Figure DEST_PATH_IMAGE077
来训练神经网络；
步骤5：计算目标网络
Figure DEST_PATH_IMAGE078
，并对损失函数
Figure DEST_PATH_IMAGE079
利用梯度下降法更新
Figure DEST_PATH_IMAGE080
；
步骤6：每隔
Figure DEST_PATH_IMAGE081
（根据样本容量设定）步更新
Figure DEST_PATH_IMAGE082
；
步骤7：满足终止条件退出，如
Figure DEST_PATH_IMAGE083
与
Figure DEST_PATH_IMAGE084
足够接近。
通过以上步骤，经过大量训练之后DQN算法可输出最优车联网切片方案，包括通信、计算、存储资源分配和缓存决策。
与前述面向边缘智能的车联网切片方法的实施例相对应，本发明还提供了面向边缘智能的车联网切片装置的实施例。
参见图3，本发明实施例提供的一种面向边缘智能的车联网切片装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的面向边缘智能的车联网切片方法。
本发明面向边缘智能的车联网切片装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明面向边缘智能的车联网切片装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述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，作为单元显示的部件可以是或者也可以不是物理单元，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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的面向边缘智能的车联网切片方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

Claims (9)

1.一种面向边缘智能的车联网切片方法，其特征在于，包括以下步骤：
S1：在移动边缘计算MEC辅助的车联网通信场景中，根据车联网业务的QoS、通信、计算和存储资源需求，划分交通信息服务、感知融合服务和车载娱乐服务三种网络切片类型；其中，交通信息服务和感知融合服务具有不同的计算任务量和传输业务内容大小，车载娱乐服务只传输业务内容，没有计算任务；
S2：在切片内部用户资源平均分配的前提下，根据分配给每类切片的资源大小和不同车联网业务所需的计算任务量和数据传输量大小，通过计算每个车辆用户业务的传输时延、传输能耗和计算时延、计算能耗，建立以网络全局业务时延和能耗综合最低为目标的优化函数；
S3：将步骤S2切片的资源分配优化问题建模为马尔可夫决策过程，采用深度强化学习方法得到最优的切片资源分配方案，具体为：将车联网切片的资源分配优化问题建模为马尔可夫决策过程，马尔可夫决策过程的状态包括不同切片的资源分配情况、RSU的缓存决策、每个车辆用户的业务时延和RSU的能量消耗；马尔可夫决策过程的动作是调整RSU和MEC对不同切片带宽资源、计算资源、存储资源的分配和缓存决策；马尔可夫决策过程的奖励函数为优化目标r；根据状态、动作和奖励，利用深度强化学习求得最优的切片资源分配方案。
2.根据权利要求1所述的面向边缘智能的车联网切片方法，其特征在于，所述交通信息服务包括交通信息获取及处理，所述感知融合服务包括与其他车辆或基础设施之间的传感器感知信息的融合处理，所述车载娱乐服务包括网络浏览和高清视频娱乐服务。
3.根据权利要求1所述的面向边缘智能的车联网切片方法，其特征在于，交通信息服务和感知融合服务的业务内容来源于车辆和路边单元RSU收集的待处理环境信息。
4.根据权利要求1所述的面向边缘智能的车联网切片方法，其特征在于，车载娱乐服务的业务内容在未缓存的情况下需要RSU通过回程链路从核心网获得。
5.根据权利要求1所述的面向边缘智能的车联网切片方法，其特征在于，所述的S1具体为：
在MEC辅助的车联网通信场景中，计算能力为F的MEC部署在RSU侧，RSU的存储空间为M， 总通信带宽为B；在某一时刻分别有
Figure DEST_PATH_IMAGE001
辆车发起交通信息服务的业务请求，有
Figure 573391DEST_PATH_IMAGE002
辆车发起 感知融合服务的业务请求，有
Figure DEST_PATH_IMAGE003
辆车发起车载娱乐服务的业务请求；所述交通信息服务需 要在RSU执行计算任务
Figure 162635DEST_PATH_IMAGE004
，传输大小为
Figure DEST_PATH_IMAGE005
的业务内容，时延最 低要求为
Figure 113012DEST_PATH_IMAGE006
；所述感知融合服务需要在RSU执行计算任务
Figure DEST_PATH_IMAGE007
，传输大小为
Figure 180325DEST_PATH_IMAGE008
的业务内容，时延最低要求为
Figure DEST_PATH_IMAGE009
