一种基于学习的车联网多层边缘计算网络资源协同方法技术

本发明专利技术公开了一种基于学习的车联网多层边缘计算(Vehicle Multi

【技术实现步骤摘要】
一种基于学习的车联网多层边缘计算网络资源协同方法


[0001]本专利技术涉及车联网领域，具体为一种基于学习的多层边缘计算网络资源协同方法。
技术背景
[0002]随着边缘计算和车联网技术的发展，为满足VU对于实时交通状况、周边环境信息、在线车载娱乐等时延敏感和计算密集任务处理的需求。同时，在一些没有地面基础设施的偏远地区(如沙漠、孤岛和受灾地区)通信就会带来困难。因此在无处不在的连接和全球区域覆盖的驱动下，由空中服务器和地面服务器组成的车联网多层边缘计算网络逐渐成为降低车联网时延的新范式。由于车联网系统具有不确定性，获取系统的全局信息具有困难，本专利技术考虑使用学习的方法寻找上述问题的最优解。
[0003]目前的车辆卸载方案一部分只考虑了单一的系统架构，并且大多都未将系统时延和能耗进行综合考虑。本专利技术考虑系统内可能存在的多层服务器架构，结合系统的移动性和任务属性的变化，降低系统中能耗敏感型车辆的整体系统代价。

技术实现思路

[0004]为了解决上述问题本专利技术公开了一种基于学习的VM
‑
LEC网络资源协同方法。所述方案包括：首先，初始化任务计算强度和车辆用户(Vehicle User，VU)探索偏好。其次，VU在每个时隙根据历史学习结果更新系统代价。最后，VU选择系统代价最小的候选位置进行任务卸载。本专利技术考虑了VU卸载的多个关键因素。通过引入任务排队策略，能够有效避免任务到达冲突；且能耗敏感型VU能够更快、更准确的学习到最优任务处理方式，拥有更小的后悔值与系统整体代价。
[0005]图1为所提出的任务卸载系统模型。该模型由多种类型服务器和VU组成，服务器可以分为：空中服务器和地面服务器两类。空中服务器包括：卫星、无人机、飞艇等。地面服务器包括：基站、MEC、VCEC、PCRSU等。将系统时间划分为T个时隙，在每个时隙中信道状态信息(Channel State Information，CSI)在每个时段内保持不变。
[0006]我们使用变量x∈X来表示任务的执行位置。设输出数据o
t
与输入数据i
t
存在o
t
/i
t
＝ξ。定义计算延迟为：
[0007][0008]其中，κ为二值变量，任务在本地处理时κ＝0，任务被卸载到ES时κ＝1。α
t
为计算强度，以每比特的CPU周期为单位，表示计算一位输入数据所需的CPU周期。为在t时隙时车辆用户V可以使用的计算资源。为ESs在t时隙为V提供的计算资源。
[0009]系统传输时延可以表示为：
[0010][0011]其中，为在t时隙时的传输带宽。为在t时隙时V传输功率。为在t时隙时传输信道增益。σ2为噪声功率。
[0012]车辆用户V总的卸载时延可以表示为：
[0013][0014]由于车联网系统中VU和VCEC的资源限制，本专利技术同时还考虑了能量消耗对系统的影响。
[0015]本地处理时只考虑VU任务处理的能耗，任务卸载时，系统能耗主要来自于VU无线传输消耗的能量和ES对任务进行处理的能耗。
[0016]对于每个时隙t,VU本地处理的能耗可以表示为：
[0017][0018]其中，表示VUV每个CPU周期的任务处理能耗。
[0019]时隙t时，卸载到ESs的系统能耗可以表示为：
[0020][0021]其中，表示ESs每个CPU周期的任务处理能耗。表示VUV将1比特任务传输到ESs的能耗。
[0022]t时隙系统总能耗可以表示为：
[0023][0024]考虑到车联网系统中，车辆具有有限的能量容量，VU和ES平均能量消耗存在最大值
[0025]t时隙系统总的成本可以表示为：
[0026]U
t
＝ωτ
t
+E
t
[0027]其中，ω为传输时延权重。
[0028]本专利技术目标是使整体系统代价最小，问题描述如下
[0029][0030][0031]其中，C1约束系统总体能耗上界不能超过系统最大能耗。C2表示任务只能在一个位置处理。C3表示任务只能本地处理或者卸载。
[0032]该问题求解可以划分为接下来几步：
[0033]1)初始化系统
[0034]2)偏好探索
[0035]3)更新学习的传输时延和ES选择次数
[0036]4)估计不同位置的系统传输时延和系统能耗
[0037]5)计算系统代价
[0038]6)选择系统代价最小的ES进行任务卸载
[0039]本专利技术的技术方案具有以下优点：
[0040]本专利技术公开了一种基于学习的VM
‑
LEC车联网资源协同方法。所述方案包括：首先，初始化任务计算强度和车辆用户VU探索偏好。其次，VU在每个时隙根据历史学习结果更新系统代价。最后，VU选择系统代价最小的候选位置进行任务卸载。本专利技术考虑了VU的多个关键因素。通过引入任务排队策略，能够有效避免任务到达冲突；且能耗敏感型VU能够更快、更准确的学习到最优任务处理方式，拥有更小的后悔值与系统整体代价。
[0041]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0042]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]图1为基于学习的VM
‑
LEC网络资源协同方法系统模型
[0044]图2为能耗敏感型VU在ES波动下的任务卸载表现
[0045]图3为能耗敏感型VU在任务属性波动下的任务卸载表现
具体实施方式
[0046]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0047]本专利技术提出了一种基于学习的VM
‑
LEC网络资源协同方法，下面结合附图，对实施例作详细说明。
[0048]本专利技术的实施方式分为两个步骤，第一步为建立系统模型，第二步为算法的实施。建立的模型如图1所示，它和
技术实现思路
中与基于学习的VM
‑
LEC网络资源协同方法系统模型的介绍完全对应。
[0049]本专利技术考虑两类车辆类型，分别为时延敏感型VU和节能型VU在本专利技术算法下的系统代价。时延敏感型VU更在意任务完成的时效性，想要更少的时间完成任务，对能耗的要求
较低，本专利技术取ω＝100进行实验。节能型VU则希望最小化车辆能耗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明公开了一种基于学习的VM
‑
LEC资源协同方法。所述方案包括：首先，系统初始化并进行车辆用户(Vehicle User，VU)偏好探索。其次，VU在每个时隙都根据历史学习结果更新系统代价。最后，VU选择系统代价最小的候选位置进行任务卸载。本发明考虑了VU卸载的多个关键因素。通过引入任务排队策略，能够有效避免任务到达冲突；且能耗敏感型VU能够更快、更准确的学习到最优任务处理方式，拥有更小的后悔值与系统整体代价。2.根据权利要求1所述的一种基于学习的VM
‑
LEC网络资源协同方法，其特征在于在VM
‑
LEC网络资源协同系统中，考虑了边缘服务器(Edge Server，ES)的多种类型和任务的不同属性。在能量条件的约束下，最小化系统代价。3.根据权利要求1所述的一种基于学习的VM
‑
LEC网络资源协同方法，其特征在...

【专利技术属性】
技术研发人员：秦鹏，和昊婷，付民，武雪，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：