CN117395726B - 一种基于路径规划的移动边缘计算服务迁移方法 - Google Patents

一种基于路径规划的移动边缘计算服务迁移方法 Download PDF

Info

Publication number
CN117395726B
CN117395726B CN202311695817.0A CN202311695817A CN117395726B CN 117395726 B CN117395726 B CN 117395726B CN 202311695817 A CN202311695817 A CN 202311695817A CN 117395726 B CN117395726 B CN 117395726B
Authority
CN
China
Prior art keywords
intersection
edge server
refers
vehicle
crossing
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
Application number
CN202311695817.0A
Other languages
English (en)
Other versions
CN117395726A (zh
Inventor
马勇
郑文胜
叶礼斌
曹远龙
简雯欣
夏云霓
牛新征
何美斌
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal 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 Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202311695817.0A priority Critical patent/CN117395726B/zh
Publication of CN117395726A publication Critical patent/CN117395726A/zh
Application granted granted Critical
Publication of CN117395726B publication Critical patent/CN117395726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04W28/0925—Management thereof using policies
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • 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
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/024—Guidance services
    • 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]

Abstract

本发明公开了一种基于路径规划的移动边缘计算服务迁移方法，包括：获取城市路网数据，起始路口位置信息，目标路口位置信息，边缘服务器信息和车辆服务信息；根据城市路网数据，得到路口特征；构建马尔可夫决策过程模型对车辆进行路径规划，获得路口队列；根据路口队列，得到途经边缘服务器集合；计算途经边缘服务器集合中边缘服务器的服务器适应性指标，从途经边缘服务器集合中选择最佳边缘服务器；构建服务迁移规则，获得当前车辆请求服务迁移的目标边缘服务器；判断车辆是否超过当前通信的边缘服务器的服务范围，将当前车辆请求服务迁移至目标边缘服务器。通过上述方式，本发明能够保证服务的连续性和可靠性，提高边缘服务器的服务质量。

