基于MEC的V2X移动性预测与内容缓存卸载方案制造技术

移动边缘计算(MEC)通过在移动网络边缘提供服务环境和计算能力，从而拥有高带宽、低延时的优势，已在下一代移动网络的研究中引起了广泛关注。本发明专利技术公开了一种车联网环境下车辆任务卸载与用户移动性预测以及边缘缓存的融合策略。构建一个基于MEC的卸载框架，任务既可以卸载到MEC服务器以车辆到基础设施(V2I)形式通信，也可以卸载到邻近车辆进行车辆到车辆(V2V)通信。考虑到用户移动性带来的链路断开而导致的任务回传失败，利用卡尔曼滤波算法对链路连接的估计进行预测，用户可以在任务请求和任务收集期间选择稳定的服务节点。在服务节点第一次回传任务给请求车辆之前进行缓存决策，通过缓存内容可以显著减少访问延迟、流量负载和网络成本。

【技术实现步骤摘要】
基于MEC的V2X移动性预测与内容缓存卸载方案
本专利技术涉及车联网系统中无线短距离通信
，特别涉及基于移动边缘计算的V2X任务卸载与边缘缓存方案。
技术介绍
随着无线通信技术的快速发展，联网的车辆可以通过V2I和V2V通信方式来构成车辆自组织网络(VANET)。由于各种应用请求服务的爆炸式增长，VANET在学术界和工业界受到相当大的关注。在车载自组网里，车辆配置有车载单元OBU，从而具有一定的计算与存储能力。现如今，车辆有限的计算与存储资源难以支撑这一类计算密集型的车载服务。因此，OBU的有限计算能力给VANET带来了新的挑战。为了解决这个挑战，通过无线访问将计算任务卸载到云从而形成车载云计算被认为是一种有效的方法。目前，基于云的车联网络国内外已经做了大量的研究。例如，有研究学者提出了一个多目标/多目标交互游戏系统来管理车辆云网络中的按需服务。另外在车辆云的帮助下，有研究人员提出了一种自适应的交互式导航工具，将车辆的导航路径引入到全球道路交通优化中。研究人员研究了车辆云中的资源管理，并论证了基于强化学习的资源配置技术的好处。研究人员提出使用聚类技术的新型车辆云架构，其中聚类技本文档来自技高网...

【技术保护点】
1.一种基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，包括以下步骤：步骤101：构建基于MEC的任务卸载匹配框架；步骤102：等效请求车辆与服务节点的连通性为中断概率；步骤103：请求车辆的移动性预测；步骤104：服务节点内容缓存策略。

【技术特征摘要】
1.一种基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，包括以下步骤：步骤101：构建基于MEC的任务卸载匹配框架；步骤102：等效请求车辆与服务节点的连通性为中断概率；步骤103：请求车辆的移动性预测；步骤104：服务节点内容缓存策略。2.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤101构建基于MEC的任务卸载匹配框架包括：考虑在车联网环境下，车辆可以通过蜂窝网络与邻接车辆与移动边缘服务器(MEC)进行通信，L个请求车辆按泊松分布在道路上，表示为V＝{v1,v2L,vL}，由于提供服务的车辆和MEC具有相同的通信性质，统一定义为服务节点，表示为S＝{s1,s2L,sM}，每个服务节点si都具有有限的计算资源、无线资源以及缓存空间，可以为请求车辆进行任务计算和任务缓存；在此卸载框架下，每个服务节点都配备了一个蜂窝网络接口和一个IEEE802.11p网络接口，车辆可以发送它们的信息，包括使用GPS定位的位置、速度、方向和可感知的邻近车辆的ID以及距离等到达服务节点的上下文数据库，在短时间内将车辆运动看作线性运动模型；请求任务类型各异，任务可以由车辆利用自身资源进行本地计算，也可以以V2I形式通过路边单元(RSU)卸载到MEC服务器计算，或者以V2V形式卸载到周边车辆进行计算；请求车辆vi与服务节点sj之间的信噪比定义为：其中，Pi表示请求车辆vi的发射功率；Hij表示vi与sj之间的信道增益，Hij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ2；L(d)为路径损耗函数，d为请求车辆vi与服务节点sj之间的距离；N0为噪声功率；假设分配给每对V2X车辆bij个子载波用于传输，那么传输速率可以表示为：rij＝bijlog(1+γij)。3.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，所述步骤102等效请求车辆与服务节点连通性为中断概率，其内容包括：请求车辆周期性检查周围服务节点距离、ID等信息；定义中断概率为请求车辆vi与服务节点sj之间的接收信噪比λij低于设定信噪比阈值λij(Q)，请求车辆vi与服务节点sj之间的信噪比定义为：λij＝Pi+Hij-N0其中，Pi表示请求车辆vi的发射功率；Hij表示vi与sj之间的信道增益，Hij＝Λ-L(d)，其中Λ为慢衰落增益，服从对数正态分布，其方差为σ2；L(d)为路径损耗函数，d表示请求车辆vi与服务节点sj之间的距离；N0为噪声功率；因此，请求车辆vi与服务节点sj之间的接收信噪比λij的概率密度函数表示为：因此，请求车辆vi与服务节点sj之间的中断概率为：由此可以看出，当请求车辆与服务节点间距离越近，其接收信噪比越高，车辆与服务节点之间的连通性越好，稳定性越高。4.根据权利要求1所述的基于MEC的V2X移动性预测与内容缓存卸载方案，其特征在于，基于用户移动性，采用卡尔曼滤波算法对用户移动性进行预测，其内容包括：基于状态空间模型，在时间k上执行预测步骤，以预测时间k+1的状态，然后，在k+1时刻，使用观察值执行过滤步骤，卡尔曼滤波是一种最优化自回归数据处理算法，适用于线性离散和有限维的系统，它以最小均方误差为估计的准则，根据带有噪声的观测数据与前一时刻的系统状态，对系统当前的状态进行最优估计，过程为“状态预测---根据观测值修正预测量---更新状态值”的循环递推过程，以此得到最优值；根据卡尔曼滤波算法，主要分为以下四个步骤：1)系统状态向量与观测值向量设Xk表示k时刻系统的状态向量，Zk表示k时刻对系统的观测向量,如果系统的状态量的变化可以表示成线性方程的形式，则该方程成为系统的状态转移方程以及观测方程为：Xk+1＝AXk+BUk+1+Wk+...

【专利技术属性】
技术研发人员：张海波，王子心，刘开健，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50