CN114650515B - 一种应用于车联网的移动边缘计算服务动态迁移方法 - Google Patents

一种应用于车联网的移动边缘计算服务动态迁移方法 Download PDF

Info

Publication number
CN114650515B
CN114650515B CN202210517134.5A CN202210517134A CN114650515B CN 114650515 B CN114650515 B CN 114650515B CN 202210517134 A CN202210517134 A CN 202210517134A CN 114650515 B CN114650515 B CN 114650515B
Authority
CN
China
Prior art keywords
service
vehicle
intelligent networked
networked vehicle
roadside unit
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
CN202210517134.5A
Other languages
English (en)
Other versions
CN114650515A (zh
Inventor
赵军辉
邓宇
张青苗
邹丹
廖龙霞
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong 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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202210517134.5A priority Critical patent/CN114650515B/zh
Publication of CN114650515A publication Critical patent/CN114650515A/zh
Application granted granted Critical
Publication of CN114650515B publication Critical patent/CN114650515B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • 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
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种应用于车联网的移动边缘计算服务动态迁移方法，根据该方法，当智能网联车辆在服务接续里程内行驶并穿越边缘服务片区时，会通过智能网联车辆的行为数据，计算智能网联车辆在多个路边单元中的目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性，当智能网联车辆在目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取目标路边单元作为边缘节点，以通过目标路边单元为智能网联车辆提供服务，通过上述步骤能够使智能网联车辆的每一次服务迁移都满足服务质量更优，从而能够有效降低迁移发生时的时延抖动对服务质量的影响。

