CN117290006A - 面向vec的依赖性任务卸载和服务缓存联合优化方法 - Google Patents
面向vec的依赖性任务卸载和服务缓存联合优化方法 Download PDFInfo
- Publication number
- CN117290006A CN117290006A CN202311039984.XA CN202311039984A CN117290006A CN 117290006 A CN117290006 A CN 117290006A CN 202311039984 A CN202311039984 A CN 202311039984A CN 117290006 A CN117290006 A CN 117290006A
- Authority
- CN
- China
- Prior art keywords
- task
- processor
- vehicle
- node
- unloading
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000005265 energy consumption Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Multi Processors (AREA)
Abstract
本发明涉及面向VEC的依赖性任务卸载和服务缓存联合优化方法，将车辆的任务分割为若干子任务，根据每个子任务的平均计算开销和平均通信开销以及任务的最大截止时间确定各子任务的卸载优先级，构建任务节点；依据任务节点对应的卸载优先级顺序和任务执行约束条件为每个车辆制定任务卸载效用最大的卸载决策，并根据服务流行度为执行任务的MEC服务器制定服务缓存策略。本发明能实现更低的任务响应时延和更低的车辆能量消耗，有效降低车辆任务的响应时延和提高车辆边缘计算网络的运行效率，有向无环图更加贴近现实生活，二阶段启发式算法为各子任务执行卸载决策，算法运行有效性更有保障。
Description
技术领域
本发明涉及无线通信网络的技术领域，尤其涉及一种车联网领域的面向VEC的依赖性任务卸载和服务缓存联合优化方法。
背景技术
随着物联网(IoT)时代的来临，万物互联，车联网作为物联网的一个关键分支成为现代交通不可或缺的部分。随着各种应用程序的兴起和发展，人们对车辆性能的要求逐渐提高，高速计算和低时延的需求日益突出，车载终端的应用要求对资源有限的车辆提出了更大的挑战，车辆自身有限的计算资源无法满足用户的服务需求和一些计算密集型和时延敏感型应用程序的要求。移动边缘计算(MEC)的出现使得用户可以将计算任务卸载到用户附近的MEC服务器来有效降低任务执行的延迟与开销，因此，基于边缘计算的车联网成为一个满足应用需求的解决方案，并成为车联网背景下研究的热点问题。目前，研究学者将边缘计算引入车联网，形成新的车辆边缘计算(VEC)体系，极大地提高了车辆系统的性能，可满足延迟敏感型和计算密集型任务的需求。
现有车辆边缘网络计算卸载研究工作中更侧重于研究独立任务，而非内部各部分具有逻辑依赖的任务，而现实生活中的很大一部分用程序由一组相互依赖的任务组成，例如，增强现实车辆系统有以下主要组件：对象跟踪、模型映射、对象识别、视角转换和合并处理，这些任务组件之间存在复杂的逻辑依赖关系，然而这些任务不能并行处理，各部分任务之间的计算卸载相互约束，如何在有限的计算资源下进行卸载和调度这些相互依赖的任务是一个值得思考的问题。
由于现实生活中某些计算任务既需要用户任务作为输入，也需要相应处理它的程序，将MEC服务器部署在路侧单元(RSU)能更快、更节能地接收用户的计算任务，并且事先存储处理计算任务的程序或数据，能更好地降低计算时延、能源消耗和带宽成本。
发明内容
针对现有技术存在的问题，本发明提供了一种面向VEC的依赖性任务卸载和服务缓存联合优化方法。
本发明是这样实现的，一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，所述方法将车辆的任务分割为若干子任务，根据每个子任务的平均计算开销和平均通信开销以及任务的最大截止时间确定各子任务的卸载优先级，构建任务节点；依据任务节点对应的卸载优先级顺序和任务执行约束条件为每个车辆制定任务卸载效用最大的卸载决策，并且根据服务流行度为执行任务的MEC服务器制定服务缓存策略。
