CN114827946A - 一种车联网场景下基于任务相似度的边缘计算方法及系统 - Google Patents

一种车联网场景下基于任务相似度的边缘计算方法及系统 Download PDF

Info

Publication number
CN114827946A
CN114827946A CN202210201597.0A CN202210201597A CN114827946A CN 114827946 A CN114827946 A CN 114827946A CN 202210201597 A CN202210201597 A CN 202210201597A CN 114827946 A CN114827946 A CN 114827946A
Authority
CN
China
Prior art keywords
vehicle
node
mec server
similarity
core
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
CN202210201597.0A
Other languages
English (en)
Other versions
CN114827946B (zh
Inventor
杨世春
李世林
陈昱伊
王志腾
卢家怿
南照博
曹耀光
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202210201597.0A priority Critical patent/CN114827946B/zh
Publication of CN114827946A publication Critical patent/CN114827946A/zh
Application granted granted Critical
Publication of CN114827946B publication Critical patent/CN114827946B/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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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
    • H04L41/12—Discovery or management of network topologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种车联网场景下基于任务相似度的边缘计算方法及系统，基于车辆自动驾驶的任务具有空间相关性，提出对交通流中的车辆进行车流聚类分组，并在分组的基础上，通过低延时竞选方法，推举出核心节点，使得同流车组内的从属节点通过与核心节点进行通信获取驾驶任务所需的请求数据，以减少MEC服务器端实际需服务的对象数量，使得车辆终端有限的计算通信资源用于维持分组的拓扑结构，并保证MEC服务器对于车流拓扑结构的实时感知，确保自动驾驶任务的实时有效性，对提高MEC任务吞吐量、简化路由选择、节省信道资源和缩短通信时延等显著效果。