Description

一种应用于车联网的移动边缘计算服务动态迁移方法
技术领域
本发明涉及无线通信网络技术领域，特别是涉及一种应用于车联网的移动边缘计算服务动态迁移方法。
背景技术
随着车联网和智能网联车辆的普及和飞速发展，车载移动通信设备的数量正在快速增长，车载应用程序的时延敏感性、计算密集性也越来越高，传统的数据处理方式和无线通信制式已无法满足智能网联汽车高效、可靠的发展要求。
移动边缘计算(Mobile Edge Computing, MEC)技术通过将搭载服务器的路边单元部署于网络边缘层，将计算任务从资源受限的车辆设备卸载至网络边缘，能够有效提高车辆的通信时效和数据计算效率，因此被广泛认为是能够提高车联网中通信性能的可靠手段。
但在实际应用过程中，由于路边单元中的边缘服务片区范围小，车辆在行驶过程会频繁穿越片区，边缘服务需要伴随车辆的高速行驶在不同片区之间进行迁移，在迁移过程中会产生较高的时延甚至服务中断，影响服务质量(Quality of Service, QoS)。
发明内容
为此，本发明的目的在于提出一种应用于车联网的移动边缘计算服务动态迁移方法，以解决现有技术中，边缘服务在迁移过程中会产生较高的时延甚至服务中断，影响服务质量的技术问题。
本发明提供一种应用于车联网的移动边缘计算服务动态迁移方法，包括：
步骤1，通过智能网联车辆的行为数据，计算所述智能网联车辆在当前边缘节点中能够持续获得的剩余服务质量，并根据所述剩余服务质量确定出所述智能网联车辆的服务接续里程；
步骤2，根据所述服务接续里程，在多个路边单元中选择其中一个目标路边单元作为下一可能的边缘节点，通过所述智能网联车辆的行为数据，计算所述智能网联车辆在所述目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性；
步骤3，若所述智能网联车辆在所述目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取所述目标路边单元作为边缘节点，并向所述目标路边单元发出接入请求，通过所述目标路边单元为所述智能网联车辆提供服务；
步骤4，对所述智能网联车辆的每一次服务迁移均执行步骤1至步骤3。
上述应用于车联网的移动边缘计算服务动态迁移方法，其中，步骤2具体包括：
步骤2.1，建立基于强化学习的价值函数模型；
步骤2.2，采用建立的价值函数模型，计算注意力因子，并根据注意力因子对服务迁移过程中的服务质量进行评价，注意力因子越高，对应的服务质量越高。
上述应用于车联网的移动边缘计算服务动态迁移方法，其中，步骤2.1具体包括：
步骤2.1.1，对于第i辆智能网联车辆，将其在t时刻的位置记为u，将其在t时刻获取服务的边缘节点的位置记为h，将其在
Figure 868086DEST_PATH_IMAGE001
时刻获取服务的边缘节点的位置记为
Figure 848680DEST_PATH_IMAGE002
，
Figure 421744DEST_PATH_IMAGE003
=
Figure 171394DEST_PATH_IMAGE004
，τ表示t时刻至
Figure 702870DEST_PATH_IMAGE001
时刻的时隙，迁移成本
Figure 780547DEST_PATH_IMAGE005
和传输成本
Figure 46050DEST_PATH_IMAGE006
的计算公式如下：
Figure 791152DEST_PATH_IMAGE007
Figure 352584DEST_PATH_IMAGE008
其中，
Figure 917557DEST_PATH_IMAGE009
Figure 98003DEST_PATH_IMAGE010
为实值参数；
计算迁移成本与传输成本之和
Figure 822245DEST_PATH_IMAGE011
：
Figure 429944DEST_PATH_IMAGE012
步骤2.1.2，基于马尔科夫决策过程建立价值函数模型，价值函数模型
Figure 606847DEST_PATH_IMAGE013
的表达式为：
Figure 325405DEST_PATH_IMAGE014
Figure 671198DEST_PATH_IMAGE015
其中，
Figure 449798DEST_PATH_IMAGE016
表示贴现因子，
Figure 254943DEST_PATH_IMAGE017
，P表示状态转移概率，
Figure 636245DEST_PATH_IMAGE018
为第i辆智能网联车辆在t时刻的状态函数，
Figure 210446DEST_PATH_IMAGE019
表示当处于状态
Figure 284582DEST_PATH_IMAGE020
时第i辆智能网联车辆采取的迁移决策，
Figure 45864DEST_PATH_IMAGE021
为第i辆智能网联车辆在
Figure 762016DEST_PATH_IMAGE001
时刻的状态函数，
Figure 925144DEST_PATH_IMAGE022
表示中间函数，E表示数学期望运算；
其中，步骤2.2中，注意力因子A的表达式如下：
Figure 692154DEST_PATH_IMAGE023
Figure 206312DEST_PATH_IMAGE024
