【技术实现步骤摘要】
一种MEC中联合计算资源分配和卸载决策的方法及系统
[0001]本专利技术属于移动边缘计算
,具体涉及一种MEC中联合计算资源分配和卸载决策的方法及系统。
技术介绍
[0002]随着智能化浪潮席卷全球,车辆也越来越智能化。在智能车中,有着大量的计算密集型任务,这些任务不但计算量大,而且要求低时延和低能耗,而传统的车联网并不能满足这两个要求。
[0003]车联网移动边缘计算能够有效的推进车辆智能化、无人化,同时也能改善传统车联网高时延、高能耗、服务器负载过大等不足。目前学术界对边缘计算卸载算法和资源分配的研究有很多,但多数都是针对单一问题进行优化,将这二者联合优化相对较少。
技术实现思路
[0004]为了克服上述问题,本专利技术提供一种MEC(移动边缘计算,Mobile Edge Computing,简称MEC)中联合计算资源分配和卸载决策的方法及系统,以克服现有技术的不足。
[0005]为了达到上述目的,本专利技术采用如下技术方案:
[0006]一种MEC中联合计算资源分配和卸载决策的方法,包括以下步骤:
[0007]步骤一:单位时间内N辆车辆分别产生一个计算密集时延敏感的计算任务,车辆i的计算任务被定义为s
i
={H
i
,Z
i
,T
iMAX
},其中H
i
表示当前任务i的数据量大小,Z
i
表示完成该任务i所需的CPU转数,T
iMAX
表示
【技术保护点】
【技术特征摘要】
1.一种MEC中联合计算资源分配和卸载决策的方法,其特征在于包括以下步骤:步骤一:单位时间内N辆车辆分别产生一个计算密集时延敏感的计算任务,车辆i的计算任务被定义为s
i
={H
i
,Z
i
,T
iMAX
},其中H
i
表示当前任务i的数据量大小,Z
i
表示完成该任务i所需的CPU转数,T
iMAX
表示当前任务可容忍最大时延;步骤二:计算任务能够选择本地计算或者卸载到边缘计算服务器计算这两种模式;用a
i
∈{0,1}表示任务计算模式的选择,当a
i
=0时表示车辆i选择本地计算模式,a
i
=1时表示车辆i选择卸载到边缘计算服务器计算模式,其中卸载到边缘计算服务器计算模式有三种卸载方式,分别为卸载到微基站边缘计算服务器、宏基站边缘计算服务器或云计算服务器;步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:步骤三:建立优化问题P1:其中,其中:向量a={a1,a2,...,a
N
}表示系统内车辆的卸载模式选择,向量b={b1,b2,...,b
N
}表示当前车辆的基站选择,向量}表示当前车辆的基站选择,向量和
表示车辆的任务是否选择卸载至相对应的服务器进行计算;λ
i
表示自适应权重,f
i
表示分配给计算任务的计算频率,F
smax
表示微基站边缘计算服务器处的最大计算资源,F
mmax
表示宏基站边缘计算服务器处的最大计算资源,F
cmax
表示云计算服务器处的最大计算资源;分别表示计算任务是在微基站服务器计算,宏基站服务器计算或云服务器计算,取值为1则表示卸载到此服务器,取值为0则不是;步骤四:问题转换,用向量ε={ε
s
,ε
m
,ε
c
}表示计算任务的目的地,向量γ={a,b,ε}表示任务卸载决策变量,而用向量f={f1,f2,...,f
N
}表示计算资源分配,令:那么问题P1能够转换为下式:s.t.C1~C8步骤五:将步骤二选择的任务卸载决策变量γ={a,b,ε}代入步骤四中的优化问题P2,得到凸优化问题P3:得到凸优化问题P3:得到凸优化问题P3:得到凸优化问题P3:解此凸优化问题,得到资源分配方案f={f1,f2,...,f
N
}。2.根据权利要求1所述的一种MEC中联合计算资源分配和卸载决策的方法,其特征在于所述步骤三中将时延和能耗联合优化的问题转化为对系统开销的优化问题P1,解出尽量使开销最小的计算资源分配和卸载任务决策,开销表示为:其中T
i
和E
i
分别表示当前任务i所产生的时延和能耗,自适应权重λ
i
求解具体过程如下:其中,ξ是权重因子,该数值的选取要遵循一个原则,即对时延敏感的任务其数值就要减小,最后再对求得的权重因子ξ进行归一化得到λ
i
:
3.计算任务能够选择本地计算或者卸载到边缘计算服务器计算的模式及模型,其特征在于模式共有以下六种,其...
【专利技术属性】
技术研发人员:丛玉良,孙淑娴,薛科,孙闻晞,赵欣宇,
申请(专利权)人:吉林大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。