一种车联网中自适应联合计算卸载与资源分配方法组成比例

本发明专利技术涉及一种车联网中自适应联合计算卸载与资源分配方法，属于车联网边缘计算领域。所述方法包括考虑本地、MEC服务器、远端云服务器、空闲车辆多计算平台结合下的多个车辆并发卸载情况。综合考虑车辆任务的大小、最大容忍时延、RSU下的计算资源、网络带宽因素，将车辆的计算任务卸载到多个计算平台；根据RSU下的任务数自动调整车辆计算任务的卸载平台和卸载比例，在车辆获得最优卸载比例的同时对MEC的计算资源进行分配；将计算卸载决策和资源分配建模为多约束优化问题；利用压缩粒子群优化算法，和提出粒子矩阵编码方式联合优化卸载决策和资源分配。实验结果表明，本发明专利技术能在满足最大容忍时延的同时，最小化系统总成本。

【技术实现步骤摘要】
一种车联网中自适应联合计算卸载与资源分配方法
本专利技术属于车联网计算领域，涉及一种车联网中自适应联合计算卸载与资源分配方法。
技术介绍
随着C-V2X中自动驾驶汽车数量的增加，各种计算密集型和对延迟敏感的应用兴起，例如图像辅助导航和增强现实驾驶，这些应用需要大量的计算资源用于实时处理和分析大量传感数据，这给计算资源有限的车辆带来了巨大挑战。通过把计算任务卸载到其他计算节点，可以有效解决车辆计算资源有限问题。远端云服务器计算资源丰富，但是距离车辆较远，会产生巨大的传输时延和能耗。MEC服务器将计算下沉到路边设备单元，更靠近车辆，使得时延和能耗更低，然而MEC服务器的计算资源有限，如果当前RSU下车辆过多，也会导致时延增加。现有研究中，多数只考虑单辆车任务卸载，很少研究多辆车计算任务的同时卸载；大部分只考虑了时延，而没有考虑能耗。卸载决策时也基本只考虑卸载到一个平台，而不是卸载到多个计算平台，也没有在卸载决策的同时进行资源分配。事实上，大多是多辆车并发卸载，对于计算资源有限的MEC服务器是很难满足最大容忍时延，所以需要考虑多个计算平台的卸载，以及资源的合理分配，对于绿色车联网来说考虑能耗也是十分有必要的。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种车联网中自适应联合计算卸载与资源分配方法。为达到上述目的，本专利技术提供如下技术方案：在多个车辆并发卸载场景下，根据车辆的带宽、任务的大小、最大容忍时延、车辆发射功率，构建车辆的网络模型、任务模型、计算模型包括：<br>(1)车辆网络模型：车辆上传链路的信道是瑞利信道模型，车辆vi与BS之间的上传/下载的数据速率为车辆vi与空闲车辆、MEC之间上传/下载的数据速率为其中，h1，h2，B1，B2，分别表示车与BS，车与MEC/空闲车辆之间的信道增益，信道带宽，发射功率；α2代表噪声功率，λ，ω∈(0,1)为带宽分配因子。(2)任务模型：车辆vi需要卸载的计算任务Si为可分型，定义其中每辆车的计算任务都不相同，所以参数也不完全相同。这里的Ii表示Si的工作量大小；G表示计算1bit数据所需要的CPU周期数，单位cycles/bit；fi表示车辆的计算能力，单位cycles/s；表示Si的最大容忍时延；MEC的计算资源为fmec，分配给车辆vi的计算资源为远端云服务器提供给车辆的计算资源为fcloud，空闲车辆只提供一定的计算资源fidle。卸载决策矩阵为：D＝[d1,d2,…,dn]，其中分别表示Si卸载到本地、MEC服务器、远端云服务器、空闲车辆的比例。(3)本地车辆计算模型：Si在本地车辆执行的计算任务量为定义本地车辆执行时延为能耗为由于车辆在本地计算只有计算时延，没有通信时延。其中，Pi表示车辆vi的设备功率。(4)MEC计算模型：Si在MEC执行的计算任务量为定义在MEC的执行时延为传输时延为回传时延为从车辆vi卸载到MEC的总时延为总能耗为其中，Pmec是MEC服务器的设备功率，是车辆vi的上传功率，δ为输出数据量系数，表示输出数据量与输入数据量之间的关系。(5)远端云服务器计算模型：卸载到远端云服务器就需要先卸载到BS然后由光纤卸载到远端云服务器。定义在远端云服务器的执行时延为传输时延为计算结果返回传输时延为在光纤线路上计算任务平均传输等待时延为tcloud，从车辆vi卸载到远端云服务器的总时延为总能耗为其中，Pcloud表示远端云服务器的设备功率，PBS表示基站的发射功率。(6)空闲车辆计算模型：卸载到空闲车辆的执行时延为传输时延为计算结果的返回时间为车辆之间的中继平均时延为tw，从车辆vi卸载到空闲车辆的总时延为总能耗为其中，Pidle表示空闲车辆的设备功率。进一步的，将所有车辆的时延与能耗进行加权得到系统总成本，建立满足最大时延容忍的最小化系统总成本的约束优化问题与资源分配模型：车辆的联合卸载的总时延T，总能耗E，定义联合卸载系统的成本为H。H＝γ·T+(1-γ)·E其中，γ为时延权重系数，(1-γ)为能耗权重系数。在满足任务Si最大容忍时延和资源限制下，最小化联合卸载系统的总成本，将系统的任务卸载和资源分配建模为：其中，D为卸载决策矩阵，F为MEC服务器的计算资源分配向量，表示为为了在做卸载决策的同时进行资源分配，获得每辆车卸载到各个计算平台的任务比例，以及MEC分配给车辆的计算资源，提出粒子矩阵编码方式包括：每辆车的优化参数有5个，分别是和RSU下有n辆车需要任务卸载，那么一个粒子的编码矩阵M就是n×5的矩阵。矩阵的前4列是车辆的卸载决策矩阵D，矩阵的第5列是MEC服务器的计算资源分配向量F。整个粒子群用一个矩阵A来存储，先把每个粒子编码矩阵M转为一行，存入到矩阵A中。矩阵A为一个N行(n×5)列的矩阵，其中N为粒子群大小。为了解决上述模型的整数约束，提出的粒子修正算法包括：将矩阵A的每一行取出，再还原成粒子的编码矩阵M，在把粒子编码矩阵的每一行取出，进行修正，即使得每辆车的任务满足为了解决系统的任务卸载和资源分配模型中的等式与不等式约束，利用压缩粒子群算法结合罚函数法处理约束包括：惩罚函数为：P(q)＝θ(q)·qγ(q)其中，q是相对约束惩罚函数，θ(q)是分段赋值函数，γ(q)是惩罚指数。适应度函数为目标函数加上惩罚函数：本专利技术的有益效果在于：本专利技术综合考虑了每个车辆任务的大小、最大容忍时延、RSU下的计算资源，网络带宽。并且能够根据当前RSU的任务数自动调整卸载平台和最优卸载比例，在获得卸载比例的同时对MEC的计算资源进行了分配。通过实验仿真，验证了本专利技术能有效降低系统总成本。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：图1为本专利技术的系统模型；图2为本专利技术的求解流程图；图3为本专利技术的粒子编码矩阵示意图；图4为本专利技术改进的粒子群算法流程图；图5为不同算法下，系统总成本与每辆车计算任务量的曲线图；图6为不同算法下，系统总成本与车辆数的曲线图；图7为不同算法下，系统总成本与输出数据量系数的曲线图。具体实施方式以下通过特定的本文档来自技高网...

【技术保护点】
1.一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：该方法包括：/nS1：在多个车辆并发卸载场景下，根据车辆的带宽、任务的大小、最大容忍时延、车辆发射功率，构建车辆网络模型、任务模型、计算模型；/nS2：将所有车辆的时延与能耗进行加权得到系统总成本，建立满足最大时延容忍的最小化系统总成本的约束优化问题与资源分配模型；/nS3：利用压缩粒子群算法为基础算法，在此基础上提出一种粒子矩阵编码方式，在做卸载决策的同时进行资源分配，获得每辆车卸载到各个计算平台的任务比例，以及MEC分配给车辆的计算资源；/nS4：提出的粒子修正算法，利用压缩粒子群算法结合罚函数法，解决约束优化问题。/n

【技术特征摘要】
20200619 CN 20201056655581.一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：该方法包括：
S1：在多个车辆并发卸载场景下，根据车辆的带宽、任务的大小、最大容忍时延、车辆发射功率，构建车辆网络模型、任务模型、计算模型；
S2：将所有车辆的时延与能耗进行加权得到系统总成本，建立满足最大时延容忍的最小化系统总成本的约束优化问题与资源分配模型；
S3：利用压缩粒子群算法为基础算法，在此基础上提出一种粒子矩阵编码方式，在做卸载决策的同时进行资源分配，获得每辆车卸载到各个计算平台的任务比例，以及MEC分配给车辆的计算资源；
S4：提出的粒子修正算法，利用压缩粒子群算法结合罚函数法，解决约束优化问题。


2.根据权利要求1所述的一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：所述构建车辆的网络模型、任务模型、计算模型包括：
S21：车辆网络模型：车辆上传链路的信道是瑞利信道模型，车辆vi与BS之间的上传/下载的数据速率为Ri1，车辆vi与空闲车辆、MEC之间上传/下载的数据速率为Ri2；






其中，h1，h2，B1，B2，分别表示车与BS，车与MEC/空闲车辆之间的信道增益，信道带宽，发射功率；α2代表噪声功率，λ，ω∈(0,1)为带宽分配因子；
S22：任务模型：车辆vi需要卸载的计算任务Si为可分型，定义其中每辆车的计算任务都不相同，参数不完全相同；Ii表示Si的工作量大小；G表示计算1bit数据所需要的CPU周期数，单位cycles/bit；fi表示车辆的计算能力，单位cycles/s；表示Si的最大容忍时延；MEC的计算资源为fmec，分配给车辆vi的计算资源为远端云服务器提供给车辆的计算资源为fcloud，空闲车辆只提供一定的计算资源fidle；卸载决策矩阵为：D＝[d1,d2,…,dn]，其中di＝[ai1,ai2,ai3,ai4]，ai1、ai2、ai3、ai4分别表示Si卸载到本地、MEC服务器、远端云服务器、空闲车辆的比例；ai1,ai2,ai3,ai4∈[0,1]，ai1+ai2+ai3+ai4＝1；
S23：本地车辆计算模型：Si在本地车辆执行的计算任务量为ai1×Ii，定义本地车辆执行时延为能耗为由于车辆在本地计算只有计算时延，没有通信时延；






其中，Pi表示车辆vi的设备功率；
S24：MEC计算模型：Si在MEC执行的计算任务量为ai2×Ii，定义在MEC的执行时延为传输时延为回传时延为从车辆vi卸载到MEC的总时延为总能耗为















其中，Pmec是MEC服务器的设备功率，是车辆vi的上传功率，δ为输出数据量系数，表示输出数据量与输入数据量之间的关系；
S25：远端云服务器计算模型：卸载到远端...

【专利技术属性】
技术研发人员：林峰，罗铖文，丁鹏举，王鹏，蒋建春，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50