Figure 335942DEST_PATH_IMAGE025
其中，M表示第i辆智能网联车辆当前所处的区域内路边单元的总数，L表示第i辆智能网联车辆在当前所处的区域内所处具体位置的总可能数，
Figure 478210DEST_PATH_IMAGE026
表示归一化后的权重函数，
Figure 35093DEST_PATH_IMAGE027
表示状态空间集合，
Figure 895602DEST_PATH_IMAGE028
，
Figure 297764DEST_PATH_IMAGE029
、
Figure 560118DEST_PATH_IMAGE030
、
Figure 287903DEST_PATH_IMAGE031
分别表示状态空间集合中的第1个、第2个、第
Figure 137173DEST_PATH_IMAGE032
个元素；
Figure 608605DEST_PATH_IMAGE033
表示对于第i辆智能网联车辆，在智能网联车辆的位置为u、获取服务的边缘节点的位置为h时，车辆状态与空间集合的相关性系数；
Figure 725466DEST_PATH_IMAGE034
表示对于第i辆智能网联车辆，在智能网联车辆的位置为j、获取服务的边缘节点的位置为l时，车辆状态与空间集合的相关性系数。
上述应用于车联网的移动边缘计算服务动态迁移方法，其中，所述智能网联车辆的行为数据包括车辆定位数据和车辆执行器数据。
上述应用于车联网的移动边缘计算服务动态迁移方法，其中，在所述目标路边单元作为边缘节点的情况下，所述智能网联车辆通过所述目标路边单元访问边缘共享资源池，所述智能网联车辆能获得的服务包括边缘卸载及边缘缓存。
根据本发明提供的应用于车联网的移动边缘计算服务动态迁移方法，当智能网联车辆在服务接续里程内行驶并穿越边缘服务片区时，会通过智能网联车辆的行为数据，计算智能网联车辆在多个路边单元中的目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性，当智能网联车辆在目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取目标路边单元作为边缘节点，以通过目标路边单元为智能网联车辆提供服务，通过上述步骤能够使智能网联车辆的每一次服务迁移都满足服务质量更优，从而能够有效降低迁移发生时的时延抖动对服务质量的影响。
附图说明
图1为本发明一实施例的应用于车联网的移动边缘计算服务动态迁移方法的流程示意图；
图2是不同车辆密度下本发明方法的QoS性能和现有技术的QoS性能的比较图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的实施例提供了一种应用于车联网的移动边缘计算服务动态迁移方法，车联网的边缘服务在智能网联车辆（ICV）沿行驶路径行驶过程中，通过采用基于强化学习的移动边缘计算服务动态迁移方法选取具有边缘中继及边缘卸载功能的路边单元(RoadSide Unit, RSU)作为边缘节点（Edge Nodes，ENs），从而为智能网联车辆提供边缘计算服务及服务的迁移，实现智能网联车辆在行驶过程中的稳定边缘计算服务。
请参阅图1，本发明实施例提供的应用于车联网的移动边缘计算服务动态迁移方法包括步骤1~步骤4：
步骤1，通过智能网联车辆的行为数据，计算所述智能网联车辆在当前边缘节点中能够持续获得的剩余服务质量，并根据所述剩余服务质量确定出所述智能网联车辆的服务接续里程。
其中，所述智能网联车辆的行为数据包括车辆定位数据和车辆执行器数据。智能网联车辆的服务接续里程与剩余服务质量呈正比。
本实施例中，考虑到在智能网联汽车中通常仅配备一组用于收发报文的无线电模块，因此，在车辆行驶过程中，智能网联汽车只选择一个RSU进行数据卸载。
步骤2，根据所述服务接续里程，在多个路边单元中选择其中一个目标路边单元作为下一可能的边缘节点，通过所述智能网联车辆的行为数据，计算所述智能网联车辆在所述目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性。
其中，步骤2具体包括：
步骤2.1，建立基于强化学习的价值函数模型；
步骤2.2，采用建立的价值函数模型，计算注意力因子，并根据注意力因子对服务迁移过程中的服务质量进行评价，注意力因子越高，对应的服务质量越高。
其中，步骤2.1具体包括：
步骤2.1.1，对于第i辆智能网联车辆，将其在t时刻的位置记为u，将其在t时刻获取服务的边缘节点的位置记为h，将其在
Figure 92993DEST_PATH_IMAGE035
时刻获取服务的边缘节点的位置记为
Figure 928094DEST_PATH_IMAGE036
，
Figure 203218DEST_PATH_IMAGE037
=
Figure 909005DEST_PATH_IMAGE038
，τ表示t时刻至
Figure 978593DEST_PATH_IMAGE035
时刻的时隙，迁移成本
Figure 533945DEST_PATH_IMAGE039
和传输成本
Figure 612760DEST_PATH_IMAGE040
的计算公式如下：
Figure 704213DEST_PATH_IMAGE041