Description

一种车联网场景下基于任务相似度的边缘计算方法及系统
技术领域
本发明涉及车联网技术领域，特别是一种车联网场景下基于任务相似度的边缘计算方法及系统。
背景技术
新兴的车联网智能应用(如自动导航、人脸识别、无人驾驶等)领域的应用程序，必须具备执行计算密集型和延迟敏感的能力，然而，大多数车载移动设备的计算能力较低，且电池容量有限，这给车载移动设备带来巨大的挑战。虽然云计算能够解决车辆计算资源不足的问题，但是其远距离部署对于自动驾驶这样时效性很高的任务将会导致不可预测的后果，同时增加了由带宽带来的额外费用。移动边缘计算技术(Mobile Edge Computing,MEC)通过将云计算和存储能力下沉到网络边缘，使得应用、服务和内容可以本地化、近距离、分布式部署，从而能够缓解云计算所带来的时延等问题。通过将移动边缘计算和车联网技术结合，使得计算平台有能力应对复杂、异构、动态的车载环境，为用户提供低时延、高带宽、高可靠性的服务，最大程度保障不同用户多样化的服务质量。
Zarandi S等在其论文《Delay minimization in sliced multi-cell mobileedge computing(mec)systems》(IEEE Communications Letters,2021,25(6):1964-1968)中，针对有限的MEC通信及计算资源，提出针对多切片网络的时延最小化系统。Malik S U R等在其论文《A User-Centric QoS-Aware Multi-Path Service Provisioning in MobileEdge Computing》(IEEE Access,2021,9:56020-56030)中，针对多种QoS(Quality ofService)数据帧，提出采用强化学习策略的优化方法。Ren Y等在其论文《DynamicResource Allocation Scheme and Deep Deterministic Policy Gradient-BasedMobile Edge Computing Slices System》(IEEE Access,2021,9:86062-86073中)针对MEC计算资源的优化，通过信道建模结合深度强化学习的理论进行求解。目前针对MEC的相关研究主要关注基于每个独立终端节点的资源分配优化。这是因为传统的MEC网络主要应用于手机等的移动网络，用户需求不具有空间上的相关性，需要为不同用户单独开辟通信的子信道以及分配计算资源。
在车联网的场景下，由于车辆自身速度快及对于通信可靠性的要求，使得MEC在车流场景下与普通移动场景有很大不同。特别是自动驾驶业务，其对通信时延和计算时延极端敏感，因此传统的基于单个节点进行计算卸载和通信路由的方式，在高密度的车流下将不可避免地导致致命的延时，严重影响车辆行驶的安全可靠性。而且以单车为视角，进行过于细粒度的资源分配，会造成MEC服务器信道资源的负载过大，然而MEC服务器信道资源也是有限的，当交通流密度过大时，难以MEC网络服务到每一辆车，从而对交通造成不利的影响。
发明内容
本发明提供一种车联网场景下基于任务相似度的边缘计算方法及系统，采用车流聚类分组方法和低延时竞选方法，将同一分组内的从属节点通过与核心节点进行通信获取所需信息，以减少MEC服务器端实际需服务的对象数量。整个系统的主要计算任务被卸载到路侧MEC服务器上，车辆终端通信资源用于维持分组拓扑结构，以及保证MEC对于车流拓扑结构的实时感知。
本发明技术方案如下：
一种车联网场景下基于任务相似度的边缘计算方法，包括如下步骤：
S1，车辆空间位置编码；交通流中的每一联网车辆的当前状态向量进行表征后发送到MEC服务器；所述MEC服务器根据每一联网车辆的当前状态向量组建车辆网络终端节点拓扑地图；
