基于集群的车载任务卸载的方法、装置及存储介质制造方法及图纸

本申请公开了一种基于集群的车载任务卸载的方法、装置及存储介质。该方法包括：构建系统模型，包括任务产生和卸载模型以及集群产生模型；获取预设范围内的所有车辆的运行数据；将所有车辆划分为多台任务车和多台集群头；根据集群产生模型分别确定每台任务车对应的集群头；根据运行数据通过任务产生和卸载模型确定每台任务车的执行成本，以得到系统执行成本，进而确定最优卸载策略；最优卸载策略为使系统执行成本最小化的目标集群选择决策、目标卸载比例决策和目标传输功率决策。本申请以预设范围内所有任务车的任务卸载性能为导向构建集群，同时确定系统的最优卸载策略，系统的任务卸载性能较强，且集群的稳定性较高，保证了车辆间的稳定通信。了车辆间的稳定通信。了车辆间的稳定通信。

【技术实现步骤摘要】
基于集群的车载任务卸载的方法、装置及存储介质


[0001]本申请涉及车载边缘计算
，具体地涉及一种基于集群的车载任务卸载的方法、装置及存储介质。

技术介绍

[0002]近年来，自动驾驶(Self
‑
Driving)和自动导航(Auto Navigation)等计算密集和时延敏感的新型车载应用不断涌现，这些应用通常需要大量的计算资源和实时的响应，这给计算能力受限的车辆提出了严峻的挑战。为了应对这一挑战，车载边缘计算(Vehicular Edge Computing,VEC)通过将计算密集或时延敏感型车载任务卸载至具有空闲计算资源的周边车辆执行，以满足大量新型车载应用对时延、计算能力等需求，从而降低了车辆对任务的执行时延。然而，在车辆移动速度快、分布不均匀以及网络拓扑不断变化的车联网场景中实现任务卸载是一项具有挑战性的工作。针对上述问题，集群被认为是一个有效的解决方案。
[0003]当前，国内外相关研究人员对车辆集群方面和基于集群的车载任务卸载方面都做了大量研究。针对车辆集群方面的研究，现有的集群生成标准有多种。例如一种基于车辆集群的邻居跟踪策略，其集群是根据车辆间的距离形成的。考虑到车辆的动态变化，现有技术中还提出了一种车辆兼容性的车辆集群方案，该方案将速度相似的车辆划分为一个集群，以此来保持集群内车辆较长时间的连接。然而，仅仅基于距离或者速度的集群形成可能会导致集群成员频繁的变化。现有技术中，通过基站利用车辆的相对速度和链路寿命来建立集群，提出了一种多跳移动区域方案，但实际中由于传输阻塞和非视线等限制，基站可能无法与大多数车辆进行通信。此外，现有技术中还提出一个基于集群的车载任务卸载方案，该方案考虑了多车辆行驶过程中的任务卸载问题，其中，有服务需求的车辆可以将产生的任务卸载至附近集群内的服务车辆。该方案旨在满足时延约束的条件下通过最小化系统的能耗来选择最佳的计算任务卸载策略。然而该方案是基于已经形成的集群进行任务卸载，集群的生成方式不考虑任务卸载的效果。
[0004]综上，现有技术中的车辆集群的任务卸载方案存在任务卸载性能较差且无法适应车辆的动态变化的问题。

技术实现思路

[0005]本申请实施例的目的是提供一种基于集群的车载任务卸载的方法、装置及存储介质，用以解决现有技术中的车辆集群的任务卸载方案存在任务卸载性能较差且无法适应车辆的动态变化的问题。
[0006]为了实现上述目的，本申请第一方面提供一种基于集群的车载任务卸载的方法，包括：
[0007]构建系统模型，系统模型包括任务产生和卸载模型以及集群产生模型；
[0008]获取预设范围内的所有车辆的运行数据；
[0009]根据运行数据将预设范围内的所有车辆划分为多台任务车和多台集群头；
[0010]根据运行数据和集群产生模型分别确定每台任务车对应的集群头；
[0011]分别根据每台任务车和与每台任务车对应的集群头的运行数据，通过任务产生和卸载模型确定每台任务车的执行成本；
[0012]根据每台任务车的执行成本确定系统执行成本；
[0013]根据系统执行成本确定最优卸载策略；
[0014]其中，最优卸载策略为在系统执行成本最小的情况下的目标集群选择决策、目标卸载比例决策和目标传输功率决策。
[0015]在本申请实施例中，运行数据包括车辆的速度数据和位置数据，根据运行数据和集群产生模型分别确定每台任务车对应的集群头包括：
[0016]根据任务车的位置数据和多台集群头的位置数据确定任务车分别与多台集群头之间的距离；
[0017]根据任务车的速度数据和多台集群头的速度据确定任务车分别与多台集群头的速度差；
[0018]将与任务车之间的距离满足预设距离条件，且速度差满足预设速度条件的集群头作为任务车对应的集群头。
[0019]在本申请实施例中，通过任务产生和卸载模型确定每台任务车的执行成本包括：
[0020]根据任务产生和卸载模型确定任务车在本地执行车载任务产生的本地时延和本地能耗；
[0021]根据任务产生和卸载模型确定任务车在边缘端执行车载任务产生的卸载时延和卸载能耗；
[0022]根据本地时延、本地能耗、卸载时延和卸载能耗确定任务车的执行成本。
[0023]在本申请实施例中，系统执行成本满足公式(1)：
[0024][0025]其中，U为系统执行成本，η1为执行时延的权重因子，η2为执行能耗的权重因子，为本地时延，为本地能耗，为卸载时延，为卸载能耗，x
n,m
为集群选择决策，y
n
为卸载比例决策，M为集群头的数量，N为集群成员候选车的数量。
[0026]在本申请实施例中，根据系统执行成本确定最优卸载策略包括：
[0027]根据系统执行成本确定系统的集群选择子问题、卸载比例子问题和传输功率子问题；
[0028]根据集群选择子问题确定目标集群选择决策；
[0029]根据卸载比例子问题确定目标卸载比例决策；
[0030]根据传输功率子问题确定目标传输功率决策。
[0031]在本申请实施例中，根据集群选择子问题确定目标集群选择包括：
[0032]在给定卸载比例决策和传输功率决策的情况下，对集群选择子问题进行迭代，以得到目标集群选择决策。
[0033]在本申请实施例中，根据卸载比例子问题确定目标卸载比例包括：
[0034]在给定集群选择决策和传输功率决策的情况下，对卸载比例子问题进行迭代，以
得到目标卸载比例决策。
[0035]在本申请实施例中，根据传输功率子问题确定目标传输功率包括：
[0036]在给定卸载比例决策和集群选择决策的情况下，对传输功率子问题进行迭代，以得到目标传输功率决策。
[0037]本申请第二方面提供一种基于集群的车载任务卸载的装置，包括：
[0038]存储器，被配置成存储指令；以及
[0039]处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的基于集群的车载任务卸载的方法。
[0040]本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的基于集群的车载任务卸载的方法。
[0041]通过上述技术方案，先构建系统模型，获取预设范围内所有车辆的运行数据，根据系统模型将预设范围内的所有车辆划分为多台任务车和多台集群头，再根据运行数据通过系统模型确定每台任务车分别对应的集群头以及每台任务车的执行成本，进而确定预设范围内的整个系统的执行成本，以确定系统的最优卸载策略，其中，最优卸载策略即在系统执行成本最小的情况下的目标集群选择决策、目标卸载比例决策和目标传输功率决策。本申请通过以预设范围内所有车辆构成的系统中的任务车的任务卸载性能为导向构建集群，同时确定系统的最优卸载策略，因此系统的任务卸载性能较强，并且根据车辆运行数据划分集群有利于增强集群的稳定性，保证车辆间的稳定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集群的车载任务卸载的方法，其特征在于，包括：构建系统模型，所述系统模型包括任务产生和卸载模型以及集群产生模型；获取预设范围内的所有车辆的运行数据；根据所述运行数据将所述预设范围内的所有车辆划分为多台任务车和多台集群头；根据所述运行数据和所述集群产生模型分别确定每台任务车对应的集群头；分别根据所述每台任务车和与所述每台任务车对应的集群头的运行数据，通过所述任务产生和卸载模型确定所述每台任务车的执行成本；根据所述每台任务车的执行成本确定系统执行成本；根据所述系统执行成本确定最优卸载策略；其中，所述最优卸载策略为在所述系统执行成本最小的情况下的目标集群选择决策、目标卸载比例决策和目标传输功率决策。2.根据权利要求1所述的方法，其特征在于，所述运行数据包括车辆的速度数据和位置数据，所述根据所述运行数据和所述集群产生模型分别确定每台任务车对应的集群头包括：根据所述任务车的位置数据和所述多台集群头的位置数据确定所述任务车分别与所述多台集群头之间的距离；根据所述任务车的速度数据和所述多台集群头的速度数据确定所述任务车分别与所述多台集群头的速度差；将与所述任务车之间的距离满足预设距离条件，且速度差满足预设速度条件的集群头作为所述任务车对应的集群头。3.根据权利要求1所述的方法，其特征在于，所述通过所述任务产生和卸载模型确定所述每台任务车的执行成本包括：根据所述任务产生和卸载模型确定所述任务车在本地执行车载任务产生的本地时延和本地能耗；根据所述任务产生和卸载模型确定所述任务车在边缘端执行车载任务产生的卸载时延和卸载能耗；根据所述本地时延、所述本地能耗、所述卸载时延和所述卸载能耗确定所述任务车的执行成本。4.根据权利要求3所述的方法，其特征在于，所述系统执行成本满足公式(1)：其中，U为所述系统执行成本，η1为执行时延的...

【专利技术属性】
技术研发人员：曹旭东，李伟，沈茹婧，高明晋，吉莉，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：