基于时延感知节能的车联网多目标任务卸载方法及系统技术方案

本发明专利技术公开了一种基于时延感知节能的车联网多目标任务卸载方法及系统，方法按如下步骤：S1、获取信息数据；S2、计算能耗和时延；S3、确定时延、能耗的联合优化问题；S4、确定优化目标函数；S5、利用SA

【技术实现步骤摘要】
基于时延感知节能的车联网多目标任务卸载方法及系统


[0001]本专利技术属于车联网任务卸载
考虑不同的任务卸载方式，本专利技术针对不同业务类型选择不同处理模式，建模一个涉及时延和能耗的多目标优化问题，通过调整任务卸载比例以及上行终端发射功率，最小化设备时延和能耗，具体涉及一种基于时延感知节能的车联网多目标任务卸载方法及系统。

技术介绍

[0002]随着车联网中所需传输处理的数据量呈指数级的增长，将车辆收集到的数据传送至云计算平台处理会导致网络传输带宽的负载急剧增长，使得网络时延的大幅增加，这无法满足车联网环境下时延敏感型任务的处理需求。云雾融合网络被认为是一项很有潜力的网络架构，并且已经得到业界的广泛认可，被证实可以进一步提高计算能力，扩大通信覆盖范围和减少传输延迟。
[0003]然而，用户时延性能得到的提升的同时，势必会带来更多的能量消耗，能源短缺正成为限制车联网发展的一个关键障碍。特别是，电动汽车或混合动力电动汽车将在不久的将来主导市场，这促使人们更加关注车联网中的能耗问题。在现实生活中，每辆车由于计算任务大小的不同通常会需要不同计算资源。在计算任务卸载过程中，有限的计算资源在车辆之间共享，每辆车需要确定是否进行卸载。因此，通过联合优化任务卸载决策来最小化系统内的平均成本对提高整个系统的性能直观重要。
[0004]目前连接设备数量的增加伴随着网络流量和数据中心负载的快速增长，这种增长导致通信网络和数据中心的功耗显着增加，同时对车载通信中低延时高可靠的数据转发要求造成了巨大的挑战。随着信息技术的进步，道路环境增强现实、人车动态交互、行驶安全预警等时延敏感型应用层出不穷，无线网络接入的频繁变化，系统资源的动态分配，节点的快速变化，对车载通信中低延时高可靠的数据转发要求愈加严格。

