一种车联网云端和边缘联合任务调度的Lyapunov优化方法技术

本发明专利技术公开了一种车联网云端和边缘联合任务调度的Lyapunov优化方法，包括以下步骤：第一阶段，创建车辆Ad hoc网络，所述Ad hoc网络有一个云服务器，多个边缘服务器，两个RSU节点和N个节点代表车辆，使用Traci移动模型的sumo交通流模型来放置车辆节点；第二阶段：利用基于Lyapunov的模糊队列调度作为任务的车辆节点，决定将车辆节点分配到云端还是分配到边缘端进行数据传输，通过模糊Lyapunov稳定性理论导出模糊规则，得到稳定的队列调度，并且使用Lyapunov惩罚函数来最大化任务调度的效用。本发明专利技术实现了云端、边缘端、终端之间的任务调度，合理有效的利用云端、边缘端的资源，从而使任务处理的速度变得更快，大大减少了任务处理过程中的延时。

A Lyapunov Optimal Method for Joint Task Scheduling between Cloud and Edge in Vehicle Networking

【技术实现步骤摘要】
一种车联网云端和边缘联合任务调度的Lyapunov优化方法
本专利技术涉及一种车联网云端和边缘联合任务调度的Lyapunov优化方法，属于移动计算领域。
技术介绍
目前，万物互联的时代，众多终端设备对云计算中心的依赖愈发强烈。其结果就是庞大的数据量给原有云计算模型带来诸多挑战。集中式的海量数据处理加重了云数据中心的负担，导致网络阻塞、高延时、低服务质量等问题。其次，当网络边缘设备所产生的数据涉及单位和个人隐私时，隐私数据安全问题也会变得尤为突出。因此边缘计算应运而生。边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其目的是将原有基于中心的云计算任务部分迁移到网络边缘设备上，以提高数据的网络传输性能，减少网络带宽消耗，保证数据处理的实时性，同时降低云计算中心的计算负载。2016年底由华为技术有限公司、中国科学院沈阳自动化研究所、中国信息通信研究院、英特尔公司、ARM和软通动力信息技术(集团)等多家公司联合成立了边缘计算联盟。边缘计算在云计算任务迁移、边缘视频分析、智能家居、智慧城市，包括智能信号灯、ParkSense系统、管道检测、智能电网等领域也有一定的应用，其次，在车联网、可穿戴设备、智慧农场等方面也是应用广泛。与云计算相比，边缘计算的初衷是为了将计算能力带回离数据源更近的地方，它采用分布式计算架构，在靠近数据源所在的局域环境网络内运算，设计一个本地端运算网络环境，可以将运算分散靠近地面数据源的近端设备处理，从而可以分担原本在云端的工作量，而无需将数据全部传回云端进行集中式处理，从而使任务处理的速度变得更快。此外，由于边缘端的运算设备和设备之间彼此相隔很近，网络传输更直接，因而数据传输也相对较快，对于计算服务的响应速度也很快。已有的技术研究了物联网和5G通信的愿景驱动下，移动计算领域从集中式移动云计算(MCC)到分布式移动边缘计算(MEC)的转变，从而在资源受限的移动设备上实现计算密集型和延时时间关键的应用以及移动边缘云可通过提供无线网络信息和本地环境感知以及低延迟和带宽保护来克服传统中央云的高延时、计算能力不足的障碍。也有技术研究了多通道无线干扰环境下采用博弈论的方法来实现移动边缘云计算分布式的高效计算卸载，并将研究进一步扩展到多通道无线争用环境中的多终端计算卸载场景。然而，这些方法对于数据进行处理的研究都比较单一，数据流量的爆炸性增长，所带来的网络的安全与隐私问题不容小觑，为未来网络计算提出了高性能要求。边缘计算是在相关技术基础上发展起来的，与云计算是相辅相成的关系，但是目前对于边缘计算-云计算相结合的研究还相对较少，因此云端-边缘-终端的任务分配方法将是未来的重要研究方向。Lyapunov函数的目标是稳定网络队列同时优化一些性能目标，比如：Lyapunov优化是指使用Lyapunov函数来优化控制动力系统，Lyapunov函数广泛应用于控制理论，以确保不同形式的系统稳定性。Lyapunov漂移是研究排队网络最优控制的核心问题。一个典型的目标是稳定所有网络队列，同时优化一些性能目标，如最小化平均能量或最大化平均吞吐量。Lyapunov惩罚函数在稳定网络的同时可以最小化时间平均功率。因此，结合Lyapunov理论来研究边缘、云端、终端之间的任务调度对于提高数据的网络传输性能，保证数据处理的实时性，同时降低云计算中心的计算负载来说是一种很重要的研究方向。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术不足，提供一种车联网云端和边缘联合任务调度的Lyapunov优化方法，基于任务的优先级，实现云端、边缘端、终端之间的任务调度问题，将部分任务分配给边缘端进行处理，无需将所有的任务都传输给云端进行集中式处理，从而使任务处理的速度变得更快，合理有效的利用云端、边缘端的资源，减小任务调度处理过程中的延时问题。本专利技术的技术原理在于，Adhoc网是一种多跳的、无中心的、自组织无线网络，又称为多跳网(Multi-hopNetwork)、无基础设施网(InfrastructurelessNetwork)或自组织网(Self-organizingNetwork)。整个网络没有固定的基础设施，每个节点都是移动的，并且都能以任意方式动态地保持与其它节点的联系。在这种网络中，由于终端无线覆盖取值范围的有限性，两个无法直接进行通信的用户终端可以借助其它节点进行分组转发。每一个节点同时是一个路由器，它们能完成发现以及维持到其它节点路由的功能。在AdHoc网络中，当两个移动主机在彼此的通信覆盖范围内时，它们可以直接通信。但是由于移动主机的通信覆盖范围有限，如果两个相距较远的主机要进行通信，则需要通过它们之间的移动主机B的转发才能实现。因此在AdHoc网络中，主机同时还是路由器，担负着寻找路由和转发报文的工作。在AdHoc网络中，每个主机的通信范围有限，因此路由一般都由多跳组成，数据通过多个主机的转发才能到达目的地。故AdHoc网络也被称为多跳无线网络。AdHoc网络可以看作是移动通信和计算机网络的交叉。在AdHoc网络中，使用计算机网络的分组交换机制，而不是电路交换机制。通信的主机一般是便携式计算机、个人数字助理(PDA)等移动终端设备。AdHoc网络不同于目因特网环境中的移动IP网络。在移动IP网络中，移动主机可以通过固定有线网络、无线链路和拨号线路等方式接入网络，而在AdHoc网络中只存在无线链路一种连接方式。在移动IP网络中，移动主机通过相邻的基站等有线设施的支持才能通信，在基站和基站(代理和代理)之间均为有线网络，仍然使用因特网的传统路由协议。而AdHoc网络没有这些设施的支持。此外，在移动IP网络中移动主机不具备路由功能，只是一个普通的通信终端。当移动主机从一个区移动到另一个区时并不改变网络拓扑结构，而AdHoc网络中移动主机的移动将会导致拓扑结构的改变。为解决现有技术中存在的问题，本专利技术所采用的技术方案包括以下步骤：步骤1，创建车辆Adhoc网络，所述Adhoc网络有一个云服务器，多个边缘服务器，两个RSU节点和N个节点代表车辆，使用Traci移动模型的sumo交通流模型来放置车辆节点；其中，N≥1；步骤2，利用基于Lyapunov的模糊队列调度作为任务的车辆节点，决定将车辆节点分配到云端还是分配到边缘端进行数据传输，通过模糊Lyapunov稳定性理论导出模糊规则，得到稳定的队列调度，并且使用Lyapunov惩罚函数来最大化任务调度的效用。所述的步骤2中，使用mac/phy与IEEE802.11p进行车辆节点与边缘、云服务器的通信。1)所述的步骤2的具体实现过程包括：车辆在移动过程中会产生相应的数据信息，用X(t)来表示聚集的车辆数据信息，X(t)中的每个车辆数据信息被划分为不同的优先级，并且放在相应的队列中；2)任务调度过程中应保持每个队列的长度不大于队列容量防止网络拥塞，同时也是为了防止低优先级的任务没有被调度而队列空间不足导致车辆数据信息丢失的情况发生；3)每个车辆数据信息作为任务进行调度的过程中都设置一个完成时间和最后截止调度期限；4)任务调度过程中被选择分配进行处理的任务的能量消耗应该在总的能量消耗预算的范围内；5)任务调度过程中，采本文档来自技高网...