优选地，配合所述车辆设有若干路侧单元，任一所述车辆通过关联的路侧单元将任务卸载请求信息以及车辆任务信息发送到SDN控制器，SDN控制器与云服务器配合设置，结合车辆任务信息、车辆自身的计算资源、每个MEC服务器的计算资源和存储资源、云服务器的计算资源来决定任务卸载的位置，包括本地、MEC服务器、云服务器，以及顺序。
本发明中，当应用于边缘计算网络场景中，多个车辆同时通过各自所关联的路侧单元(RSU)将任务卸载请求信息以及车辆任务信息发送到软件定义网络(SDN)控制器，SDN控制器根据车辆任务信息为每个车辆的任务构建一个DAG任务拓扑图并通过计算获得任务卸载优先级序列，SDN控制器会根据任务卸载优先级为其创建对应的任务卸载表，然后根据任务卸载表中任务节点的顺序，从中依次对优先级最高的任务节点制定卸载决策，制定过程中SDN控制器根据公式计算任务卸载效用，并在满足任务卸载约束和任务节点之间依赖关系的前提下将该任务节点卸载到对应卸载效用最大的计算节点上，并将该任务节点从任务卸载表中删除。
进一步地，SDN控制器会为执行任务的MEC服务器制定服务缓存策略，制定过程中SDN控制器依据公式计算服务的流行度，并在满足MEC服务器存储约束的前提下缓存流行度大的服务。
本发明中，SDN控制器对任务卸载表中的任务节点依次做卸载工作，直至任务卸载表中的所有任务节点都被卸载到对应合适的计算节点上，并配合恰当的执行顺序，记录任务的整体响应时延以及MEC服务器的缓存策略；通过上述步骤设计合适的任务卸载和服务缓存方案，能够将多个车辆的依赖性任务的各部分子任务卸载到合适的计算节点上以及制定合适的执行顺序，计算节点包括本地车辆、每个MEC服务器以及云服务器；实现更低的任务响应时延和更低的车辆能量消耗。
优选地，所述方法包括以下步骤：
步骤一，多个车辆同时通过各自所关联的路侧单元将任务卸载请求信息以及车辆任务信息发送到SDN控制器，实现SDN控制器对该边缘计算网络的集中式管理；
步骤二，SDN控制器利用任务生成器，为每个车辆的任务生成DAG任务拓扑结构；此处生成不同种类的任务结构对研究依赖性任务卸载算法的普适性有一定价值；
步骤三，SDN控制器根据接收到的车辆任务信息计算任务卸载优先级；通过计算任务卸载优先级为下一步骤的任务卸载做好铺垫；
步骤四，将计算所得的任务节点卸载优先级降序排序，创建任务节点卸载表，将优先级序列转化建立为一个准备卸载的任务节点卸载表，便于操作；
步骤五，选择任务卸载表中的第一个任务节点，判断该任务节点属于入口任务节点或出口任务节点或中继任务节点，按照卸载表对任务制定卸载决策；
针对入口任务节点，将该任务节点卸载到本地处理器上并且在本地处理器的第一槽位上执行，重复步骤五；即，将任务的第一个子任务安排在本地执行；
针对出口任务节点，获取本地处理器最小可用槽位值，并将该任务节点卸载到本地处理器上该最小可用槽位上执行，重复步骤五；即，将任务的最后一个子任务安排在本地执行；
针对中继任务节点，进行下一步；
步骤六，对于每个计算节点的处理器，计算任务节点Tn，i在处理器qk的第r个槽位计算执行时的卸载效用Q(Tn，i，qk，r)，其中，Tn，i为第n辆车的第i个任务节点，qk为序号为k的处理器，r为处理器qk的第r个槽位；即，对中继任务节点，对于当前边缘计算网络中的每个计算节点的处理器利用公式计算其卸载效用Q(Tn，i，qk，r)的值；
步骤七，将任务节点卸载到Q(Tn，i，qk，r)值最大的计算节点对应的处理器上，并将该任务节点从任务卸载列表中删除；
步骤八，执行任务的计算节点属于MEC服务器，计算每一个服务的流行度，根据流行度从高到低的顺序将服务缓存至MEC服务器；此处计算各服务的流行度，为下一步服务缓存做好铺垫；
步骤九，缓存满足缓存空间限制的服务，直至MEC服务器缓存空间满，完成对MEC服务器更新服务缓存；