Description

一种基于路径规划的移动边缘计算服务迁移方法
技术领域
本发明涉及边缘计算服务迁移领域，特别是涉及一种基于路径规划的移动边缘计算服务迁移方法。
背景技术
边缘计算在网络边缘部署边缘服务器，以支持高宽带低延迟的服务。然而，这种服务面临覆盖范围有限和服务资源的限制问题。当车辆远离边缘服务器时，与服务器的距离增大会导致用户服务质量急剧下降，甚至服务失效。由于边缘服务片区范围较小，车辆在行驶过程中会频繁穿越片区，边缘服务需要随着车辆的高速行驶在不同片区之间进行迁移。这种迁移会导致较高的时延，甚至可能导致服务中断，从而影响服务质量。
公开号为CN108616816A，名称为一种基于极限学习的车辆轨迹预测和MEC应用迁移方法的专利文献，通过车辆的定位信息，构建车辆轨迹数据库，结合边缘网络收集数据，形成样本集；通过极限学习机预测算法预测车辆的移动方向，确定车辆将接入MEC服务器，进行迁移。该方法仅通过历史车辆轨迹数据选择接入的边缘服务器，忽略了接入的边缘服务器可能由于车辆轨迹改变而相应改变问题。
公开号为CN114650515A，名称为一种应用于车联网的移动边缘计算服务动态迁移方法的专利文献，该方法在当智能网联车辆在服务接续里程内行驶并穿越边缘服务片区时，会通过智能网联车辆的行为数据，计算智能网联车辆在多个路边单元中的目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性，当智能网联车辆在目标路边单元能够获得的服务质量更优，则确定服务需要迁移， 并选取目标路边单元作为迁移边缘节点。该方法仅对服务质量进行考虑，忽略了边缘服务器可能出现的故障问题。
发明内容
本发明主要解决的技术问题是提供一种基于路径规划的移动边缘计算服务迁移方法，能够解决车辆在行驶过程中边缘服务需要频繁迁移带来的对网络资源和服务器计算资源的浪费问题。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于路径规划的移动边缘计算服务迁移方法，其特征在于，包括：
S100：获取城市路网数据，起始路口位置信息，目标路口位置信息，边缘服务器信息和车辆服务信息；
S200：根据所述城市路网数据，计算路口的拥挤度、当日路口平均车流量和路口风险率，得到路口特征；
S300：根据所述路口特征，构建马尔可夫决策过程模型对车辆从所述起始路口到所述目标路口进行路径规划，获得路口队列；
S400：根据所述路口队列，结合所述边缘服务器信息，得到途经边缘服务器集合；
S500：根据所述边缘服务器信息和所述路网数据，计算所述途经边缘服务器集合中边缘服务器的服务器适应性指标，从所述途经边缘服务器集合中选择最佳边缘服务器；
S600：构建服务迁移规则，结合所述最佳边缘服务器获得当前车辆请求服务迁移的目标边缘服务器；
S700：判断车辆是否超过当前通信的边缘服务器的服务范围，若是，将当前车辆请求服务迁移至目标边缘服务器；
所述城市路网数据包括：城市道路数据、交通流量数据、路口限行速度、路口车道数量、道路宽度、路口位置信息；
所述边缘服务器信息包括：边缘服务器的覆盖范围，边缘服务器带宽，边缘服务器位置信息，边缘服务器发送功率，边缘服务器路径损耗和边缘服务器信道噪声功率；
所述车辆服务信息包括：车辆当前位置信息，车辆行驶速度，车辆请求服务大小。
进一步地，所述路口特征，包括：路口的拥挤度，路口风险率和当日路口平均车流量；
所述路口的拥挤度，根据所述城市路网数据对路口拥挤度进行计算得到，其中，路口拥挤度计算公式为：
；
其中，是指t时刻路口的拥挤度，/>是指t时刻路口经过的车辆数量，/>是指路口限行速度，D是指道路宽度，/>是指路口车道数量，/>是指当前路口车辆平均速度；
所述当日路口平均车流量，通过对每小时路口车流量进行加权计算得到，当日路口平均车流量计算公式为：
；
其中，为当日每小时平均车流量，t是指时间/>, />是指t时刻经过路口的车辆数量，/>是指车流量权重系数且；
所述路口风险率，计算公式为：
；
；
；
其中，是指t时刻路口的风险率，/>是指t时刻经过路口的车辆数量，/>为当前路口到下一路口的车辆速度标准差，/>是指当前路口车辆平均速度，/>是指第/>辆车经过路口的行驶速度，/>是指当前路口到下一路口的距离，/>是指异常车辆，/>是指异常车辆权重系数，/>是指车辆密集度权重系数；
所述异常车辆，是指车辆行驶速度与当前路口车辆平均速度差值大于车辆速度标准差的车辆。
进一步地，所述S300，包括：
S310：构建路口状态空间，用于存储从所述起始路口到达目标路口可能途经路口的状态；
S320：构建驾驶动作空间，用于存储车辆的驾驶行为；
S330：根据所述驾驶动作空间以及所述路口状态空间，构建车辆驾驶路径策略；
S340：定义状态转移矩阵，存储车辆在驾驶中发生的状态转移概率；
S350：根据所述路口特征，构建路口即时奖励函数；
S360：根据所述路口即时奖励函数和所述状态转移矩阵，构建驾驶动作奖励函数和路口状态价值函数，得到策略价值函数，通过对策略价值函数进行迭代计算，获取最佳迭代策略，得到路口队列；
所述路口状态空间，表示为：，其中/>是指目标路口所对应的终止状态；
所述驾驶动作空间，表示为：，其中/>分别表示车辆在路口进行左转，直行和右转驾驶行为；
所述车辆驾驶路径策略，是指存储车辆在路口状态采用驾驶动作/>的概率值，计算公式为：
；
其中，是指车辆驾驶路径策略，/>是指车辆在路口状态/>采用驾驶动作的概率值，/>为t时刻下车辆的驾驶行为；
所述状态转移矩阵，存储车辆从当前路口转移到下一路口的概率，表示为：
；
其中，是指状态转移矩阵，/>是指在路口状态/>采用驾驶动作/>转移到其后续状态/>的概率，即当前路口转移到下一路口采用驾驶动作/>的概率，/>为t时刻车辆的路口状态，/>是指状态/>的后续状态，/>为t时刻下车辆的驾驶行为；
所述路口即时奖励函数，计算公式为：
；
其中，是指t时刻路口/>的即时奖励值，/>是指t时刻路口/>的拥挤度，/>是指t时刻路口/>的平均车流量，/>是指t时刻路口/>的风险率，/>为路口即时奖励函数参数，且/>。
进一步地，所述S360，包括：
S361：根据所述路口即时奖励函数，计算路口长期回报价值；
S362：通过所述路口长期回报价值，构建路口状态价值函数；
S363：根据所述路口状态价值函数和所述状态转移矩阵，得到驾驶动作价值奖励函数；
S364：根据所述驾驶动作奖励价值函数和所述车辆驾驶路径策略，得到策略价值函数，对策略价值函数进行迭代计算，获得最佳策略，得到路口队列；
所述计算路口长期回报价值，计算公式为：
；
其中，是指t时刻的长期回报价值，/>是指奖励价值折扣率，/>是指/>时刻的奖励价值；
所述路口状态价值函数，计算公式为：
；
其中，是指当前状态/>采用驾驶路径策略/>行驶产生的路口状态价值，/>是指t时刻的长期回报价值，/>是指t时刻路口状态空间，/>为t时刻车辆的路口状态；
所述驾驶动作奖励函数，计算公式为：
；
其中，是指在当前状态/>和动作/>采用驾驶路径策略/>行驶产生的驾驶动作奖励，/>是指t时刻的长期回报价值，/>是指在路口状态/>采用驾驶动作/>转移到其后续状态/>的概率，/>是指状态价值参数，/>为t+1时刻车辆的路口状态；
所述策略价值函数，计算公式为：
；
其中，是指采用驾驶路径策略/>行驶产生的总体价值，/>是指在当前状态/>和动作/>采用策略/>行驶产生的动作价值，/>是指车辆驾驶路径策略；
所述最佳策略，是指对路口状态价值函数采用策略进行迭代计算，使得，此时/>为最优车辆驾驶路径策略，将该驾驶路径策略下的所有路口状态空间所对应的路口，作为路口队列/>，/>，m为路口数量。
进一步地，所述途经边缘服务器集合，包含多个路口边缘服务器队列，途经边缘服务器集合表示为，/>，其中，/>为第m个路口边缘服务器队列，所述路口边缘服务器队列，包含路口能够访问的所有边缘服务器，路口边缘服务器队列表示为/>，/>，其中/>是指第m个路口边缘服务器队列所包含的边缘服务器数量。
进一步地，所述服务器适应性指标，是根据路口与边缘服务器距离以及边缘服务器通信时延进行计算，用于对路口边缘服务器进行评价，计算公式为：
；
其中，是指服务器适应性指标，/>是指路口与边缘服务器的距离，/>是指当前边缘服务器的通信时延，/>是指路口与边缘服务器的距离和边缘服务器的通信时延权重比，且/>；
所述最佳边缘服务器，是根据服务器适应性指标对所述路口边缘服务器队列中的边缘服务器进行降序排序，将各路口适应性指标最高的边缘服务器作为最佳边缘服务器，最佳边缘服务器表示为，/>，其中/>是指第m个路口边缘服务器队列中的最佳边缘服务器；
所述路口与边缘服务器的距离，计算公式为：
；
其中，是指路口的经度，/>是指路口的纬度，/>是指边缘服务器的经度，是指边缘服务器的纬度，R是指地球半径, />是指路口与边缘服务器的距离；
所述边缘服务器的通信时延，计算公式为：
；
其中，是指边缘服务器的通信时延，/>是指边缘服务器上传数据所占带宽的百分比、/>是指边缘服务器的发送功率，/>是指边缘服务器的信道衰落系数，/>是指边缘服务器的路径损耗，/>是指路口与边缘服务器的距离，/>是指信道的噪声功率。
进一步地，所述服务迁移规则，是指在即将进行服务迁移时判断下一路口的最佳边缘服务器的故障概率是否大于阈值，如果故障概率大于阈值，则在下一路口的路口边缘服务器队列中选择服务器适应性指标高且故障概率低的边缘服务器，作为目标边缘服务器，如果故障概率小于阈值，则将下一路口的最佳边缘服务器，作为目标边缘服务器；
所述故障概率，计算公式为：
；
其中， 是指服务器的故障概率，/>是指故障系数参数，B是指边缘服务器已使用资源占用比，/>是指服务器运行时间，/> 是指当前服务覆盖范围内车辆数量；
所述边缘服务器故障概率阈值为40%。
本发明的有益效果是：
1、本发明提供的一种基于路径规划的移动边缘计算服务迁移方法对车辆行驶路径规划，在对路径的规划中考虑了路口的拥挤度、当日路口平均车流量和路口风险率，为车辆规划一条安全、畅通、服务质量高的行驶路径。
2、本发明提供的一种基于路径规划的移动边缘计算服务迁移方法，在为车辆路径后，预先确定车辆可能接入的边缘服务器，从而有目的性的对服务进行迁移，减少不必要的迁移和应用部署工作，降低请求服务的时延，避免对网络资源和边缘服务器计算资源的浪费。
3、本发明提供的一种基于路径规划的移动边缘计算服务迁移方法，在对服务进行迁移前，对即将接入的边缘服务器进行检查，使得为车辆提供服务的边缘服务器更加稳定，保证服务的连续性和可靠性，提高边缘服务器的服务质量。
附图说明
图1是一种基于路径规划的移动边缘计算服务迁移方法的流程图。
图2是一种基于路径规划的移动边缘计算服务迁移方法的路径规划方法流程图。
图3是一种基于路径规划的移动边缘计算服务迁移方法的路口队列获取流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1、图2和图3，本发明实施例包括：
如图1所示，一种基于路径规划的移动边缘计算服务迁移方法，其特征在于，包括：
S100：获取城市路网数据，起始路口位置信息，目标路口位置信息，边缘服务器信息和车辆服务信息；
所述城市路网数据包括：城市道路数据、交通流量数据、路口限行速度、路口车道数量、道路宽度、路口位置信息；
所述边缘服务器信息包括：边缘服务器的覆盖范围，边缘服务器带宽，边缘服务器位置信息，边缘服务器发送功率，边缘服务器路径损耗和边缘服务器信道噪声功率；
所述车辆服务信息包括：车辆当前位置信息，车辆行驶速度，车辆请求服务大小；
S200：根据所述城市路网数据，计算路口的拥挤度、当日路口平均车流量和路口风险率，得到路口特征。
进一步地，所述路口特征，包括：路口的拥挤度，路口风险率和当日路口平均车流量；
所述路口的拥挤度，根据所述城市路网数据对路口拥挤度进行计算得到，其中，路口拥挤度计算公式为：
；
其中，是指t时刻路口的拥挤度，/>是指t时刻路口经过的车辆数量，/>是指路口限行速度，D是指道路宽度，/>是指路口车道数量，/>是指当前路口车辆平均速度；
所述当日路口平均车流量，通过对每小时路口车流量进行加权计算得到，当日路口平均车流量计算公式为：
；
其中，为当日每小时平均车流量，t是指时间/>, />是指t时刻经过路口的车辆数量，/>是指车流量权重系数且；
所述路口风险率，计算公式为：
；
；
；
其中，是指t时刻路口的风险率，/>是指t时刻经过路口的车辆数量，/>为当前路口到下一路口的车辆速度标准差，/>是指当前路口车辆平均速度，/>是指第/>辆车经过路口的行驶速度，/>是指当前路口到下一路口的距离，/>是指异常车辆，/>是指异常车辆权重系数，/>是指车辆密集度权重系数；
所述异常车辆，是指车辆行驶速度与当前路口车辆平均速度差值大于车辆速度标准差的车辆。
S300：根据所述路口特征，构建马尔可夫决策过程模型对车辆从所述起始路口到所述目标路口进行路径规划，获得路口队列。
进一步地，如图2所示，所述S300，包括：
S310：构建路口状态空间，用于存储从所述起始路口到达目标路口可能途经路口的状态；
S320：构建驾驶动作空间，用于存储车辆的驾驶行为；
S330：根据所述驾驶动作空间以及所述路口状态空间，构建车辆驾驶路径策略；
S340：定义状态转移矩阵，存储车辆在驾驶中发生的状态转移概率；
S350：根据所述路口特征，构建路口即时奖励函数；
S360：根据所述路口即时奖励函数和所述状态转移矩阵，构建驾驶动作奖励函数和路口状态价值函数，得到策略价值函数，通过对策略价值函数进行迭代计算，获取最佳迭代策略，得到路口队列；
所述路口状态空间，表示为：，其中/>是指目标路口所对应的终止状态；
所述驾驶动作空间，表示为：，其中/>分别表示车辆在路口进行左转，直行和右转驾驶行为；
所述车辆驾驶路径策略，是指存储车辆在路口状态采用驾驶动作/>的概率值，计算公式为：
；
其中，是指车辆驾驶路径策略，/>是指车辆在路口状态/>采用驾驶动作的概率值，/>为t时刻下车辆的驾驶行为；
所述状态转移矩阵，存储车辆从当前路口转移到下一路口的概率，表示为：
；
其中，是指状态转移矩阵，/>是指在路口状态/>采用驾驶动作/>转移到其后续状态/>的概率，即当前路口转移到下一路口采用驾驶动作/>的概率，/>为t时刻车辆的路口状态，/>是指状态/>的后续状态，/>为t时刻下车辆的驾驶行为；
所述路口即时奖励函数，计算公式为：
；
其中，是指t时刻路口/>的即时奖励值，/>是指t时刻路口/>的拥挤度，/>是指t时刻路口/>的平均车流量，/>是指t时刻路口/>的风险率，/>为路口即时奖励函数参数，且/>。
进一步地，如图3所示，所述S360，包括：
S361：根据所述路口即时奖励函数，计算路口长期回报价值；
S362：通过所述路口长期回报价值，构建路口状态价值函数；
S363：根据所述路口状态价值函数和所述状态转移矩阵，得到驾驶动作价值奖励函数；
S364：根据所述驾驶动作奖励价值函数和所述车辆驾驶路径策略，得到策略价值函数，对策略价值函数进行迭代计算，获得最佳策略，得到路口队列；
所述计算路口长期回报价值，计算公式为：
；
其中，是指t时刻的长期回报价值，/>是指奖励价值折扣率，/>是指/>时刻的奖励价值；
所述路口状态价值函数，计算公式为：
；
其中，是指当前状态/>采用驾驶路径策略/>行驶产生的路口状态价值，/>是指t时刻的长期回报价值，/>是指t时刻路口状态空间，/>为t时刻车辆的路口状态；
所述驾驶动作奖励函数，计算公式为：
；
其中，是指在当前状态/>和动作/>采用驾驶路径策略/>行驶产生的驾驶动作奖励，/>是指t时刻的长期回报价值，/>是指在路口状态/>采用驾驶动作/>转移到其后续状态/>的概率，/>是指状态价值参数，/>为t+1时刻车辆的路口状态；
所述策略价值函数，计算公式为：
；
其中，是指采用驾驶路径策略/>行驶产生的总体价值，/>是指在当前状态/>和动作/>采用策略/>行驶产生的动作价值，/>是指车辆驾驶路径策略；
所述最佳策略，是指对路口状态价值函数采用策略进行迭代计算，使得，此时/>为最优车辆驾驶路径策略，将该驾驶路径策略下的所有路口状态空间所对应的路口，作为路口队列/>，/>，m为路口数量。
S400：根据所述路口队列，结合所述边缘服务器信息，得到途经边缘服务器集合。
进一步地，所述途经边缘服务器集合，包含多个路口边缘服务器队列，途经边缘服务器集合表示为，/>，其中，/>为第m个路口边缘服务器队列，所述路口边缘服务器队列，包含路口能够访问的所有边缘服务器，路口边缘服务器队列表示为/>，/>，其中/>是指第m个路口边缘服务器队列所包含的边缘服务器数量。
S500：根据所述边缘服务器信息和所述路网数据，计算所述途经边缘服务器集合中边缘服务器的服务器适应性指标，从所述途经边缘服务器集合中选择最佳边缘服务器。
进一步地，所述服务器适应性指标，是根据路口与边缘服务器距离以及边缘服务器通信时延进行计算，用于对路口边缘服务器进行评价，计算公式为：
；
其中，是指服务器适应性指标，/>是指路口与边缘服务器的距离，/>是指当前边缘服务器的通信时延，/>是指路口与边缘服务器的距离和边缘服务器的通信时延权重比，且/>；
所述最佳边缘服务器，是根据服务器适应性指标对所述路口边缘服务器队列中的边缘服务器进行降序排序，将各路口适应性指标最高的边缘服务器作为最佳边缘服务器，最佳边缘服务器表示为，/>，其中/>是指第m个路口边缘服务器队列中的最佳边缘服务器；
所述路口与边缘服务器的距离，计算公式为：
；
其中，是指路口的经度，/>是指路口的纬度，/>是指边缘服务器的经度，是指边缘服务器的纬度，R是指地球半径, />是指路口与边缘服务器的距离；
所述边缘服务器的通信时延，计算公式为：
；
其中，是指边缘服务器的通信时延，/>是指边缘服务器上传数据所占带宽的百分比、/>是指边缘服务器的发送功率，/>是指边缘服务器的信道衰落系数，/>是指边缘服务器的路径损耗，/>是指路口与边缘服务器的距离，/>是指信道的噪声功率。
S600：构建服务迁移规则，结合所述最佳边缘服务器获得当前车辆请求服务迁移的目标边缘服务器。
进一步地，所述服务迁移规则，是指在即将进行服务迁移时判断下一路口的最佳边缘服务器的故障概率是否大于阈值，如果故障概率大于阈值，则在下一路口的路口边缘服务器队列中选择服务器适应性指标高且故障概率低的边缘服务器，作为目标边缘服务器，如果故障概率小于阈值，则将下一路口的最佳边缘服务器，作为目标边缘服务器；
所述故障概率，计算公式为：
；
其中， 是指服务器的故障概率，/>是指故障系数参数，B是指边缘服务器已使用资源占用比，/>是指服务器运行时间，/> 是指当前服务覆盖范围内车辆数量；
所述边缘服务器故障概率阈值为40%。
S700：判断车辆是否超过当前通信的边缘服务器的服务范围，若是，将当前车辆请求服务迁移至目标边缘服务器。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种基于路径规划的移动边缘计算服务迁移方法，其特征在于，包括：
S100：获取城市路网数据，起始路口位置信息，目标路口位置信息，边缘服务器信息和车辆服务信息；
S200：根据所述城市路网数据，计算路口的拥挤度、当日路口平均车流量和路口风险率，得到路口特征；
S300：根据所述路口特征，构建马尔可夫决策过程模型对车辆从所述起始路口到所述目标路口进行路径规划，获得路口队列；
S400：根据所述路口队列，结合所述边缘服务器信息，得到途经边缘服务器集合；
S500：根据所述边缘服务器信息和所述路网数据，计算所述途经边缘服务器集合中边缘服务器的服务器适应性指标，从所述途经边缘服务器集合中选择最佳边缘服务器；
S600：构建服务迁移规则，结合所述最佳边缘服务器获得当前车辆请求服务迁移的目标边缘服务器；
S700：判断车辆是否超过当前通信的边缘服务器的服务范围，若是，将当前车辆请求服务迁移至目标边缘服务器；
所述城市路网数据包括：城市道路数据、交通流量数据、路口限行速度、路口车道数量、道路宽度、路口位置信息；
所述边缘服务器信息包括：边缘服务器的覆盖范围，边缘服务器带宽，边缘服务器位置信息，边缘服务器发送功率，边缘服务器路径损耗和边缘服务器信道噪声功率；
所述车辆服务信息包括：车辆当前位置信息，车辆行驶速度，车辆请求服务大小；
所述路口特征，包括：路口的拥挤度，路口风险率和当日路口平均车流量；
所述路口的拥挤度，根据所述城市路网数据对路口拥挤度进行计算得到，其中，路口拥挤度计算公式为：
；
其中，是指t时刻路口的拥挤度，/>是指t时刻路口经过的车辆数量，/>是指路口限行速度，D是指道路宽度，/>是指路口车道数量，/>是指当前路口车辆平均速度；
所述当日路口平均车流量，通过对每小时路口车流量进行加权计算得到，当日路口平均车流量计算公式为：
；
其中，为当日每小时平均车流量，t是指时间/>, />是指t时刻经过路口的车辆数量，/>是指车流量权重系数且/>；
所述路口风险率，计算公式为：
；
；
；
其中，是指t时刻路口的风险率，/>是指t时刻经过路口的车辆数量，/>为当前路口到下一路口的车辆速度标准差，/>是指当前路口车辆平均速度，/>是指第/>辆车经过路口的行驶速度，/>是指当前路口到下一路口的距离，/>是指异常车辆，/>是指异常车辆权重系数，/>是指车辆密集度权重系数；
所述异常车辆，是指车辆行驶速度与当前路口车辆平均速度差值大于车辆速度标准差的车辆；
所述S300，包括：
S310：构建路口状态空间，用于存储从所述起始路口到达目标路口可能途经路口的状态；
S320：构建驾驶动作空间，用于存储车辆的驾驶行为；
S330：根据所述驾驶动作空间以及所述路口状态空间，构建车辆驾驶路径策略；
S340：定义状态转移矩阵，存储车辆在驾驶中发生的状态转移概率；
S350：根据所述路口特征，构建路口即时奖励函数；
S360：根据所述路口即时奖励函数和所述状态转移矩阵，构建驾驶动作奖励函数和路口状态价值函数，得到策略价值函数，通过对策略价值函数进行迭代计算，获取最佳迭代策略，得到路口队列；
所述路口状态空间，表示为：，其中/>是指目标路口所对应的终止状态；
所述驾驶动作空间，表示为：，其中/>分别表示车辆在路口进行左转，直行和右转驾驶行为；
所述车辆驾驶路径策略，是指存储车辆在路口状态采用驾驶动作/>的概率值，计算公式为：
；
其中，是指车辆驾驶路径策略，/>是指车辆在路口状态/>采用驾驶动作/>的概率值，/>为t时刻下车辆的驾驶行为；
所述状态转移矩阵，存储车辆从当前路口转移到下一路口的概率，表示为：
；
其中，是指状态转移矩阵，/>是指在路口状态/>采用驾驶动作/>转移到其后续状态的概率，即当前路口转移到下一路口采用驾驶动作/>的概率，/>为t时刻车辆的路口状态，是指状态/>的后续状态，/>为t时刻下车辆的驾驶行为；
所述路口即时奖励函数，计算公式为：
；
其中，是指t时刻路口/>的即时奖励值，/>是指t时刻路口/>的拥挤度，/>是指t时刻路口/>的平均车流量，/>是指t时刻路口/>的风险率，/>为路口即时奖励函数参数，且/>；
所述S360，包括：
S361：根据所述路口即时奖励函数，计算路口长期回报价值；
S362：通过所述路口长期回报价值，构建路口状态价值函数；
S363：根据所述路口状态价值函数和所述状态转移矩阵，得到驾驶动作价值奖励函数；
S364：根据所述驾驶动作奖励价值函数和所述车辆驾驶路径策略，得到策略价值函数，对策略价值函数进行迭代计算，获得最佳策略，得到路口队列；
所述计算路口长期回报价值，计算公式为：
；
其中，是指t时刻的长期回报价值，/>是指奖励价值折扣率，/>是指/>时刻的奖励价值；
所述路口状态价值函数，计算公式为：
；
其中，是指当前状态/>采用驾驶路径策略/>行驶产生的路口状态价值，/>是指t时刻的长期回报价值，/>是指t时刻路口状态空间，/>为t时刻车辆的路口状态；
所述驾驶动作奖励函数，计算公式为：
；
其中，是指在当前状态/>和动作/>采用驾驶路径策略/>行驶产生的驾驶动作奖励，/>是指t时刻的长期回报价值，/>是指在路口状态/>采用驾驶动作/>转移到其后续状态/>的概率，/>是指状态价值参数，/>为t+1时刻车辆的路口状态；
所述策略价值函数，计算公式为：
；
其中，是指采用驾驶路径策略/>行驶产生的总体价值，/>是指在当前状态/>和动作/>采用策略/>行驶产生的动作价值，/>是指车辆驾驶路径策略；
所述最佳策略，是指对路口状态价值函数采用策略进行迭代计算，使得，此时/>为最优车辆驾驶路径策略，将该驾驶路径策略下的所有路口状态空间所对应的路口，作为路口队列/>，/>，m为路口数量；
所述途经边缘服务器集合，包含多个路口边缘服务器队列，途经边缘服务器集合表示为，/>，其中，/>为第m个路口边缘服务器队列，所述路口边缘服务器队列，包含路口能够访问的所有边缘服务器，路口边缘服务器队列表示为/>，/>，其中/>是指第m个路口边缘服务器队列所包含的边缘服务器数量；
所述服务器适应性指标，是根据路口与边缘服务器距离以及边缘服务器通信时延进行计算，用于对路口边缘服务器进行评价，计算公式为：
；
其中，是指服务器适应性指标，/>是指路口与边缘服务器的距离，/>是指当前边缘服务器的通信时延，/>是指路口与边缘服务器的距离和边缘服务器的通信时延权重比，且/>；
所述最佳边缘服务器，是根据服务器适应性指标对所述路口边缘服务器队列中的边缘服务器进行降序排序，将各路口适应性指标最高的边缘服务器作为最佳边缘服务器，最佳边缘服务器表示为，/>，其中/>是指第m个路口边缘服务器队列中的最佳边缘服务器；
所述路口与边缘服务器的距离，计算公式为：
；
其中，是指路口的经度，/>是指路口的纬度，/>是指边缘服务器的经度，/>是指边缘服务器的纬度，R是指地球半径, />是指路口与边缘服务器的距离；
所述边缘服务器的通信时延，计算公式为：
；
其中，是指边缘服务器的通信时延，/>是指边缘服务器上传数据所占带宽的百分比、是指边缘服务器的发送功率，/>是指边缘服务器的信道衰落系数，/>是指边缘服务器的路径损耗，/>是指路口与边缘服务器的距离，/>是指信道的噪声功率；
所述服务迁移规则，是指在即将进行服务迁移时判断下一路口的最佳边缘服务器的故障概率是否大于阈值，如果故障概率大于阈值，则在下一路口的路口边缘服务器队列中选择服务器适应性指标高且故障概率低的边缘服务器，作为目标边缘服务器，如果故障概率小于阈值，则将下一路口的最佳边缘服务器，作为目标边缘服务器；
所述故障概率，计算公式为：
；
其中， 是指服务器的故障概率，/>是指故障系数参数，B是指边缘服务器已使用资源占用比，/>是指服务器运行时间，/> 是指当前服务覆盖范围内车辆数量；
所述边缘服务器故障概率阈值为40%。
CN202311695817.0A 2023-12-12 2023-12-12 一种基于路径规划的移动边缘计算服务迁移方法 Active CN117395726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311695817.0A CN117395726B (zh) 2023-12-12 2023-12-12 一种基于路径规划的移动边缘计算服务迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311695817.0A CN117395726B (zh) 2023-12-12 2023-12-12 一种基于路径规划的移动边缘计算服务迁移方法

