CN116204315A - 一种车联网中基于轨迹的车辆资源池动态任务卸载方法 - Google Patents

一种车联网中基于轨迹的车辆资源池动态任务卸载方法 Download PDF

Info

Publication number
CN116204315A
CN116204315A CN202310215050.0A CN202310215050A CN116204315A CN 116204315 A CN116204315 A CN 116204315A CN 202310215050 A CN202310215050 A CN 202310215050A CN 116204315 A CN116204315 A CN 116204315A
Authority
CN
China
Prior art keywords
vehicle
vehicles
task
cluster
track
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
CN202310215050.0A
Other languages
English (en)
Inventor
梁睿
谷科
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202310215050.0A priority Critical patent/CN116204315A/zh
Publication of CN116204315A publication Critical patent/CN116204315A/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]
    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种车联网中基于轨迹的车辆资源池动态任务卸载方法。应用于车联网中车辆任务卸载，方法步骤包括：构建车、路边单元、雾服务器协同卸载模型；基于车辆基础信息构建移动模型，基于马尔科夫链构建车辆轨迹预测模型，预测车辆轨迹；基于K‑means方法构建雾服务器范围内车辆簇，构建车辆簇稳定性评估模型；基于改进的深度优先算法结合确定任务传递路线，完成任务卸载；基于斯塔克伯格博弈方法进行车辆资源池内任务卸载匹配，达到纳什平衡。

Description

一种车联网中基于轨迹的车辆资源池动态任务卸载方法
技术领域
本发明属于车联网移动边缘计算领域，更具体地，涉及一种车联网中基于轨迹的车辆资源池动态任务卸载方法。
背景技术
随着智能交通系统和新能源智能网联汽车的发展，车辆具有了更强的算力、更好的存储能力、更精准的传感以及优越的通信能力。一种名为车联网的新兴模式被提出。车联网具有强大的实时车辆信息采集能力，在避免交通事故、缓解交通拥堵、提供多样化服务等方面发挥了重要作用。
然而，仅使用车辆自身资源很难满足汽车应用的需求，因为计算资源和电池电量有限,车辆并不能保证高效处理计算任务。现有的云计算模式可以提供大量的计算资源，但其面临的主要问题是车辆与远端云服务器持续通信带来的难以优化的高时延问题。车辆雾计算模式较好的解决了这个问题，通过将边缘服务器(雾服务器)部署在靠近车辆终端的位置，车辆可以方便的通过无线通信向雾服务器请求计算资源与存储资源，而不会产生过高的延迟。然而，当请求接入车辆过多时，可能会发生通信信道拥挤导致传输速率下降或雾服务器资源枯竭的情况产生，因此，考虑借助空闲车辆的计算资源成为了一种新的解决办法。但当前借助车辆辅助任务卸载的模式存在一些问题，首先是由于车辆的持续移动性，可能存在车辆完成任务后结果返回前失去了与任务需求车辆的通信，导致任务卸载失败。其次由于车辆的机动性,它们所请求的服务应该经常在不同的移动边缘服务器上进行迁移,用来确保一个优秀的服务质量。因为在移动中具有不稳定性,经常进行迁移会使时延与能耗增加,所以需要设计一个能够提前预知以及降低切换造成影响的任务卸载方案。
发明内容
本发明的目的在于解决以上现有技术存在的问题，提供了一种车联网中基于轨迹的车辆资源池动态任务卸载方法，通过充分利用雾服务器及服务器内空闲车辆资源，评估雾范围内可用车辆簇资源以及稳定性，动态调整任务卸载策略，优化时延以及能耗，减轻了雾服务器的负担，保证了任务计算时延，充分利用了空闲车辆资源。
为了实现上述发明目的，本发明一种车联网中基于轨迹的车辆资源池动态任务卸载方法包括以下步骤：
1、构建车路、雾服务器协同卸载模型包括：雾服务器部署在基站上，各个雾服务器覆盖区域互不重叠。RSU路边单元部署在路边，间隔一定距离部署实现道路全覆盖。车辆与车辆，与RSU、雾服务器均通过无线网络通信，RSU与雾服务器通过有线网络连接。该协同卸载模型针对一个雾服务器范围内的n辆车V＝{V1,V2,…,Vi,…Vn}，m个RSU路边单元R＝{R1,…,Ri,…Rm}。
2、基于车辆基础信息构建移动模型，其特征在于，通过截断高斯分布模型获得等价速度，以任务发起车辆为原点构建笛卡尔坐标系获得其他车辆的相对位置
Figure BDA0004114616490000021
结合运动方向夹角θ，车辆通信范围D，计算得出两车预期通信时间。
3、基于马尔科夫链构建车辆轨迹预测模型包括：根据车辆Vi的历史轨迹数据Li＝{L1,L2,L3,...,Li,...}，其中每个元素都有Li＝{Fidi,Tini,Touti}，Fidi表示车辆Vi经过的雾服务器的身份标识，Tini为进入的时间，Touti为离开的时间。使用变量
Figure BDA0004114616490000031
表示车辆Vi的下一个位置，让Φ＝{Fl,Fr,Ff,Fb}表示车辆Vi下一可能位置的可计数集合，其中Fl表示如果Vi左转，其将经过的雾服务器ID，其他依次为右转、向前、向后。可得马尔科夫链定义，条件概率公式为：
Figure BDA0004114616490000032
其中
Figure BDA0004114616490000033
表示车辆Vi在第n次选择经过的下一个雾服务器。
4、采用K-means方法构建雾服务器范围内车辆簇，构建车辆簇稳定性评估模型，其特征在于，我们随机选取k个车辆Vi作为初始中心节点，分别作为每个聚类的中心节点；然后根据车辆的轨迹相似度将其迭代划分为相应的聚类。在每一轮中，当一个聚类被调整时，相应的中心节点将被重新计算，直到所有的聚类不再改变；其中，轨迹相似度为历史轨迹数据Li之间的比较，超过百分之五十即为相似；根据过去一段时间内车辆离开与加入的车辆数差值判定此簇的持久性，越接近零则越稳定，依据距离簇头车辆最远的车辆(即将驶离通信范围)脱离簇花费时间作为簇持续时间，结合持久性以及持续时间评价车辆资源池稳定性。
5、基于改进的深度优先算法结合确定任务传递路线，完成任务卸载，其特征在于，包括：
步骤1：以车辆当前位置为起点start，通过轨迹预测得到的若干时隙后车辆位置为终点end；
步骤2：由起点start-终点end的多条可达路径，成为图的路径，雾服务器为节点，节点权值为雾服务器内车辆资源池可用计算资源，边权值为信道传输速率；
步骤3：问题转化为带权有向图路径求解问题，以任务预计传输与计算时间为距离值；
步骤4：从start顶点出发，不停的寻找相邻的、尚未访问的顶点，如果找到多个，则任选一个顶点，然后继续从该顶点出发，记录距离和，达到end节点停止，输出总距离与路径；如果一个都没有找到，则回退到之前访问过的顶点；
步骤5：从所有顶点中重新找一个尚未访问的顶点，如果能找到，则以同样的方式继续寻找其它未访问的顶点；如果找不到，则算法执行结束；
步骤6：得出总路径最小的路径，即为任务预先卸载路径。
6、基于斯塔克伯格博弈方法进行车辆资源池内任务卸载匹配，其特征在于,包括：
步骤1：雾服务器将任务分包至各簇头，簇头与其簇内车辆构成主导者与参与者的顺序博弈；
步骤2：主导者首先开始依据自身成本情况做出定价，所有参与者在主导者所做决策的基础上作出自身决策；
步骤3：所有的参与者做完决策后，由主导者收集所有决策，判断目前结果是否满足成本最小化的所有约束条件；如果满足则将计算成本并与之前各轮博弈的最小成本进行比较，如果小于，则更新该轮为最新的最小成本，进入下一轮博弈，否则就改变定价进入下一轮博弈；如果不满足约束条件，那么将直接改变定价进入下一轮博弈；
步骤4：每一轮改变定价都将与其上限值比对，未超过上限则继续新一轮博弈，超过则终止并输出最小成本博弈策略。
通过本发明所构思的以上技术方案，与现有技术相比，具有以下的有益效果：
移动模型考虑了车辆方向性使得预测更为精准。基于马尔科夫链的位置预测模型具有较高的准确性，对采用K-means方法形成的车辆聚类资源评价具有创新性便于任务卸载策略制定。基于轨迹制定的预先任务传递路线使得区域内空闲车辆资源得到有效利用，斯塔克伯格博弈方法的运用有助于任务卸载策略优化，达到纳什平衡状态，能有效保证任务成功完成。
附图说明
图1是本发明的车、路边单元、雾服务器联合卸载模型框架图。
图2是本发明一种车联网中基于轨迹的车辆资源池动态任务卸载方法的流程图。
图3是本发明一种车联网中基于轨迹的车辆资源池动态任务卸载方法的示意图
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示为基于雾服务器的车联网系统的三层架构示意图，其中包括雾服务器、RSU(路边单元)、车辆。
雾服务器：雾服务器负责本区域内通信资源的协调、资源的分配、区域内设备管理等。雾服务器接收到车辆提出的任务卸载请求时，雾服务器将合理分配资源。当雾服务器过载时，如接收到任务请求将拒绝车辆，使其请求车辆辅助。
RSU：部署在路旁，靠近车辆终端，收集实时数据整合，有辅助雾服务器与转发消息的功能。
车辆：车辆可根据需求改变自身身份标识。当任务所需资源大于自身可用资源时，将变换身份为有计算需求的车辆寻求资源进行卸载。车辆将把所有或是部分的任务交由寻找到的资源进行计算。
车辆与车辆间、车辆与RSU(路边单元)间、RSU(路边单元)间、两者与雾服务器间通信均符合适用于车载边缘计算网络的IEEE 802.11p通信协议。
参见图2所示为一种车联网中基于轨迹的车辆资源池动态任务卸载方法的流程，包括如下步骤：
S10，构建车、路边单元、雾服务器协同卸载模型；基于车辆基础信息构建移动模型，基于马尔科夫链构建车辆轨迹预测模型，预测车辆轨迹；
S20，基于Kmeans方法构建雾服务器范围内车辆簇，构建车辆簇稳定性评估模型；
S30，基于改进的深度优先算法结合确定任务传递路线，节点权值为雾服务器内车辆资源池可用计算资源，边权值为信道传输速率，得出总路径最小的路径，即为任务预先卸载路径；
S40，基于斯塔克伯格博弈方法进行车辆资源池内任务卸载匹配；输出最小成本博弈策略，达成纳什平衡，实现最优化任务卸载。
参见图3所示为一种车联网中基于轨迹的车辆资源池动态任务卸载方法，包括：
(1)预测车辆轨迹
以根据车辆Vi的历史轨迹数据Li＝{L1,L2,L3,...,Li,...}，其中每个元素都有Li＝{Fidi,Tini,Touti}，Fidi表示车辆Vi经过的雾服务器的身份标识，Tini为进入的时间，Touti为离开的时间。使用变量
Figure BDA0004114616490000061
表示车辆Vi的下一个位置，让Φ＝{Fl,Fr,Ff,Fb}表示车辆Vi下一可能位置的可计数集合，其中Fl表示如果Vi左转，其将经过的雾服务器ID，其他依次为右转、向前、向后。可得马尔科夫链定义，条件概率公式为：
Figure BDA0004114616490000071
其中
Figure BDA0004114616490000072
表示车辆Vi在第n次选择经过d的下一个雾服务器。该公式表明下一状态/>
Figure BDA0004114616490000073
仅与前一状态/>
Figure BDA0004114616490000074
有关。由于车辆转向选择一般仅为四个方向，因此对于转移概率矩阵可设置为行数列数均为4的矩阵M，对于处于无法转向的情况我们采用将其余方向的转移概率设置为0的方式。
如果能够精确计算出车辆的转移概率矩阵M就可以得到车辆行驶到道路交叉口时，车辆选择的每条道路的概率。我们可以使用当前轨迹点，根据车辆的历史轨迹信息，为车辆选择的下一条道路生成一个估计概率。因此，概率表示如下：
Figure BDA0004114616490000075
其中，ac,l表示车辆在过去通过Fc然后到达Fl的频率。让i∈(c,l,r,f),j∈(c,l,r,f,b),i≠j.因此可根据车辆历史轨迹信息，得到车辆选择方向的概率pi,j。
Figure BDA0004114616490000076
最后，我们可以根据马尔可夫链计算出的转移概率矩阵M来预测每辆车辆的未来轨迹。即可得出图3：
(2)建立雾服务器路径图
在我们开始预测车辆轨迹的这一刻，车辆处于的位置我们认为是开始位置即图中start处。而end位置则是我们通过轨迹预测得出的车辆V将在一定时候后有较大概率一定会到达的位置，其位置所处的雾服务器Fog即为终点End。从start到end可以存在多条路径，路过不同的雾服务器，因此形成了多个雾服务器序列。如图3所示。start-Fog1-fog6-End,即为一条可达路径。
(3)构建雾内可用车辆资源池
在每个雾服务器范围内，利用空闲车辆资源，采用K-means算法构建车辆集群。簇头车辆与雾服务器保持通信接收任务，并上报簇计算能力以及稳定可用时间，如图3中Fog1所连接的集群。
(4)选择卸载最佳路径
车辆将在t时间后到达end位置，此时车辆存在任务卸载需求，任务dp＝(θ,Lmen,Qj,Ttol)，其中θ表示任务包数据量的大小，Lmen表示所需存储空间，Qj表示执行一比特数据所需的CPU圈数，Ttol表示可容忍时延。如果，t＜Ttol，表示车辆到达end位置的时间t是满足任务卸载需求的，可通过我们提出的改进的深度优先算法寻找最佳任务传递路线。如果，t＞Ttol，表示此任务需要在我们到达end位置前就要完成，此时需要重建雾服务器路径图，以Ttol时间后车辆所处的位置为新的end位置。依据新的路径图重新寻找最佳任务传递路径。
(5)单个雾内任务分配的优化
采用基于斯塔克伯格博弈方法进行车辆资源池内任务卸载匹配。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (9)