步骤十，重复步骤五至步骤九，直至任务卸载列表中的所有任务都被处理完成同时记录该任务卸载方案和服务缓存方案；将任务卸载方案发送给对应车辆，将服务缓存方案发送给对应MEC服务器。
优选地，步骤三中，SDN控制器根据接收到的车辆任务信息计算任务优先级，应用统计量平均计算开销和平均通信开销以及表示任务紧急程度的任务最大截止时间来衡量计算任务节点的优先级，
其中，rank(Tn，i)为任务节点Tn，i的优先级值，是任务节点Tn，i在当前边缘计算网络中计算节点的平均计算开销，/>是任务节点Tn，i和Tn，j之间数据的平均通信开销，i≠j，i，j为车辆n的所有任务节点的序号；pred(Tn，i)是任务节点Tn，i的直接前驱任务节点集合，只有当pred(Tn，i)集合中所有任务节点执行结束Tn，i任务节点开始执行，/>为系数， 为车辆n的任务的最大截止时间。
优选地，
其中，q-1是云服务器的处理器，q0是本地车辆处理器，Q＝{q1，q2，...，qM}是M个MEC服务器的处理器，一个MEC服务器对应一个处理器；
是任务节点Tn，i在处理器qm的计算处理开销，/>Cn，i是任务节点Tn，i的数据量大小，fm是处理器qm的CPU执行频率，
是任务节点Tn，i的计算结果数据从qm处理器传输到Tn，j所在处理器qn的数据通信开销，/>Dn，ij是计算结果数据大小，/>是处理器qm到qn的平均数据传输速率。
优选地，步骤六中，针对既不是入口任务节点和也不是出口任务节点的任务节点，
其中，αn和βn分别为车辆n的时延系数和能耗系数，为车辆n的任务的全部子任务都在本地执行的完成时延，EFT(Tn，i，qk)为任务节点Tn，i在处理器qk计算执行的最早完成时间，/>为车辆n的任务的全部子任务都在本地执行的车辆总能耗，E(Tn，i，qk)为任务节点Tn，i在处理器qk计算执行的车辆能耗。
优选地，
其中，EST(Tn，i，qk，r)为任务节点Tn，i在处理器qk的第r个槽位的最早开始执行时间，wn，i，k为任务节点Tn，i在处理器qk上的计算时延；
FT(qk，r-1)为处理器qk完成第r-1个槽位上的任务的最早时间，是Tn，i所有直接前驱任务节点计算结果传输到处理器qk所属的计算节点的最晚时间；
任务节点Tn，j被决策到处理器qp执行，EFT(Tn，j)为任务节点Tn，j在处理器qp完成处理的时间，/>为任务节点Tn，j计算结果数据从处理器qp传输到qk的数据通信开销。
优选地，若qk为本地处理器，则E(Tn，i，qk)等于任务节点Tn，i在本地执行的车辆能耗，若qk为MEC服务器的处理器，则E(Tn，i，qk)等于在本地执行的直接前驱任务节点计算结果传输到处理器qk时产生的上传能耗和从本地上传没有缓存的服务的源代码到处理器qk时产生的上传能耗之和。
优选地，
其中，fn，i为车辆n的处理器执行任务节点Tn，i时的CPU执行频率，fcloud为云服务器的处理器的CPU执行频率；S为服务的数量，为任务节点Tn，i是否需要服务s，若是，则否则/>ys，k为处理器qk是否缓存服务s，若是，则ys，k＝1，否则ys，k＝0；vs为编译服务s的时间。
优选地，计算服务sp的流行度，
其中，为当前MEC服务器下剩余任务中需要服务sp的任务数量，/>为其他MEC服务器下剩余任务中需要服务sp的任务数量总和。
本发明的有益效果在于：
(1)从车辆角度出发，以DAG图为研究基础提出更加符合现实生活的任务拓扑图；车辆边缘计算网络场景中，通过SDN控制器的协调，车辆可以将计算密集型和延迟敏感性任务卸载到MEC服务器和云服务器上，并且为执行任务的MEC服务器制定服务缓存策略、缓存流行度大的服务；通过上述步骤设计合适的任务卸载和服务缓存方案，能够将多个车辆的依赖性任务的各部分子任务卸载到合适的计算节点上以及制定合适的执行顺序，实现更低的任务响应时延和更低的车辆能量消耗；
(2)依据任务本身的内部依赖关系和执行约束条件通过将各任务卸载到不同处理器的方式，有效降低车辆任务的响应时延和提高车辆边缘计算网络的运行效率；有向无环图更加贴近现实生活，二阶段启发式算法为各子任务执行卸载决策，算法运行有效性更有保障。
附图说明
图1为本发明的车辆边缘计算网络架构示意图；
图2为本发明的流程图；
图3为本发明中典型任务节点内部子任务具有依赖关系的任务拓扑结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明涉及一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，所述方法将车辆的任务分割为若干子任务，根据每个子任务的平均计算开销和平均通信开销以及任务的最大截止时间确定各子任务的卸载优先级，构建任务节点；依据任务节点对应的卸载优先级顺序和任务执行约束条件为每个车辆制定任务卸载效用最大的卸载决策，并且根据服务流行度为执行任务的MEC服务器制定服务缓存策略。
配合所述车辆设有若干路侧单元，任一所述车辆通过关联的路侧单元将任务卸载请求信息以及车辆任务信息发送到SDN控制器，SDN控制器与云服务器配合设置；SDN控制器计算并决定车辆卸载任务的服务器。
本发明中，SDN控制器根据MEC服务器、云服务器以及车辆本身的计算资源和通信资源情况和车辆任务信息来决定车辆任务是在本地处理器上执行还是卸载到MEC服务器或者云服务器的处理器上执行，以及任务在处理器上的执行次序。
如图2所示，方法包括以下步骤：
S1多个车辆同时通过各自所关联的路侧单元将任务卸载请求信息以及车辆任务信息发送到SDN控制器；
S2 SDN控制器利用任务生成器，为每个车辆的任务生成DAG任务拓扑结构；
S3 SDN控制器根据接收到的车辆任务信息计算任务卸载优先级；
S3中，SDN控制器根据接收到的车辆任务信息计算任务优先级，应用统计量平均计算开销和平均通信开销以及表示任务紧急程度的任务最大截止时间来衡量计算任务节点的优先级，
其中，rank(Tn，i)为任务节点Tn，i的优先级值，是任务节点Tn，i在当前边缘计算网络中计算节点的平均计算开销，/>是任务节点Tn，i和Tn，j之间数据的平均通信开销，i≠j，i，j为车辆n的所有任务节点的序号；pred(Tn，i)是任务节点Tn，i的直接前驱任务节点集合，只有当pred(Tn，i)集合中所有任务节点执行结束Tn，i任务节点开始执行，/>为系数， 为车辆n的任务的最大截止时间；
q-1是云服务器的处理器，q0是本地车辆处理器，Q＝{q1，q2，...，qM}是M个MEC服务器的处理器，一个MEC服务器对应一个处理器；
是任务节点Tn，i在处理器qm的计算处理开销，/>Cn，i是任务节点Tn，i的数据量大小，fm是处理器qm的CPU执行频率，
是任务节点Tn，i的计算结果数据从qm处理器传输到Tn，j所在处理器qn的数据通信开销，/>Dn，ij是计算结果数据大小，/>是处理器qm到qn的平均数据传输速率。
S4将计算所得的任务节点卸载优先级降序排序，创建任务节点卸载表，将优先级序列转化建立为一个准备卸载的任务节点卸载表，便于操作；
S5选择任务卸载表中的第一个任务节点，判断该任务节点属于入口任务节点或出口任务节点或中继任务节点，按照卸载表对任务制定卸载决策；
针对入口任务节点，将该任务节点卸载到本地处理器上并且在本地处理器的第一槽位上执行，重复S5；即，将任务的第一个子任务安排在本地执行；
针对出口任务节点，获取本地处理器最小可用槽位值，并将该任务节点卸载到本地处理器上该最小可用槽位上执行，重复S5；即，将任务的最后一个子任务安排在本地执行；
针对中继任务节点，进行下一步；
S6对于每个计算节点的处理器，计算任务节点Tn，i在处理器qk的第r个槽位计算执行时的卸载效用Q(Tn，i，qk，r)，其中，Tn，i为第n辆车的第i个任务节点，qk为序号为k的处理器，r为处理器qk的第r个槽位；即，对中继任务节点，对于当前边缘计算网络中的每个计算节点的处理器利用公式计算其卸载效用Q(Tn，i，qk，r)的值；
S6中，针对既不是入口任务节点和也不是出口任务节点的任务节点，
其中，αn和βn分别为车辆n的时延系数和能耗系数，为车辆n的任务的全部子任务都在本地执行的完成时延，EFT(Tn，i，qk)为任务节点Tn，i在处理器qk计算执行的最早完成时间，/>为车辆n的任务的全部子任务都在本地执行的车辆总能耗，E(Tn，i，qk)为任务节点Tn，i在处理器qk计算执行的车辆能耗；
EST(Tn，i，qk，r)为任务节点Tn，i在处理器qk的第r个槽位的最早开始执行时间，wn，i，k为任务节点Tn，i在处理器qk上的计算时延；
FT(qk，r-1)为处理器qk完成第r-1个槽位上的任务的最早时间，是Tn，i所有直接前驱任务节点计算结果传输到处理器qk所属的计算节点的最晚时间；
任务节点Tn，j被决策到处理器qp执行，EFT(Tn，j)为任务节点Tn，j在处理器qp完成处理的时间，/>为任务节点Tn，j计算结果数据从处理器qp传输到qk的数据通信开销。
若qk为本地处理器，则E(Tn，i，qk)等于任务节点Tn，i在本地执行的车辆能耗，若qk为MEC服务器的处理器，则E(Tn，i，qk)等于在本地执行的直接前驱任务节点计算结果传输到处理器qk时产生的上传能耗和从本地上传没有缓存的服务的源代码到处理器qk时产生的上传能耗之和。
fn，i为车辆n的处理器执行任务节点Tn，i时的CPU执行频率，fcloud为云服务器的处理器的CPU执行频率；S为服务的数量，为任务节点Tn，i是否需要服务s，若是，则/>否则/>ys，k为处理器qk是否缓存服务s，若是，则ys，k＝1，否则ys，k＝0；vs为编译服务s的时间。
S7将任务节点卸载到Q(Tn，i，qk，r)值最大的计算节点对应的处理器上，并将该任务节点从任务卸载列表中删除；
S8执行任务的计算节点属于MEC服务器，计算每一个服务的流行度，根据流行度从高到低的顺序将服务缓存至MEC服务器；此处计算各服务的流行度，为下一步服务缓存做好铺垫；
计算服务sp的流行度，
其中，为当前MEC服务器下剩余任务中需要服务sp的任务数量，/>为其他MEC服务器下剩余任务中需要服务sp的任务数量总和。
S9缓存满足缓存空间限制的服务，直至MEC服务器缓存空间满，完成对MEC服务器更新服务缓存；
S10重复S5至S9，直至任务卸载列表中的所有任务都被处理完成同时记录该任务卸载方案和服务缓存方案；将任务卸载方案发送给对应车辆，将服务缓存方案发送给对应MEC服务器。
在本发明实施案例中，整个车辆边缘计算网络系统中RSU呈现密集化部署，通常情况下每个RSU旁边部署一个MEC服务器，即车辆处在一个异构MEC服务器密集部署的场景。从车辆设备角度出发，车辆所在异构MEC服务器构成的网络系统中存在一SDN控制器，其能够对整个车辆边缘计算网络系统进行集中式管理，为车辆制定卸载策略，车辆根据卸载策略可以将任务卸载到MEC服务器或者云服务器上执行。
系统中，所有部署MEC服务器的RSU都能够相互通信组成一个集中式异构车辆边缘计算网络，如图1所示；每个MEC服务器以及云服务器都能为该车辆边缘网络系统中的任意一个车辆提供任务计算处理服务，某时刻车辆产生计算密集型和延迟敏感性任务，车辆将任务信息数据以及任务卸载请求信息数据上传到与之通信的RSU，RSU再将这些信息上传到SDN控制器，SDN控制器会根据接收到的任务信息数据计算该任务的优先级，后续再创建任务卸载表完成各部分任务的卸载以及制定各MEC服务器的服务缓存决策。
从卸载任务本身出发，每一个车辆进行任务卸载的过程中都有不同的DAG任务拓扑结构，如图3所示，给出一简单的任务拓扑结构示例，图中圆圈的任务节点T1,1和T1,9须在本地设备执行，其余任务节点在本地、MEC服务器和云服务器都可以执行，图中的有向边代表任务节点之间的逻辑依赖关系，有向边尾端的任务节点是箭头端任务节点的父亲节点，反之箭头端任务节点是箭尾端任务节点的孩子节点。
基于本发明的方法，还可以提供一计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时执行所述面向VEC的依赖性任务卸载和服务缓存联合优化方法。
基于本发明的方法，还可以提供一计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时执行所述面向VEC的依赖性任务卸载和服务缓存联合优化方法。
基于本发明的方法，还可以提供一种信息数据处理终端，用于实现所述面向VEC的依赖性任务卸载和服务缓存联合优化方法。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：所述方法将车辆的任务分割为若干子任务，根据每个子任务的平均计算开销和平均通信开销以及任务的最大截止时间确定各子任务的卸载优先级，构建任务节点；依据任务节点对应的卸载优先级顺序和任务执行约束条件为每个车辆制定任务卸载效用最大的卸载决策，并且根据服务流行度为执行任务的MEC服务器制定服务缓存策略。
2.根据权利要求1所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：配合所述车辆设有若干路侧单元，任一所述车辆通过关联的路侧单元将任务卸载请求信息以及车辆任务信息发送到SDN控制器，SDN控制器与云服务器配合设置。
3.根据权利要求1或2所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：所述方法包括以下步骤：
步骤一，多个车辆同时通过各自所关联的路侧单元将任务卸载请求信息以及车辆任务信息发送到SDN控制器；
步骤二，SDN控制器利用任务生成器，为每个车辆的任务生成DAG任务拓扑结构；
步骤三，SDN控制器根据接收到的车辆任务信息计算任务卸载优先级；
步骤四，将计算所得的任务节点卸载优先级降序排序，创建任务节点卸载表；
步骤五，选择任务卸载表中的第一个任务节点，判断该任务节点属于入口任务节点或出口任务节点或中继任务节点；
针对入口任务节点，将该任务节点卸载到本地处理器上并且在本地处理器的第一槽位上执行，重复步骤五；
针对出口任务节点，获取本地处理器最小可用槽位值，并将该任务节点卸载到本地处理器上该最小可用槽位上执行，重复步骤五；
针对中继任务节点，进行下一步；
步骤六，对于每个计算节点的处理器，计算任务节点Tn,i在处理器qk的第r个槽位计算执行时的卸载效用Q(Tn,i,qk,r)，其中，Tn,i为第n辆车的第i个任务节点，qk为序号为k的处理器，r为处理器qk的第r个槽位；
步骤七，将任务节点卸载到Q(Tn,i,qk,r)值最大的计算节点对应的处理器上，并将该任务节点从任务卸载列表中删除；
步骤八，执行任务的计算节点属于MEC服务器，计算每一个服务的流行度，根据流行度从高到低的顺序将服务缓存至MEC服务器；
步骤九，缓存满足缓存空间限制的服务，直至MEC服务器缓存空间满；
步骤十，重复步骤五至步骤九，直至任务卸载列表中的所有任务都被处理完成同时记录该任务卸载方案和服务缓存方案；将任务卸载方案发送给对应车辆，将服务缓存方案发送给对应MEC服务器。
4.根据权利要求3所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：步骤三中，SDN控制器根据接收到的车辆任务信息计算任务优先级，
其中，rank(Tm,i)为任务节点Tn,i的优先级值，是任务节点Tn,i在计算节点的平均计算开销，/>是任务节点Tn,i和Tn,j之间数据的平均通信开销，i≠j，i,j为车辆n的所有任务节点的序号；pred(Tn,i)是任务节点Tn,i的直接前驱任务节点集合，/>为系数，/> 为车辆n的任务的最大截止时间。
5.根据权利要求4所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：
其中，q-1是云服务器的处理器，q0是本地车辆处理器，
Q＝{q1,q2,…,qE}是M个MEC服务器的处理器，
是任务节点Tn,i在处理器qm的计算处理开销，/>Cn,i是任务节点Tn,i的数据量大小，fm是处理器qm的CPU执行频率，/>是任务节点Tn,i的计算结果数据从qm处理器传输到Tn,j所在处理器qn的数据通信开销，/>Dn,ij是计算结果数据大小，是处理器qm到qn的平均数据传输速率。
6.根据权利要求5所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：步骤六中，
其中，αn和βn分别为车辆n的时延系数和能耗系数，为车辆n的任务的全部子任务都在本地执行的完成时延，EFT(Tn,i,qk)为任务节点Tn,i在处理器qk计算执行的最早完成时间，/>为车辆n的任务的全部子任务都在本地执行的车辆总能耗，E(Tn,i,qk)为任务节点Tn,i在处理器qk计算执行的车辆能耗。
7.根据权利要求6所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：
其中，EST(Tn,i,qk,r)为任务节点Tn,i在处理器qk的第r个槽位的最早开始执行时间，wn,i,k为任务节点Tn,i在处理器qk上的计算时延；FT(qk,r-1)为处理器qk完成第r-1个槽位上的任务的最早时间，是Tn,i所有直接前驱任务节点计算结果传输到处理器qk所属的计算节点的最晚时间；
任务节点Tn,j被决策到处理器qp执行， EFT(Tn,j)为任务节点Tn,j在处理器qp完成处理的时间，/>为任务节点Tn,j计算结果数据从处理器qp传输到qk的数据通信开销。
8.根据权利要求7所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：
若qk为本地处理器，则E(Tn,i,qk)等于任务节点Tn,i在本地执行的车辆能耗，若qk为MEC服务器的处理器，则E(Tn,i,qk)等于在本地执行的直接前驱任务节点计算结果传输到处理器qk时产生的上传能耗和从本地上传没有缓存的服务的源代码到处理器qk时产生的上传能耗之和。
9.根据权利要求7所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：
其中，fn,i为车辆n的处理器执行任务节点Tn,i时的CPU执行频率，fcloud为云服务器的处理器的CPU执行频率；S为服务的数量，为任务节点Tn,i是否需要服务s，若是，则否则/>
ys,k为处理器qk是否缓存服务s，若是，则ys,k＝1，否则ys,k＝0；
vs为编译服务s的时间。
10.根据权利要求3所述的一种面向VEC的依赖性任务卸载和服务缓存联合优化方法，其特征在于：计算服务sp的流行度，
其中，为当前MEC服务器下剩余任务中需要服务sp的任务数量，/>为其他MEC服务器下剩余任务中需要服务sp的任务数量总和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311039984.XA CN117290006A (zh) | 2023-08-17 | 2023-08-17 | 面向vec的依赖性任务卸载和服务缓存联合优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311039984.XA CN117290006A (zh) | 2023-08-17 | 2023-08-17 | 面向vec的依赖性任务卸载和服务缓存联合优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117290006A true CN117290006A (zh) | 2023-12-26 |
Family
ID=89237995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311039984.XA Pending CN117290006A (zh) | 2023-08-17 | 2023-08-17 | 面向vec的依赖性任务卸载和服务缓存联合优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117290006A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117806806A (zh) * | 2024-02-28 | 2024-04-02 | 湖南科技大学 | 任务部分卸载调度方法、终端设备及存储介质 |
-
2023
- 2023-08-17 CN CN202311039984.XA patent/CN117290006A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117806806A (zh) * | 2024-02-28 | 2024-04-02 | 湖南科技大学 | 任务部分卸载调度方法、终端设备及存储介质 |
