一种基于平面分离的车辆大数据边缘计算卸载方法技术

本发明专利技术公开了一种基于平面分离的车辆大数据边缘计算卸载方法，包括步骤如下：利用边缘节点之间的D2D链路来交换共享每个边缘访问点状态的控制数据，以估计每个边缘访问点处理队列中每个任务所受的延迟，并判断边缘节点是否卸载数据到边缘访问点；将每个边缘访问点中等待时间的控制平面数据用作数据平面的输入，对每个边缘节点设备使用双深度Q学习来最大化其控制策略的长期效用，联盟学习迭代地选择随机的车联网设备组，以估计最佳卸载执行部分；根据上述最佳卸载执行部分，被选择的边缘节点和边缘访问点进行数据计算及通信返回。本发明专利技术通过将控制平面和数据平面分离，将计算任务部分卸载到两个平面进行计算执行，以降低执行时间优势。

【技术实现步骤摘要】
一种基于平面分离的车辆大数据边缘计算卸载方法
本专利技术涉及一种基于平面分离的车辆大数据边缘计算卸载方法，属于通信


技术介绍
随着智能交通的迅速发展，对通信的实时性提出了更高的要求。由于车辆和路边传感器产生的大量计算和通信负载，依靠远程云来上传数据并运行复杂的算法会产生高的通信延迟和计算延迟。通过使用具有一定计算能力的边缘计算架构辅以远程云对智能交通中的数据进行边缘处理，可以潜在地改善时延过高的问题，并在一定程度上减少对远程云的依赖。移动边缘计算(mobileedgecomputing，MEC)，是指将云计算数据中心的计算、存储等能力移动到网络边缘，为无线接入网提供IT环境和云计算能力，使应用、服务和内容可以实现本地化部署，为业务提供低时延、高带宽的运营环境，满足智能交通系统计算需求。随着代码分解和并行运算的发展，MEC中的计算卸载得到国内外学者的广泛关注。部分计算卸载模型充分利用MEC服务器和移动设备并行计算的优势，将计算任务分解为不同的部分，一部分在本地执行，一部分卸载到MEC服务器执行，不同于传统二进制计算卸载方案的设计，在部分计算任务卸载研究中，决定卸载计算任务的多少成为设计计算卸载方案的关键问题之一。近年来基于部分任务卸载的计算卸载方案优化设计研究中，主要集中于将计算应用分为两部分卸载到MEC或本地执行，从而忽略了将计算任务分为更多的部分卸载到多个计算节点并行执行，降低任务执行时间的优势。针对以上研究中存在的问题，本专利技术方法引入平面分离概念，将边缘节点之间的设备到设备(D2D)通信充当控制平面，以协助在由边缘节点-边缘访问点组成的数据平面上运行的计算分流流量链接，实现数据在边缘的分层处理，基于用户任务的差异化性质，采用联盟学习估计分配卸载的任务量，在数据丢失和时延方面有一定的改善，能够最大程度的保证用户的效益。
技术实现思路
为了克服现有技术中存在的不足，本专利技术提供一种基于平面分离的车辆大数据边缘计算卸载方法，以解决现有技术中边缘节点过载导致应用时延较大的问题。为实现上述目的，本专利技术采用的技术方案如下：本专利技术的一种基于平面分离的车辆大数据边缘计算卸载方法，包括步骤如下：步骤1：利用边缘节点之间的D2D链路来交换共享每个边缘访问点状态的控制数据，以估计每个边缘访问点处理队列中每个任务所受的延迟，并判断边缘节点是否卸载数据到边缘访问点；步骤2：将每个边缘访问点中等待时间的控制平面数据用作数据平面的输入，对每个边缘节点设备使用双深度Q学习来最大化其控制策略的长期效用，联盟学习迭代地选择随机的车联网设备组，以估计最佳卸载执行部分；步骤3：根据上述最佳卸载执行部分，被选择的边缘节点和边缘访问点进行数据计算及通信返回。进一步地，所述步骤1具体包括：计算任务在本地计算所要耗费的时间以及部分卸载所需要耗费的时间，并通过判断边缘节点卸载一部分任务而经过的距离是否大于其能够保留在边缘访问节点覆盖范围内的距离，得到任务是否丢失。进一步地，所述步骤2具体包括：边缘节点设备从边缘节点下载深度强化学习代理的参数；使用设备存储的数据对深度强化学习代理的模型执行训练过程；仅将更新的深度强化学习代理的模型参数上传到边缘节点以进行模型聚合。进一步地，所述步骤2中的车联网设备组包含：车载终端、边缘路由终端。进一步地，所述步骤3具体包括：根据最佳卸载执行部分进行本地计算和卸载计算，边缘节点之间通过D2D通信返回计算结果。本专利技术使用联盟学习优化通信和计算资源的联合分配，同时将控制平面和数据平面分开，以利用边缘节点之间D2D通信来辅助该过程。本专利技术的有益效果：1、本专利技术通过将控制平面和数据平面分离，将计算任务部分卸载到两个平面进行计算执行，以降低执行时间优势。2、本专利技术通过采用联盟学习算法，以最大限度地提高能耗和执行延迟的长期效益，并且不需预先了解信道状态信息，只需要局部信息即可实现计算资源分配。附图说明图1为本专利技术方法的流程图；图2为数据和控制平面的应用场景示意图。具体实施方式为了便于本领域技术人员的理解，下面结合实施例与附图对本专利技术作进一步的说明，实施方式提及的内容并非对本专利技术的限定。参照图1所示，本专利技术的一种基于平面分离的车辆大数据边缘计算卸载方法，具体如下：1)部分卸载计算时间估测；采用两层体系结构；一方面，U＝{u1,u2,...ui,...uN}表示第一层中的边缘节点集；所有边缘节点都具有计算和存储功能，应以适当的方式加以利用；边缘节点可以根据部署的无线技术在特定范围内相互通信。另一方面，在第二层中，有一些边缘访问点，其集合显示为C＝{c1,c2,...,ci,...cN}，具有更高的计算和存储能力，能够与边缘节点通信。与边缘节点相比，边缘访问点的通信范围更广，并且能够汇总边缘节点的流量请求。边缘节点被认为是车载移动设备，可以将其任务转移到第二层边缘访问点进行计算。由于边缘节点的移动性以及缺乏对每个边缘访问点中任务队列负载的了解，考虑边缘节点之间的D2D通信以交换有关各自存储的边缘访问点负载的信息。在请求的边缘节点处于同一边缘访问点的覆盖范围内时，找到可以请求处理给边缘访问点的任务的一部分，将结果返回。通过上述方式，无需在边缘访问点之间交换数据即可将请求的任务的结果发送到边缘节点，从而减少了延迟。为此，需要计算的任务的每个边缘节点可以有不同的选择：执行本地计算，将边缘访问点卸载到邻近的边缘访问点或部分卸载到边缘访问点；其中，部分卸载技术的目标是估计要卸载的数据量，以最大程度地减少数据丢失和任务处理延迟。若发出请求的边缘节点超出了正在处理任务的边缘访问点的覆盖范围，则假定该任务丢失。通过关注数据平面，每个边缘节点可以处于以下四种可能状态之一：发送，接收，计算或空闲。发送，接收两个状态是指与边缘访问点的交互，计算状态是指边缘节点在本地执行的计算，空闲状态是指以其他方式发生的空转(即，在等待正在进行的任务时)卸载到边缘访问点，或者在任何情况下(如果边缘节点没有要处理的任务)。如图2所示的街道场景，其中车辆作为边缘节点可以以速度在左右或反向两个方向上移动。边缘访问点的覆盖区域部分重叠以覆盖整个区域。边缘节点设备计算第l项任务时间为：其中，Ol为第l项任务的操作数，ηcomp为每秒浮点运算，其取决于处理设备的CPU；在卸载的情况下，应传输每个任务，并且接收已处理任务的结果，则第l个任务传输和接收时间为：其中，Lsl为第l个任务大小，rij为第i个边缘节点与第j个边缘访问点间的传输速率；其中，Lrl是从边缘访问点发送回源边缘节点的请求任务结果的大小，假设第i个边缘节点与第j个边缘访问点间的传输速率对称时，通过考虑香农容量公式，可以将第i个边缘节点和第j个边缘访问点之间的数据速率定义为：其中，Bij表示链路的带宽，是第i个边缘节点的传输功率，L(dij)是第i个边缘节点和第j本文档来自技高网...

【技术保护点】
1.一种基于平面分离的车辆大数据边缘计算卸载方法，其特征在于，包括步骤如下：/n步骤1：利用边缘节点之间的D2D链路来交换共享每个边缘访问点状态的控制数据，以估计每个边缘访问点处理队列中每个任务所受的延迟，并判断边缘节点是否卸载数据到边缘访问点；/n步骤2：将每个边缘访问点中等待时间的控制平面数据用作数据平面的输入，对每个边缘节点设备使用双深度Q学习来最大化其控制策略的长期效用，联盟学习迭代地选择随机的车联网设备组，以估计最佳卸载执行部分；/n步骤3：根据上述最佳卸载执行部分，被选择的边缘节点和边缘访问点进行数据计算及通信返回。/n

【技术特征摘要】
1.一种基于平面分离的车辆大数据边缘计算卸载方法，其特征在于，包括步骤如下：
步骤1：利用边缘节点之间的D2D链路来交换共享每个边缘访问点状态的控制数据，以估计每个边缘访问点处理队列中每个任务所受的延迟，并判断边缘节点是否卸载数据到边缘访问点；
步骤2：将每个边缘访问点中等待时间的控制平面数据用作数据平面的输入，对每个边缘节点设备使用双深度Q学习来最大化其控制策略的长期效用，联盟学习迭代地选择随机的车联网设备组，以估计最佳卸载执行部分；
步骤3：根据上述最佳卸载执行部分，被选择的边缘节点和边缘访问点进行数据计算及通信返回。


2.根据权利要求1所述的基于平面分离的车辆大数据边缘计算卸载方法，其特征在于，所述步骤1具体包括：计算任务在本地计算所要耗费的时间以及部分卸载所需要耗费的时间，并通过判断边缘节点卸...

【专利技术属性】
技术研发人员：刘海青，宋智军，赵海涛，丁仪，刘晶晶，
申请(专利权)人：多伦科技股份有限公司，
类型：发明
国别省市：江苏;32