Publications (2)

Publication Number Publication Date
CN117395726A CN117395726A (zh) 2024-01-12
CN117395726B true CN117395726B (zh) 2024-03-01

Family

ID=89468754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311695817.0A Active CN117395726B (zh) 2023-12-12 2023-12-12 一种基于路径规划的移动边缘计算服务迁移方法

Country Status (1)

Country Link
CN (1) CN117395726B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616816A (zh) * 2018-05-07 2018-10-02 重庆邮电大学 一种基于极限学习的车辆轨迹预测和mec应用迁移方法
CN114357680A (zh) * 2022-01-06 2022-04-15 内蒙古大学 面向车联网边缘计算路域划分服务迁移方法以及迁移系统
CN116030623A (zh) * 2022-12-08 2023-04-28 北京邮电大学 认知车联网场景下基于区块链的协作路径规划和调度方法
CN116678432A (zh) * 2023-08-04 2023-09-01 江西师范大学 一种基于边缘服务下的车辆实时路径规划方法
CN116820126A (zh) * 2023-06-27 2023-09-29 杭州电子科技大学 基于多无人机路径规划的深度强化学习系统及方法
CN117202265A (zh) * 2023-10-08 2023-12-08 福州大学 边缘环境下基于dqn的服务迁移方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230009517A (ko) * 2016-12-30 2023-01-17 인텔 코포레이션 라디오 통신을 위한 방법 및 디바이스
US11187548B2 (en) * 2019-02-05 2021-11-30 International Business Machines Corporation Planning vehicle computational unit migration based on mobility prediction
EP3947094A4 (en) * 2019-03-29 2022-12-14 INTEL Corporation AUTONOMOUS VEHICLE SYSTEM
US11465617B2 (en) * 2019-11-19 2022-10-11 Ford Global Technologies, Llc Vehicle path planning
KR102479404B1 (ko) * 2020-12-30 2022-12-21 한국과학기술원 모바일 엣지 컴퓨팅 환경에서 효율적인 서비스 마이그레이션을 위한 서비스 소비 계획을 제공하는 컴퓨터 시스템 및 그의 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108616816A (zh) * 2018-05-07 2018-10-02 重庆邮电大学 一种基于极限学习的车辆轨迹预测和mec应用迁移方法
CN114357680A (zh) * 2022-01-06 2022-04-15 内蒙古大学 面向车联网边缘计算路域划分服务迁移方法以及迁移系统
CN116030623A (zh) * 2022-12-08 2023-04-28 北京邮电大学 认知车联网场景下基于区块链的协作路径规划和调度方法
CN116820126A (zh) * 2023-06-27 2023-09-29 杭州电子科技大学 基于多无人机路径规划的深度强化学习系统及方法
CN116678432A (zh) * 2023-08-04 2023-09-01 江西师范大学 一种基于边缘服务下的车辆实时路径规划方法
CN117202265A (zh) * 2023-10-08 2023-12-08 福州大学 边缘环境下基于dqn的服务迁移方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Dou An ; Teng Zhang. Mobile Edge Computing Task Migration Algorithm Based on Vehicle Network.《 2023 IEEE 5th International Conference on Power, Intelligent Computing and Systems (ICPICS)》.2023,208-213. *
Yong Ma ; Mengxuan Dai，etc..A Performance and Reliability-Guaranteed Predictive Approach to Service Migration Path Selection in Mobile Computing.《IEEE Internet of Things Journal ( Volume: 10, Issue: 20, 15 October 2023)》.2023,17977-17987. *
车联网下移动边缘计算任务卸载和迁移策略研究;彭世明;《CNKI-硕士论文》;20230430;全文 *
钱志鸿 ; 田春生 ; 郭银景 ; 王雪 ; .智能网联交通系统的关键技术与发展.电子与信息学报.2020,(01),全文. *
面向车联网边缘计算的智能计算迁移研究;莫瑞超;许小龙;何强;刘琦;赵庆展;;应用科学学报;20200930(05);全文 *
面向边缘侧卸载优化的工作流动态关键路径调度算法;袁友伟;刘恒初;俞东进;李忠金;;计算机集成制造系统;20190415(04);全文 *
马勇,郑文胜，etc..一种基于深度强化学习与概率性能感知的边缘计算环境多工作流卸载方法.《CNKI-计算机科学》.2021,40-48. *

Also Published As

Publication number Publication date
CN117395726A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
Wang et al. Adaptive Traffic Signal Control for large-scale scenario with Cooperative Group-based Multi-agent reinforcement learning
CN112700639B (zh) 一种基于联邦学习与数字孪生的智能交通路径规划方法
Nguyen et al. An efficient traffic congestion monitoring system on internet of vehicles
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
US6539300B2 (en) Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
US10797981B2 (en) Application specific connected service provision system
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
CN110570672B (zh) 一种基于图神经网络的区域交通信号灯控制方法
US20190238436A1 (en) Vehicle application enabling and network routing systems implemented based on latency characterization and projection
US10768004B2 (en) Travel routing selection system and methods implemented based on characterization of historical latency data
CN109191852B (zh) 车-路-云协同的交通流态势预测方法
Nguyen et al. Multiple ACO-based method for solving dynamic MSMD traffic routing problem in connected vehicles
CN109489679B (zh) 一种导航路径中的到达时间计算方法
CN115708343A (zh) 从一组载具收集数据的方法
Kurihara Traffic-congestion forecasting algorithm based on pheromone communication model
Ge et al. Interference aware service migration in vehicular fog computing
Yang et al. Learning urban navigation via value iteration network
CN117395726B (zh) 一种基于路径规划的移动边缘计算服务迁移方法
EP4252217A1 (en) Distributed multi-task machine learning for traffic prediction
Yang et al. Autonomic navigation system based on predicted traffic and VANETs
Lee et al. Development of reinforcement learning-based traffic predictive route guidance algorithm under uncertain traffic environment
CN103906077A (zh) 基于近邻传播算法的路侧单元放置方法
CN116321351A (zh) 基于区域路由算法的车联网优化方法、系统和车辆
Das et al. D-ACC: Dynamic Adaptive Cruise Control for Highways with Ramps Based on Deep Q-Learning
Kumar et al. Real-time data sharing, path planning and route optimization in urban traffic management

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