CN114980206A - 基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统 - Google Patents

基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统 Download PDF

Info

Publication number
CN114980206A
CN114980206A CN202210493359.1A CN202210493359A CN114980206A CN 114980206 A CN114980206 A CN 114980206A CN 202210493359 A CN202210493359 A CN 202210493359A CN 114980206 A CN114980206 A CN 114980206A
Authority
CN
China
Prior art keywords
vehicle
server
energy consumption
task
transmission
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.)
Pending
Application number
CN202210493359.1A
Other languages
English (en)
Inventor
李研强
李立娟
张岱峰
王勇
于良杰
张子辉
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.)
Institute of Automation Shandong Academy of Sciences
Original Assignee
Institute of Automation Shandong Academy of Sciences
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 Institute of Automation Shandong Academy of Sciences filed Critical Institute of Automation Shandong Academy of Sciences
Priority to CN202210493359.1A priority Critical patent/CN114980206A/zh
Publication of CN114980206A publication Critical patent/CN114980206A/zh
Pending legal-status Critical Current

Links

Images

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
    • H04W28/09—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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于智能网联边缘计算和绿色交通领域，提供了一种基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统，包括将本车产生的需要处理的任务划分成若干个互不相干的子任务块；根据车辆产生任务时的初始位置、车辆的行驶速度、车辆自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，决定每个子任务块由哪个服务器处理；本发明根据车辆行驶速度、产生需求时的位置、网络接出入时间、任务量、带宽、本车以及周围其他车辆服务器个数以及计算能力、路边单元中边缘服务器计算能力等因素，运用改进模拟退火算法得出最优卸载功率以及最优任务分配比例，从而降低本车卸载以及处理任务消耗的能耗，实现资源合理分配和能源有效节约。

Description

基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统
技术领域
本发明属于智能网联边缘计算和绿色交通技术领域，具体涉及一种基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着智能交通系统的广泛应用以及车联网技术的飞速发展，大量计算密集性任务不断涌现，比如实时监控、高清地图以及车载游戏等。然而，车辆自身计算能力有限，同时云服务器距离车辆较远，车辆在传输计算任务过程中，由于通信环境不佳，产生了时延较高、能耗开销较大等问题。因此，在车联网中引入移动边缘计算(Mobile Edge Computing,MEC)技术，将云服务器从网络核心下沉到网络边缘节点，专注解决任务卸载和处理的时效性、可靠性和成本性问题。在路边单元(Road Side Unit,RSU)附近安装MEC服务器，充分利用丰富计算资源对任务进行处理，从而减少车辆自身计算压力以及能量消耗。
近年来，节能降耗工作一直是国家各领域发展的重中之重。全球能源危机就在眼前，能耗问题面临的形势十分严峻。在车联网中能耗问题更是不容忽视。其一，在有限的能量条件下，低能耗卸载决策能够处理更多的任务量；其二，低能耗卸载决策在减少能源消耗的同时降低了能源成本；其三，在环保先行的国策意识下，节能降耗和污染减排已然是国人的共同目标。因此，本发明着重研究降低能源消耗的卸载方法。
目前的研究中，最小化成本多为时延和能耗的联合考虑，或着重研究总任务的能耗最小化，缺乏从用户角度出发，旨在实现车辆自身能耗最小化的研究。同时，目前的车联网任务卸载研究中，考虑到的计算资源分配情况多为仅卸载给行驶中的车辆或仅卸载给停在路边的车辆，缺乏一种将任务既卸载给行驶中的车辆计算又卸载给停在路边车辆计算的分配方式，因此任务卸载以及资源管理问题的解决方案仍有待改进。
发明内容
为了解决上述问题，本发明提出了一种基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统，本发明旨在降低车辆自身任务处理的能耗开销并合理分配计算资源，以达到对计算资源合理利用和卸载能耗有效降低的目的，进而实现绿色交通的目标。
根据一些实施例，本发明的第一方案提供了一种基于蜂窝车联网的边缘计算低能耗任务卸载方法，采用如下技术方案：
基于蜂窝车联网的边缘计算低能耗任务卸载方法，包括：
将本车产生的需要处理的任务划分成若干个互不相干的子任务块；
根据本车产生任务时的初始位置、本车的行驶速度、本车自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率；
根据本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输速率，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗；
根据本车自身服务器的计算能力，确定本车处理车辆子任务块的本地计算能耗；
以本地计算能耗与各服务器传输能耗之和最小为目标，构建本车总能耗确定目标函数；
对每次迭代自变量的更新增加一个随机因子得到改进模拟退火算法，利用改进模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例。
进一步地，所述确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率，包括：
根据本车产生任务时的初始位置、本车的行驶速度以及边缘服务器覆盖范围的直径，确定本车与边缘服务器的传输距离和传输速率；
根据本车产生任务时的初始位置、本车的行驶速度以及行驶车辆的行驶速度，确定本车与行驶车辆服务器的传输距离和传输速率；
根据本车产生任务时的初始位置、本车的行驶速度、停止车辆服务器覆盖范围的直径以及停止车辆的位置，确定本车与停止车辆服务器的传输距离和传输速率。
进一步地，所述确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗，包括：
根据车辆与边缘服务器之间的传输速率确定子任务卸载到边缘服务器的传输延时，进一步确定本车与边缘服务器之间的传输能耗；
根据车辆与行驶车辆服务器之间的传输速率确定子任务卸载到行驶车辆服务器的传输延时，进一步确定本车与行驶车辆服务器之间的传输能耗；
根据车辆与停止车辆服务器之间的传输速率确定子任务卸载到静止车辆服务器的传输延时，进一步确定本车与静止车辆服务器之间的传输能耗。
进一步地，所述确定本车处理车辆子任务块的本地计算能耗，具体为：
在任务处理的整个过程中，除了卸载给其他服务器，部分子任务由本车本地计算，根据本地处理任务量、本车服务器的能量系数、本车服务器的转速以及任务计算密度确定本地计算能耗。
进一步地，所述本车总能耗确定目标函数为：
minES＝EV2I+EV2V(M)+EV2V(p)+E0
其中，处理任务消耗的总能量ES，EV2I表示本车与边缘服务器之间的传输能耗，EV2V(M)表示本车与行驶车辆服务器之间的传输能耗，EV2V(p)表示本车与静止车辆服务器之间的传输能耗，E0表示本车处理车辆子任务块的本地计算能耗。
进一步地，本车总能耗确定目标函数的约束条件包括：