；所述车载娱乐服务传输大小为
Figure 932380DEST_PATH_IMAGE010
的业务内容，业务时延最低要求为
Figure DEST_PATH_IMAGE011
，无需消耗计算资源。
6.根据权利要求5所述的面向边缘智能的车联网切片方法，其特征在于，所述的S2具体为：
联合考虑时延和能耗分配RSU的通信、计算、存储资源，以实现面向服务类型的网络切 片部署；定义
Figure 551580DEST_PATH_IMAGE012
为各类业务对应内容的 缓存指示变量，
Figure DEST_PATH_IMAGE013
；假设车联网给交通信息服务、感知融合服务和车载娱 乐服务三类业务分配的带宽资源为
Figure 225138DEST_PATH_IMAGE014
，计算资源为
Figure DEST_PATH_IMAGE015
，给交通信息服务、感 知融合服务、车载娱乐服务分配的存储资源为
Figure 860257DEST_PATH_IMAGE016
，切片内的计算资源平均分配；
则对交通信息服务的任意用户，业务时延为：
Figure DEST_PATH_IMAGE017
交通信息服务的RSU能量消耗为：
Figure 201239DEST_PATH_IMAGE018
P表示RSU发射功率，
Figure DEST_PATH_IMAGE019
表示交通信息服务的路径损耗，
Figure 991341DEST_PATH_IMAGE020
表示噪声功率，
Figure DEST_PATH_IMAGE021
表示MEC处 理器的能量转化系数；
感知融合服务用户的业务时延为：
Figure 417774DEST_PATH_IMAGE022
感知融合服务用户的RSU能量消耗为：
Figure DEST_PATH_IMAGE023
Figure 826890DEST_PATH_IMAGE024
表示感知融合服务的路径损耗；
车载娱乐服务用户的业务时延为：
Figure DEST_PATH_IMAGE025
，
Figure 520914DEST_PATH_IMAGE026
为车载娱乐服务通过RSU从核心网下载的速率；
车载娱乐服务用户的RSU能量消耗为：
Figure DEST_PATH_IMAGE027
Figure 747496DEST_PATH_IMAGE028
表示车载娱乐服务的路径损耗；
因此时延和能耗综合最低的优化目标r为：
Figure DEST_PATH_IMAGE029
其中，
Figure 598908DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
分别是不同类型业务时延和能耗对网络性能的影 响因子， C1、C2、C3分别是带宽、计算资源、存储空间分配的约束条件，C4、C5、C6是不同类型 业务的缓存决策的约束条件，C7、C8、C9分别是不同类型业务的时延约束条件。
7.根据权利要求1所述的面向边缘智能的车联网切片方法，其特征在于，当
Figure 811715DEST_PATH_IMAGE032
取值为1时，表示对应车辆请求的内容已经存储在RSU，无需处理可直接传输获 得；反之则表示没有存储在RSU，则需要计算业务时延和能量消耗。
8.一种面向边缘智能的车联网切片装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1-7中任一项所述的面向边缘智能的车联网切片方法。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-7中任一项所述的面向边缘智能的车联网切片方法。
CN202210536594.2A 2022-05-18 2022-05-18 一种面向边缘智能的车联网切片方法及装置 Active CN114641041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210536594.2A CN114641041B (zh) 2022-05-18 2022-05-18 一种面向边缘智能的车联网切片方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210536594.2A CN114641041B (zh) 2022-05-18 2022-05-18 一种面向边缘智能的车联网切片方法及装置

Publications (2)

Publication Number Publication Date
CN114641041A CN114641041A (zh) 2022-06-17
CN114641041B true CN114641041B (zh) 2022-09-13

Family

ID=81952742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210536594.2A Active CN114641041B (zh) 2022-05-18 2022-05-18 一种面向边缘智能的车联网切片方法及装置

Country Status (1)

Country Link
CN (1) CN114641041B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116743584B (zh) * 2023-08-09 2023-10-27 山东科技大学 一种基于信息感知及联合计算缓存的动态ran切片方法
CN116931005B (zh) * 2023-09-19 2023-12-22 之江实验室 一种基于v2x辅助的车辆高精度定位方法、装置和存储介质
CN117499960B (zh) * 2023-12-29 2024-03-22 奥鼎智通(北京)科技有限公司 一种通信网络中资源调度方法、系统、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017186092A1 (zh) * 2016-04-28 2017-11-02 中兴通讯股份有限公司 网络切片的选择方法及装置
CN110881207A (zh) * 2019-10-31 2020-03-13 华为技术有限公司 一种网络切片选择方法及相关产品
CN112423267A (zh) * 2020-10-14 2021-02-26 南京大学 基于Lyapunov随机优化的车联网异质资源动态切片方法
CN112954651A (zh) * 2021-03-12 2021-06-11 南京航空航天大学 一种基于深度强化学习的低时延高可靠性v2v资源分配方法
CN112995951A (zh) * 2021-03-12 2021-06-18 南京航空航天大学 一种采用深度确定性策略梯度算法的5g车联网v2v资源分配方法
CN113746677A (zh) * 2021-09-01 2021-12-03 之江实验室 一种面向5g新空口的网络切片内资源分配方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109196828A (zh) * 2016-06-16 2019-01-11 华为技术有限公司 一种网络切片的资源管理方法和装置
CN112153700B (zh) * 2019-06-26 2022-03-29 华为技术有限公司 一种网络切片资源管理方法及设备
CN111294767A (zh) * 2020-01-17 2020-06-16 浙江吉利新能源商用车集团有限公司 一种智能网联车辆数据处理方法、系统、装置及存储介质
CN113498011B (zh) * 2020-03-19 2023-08-15 中移(上海)信息通信科技有限公司 车联网方法、装置、设备、存储介质及系统
CN112562374A (zh) * 2020-12-08 2021-03-26 特路（北京）科技有限公司 一种智能道路交通5g-v2x系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017186092A1 (zh) * 2016-04-28 2017-11-02 中兴通讯股份有限公司 网络切片的选择方法及装置
CN110881207A (zh) * 2019-10-31 2020-03-13 华为技术有限公司 一种网络切片选择方法及相关产品
CN112423267A (zh) * 2020-10-14 2021-02-26 南京大学 基于Lyapunov随机优化的车联网异质资源动态切片方法
CN112954651A (zh) * 2021-03-12 2021-06-11 南京航空航天大学 一种基于深度强化学习的低时延高可靠性v2v资源分配方法
CN112995951A (zh) * 2021-03-12 2021-06-18 南京航空航天大学 一种采用深度确定性策略梯度算法的5g车联网v2v资源分配方法
CN113746677A (zh) * 2021-09-01 2021-12-03 之江实验室 一种面向5g新空口的网络切片内资源分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Network Slicing for IoV:QoS-Oriented Radio Resource Optimization;Yue Li等;《IEEE》;20220223;全文 *
面向智能网联汽车边缘网络的分布式端一边协同算法;朱凯男等;《无线电通信技术》;20220113;全文 *

Also Published As

Publication number Publication date
CN114641041A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114641041B (zh) 一种面向边缘智能的车联网切片方法及装置
CN110312231B (zh) 车联网中基于mec的内容缓存决策和资源分配优化方法
CN110035410B (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
CN112188442A (zh) 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN109656703A (zh) 一种移动边缘计算辅助车辆任务卸载方法
CN114189892A (zh) 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法
CN112749010B (zh) 融合推荐系统的边缘计算任务分配方法
Wang et al. Mobility-aware partial computation offloading in vehicular networks: A deep reinforcement learning based scheme
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
CN113382059B (zh) 一种雾无线接入网中基于联邦强化学习的协作缓存方法
CN111314862B (zh) 雾无线接入网中深度强化学习下带有推荐的缓存方法
CN114205782B (zh) 基于云边协同的时延最优缓存和路由方法、装置及系统
CN113992524B (zh) 网络切片优化处理方法及系统
CN112153145A (zh) 5g边缘环境下面向车联网的计算任务卸载方法及装置
Chen et al. Latency minimization for mobile edge computing networks
CN114691372A (zh) 一种多媒体端边云系统的群体智能控制方法
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
Huang et al. Learning-aided fine grained offloading for real-time applications in edge-cloud computing
CN116634401A (zh) 边缘计算下最大化车载用户满意度的任务卸载方法
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
CN114979145B (zh) 一种车联网中集成感知、通信与缓存的内容分发方法
Li et al. Deep reinforcement learning for collaborative computation offloading on internet of vehicles
CN113423091B (zh) 一种车载算力网络的多维资源智能联合优化方法、系统
CN115134829A (zh) 移动业务边缘协作卸载方法、装置、设备及介质
CN115052262A (zh) 一种基于势博弈的车联网计算卸载与功率优化方法

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