CN114650567B - 一种无人机辅助v2i网络任务卸载方法 - Google Patents
一种无人机辅助v2i网络任务卸载方法 Download PDFInfo
- Publication number
- CN114650567B CN114650567B CN202210264183.2A CN202210264183A CN114650567B CN 114650567 B CN114650567 B CN 114650567B CN 202210264183 A CN202210264183 A CN 202210264183A CN 114650567 B CN114650567 B CN 114650567B
- Authority
- CN
- China
- Prior art keywords
- unloading
- vehicle
- vehicle user
- unmanned aerial
- server
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006854 communication Effects 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims description 27
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/0827—Triggering entity
- H04W28/0835—Access entity, e.g. eNB
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
- H04W28/0975—Quality of Service [QoS] parameters for reducing delays
-
- 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]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机辅助V2I网络任务卸载方法,将无人机边缘服务器引入到V2I网络中,作为空中边缘服务器替代部分路边单元服务器来帮助处理来自车辆用户的计算任务,无人机服务器因其灵活的机动性、较大的通信范围和较小的空地链路干扰与损耗,可以有效弥补因车辆移动性而导致的断联或多跳通信带来较大时延的问题;车辆用户将任务部分卸载给无人机服务器或路边单元服务器,充分利用无人机边缘服务器优势,缓解了网络的拥堵,提高了系统的时效性;本发明通过车辆用户、无人机、路边单元三者协同处理任务,可以有效降低系统总时延,缓解通信链路拥塞。
Description
技术领域
本发明属于移动边缘计算技术领域,具体涉及一种无人机辅助V2I网络任务卸载方法。
背景技术
随着移动用户对时延敏感、计算量大的应用程序需求的日益增多,移动边缘计算技术(mobile edge computing,MEC)应运而生,该技术能够有效缓解资源有限的用户设备与计算密集型应用之间的矛盾,尤其可以缓解车联网场景中资源受限设备与计算密集型应用的矛盾。
目前,车联网的通信场景分为两大类:一是移动车辆与路边通信设施、基站间的通信,即V2I(Vehicle-to-Infrastructure)通信,二是多个移动车辆之间的相互通信,即V2V(Vehicle-to-Vehicle)通信。其中,V2I通信可以获取所在区域的实时信息和整个城市的交通信息,在通过后台计算、大数据处理后,相关平台可以为车辆用户提供行车方面的指导和预警信息,这使得V2I技术和V2V技术相比更具有优势。
在传统边缘计算辅助的车联网系统中,一般使用路边单元作为边缘服务器。中国专利CN112835637 A提供了一种面向车辆用户移动边缘计算的任务卸载方法,考虑在拥有多个路边设备RSU的十字路口,位于RSU附近的车辆可以通过任意一个服务器进行任务卸载,通过最小化用户的能耗和时延加权和,优化任务卸载决策。中国专利CN112015545 A公开了车辆边缘计算网络中的任务卸载方法及系统,根据路边边缘服务器和车辆的效用函数,基于斯坦伯格博弈理论对优化问题进行求解,实现车辆任务的卸载。在针对无人机辅助的车联网系统,一般采用无人机作为边缘服务器。中国专利CN112367378 A公开了一种基于无人机辅助的车联网信息传输方法,将信息传输问题形式化为一个与状态转移概率和传输消耗相关的多目标优化问题,并基于Q-learning技术,对所提出的多目标优化问题进行求解。《物联网学报》第1卷第2期《基于无人机辅助的V2I无线传输系统性能优化》提出了一种将无人机作为中继的车载通信技术,在满足地面车辆通信的公平性需求的前提下对无人机路径规划问题进行求解,以达到改善通信传输速率的目的。
然而,在目前高密度的网络拓扑结构中,仅使用RSU服务器进行车联网边缘计算任务卸载,然而RSU在接收来自车辆用户的多个请求时会造成信息传输拥堵以及服务应答能力下降,且车辆用户的移动性可能会导致任务卸载过程的中断。
发明内容
发明目的:为确保车辆用户卸载任务的时效性,本发明公开了一种无人机辅助V2I网络任务卸载方法。
技术方案:一种无人机辅助V2I网络任务卸载方法,由K个车辆用户、M架无人机服务器和I个RSU组成场景系统;车辆用户集合为κ={1,…,K},对应三维坐标uk=(xk,yk,0);I个RSU等间距D部署在道路,RSU i的坐标为ri=(Di,0),起始RSU的坐标为r1=(D,0),每个RSU的发射功率相同,且覆盖半径为D;M个无人机服务器分布在道路上方,表示为集合m={1,…,M},对应三维坐标为qm=(xm,ym,hm);K、M、I取值都为任意正整数;
包括以下步骤:
步骤1:每一个车辆用户选择距离最近的无人机或在通信范围内的RSU进行卸载,并计算得到最佳卸载比例,形成初始的卸载策略集W;基于初始的卸载策略集W,计算得到全局时延;初始化卸载策略更新集初始化全局计算时间更新集/>
步骤2:基于当前的卸载策略集W,对于车辆用户k,通过切换卸载服务器来寻找能使全局时延减小的卸载决策,此过程中,其他车辆用户的卸载决策不发生变化;若存在,则将该卸载决策更新到卸载策略更新集D,将基于此策略计算的全局时延更新到全局计算时间更新集T;若不存在,则车辆用户k+1通过切换卸载服务器来寻找能使全局时延减小的卸载决策;依次类推,迭代完所有车辆用户;
步骤3:对于卸载策略更新集D中的车辆用户,基于全局计算时间更新集T,得到有且仅有一个最大程度减小全局时延的车辆用户,该车辆用户能赢得更新卸载策略的机会,若该车辆用户更新卸载策略,则采用该卸载策略更新当前的卸载策略集W,执行步骤2;若该车辆用户不更新卸载策略,则输出当前的卸载策略集W和相应的全局时延;
步骤4:车辆用户按照步骤3得到的卸载策略集W进行任务卸载;
所述的卸载服务器为无人机服务器或RSU;
所述的卸载策略包括选择的卸载服务器和最佳卸载比例;
所述的全局时延表示为:
其中:
式中,为选择无人机服务器进行任务卸载执行时车辆用户k本地执行的计算时延,/>为车辆用户k卸载到无人机服务器m过程中的传输时延,/>为无人机服务器m的计算时延;/>为选择RSU进行任务卸载执行时车辆用户k本地执行的计算时延,/>为车辆用户k卸载到RSU i过程中的传输时延,/>为RSU i的计算时延,a为回传时延。
进一步的,所述的选择无人机服务器进行任务卸载执行时车辆用户k本地执行的计算时延表示为:
式中,fk为车辆用户k的计算频率,Ck为第k个车辆用户完成任务所需的cpu周期数,xk,m表示车辆用户k与无人机服务器m之间的卸载策略,xk,m=1表示车辆用户k将任务部分卸载给无人机服务器m,xk,m=0表示车辆用户k没有选择无人机服务器m;ρk,m∈[0,1]为车辆用户k卸载给无人机服务器m的任务比例;
车辆用户k卸载到无人机服务器m过程中的传输时延表示为:
式中,Ik为车辆用户k的任务输入数据大小,Rk,m为车辆用户k向无人机服务器m的传输速率;
无人机服务器m的计算时延表示为:
式中,fm为无人机服务器m的计算频率。
进一步的,选择RSU进行任务卸载执行时车辆用户k本地执行的计算时延表示为:
式中,wk,i为车辆用户k与RSU i之间的卸载策略,wk,i=1表示车辆用户k将任务部分卸载给RSU i,wk,i=0表示车辆用户k没有选择RSU i;μk,i∈[0,1]为车辆用户k卸载给RSUi的任务比例;
车辆用户k卸载到RSU i过程中的传输时延表示为:
式中,Rk,i为车辆用户k上传RSU i的数据传输速率;
RSU i的计算时延表示为:
式中,fi为RSU i的计算频率;
记计算完成的RSU经过多跳将计算结果传输给车辆用户运行后经过的RSU,由该RSU传回给车辆用户的回传时延为a。
进一步的,最佳卸载比例的计算包括:在车辆用户选择无人机服务器卸载的情况下,当且仅当时,可得到最优卸载比例,表示为:
式中,fk为车辆用户k的计算频率,Ck为第k个车辆用户完成任务所需的cpu周期数,Ik为车辆用户k的任务输入数据大小,Rk,m为车辆用户k向无人机服务器m的传输速率,fm为无人机服务器m的计算频率。
进一步的,最佳卸载比例的计算包括:
在车辆用户选择RSU的情况下,当且仅当时,可得到最优卸载比例,表示为:
式中,Rk,i为车辆用户k上传RSU i的数据传输速率,fi为RSU i的计算频率。
有益效果:目前面向车联网边缘计算技术中,大多仅单独利用路边单元服务器或无人机服务器为车辆用户卸载任务,未能充分考虑三者协同的优势,本发明与现有技术相比,具有以下优点:
(1)本发明将无人机边缘服务器引入到V2I网络中,作为空中边缘服务器替代部分路边单元服务器来帮助处理来自车辆用户的计算任务,无人机服务器因其灵活的机动性、较大的通信范围和较小的空地链路干扰与损耗,可以有效弥补因车辆移动性而导致的断联或多跳通信带来较大时延的问题;车辆用户将任务部分卸载给无人机服务器或路边单元服务器,充分利用无人机边缘服务器优势,缓解了网络的拥堵,提高了系统的时效性;
(2)本发明通过车辆用户、无人机、路边单元三者协同处理任务,可以有效降低系统总时延,缓解通信链路拥塞;
(3)本发明确定了车辆用户最佳的卸载比例,最小化系统的总时延以保证通信网络的时效性,并得到最佳任务卸载策略。
附图说明
图1是本发明的无人机辅助V2I网络任务卸载的系统模型图;
图2是本发明具体实施方式中无人机辅助V2I网络任务卸载的三维坐标图;
图3是本发明的无人机辅助V2I网络任务卸载的系统流程图;
图4是本发明的博弈论确定最佳用户卸载策略方法的流程图。
具体实施方式
本发明将无人机边缘服务器引入到V2I网络中,利用其灵活的机动性、较大的通信范围和较小的空地链路干扰与损耗,能有效弥补因车辆移动性而导致的断连或多跳通信带来较大时延的问题。在本发明提出的系统中,车辆用户、无人机、路边单元三者协同处理任务,可以有效降低系统总时延。车辆用户将任务部分卸载给无人机服务器或路边单元服务器,充分利用无人机边缘服务器优势,缓解了网络的拥堵,提高了系统的时效性。本发明确定了车辆用户最佳的卸载比例,最小化系统的总时延以保证通信网络的时效性,并得到最佳任务卸载策略。
下面结合附图和实施例进一步阐述本发明。
图1为无人机辅助V2I网络任务卸载的系统模型图,图2是具体的三维坐标图,图3为系统流程图,具体实施步骤如下:
步骤1:初始化网络。建立一个多无人机辅助V2I任务卸载的场景。此系统由K个车辆用户、M架无人机和I个RSU(路边单元服务器)组成,K、M、I取值都为任意正整数。为了降低车辆用户为完成大量任务而造成的计算延时和能耗,车辆用户可选择将任务部分卸载给无人机,或者部分卸载给RSU处理。
假设车辆用户集合为κ={1,…,K},对应三维坐标uk=(xk,yk,0)。车辆用户均匀分布在长度为ds(1500-2000m),宽度为dw(10-20m)的单向车道上,并且都是在道路上做匀速直线运动,速度恒为vk,一般取40-120KM/h。假设道路一侧依次等距离部署I个RSU,坐标为ri=(Di,0),起始RSU的坐标为r1=(D,0),RSU的主要功能是负责与车辆用户之间进行通讯。RSU之间的距离为D且发射功率相同,覆盖半径为D,D的取值为100-200m。每个RSU分配一个MEC服务器,RSU接收来自车辆用户的计算任务并回传。道路上方分布着M个无人机,表示为集合m={1,…,M},对应三维坐标为qm=(xm,ym,hm),无人机作为空中服务单元为车辆用户提供卸载服务。
步骤2:建立通信。无人机和车辆用户之间可视为视距链路,则车辆用户k向无人机m的传输速率为:
其中,B表示网络带宽,B=1MHz。g0为参考距离d=1m时的信道增益,是服从瑞利分布的随机数。dk,m表示车辆用户k和无人机m的距离,hm为无人机m的飞行高度,hm取值为10-100m。γ代表路径损耗因子,一般取γ≥2。σ2表示噪声功率,是服从高斯分布的随机数。Pk表示车辆用户k的传输功率,Pk取值为0.1-0.2w。
车辆用户上传链路一般视为非视距链路,车辆用户k上传RSU i的数据传输速率,可以表示为:
其中,表示车辆用户与RSU之间的距离。α0表示车辆用户到RSU的上传链路信道衰落因子,一般取值为4。
步骤3:计算任务卸载过程中的时延。将每个车辆用户的任务表示为二元组(Ik,Ck),分别代表了任务输入数据大小以及完成任务所需cpu周期数。Ik取值为20-200KB,Ck取值为1000-5000Mcycles。
定义xk,m表示车辆用户k与无人机m之间的卸载策略,xk,m=1表示车辆用户k将任务部分卸载给无人机m,相反xk,m=0表示车辆用户k没有选择无人机m。每个无人机可以服务多个车辆用户,每个车辆用户最多被一个无人机服务。定义ρk,m∈[0,1]为车辆用户k卸载给无人机m的任务比例。
定义wk,i表示车辆用户k与RSU i之间的卸载策略,在车辆用户选择RSU卸载任务时,wk,i=1表示车辆k将任务部分卸载给RSU i,wk,i=0表示完全本地计算。每个RSU可以服务多个车辆用户,每个车辆用户最多被一个RSU服务。定义μk,i∈[0,1]为车辆用户k卸载给RSU的比例。
在系统中,车辆用户可选择将任务部分卸载给无人机,或者部分卸载给RSU处理。现分别计算车辆用户向无人机服务器和路边单元服务器任务卸载过程中的时延。
其中,无人机辅助车联网通信过程时延包括:车辆用户的本地计算时延以及车辆用户卸载到无人机服务器过程中的传输时延+无人机计算时延。
在车辆用户本地计算过程,定义车辆用户k的cpu计算频率为fk,fk取值为0.1-0.2GHz,则第k个车辆用户在本地计算的时延表示为:
在车辆用户卸载到无人机服务器过程中,传输时延表示为:
在无人机计算任务过程中,与本地计算类似,定义无人机m的cpu计算频率为fm,取值为0.5-1GHz,计算时延表示为:
其中,V2I通信过程时延包括车辆用户的本地计算时延,以及车辆用户卸载到路边单元服务器过程中的传输时延+路边单元的计算时延+回传时延。
在车辆用户本地计算过程,车辆用户的计算时延表示为:
在车辆用户卸载到路边单元服务器过程中,传输时延表示为:
在路边单元计算任务过程中,定义路边单元服务器的cpu计算频率为fi,取值为0.5-1GHz,则计算时延表示为:
通常车速较快,RSU回传计算结果时,若车辆用户已经驶出当前服务器的覆盖范围,进入其他服务器的通信范围,因此还要比用无人机卸载多考虑一个多跳通信的问题,计算完成的RSU服务器需要经过多跳将结果传输给车辆运行后经过的RSU服务器,再由该服务器传回给车辆用户,因此需要考虑一个较大的回传时延,不可以忽略,为了方便计算设该时延为a,取值为10-50ms。
步骤4:计算系统总时延。设定每个车辆用户都在运行计算任务,这些任务被分为两部分执行,一部分是在车辆用户本地执行,即靠自身计算能力去计算,另一部分是选择卸载到边缘服务器执行,此处的边缘服务器包括无人机服务器和路边单元服务器。在这一过程中,总时延可表示为本地执行的时延与任务卸载执行时延二者中的最大值,因为两者是同时发生的。
总时延最小问题可表示为:
步骤5:以总时延最小为目的,求解最优的车辆用户卸载策略。
具体实施方法如下:
Step1:初始化:系统各参数;用户的初始卸载策略集(ak,a-k),其中,ak为车辆用户k的初始卸载策略,a-k为其他车辆用户的初始卸载策略;给定的初始卸载策略为每一个车辆用户选择距离最近的无人机或在通信范围内的RSU进行任务卸载,在确定了卸载到哪个服务器(无人机服务器或RSU)后,就可以计算最佳卸载比例了,即得到了初始的卸载策略集W;基于初始的卸载策略集W进行全局时延计算,记为T(ak,a-k);初始化卸载策略更新集初始化全局计算时间更新集/>
Step2:在当前卸载策略集W中,每一个车辆用户通过选择服务器来寻找能使全局时延减小的卸载决策,此过程中,其他车辆用户的卸载决策不发生变化;若存在,则将该卸载决策更新到卸载策略更新集D,将基于此策略计算的全局时延更新到全局计算时间更新集T;
Step3:对于卸载策略更新集D中的车辆用户,基于全局计算时间更新集,得到有且仅有一个最大程度减小全局时延的车辆用户,该车辆用户能赢得更新卸载策略的机会,其他车辆用户在此迭代中选择决策保持不变;若该车辆用户更新卸载策略,则采用该卸载策略更新当前的卸载策略集W,执行Step2;
Step4:重复Step2和Step3,直至当前的卸载策略不发生改变。
Step5:输出此时的卸载策略,用户按照此策略进行任务卸载。
当确定好卸载的服务器后,即可确定最佳卸载比例,其主要步骤为:
在用户选择无人机卸载的情况下,最优卸载比例ρk,m将由车辆用户k与所选无人机服务器m之间的距离dk,m、车辆用户的计算频率fk以及无人机的计算频率fm决定。当车辆用户选择好无人机之后,卸载任务的比例ρk,m直接影响系统总时延。
当且仅当此时任务的最优计算时间值/>存在,并且有最小值,此时的最优卸载比例为:
同理,在车辆选择路边单元卸载的情况下,当且仅当此时任务的最优计算时间值/>存在,并且有最小值,此时的最优卸载比例为:
Claims (5)
1.一种无人机辅助V2I网络任务卸载方法,其特征在于:
由K个车辆用户、M架无人机服务器和I个RSU组成场景系统;车辆用户集合为κ={1,…,K},对应三维坐标uk=(xk,yk,0);I个RSU等间距D部署在道路,RSUi的坐标为ri=(Di,0),起始RSU的坐标为r1=(D,0),每个RSU的发射功率相同,且覆盖半径为D;M个无人机服务器分布在道路上方,表示为集合m={1,…,M},对应三维坐标为qm=(xm,ym,hm);K、M、I取值都为任意正整数;
包括以下步骤:
步骤1:每一个车辆用户选择距离最近的无人机或在通信范围内的RSU进行卸载,并计算得到最佳卸载比例,形成初始的卸载策略集W;基于初始的卸载策略集W,计算得到全局时延;初始化卸载策略更新集初始化全局计算时间更新集/>
步骤2:基于当前的卸载策略集W,对于车辆用户k,通过切换卸载服务器来寻找能使全局时延减小的卸载决策,此过程中,其他车辆用户的卸载决策不发生变化;若存在,则将该卸载决策更新到卸载策略更新集D,将基于此策略计算的全局时延更新到全局计算时间更新集T;若不存在,则车辆用户k+1通过切换卸载服务器来寻找能使全局时延减小的卸载决策;依次类推,迭代完所有车辆用户;
步骤3:对于卸载策略更新集D中的车辆用户,基于全局计算时间更新集T,得到有且仅有一个最大程度减小全局时延的车辆用户,该车辆用户能赢得更新卸载策略的机会,若该车辆用户更新卸载策略,则采用该卸载策略更新当前的卸载策略集W,执行步骤2;若该车辆用户不更新卸载策略,则输出当前的卸载策略集W和相应的全局时延;
步骤4:车辆用户按照步骤3得到的卸载策略集W进行任务卸载;
所述的卸载服务器为无人机服务器或RSU;
所述的卸载策略包括选择的卸载服务器和最佳卸载比例;
所述的全局时延表示为:
其中:
式中,为选择无人机服务器进行任务卸载执行时车辆用户k本地执行的计算时延,为车辆用户k卸载到无人机服务器m过程中的传输时延,/>为无人机服务器m的计算时延;/>为选择RSU进行任务卸载执行时车辆用户k本地执行的计算时延,/>为车辆用户k卸载到RSU i过程中的传输时延,/>为RSU i的计算时延,a为回传时延。
2.根据权利要求1所述的一种无人机辅助V2I网络任务卸载方法,其特征在于:所述的选择无人机服务器进行任务卸载执行时车辆用户k本地执行的计算时延表示为:
式中,fk为车辆用户k的计算频率,Ck为第k个车辆用户完成任务所需的cpu周期数,xk,m表示车辆用户k与无人机服务器m之间的卸载策略,xk,m=1表示车辆用户k将任务部分卸载给无人机服务器m,xk,m=0表示车辆用户k没有选择无人机服务器m;ρk,m∈[0,1]为车辆用户k卸载给无人机服务器m的任务比例;
车辆用户k卸载到无人机服务器m过程中的传输时延表示为:
式中,Ik为车辆用户k的任务输入数据大小,Rk,m为车辆用户k向无人机服务器m的传输速率;
无人机服务器m的计算时延表示为:
式中,fm为无人机服务器m的计算频率。
3.根据权利要求1所述的一种无人机辅助V2I网络任务卸载方法,其特征在于:选择RSU进行任务卸载执行时车辆用户k本地执行的计算时延表示为:
式中,wk,i为车辆用户k与RSU i之间的卸载策略,wk,i=1表示车辆用户k将任务部分卸载给RSU i,wk,i=0表示车辆用户k没有选择RSU i;μk,i∈[0,1]为车辆用户k卸载给RSU i的任务比例;
车辆用户k卸载到RSU i过程中的传输时延表示为:
式中,Rk,i为车辆用户k上传RSU i的数据传输速率;
RSU i的计算时延表示为:
式中,fi为RSU i的计算频率;
记计算完成的RSU经过多跳将计算结果传输给车辆用户运行后经过的RSU,由该RSU传回给车辆用户的回传时延为a。
4.根据权利要求2所述的一种无人机辅助V2I网络任务卸载方法,其特征在于:最佳卸载比例的计算包括:在车辆用户选择无人机服务器卸载的情况下,当且仅当时,可得到最优卸载比例,表示为:
式中,fk为车辆用户k的计算频率,Ck为第k个车辆用户完成任务所需的cpu周期数,Ik为车辆用户k的任务输入数据大小,Rk,m为车辆用户k向无人机服务器m的传输速率,fm为无人机服务器m的计算频率。
5.根据权利要求3所述的一种无人机辅助V2I网络任务卸载方法,其特征在于:最佳卸载比例的计算包括:
在车辆用户选择RSU的情况下,当且仅当时,可得到最优卸载比例,表示为:
式中,Rk,i为车辆用户k上传RSU i的数据传输速率,fi为RSU i的计算频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264183.2A CN114650567B (zh) | 2022-03-17 | 2022-03-17 | 一种无人机辅助v2i网络任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264183.2A CN114650567B (zh) | 2022-03-17 | 2022-03-17 | 一种无人机辅助v2i网络任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114650567A CN114650567A (zh) | 2022-06-21 |
CN114650567B true CN114650567B (zh) | 2024-04-23 |
Family
ID=81996116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210264183.2A Active CN114650567B (zh) | 2022-03-17 | 2022-03-17 | 一种无人机辅助v2i网络任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114650567B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算系统部署优化方法 |
CN115037751B (zh) * | 2022-06-28 | 2023-05-05 | 东南大学深圳研究院 | 一种无人机辅助的异构车联网任务迁移与资源分配方法 |
CN115208894B (zh) * | 2022-07-26 | 2023-10-13 | 福州大学 | 移动边缘计算中基于Stackelberg博弈的定价与计算卸载方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
CN112367640A (zh) * | 2020-11-09 | 2021-02-12 | 中科怡海高新技术发展江苏股份公司 | 基于移动边缘计算的v2v模式多任务卸载方法及系统 |
CN113950059A (zh) * | 2021-11-25 | 2022-01-18 | 江苏科技大学 | 一种无人机中继辅助用户任务卸载的方法及系统 |
-
2022
- 2022-03-17 CN CN202210264183.2A patent/CN114650567B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
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 |
CN112367640A (zh) * | 2020-11-09 | 2021-02-12 | 中科怡海高新技术发展江苏股份公司 | 基于移动边缘计算的v2v模式多任务卸载方法及系统 |
CN113950059A (zh) * | 2021-11-25 | 2022-01-18 | 江苏科技大学 | 一种无人机中继辅助用户任务卸载的方法及系统 |
Non-Patent Citations (2)
Title |
---|
Cloudlet Computing: Recent Advances, Taxonomy, and Challenges;M. Babar等;《 IEEEAccess》;20211231;29609-29622 * |
车辆异构网中基于移动边缘计算的任务卸载与资源分配;张海波;栾秋季;朱江;李方伟;;物联网学报;20180930(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114650567A (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114650567B (zh) | 一种无人机辅助v2i网络任务卸载方法 | |
CN109068391B (zh) | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 | |
CN112367640B (zh) | 基于移动边缘计算的v2v模式多任务卸载方法及系统 | |
CN110650457B (zh) | 一种车联网中任务卸载计算成本与时延的联合优化方法 | |
CN111787509A (zh) | 边缘计算中基于强化学习的无人机任务卸载方法及系统 | |
CN111935303B (zh) | 空地一体化车联网中基于意图感知的任务卸载方法 | |
CN111768654B (zh) | 一种多无人机协同中继辅助车载自组网数据传输方法 | |
CN111757361B (zh) | 一种雾网络中基于无人机辅助的任务卸载方法 | |
CN112084025A (zh) | 一种基于改进粒子群算法的雾计算任务卸载时延优化方法 | |
CN112929849B (zh) | 一种基于强化学习的可靠车载边缘计算卸载方法 | |
CN115297171A (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
CN113727308B (zh) | 一种基于车辆位置预测的边缘计算卸载优化方法 | |
Qiu et al. | Maintaining links in the highly dynamic fanet using deep reinforcement learning | |
CN114626298A (zh) | 无人机辅助车联网中高效缓存和任务卸载的状态更新方法 | |
Dai et al. | Multi-objective intelligent handover in satellite-terrestrial integrated networks | |
CN111356199B (zh) | 一种三维场景中车载自组织网络路由选择方法 | |
CN116882270A (zh) | 一种基于深度强化学习的多无人机无线充电与边缘计算联合优化方法及系统 | |
CN112188497A (zh) | 一种空地一体化车辆网频谱资源优化方法 | |
CN116737391A (zh) | 一种联邦模式下基于混合策略的边缘计算协作方法 | |
CN113950059A (zh) | 一种无人机中继辅助用户任务卸载的方法及系统 | |
CN115134370A (zh) | 一种多无人机辅助的移动边缘计算卸载方法 | |
CN114201292A (zh) | 一种道路网络临近检测方法及装置 | |
CN116546559B (zh) | 分布式多目标空地联合轨迹规划和卸载调度方法及系统 | |
Zhang et al. | An Intelligent Resource Allocation Strategy for 5G Vehicular Networks | |
Du et al. | A Joint Trajectory and Computation Offloading Scheme for UAV-MEC Networks via Multi-Agent Deep Reinforcement Learning |
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 |