1.一种车联网中基于轨迹的车辆资源池动态任务卸载方法，其特征在于，包括：
构建车、路边单元(RSU)、雾服务器协同卸载模型；
基于车辆基础信息构建移动模型；
基于马尔科夫链构建车辆轨迹预测模型，预测车辆轨迹；
基于K-means方法构建雾服务器范围内车辆簇，构建车辆簇稳定性评估模型；
基于改进的深度优先算法结合确定任务传递路线，完成任务卸载；
基于斯塔克伯格博弈方法进行车辆资源池内任务卸载匹配。
2.根据权利要求1的构建车路、雾服务器协同卸载模型，其特征在于，包括：雾服务器部署在基站上，各个雾服务器覆盖区域互不重叠；RSU路边单元部署在路边，间隔一定距离部署实现道路全覆盖；车辆与车辆，与RSU、雾服务器均通过无线网络通信，RSU与雾服务器通过有线网络连接；场景内存在n辆车V＝{V1,V2,…,Vi,…Vn}，m个RSU路边单元R＝{R1,…,Ri,…Rm}。
3.根据权利要求1的基于车辆基础信息构建移动模型，其特征在于，通过截断高斯分布模型获得等价速度，以任务发起车辆为原点构建笛卡尔坐标系获得其他车辆的相对位置
Figure FDA0004114616480000011
结合运动方向夹角θ，车辆通信范围D，计算得出两车预期通信时间。
4.根据权利要求1的基于马尔科夫链构建车辆轨迹预测模型，预测车辆轨迹，其特征在于，根据车辆Vi的历史轨迹数据Li＝{L1,L2,L3,...,Li,...}，其中每个元素都有Li＝{Fidi,Tini,Touti}，Fidi表示车辆Vi经过的雾服务器的身份标识，Tini为进入的时间，Touti为离开的时间。使用变量
Figure FDA0004114616480000012
表示车辆Vi的下一个位置，让Φ＝{Fl,Fr,Ff,Fb}表示车辆Vi下一可能位置的可计数集合，其中Fl表示如果Vi左转，其将经过的雾服务器ID，其他依次为右转、向前、向后。可得马尔科夫链定义，条件概率公式为：
Figure FDA0004114616480000021
其中
Figure FDA0004114616480000022
表示车辆Vi在第n次选择经过的下一个雾服务器。
5.根据权利要求1的采用K-means方法构建雾服务器范围内车辆簇，构建车辆簇稳定性评估模型，其特征在于，我们随机选取k个车辆Vi作为初始中心节点，分别作为每个聚类的中心节点；然后根据车辆的轨迹相似度将其迭代划分为相应的聚类。在每一轮中，当一个聚类被调整时，相应的中心节点将被重新计算，直到所有的聚类不再改变；其中，轨迹相似度为历史轨迹数据Li之间的比较，超过百分之五十即为相似；根据过去一段时间内车辆离开与加入的车辆数差值判定此簇的持久性，越接近零则越稳定，依据距离簇头车辆最远的车辆脱离簇花费时间作为簇持续时间，结合持久性以及持续时间评价车辆资源池稳定性，距离簇头车辆最远的车辆即将驶离通信范围。
6.根据权利要求1的基于改进的深度优先算法结合确定任务传递路线，完成任务卸载，其特征在于，包括：
步骤1：以车辆当前位置为起点start，通过轨迹预测得到的若干时隙后车辆位置为终点end；
步骤2：由起点start-终点end的多条可达路径，成为图的路径，雾服务器为节点，节点权值为雾服务器内车辆资源池可用计算资源，边权值为信道传输速率；
步骤3：问题转化为带权有向图路径求解问题，以任务预计传输与计算时间为距离值；
步骤4：从start顶点出发，不停的寻找相邻的、尚未访问的顶点，如果找到多个，则任选一个顶点，然后继续从该顶点出发，记录距离和，
达到end节点停止，输出总距离与路径；如果一个都没有找到，则回
退到之前访问过的顶点；
步骤5：从所有顶点中重新找一个尚未访问的顶点，如果能找到，则以同样的方式继续寻找其它未访问的顶点；如果找不到，则算法执行结
束；
步骤6：得出总路径最小的路径，即为任务预先卸载路径。
7.根据权利要求1的基于斯塔克伯格博弈方法进行车辆资源池内任务卸载匹配，其特征在于,包括：
步骤1：雾服务器将任务分包至各簇头，簇头与其簇内车辆构成主导者与参与者的顺序博弈；
步骤2：主导者首先开始依据自身成本情况做出定价，所有参与者在主导者所做决策的基础上作出自身决策；
步骤3：所有的参与者做完决策后，由主导者收集所有决策，判断目前结果是否满足成本最小化的所有约束条件；如果满足则将计算成本并与之前各轮博弈的最小成本进行比较，如果小于，则更新该轮为最新的最小成本，进入下一轮博弈，否则就改变定价进入下一轮博弈；如果不满足约束条件，那么将直接改变定价进入下一轮博弈；
步骤4：每一轮改变定价都将与其上限值比对，未超过上限则继续新一
轮博弈，超过则终止并输出最小成本博弈策略。
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，以实现权利要求1至7中任一项一种车联网中基于轨迹的车辆资源池动态任务卸载方法。
9.一种车联网中基于移动边缘计算的任务卸载装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种车联网中基于轨迹的车辆资源池动态任务卸载方法装置执行权利要求1至7中任一项车联网中基于轨迹的车辆资源池动态任务卸载方法。
CN202310215050.0A 2023-03-08 2023-03-08 一种车联网中基于轨迹的车辆资源池动态任务卸载方法 Pending CN116204315A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310215050.0A CN116204315A (zh) 2023-03-08 2023-03-08 一种车联网中基于轨迹的车辆资源池动态任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310215050.0A CN116204315A (zh) 2023-03-08 2023-03-08 一种车联网中基于轨迹的车辆资源池动态任务卸载方法

Publications (1)

Publication Number Publication Date
CN116204315A true CN116204315A (zh) 2023-06-02

Family

ID=86512698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310215050.0A Pending CN116204315A (zh) 2023-03-08 2023-03-08 一种车联网中基于轨迹的车辆资源池动态任务卸载方法

Country Status (1)

Country Link
CN (1) CN116204315A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117555338A (zh) * 2024-01-10 2024-02-13 成都电科星拓科技有限公司 基于K-means算法的多自动引导车协作停泊方法及自动引导车
CN117768351A (zh) * 2024-02-22 2024-03-26 鹏城实验室 车联网系统的干扰评估方法及相关设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117555338A (zh) * 2024-01-10 2024-02-13 成都电科星拓科技有限公司 基于K-means算法的多自动引导车协作停泊方法及自动引导车
CN117555338B (zh) * 2024-01-10 2024-03-19 成都电科星拓科技有限公司 基于K-means算法的多自动引导车协作停泊方法及自动引导车
CN117768351A (zh) * 2024-02-22 2024-03-26 鹏城实验室 车联网系统的干扰评估方法及相关设备
CN117768351B (zh) * 2024-02-22 2024-05-07 鹏城实验室 车联网系统的干扰评估方法及相关设备

Similar Documents

Publication Publication Date Title
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
Gao et al. V2VR: reliable hybrid-network-oriented V2V data transmission and routing considering RSUs and connectivity probability
CN116204315A (zh) 一种车联网中基于轨迹的车辆资源池动态任务卸载方法
Jamil et al. IRATS: A DRL-based intelligent priority and deadline-aware online resource allocation and task scheduling algorithm in a vehicular fog network
Zhu et al. Chameleon: Latency and resolution aware task offloading for visual-based assisted driving
Xiao et al. Consortium blockchain-based computation offloading using mobile edge platoon cloud in internet of vehicles
Yang A task offloading solution for internet of vehicles using combination auction matching model based on mobile edge computing
CN115134242A (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
Ge et al. Interference aware service migration in vehicular fog computing
CN112929850A (zh) 一种面向边缘计算环境的车联网数据回传方法
Zhu et al. FlexSensing: A QoI and latency-aware task allocation scheme for vehicle-based visual crowdsourcing via deep Q-network
Evangeline et al. A two-phase fuzzy based access network selection scheme for vehicular ad hoc networks
CN113709249B (zh) 辅助驾驶业务安全均衡卸载方法及系统
Sun et al. A novel cloudlet-dwell-time estimation method for assisting vehicular edge computing applications
CN115103313A (zh) 基于位置预测的智慧公路任务协同处理方法、系统
Zhang et al. New Method of Edge Computing-Based Data Adaptive Return in Internet of Vehicles
CN113726894B (zh) 一种基于深度强化学习的多车应用计算卸载方法及终端
Wang et al. Joint offloading decision and resource allocation in vehicular edge computing networks
Chattopadhyay et al. Joint sensing and processing resource allocation in vehicular ad-hoc networks
CN114827946B (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
CN116489668A (zh) 一种基于高空通信平台辅助的边缘计算任务卸载方法
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
CN115550357A (zh) 一种多智能体多任务协同卸载方法
CN115208892A (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
CN113938978A (zh) 一种基于强化学习的异构无线传感器寻路方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication