CN116112896A - 一种基于移动感知的车联网任务卸载优化方法 - Google Patents

一种基于移动感知的车联网任务卸载优化方法 Download PDF

Info

Publication number
CN116112896A
CN116112896A CN202111316763.3A CN202111316763A CN116112896A CN 116112896 A CN116112896 A CN 116112896A CN 202111316763 A CN202111316763 A CN 202111316763A CN 116112896 A CN116112896 A CN 116112896A
Authority
CN
China
Prior art keywords
task
unloading
vehicles
beta
vector
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
CN202111316763.3A
Other languages
English (en)
Inventor
汤静
李旭杰
吕勇
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202111316763.3A priority Critical patent/CN116112896A/zh
Publication of CN116112896A publication Critical patent/CN116112896A/zh
Pending legal-status Critical Current

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]
    • 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]
    • 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
    • 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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • 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
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • 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
    • H04W52/0209—Power saving arrangements in terminal devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于移动感知的车联网任务卸载优化方法，方法包括：(1)初始化系统参数，包括路边单元相关参数、车辆相关参数、任务相关参数和算法初始参数；(2)生成计算任务的卸载比例分配向量，向量中每个元素代表对应车辆接收任务的比例；(3)通过优化任务卸载比例来优化系统的能耗，基于所提出的算法寻找任务卸载的最优解；(4)按照最优解对应的分配策略进行任务卸载。本发明能快速有效地进行任务卸载计算的优化，有效减小时延并降低卸载计算的成本。

Description

一种基于移动感知的车联网任务卸载优化方法
技术领域
本发明涉及5G通信领域，具体涉及一种基于移动感知的车联网任务卸载优化方法。
背景技术
随着车载技术的快速发展和对车载数据传输服务的计算需求的不断增长，计算能力有限的车载终端面临着巨大的挑战，特别是在其计算资源方面。5G时代的大数据技术在数据处理方面需要更高的效率和智能。为了应对汽车终端的爆炸性计算需求和车辆终端有限的处理能力，基于云的车辆网络被广泛认为是提高服务效率的新范式。然而，车辆终端与云服务器之间任务文件的远程传输以及无线通道的波动可能会造成相当大的延迟，影响通信质量，降低用户的体验。此外，动态和不确定的车辆环境带来了额外的挑战，以保持长期令人满意的用户体验
为了解决上述问题，移动边缘计算(MEC)是车辆网络中的一种替代方案，通过在车辆和用户提供高可靠性和低延迟的服务。MEC可以通过在用户边缘附近部署服务器来弥补云计算中低通信延迟的不足。一方面，MEC服务器具有计算资源，以满足与之相关的路边单元(RSU)覆盖范围内的车辆或相邻RSU的卸载需求。另一方面，MEC服务器一旦收到来自车辆终端的计算请求，就可以提供快速的交互式响应。此外，通过将密集的计算工作负载卸载到近MEC服务器，可以显著减少车辆(V2V)或车辆到基础设施(V2I)的延迟用于执行。可以提高通信服务质量，也可以大大减轻车载终端任务处理器的负担。
但在传统的卸载方案中，车辆的移动性很少被考虑到，这将会出现车辆连接不上基站的情况，导致服务的不连续与计算资源的不稳定性，这些对卸载决策提出了新的挑战。针对这种情况，本发明提出了一种基于移动感知的车联网任务卸载优化算法，让具备计算能力的车辆可以在车辆雾网络中提供VEC服务，从而解决了车辆高速移动性的问题。
发明内容
发明目的，本发明的目的是针对车联网环境下边缘计算的资源分配问题，提供了一种基于移动感知的车联网任务卸载优化算法，快速有效地进行计算资源分配的优化，使系统总体能耗降至最低。
技术方案，为实现上述发明目的，本发明采用如下技术方案：
一种基于移动感知的车联网任务卸载优化方法，包括以下步骤：
(1)初始化系统参数，所述参数包括路边单元的覆盖半径r、单元中心到道路的垂直距离m、路边单元内的车辆数目k、路边单元与车辆之间的传输带宽、每个时隙的长d、任务的输入数据量I、任务所需的计算资源C、车辆的位置信息。
(2)随机生成一个计算任务的卸载比例分配向量β＝[β1，β2，...，βk，...βK]，每个元素满足0≤βk≤1和
Figure BSA0000257095860000021
k代表路边单元内车辆的数目。
(3)对系统能耗的目标函数列出拉格朗日方程，并写出对应的拉格朗日对偶问题。
(4)根据次梯度法求出拉格朗日乘子λk、μk、θ。
(5)向量中每个元素βk除以该行所有元素的和，以满足约束条件：
0≤βk≤1和
Figure BSA0000257095860000022
(6)根据拉格朗日乘子，求出任务分配卸载向量
Figure BSA0000257095860000023
为：
Figure BSA0000257095860000024
(7)步骤(3)-(6)迭代循环n次，最后根据向量
Figure BSA0000257095860000025
分配对应的任务卸载比例。
有益成果：与现有技术相比，本发明基于一种新型的卸载方案提出了一种基于移动感知的车联网任务卸载优化算法，能够有效的提高车辆计算资源的利用率，而且使系统的能耗降至最低。
附图说明
图1是本发明方法的场景模型图：
图2是车联网中任务卸载计算能耗的优化方法的具体流程图：
图3是使用本发明的算法和其他算法下的能耗函数比较图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明实施例结合具体场景详细分析车联网中任务卸载计算能耗的优化方法，下面详细分析以下场景的设定与参数的设置。
1、道路和车辆的参数
我们考虑一条单向直线道路，沿着道路的一侧部署RSU，假设路边基站的覆盖半径约为200米微小区。微小区半径用r表示，对于小区中心至道路的垂直距离用m表示，通过已知的RSU覆盖半径和从单元中心到道路的垂直距离m可以计算覆盖范围内车辆行驶的总距离s为
Figure BSA0000257095860000031
表示车辆的集合，为了方便起见，我们引入了一个离散时间系统，将车辆k行驶的时间T划分为i个相同的时间段，d表示每个时隙的长度，车辆k的速度可以写为vk，k＝{1，2，...，k，...，K}服从均匀分布，因此车辆k在每个时隙行驶的距离为vkd。
2、系统模型的建立
在专利中，我们提出了一种新型的卸载计算方案，首先，我们将车辆的运行时间划分为多个相同的时隙，在每个时隙内，我们认为车辆到基站之间的距离是不变的，RSU按比率的将一个任务分发给多个车辆，通过优化任务卸载比率来优化系统的能耗，对于系统能耗的优化，将其转换为凸优化的问题进行解决。然后使用一种基于凸算法的拉格朗日及其对偶方法来解决这个问题，并提出了一种低复杂度的算法来优化任务卸载比率，通过不断地迭代拉格朗日乘子，直到其收敛。最后，仿真结果验证了所提方案的高效性能，与其他算法相比，本文所提算法不仅提高了车辆计算资源的利用率，而且使系统总体能耗降至最低。
3、系统能耗
Figure BSA0000257095860000032
Figure BSA0000257095860000033
Figure BSA0000257095860000034
其中，
Figure BSA0000257095860000035
代表车辆k所分配的任务传输时间，β＝[β1，β2，...，βk，...βK]代表计算任务的卸载比例分配向量，C指的是计算任务所需的计算资源。表达式的前半部分是系统的传输能耗，后半部分是系统在本地的计算能耗。
如图2所示，本发明实施例公开的一种新型的卸载方案提出了一种基于移动感知的车联网任务卸载优化方法，包括以下步骤：
(1)初始化系统参数，所述参数包括路边单元的覆盖半径r、单元中心到道路的垂直距离m、路边单元内的车辆数目k、路边单元与车辆之间的传输带宽、每个时隙的长d、任务的输入数据量I、任务所需的计算资源C、车辆的位置信息。
(2)随机生成一个计算任务的卸载比例分配向量β＝[β1，β2，...，βk，...βK]，每个元素满足0≤βk≤1和
Figure BSA0000257095860000041
k代表路边单元内车辆的数目。
(3)对系统能耗的目标函数列出拉格朗日方程，并写出对应的拉格朗日对偶问题。
(4)根据次梯度法求出拉格朗日乘子λk、μk、θ。
(5)向量中每个元素βk除以该行所有元素的和，以满足约束条件：
0≤βk≤1和
Figure BSA0000257095860000042
(6)根据拉格朗日乘子，求出任务分配卸载向量
Figure BSA0000257095860000043
为：
Figure BSA0000257095860000044
(7)步骤(3)-(6)迭代循环n次，最后根据向量
Figure BSA0000257095860000045
分配对应的任务卸载比例。
图3详细比较了使用本发明的算法和在其他算法下消耗函数的比较图。为验证本发明方法比现有技术的优势，本发明设定如下仿真参数：小区的覆盖半径为200m，覆盖单元中心到道路的垂直距离为80m，每个车辆分配的RSU带宽为1Mhz，RSU与车辆的发射功率均为0.1w，任务的输入数据量为100Mb，每个时隙的长度为0.1s，车辆的数目为8，行驶速度在之间(0，70)km/h之间。从图中可以看出，使用遗传算法是在第35代左右收敛，其优化结果容易陷入局部最优解。天牛须算法是在第30代左右收敛，由于其初始值和收敛值都很大，所以需要消耗更多的系统函数。而本专利中所提算法计算量小，耗时短。

Claims (2)

1.一种基于移动感知的车联网任务卸载优化方法，其特征在于，所述方法包括以下步骤：
(1)初始化系统参数，所述参数包括路边单元的覆盖半径r、单元中心到道路的垂直距离m、路边单元内的车辆数目k、路边单元与车辆之间的传输带宽、每个时隙的长d、任务的输入数据量I、任务所需的计算资源C、车辆的位置信息。
(2)随机生成一个计算任务的卸载比例分配向量β＝[β1，β2，...，βk，...βK]，每个元素满足0≤βk≤1和
Figure FSA0000257095850000011
k代表路边单元内车辆的数目。
(3)对系统能耗的目标函数列出拉格朗日方程，并写出对应的拉格朗日对偶问题。
(4)根据次梯度法求出拉格朗日乘子λk、μk、θ。
(5)向量中每个元素βk除以该行所有元素的和，以满足约束条件：0≤βk≤1和
Figure FSA0000257095850000012
(6)根据拉格朗日乘子，求出任务分配卸载向量
Figure FSA0000257095850000013
为：
Figure FSA0000257095850000014
(7)步骤(3)-(6)迭代循环n次，最后根据向量
Figure FSA0000257095850000015
分配对应的任务卸载比例。
2.根据权利要求1所述的一种基于移动感知的车联网任务卸载优化方法，其特征在于，所述步骤(3)中目标函数表示为：
Figure FSA0000257095850000016
Figure FSA0000257095850000017
Figure FSA0000257095850000018
其中βk代表计算任务的卸载比例分配向量，
Figure FSA0000257095850000019
代表任务卸载所需要的时间。
CN202111316763.3A 2021-11-08 2021-11-08 一种基于移动感知的车联网任务卸载优化方法 Pending CN116112896A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111316763.3A CN116112896A (zh) 2021-11-08 2021-11-08 一种基于移动感知的车联网任务卸载优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111316763.3A CN116112896A (zh) 2021-11-08 2021-11-08 一种基于移动感知的车联网任务卸载优化方法

Publications (1)

Publication Number Publication Date
CN116112896A true CN116112896A (zh) 2023-05-12

Family

ID=86264233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111316763.3A Pending CN116112896A (zh) 2021-11-08 2021-11-08 一种基于移动感知的车联网任务卸载优化方法

Country Status (1)

Country Link
CN (1) CN116112896A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117499999A (zh) * 2023-12-29 2024-02-02 四川华鲲振宇智能科技有限责任公司 一种基于边缘计算的任务卸载方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117499999A (zh) * 2023-12-29 2024-02-02 四川华鲲振宇智能科技有限责任公司 一种基于边缘计算的任务卸载方法
CN117499999B (zh) * 2023-12-29 2024-04-12 四川华鲲振宇智能科技有限责任公司 一种基于边缘计算的任务卸载方法

Similar Documents

Publication Publication Date Title
CN111836283B (zh) 一种基于mec多服务器的车联网资源分配方法
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
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
CN111314889A (zh) 车联网中基于移动边缘计算的任务卸载与资源分配方法
CN111010684B (zh) 一种基于mec缓存服务的车联网资源分配方法
Yang et al. Learning based channel allocation and task offloading in temporary UAV-assisted vehicular edge computing networks
CN114827191B (zh) 一种车路协同系统中融合noma的动态任务卸载方法
Shu et al. Joint offloading strategy based on quantum particle swarm optimization for MEC-enabled vehicular networks
Zheng et al. Digital twin empowered heterogeneous network selection in vehicular networks with knowledge transfer
Yaqub et al. Multi-objective resource optimization for hierarchical mobile edge computing
Chen et al. Engineering link utilization in cellular offloading oriented VANETs
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
CN116566838A (zh) 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法
Ma et al. Deep reinforcement learning for pre-caching and task allocation in internet of vehicles
He et al. An Offloading Scheduling Strategy with Minimized Power Overhead for Internet of Vehicles Based on Mobile Edge Computing.
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
CN116112896A (zh) 一种基于移动感知的车联网任务卸载优化方法
Liu et al. User association, subchannel and power allocation in space-air-ground integrated vehicular network with delay constraints
Zhu et al. Optimal-delay-guaranteed energy efficient cooperative offloading in VEC networks
Fu Optimization of caching update and pricing algorithm based on stochastic geometry theory in video service
CN115964178A (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
Hong et al. RAVEC: An Optimal Resource Allocation Mechanism in Vehicular MEC Systems.
Lyu et al. Service-driven resource management in vehicular networks based on deep reinforcement learning
CN115734195A (zh) 数字孪生赋能的空天地一体化网络中动态数据同步方法
Liu et al. Joint Optimization of Multiuser Computation Offloading and Wireless-Caching Resource Allocation With Linearly Related Requests in Vehicular Edge Computing System

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