所有子任务的转速之和等于本车总任务的总转速；所有服务器分配的带宽之和不超过总的带宽即最大带宽；整个过程的时间为子任务卸载到边缘服务器的处理总时间、子任务卸载到行驶车辆服务器的处理总时间、子任务卸载到静止车辆服务器的处理总时间以及本地计算时间这四个时间中取一个时间最久的最大值；子任务卸载到行驶车辆服务器的处理总时间取N个行驶车辆中传输与计算时间之和最大的值；子任务卸载到边缘服务器的处理总时间为传输与计算时间之和；子任务卸载到静止车辆服务器的处理总时间取M个静止车辆中传输与计算时间之和最大的值；所有的传输功率之和不超过总的传输功率；除本车以外的其他行驶车辆服务器n一共有N辆；路边静止车辆服务器m一共有M辆。
进一步地，利用改进自变量更新模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例，包括：
步骤1：根据本车服务器的能量系数、转速以及任务计算密度设定开始退火的初始温度，也就是初始目标函数值T＝T0；
步骤2：随机生成初始解为迭代初始位置，将初始解代入本车总能耗确定目标函数，计算相应的目标函数值；
步骤3：设置循环迭代次数；
步骤4：运用改进自变量更新函数由初始解得到新解：
xj+1＝θ·xj+(1-θ)Δx(j＝1、2、...J)
其中，xj+1为第j+1次迭代时的解，θ为从0到1选取的随机因子，且
Figure BDA0003632606420000051
将第j次的解xj带入上式计算得出下一次迭代解xj+1；
步骤5：将初始解x0带入上式计算新解x1，并计算相应的目标函数值E(x1)；
步骤6：判断是否接受使目标函数值变大的自变量：
若E(x1)≤E(x0)，则将x1赋值给x0，即x0＝x1；若反之，则以
Figure BDA0003632606420000052
的概率接受新的解，由于
Figure BDA0003632606420000053
为概率，则显然小于1，k为一个正的物理常数；T为退火过程中的温度，即为目标函数值，为正数，因此ΔE为负，ΔE＝-|E(x1)-E(x0)|；
步骤7：迭代次数不断递增，每迭代一次则重复步骤4至6一次，在温度T时，判断是否满足终止条件，若满足则停止迭代；此时的x0即为全局最优解，其中，自变量x即为传输功率以及任务分配比例，因变量E(x)即为能耗。
根据一些实施例，本发明的第二方案提供了一种基于蜂窝车联网的边缘计算低能耗任务卸载系统，采用如下技术方案：
基于蜂窝车联网的边缘计算低能耗任务卸载系统，包括：
任务分块模块，被配置为将本车产生的需要处理的任务划分成若干个互不相干的子任务块；
传输距离与传输速率确定模块，被配置为根据本车产生任务时的初始位置、本车的行驶速度、本车自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率；
传输能耗确定模块，被配置为根据本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输速率，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗；
本地计算能耗确定模块，被配置为根据本车自身服务器的计算能力，确定本车处理车辆子任务块的本地计算能耗；
目标函数确定模块，被配置为以本地计算能耗与各服务器传输能耗之和最小为目标，构建本车总能耗确定目标函数；
目标函数求解模块，被配置为在传统的模拟退火算法基础上，对每次迭代自变量的更新增加一个随机因子得到改进模拟退火算法，利用改进模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例。
根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法中的步骤。
根据一些实施例，本发明的第四方案提供了一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明选用多车单小区场景的公共路段，车辆在行驶过程中产生任务卸载需求，除车辆自身计算以外，发送至周围同向行驶的车辆服务器、路边停止的车辆服务器以及路边单元的边缘服务器中进行处理。根据车辆行驶速度、产生需求时的位置、网络接出入时间、任务量、带宽、本车以及周围其他车辆服务器个数以及计算能力、路边单元中边缘服务器计算能力等因素，运用改进模拟退火算法得出最优卸载功率以及最优任务分配比例，从而降低本车卸载以及处理任务消耗的能耗，实现资源合理分配和能源有效节约。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法流程图；
图2是本发明实施例所述的蜂窝车联网的模型图；
图中：
MEC-边缘服务器；RSU-路边单元；L1-边缘服务器覆盖范围直径；L2-路边静止车辆服务器覆盖范围；D1-本车到路边单元的垂直于公路的距离；D2-本车到路边停止车辆的垂直于公路的距离；H-路边单元高度；a-本车相对于边缘服务器发出卸载请求的初始位置；b-本车相对于路边静止车辆发出卸载请求的初始位置；dV2I-本车与边缘服务器距离；dV2V(M)-本车与行驶车辆服务器距离；dV2V(p)-本车与路边静止车辆服务器距离；v-车辆行驶速度。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例提供了一种基于蜂窝车联网的边缘计算低能耗任务卸载方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
本实施例中，该方法包括以下步骤：
将本车产生的需要处理的任务划分成若干个互不相干的子任务块；
分别计算本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率；
分别计算本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗；
计算本车处理车辆子任务块的本地计算能耗；
以本地计算能耗与各服务器传输能耗之和最小为目标，构建本车总能耗确定目标函数；
在传统的模拟退火算法基础上，对每次迭代自变量的更新增加一个随机因子得到改进模拟退火算法，利用改进模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例。
将车辆i产生的需要处理的任务进行分块，总的任务量为S,将任务划分成若干个互不相干的独立小块，为子任务块。根据车辆产生任务时的初始位置、车辆的行驶速度、车辆自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，决定每个子任务块由哪个服务器处理。αn为多个子任务以Vehicle-to-Vehicle(V2V)通信方式卸载给与本车辆同向行驶的第n个车辆服务器的任务占总任务量的比例，
Figure BDA0003632606420000101
为以V2V通信方式卸载给N个同向行驶车辆的总任务量；δm为多个子任务以V2V通信方式卸载给路边停止的第m个车辆服务器的任务占总任务量的比例，
Figure BDA0003632606420000102
为以V2V通信方式卸载给M个路边停止车辆的总任务量；β为部分子任务以Vehicle-To-Infrastructure(V2I)通信方式卸载给边缘服务器的任务占总任务量的比例，βS为部分子任务通过V2I通信方式卸载的总任务量，故而
Figure BDA0003632606420000103
为本地处理任务量。
车辆i将任务卸载给边缘服务器和同向行驶的其他N个车辆以及路边停止的M个车辆。根据边缘服务器和其他N个行驶车辆以及M个停止车辆的车辆服务器分配车辆i最优卸载功率以及最优任务分割比例，最终计算出车辆处理完总任务消耗的能量ES。
具体地，如图1、图2所示，本实施例提供的一种基于蜂窝车联网的边缘计算低能耗任务卸载方法，主要实施步骤如下：
步骤一：计算传输距离与传输速率
(1)计算边缘服务器与车辆传输效能：
如图2所示，V2V与V2I两种通信模式所用频谱资源为不同频段，互不干扰。首先，由下式计算边缘服务器与车辆i的距离dV2I：
Figure BDA0003632606420000111
其中，D1为本车到路边单元的垂直于公路的距离；H为路边单元的高度；L1为边缘服务器覆盖范围的直径；a为车辆i相对于边缘服务器发出卸载请求的初始位置；v为车辆i的行驶速度，设车辆i在该段公路上为匀速行驶；tV2I为车辆i将部分子任务发送给边缘服务器的上传时延。
其次，计算车辆i将部分子任务发送给边缘服务器的上行传输速率RV2I：
Figure BDA0003632606420000112
其中，BV2I为边缘服务器分配带宽；pV2I为发送给边缘服务器的卸载功率；h为复高斯分布的瑞利信道系数；γ为路径损耗指数，为常数，通常取值范围在2.5到4之间；N0为边缘服务器接收端噪声功率谱密度，v是车辆行驶速度。
计算同向行驶车辆之间传输效能：
首先，对于车辆i与其他同向行驶车辆n之间的距离dn即为系统模型图中的dV2V(M)，设车辆i与同向行驶车辆n均为匀速行驶且速度同为v，所以dn为常数且为定值。
其次，计算车辆i将多个子任务发送给行驶中的车辆服务器的上行传输速率RV2V(M)：
Figure BDA0003632606420000113
其中，Bn为车辆n服务器分配带宽；pn为卸载功率；h为复高斯分布的瑞利信道系数；γ为路径损耗指数，为常数，通常取值范围在2.5到4之间；N0为车辆服务器接收端噪声功率谱密度。
计算车辆与路边停止车辆之间的传输效能：
首先，计算车辆i与路边停止车辆之间的距离即为系统模型图中的dV2V(p)：
Figure BDA0003632606420000121
其中，D2为本车到路边停止车辆的垂直于公路的距离；L2为路边车辆服务器覆盖范围的直径；b为车辆i相对于路边车辆发出卸载请求的初始位置；v为车辆i的行驶速度，设车辆i在该段公路上为匀速行驶；tV2V(p)为车辆i将部分子任务发送给路边停止车辆服务器的上传时延。
其次，计算车辆i将多个子任务发送给停止的车辆服务器的上行传输速率RV2V(p)：
Figure BDA0003632606420000122
其中，Bm为车辆m服务器分配带宽；pm为卸载功率；h为复高斯分布的瑞利信道系数；γ为路径损耗指数，为常数，通常取值范围在2.5到4之间；N0为车辆服务器接收端噪声功率谱密度。
步骤二：计算传输能耗
车辆i将部分子任务卸载到了边缘服务器、N个行驶车辆服务器以及M个静止车辆服务器，下面分别计算其相应传输能耗。
首先，计算车辆i将部分子任务卸载到边缘服务器产生的传输能耗：
EV2I＝pV2ItV2I(6)
其中，tV2I为子任务卸载到边缘服务器的传输时延。tV2I的表达式为：
Figure BDA0003632606420000131
其次，计算车辆i将多个子任务卸载到同向行驶的N个车辆服务器产生的总传输能耗EV2V(M)：
Figure BDA0003632606420000132
其中，tn为子任务卸载到第n个车辆服务器的传输时延。tn的表达式为：
Figure BDA0003632606420000133
再次，计算车辆i将多个子任务卸载到路边静止的M个车辆服务器产生的总传输能耗EV2V(p)：
Figure BDA0003632606420000134
其中，tm为子任务卸载到第m个静止车辆服务器的传输时延。tm的表达式为：
Figure BDA0003632606420000135
步骤三：计算本地计算能耗
在任务处理的整个过程中，除了卸载给其他服务器，部分子任务由车辆i本地计算。按下式计算本地计算的能耗E0：
Figure BDA0003632606420000141
其中，η为能量系数，其大小取决于服务器的芯片结构，可取10-26J/Hz2；fi为本地服务器的转速，表示服务器的计算能力；K为任务计算密度(cycles/bit)。
步骤四：计算本车总能耗确定目标函数以及约束条件
按下式计算最小化车辆i卸载以及处理任务消耗的总能量ES：
ES＝EV2I+EV2V(M)+EV2V(p)+E0(13)
进而通过求解下式所示的目标函数得到能耗最低时的最优卸载功率和最优卸载比例：
Figure BDA0003632606420000142
Figure BDA0003632606420000143
Figure BDA0003632606420000144
C3:t＝max{t1,t2,t3,t0}
Figure BDA0003632606420000145
C5:t2＝tV2I+tc
Figure BDA0003632606420000146
C7:p1+p2+...+pn+p'1+p'2+...pm+pV2I≤p
C8:n＝1、2、...N
C9:m＝1、2、...M (14)
其中，ωn为卸载到行驶车辆服务器子任务的转速；ωm为卸载到静止车辆服务器子任务的转速；ωV2I为卸载到边缘服务器的子任务的转速；ω0为由本车计算的任务转速；ω为本车i任务的总转速；Bn为第n个行驶车辆分配到的带宽；Bm为第m个静止车辆分配到的带宽；BV2I为边缘服务器分配的带宽；Bmax为总的带宽；t为总的任务卸载和处理完成的时间；t1为子任务由行驶车辆服务器处理的总时间；
Figure BDA0003632606420000151
为第n个行驶车辆对子任务的计算时间；tc为边缘服务器对子任务的计算时间；t2为子任务由边缘服务器处理的总时间；t3为子任务由静止车辆服务器处理的总时间；
Figure BDA0003632606420000152
为第m个静止车辆对子任务的计算时间；t0为子任务由本车服务器计算的时间；p1、p2、...pn为子任务卸载到行驶车辆的传输功率；p'1、p'2、...pm为子任务卸载到静止车辆的传输功率；pV2I为子任务卸载到边缘服务器的传输功率；p为总的传输功率。
上述约束条件，C1表示所有子任务的转速之和等于本车总任务的总转速；C2表示所有服务器分配的带宽之和不超过总的带宽即最大带宽；C3表示整个过程的时间为子任务卸载到边缘服务器的处理总时间、子任务卸载到行驶车辆服务器的处理总时间、子任务卸载到静止车辆服务器的处理总时间以及本地计算时间这四个时间中取一个时间最久的最大值；C4表示子任务卸载到行驶车辆服务器的处理总时间取N个行驶车辆中传输与计算时间之和最大的值；C5表示子任务卸载到边缘服务器的处理总时间为传输与计算时间之和；C6表示子任务卸载到静止车辆服务器的处理总时间取M个静止车辆中传输与计算时间之和最大的值；C7表示所有的传输功率之和不超过总的传输功率；C8表示除本车以外的其他行驶车辆服务器n一共有N辆；C9表示路边静止车辆服务器m一共有M辆。
步骤五：运用改进模拟退火算法求解
在上述约束条件下，运用改进模拟退火算法对目标函数进行优化，得到最优的传输功率以及任务分配比例。本发明在传统的模拟退火算法基础上，对每次迭代自变量的更新增加一个随机因子，以增加算法的鲁棒性。
(1)设置初始温度：
计算开始退火的初始温度T＝T0，即为初始目标函数值：
T＝ηfi 2KS(14)
其中，η为能量系数，其大小取决于本车服务器的芯片结构，可取10-26J/Hz2；fi 2为本地服务器的转速，表示服务器的计算能力；K为任务计算密度。
(2)生成初始解并计算对应函数值：
随机生成初始解x0＝{pn(0),pm(0),pV2I(0),αn(0),δm(0),β(0)}为迭代初始位置，其中pn(0)＝{p1(0),p2(0),...pN(0)}、pm(0)＝{p1'(0),p'2(0),...pM(0)}、αn(0)＝{α1(0),α2(0),...αN(0)}、δm(0)＝{δ1(0),δ2(0),...δM(0)}。pn(0)表示传输到行驶中车辆n的传输功率、pm(0)表示传输到静止车辆m的传输功率、pV2I(0)表示传输到边缘服务器的传输功率、αn(0)表示传输到行驶中车辆n的卸载比例、δm(0)表示传输到静止车辆m的卸载比例、β(0)表示传输到边缘服务器的卸载比例。带入目标函数
Figure BDA0003632606420000161
计算相应的目标函数值ES(x0)。
(3)设置迭代次数：
设循环迭代次数为j，迭代次数逐次递增，最大为J，j＝1、2、...J。
(4)改进自变量更新公式：
相比于传统模拟退火算法对初始解进行随机扰动，本发明运用改进自变量更新函数由初始解得到新解：
xj+1＝θ·xj+(1-θ)Δx(j＝1、2、...J) (15)
其中，xj+1为第j+1次迭代时的解，θ为从0到1选取的随机因子，且
Figure BDA0003632606420000171
将第j次的解xj带入上式(15)计算得出下一次迭代解xj+1。
(5)计算新解以及对应函数值：
将初始解x0带入上式(15)计算x1，且x1＝{pn(1),pm(1),pV2I(1),αn(1),δn(1),β(1)},其中pn(1)＝{p1(1),p2(1),...pN(1)}、pm(1)＝{p'1(1),p'2(1),...pM(1)}、αn(1)＝{α1(1),α2(1),...αN(1)}、δm(1)＝{δ1(1),δ2(1),...δM(1)}，并计算相应的目标函数值E(x1)。
(6)判断是否接受更差的结果：
由于本专利目地为降低能耗，所以能耗越小越接近最优解。若E(x1)≤E(x0)，则将x1赋值给x0，即x0＝x1；若反之，则以
Figure BDA0003632606420000172
的概率接受新的解。由于
Figure BDA0003632606420000173
为概率，则显然小于1。k为一个正的物理常数；T为退火过程中的温度，即为本发明的目标函数值，为正数。因此ΔE为负，ΔE＝-|E(x1)-E(x0)|。
判断是否接受使目标函数值变大的自变量，这里越好的结果是目标函数值越小时的自变量，所以更差的结果是使目标函数值变大的自变量。
(7)判断是否结束迭代：
迭代次数不断递增，每迭代一次则重复步骤(4)至(6)一次，在温度T时，判断是否满足终止条件，若满足则停止迭代。此时的x0即为全局最优解。其中，自变量x即为传输功率以及任务分配比例，因变量E(x)即为能耗。
步骤六：得出优化结果
由改进模拟退火算法得到，使得车辆自身能耗最低的最优传输功率pn(0),pm(0),pV2I(0)及最优任务分配比例αn(0),δm(0),β(0)以实现资源合理利用，达到节能减排绿色交通目地。
实施例二
本实施例提供了一种基于蜂窝车联网的边缘计算低能耗任务卸载系统，包括：
任务分块模块，被配置为将本车产生的需要处理的任务划分成若干个互不相干的子任务块；
传输距离与传输速率确定模块，被配置为根据本车产生任务时的初始位置、本车的行驶速度、本车自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率；
传输能耗确定模块，被配置为根据本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输速率，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗；
本地计算能耗确定模块，被配置为根据本车自身服务器的计算能力，确定本车处理车辆子任务块的本地计算能耗；
目标函数确定模块，被配置为以本地计算能耗与各服务器传输能耗之和最小为目标，构建本车总能耗确定目标函数；
目标函数求解模块，被配置为在传统的模拟退火算法基础上，对每次迭代自变量的更新增加一个随机因子得到改进模拟退火算法，利用改进模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例。
上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，包括：
将本车产生的需要处理的任务划分成若干个互不相干的子任务块；
根据本车产生任务时的初始位置、本车的行驶速度、本车自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率；
根据本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输速率，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗；
根据本车自身服务器的计算能力，确定本车处理车辆子任务块的本地计算能耗；
以本地计算能耗与各服务器传输能耗之和最小为目标，构建本车总能耗确定目标函数；
对每次迭代自变量的更新增加一个随机因子得到改进模拟退火算法，利用改进模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例。
2.如权利要求1所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，所述确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率，包括：
根据本车产生任务时的初始位置、本车的行驶速度以及边缘服务器覆盖范围的直径，确定本车与边缘服务器的传输距离和传输速率；
根据本车产生任务时的初始位置、本车的行驶速度以及行驶车辆的行驶速度，确定本车与行驶车辆服务器的传输距离和传输速率；
根据本车产生任务时的初始位置、本车的行驶速度、停止车辆服务器覆盖范围的直径以及停止车辆的位置，确定本车与停止车辆服务器的传输距离和传输速率。
3.如权利要求1所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，所述确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗，包括：
根据车辆与边缘服务器之间的传输速率确定子任务卸载到边缘服务器的传输延时，进一步确定本车与边缘服务器之间的传输能耗；
根据车辆与行驶车辆服务器之间的传输速率确定子任务卸载到行驶车辆服务器的传输延时，进一步确定本车与行驶车辆服务器之间的传输能耗；
根据车辆与停止车辆服务器之间的传输速率确定子任务卸载到静止车辆服务器的传输延时，进一步确定本车与静止车辆服务器之间的传输能耗。
4.如权利要求1所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，所述确定本车处理车辆子任务块的本地计算能耗，具体为：
在任务处理的整个过程中，除了卸载给其他服务器，部分子任务由本车本地计算，根据本地处理任务量、本车服务器的能量系数、本车服务器的转速以及任务计算密度确定本地计算能耗。
5.如权利要求1所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，所述本车总能耗确定目标函数为：
min ES＝EV2I+EV2V(M)+EV2V(p)+E0
其中，处理任务消耗的总能量ES，EV2I表示本车与边缘服务器之间的传输能耗，EV2V(M)表示本车与行驶车辆服务器之间的传输能耗，EV2V(p)表示本车与静止车辆服务器之间的传输能耗，E0表示本车处理车辆子任务块的本地计算能耗。
6.如权利要求5所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，本车总能耗确定目标函数的约束条件包括：
所有子任务的转速之和等于本车总任务的总转速；所有服务器分配的带宽之和不超过总的带宽即最大带宽；整个过程的时间为子任务卸载到边缘服务器的处理总时间、子任务卸载到行驶车辆服务器的处理总时间、子任务卸载到静止车辆服务器的处理总时间以及本地计算时间这四个时间中取一个时间最久的最大值；子任务卸载到行驶车辆服务器的处理总时间取N个行驶车辆中传输与计算时间之和最大的值；子任务卸载到边缘服务器的处理总时间为传输与计算时间之和；子任务卸载到静止车辆服务器的处理总时间取M个静止车辆中传输与计算时间之和最大的值；所有的传输功率之和不超过总的传输功率；除本车以外的其他行驶车辆服务器n一共有N辆；路边静止车辆服务器m一共有M辆。
7.如权利要求5所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法，其特征在于，利用改进自变量更新模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例，包括：
步骤1：根据本车服务器的能量系数、转速以及任务计算密度设定开始退火的初始温度，也就是初始目标函数值T＝T0；
步骤2：随机生成初始解为迭代初始位置，将初始解代入本车总能耗确定目标函数，计算相应的目标函数值；
步骤3：设置循环迭代次数；
步骤4：运用改进自变量更新函数由初始解得到新解：
xj+1＝θ·xj+(1-θ)Δx(j＝1、2、…J)
其中，xj+1为第j+1次迭代时的解，θ为从0到1选取的随机因子，且
Figure FDA0003632606410000041
将第j次的解xj带入上式计算得出下一次迭代解xj+1；
步骤5：将初始解x0带入上式计算新解x1，并计算相应的目标函数值E(x1)；
步骤6：判断是否接受使目标函数值变大的自变量：
若E(x1)≤E(x0)，则将x1赋值给x0，即x0＝x1；若反之，则以
Figure FDA0003632606410000042
的概率接受新的解，由于
Figure FDA0003632606410000043
为概率，则显然小于1，k为一个正的物理常数；T为退火过程中的温度，即为目标函数值，为正数，因此ΔE为负，ΔE＝-|E(x1)-E(x0)|；
步骤7：迭代次数不断递增，每迭代一次则重复步骤4至6一次，在温度T时，判断是否满足终止条件，若满足则停止迭代；此时的x0即为全局最优解，其中，自变量x即为传输功率以及任务分配比例，因变量E(x)即为能耗。
8.基于蜂窝车联网的边缘计算低能耗任务卸载系统，其特征在于，包括：
任务分块模块，被配置为将本车产生的需要处理的任务划分成若干个互不相干的子任务块；
传输距离与传输速率确定模块，被配置为根据本车产生任务时的初始位置、本车的行驶速度、本车自身服务器计算能力以及边缘服务器和其他车辆服务器的计算能力，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输距离与传输速率；
传输能耗确定模块，被配置为根据本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输速率，确定本车与边缘服务器、行驶车辆服务器以及静止车辆服务器之间的传输能耗；
本地计算能耗确定模块，被配置为根据本车自身服务器的计算能力，确定本车处理车辆子任务块的本地计算能耗；
目标函数确定模块，被配置为以本地计算能耗与各服务器传输能耗之和最小为目标，构建本车总能耗确定目标函数；
目标函数求解模块，被配置为在传统的模拟退火算法基础上，对每次迭代自变量的更新增加一个随机因子得到改进模拟退火算法，利用改进模拟退火算法求解本车总能耗确定目标函数，得到本车总能耗最低时的最优子任务卸载功率和最优子任务分配比例。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于蜂窝车联网的边缘计算低能耗任务卸载方法中的步骤。
CN202210493359.1A 2022-05-07 2022-05-07 基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统 Pending CN114980206A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210493359.1A CN114980206A (zh) 2022-05-07 2022-05-07 基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210493359.1A CN114980206A (zh) 2022-05-07 2022-05-07 基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统

Publications (1)

Publication Number Publication Date
CN114980206A true CN114980206A (zh) 2022-08-30

Family

ID=82981912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210493359.1A Pending CN114980206A (zh) 2022-05-07 2022-05-07 基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统

Country Status (1)

Country Link
CN (1) CN114980206A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106790367A (zh) * 2016-11-15 2017-05-31 山东省科学院自动化研究所 大数据处理的车辆安全隐患预警和事故重现系统及方法
CN111586762A (zh) * 2020-04-29 2020-08-25 重庆邮电大学 一种基于边缘协作的任务卸载及资源分配联合优化方法
WO2022011755A1 (zh) * 2020-07-15 2022-01-20 南通大学 一种车载边缘计算网络中能效优化的计算卸载方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106790367A (zh) * 2016-11-15 2017-05-31 山东省科学院自动化研究所 大数据处理的车辆安全隐患预警和事故重现系统及方法
CN111586762A (zh) * 2020-04-29 2020-08-25 重庆邮电大学 一种基于边缘协作的任务卸载及资源分配联合优化方法
WO2022011755A1 (zh) * 2020-07-15 2022-01-20 南通大学 一种车载边缘计算网络中能效优化的计算卸载方法及系统

Similar Documents

Publication Publication Date Title
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
Wang et al. Vehicle-based cloudlet relaying for mobile computation offloading
US11968122B2 (en) Joint optimization method and system for delay and spectrum occupation in cloud-edge collaborative network
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
CN111935677B (zh) 车联网v2i模式任务卸载方法及系统
CN112188627B (zh) 一种基于状态预测的动态资源分配策略
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
Wang et al. Dynamic offloading scheduling scheme for MEC-enabled vehicular networks
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
CN114153515B (zh) 一种基于5g毫米波通信的高速公路车联网任务卸载算法
CN112988347A (zh) 一种降低系统能耗与花费和的边缘计算卸载方法及系统
CN110266757B (zh) 一种面向任务协同场景的边缘计算资源优化方法
Li Optimization of task offloading problem based on simulated annealing algorithm in MEC
Wang et al. Joint offloading decision and resource allocation in vehicular edge computing networks
CN112437449B (zh) 联合资源分配方法
CN114980206A (zh) 基于蜂窝车联网的边缘计算低能耗任务卸载方法及系统
Yang et al. A resource allocation method based on the core server in the collaborative space for mobile edge computing
Peng et al. A task assignment scheme for parked-vehicle assisted edge computing in iov
CN110602718A (zh) 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统
Zhan et al. Multi-user offloading and resource allocation for vehicular multi-access edge computing
Bai et al. Collaborative task processing in vehicular edge computing networks
CN114786156A (zh) 一种基于深度学习的车联网优化任务边缘卸载方法
Yang et al. Federated learning-based power control and computing for mobile edge computing system
CN116112896A (zh) 一种基于移动感知的车联网任务卸载优化方法
Li et al. Adaptive Binary Whale Optimization Algorithm for Computation Offloading Optimization in Mobile Edge Computing

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