Figure 944701DEST_PATH_IMAGE042
其中，
Figure 629760DEST_PATH_IMAGE043
Figure 371320DEST_PATH_IMAGE044
为实值参数；
计算迁移成本与传输成本之和
Figure 192646DEST_PATH_IMAGE045
：
Figure 463090DEST_PATH_IMAGE046
步骤2.1.2，基于马尔科夫决策过程建立价值函数模型，价值函数模型
Figure 369866DEST_PATH_IMAGE047
的表达式为：
Figure 790483DEST_PATH_IMAGE048
Figure 92414DEST_PATH_IMAGE049
其中，
Figure 940284DEST_PATH_IMAGE050
表示贴现因子，
Figure 458990DEST_PATH_IMAGE051
，P表示状态转移概率，
Figure 152140DEST_PATH_IMAGE052
为第i辆智能网联车辆在t时刻的状态函数，
Figure 213637DEST_PATH_IMAGE053
表示当处于状态
Figure 91463DEST_PATH_IMAGE054
时第i辆智能网联车辆采取的迁移决策，
Figure 972831DEST_PATH_IMAGE055
为第i辆智能网联车辆在
Figure 594305DEST_PATH_IMAGE035
时刻的状态函数，
Figure 244729DEST_PATH_IMAGE056
表示中间函数，E表示数学期望运算。
步骤2.2中，注意力因子A的表达式如下：
Figure 791992DEST_PATH_IMAGE057
Figure 160657DEST_PATH_IMAGE024
Figure 461188DEST_PATH_IMAGE025
其中，M表示第i辆智能网联车辆当前所处的区域内路边单元的总数，L表示第i辆智能网联车辆在当前所处的区域内所处具体位置的总可能数，
Figure 90752DEST_PATH_IMAGE026
表示归一化后的权重函数，
Figure 451326DEST_PATH_IMAGE027
表示状态空间集合，
Figure 166342DEST_PATH_IMAGE028
，
Figure 270564DEST_PATH_IMAGE029
、
Figure 895580DEST_PATH_IMAGE030
、
Figure 286110DEST_PATH_IMAGE031
分别表示状态空间集合中的第1个、第2个、第
Figure 363788DEST_PATH_IMAGE032
个元素；
Figure 632220DEST_PATH_IMAGE033
表示对于第i辆智能网联车辆，在智能网联车辆的位置为u、获取服务的边缘节点的位置为h时，车辆状态与空间集合的相关性系数；
Figure 111743DEST_PATH_IMAGE034
表示对于第i辆智能网联车辆，在智能网联车辆的位置为j、获取服务的边缘节点的位置为l时，车辆状态与空间集合的相关性系数。
其中，由于注意力因子是基于价值函数和权重函数得到的，其反应了价值函数和权重函数之间的相关性，当相关性越高时（即比较注意力因子越大时），相应的服务质量更优。因此，通过比较注意力因子的大小，就可以判断智能网联车辆在目标路边单元能够获得的服务质量是否优于智能网联车辆在当前边缘节点能够获得的服务质量。
步骤3，若所述智能网联车辆在所述目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取所述目标路边单元作为边缘节点，并向所述目标路边单元发出接入请求，通过所述目标路边单元为所述智能网联车辆提供服务。
其中，在所述目标路边单元作为边缘节点的情况下，所述智能网联车辆通过所述目标路边单元访问边缘共享资源池，所述智能网联车辆能获得的服务包括边缘卸载及边缘缓存。
步骤4，对所述智能网联车辆的每一次服务迁移均执行步骤1至步骤3。
图2展示了不同车辆密度下本发明方法的QoS性能和现有技术的QoS性能的比较图，图2中横坐标表示车辆密度，纵坐标表示归一化QoS指标，从图2可以看出，在不同的车辆密度下，相比于现有技术，本发明的归一化QoS指标提升了约11.4%，说明本发明的QoS性能更优。
综上，根据本发明提供的应用于车联网的移动边缘计算服务动态迁移方法，当智能网联车辆在服务接续里程内行驶并穿越边缘服务片区时，会通过智能网联车辆的行为数据，计算智能网联车辆在多个路边单元中的目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性，当智能网联车辆在目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取目标路边单元作为边缘节点，以通过目标路边单元为智能网联车辆提供服务，通过上述步骤能够使智能网联车辆的每一次服务迁移都满足服务质量更优，从而能够有效降低迁移发生时的时延抖动对服务质量的影响。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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 (3)

1.一种应用于车联网的移动边缘计算服务动态迁移方法，其特征在于，包括：
步骤1，通过智能网联车辆的行为数据，计算所述智能网联车辆在当前边缘节点中能够持续获得的剩余服务质量，并根据所述剩余服务质量确定出所述智能网联车辆的服务接续里程；
步骤2，根据所述服务接续里程，在多个路边单元中选择其中一个目标路边单元作为下一可能的边缘节点，通过所述智能网联车辆的行为数据，计算所述智能网联车辆在所述目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性；
步骤3，若所述智能网联车辆在所述目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取所述目标路边单元作为边缘节点，并向所述目标路边单元发出接入请求，通过所述目标路边单元为所述智能网联车辆提供服务；
步骤4，对所述智能网联车辆的每一次服务迁移均执行步骤1至步骤3；
其中，步骤2具体包括：
步骤2.1，建立基于强化学习的价值函数模型；
步骤2.2，采用建立的价值函数模型，计算注意力因子，并根据注意力因子对服务迁移过程中的服务质量进行评价，注意力因子越高，对应的服务质量越高；
步骤2.1具体包括：
步骤2.1.1，对于第i辆智能网联车辆，将其在t时刻的位置记为u，将其在t时刻获取服务的边缘节点的位置记为h，将其在
Figure 802395DEST_PATH_IMAGE001
时刻获取服务的边缘节点的位置记为
Figure 308463DEST_PATH_IMAGE002
，
Figure 727943DEST_PATH_IMAGE003
=
Figure 830022DEST_PATH_IMAGE004
，τ表示t时刻至
Figure 854610DEST_PATH_IMAGE001
时刻的时隙，迁移成本
Figure 266000DEST_PATH_IMAGE005
和传输成本
Figure 687623DEST_PATH_IMAGE006
的计算公式如下：
Figure 780344DEST_PATH_IMAGE007
Figure 721755DEST_PATH_IMAGE008
其中，
Figure 54778DEST_PATH_IMAGE009
Figure 448851DEST_PATH_IMAGE010
为实值参数；
计算迁移成本与传输成本之和
Figure 142000DEST_PATH_IMAGE011
：
Figure 672339DEST_PATH_IMAGE012
步骤2.1.2，基于马尔科夫决策过程建立价值函数模型，价值函数模型
Figure 940378DEST_PATH_IMAGE013
的表达式为：
Figure 821746DEST_PATH_IMAGE014
Figure 318587DEST_PATH_IMAGE015
其中，
Figure 969011DEST_PATH_IMAGE016
表示贴现因子，
Figure 558082DEST_PATH_IMAGE017
，P表示状态转移概率，
Figure 926747DEST_PATH_IMAGE018
为第i辆智能网联车辆在t时刻的状态函数，
Figure 961699DEST_PATH_IMAGE019
表示当处于状态
Figure 247056DEST_PATH_IMAGE020
时第i辆智能网联车辆采取的迁移决策，
Figure 76471DEST_PATH_IMAGE021
为第i辆智能网联车辆在
Figure 135694DEST_PATH_IMAGE001
时刻的状态函数，
Figure 771075DEST_PATH_IMAGE022
表示中间函数，E表示数学期望运算；
步骤2.2中，注意力因子A的表达式如下：
Figure 84507DEST_PATH_IMAGE023
Figure 350403DEST_PATH_IMAGE024
Figure 693660DEST_PATH_IMAGE025
其中，M表示第i辆智能网联车辆当前所处的区域内路边单元的总数，L表示第i辆智能网联车辆在当前所处的区域内所处具体位置的总可能数，
Figure 585261DEST_PATH_IMAGE026
表示归一化后的权重函数，
Figure 64784DEST_PATH_IMAGE027
表示状态空间集合，
Figure 501582DEST_PATH_IMAGE028
，
Figure 66555DEST_PATH_IMAGE029
、
Figure 200996DEST_PATH_IMAGE030
、
Figure 535025DEST_PATH_IMAGE031
分别表示状态空间集合中的第1个、第2个、第
Figure 142724DEST_PATH_IMAGE032
个元素；
Figure 444261DEST_PATH_IMAGE033
表示对于第i辆智能网联车辆，在智能网联车辆的位置为u、获取服务的边缘节点的位置为h时，车辆状态与空间集合的相关性系数；
Figure 162818DEST_PATH_IMAGE034
表示对于第i辆智能网联车辆，在智能网联车辆的位置为j、获取服务的边缘节点的位置为l时，车辆状态与空间集合的相关性系数。
2.根据权利要求1所述的应用于车联网的移动边缘计算服务动态迁移方法，其特征在于，所述智能网联车辆的行为数据包括车辆定位数据和车辆执行器数据。
3.根据权利要求1所述的应用于车联网的移动边缘计算服务动态迁移方法，其特征在于，在所述目标路边单元作为边缘节点的情况下，所述智能网联车辆通过所述目标路边单元访问边缘共享资源池，所述智能网联车辆能获得的服务包括边缘卸载及边缘缓存。
CN202210517134.5A 2022-05-13 2022-05-13 一种应用于车联网的移动边缘计算服务动态迁移方法 Active CN114650515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517134.5A CN114650515B (zh) 2022-05-13 2022-05-13 一种应用于车联网的移动边缘计算服务动态迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517134.5A CN114650515B (zh) 2022-05-13 2022-05-13 一种应用于车联网的移动边缘计算服务动态迁移方法