【技术保护点】
1.一种车联网云端和边缘联合任务调度的Lyapunov优化方法，其特征在于，包括以下步骤：步骤1、创建车辆Ad hoc网络，所述Ad hoc网络包括一个云服务器，及至少两个边缘服务器；两个RSU节点和N个节点代表车辆，使用Traci移动模型的sumo交通流模型来放置车辆节点；其中，N≥1；步骤2、利用基于Lyapunov的模糊队列调度作为任务的车辆节点，决定将车辆节点分配到云端或者分配到边缘端进行数据传输，通过模糊Lyapunov稳定性理论导出模糊规则，得到稳定的队列调度，并且使用Lyapunov惩罚函数来最大化任务调度的效用。

【技术特征摘要】
1.一种车联网云端和边缘联合任务调度的Lyapunov优化方法，其特征在于，包括以下步骤：步骤1、创建车辆Adhoc网络，所述Adhoc网络包括一个云服务器，及至少两个边缘服务器；两个RSU节点和N个节点代表车辆，使用Traci移动模型的sumo交通流模型来放置车辆节点；其中，N≥1；步骤2、利用基于Lyapunov的模糊队列调度作为任务的车辆节点，决定将车辆节点分配到云端或者分配到边缘端进行数据传输，通过模糊Lyapunov稳定性理论导出模糊规则，得到稳定的队列调度，并且使用Lyapunov惩罚函数来最大化任务调度的效用。2.根据权利要求1所述的一种车联网云端和边缘联合任务调度的Lyapunov优化方法，其特征在于，步骤2中的具体实现过程包括：步骤2-1、用X(t)表示聚集的车辆数据信息，X(t)中的每个车辆数据信息被划分为不同的优先级，并且放在相应的队列中；设有Q个队列类型，这些队列类型中包含具有从最高优先级的队列1到具有最低优先级的队列n的数据，表示为Q＝{q1,q2,q3,...,qn}；步骤2-2、任务调度过程中应保持每个队列的长度不大于队列容量防止网络拥塞，同时也是为了防止低优先级的任务没有被调度而队列空间不足导致车辆数据信息丢失的情况发生；用Si(t)来表示在时隙t第i个队列的队列长度，SQmax表示总的队列容量，每个队列的长度小于等于队列容量来防止网络拥塞；步骤2-3、每个车辆数据信息作为任务进行调度的过程中都设置一个完成时间和最后截止调度期限；每个任务入队的开始时间为ts，出队的结束时间为te，第i个任务的完成时间表示为Wi，Q个队列类型中对应的每个任务的最后期限相应的表示为T＝{T1,T2,...,Tn}；倘若在最后期限内任务还没有被调度，那么该任务就被作为未处理的任务增加其优先级重新放入聚集的车辆数据信息中；动态调度任务传输的目的是减小队列的所有队列类型的总队列级别，目标函数表示为：Subjectto：Si(t)≤SQmaxWi≤Tiqi(t)是在离散时间t第i个队列的动态队列优先级；步骤2-4、任务调度过程中被选择分配进行处理的任务的能量消耗应该在总的能量消耗预算的范围内；倘若任务i被选择分配进行处理表示为xi＝1，则未被选择分配进行处理表示为xi＝0，任务i被选择分配进行处理的能量消耗表示为Ei，EQmax表示总的能量消耗预算，任务调度的目的是选择具有最大队列优先级的队列类型qs，即：同时在能量消耗的预算的范围内最大化任务调度的效用，时隙t任务i的效用表示为Ui(t)，即：Ei≤EQmaxi∈(1,n)pi为任务分配过程中的能量消耗率，任务分配的能量消耗由任务的完成时间以及能量消耗率共同决定。若是被选择分配进行处理的任务的能量消耗超出总的能量消耗预算，那么该任务也被作为未处理的任务减少其能量消耗分配重新放入聚集的车辆数据信息中；步骤2-5、任务调度过程中，采用Lyapunov模糊理论来进行任务的调度，最大化任务调度的效用的同时优先级高的任务优先被选择调度进行处理；同时采用Lyapunov候选函数来维...

【专利技术属性】
技术研发人员：吴迪，张海平，黄鑫，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43