S2，车流聚类分组；根据表征的所述当前状态向量，MEC服务器将交通流中驾驶任务相似度高的车辆划分为一个同流车组；其中，所述驾驶任务相似度高的车辆是指交通流中驾驶任务所需的请求数据具有高相似性；
S3，低延时竞选；在同流车组内，根据车辆与MEC服务器的通信延时竞选出核心节点；其中，与MEC服务器的通信延时最小的车辆作为核心节点，其余车辆作为从属节点；
S4，以核心节点为中心组建局域网；所述MEC服务器向核心节点和从属节点下发核心节点的任命消息；所述从属节点接收到任命消息后向核心节点反馈确认消息；利用车载网络，所述核心节点与反馈确认消息的从属节点建立车载局域网并向MEC服务器汇报建网成功的消息；
S5，消息共享；建网成功后，所述MEC服务器将驾驶任务所需的请求数据仅仅发送给所述核心节点，所述核心节点通过车载局域网向所述从属节点共享该请求数据和核心节点坐标；所述核心节点坐标为所述核心节点在车辆网络终端节点拓扑地图上的坐标；所述从属节点根据所述核心节点坐标和其自身的当前状态向量解算所述请求数据，得到该从属节点对应的车辆的驾驶任务所需的请求数据；
S6，每经过一定的时钟周期，便重复一次S1-S5。
作为优选，所述S6中，每次重复过程中，所述MEC服务器只进行增量式的车辆网络终端节点拓扑地图的更新，且只更新分组实际变化的车辆。
作为优选，所述当前状态向量为车辆目前与驾驶行为相关的状态向量，包括车辆的位置横坐标x、位置纵坐标y、海拔高度z、车辆横向速度vx、车辆纵向速度vy、车辆垂向速度vz、车辆横向加速度ax、车辆纵向加速度ay和车辆垂向加速度az。
作为优选，所述S2中，在计算所述驾驶任务相似度时，采用余弦相似度函数来衡量每两辆车辆的当前状态向量的相似度；
作为优选，所述S2中，在计算所述驾驶任务相似度时，采用一跳通信界的原则定义某一随机车辆的近邻车辆，并通过余弦相似度函数来衡量每一近邻车辆与该随机车辆的当前状态向量的相似度；其中，该随机车辆必须是未分组的车辆。
作为优选，每一车辆的当前状态向量均采用KD树结构存储。
作为优选，所述S4中，若存在未反馈确认消息的从属节点，则所述核心节点向所述MEC服务器发送建网失败的消息，所述MEC服务器向核心节点和从属节点再次下发核心节点的任命消息；若组网失败超过3次，所述MEC服务器将该未反馈确认消息的从属节点设为失联节点，并直接与该失联节点建立通信信道，同时，利用车载网络，所述核心节点与反馈确认消息的从属节点建立车载局域网，并向MEC服务器汇报建网成功的消息。
一种车联网场景下基于任务相似度的边缘计算系统，包括通信模块、聚类分组模块、低延时竞选模块、局域网建立模块、消息共享模块和MEC服务器；
所述通信模块用于接收和传递车辆与MEC服务器之间的消息队列；
所述聚类分组模块根据所述通信模块接收的车辆的当前状态向量，将交通流中驾驶任务相似度高的车辆划分为一个同流车组；
所述低延时竞选模块将同流车组内，与MEC服务器的通信延时最小的车辆设为核心节点，其余车辆设为从属节点；
所述局域网建立模块通过所述通信模块接收所述MEC服务器向核心节点和从属节点下发的核心节点的任命消息，将向核心节点反馈确认消息的从属节点以所述核心节点为中心，利用车载网络，建立车载局域网，并通过核心节点向MEC服务器汇报建网成功的消息；
所述消息共享模块将所述MEC服务器发送给所述核心节点的驾驶任务所需的请求数据和核心节点在车辆网络终端节点拓扑地图上的坐标共享给从属节点，并针对每一个从属节点结算请求数据为该从属节点对应的车辆的驾驶任务所需的请求数据。
作为优选，所述聚类分组模块和/或所述低延时竞选模块设于所述MEC服务器。
作为优选，所述MEC服务器通过基站接收路侧传感器的感知融合数据、云端高精地图以及车载终端传来的车辆自身数据，并将建网结果在不同区域的MEC服务器之间共享。
