CN115629873A - 车路云协同任务卸载与任务队列稳定性控制系统和方法 - Google Patents

车路云协同任务卸载与任务队列稳定性控制系统和方法 Download PDF

Info

Publication number
CN115629873A
CN115629873A CN202211268914.7A CN202211268914A CN115629873A CN 115629873 A CN115629873 A CN 115629873A CN 202211268914 A CN202211268914 A CN 202211268914A CN 115629873 A CN115629873 A CN 115629873A
Authority
CN
China
Prior art keywords
task
vehicle
server
unloading
queue
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
CN202211268914.7A
Other languages
English (en)
Inventor
边有钢
马贵福
胡满江
秦晓辉
秦洪懋
徐彪
秦兆博
王晓伟
谢国涛
丁荣军
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202211268914.7A priority Critical patent/CN115629873A/zh
Publication of CN115629873A publication Critical patent/CN115629873A/zh
Pending legal-status Critical Current

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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种车路云协同任务卸载与任务队列稳定性控制系统和方法，其包括：车辆任务管理器，其用于获取任务车在当前时刻生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；车辆任务调度器，其用于根据获取到的在当前时刻任务车与服务器之间的信道功率增益、本地任务队列状态、以及服务器任务队列状态，对卸载策略进行优化；服务器管理器，其具有：资源分配更新单元，其用于根据优化后的卸载策略中任务卸载决策，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车在当前时刻的服务器任务队列状态及计算资源分配、以及车辆与服务器之间的信道功率增益。