Publications (2)

Publication Number Publication Date
CN114650515A CN114650515A (zh) 2022-06-21
CN114650515B true CN114650515B (zh) 2022-08-26

Family

ID=81996601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517134.5A Active CN114650515B (zh) 2022-05-13 2022-05-13 一种应用于车联网的移动边缘计算服务动态迁移方法

Country Status (1)

Country Link
CN (1) CN114650515B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953759A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN113115256A (zh) * 2021-04-14 2021-07-13 重庆邮电大学 一种在线vmec服务网络选择的迁移方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109076357B (zh) * 2016-05-28 2021-06-08 华为技术有限公司 移动边缘系统中迁移应用方法、相关设备及系统
US11412052B2 (en) * 2018-12-28 2022-08-09 Intel Corporation Quality of service (QoS) management in edge computing environments
CN110647382B (zh) * 2019-09-19 2022-02-18 中国科学院计算技术研究所 一种车联网服务动态迁移方法
CN113055487B (zh) * 2021-03-22 2022-04-12 重庆邮电大学 一种基于vmec服务网络选择的迁移方法
CN114401270B (zh) * 2021-12-16 2023-12-22 中电信数智科技有限公司 应用迁移方法、系统、装置、电子设备及存储介质
CN114449530A (zh) * 2022-03-11 2022-05-06 天津理工大学 一种基于多目标优化策略的边缘计算服务迁移方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953759A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN113115256A (zh) * 2021-04-14 2021-07-13 重庆邮电大学 一种在线vmec服务网络选择的迁移方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种车载服务的快速深度Q学习网络边云迁移策略;彭军等;《电子与信息学报》;20200115(第01期);全文 *
基于移动边缘计算的任务迁移和协作式负载均衡机制;殷佳等;《计算机科学》;20191215(第12期);全文 *
基于车辆行为分析的智能车联网关键技术研究;张海霞等;《电子与信息学报》;20200115(第01期);全文 *

Also Published As

Publication number Publication date
CN114650515A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN108632813B (zh) 移动边缘计算的移动性管理方法及系统
US11132608B2 (en) Learning-based service migration in mobile edge computing
CN110798360B (zh) Nwdaf网元的选择方法、装置、电子设备及可读存储介质
Chang et al. Cross-layer-based adaptive vertical handoff with predictive RSS in heterogeneous wireless networks
CN112887905B (zh) 一种车联网中基于周期性资源调度的任务卸载方法
US20220414487A1 (en) Method and Apparatus for Updating Application Identification Model, and Storage Medium
CN113687875B (zh) 一种车联网中车辆任务卸载方法及装置
Romanov et al. The method of redistributing traffic in mobile network
WO2022258196A1 (en) Determine handover parameters by machine learning
CN112612553A (zh) 一种基于容器技术的边缘计算任务卸载方法
CN114650515B (zh) 一种应用于车联网的移动边缘计算服务动态迁移方法
CN116192861A (zh) 基于端侧数据存储感知的配电网云边卸载方法及系统
CN109558240A (zh) 一种移动终端应用下基于支持向量机的任务卸载方法
Abbasi et al. An intelligent method for reducing the overhead of analysing big data flows in Openflow switch
CN112888021A (zh) 一种车联网中避免中断的任务卸载方法
CN111465057B (zh) 一种基于强化学习的边缘缓存方法、装置及电子设备
CN115988462B (zh) 一种基于车路协同的边缘计算模块的调试方法
KR100439674B1 (ko) 신경망을 이용한 기지국 장애예측 장치 및 그 방법
CN112203309B (zh) 一种基于服务器协作的联合任务卸载及缓存方法
CN115278792B (zh) 超密集异构无线网络中感知终端接入偏好的切换判决方法
CN111988834A (zh) 一种异构车联网网络选择方法、系统及装置
CN113573365B (zh) 一种基于马尔科夫转移概率的车联网边缘缓存方法
CN115801820A (zh) 一种基于强化学习的时延-能耗感知车联网任务卸载方法
CN112637904B (zh) 负载均衡方法、装置及计算设备
CN114327589A (zh) 参数配置方法及相关系统

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