本发明相对于现有技术优势在于：基于车辆自动驾驶的任务具有空间相关性，本发明所述车联网场景下基于任务相似度的边缘计算方法及系统，提出对交通流中的车辆进行车流聚类分组，并在分组的基础上，通过低延时竞选方法，推举出核心节点，使得同一分组(同流车组)内的从属节点通过与核心节点进行通信获取驾驶任务所需的请求数据，以减少MEC服务器端实际需服务的对象数量，使得车辆终端有限的计算通信资源用于维持分组的拓扑结构，并保证MEC服务器对于车流拓扑结构的实时感知，确保自动驾驶任务的实时有效性，对提高MEC任务吞吐量、简化路由选择、节省信道资源和缩短通信时延等显著效果。
附图说明
图1是本发明所述车联网场景下基于任务相似度的边缘计算方法的工作流程示意图；
图2是本发明所述车联网场景下基于任务相似度的边缘计算系统的工作流程图；
图3是本发明所述车联网场景下基于任务相似度的边缘计算系统的部署图。
具体实施方式
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。
一种车联网场景下基于任务相似度的边缘计算方法，其流程图如如1所示，当MEC服务器收到某一时刻的车辆终端拓扑信息(每一联网车辆的当前状态向量进行表征)组建好车辆网络终端节点拓扑地图后，首先执行聚类分组算法得到分组结果，之后采用问答消息进行试探各个终端节点的通信时延。车辆终端在收到MEC服务器的问询消息后，回复自身ID到MEC服务器，MEC服务器在接收到某个分组的第一个回复的终端ID后，会给其分组的所有终端节点下发任命消息，获得消息后从属节点会向核心节点发送确认帧，建立局域网。信道的时延随着时间变化，最优信道状态探测策略相应的选择不同的核心节点。
具体地，车联网场景下基于任务相似度的边缘计算方法，包括如下步骤：
S1，车辆空间位置编码；将交通流中的每一联网车辆的当前状态向量进行表征后发送到MEC服务器；所述MEC服务器根据每一联网车辆的当前状态向量组建车辆网络终端节点拓扑地图；
从自动驾驶任务的角度出发，所述当前状态向量为车辆目前与驾驶行为相关的状态向量，包括车辆的位置横坐标x、位置纵坐标y、海拔高度z、车辆横向速度vx、车辆纵向速度vy、车辆垂向速度vz、车辆横向加速度ax、车辆纵向加速度ay和车辆垂向加速度az。空间物理层面上，距离相近的车辆应当能够共享信息，同时车辆若具有相近的速度，那么便可以较为稳定地维持相对位置关系。加速度则可以一定程度上表征驾驶加、减速意图。车辆速度可以理解为对于车辆未来位置的一阶微分预测，车辆的加速度可以理解为对于车辆位置的二阶微分预测。采用上述的当前状态向量表征，可以区分三维空间上车辆当前及未来位置的差异，这是进行相似度衡量的前提。
通过带有预测性质的车辆位置编码，车辆的自动驾驶任务可归结为其位置编码的函数，采用相似度计算方法作为度量标准对驾驶任务进行分组。因为驾驶过程驾驶行为与局部空间中的交通要素强相关，对于同一分组内的车辆，在其状态描述中加入预测信息，感知信息只需要由MEC端传输到某一分组的核心节点，那么核心节点邻域内具有相似驾驶意图的车辆便可共享感知信息。
S2，车流聚类分组；根据表征的所述当前状态向量，MEC服务器将交通流中驾驶任务相似度高的车辆划分为一个同流车组；其中，所述驾驶任务相似度高的车辆是指交通流中驾驶任务所需的请求数据具有高相似性；
优选地，在计算所述驾驶任务相似度时，可直接采用余弦相似度函数来衡量每两辆车辆的当前状态向量的相似度。或者作为更优选方案，在计算所述驾驶任务相似度时，采用一跳通信界的原则定义某一随机车辆的近邻车辆，并通过余弦相似度函数来衡量每一近邻车辆与该随机车辆的当前状态向量的相似度；其中，该随机车辆必须是未分组的车辆。
也即为，车流聚类分组使用的是聚类算法，聚类算法本身属于无监督学习，通过事务表征的内在联系进行划分。所谓“相似”的概念具有很大的主观性，因此我们需要选择一种衡量相似度的方法。目前主要有两种方式来衡量相似度：其一是通过广义的距离概念，即不同维度的范数来度量，距离大则相似性高，反之则相似性低；其二采用非距离的度量方式，构造针对于不同对象的评估函数，用有意义的函数值来量地表示相似性。本发明采用余弦相似度(Cosine Similarity)函数来对交通流中的车辆进行驾驶任务相似度计算。
车流聚类分组，通过将交通流中具有相似任务的车辆划分为一个逻辑上的车队，也即为同流车组，使得同一个车队内的车辆任务请求具有高相似性，而不同车队之间的车辆则被认为具有低相似性，即“高类间距，低类内距”。为了保证从属节点自动驾驶任务的有效解决，在进行分组时采用一跳通信界的原则来定义近邻节点，以确保通信的时延得到很好的降低，同时保证任务的实时性。所述一跳通信界的原则是指数据路由直接连接，无需经过其它节点转发。
余弦相似度用向量空间中的两个向量夹角的余弦值来衡量两个个体之间的差异，具体地定义为：
Figure BDA0003527633710000051
其中，α、β分别表示两辆车辆的某一当前状态向量，即车辆位置、速度、加速度组成的编码。
余弦相似度是一种角度距离，对于向量的大小不敏感。其物理意义是衡量各个特征方向上的相对差异，因此更多关注的是从不同维度定义的对象的整体状态。相比于基于距离的相似度衡量标准，余弦相似度更关注与某一特征是否出现过。如在高架上行驶的车辆，即使和高架下位于其正下方的车辆具有相同的水平速度，以及加速度，由于其z轴方向具有数值，反应到余弦相似度上，依然可以区分出这两辆车属于不同的分组。
通过显式定义相似度，若采用暴力求解的方法将会导致较高的时间复杂度。为此，本发明对聚类算法进行了一系列改进。同时，为了提高近邻节点的搜索效率，每一车辆的当前状态向量均采用采用KD树结构存储数据节点。本发明所述车流聚类分组在实现时，其伪代码如下所示：
(1)设定相似度阈值V；疑似节点队列Q；
(2)(初始化)在未分组的点集D中，首先随机撒点确定一个核心点C，以领域半径e(通信一跳距离)，与核心点C计算相似度；
(3)while(D不为空)：
if(所有节点相对于核心节点C相似度<V；||邻域内没有节点相对于核心节点C相似度<V):
得到一个分组；
从未分组的点集D中删除已经分组的点；
执行(2)；
else:
将相对于核心节点C相似度<V的节点划分成一个分组；
从未分组的点集D中删除已经分组的点；
领域内未分组的节点进队列Q；
选择队列Q的首部节点作为C；
(4)得到分组结果。
所述相似度阈值V优选为0.3～0.5,根据实际应用场景调整，余弦相似度小于阈值的两辆车属于同一分组。
S3，低延时竞选；在同流车组内，根据车辆与MEC服务器的通信延时竞选出核心节点；其中，与MEC服务器的通信延时最小的车辆作为核心节点，其余车辆作为从属节点。
实际交通场景车流速度较快，为了确保驾驶行为的安全性，车辆所获得的信息应当具有很高的实时性。为此，一个同流车组中合理地选择核心节点来与MEC服务器通信并转发消息成为重要的任务。本发明选择一个核心节点为最终竞选目标，同时为了确保数据的冗余，同个分组内可竞选多个核心节点作为补充。
S4，以核心节点为中心组建局域网；所述MEC服务器向核心节点和从属节点下发核心节点的任命消息；所述从属节点接收到任命消息后向核心节点反馈确认消息；利用车载网络，所述核心节点与反馈确认消息的从属节点建立车载局域网并向MEC服务器汇报建网成功的消息；
S5，消息共享；建网成功后，所述MEC服务器将驾驶任务所需的请求数据仅仅发送给所述核心节点，所述核心节点通过车载局域网向所述从属节点共享该请求数据和核心节点坐标；所述核心节点坐标为所述核心节点在车辆网络终端节点拓扑地图上的坐标；所述从属节点根据所述核心节点坐标和其自身的当前状态向量解算所述请求数据，得到该从属节点对应的车辆的驾驶任务所需的请求数据；
在完成聚类分组以及核心节点竞选后，从属节点与核心节点间通过车载网络，建立局部的网络(也即为所述车载局域网)进行消息的共享。从属节点所获得的消息是相对于核心节点的感知消息，与此同时，核心节点通过车载局域网会向从属节点发送简单的数据帧，包括核心节点自身位置相对全局坐标系的坐标，从属节点在接收到数据帧后，利用自身位置的坐标解算出两者之间的变换矩阵R。
在获得变换矩阵R后，自动驾驶所关注的某些事件的位置信息，比如拥塞发生位置、事故发生位置，通过变换可以得到事件相对于从属节点自车的位置坐标，以及驾驶任务相关目标行驶速度相对于自车坐标系的的解算，均可用矩阵的运算表达。需要指出的是，只有在本发明所述车辆之间的自动驾驶任务与车辆自身空间属性高度相关时，该解算才有意义，核心节点车辆与从属节点车辆消息的共享才有效。
S6，每经过0.5s，车载终端会通过简短的数据帧向MEC服务器上传自身的位置帧，MEC服务器每隔一定的时钟周期，进行增量式的车辆网络终端节点拓扑地图的更新，且只更新分组实际变化的车辆。MEC服务器进行车流聚类分组后，进行网络信道通信延时的探测，通过向某个同流车组中的所有节点发送问询帧，接收到问询帧的节点会返回自身的ID，MEC服务器将最先接收到的ID确定为核心节点的ID，向该分组内的所有节点下发任命帧，在接收到任命帧后，组内跟随节点利用车载网络与核心节点建立局域网络，核心节点向MEC服务器汇报组网结果，如果出现未组网节点，再次发送任命帧给到组内所有节点。在多次组网失败后，服务器应当直接与失联节点建立通信信道以确保自动驾驶任务的安全性，当直接建立连接的操作失败后，服务器会报警，提示出现失联的节点。
MEC服务器仅需维持与所有车辆节点的简单数据帧通信，即可对交通流拓扑结构进行实时感知。进而实现对车载终端自身算力、车辆间信道的资源和车载传感器自主感知能力的充分利用。
一种车联网场景下基于任务相似度的边缘计算系统，包括通信模块、聚类分组模块、低延时竞选模块、局域网建立模块、消息共享模块和MEC服务器。具体如图2所示，其中，车辆上下文即车辆位置、速度、方向等信息；①、②代表延时探测消息；③代表推举成功消息，④代表收到应答消息；⑤代表服务消息。
所述通信模块用于接收和传递车辆与MEC服务器之间的消息队列；所述聚类分组模块根据所述通信模块接收的车辆的当前状态向量，将交通流中驾驶任务相似度高的车辆划分为一个同流车组；所述低延时竞选模块将同流车组内，与MEC服务器的通信延时最小的车辆设为核心节点，其余车辆设为从属节点；所述局域网建立模块通过所述通信模块接收所述MEC服务器向核心节点和从属节点下发的核心节点的任命消息，将向核心节点反馈确认消息的从属节点以所述核心节点为中心，利用车载网络，建立车载局域网，并通过核心节点向MEC服务器汇报建网成功的消息；所述消息共享模块将所述MEC服务器发送给所述核心节点的驾驶任务所需的请求数据和核心节点在车辆网络终端节点拓扑地图上的坐标共享给从属节点，并针对每一个从属节点结算请求数据为该从属节点对应的车辆的驾驶任务所需的请求数据。
作为优选，所述聚类分组模块和/或所述低延时竞选模块设于所述MEC服务器。
作为优选，如图3所示，所述MEC服务器通过基站接收路侧传感器的感知融合数据、云端高精地图以及车载终端传来的车辆自身数据，并将建网结果在不同区域的MEC服务器之间共享。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明，但不以任何方式限制本发明。因此，尽管本说明书参照附图和实施例对本发明已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明进行修改或者等同替换，总之，一切不脱离本发明的精神和范围的技术方案及其改变，其均应涵盖在本发明专利的保护范围当中。

Claims (10)

1.一种车联网场景下基于任务相似度的边缘计算方法，其特征在于，包括如下步骤：
S1，车辆空间位置编码；交通流中的每一联网车辆的当前状态向量进行表征后发送到MEC服务器；所述MEC服务器根据每一联网车辆的当前状态向量组建车辆网络终端节点拓扑地图；
S2，车流聚类分组；根据表征的所述当前状态向量，MEC服务器将交通流中驾驶任务相似度高的车辆划分为一个同流车组；其中，所述驾驶任务相似度高的车辆是指交通流中驾驶任务所需的请求数据具有高相似性；
S3，低延时竞选；在同流车组内，根据车辆与MEC服务器的通信延时竞选出核心节点；其中，与MEC服务器的通信延时最小的车辆作为核心节点，其余车辆作为从属节点；
S4，以核心节点为中心组建局域网；所述MEC服务器向核心节点和从属节点下发核心节点的任命消息；所述从属节点接收到任命消息后向核心节点反馈确认消息；利用车载网络，所述核心节点与反馈确认消息的从属节点建立车载局域网并向MEC服务器汇报建网成功的消息；
S5，消息共享；建网成功后，所述MEC服务器将驾驶任务所需的请求数据仅仅发送给所述核心节点，所述核心节点通过车载局域网向所述从属节点共享该请求数据和核心节点坐标；所述核心节点坐标为所述核心节点在车辆网络终端节点拓扑地图上的坐标；所述从属节点根据所述核心节点坐标和其自身的当前状态向量解算所述请求数据，得到该从属节点对应的车辆的驾驶任务所需的请求数据；
S6，每经过一定的时钟周期，便重复一次S1-S5。
2.根据权利要求1所述车联网场景下基于任务相似度的边缘计算方法，其特征在于，所述S6中，每次重复过程中，所述MEC服务器只进行增量式的车辆网络终端节点拓扑地图的更新，且只更新分组实际变化的车辆。
3.根据权利要求1所述车联网场景下基于任务相似度的边缘计算方法，其特征在于，所述当前状态向量为车辆目前与驾驶行为相关的状态向量，包括车辆的位置横坐标x、位置纵坐标y、海拔高度z、车辆横向速度vx、车辆纵向速度vy、车辆垂向速度vz、车辆横向加速度ax、车辆纵向加速度ay和车辆垂向加速度az。
4.根据权利要求1所述车联网场景下基于任务相似度的边缘计算方法，其特征在于，所述S2中，在计算所述驾驶任务相似度时，采用余弦相似度函数来衡量每两辆车辆的当前状态向量的相似度。
5.根据权利要求1所述车联网场景下基于任务相似度的边缘计算方法，其特征在于，所述S2中，在计算所述驾驶任务相似度时，采用一跳通信界的原则定义某一随机车辆的近邻车辆，并通过余弦相似度函数来衡量每一近邻车辆与该随机车辆的当前状态向量的相似度；其中，该随机车辆必须是未分组的车辆。
6.根据权利要求5所述车联网场景下基于任务相似度的边缘计算方法，其特征在于，每一车辆的当前状态向量均采用KD树结构存储。
7.根据权利要求1所述车联网场景下基于任务相似度的边缘计算方法，其特征在于，所述S4中，若存在未反馈确认消息的从属节点，则所述核心节点向所述MEC服务器发送建网失败的消息，所述MEC服务器向核心节点和从属节点再次下发核心节点的任命消息；若组网失败超过3次，所述MEC服务器将该未反馈确认消息的从属节点设为失联节点，并直接与该失联节点建立通信信道，同时，利用车载网络，所述核心节点与反馈确认消息的从属节点建立车载局域网，并向MEC服务器汇报建网成功的消息。
8.一种车联网场景下基于任务相似度的边缘计算系统，其特征在于，包括通信模块、聚类分组模块、低延时竞选模块、局域网建立模块、消息共享模块和MEC服务器；
所述通信模块用于接收和传递车辆与MEC服务器之间的消息队列；
所述聚类分组模块根据所述通信模块接收的车辆的当前状态向量，将交通流中驾驶任务相似度高的车辆划分为一个同流车组；
所述低延时竞选模块将同流车组内，与MEC服务器的通信延时最小的车辆设为核心节点，其余车辆设为从属节点；
所述局域网建立模块通过所述通信模块接收所述MEC服务器向核心节点和从属节点下发的核心节点的任命消息，将向核心节点反馈确认消息的从属节点以所述核心节点为中心，利用车载网络，建立车载局域网，并通过核心节点向MEC服务器汇报建网成功的消息；
所述消息共享模块将所述MEC服务器发送给所述核心节点的驾驶任务所需的请求数据和核心节点在车辆网络终端节点拓扑地图上的坐标共享给从属节点，并针对每一个从属节点结算请求数据为该从属节点对应的车辆的驾驶任务所需的请求数据。
9.根据权利要求8所述车联网场景下基于任务相似度的边缘计算系统，其特征在于，所述聚类分组模块和/或所述低延时竞选模块设于所述MEC服务器。
10.根据权利要求8所述车联网场景下基于任务相似度的边缘计算系统，其特征在于，所述MEC服务器通过基站接收路侧传感器的感知融合数据、云端高精地图以及车载终端传来的车辆自身数据，并将建网结果在不同区域的MEC服务器之间共享。
CN202210201597.0A 2022-03-02 2022-03-02 一种车联网场景下基于任务相似度的边缘计算方法及系统 Active CN114827946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210201597.0A CN114827946B (zh) 2022-03-02 2022-03-02 一种车联网场景下基于任务相似度的边缘计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210201597.0A CN114827946B (zh) 2022-03-02 2022-03-02 一种车联网场景下基于任务相似度的边缘计算方法及系统