| CN117806806B (zh) * | 2024-02-28 | 2024-05-17 | 湖南科技大学 | 任务部分卸载调度方法、终端设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111756812B (zh) | 一种能耗感知的边云协同动态卸载调度方法 | |
| JP4781089B2 (ja) | タスク割り当て方法およびタスク割り当て装置 | |
| Goudarzi et al. | A distributed deep reinforcement learning technique for application placement in edge and fog computing environments | |
| CN115033373B (zh) | 一种移动边缘计算网络中逻辑依赖性任务的调度卸载方法 | |
| CN104636204B (zh) | 一种任务调度方法与装置 | |
| CN107038070B (zh) | 一种云环境下执行可靠性感知的并行任务调度方法 | |
| Misra et al. | Multiarmed-bandit-based decentralized computation offloading in fog-enabled IoT | |
| CN113132456B (zh) | 一种基于截止时间感知的边云协同任务调度方法及系统 | |
| CN111104211A (zh) | 基于任务依赖的计算卸载方法、系统、设备及介质 | |
| CN117290006A (zh) | 面向vec的依赖性任务卸载和服务缓存联合优化方法 | |
| JPH0675786A (ja) | タスクスケジュリング方法 | |
| CN116886703A (zh) | 一种基于优先级和强化学习的云边端协作计算卸载方法 | |
| CN112162789A (zh) | 一种基于软件定义的边缘计算随机卸载决策方法及系统 | |
| Shadi et al. | Ready-time partitioning algorithm for computation offloading of workflow applications in mobile cloud computing | |
| CN112148381A (zh) | 一种基于软件定义的边缘计算优先级卸载决策方法及系统 | |
| CN113535387B (zh) | 一种异构感知的gpu资源分配与调度方法及系统 | |
| El Khatib et al. | Optimal proactive resource allocation at the extreme edge | |
| CN117579701A (zh) | 一种移动边缘网络计算卸载方法及系统 | |
| CN116954905A (zh) | 一种面向Flink大数据的任务编排与迁移方法 | |
| CN116996941A (zh) | 基于配网云边端协同的算力卸载方法、装置及系统 | |
| CN115408122B (zh) | 一种去中心化的分布式并行计算框架及计算方法 | |
| CN114860417B (zh) | 多核神经网络处理器及用于该处理器多任务分配调度方法 | |
| CN118132215A (zh) | 一种基于brm技术通过引擎模型构建多业务场景自动化配置的方法 | |
| Wang et al. | Research on Fine-Grained Task Offloading in Mobile Edge Computing | |
| Gupta et al. | Energy efficient and qos aware multi-level mobile cloud offloading |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |