CN115373856B - 一种端边云网络框架中智能车辆的卸载任务分配方法 - Google Patents
一种端边云网络框架中智能车辆的卸载任务分配方法 Download PDFInfo
- Publication number
- CN115373856B CN115373856B CN202211290204.4A CN202211290204A CN115373856B CN 115373856 B CN115373856 B CN 115373856B CN 202211290204 A CN202211290204 A CN 202211290204A CN 115373856 B CN115373856 B CN 115373856B
- Authority
- CN
- China
- Prior art keywords
- task
- vehicle
- roadside unit
- tasks
- cloud
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/509—Offload
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种端边云网络框架中智能车辆的卸载任务分配方法,提升端边云系统中车辆的体验质量。首先建立由一个云中心、多个包含服务器的路边单元以及多辆车组成的端‑边‑云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法解决安全约束下的效用函数最小化问题;考虑到资源密集型任务所需资源可能较多,边缘服务器可能无法满足执行需求,选择特定的任务在云上执行,以满足所有任务的时间约束。该方法操作简单,实用性强,在保证任务安全性的同时,提高了端边云系统的效率,降低了车辆执行任务的能量开销。
Description
技术领域
本发明属于端边云网络中资源任务分配调度领域,特别是一种端边云网络框架中智能车辆的卸载任务分配方法。
背景技术
智能交通系统是未来交通运输系统的发展方向,它将智能传感与控制、大数据、物联网等先进技术与嵌入式软件融入到交通系统中,为用户提供了更好的服务,但在智能交通系统中,车辆通常受到计算和存储资源的限制,导致其数据处理能力较低,诸多新兴应用对于计算的需求变得越来越大,车辆终端越来越难以有效支持这些应用。一种常用的解决方案是将这些应用提交至云,借助云服务器的强大计算和存储能力来应对智能车飞速增长的应用需求。采用端-边-云层次性计算架构,虽然有助于降低任务的计算时间,但车辆卸载任务时也会带来额外的时间和能量开销。另一方面,任务在传输过程中也容易发生错误,导致可靠性降低。车辆终端应用的时延、能耗和可靠性一直以来都是智能交通系统的关注重点。
端-边-云层次性计算架构的兴起在学术界和工业界均引起了广泛关注。例如,Zhao等人(Zhao Junhui, Li Qiuping, Gong Yi, et al. Computation offloading andresource allocation for cloud assisted mobile edge computing in vehicularnetworks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(8): 7944-7956)针对端-边-云框架下的计算卸载和资源分配问题,设计了一种分布式算法,通过博弈论制定卸载决策并采用拉格朗日乘子法实现资源分配,以最小化任务处理时延和计算资源成本。Wang等人(Wang Hansong, Li Xi, Ji Hong, et al. Dynamic offloadingscheduling scheme for MEC-enabled vehicular networks[C]//Proc of IEEE/CICInternational Conference on Communications in China. New York: IEEE, 2018:206-210)提出了一种面向移动边缘计算的车联网任务动态卸载方案。该方案考虑资源的有限性和车辆的移动性,并根据边缘服务器的覆盖范围、传输速率和车辆的移动速度等约束动态推导出最优卸载方案,以缩短任务卸载时间和提高车辆能效。上述工作虽然考虑了任务的延迟和能耗开销,但忽略了端-边-云架构下任务传输和执行过程中的可靠性问题,容易遭受错误而导致任务失败。
发明内容
本发明的目的在于提供一种操作简单、实用性强、既能保证效率又能兼顾安全之间的公平的资源任务分配调度方法。
实现本发明目的的技术解决方案为:一种端边云网络框架中智能车辆的卸载任务分配方法,所述方法包括以下步骤:
步骤1,建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;
步骤2,假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法求解安全约束下的效用函数最小化问题,得到最优的任务卸载分配方案。
进一步地,步骤1 所述建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型、车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数,具体包括:
步骤1.1,建立由多个边缘服务器组成的路边单元整体RSU模型:模型包括一个云中心,个路边单元,每个路边单元中配备有一个边缘服务器,表示路边单元的集合,其中,每个路边单元覆盖一个区域,表示为,其中表示区域半径,表示区域中车辆限速,表示区域中车辆数量;
步骤1.2,建立每个区域内车辆的车辆模型:区域中共有辆车,车辆集合表示为,表示在第个区域的第辆车,表示为五元组
,其中表示车辆上的一项任务,表示车辆上MCU的计算频率;表示车辆上传任务的每秒能耗,相当于的数据传输功率;表示车辆进入区域的时刻;
步骤1.3,建立每个路边单元的通讯模型,定义变量表示当前时隙内,第
m个路边单元连接的车辆数目:
其中,为任务卸载的决策变量,表示从车辆卸载到路边单元的数据在任务原数据量中的占比;
根据Shannon-Hartley定理,从车辆到路边单元的上行数据传输速率为:
其中,为路边单元向车辆分配的带宽,为车辆到路边单元之间的信道增益,为背景噪声;
步骤1.4,建立每个路边单元和车辆的任务模型:任务表示为六元组,其中代表任务的数据量即输入数据,单位为;代表任务的处理密度;表示任务达到的安全级别;表示任务必须达到的安全级别,若上传到RSU的任务数据未到达该安全级别,则认为数据会被攻击导致任务失败;表示任务产生的时刻;代表任务的截止时间;车辆可以选择将任务完全本地执行或者将一部分数据上传到路边单元执行,即有的数据被卸载到路边单元的边缘服务器处理,的数据留在本地处理;
步骤1.5,初始化上述参数,进行实验赋值;
步骤1.6,首先定义任务完全在本地执行所需的时间为:,任务完全在本地执行所需的能耗为:,为处理器相关系数:=,则定义包含车辆完成任务所需能量和时间的效用函数为:
其中,表示单位化任务上传部分数据到路边单元或云服务器缩短的时间,表示单位化任务上传部分数据到路边单元或云服务器减少的能耗,表示对时间的偏好,其范围是;车辆的总能耗表示为:
其中表示本地计算能耗:
其中表示本地计算时间:;
同理可得为车辆到路边单元之间的传输能耗为使用安全服务对上传数据进行加密所需能耗。
进一步地,步骤2所述的假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法求解安全约束下的效用函数最小化问题,具体如下:
步骤2.1,定义提升车辆的QoE即使缩短时延降低能耗,即增大效用函数;
上述约束的含义分别是:
:若任务需要上传数据到RSU,则其安全级别必须大于所需最低安全级别;
:任务的卸载部分不得小于0也不得大于任务本身数据量;
:任务的完成时间不得晚于截止时间;
:路边单元分配给任务的频率不得小于0;
:路边单元分配给各个任务的频率之和不得超过其自身的最大计算频率;
定义区域的效用函数为:;
由此定义目标函数:;
随机产生包含个粒子的粒子群,其中每个粒子都有一个位置向量和一个速度向量,;
步骤2.2,定义粒子的位置向量表示为,的范围是,的范围是,的范围是;速度向量表示为;
将各个粒子设置为个体最优粒子,选择当前适应度最高的粒子作为当前全局最有粒子;效用函数未收敛到最优时,迭代设置个体最优粒子和全局最优粒子,更新粒子的位置向量和速度向量,更新规则如下:
其中,为惯性权重,和为个体认知权重和社会交往权重,和是两个在[0,1]内均匀分布的数, ,更新粒子适应度,直到计算出其最优的任务卸载分配方案。
进一步地,该方法还包括:
步骤3,选择特定的任务在云上执行,以满足所有任务的时间约束。
进一步地,步骤3所述选择特定的任务在云上执行,以满足所有任务的时间约束,具体包括:
步骤3.1,分析区域中是否有任务超出实时性约束,若无,则无需调整;否则定义来存储区域内计算时间超出截止时间的任务;
步骤3.2,对区域中所有任务按照执行频率从高到低进行排序,将任务按照上述顺序依次上传到云服务器,再将该区域中的任务进行PSO优化;
步骤3.3,若此时无任务超出实时性约束,则结束对该区域任务的调整,得到最优的任务卸载方案;若仍有任务超出实时性约束,再迭代进行上述操作直至得到最优的任务卸载方案。
进一步地,步骤3.2中对区域中所有任务按照执行频率从高到低排序可以替换为:对区域中所有任务按照任务数据量从大到小排序。
本发明与现有技术相比,其显著优点为:
(1)操作简单,实用性强:影响车辆的体验质量(QoE)的两个主要因素为总体任务延时和执行任务的总体能耗,由于二者单位不统一,不能直接进行运算,本发明提出一个包含二者的效用函数,方便量化延时和能耗的改善。为了定义此效用函数并通过上述步骤得到任务分配的最优解。
(2)提高了智能车辆的卸载任务实时性要求:本发明将全局最优问题改写成多个区域最优问题对于安全性约束性的最优化问题使用PSO求解,然后考虑实时性约束,若PSO得到的最优解不满足实时性约束,则对所有在RSU上执行的任务按照执行频率从高到低排序或按照任务数据量从大到小排序,将排序靠前的任务上传到云端,再对剩下任务进行PSO优化,重复此过程直到所有任务均满足实时性约束。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是端边云网络框架中智能车辆的卸载任务分配方法的流程示意图。
图2是系统架构模型示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提出的端边云的网络框架中智能车辆的卸载任务是指通过粒子群算法,解决影响车辆体验质量的问题,分别为解决总体任务延时和总体任务能量消耗。粒子群初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值,另一个极值是整个种群找到的最优解,这个极值是全局极值,同时还考虑了实时性问题。
一种端边云网络框架中智能车辆的卸载任务分配方法,包括以下步骤:
步骤1、建立由一个云中心、多个包含服务器的路边单元以及多辆车组成的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;
步骤2、假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法解决安全约束下的效用函数最小化问题;
步骤3、考虑到资源密集型任务所需资源可能较多,边缘服务器可能无法满足执行需求,选择特定的任务在云上执行,以满足所有任务的时间约束。
进一步地,在其中一个实施例中,步骤1所述建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型、车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数,具体如下:
步骤1.1,建立由多个边缘服务器组成的路边单元整体RSU模型:模型包括一个云中心,个路边单元,每个路边单元中配备有一个边缘服务器,表示路边单元的集合,其中,每个路边单元覆盖一个区域,表示为,其中表示区域半径,表示区域中车辆限速,表示区域中车辆数量。
步骤1.2,建立每个区域内车辆的车辆模型:区域中共有辆车,车辆集合表示为,表示在第个区域的第辆车,表示为五元组
,其中表示车辆上的一项任务,表示车辆上MCU的计算频率;表示车辆上传任务的每秒能耗,相当于的数据传输功率;表示车辆进入区域的时刻。
步骤1.3、建立每个路边单元的通讯模型,定义变量表示当前时隙内,第
m个路边单元连接的车辆数目:
其中,为任务卸载的决策变量,表示从车辆卸载到路边单元的数据在任务原数据量中的占比;
根据Shannon-Hartley定理,从车辆到路边单元的上行数据传输速率为:
其中,为路边单元向车辆分配的带宽,为车辆到路边单元之间的信道增益,为背景噪声。
步骤1.4、建立每个路边单元和车辆的任务模型:任务表示为六元组,其中代表任务的数据量即输入数据,单位为;代表任务的处理密度;表示任务达到的安全级别;表示任务必须达到的安全级别,若上传到RSU的任务数据未到达该安全级别,则认为数据会被攻击导致任务失败;表示任务产生的时刻;代表任务的截止时间;车辆可以选择将任务完全本地执行或者将一部分数据上传到路边单元执行,即有的数据被卸载到路边单元的边缘服务器处理,的数据留在本地处理。
步骤1.5、初始化上述参数,进行实验赋值。
步骤1.6、在智能车辆的端边云系统中,影响车辆的体验质量(QoE)的两个主要因素为总体任务延时和执行任务的总体能耗,由于二者单位不统一,不能直接进行运算,提出一个包含二者的效用函数,方便量化延时和能耗的改善。为了定义此效用函数,首先定义任务完全在本地执行所需的时间为:,任务完全在本地执行所需的能耗为:,为处理器相关系数:=,则定义包含车辆完成任务所需能量和时间的效用函数为:
其中,表示单位化任务上传部分数据到路边单元或云服务器缩短的时间,表示单位化任务上传部分数据到路边单元或云服务器减少的能耗,表示对时间的偏好,其范围是;车辆的总能耗表示为:
其中表示本地计算能耗:
其中表示本地计算时间:;
同理可得为车辆到路边单元之间的传输能耗为使用安全服务对上传数据进行加密所需能耗。
进一步地,在其中一个实施例中,步骤2所述假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法解决安全约束下的效用函数最小化问题,具体如下:
步骤2.1,定义提升车辆的QoE即使缩短时延降低能耗,即增大效用函数;
上述约束的含义分别是:
:若任务需要上传数据到RSU,则其安全级别必须大于所需最低安全级别,以确保任务安全执行
:任务的卸载部分不得小于0也不得大于任务本身数据量
:任务的完成时间不得晚于截至时间
:路边单元分配给任务的频率不得小于0
:路边单元分配给各个任务的频率之和不得超过其自身的最大计算频率。由于系统中各个RSU都是独立的,没有通信和协作,因此可以将全局最优问题改写成多个区域最优问题,为方便表示,定义区域的效用函数为:
目标函数可以改写为:,对于每个区域,先不考虑实时性约束,对于安全性约束性的最优化问题使用PSO求解,然后考虑实时性约束。同时定义,随机产生包含个粒子的粒子群,其中每个粒子都有一个位置向量和一个速度向量;
步骤2.2、定义粒子的位置向量表示为,的范围是,的范围是,的范围是;速度向量表示为;
将各个粒子设置为个体最优粒子,选择当前适应度最高的粒子作为当前全局最有粒子;效用函数未收敛到最优时,迭代设置个体最优粒子和全局最优粒子,更新粒子的位置向量和速度向量,更新规则如下:
其中,为惯性权重,和为个体认知权重和社会交往权重,和是两个在[0,1]内均匀分布的数, ,更新粒子适应度,直到计算出其最优的任务卸载分配方案。
进一步地,在其中一个实施例中,步骤3所述考虑到资源密集型任务所需资源可能较多,边缘服务器可能无法满足执行需求,选择特定的任务在云上执行,以满足所有任务的时间约束,具体如下:
步骤3.1、分析区域中是否有任务超出实时性约束,若无,则无需调整;若有,则定义来存储区域内计算时间超出截止时间的任务;
步骤3.2、对区域中所有任务按照执行频率从高到低排序或按照任务数据量从大到小排序,将任务按照上述顺序依次上传到云服务器,再将该区域中的任务进行PSO优化;
步骤3.3、若此时无任务超出实时性约束,则结束对该区域任务的调整;若仍有任务超出实时性约束,再迭代进行上述操作直至得到最优的任务卸载方案。
在一个实施例中,提供了一种端边云网络框架中智能车辆的卸载任务分配系统,所述系统包括:
第一模块,用于建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;
第二模块,用于使用改进的粒子群算法求解安全约束下的效用函数最小化问题,得到最优的任务卸载分配方案;
第三模块,选择特定的任务在云上执行,以满足所有任务的时间约束。
关于端边云网络框架中智能车辆的卸载任务分配系统的具体限定可以参见上文中对于端边云网络框架中智能车辆的卸载任务分配方法的限定,在此不再赘述。上述端边云网络框架中智能车辆的卸载任务分配系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,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,处理器执行计算机程序时实现以下步骤:
步骤1,建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;
步骤2,假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法求解安全约束下的效用函数最小化问题,得到最优的任务卸载分配方案;
步骤3,选择特定的任务在云上执行,以满足所有任务的时间约束。
关于每一步的具体限定可以参见上文中对于端边云网络框架中智能车辆的卸载任务分配方法的限定,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤1,建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;
步骤2,假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法求解安全约束下的效用函数最小化问题,得到最优的任务卸载分配方案;
步骤3,选择特定的任务在云上执行,以满足所有任务的时间约束。
关于每一步的具体限定可以参见上文中对于端边云网络框架中智能车辆的卸载任务分配方法的限定,在此不再赘述。
作为一种具体示例,在其中一个实施例中,对本发明进行进一步说明。
步骤1、建立由一个云中心、多个包含服务器的路边单元以及多辆车组成的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数,具体如下:
步骤1.1、建立由多个边缘服务器组成的路边单元整体RSU模型:模型包括一个云中心,个路边单元,每个路边单元中配备有一个边缘服务器,表示路边单元的集合,其中,每个路边单元覆盖一个区域,表示为,其中表示区域半径,表示区域中车辆限速,表示区域中车辆数量。且每个区域都被唯一一个路边单元负责,处于区域中的车辆可以和路边单元通讯。
步骤1.2、建立每个区域内车辆的车辆模型。区域中共有辆车,车辆集合表示为,表示在第个区域的第辆车,表示为五元组
,其中表示车辆上的一项任务,表示车辆上MCU的计算频率;表示车辆上传任务的每秒能耗,相当于的数据传输功率;表示车辆进入区域的时刻。
步骤1.3、建立每个路边单元的通讯模型,由于路边单元的信号覆盖范围有限,而车辆是不断移动的,所以需要考虑车辆与路边单元的相对位置。因此,假设当车辆进入某路边单元的覆盖范围时,路边单元向该车辆发送信息,告知车辆已进入其通讯范围,可以进行通讯。此外,为了保证云可以掌握整个系统中车辆的最新位置,路边单元需要同时向云发送信息。以图2中车辆为例,当它进入路边单元的覆盖范围后,路边单元向车辆发送一个简短的数据包。根据此数据包,车辆更新自己进入区域的时刻,即更新为接收到次数据包的时刻。此处的数据包数据量很小,因此其上行和下行时间和能耗都可忽略。
车辆向RSU卸载任务时,首先更新,根据,,,计算车辆在该区域内行驶的最短时间,即;
为了减少自身计算负载,快速完成任务,车辆请求向路边单元卸载任务的一部分数据量,接收请求并检查当前的计算能力是否能够在任务截止日期之前完成任务执行且执行完成车辆仍在当前区域内,即是否满足。
定义二元变量表示路边单元是否需要将任务上传到云端执行,
当时,表示的计算能力不足以使任务能够在截止日期前完成或者完成任务时车辆已行驶出当前区域,则任务数据需要上传到云端处理,且将收到的任务数据完全上传给云,不再分割。当任务处理完成后,云控制中心将结果发送给负责车辆当前所在区域的RSU,再由该RSU发送给车辆。
当时,表示的计算能力能够使任务能够在截止日期前完成且完成任务时车辆仍在当前区域行驶,则任务数据不需要再上传到云端,分配一定的计算能力来处理卸载任务。当任务处理完成后,将计算结果直接卸载给车辆。
由于下行的时间和能耗与上行相比可以忽略不计,且路边单元传输的数据包的数据量很小,因此本发明忽略下行、路边单元发送数据包、云端车辆位置更新过程、路边单元请求位置信息和云响应该请求的延迟和能耗。
上行链路采用正交频分多址技术,支持对边缘服务器的多址接入。为了保证发送卸载请求的车辆之间的上传传输的正交性,基站带宽被划分为相等的子带,每个车辆分配一个子带。定义变量表示当前时隙内,第
m个路边单元连接的车辆数目:
其中,为任务卸载到路边单元的数据在任务原数据量中的占比;
根据Shannon-Hartley定理,从车辆到路边单元的上行数据传输速率为:
其中,为路边单元向车辆分配的带宽,为车辆到路边单元之间的信道增益,为背景噪声;
当时,边缘服务器的计算能力可以满足任务的执行需求,则任务数据不需要上传至云端处理。因此车辆到路边单元的传输延迟为:
当时,边缘服务器的计算能力不足以满足任务的执行需求,则任务数据需要上传至云端处理,且将收到的任务部分完全上传给云,不再分割。为了将计算结果传输到云端,边缘服务器和云之间的高速光纤通信链路是云边端网络架构中必不可少的基础设施。它确保了边缘服务器的灵活性和可扩展性。因此,假设各个边缘服务器和云之间的数据传输速率是相同的,并用表示。
则从车辆到路边单元的传输延迟与时相同:
而路边单元将任务数据全部上传到云,此过程的传输延迟为:
综上,车辆卸载任务的总体传输延迟为:
车辆到路边单元之间的传输能耗为:
步骤1.4、建立每个路边单元和车辆的任务模型:任务可以表示为六元组,其中代表任务的数据量(即输入数据,单位为);代表任务的处理密度;表示任务达到的安全级别;表示任务必须达到的安全级别,若上传到RSU的任务数据未到达该安全级别,则认为数据会被攻击导致任务失败;表示任务产生的时刻;代表任务的截止时间。车辆可以选择将任务完全本地执行或者将一部分数据上传到路边单元执行,即有的数据被卸载到路边单元的边缘服务器处理,的数据留在本地处理;
步骤1.5、初始化上述参数,进行实验赋值;
步骤1.6、在智能车辆的端边云系统中,影响车辆的体验质量(QoE)的两个主要因素为总体任务延时和执行任务的总体能耗,由于二者单位不统一,不能直接进行运算,因此本发明提出一个包含二者的效用函数,方便量化延时和能耗的改善。为了定义此效用函数,首先定义任务完全在本地执行所需的时间为:,任务完全在本地执行所需的能耗为:,为处理器相关系数:=,则定义包含车辆完成任务所需能量和时间的效用函数为:
其中,表示单位化任务上传部分数据到路边单元或云服务器缩短的时间,表示单位化任务上传部分数据到路边单元或云服务器减少的能耗,表示对时间的偏好,其范围是;车辆的总能耗表示为:
其中表示本地计算能耗:
其中表示本地计算时间:;
同理可得为车辆到路边单元之间的传输能耗为使用安全服务对上传数据进行加密所需能耗。
步骤2、假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法解决安全约束下的效用函数最小化问题,具体如下:
步骤2.1、定义提升车辆的QoE即使缩短时延降低能耗,即增大效用函数。
上述约束的含义分别是:
:若任务需要上传数据到RSU,则其安全级别必须大于所需最低安全级别,以确保任务安全执行
:任务的卸载部分不得小于0也不得大于任务本身数据量
:任务的完成时间不得晚于截至时间
:路边单元分配给任务的频率不得小于0
:路边单元分配给各个任务的频率之和不得超过其自身的最大计算频率。由于系统中各个RSU都是独立的,没有通信和协作,因此可以将全局最优问题改写成多个区域最优问题,为方便表示,定义区域的效用函数为:
将目标函数可以改写为:,对于每个区域,先不考虑实时性约束,对于安全性约束性的最优化问题使用PSO求解,然后考虑实时性约束。随后定义随机产生包含个粒子的粒子群,其中每个粒子都有一个位置向量和一个速度向量;
步骤2.2、定义粒子的位置向量表示为,速度向量表示为,将各个粒子设置为个体最优粒子,选择当前适应度最高的粒子作为当前全局最有粒子。效用函数未收敛到最优时,迭代设置个体最优粒子和全局最优粒子,即为:if ,,, if,,。更新粒子的位置向量和速度向量,更新规则如下:
其中,为惯性权重,和为个体认知权重和社会交往权重,和是两个在[0,1]内均匀分布的数, ,更新粒子适应度,直到计算出其最优的任务卸载分配方案。
步骤3、考虑到资源密集型任务所需资源可能较多,边缘服务器可能无法满足执行需求,选择特定的任务在云上执行,以满足所有任务的时间约束,具体如下:
步骤3.1、定义来存储区域内计算时间超出截止时间的任务,分析区域中是否有任务超出实时性约束,若无,则无需调整;若有,则定义来存储区域内计算时间超出截止时间的任务;
步骤3.2、对区域中所有任务按照执行频率从高到低排序或按照任务数据量从大到小排序,将任务按照上述顺序依次上传到云服务器,再将该区域中的任务进行PSO优化;
步骤3.3、若此时无任务超出实时性约束,则结束对该区域任务的调整;若仍有任务超出实时性约束,再迭代进行上述操作直至得到最优的任务卸载方案。
本发明提出的方法操作简单,实用性强,在保证任务安全性的同时,提高了端边云系统的效率,降低了车辆执行任务的能量开销。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种端边云网络框架中智能车辆的卸载任务分配方法,其特征在于,所述方法包括以下步骤:
步骤1,建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型、车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;具体包括:
步骤1.1,建立由多个边缘服务器组成的路边单元整体RSU模型:模型包括一个云中心,个路边单元,每个路边单元中配备有一个边缘服务器,表示路边单元的集合,其中,每个路边单元覆盖一个区域,表示为,其中表示区域半径,表示区域中车辆限速,表示区域中车辆数量;
步骤1.2,建立每个区域内车辆的车辆模型:区域中共有辆车,车辆集合表示为,表示在第个区域的第辆车,表示为四元组 ,其中表示车辆上的一项任务,表示车辆上MCU的计算频率;表示车辆上传任务的每秒能耗,相当于的数据传输功率;表示车辆进入区域的时刻;
步骤1.3,建立每个路边单元的通讯模型,定义变量表示当前时隙内,第m个路边单元连接的车辆数目:
其中,为任务卸载的决策变量,表示从车辆卸载到路边单元的数据在任务原数据量中的占比;
根据Shannon-Hartley定理,从车辆到路边单元的上行数据传输速率为:
其中,为路边单元向车辆分配的带宽,为车辆到路边单元之间的信道增益,为背景噪声;
步骤1.4,建立每个路边单元和车辆的任务模型:任务表示为六元组,其中代表任务的数据量即输入数据,单位为;代表任务的处理密度;表示任务达到的安全级别;表示任务必须达到的安全级别,若上传到RSU的任务数据未到达该安全级别,则认为数据会被攻击导致任务失败;表示任务产生的时刻;代表任务的截止时间;车辆可以选择将任务完全本地执行或者将一部分数据上传到路边单元执行,即有的数据被卸载到路边单元的边缘服务器处理,的数据留在本地处理;
步骤1.5,初始化上述参数,进行实验赋值;
步骤1.6,首先定义任务完全在本地执行所需的时间为:,任务完全在本地执行所需的能耗为:,为处理器相关系数:=,则定义包含车辆完成任务所需能量和时间的效用函数为:
其中,表示单位化任务上传部分数据到路边单元或云服务器缩短的时间,表示单位化任务上传部分数据到路边单元或云服务器减少的能耗,表示对时间的偏好,其范围是;车辆的总能耗表示为:
其中表示本地计算能耗:
其中表示本地计算时间:;
同理可得为车辆到路边单元之间的传输能耗为使用安全服务对上传数据进行加密所需能耗;
步骤2,假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法求解安全约束下的效用函数最小化问题,得到最优的任务卸载分配方案;所述的假定任务只在边缘服务器和车辆端执行,使用改进的粒子群算法求解安全约束下的效用函数最小化问题,具体如下:
步骤2.1,定义提升车辆的QoE即使缩短时延降低能耗,即增大效用函数;
上述约束的含义分别是:
:若任务需要上传数据到RSU,则其安全级别必须大于所需最低安全级别;
:任务的卸载部分不得小于0也不得大于任务本身数据量;
:任务的完成时间不得晚于截止时间;
:路边单元分配给任务的频率不得小于0;
:路边单元分配给各个任务的频率之和不得超过其自身的最大计算频率;
定义区域的效用函数为:;
由此定义目标函数:;
随机产生包含个粒子的粒子群,其中每个粒子都有一个位置向量和一个速度向量,;
步骤2.2,定义粒子的位置向量表示为,的范围是,的范围是,的范围是;速度向量表示为;
将各个粒子设置为个体最优粒子,选择当前适应度最高的粒子作为当前全局最有粒子;效用函数未收敛到最优时,迭代设置个体最优粒子和全局最优粒子,更新粒子的位置向量和速度向量,更新规则如下:
其中,为惯性权重,和为个体认知权重和社会交往权重,和是两个在[0,1]内均匀分布的数, ,更新粒子适应度,直到计算出其初步最优的任务卸载分配方案。
2.根据权利要求1所述的端边云网络框架中智能车辆的卸载任务分配方法,其特征在于,该方法还包括:
步骤3,选择特定的任务在云上执行,以满足所有任务的时间约束。
3.根据权利要求2所述的端边云网络框架中智能车辆的卸载任务分配方法,其特征在于,步骤3所述选择特定的任务在云上执行,以满足所有任务的时间约束,具体包括:
步骤3.1,分析区域中是否有任务超出实时性约束,若无,则无需调整;否则定义来存储区域内计算时间超出截止时间的任务;
步骤3.2,对区域中所有任务按照执行频率从高到低进行排序,将任务按照上述顺序依次上传到云服务器,再对该区域中的任务进行PSO优化;
步骤3.3,若此时无任务超出实时性约束,则结束对该区域任务的调整,得到最优的任务卸载方案;若仍有任务超出实时性约束,再迭代进行步骤3.1至步骤3.2直至得到最优的任务卸载方案。
4.根据权利要求3所述的端边云网络框架中智能车辆的卸载任务分配方法,其特征在于,步骤3.2中对区域中所有任务按照执行频率从高到低排序可以替换为:对区域中所有任务按照任务数据量从大到小排序。
5.基于权利要求1至4任意一项所述方法的端边云网络框架中智能车辆的卸载任务分配系统,其特征在于,所述系统包括:
第一模块,用于建立包括一个云中心、多个包含服务器的路边单元以及多辆车的端-边-云构架,定义路边单元RSU模型,车辆模型、通讯模型、任务模型和包含车辆完成任务所需能量和时间的效用函数;
第二模块,用于使用改进的粒子群算法求解安全约束下的效用函数最小化问题,得到最优的任务卸载分配方案。
6.根据权利要求5所述的端边云网络框架中智能车辆的卸载任务分配系统,其特征在于,该系统还包括:
第三模块,选择特定的任务在云上执行,以满足所有任务的时间约束。
7.一种计算机设备,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计算机程序时实现权利要求1至4中任一项所述方法的步骤。
8.一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,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290204.4A CN115373856B (zh) | 2022-10-21 | 2022-10-21 | 一种端边云网络框架中智能车辆的卸载任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290204.4A CN115373856B (zh) | 2022-10-21 | 2022-10-21 | 一种端边云网络框架中智能车辆的卸载任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115373856A CN115373856A (zh) | 2022-11-22 |
CN115373856B true CN115373856B (zh) | 2023-04-07 |
Family
ID=84072901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211290204.4A Active CN115373856B (zh) | 2022-10-21 | 2022-10-21 | 一种端边云网络框架中智能车辆的卸载任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115373856B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
US20220116456A1 (en) * | 2020-10-08 | 2022-04-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for value-anticipating task offloading |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111818168B (zh) * | 2020-06-19 | 2022-05-03 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
US11427215B2 (en) * | 2020-07-31 | 2022-08-30 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment |
CN114599014A (zh) * | 2022-03-16 | 2022-06-07 | 重庆邮电大学 | 车联网中连接时间约束下的基于资源重分配的任务卸载方法 |
-
2022
- 2022-10-21 CN CN202211290204.4A patent/CN115373856B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109862086A (zh) * | 2019-01-21 | 2019-06-07 | 华北电力大学 | 一种车载边缘计算中基于匹配算法的任务分配策略 |
US20220116456A1 (en) * | 2020-10-08 | 2022-04-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for value-anticipating task offloading |
Also Published As
Publication number | Publication date |
---|---|
CN115373856A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111585916B (zh) | 基于云边协同的lte电力无线专网任务卸载和资源分配方法 | |
CN111786839B (zh) | 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 | |
CN112601197B (zh) | 一种基于非正交多址的车联网络中资源优化方法 | |
CN107766135B (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
Zhao et al. | Contract-based computing resource management via deep reinforcement learning in vehicular fog computing | |
CN111124647B (zh) | 一种车联网中的智能边缘计算方法 | |
CN111010684B (zh) | 一种基于mec缓存服务的车联网资源分配方法 | |
CN109951869B (zh) | 一种基于云雾混合计算的车联网资源分配方法 | |
CN111372314A (zh) | 基于移动边缘计算场景下的任务卸载方法及任务卸载装置 | |
CN108924796B (zh) | 一种资源分配及卸载比例联合决策的方法 | |
CN114143346B (zh) | 一种车联网任务卸载和服务缓存的联合优化方法及系统 | |
CN113645273B (zh) | 基于业务优先级的车联网任务卸载方法 | |
CN111339554A (zh) | 基于移动边缘计算的用户数据隐私保护方法 | |
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 | |
Wu et al. | A mobile edge computing-based applications execution framework for Internet of Vehicles | |
Wang et al. | Dynamic offloading scheduling scheme for MEC-enabled vehicular networks | |
CN112911016A (zh) | 边端协同计算卸载方法及系统、电子设备和存储介质 | |
Tan et al. | Joint offloading and resource allocation based on UAV-assisted mobile edge computing | |
CN115150781A (zh) | 一种基于任务优先级的无人机协助边缘计算的资源分配方法 | |
CN114189521A (zh) | 在f-ran架构中协作计算卸载的方法 | |
Li et al. | Collaborative optimization of edge-cloud computation offloading in internet of vehicles | |
CN115373856B (zh) | 一种端边云网络框架中智能车辆的卸载任务分配方法 | |
CN115964178B (zh) | 一种车联网用户计算任务调度方法、装置及边缘服务网络 | |
Zhao et al. | A research of task-offloading algorithm for distributed vehicles | |
CN113573280B (zh) | 一种车辆边缘计算成本效益优化方法、系统、设备、终端 |
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 |