Publications (2)

Publication Number Publication Date
CN114827946A true CN114827946A (zh) 2022-07-29
CN114827946B CN114827946B (zh) 2024-07-12

Family

ID=82529549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210201597.0A Active CN114827946B (zh) 2022-03-02 2022-03-02 一种车联网场景下基于任务相似度的边缘计算方法及系统

Country Status (1)

Country Link
CN (1) CN114827946B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117097767A (zh) * 2023-10-18 2023-11-21 长春师范大学 一种用于汽车车联网的联合通讯方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR102052831B1 (ko) * 2018-06-29 2019-12-05 이우용 자율주행 자동차의 네트워크 제어시스템
CN111314889A (zh) * 2020-02-26 2020-06-19 华南理工大学 车联网中基于移动边缘计算的任务卸载与资源分配方法
WO2021093535A1 (zh) * 2019-11-11 2021-05-20 中国移动通信有限公司研究院 移动边缘计算应用数据迁移方法、装置及核心网节点

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102052831B1 (ko) * 2018-06-29 2019-12-05 이우용 자율주행 자동차의 네트워크 제어시스템
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
WO2021093535A1 (zh) * 2019-11-11 2021-05-20 中国移动通信有限公司研究院 移动边缘计算应用数据迁移方法、装置及核心网节点
CN111314889A (zh) * 2020-02-26 2020-06-19 华南理工大学 车联网中基于移动边缘计算的任务卸载与资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张海霞: "基于车辆行为分析的智能车联网关键技术研究", 电子与信息学报, 15 January 2020 (2020-01-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117097767A (zh) * 2023-10-18 2023-11-21 长春师范大学 一种用于汽车车联网的联合通讯方法及系统
CN117097767B (zh) * 2023-10-18 2023-12-22 长春师范大学 一种用于汽车车联网的联合通讯方法及系统

Also Published As

Publication number Publication date
CN114827946B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
Parker et al. Vehicular node localization using received-signal-strength indicator
US20100073154A1 (en) Apparatus and method for providing position information and gathering information using rfid
Prathiba et al. SDN-assisted safety message dissemination framework for vehicular critical energy infrastructure
CN106102099B (zh) 一种基于驻留时间的异构车联网切换方法
Maslekar et al. Direction based clustering algorithm for data dissemination in vehicular networks
Peixoto et al. FogJam: a fog service for detecting traffic congestion in a continuous data stream VANET
Zhu et al. FlexSensing: A QoI and latency-aware task allocation scheme for vehicle-based visual crowdsourcing via deep Q-network
Balen et al. Optimized Edge, Fog and Cloud Computing Method for Mobile Ad-hoc Networks
CN114827946A (zh) 一种车联网场景下基于任务相似度的边缘计算方法及系统
Zhang et al. Collaborative driving: Learning-aided joint topology formulation and beamforming
Akhtar et al. Analysis of distributed algorithms for density estimation in vanets (poster)
Cao et al. ETCS: An efficient traffic congestion scheduling scheme combined with edge computing
CN105306157B (zh) 一种基于网络连通的车载通信建模方法
Saritha et al. Learning automata-based channel reservation scheme to enhance QoS in vehicular adhoc networks
CN108833486B (zh) 面向复杂车载雾计算系统环境的混合动态任务调度方法
WO2008054071A1 (en) Apparatus and method for providing position information and gathering information using rfid
Karthik et al. Optimized multiple existence for pedestrian evacuation using geographic map-based path discovery
Kannekanti et al. An efficient clustering scheme in vehicular ad-hoc networks
Bousbaa et al. GTSS-UC: A game theoretic approach for services' selection in UAV clouds
Merhi et al. Decentralized clustering in VANET using adaptive resonance theory
Bezziane et al. FR-VC: A novel approach to finding resources in the vehicular cloud
Lu et al. An anti-collision algorithm for self-organizing vehicular ad-hoc network using deep learning
Kamble et al. Trends and Open Research Issues in Intelligent Internet of Vehicles
Hedayati Majdabadi et al. TCaS‐VN: A novel V2V communication scheme to improve traffic control and safety in vehicular cloud networks
Quy et al. A novel multi agents-based clustering algorithm for VANETs in 5G networks

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