Description

车路云协同任务卸载与任务队列稳定性控制系统和方法
技术领域
本发明涉及边缘计算技术领域，尤其是一种在城市交通场景中基于车路云协同的任务卸载与任务队列稳定性控制系统和方法。
背景技术
智能网联车辆技术的发展有力地提升了智能交通系统智能化水平，加之移动边缘计算技术的兴起，边缘服务器可为智能网联车辆提供可靠的计算资源，有效提升其计算性能，保障智能车辆安全稳定运行。然而随着智能网联车辆规模不断增加，边缘服务器有限的计算资源可能无法满足密集的服务请求，导致车辆的服务质量下降。本发明可提供一种在城市交通场景中基于车路云协同的任务卸载与任务队列稳定性控制方法和系统，可充分利用系统中车辆的空闲资源，缓解边缘服务器计算压力，同时所提出的三阶段求解框架可有效降低求解复杂度，并实现长短期任务队列稳定性控制，保障系统稳定运行。
目前已有关于边缘计算相关技术与专利。公开号为CN112148380A的专利公布了一种移动边缘计算任务卸载中的资源优化方法及电子设备，构建以用户终端和边缘服务器任务队列长度最小化为目标的队列稳定性指标及网络资源开销指标，并构建最小化网络资源开销为目标的优化模型，引入拉格朗日乘子法并基于动量随机梯度下降算法进行在线求解以减少任务队列积压；公开号为CN113064665B的专利公布了一种基于李雅普诺夫优化的多服务器计算卸载方法，构建了移动设备平均执行成本最小化问题，通过李雅普诺夫方法消除能量因果约束，并采用拉格朗日对偶法得到卸载决策和资源分配策略的最优解；公开号为CN112860409A的专利公布了一种基于李雅普诺夫优化的移动云计算随机任务序列调度方法，构建用户端总能耗与总时延联合优化模型，基于李雅普诺夫优化方法获得最优执行调度策略；然而，上述技术所构建的最小化用户开销(网络开销、时延与能耗等)优化模型多为非凸优化问题，无法直接求解，现有方法通过将其转化为凸优化问题进行求解，因此其求解效率取决于原问题的复杂度。
发明内容
本发明的目的在于提供一种在城市交通场景中基于车路云协同的任务卸载与任务队列稳定性控制系统和方法，其能够解决现有任务卸载方案优化模型求解复杂度高的问题。
为实现上述目的，本发明提供一种车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，包括：
车辆任务管理器，其用于获取任务车k在当前时刻t生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；
车辆任务调度器，其用于根据获取到的在当前时刻t任务车k与服务器m之间的信道功率增益Gk,m(t)、本地任务队列状态
Figure BDA0003894288470000021
以及服务器任务队列状态
Figure BDA0003894288470000022
对卸载策略进行优化；
服务器管理器，其具有：
资源分配更新单元，其用于根据优化后的卸载策略中任务卸载决策xk,m,t，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车k在当前时刻t的服务器任务队列状态
Figure BDA0003894288470000023
及计算资源分配
Figure BDA0003894288470000024
以及车辆k与服务器m之间的信道功率增益Gk,m(t)。
进一步地，服务器管理器还具有：
轨迹预测单元，其用于通过收集到的车辆历史轨迹信息预测车辆未来行驶轨迹；
车辆云构建单元，其用于以任务车为中心进行相似轨迹聚类，基于现有虚拟化技术构建车辆云平台，并聚合车辆空闲计算资源构建车辆云虚拟计算单元，用于为任务车提供计算资源。
进一步地，车辆任务管理器利用下式(1)在当前时刻t更新本地任务队列状态
Figure BDA0003894288470000025
的方法具体包括：
Figure BDA0003894288470000026
其中：
Figure BDA0003894288470000027
Figure BDA0003894288470000028
式中，Ak(t)为任务车k在t时刻待处理的任务量，τ为每一时刻长度，
Figure BDA0003894288470000029
为车辆本地计算单元分配的计算资源，εk为任务车k处理每字节任务所需CPU计算周期，xk,m,t为任务车k在t时刻所做出的任务卸载决策，Rk,m(t)为任务车k在t时刻更新与服务器m之间的通信速率；
Figure BDA0003894288470000031
式中，Bk,m为服务器m分配给任务车k的信道带宽，pk,m(t)为任务车k在当前时刻t与服务器m的传输功率，σ2为接收器的背景噪声功率大小。
进一步地，若xk,m,t＝1，则任务车k选择将任务卸载到第m台服务器；若xk,m,t＝0，则任务车k未选择将任务卸载到第m台服务器。
进一步地，资源分配更新单元具体包括：
资源分配子单元，其用于根据优化后的xk,m,t，通过服务器的计算单元为相应任务车分配计算资源；
资源更新子单元，其用于服务器m的计算单元为任务车k分配到的计算资源
Figure BDA0003894288470000032
得到其当前时刻t处理的任务量
Figure BDA0003894288470000033
表示为：
Figure BDA0003894288470000034
Figure BDA0003894288470000035
式中，
Figure BDA0003894288470000036
为服务器m在t时刻的任务队列状态，其动态变化可表示为
Figure BDA0003894288470000037
进一步地，车辆任务调度器具有：
卸载策略优化单元，其用于根据Gk,m(t)、
Figure BDA0003894288470000038
和
Figure BDA0003894288470000039
将每一时刻的任务吞吐量设置为
Figure BDA00038942884700000310
利用其中预先设置的任务卸载优化模型P1，对卸载策略进行优化；
Figure BDA00038942884700000311
Figure BDA00038942884700000312
Figure BDA00038942884700000313
Figure BDA00038942884700000314
Figure BDA00038942884700000315
Figure BDA00038942884700000316
Figure BDA00038942884700000317
式中，K为任务车的总数，T为总的时间步长，
Figure BDA00038942884700000318
为任务队列长度最大值，
Figure BDA00038942884700000319
为任务车k的最大能耗，
Figure BDA00038942884700000320
为任务车k最大CPU计算周期，
Figure BDA00038942884700000321
为任务车k的最大传输功率，
Figure BDA00038942884700000322
为服务器m最大CPU计算周期。
7.如权利要求6所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，卸载策略优化单元具体包括：
第一计算子单元，其用于采用李雅普诺夫优化方法将任务卸载优化模型P1对应的原问题分解为连续时间子问题；
第二计算子单元，其用于将连续时间子问题分解为如下三阶段进行求解：
第一阶段，根据任务车每一时刻的能耗约束C2与本地计算资源约束C3，进行本地计算资源分配，并判断当前任务队列是否满足队列长度约束，若是，则进入下一时刻；若否，则进入第二阶段，任务车需将任务进行卸载计算；
第二阶段，以任务车为智能体，根据当前任务队列状态与通信状态，车辆智能体基于深度强化学习方法学习任务卸载决策，任务车做出卸载决策后进入第三阶段；
第三阶段，优化任务传输功率与服务器计算资源分配策略。
本发明还提供一种车路云协同任务卸载与任务队列稳定性控制方法，其包括：
步骤1，获取任务车k在当前时刻t生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；
步骤2，根据获取到的在当前时刻t任务车k与服务器m之间的信道功率增益Gk,m(t)、本地任务队列状态
Figure BDA0003894288470000041
以及服务器任务队列状态
Figure BDA0003894288470000042
对卸载策略进行优化；
步骤3，根据优化后的卸载策略中任务卸载决策xk,m,t，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车k在当前时刻t的服务器任务队列状态
Figure BDA0003894288470000043
及计算资源分配
Figure BDA0003894288470000044
以及车辆k与服务器m之间的信道功率增益Gk,m(t)；其中，服务器包括边缘服务器和车辆云平台，车辆云平台的获取方法包括：
通过收集到的车辆历史轨迹信息预测车辆未来行驶轨迹，再以任务车为中心进行相似轨迹聚类，基于现有虚拟化技术构建车辆云平台，并聚合车辆空闲计算资源构建车辆云虚拟计算单元，用于为任务车提供计算资源。
进一步地，步骤2中，利用下式(1)在当前时刻t更新本地任务队列状态
Figure BDA0003894288470000045
的方法具体包括：
Figure BDA0003894288470000046
其中：
Figure BDA0003894288470000047
Figure BDA0003894288470000051
式中，Ak(t)为任务车k在t时刻待处理的任务量，τ为每一时刻长度，
Figure BDA0003894288470000052
为任务车本地计算单元分配的计算资源，εk为任务车k处理每字节任务所需CPU计算周期，xk,m,t为任务车k在t时刻所做出的任务卸载决策，若xk,m,t＝1，则任务车k选择将任务卸载到第m台服务器；若xk,m,t＝0，则任务车k未选择将任务卸载到第m台服务器，Rk,m(t)为任务车k在t时刻更新与服务器m之间的通信速率；
Figure BDA0003894288470000053
式中，Bk,m为服务器m分配给任务车k的信道带宽，pk,m(t)为任务车k在当前时刻t与服务器m的传输功率，σ2为接收器的背景噪声功率大小。
进一步地，步骤2中，根据Gk,m(t)、
Figure BDA0003894288470000054
和
Figure BDA0003894288470000055
将每一时刻的任务吞吐量设置为
Figure BDA0003894288470000056
利用其中预先设置的任务卸载优化模型P1，对卸载策略进行优化；
Figure BDA0003894288470000057
Figure BDA0003894288470000058
Figure BDA0003894288470000059
Figure BDA00038942884700000510
Figure BDA00038942884700000511
Figure BDA00038942884700000512
Figure BDA00038942884700000513
式中，K为任务车的总数，
Figure BDA00038942884700000514
为任务队列长度最大值，
Figure BDA00038942884700000515
为任务车k的最大能耗，
Figure BDA00038942884700000516
为任务车k最大CPU计算周期，
Figure BDA00038942884700000517
为任务车k的最大传输功率，
Figure BDA00038942884700000518
为服务器m最大CPU计算周期。
本发明由于采取以上技术方案，其具有以下优点：
(1)相比于将任务卸载到边缘服务器或邻近车辆，本发明通过深度神经网络进行车辆轨迹预测，并以任务卸载车辆为聚类中心，基于现有虚拟化技术整合具有相似行驶轨迹的空闲车辆并构建车辆云平台，聚合车辆空闲资源以构建车辆云虚拟计算单元，为车辆提供丰富的计算资源，可缓解大规模交通场景中边缘服务器计算资源不足的问题。
(2)相比于传统凸优化方法，本发明利用李雅普诺夫优化方法与深度强化学习方法构建一个轻量级求解框架，无需对原非凸优化问题进行转化便可直接求解，显著降低计算复杂度。
附图说明
图1为本发明实施例提供的车路云协同任务卸载与任务队列稳定性控制系统的结构示意图。
图2为本发明实施例提供的三阶段求解框架示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，在城市交通场景中，配备边缘服务器的基站均匀分布在道路一侧，将具有任务卸载需求的车辆设置为本实施例中的任务车，将具有空闲计算资源且有意愿分享其资源的车辆设置为本实施例中的资源车。
车辆任务调度器从车辆任务管理器与服务器管理器收集当前系统状态信息，生成卸载策略，具体过程如下。需要说明的是，下面的步骤并非严格地需要遵循下面描述的顺序进行，本领域技术人员在通过适当调整下述步骤顺序来实现本发明实施例的目的，均在本发明的保护范围之内：
如图1所示，本发明实施例提供的车路云协同任务卸载与任务队列稳定性控制系统包括车辆任务管理器、车辆任务调度器和服务器管理器，其中：
车辆任务管理器和车辆任务调度器均设置在车辆上。设置任务车集合表示为K＝{1,2,…,k,…,K}，这意味着道路上总共有K辆任务车，k为任务车的编号，任务车k表示第k辆任务车。设置服务器集合表示为M＝{1,2,…,m,…,M}，这意味着道路上总共有M台服务器，m为服务器的编号，服务器m表示第m台服务器。假设在每一时刻t任务车随机生成延迟敏感型任务，为确保计算任务能及时处理，假设任务可分割并行处理，因此可实现任务在车辆、路侧边缘服务器或车辆云协同计算。
车辆任务管理器用于获取任务车k在当前时刻t生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态。
车辆任务调度器用于通过车辆任务管理器获取任务车k在当前时刻t的本地任务队列状态
Figure BDA0003894288470000061
和任务车约束信息，并根据获取到的在当前时刻t任务车k与服务器m之间的信道功率增益Gk,m(t)、本地任务队列状态
Figure BDA0003894288470000062
以及服务器任务队列状态
Figure BDA0003894288470000063
对卸载策略进行优化。其中，l为表示车辆的参数信息的标记符号，s为表示服务器的参数信息的标记符号。卸载策略包括任务卸载决策xk,m,t、本地资源分配
Figure BDA0003894288470000071
传输功率pk,m(t)。任务车约束信息包括车辆最大CPU计算周期
Figure BDA0003894288470000072
任务队列长度约束
Figure BDA0003894288470000073
能耗约束
Figure BDA0003894288470000074
和最大传输功率
Figure BDA0003894288470000075
优选地，车辆任务调度器用于通过车辆任务管理器获取任务车k在当前时刻t的本地任务队列状态
Figure BDA0003894288470000076
和任务车约束信息的方法包括：
首先，车辆任务管理器获取任务车k在当前时刻t生成的任务信息。
本实施例中，任务车k在当前时刻t生成的任务信息采用二元数组(Ak(t),εk)进行描述，Ak(t)为任务车k在t时刻待处理的任务量，单位为bit。εk为任务车k处理每字节任务所需CPU计算周期，单位为cycles/bit。
然后，车辆任务管理器根据计算任务，获取任务车k在当前时刻t的本地任务队列状态
Figure BDA0003894288470000077
和任务车约束信息。
服务器管理器具有资源分配更新单元，资源分配更新单元用于根据优化后的卸载策略中任务卸载决策xk,m,t，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车k在当前时刻t的服务器任务队列状态
Figure BDA0003894288470000078
及计算资源分配
Figure BDA0003894288470000079
以及车辆k与服务器m之间的信道功率增益Gk,m(t)。
在一个实施例中，服务器管理器还具有轨迹预测单元和车辆云构建单元，其中：
轨迹预测单元用于通过收集到的车辆历史轨迹信息预测车辆未来行驶轨迹。
车辆云构建单元，其用于以任务车为中心进行相似轨迹聚类，基于现有虚拟化技术构建车辆云平台，并聚合车辆空闲计算资源构建车辆云虚拟计算单元，用于为任务车提供计算资源。
本实施例利用边缘服务器具有地理位置分散以及可持续能源供应的先天优势，例如：其覆盖范围内基于时间序列的车辆历史轨迹信息，通过预先部署在边缘服务器内的长短期记忆网络(long short-term memory，LSTM)等深度学习模型或Transformer方法进行车辆轨迹预测。再采用K-均值算法(K-means)或DBSCAN(Density-Based SpatialClustering of Applications with Noise)方法等现有聚类算法将具有相似行驶轨迹的资源车进行聚类，由此便可基于现有虚拟化技术聚合多个单一车辆的空闲计算资源，构建车辆云平台。
车辆云平台与边缘服务器均用于为任务车提供云计算服务，因此，为方便描述，将其在文中其他地方统称为服务器。
在一个实施例中，车辆任务管理器利用下式(1)在当前时刻t更新本地任务队列状态
Figure BDA0003894288470000081
的方法具体包括：
Figure BDA0003894288470000082
其中：
Figure BDA0003894288470000083
Figure BDA0003894288470000084
式中，Ak(t)为任务车k在t时刻待处理的任务量，τ为每一时刻长度，
Figure BDA0003894288470000085
为本地计算任务量，
Figure BDA0003894288470000086
为车辆本地计算单元分配的计算资源，其上界为
Figure BDA0003894288470000087
εk为任务车k处理每字节任务所需CPU计算周期，xk,m,t为任务车k在t时刻所做出的任务卸载决策，
Figure BDA0003894288470000088
为任务车k的任务传输单元在t时刻卸载的任务量，Rk,m(t)为任务车k在t时刻更新与服务器m之间的通信速率。
根据信道功率增益Gk,m(t)以及香农定理，可得下式(2)：
Figure BDA0003894288470000089
式中，Bk,m为服务器m分配给任务车k的信道带宽，pk,m(t)为任务车k在当前时刻t与服务器m的传输功率，且上界为
Figure BDA00038942884700000810
σ2为接收器的背景噪声功率大小。
本实施例的式(1)描述了在t时刻车辆本地任务队列的动态变化过程，由任务到达Ak(t)与任务离开
Figure BDA00038942884700000811
共同维护，其上界为
Figure BDA00038942884700000812
因此，不同于现有的任务卸载方案通过任务时延约束保证任务执行可靠性，本发明实施例则可以通过动态调整任务队列长度约束保证任务执行可靠性。例如，若
Figure BDA00038942884700000813
则表示任务需实时处理，不允许车辆任务队列积压；若
Figure BDA00038942884700000814
则表示允许车辆任务队列积压，任务无需被实时处理。
在一个实施例中，若xk,m,t＝1，则任务车k选择将任务卸载到第m台服务器；若xk,m,t＝0，则任务车k未选择将任务卸载到第m台服务器。
在一个实施例中，资源分配更新单元具体包括资源分配子单元和资源更新子单元，其中：
资源分配子单元用于根据优化后的xk,m,t，通过服务器的计算单元为相应任务车分配计算资源。
资源更新子单元用于服务器m的计算单元为任务车k分配到的计算资源
Figure BDA0003894288470000091
得到其当前时刻t处理的任务量
Figure BDA0003894288470000092
表示为：
Figure BDA0003894288470000093
Figure BDA0003894288470000094
其中，
Figure BDA0003894288470000095
为第m台服务器的计算单元为车辆k分配的计算资源，由于每台服务器可为多辆任务车提供计算资源，为保证计算资源分配的公平性，服务器m根据任务车k卸载到其的任务量占该服务器任务队列所有任务量的比例为其分配资源，其上界为
Figure BDA0003894288470000096
为服务器m在t时刻的任务队列状态，其动态变化可表示为
Figure BDA0003894288470000097
与本地任务队列类似，该任务队列由任务到达
Figure BDA0003894288470000098
与任务离开
Figure BDA0003894288470000099
共同维护。同时，服务器m根据当前时刻t任务车k与其时变距离获取信道功率增益Gk,m(t)并传输到车辆任务调度器，信道功率增益Gk,m(t)计算方法可参见专利CN111741438A中所描述的方法。
在一个实施例中，车辆任务调度器具有卸载策略优化单元，卸载策略优化单元用于根据Gk,m(t)、
Figure BDA00038942884700000910
和
Figure BDA00038942884700000911
将每一时刻的任务吞吐量设置为
Figure BDA00038942884700000912
利用其中预先设置的任务卸载优化模型P1，对卸载策略进行优化；
Figure BDA00038942884700000913
Figure BDA00038942884700000914
Figure BDA00038942884700000915
Figure BDA00038942884700000916
Figure BDA00038942884700000917
Figure BDA00038942884700000918
Figure BDA00038942884700000919
式中，K为任务车的总数，T为总的时间步长，
Figure BDA00038942884700000920
为任务队列长度最大值，
Figure BDA00038942884700000921
为任务车k的最大能耗，任务车k的能耗
Figure BDA00038942884700000922
设置为：
Figure BDA00038942884700000923
ξ为与汽车芯片架构相关的能耗系数，
Figure BDA00038942884700000924
为任务车k最大CPU计算周期，
Figure BDA00038942884700000925
为任务车k的最大传输功率，
Figure BDA00038942884700000926
为服务器m最大CPU计算周期。
约束C1表示车辆当前任务队列长度需满足队列长度约束。注意，本实施例通过添加约束C1实现任务计算实时性，即任务队列长度约束值越小，则任务计算时延越低。因此也可通过现有方法所采用的任务计算时延约束实现相同功能；约束C2表示t时刻本地处理任务能耗需满足能耗约束；约束C3表示t时刻分配的本地计算资源不超过车辆最大计算资源约束；约束C4表示车辆k在t时刻只能选择一台服务器进行任务卸载；约束C5表示车辆任务传输功率需满足最大功率约束；约束C6表示服务器m在t时刻分配给所有车辆的计算资源不超过其最大计算资源。
由任务卸载优化模型P1可知，车辆的任务吞吐量大小与车辆本地计算资源分配
Figure BDA0003894288470000101
及传输功率pk,m(t)均成正比，因此可直接通过约束条件求解计算资源分配与传输功率的最优解。现有方法也可将任务吞吐量转化为任务计算速率，即设置每一时刻任务吞吐量大小与时间长度τ的比值。
在一个实施例中，分析以上任务卸载优化模型P1可知，由于多个优化变量间以及连续时间槽之间均存在耦合性，故任务卸载优化模型P1对应的原问题为非凸优化问题。为求解该优化问题，卸载策略优化单元具体包括第一计算子单元和第二计算子单元，其中：
第一计算子单元用于采用李雅普诺夫优化方法将任务卸载优化模型P1对应的原问题分解为连续时间子问题。如公开号为CN112860409A的专利所描述的李雅普诺夫漂移-惩罚函数构建方法，原问题P1的李雅普诺夫漂移-惩罚函数可构建为最大化t时刻平均任务吞吐量(惩罚)的同时减小t时刻与t+1时刻间任务队列的差异(漂移)，由此可得分解后的连续时间子问题P2为：
Figure BDA0003894288470000102
s.t.：C1～C6
其中V>0为李雅普诺夫权重系数，表示任务吞吐量相对于李雅普诺夫漂移的重要程度。
由于连续时间子问题P2的多个优化变量之间仍存在耦合性，第二计算子单元用于将连续时间子问题分解为如下三阶段进行求解，如图2所示：
第一阶段：任务车根据能耗约束C2与本地计算资源约束C3，进行本地计算资源分配，并判断当前任务队列
Figure BDA0003894288470000103
是否满足队列长度约束，若是，则更新本地任务队列为
Figure BDA0003894288470000104
并进入下一时刻；若否，则任务车需将任务进行卸载计算，部分任务进行卸载以满足队列长度约束条件，则进入第二阶段求解任务卸载策略。其中，本地计算资源分配的方法包括：
求解最优本地计算资源分配策略
Figure BDA0003894288470000111
同时可获得本地计算任务量
Figure BDA0003894288470000112
获得本地任务队列
Figure BDA0003894288470000113
第二阶段：由于第一阶段在能耗约束条件下任务车只能处理部分任务，为了满足队列长度约束条件C1，任务车需将多余的任务卸载到服务器。由于在城市交通场景中环境高度动态变化，采用传统优化方法难以捕捉快速变化的高维环境状态信息并进行求解，因此，本发明实施例以任务车为智能体，根据当前任务队列状态与通信状态，车辆智能体基于深度强化学习方法学习任务卸载决策。例如：本发明实施例采用深度Q学习方法，将子问题P2设为智能体的奖励值，分别构建Q-预测网络与Q-目标网络，智能体根据Q-预测网络输出的Q值采用∈-greedy生成并执行卸载动作，同时将卸载动作、奖励值及下一时刻状态信息存入经验回放池中，随机抽取一定数量批处理用于训练神经网络直到算法收敛，并定期将更新参数同步到Q-目标网络，最终输出最优任务卸载决策
Figure BDA0003894288470000114
第三阶段：任务车做出最优卸载决策后，任务将传输到服务器进行计算，为了保证任务传输可靠性，需对传输功率进行优化。由约束C1与约束C5可得最优传输功率为：
Figure BDA0003894288470000115
其中，
Figure BDA0003894288470000116
为第一阶段求解所得最优本地计算资源分配策略。
由此可得：任务传输量
Figure BDA0003894288470000117
任务传输到服务器后进入任务队列，服务器的计算单元为其分配计算资源
Figure BDA0003894288470000118
为了公平起见，将服务器计算资源
Figure BDA0003894288470000119
的分配策略设置为第k辆车卸载到第m台服务器的任务量占所有车辆卸载到第m台服务器的任务总量的比值：
Figure BDA00038942884700001110
由此可获得：服务器所计算的任务量
Figure BDA00038942884700001111
进一步更新服务器任务队列
Figure BDA00038942884700001112
并进入下一时刻t+1。如此循环更新直到到达终止时间T。
本发明实施例还提供一种车路云协同任务卸载与任务队列稳定性控制方法，其包括：
步骤1，获取任务车k在当前时刻t生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；
步骤2，根据获取到的在当前时刻t任务车k与服务器m之间的信道功率增益Gk,m(t)、本地任务队列状态
Figure BDA0003894288470000121
以及服务器任务队列状态
Figure BDA0003894288470000122
对卸载策略进行优化；
步骤3，根据优化后的卸载策略中任务卸载决策xk,m,t，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车k在当前时刻t的服务器任务队列状态
Figure BDA0003894288470000123
及计算资源分配
Figure BDA0003894288470000124
以及车辆k与服务器m之间的信道功率增益Gk,m(t)；其中，服务器包括边缘服务器和车辆云平台，车辆云平台的获取方法包括：
通过收集到的车辆历史轨迹信息预测车辆未来行驶轨迹，再以任务车为中心进行相似轨迹聚类，基于现有虚拟化技术构建车辆云平台，并聚合车辆空闲计算资源构建车辆云虚拟计算单元，用于为任务车提供计算资源。
在一个实施例中，步骤2中，利用下式(1)在当前时刻t更新本地任务队列状态
Figure BDA0003894288470000125
本发明考虑了城市交通场景中车辆的实时移动性及通信状态的变化特性，以最大化车辆本地计算与卸载的任务吞吐量为优化目标建立任务卸载优化模型，综合考虑车辆任务队列长度约束、能耗约束与传输功率约束，结合李雅普诺夫优化方法与深度强化学习方法构建轻量级求解框架，实现长短期任务队列稳定性并降低求解复杂度。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，包括：
车辆任务管理器，其用于获取任务车k在当前时刻t生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；
车辆任务调度器，其用于根据获取到的在当前时刻t任务车k与服务器m之间的信道功率增益Gk,m(t)、本地任务队列状态
Figure FDA0003894288460000011
以及服务器任务队列状态
Figure FDA0003894288460000012
对卸载策略进行优化；
服务器管理器，其具有：
资源分配更新单元，其用于根据优化后的卸载策略中任务卸载决策xk,m,t，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车k在当前时刻t的服务器任务队列状态
Figure FDA0003894288460000013
及计算资源分配
Figure FDA0003894288460000014
以及车辆k与服务器m之间的信道功率增益Gk,m(t)。
2.如权利要求1所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，服务器管理器还具有：
轨迹预测单元，其用于通过收集到的车辆历史轨迹信息预测车辆未来行驶轨迹；
车辆云构建单元，其用于以任务车为中心进行相似轨迹聚类，基于现有虚拟化技术构建车辆云平台，并聚合车辆空闲计算资源构建车辆云虚拟计算单元，用于为任务车提供计算资源。
3.如权利要求1或2所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，车辆任务管理器利用下式(1)在当前时刻t更新本地任务队列状态
Figure FDA0003894288460000015
的方法具体包括：
Figure FDA0003894288460000016
其中：
Figure FDA0003894288460000017
Figure FDA0003894288460000018
式中，Ak(t)为任务车k在t时刻待处理的任务量，τ为每一时刻长度，
Figure FDA0003894288460000019
为车辆本地计算单元分配的计算资源，εk为任务车k处理每字节任务所需CPU计算周期，xk,m,t为任务车k在t时刻所做出的任务卸载决策，Rk,m(t)为任务车k在t时刻更新与服务器m之间的通信速率；
Figure FDA0003894288460000021
式中，Bk,m为服务器m分配给任务车k的信道带宽，pk,m(t)为任务车k在当前时刻t与服务器m的传输功率，σ2为接收器的背景噪声功率大小。
4.如权利要求3所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，若xk,m,t＝1，则任务车k选择将任务卸载到第m台服务器；若xk,m,t＝0，则任务车k未选择将任务卸载到第m台服务器。
5.如权利要求3所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，资源分配更新单元具体包括：
资源分配子单元，其用于根据优化后的xk,m,t，通过服务器的计算单元为相应任务车分配计算资源；
资源更新子单元，其用于服务器m的计算单元为任务车k分配到的计算资源
Figure FDA0003894288460000022
得到其当前时刻t处理的任务量
Figure FDA0003894288460000023
表示为：
Figure FDA0003894288460000024
Figure FDA0003894288460000025
式中，
Figure FDA0003894288460000026
为服务器m在t时刻的任务队列状态，其动态变化可表示为
Figure FDA0003894288460000027
6.如权利要求5所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，车辆任务调度器具有：
卸载策略优化单元，其用于根据Gk,m(t)、
Figure FDA0003894288460000028
和
Figure FDA0003894288460000029
将每一时刻的任务吞吐量设置为
Figure FDA00038942884600000210
利用其中预先设置的任务卸载优化模型P1，对卸载策略进行优化；
P1：
Figure FDA00038942884600000211
s.t.：
Figure FDA00038942884600000212
Figure FDA00038942884600000213
Figure FDA00038942884600000214
Figure FDA00038942884600000215
Figure FDA00038942884600000216
Figure FDA00038942884600000217
式中，K为任务车的总数，T为总的时间步长，
Figure FDA0003894288460000031
为任务队列长度最大值，
Figure FDA0003894288460000032
为任务车k的最大能耗，
Figure FDA0003894288460000033
为任务车k最大CPU计算周期，
Figure FDA0003894288460000034
为任务车k的最大传输功率，
Figure FDA0003894288460000035
为服务器m最大CPU计算周期。
7.如权利要求6所述的车路云协同任务卸载与任务队列稳定性控制系统，其特征在于，卸载策略优化单元具体包括：
第一计算子单元，其用于采用李雅普诺夫优化方法将任务卸载优化模型P1对应的原问题分解为连续时间子问题；
第二计算子单元，其用于将连续时间子问题分解为如下三阶段进行求解：
第一阶段，根据任务车每一时刻的能耗约束C2与本地计算资源约束C3，进行本地计算资源分配，并判断当前任务队列是否满足队列长度约束，若是，则进入下一时刻；若否，则进入第二阶段，任务车需将任务进行卸载计算；
第二阶段，以任务车为智能体，根据当前任务队列状态与通信状态，车辆智能体基于深度强化学习方法学习任务卸载决策，任务车做出卸载决策后进入第三阶段；
第三阶段，优化任务传输功率与服务器计算资源分配策略。
8.一种车路云协同任务卸载与任务队列稳定性控制方法，其特征在于，包括：
步骤1，获取任务车k在当前时刻t生成的任务信息，同时根据上一时刻的任务卸载决策在当前时刻更新本地任务队列状态；
步骤2，根据获取到的在当前时刻t任务车k与服务器m之间的信道功率增益Gk,m(t)、本地任务队列状态
Figure FDA0003894288460000036
以及服务器任务队列状态
Figure FDA0003894288460000037
对卸载策略进行优化；
步骤3，根据优化后的卸载策略中任务卸载决策xk,m,t，通过服务器为相应任务车分配计算资源，向车辆任务调度器传输更新后的任务车k在当前时刻t的服务器任务队列状态
Figure FDA0003894288460000038
及计算资源分配
Figure FDA0003894288460000039
以及车辆k与服务器m之间的信道功率增益Gk,m(t)；其中，服务器包括边缘服务器和车辆云平台，车辆云平台的获取方法包括：
通过收集到的车辆历史轨迹信息预测车辆未来行驶轨迹，再以任务车为中心进行相似轨迹聚类，基于现有虚拟化技术构建车辆云平台，并聚合车辆空闲计算资源构建车辆云虚拟计算单元，用于为任务车提供计算资源。
9.如权利要求8所述的车路云协同任务卸载与任务队列稳定性控制方法，其特征在于，步骤2中，利用下式(1)在当前时刻t更新本地任务队列状态
Figure FDA0003894288460000041
的方法具体包括：
Figure FDA0003894288460000042
其中：
Figure FDA0003894288460000043
Figure FDA0003894288460000044
式中，Ak(t)为任务车k在t时刻待处理的任务量，τ为每一时刻长度，
Figure FDA0003894288460000045
为任务车本地计算单元分配的计算资源，εk为任务车k处理每字节任务所需CPU计算周期，xk,m,t为任务车k在t时刻所做出的任务卸载决策，若xk,m,t＝1，则任务车k选择将任务卸载到第m台服务器；若xk,m,t＝0，则任务车k未选择将任务卸载到第m台服务器，Rk,m(t)为任务车k在t时刻更新与服务器m之间的通信速率；
Figure FDA0003894288460000046
式中，Bk,m为服务器m分配给任务车k的信道带宽，pk,m(t)为任务车k在当前时刻t与服务器m的传输功率，σ2为接收器的背景噪声功率大小。
10.如权利要求8或9所述的车路云协同任务卸载与任务队列稳定性控制方法，其特征在于，步骤2中，根据Gk,m(t)、
Figure FDA0003894288460000047
和
Figure FDA0003894288460000048
将每一时刻的任务吞吐量设置为
Figure FDA0003894288460000049
利用其中预先设置的任务卸载优化模型P1，对卸载策略进行优化；
P1：
Figure FDA00038942884600000410
s.t.：
Figure FDA00038942884600000411
Figure FDA00038942884600000412
Figure FDA00038942884600000413
Figure FDA00038942884600000414
Figure FDA00038942884600000415
Figure FDA00038942884600000416
式中，K为任务车的总数，
Figure FDA0003894288460000051
为任务队列长度最大值，
Figure FDA0003894288460000052
为任务车k的最大能耗，
Figure FDA0003894288460000053
为任务车k最大CPU计算周期，
Figure FDA0003894288460000054
为任务车k的最大传输功率，
Figure FDA0003894288460000055
为服务器m最大CPU计算周期。
CN202211268914.7A 2022-10-17 2022-10-17 车路云协同任务卸载与任务队列稳定性控制系统和方法 Pending CN115629873A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211268914.7A CN115629873A (zh) 2022-10-17 2022-10-17 车路云协同任务卸载与任务队列稳定性控制系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211268914.7A CN115629873A (zh) 2022-10-17 2022-10-17 车路云协同任务卸载与任务队列稳定性控制系统和方法

Publications (1)

Publication Number Publication Date
CN115629873A true CN115629873A (zh) 2023-01-20

Family

ID=84903824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211268914.7A Pending CN115629873A (zh) 2022-10-17 2022-10-17 车路云协同任务卸载与任务队列稳定性控制系统和方法

Country Status (1)

Country Link
CN (1) CN115629873A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116382925A (zh) * 2023-06-05 2023-07-04 北京纷扬科技有限责任公司 一种任务队列的动态调整方法、装置及存储介质
CN116723526A (zh) * 2023-08-08 2023-09-08 北京航空航天大学 一种无人机辅助的网联车辆队列随机任务分配决策方法
CN117097619A (zh) * 2023-10-20 2023-11-21 北京航空航天大学 一种车路云协同的通算存资源优化配置方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116382925A (zh) * 2023-06-05 2023-07-04 北京纷扬科技有限责任公司 一种任务队列的动态调整方法、装置及存储介质
CN116382925B (zh) * 2023-06-05 2023-08-15 北京纷扬科技有限责任公司 一种任务队列的动态调整方法、装置及存储介质
CN116723526A (zh) * 2023-08-08 2023-09-08 北京航空航天大学 一种无人机辅助的网联车辆队列随机任务分配决策方法
CN116723526B (zh) * 2023-08-08 2023-10-24 北京航空航天大学 一种无人机辅助的网联车辆队列随机任务分配决策方法
CN117097619A (zh) * 2023-10-20 2023-11-21 北京航空航天大学 一种车路云协同的通算存资源优化配置方法及系统
CN117097619B (zh) * 2023-10-20 2023-12-15 北京航空航天大学 一种车路云协同的通算存资源优化配置方法及系统

Similar Documents

Publication Publication Date Title
CN110099384B (zh) 基于边-端协同的多用户多mec任务卸载资源调度方法
CN111277437B (zh) 一种智能电网的网络切片资源分配方法
CN115629873A (zh) 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN110928658B (zh) 一种车边云协同架构的协同任务迁移系统及算法
CN110312231A (zh) 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法
CN110717300B (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN111507601A (zh) 基于深度强化学习与区块链共识的资源优化分配决策方法
CN111182495B (zh) 一种5g车联网部分计算卸载方法
CN111711666B (zh) 一种基于强化学习的车联网云计算资源优化方法
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN113641417B (zh) 一种基于分支定界法的车辆安全任务卸载方法
CN115209426B (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN110489218A (zh) 基于半马尔可夫决策过程的车载雾计算系统任务卸载方法
CN112860429A (zh) 一种移动边缘计算系统中任务卸载的成本效率优化系统及方法
CN111629443A (zh) 用于超5g车联网中的动态频谱切片框架的优化方法及系统
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
CN114928611A (zh) 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法
CN114172558A (zh) 一种车辆网络中基于边缘计算和无人机集群协同的任务卸载方法
CN113821346A (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
Nguyen et al. EdgePV: collaborative edge computing framework for task offloading
CN115208892B (zh) 基于动态资源需求的车路协同在线任务调度方法及系统
CN115134370B (zh) 一种多无人机辅助的移动边缘计算卸载方法
CN116528298A (zh) 大范围灾区中基于leo卫星与hap协作的计算卸载策略
CN116541163A (zh) 一种基于任务聚类的云边端协同系统数据处理方法及系统
CN113452625B (zh) 基于深度强化学习的卸载调度与资源分配方法

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