技术实现思路

[0005]针对现有技术存在时延敏感业务低功耗的问题，本专利技术提出了一种基于时延感知节能的车联网多目标任务卸载方法及系统。本专利技术设计一种基于车辆协同边缘计算的网络架构和任务卸载流程，分析通信资源分配和计算资源分配对任务完成时间的影响，构建任务完成时间模型；以平均完成时间最小化和成功完成率最大化为目标建立优化模型，设计一种基于粒子群算法和退火算法进行求解。仿真结果显示，与现有技术采用的策略相比，本专利技术使用模拟退火的粒子群算法(Simulated Annealing
‑
Particle Swarm Optimization，SA
‑
PSO)有效地缩短了任务完成时间，提高了任务完成率。
[0006]为了实现以上目的，本专利技术采用如下方案：
[0007]一种基于时延感知节能的车联网多目标任务卸载方法，其按如下步骤：
[0008]S1、获取信息数据；
[0009]优选的，信息数据包括：端设备的数量N，雾节点端个数m，设备i的平均任务数据大
小θ
i
，端设备i的任务平均到达率λ
i
，终端i选择以卸载比例β
i
(0≤β
i
≤1)，终端任务到达率为本地处理、D2D，雾计算，云计算四种卸载模式的卸载比例分别为信道带宽B，信噪比信道速率R
i
；
[0010]雾节点i的平均计算能力为云节点的计算功率u
C
；
[0011]S2、性能分析，计算能耗、时延；
[0012]S3、确定时延、能耗的联合优化问题；
[0013]S4、确定优化目标函数；
[0014]S5、利用SA
‑
PSO算法快速地收敛到解空间里的某一个节点上的同时绕开局部最优解从而得到求解全局最优解；
[0015]S6、对联合优化问题进行求解，考虑不同的任务卸载位置，分为如下三种类型：端设备
‑
端设备的任务卸载，端设备
‑
雾节点的任务卸载，端设备
‑
雾节点
‑
云节点的任务卸载，求解得到各种类型下的最优卸载比例和最优发射功率；
[0016]S7、选择剩余能量最多的端设备或相应的节点，并选择相应的最优卸载比例和最优发射功率，进行任务卸载。剩余能量是系统原始能量减去系统消耗的能量。
[0017]优选的，步骤S2具体包括：
[0018]S2.1、计算用于的时延；
[0019]S2.2、计算整个系统的能耗；
[0020]优选的，步骤S2中，计算时延、系统能耗具体如下：
[0021](1)计算平均时延
[0022]a)传输时延：用户卸载任务至云节点、雾节点或者通过D2D传输至其他的设备节点统称为帮助节点。当任务卸载至帮助节点时，考虑任务计算后的结果都比较小，并且帮助节点通常具有更高的传输速率，忽略从帮助节点传回用户的下行时延，只考虑用户上行传输时延
[0023][0024][0025]其中，B代表信道带宽，为信噪比，其与发射功率成正相关，而传输时延与信道速率R
i
成负相关，因此发射功率越大，传输时延越小，同时传输时延与卸载比例β
i
成正相关，因此卸载比例β
i
越大，传输时延越大。因此，关注的重点参数就在于卸载比例和发射功率，通过优化求解卸载比例和发射功率，使得时延、能耗最小。
[0026]b)本地处理时延：假设端设备i的平均任务负载率b)本地处理时延：假设端设备i的平均任务负载率表示了端设备i执行系统任务以外的任务负载率，越小，则端设备i的自身处理速率越强，假设端设备i的平均计算能力为可以得出端设备的本地计算时延T
j1
：
[0027][0028]c)D2D处理时延：假设端设备i的无线端口的平均传输速率为u
D
，结合M/M/1排队理论，D2D卸载任务平均处理时间T
D
为
[0029][0030]d)雾计算处理时延：系统允许多个端设备可以将任务卸载到雾节点层，此时雾节点的最大请求速率假设雾节点i的平均计算能力为则雾节点的服务请求速率总和为：
[0031][0032]则雾节点的时间延迟总和为：
[0033][0034]e)云计算处理时延：考虑雾节点层的计算能力是有限的，当雾节点层计算能力不足以承担目前的任务卸载时，将卸载比例为的任务卸载至计算能力更强的云节点，由于雾节点与云节点通过有线光纤连接，会产生固定的时延T0。假设云节点中服务器性能可以承担任务量足够大的任务卸载，因此卸载至云节点的任务将立即处理，所以忽略等待时间，根据排队论理论分析，可以将云节点执行过程看作M/M/∞队列，假设云节点的计算功率u
C
。此时云节点层时延为：
[0035][0036](2)计算系统能耗：
[0037]根据通信理论研究，传输过程中产生的能耗与传输功率、负载和传输时间有关，定义端设备传输功率为：
[0038][0039]其中，p
i
为用户发射功率；...

【技术保护点】

【技术特征摘要】
1.一种基于时延感知节能的车联网多目标任务卸载方法，其特征是按如下步骤：S1、获取信息数据；S2、计算能耗和时延；S3、确定时延、能耗的联合优化问题；S4、确定优化目标函数；S5、利用SA
‑
PSO算法收敛到解空间的某一个节点上的同时绕开局部最优解，从而得到求解全局最优解；S6、对联合优化问题进行求解，根据不同的任务卸载位置，分为不同类型，求解得到不同类型下的最优卸载比例和最优发射功率；S7、选择剩余能量最多的端设备或相应的节点，并选择相应的最优卸载比例和最优发射功率，进行任务卸载。2.如权利要求1所述一种基于时延感知节能的车联网多目标任务卸载方法，其特征是：步骤S1中，信息数据包括：端设备的数量N，雾节点端个数m，端设备i的平均任务数据大小θ
i
，端设备i的任务平均到达率λ
i
，端设备i选择以卸载比例β
i
，0≤β
i
≤1，终端任务到达率为本地处理、D2D、雾计算、云计算四种卸载模式的卸载比例分别为信道带宽B，信噪比信道速率R
i
；雾节点i的平均计算能力为云节点的计算功率u
C
。3.如权利要求2所述一种基于时延感知节能的车联网多目标任务卸载方法，其特征是：步骤S2中，计算平均时延具体如下：a)传输时延：用户卸载任务至云节点、雾节点或者通过D2D传输至其他的设备节点统称为帮助节点；当任务卸载至帮助节点时，只考虑用户上行传输时延为帮助节点；当任务卸载至帮助节点时，只考虑用户上行传输时延为帮助节点；当任务卸载至帮助节点时，只考虑用户上行传输时延其中，B代表信道带宽，为信噪比，其与发射功率成正相关，而传输时延与信道速率R
i
成负相关，因此发射功率越大，传输时延越小，同时传输时延与卸载比例β
i
成正相关，因此卸载比例β
i
越大，传输时延越大；b)本地处理时延：假设端设备i的平均任务负载率端设备i的平均计算能力为得出端设备的本地计算时延T
j1
：c)D2D处理时延：假设端设备i的无线端口的平均传输速率为u
D
，结合排队论中的M/M/1排队理论，D2D卸载任务平均处理时间T
D
为：d)雾计算处理时延：允许多个端设备将任务卸载到雾节点层，此时雾节点的最大请求
速率假设雾节点i的平均计算能力为则雾节点的服务请求速率总和为：则雾节点的时间延迟总和为：e)云计算处理时延：当雾节点层计算能力不足以承担目前的任务卸载时，将卸载比例为的任务卸载至计算能力更强的云节点，由于雾节点与云节点通过有线光纤连接，会产生固定的时延T0；假设云节点中服务器性能能承担任务量足够大的任务卸载，因此卸载至云节点的任务将立即处理，所以忽略等待时间，根据排队论理论分析，将云节点执行过程看作排队论中的M/M/∞队列，假设云节点的计算功率u
C
；此时云节点层时延为：4.如权利要求3所述一种基于时延感知节能的车联网多目标任务卸载方法，其特征是：步骤S2中，计算能耗具体如下：传输过程中产生的能耗与传输功率、负载和传输时间有关，定义端设备传输功率为：其中，p
i
为用户发射功率；定义端设备的本地能耗为：其中，q
i
为第i个设备的单位运行功率系数，为一固定常数；定义决策矩阵M表示是否任务j选择第k种决策方式；限制条件：对矩阵M任意行k，有即每个任务仅能选择一种任务卸载方式。5.如权利要求4所述一种基于时延感知节能的车联网多目标任务卸载方法，其特征是：步骤S3中，采用线性加权和法，引入时间延迟权重系数R
T
、能量消耗权重系数R
E
，权重系数根据当前车载设备的状态以及任务需求设定，且需满足R
T
+R
E
＝1；定义目标函数:当汽车电量充足时，时间延迟为主要优化目标，权重系数设置为R
T
>R
E
；当电量不足时，优化能耗，设置R
T
<R
E
；步骤S3的联合优化问题描述如下：假设此时雾节点的计算速率为u
F
，雾节点的发射功率为云节点的发射功率为根据能耗和时延函数的定义，将时延和能耗函数的最小化问题表示为：min{F}(12)
其中，式(12
‑
1)表示本地计算承载不超过本地计算能力的大小，式(12
‑
2)表示通过D2D卸载的任务量不超过帮助节点所能承担的任务量；式(12
‑
3)...

【专利技术属性】
技术研发人员：李沛，杨旭，梁雪松，魏超，姚英彪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：