【技术实现步骤摘要】
本专利技术涉及网络通信领域，特别是在车联网任务卸载领域，具体是指一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法
技术介绍
1、随着科技的不断发展，车联网行业对于计算任务卸载服务质量(quality ofservice) 的要求也在不断提高，边缘计算采取把计算、带宽和储存资源集中在靠近用户侧处理的方式，有效的提高了用户的服务体验，但由于边缘服务器相对于云服务器计算能力仍然有限，面对较多用户发送任务卸载请求时会存在个别服务器负荷过高的问题。
2、车联网(internet of vehicles，iov)是指车与车、车与路、车与人、车与传感设备等交互，实现车辆与公众网络通信的动态移动通信系统，随着iov和车辆智能化的发展，车辆逐渐从旅行工具向智能终端发生转变，除了最基础的车载导航和车载音乐之外，无人驾驶、实时路况监控和紧急智能制动等新兴技术也得到了广泛的关注，与此同时也产生了大量的计算密集型数据。在传统的iov技术中，通常会将计算任务卸载至云服务器端，但云端过高的时延和能耗已不能满足部分敏感型任务需求，对于计算密集型数据，实时计算处理和数据管理的要求对核心网络的带宽和用户的qos提出了挑战。
3、当车辆用户发送过多的计算密集型任务时，如何快速有效的对这部分任务进行卸载，并使得整个车联网系统内的边缘服务器不出现过载的情况，以及任务卸载能耗和时延尽可能低，这是目前车联网基于边缘计算下任务卸载的当务之急。
4、现有的车联网任务卸载方法多采用“端-边-云”的协同边缘计算系统模型，由于未考虑边缘服务器
技术实现思路
1、本专利技术的目的在于提供一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，旨在提高边缘计算任务卸载中服务器服务效率，降低卸载能耗和时延，且无法实现边缘服务器负载均衡的技术问题。
2、为了实现该系统，本专利技术提供了一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，所述方法包括以下步骤：
3、系统模型，采用基于“端-边-云”三层的5g车联网边缘计算任务卸载模型，给出了整体的任务卸载布局。
4、通信及服务器负载均衡模型，用于计算车辆与边缘节点之间的传输速率以及总系统的负载均衡率。
5、系统计算模型，用于根据车辆用户携带数据的大小以及任务卸载请求的不同，选择不同的场景进行数据处理。
6、较佳的，所述的系统还包括：
7、本地计算服务时延与能耗模型，用于计算车辆用户本地卸载时的时延和能耗
8、边缘节点计算服务时延与能耗模型，用于计算车辆用户任务卸载至边缘侧的传输时延、边缘服务器对卸载任务进行处理的处理时延、任务卸载至边缘侧的传输能耗以及边缘服务器对卸载任务进行处理的处理能耗。
9、云服务器计算服务时延模型，用于计算车辆用户云端卸载时的有线传输时延、回传时延、传输能耗以及云服务器对卸载任务进行处理的处理能耗。
10、更佳的，所述的系统计算模型根据本地计算服务时延与能耗模型、边缘节点计算服务时延与能耗模型和云服务器计算服务时延模型的能耗和时延计算出任务卸载的最优策略
11、本专利技术还涉及一种车联网环境下的任务卸载边缘服务器负载均衡方法，其特征在于，所述的方法包括以下步骤：
12、(1)车辆用户分配到任务数据，获取边缘服务器和云服务器的位置信息；
13、(2)判断车辆用户是否需要任务卸载，如果否，直接进行处理，如果是，继续进行步骤(3)；
14、(3)进行任务车辆和边缘服务器的聚类过程；
15、(4)计算任务车辆两两距离寻找到最近两车辆形成原始簇，并依次对所有车辆划分出簇集合；
16、(5)计算每个车辆簇中心位置与每个边缘节点之间的欧氏距离，依次选择中心距离最近的边缘节点作为初始卸载节点；
17、(6)车辆用户通过dqn(深度q网络)选择合适的位置以及策略进行任务卸载；
18、(7)计算每个车辆用户任务卸载过程中每个卸载动作所得到的回报奖励；
19、(8)通过累加奖励，不断迭代损失函数计算出最小的函数值；
20、(9)判断此时边缘服务器是否过载，如果是，则重新计算新的边缘节点中心，并跳回步骤(3)通过服务器任务转移实现负载均衡，否则，输出此时车辆用户任务卸载的策略集，即为最优策略。
21、较佳的，所述的车联网系统模型参数为车辆用户分配的子信道数、车辆用户的行驶速度、车辆用户与边缘节点交互时的传输功率以及路测单元的通信半径。
22、较佳的，所述的步骤(6)包括以下步骤：
23、(6-1)小任务数据直接在车辆用户侧进行数据处理，避免了任务传输产生的传输能耗；
24、(6-2)非计算密集型任务通过上行链路传输至云端进行数据处理，减轻了边缘服务器的负载；
25、(6-3)计算密集型任务通过车辆用户传输至边缘节点进行任务卸载，计算出相应的时延和能耗。
26、较佳的，所述的步骤(9)包括以下步骤：
27、(9-1)过载服务器通过计算欧式距离确定最近且负荷最小的目标服务器位置；
28、(9-2)如果该服务器在其信号范围内则直接向该服务器发送任务迁移信号，如果超出信号范围则将任务转移至范围内的车辆用户；
29、(9-3)车辆用户由簇接收迁移任务，并将其传输至目标服务器；
30、(9-4)循环上述步骤，直至所有边缘服务器均无过载。
31、更佳的，所述的负载均衡算法为k-means算法。
32、采用了该专利技术中的车联网环境下的任务卸载边缘服务器负载均衡系统及方法，基于车联网场景，应用于边缘计算任务卸载，通过边缘服务器负载任务迁移来实现负载均衡，具有以下优点：
33、1)区别于传统的深度学习算法(dqn)，引入k-means进行有机结合后能加速卸载策略选取过程、减少时延和能耗以及在边缘服务器过载时进行任务迁移；
34、2)根据用户需求动态调整能耗和时延的权重，使得用户可以根据当前卸载状态，选取更适合的卸载动作；
35、3)根据每个卸载样本的td误差绝对值的大小设置优先级，使得绝对值高的卸载样本更容易得到训练，从而更快的选择到最优策略样本；
36、4)当边缘服务器过载时，通过启动本专利技术提供的基于车联网环境下的任务卸载边缘服务器负载均衡系统及方法，能够有效的降低服务器过载率，避免网络拥塞，降低系统卸载时延，避免额外能耗，并借助迁移信号实现负载均衡。
本文档来自技高网...【技术保护点】
1.一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，其特征在于，所述的系统包括：
2.根据权利要求1所述的一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，其特征在于，所述的系统还包括本地计算服务时延与能耗模型、边缘节点计算服务时延与能耗模型以及云服务器计算服务时延模型，所述的本地计算服务时延与能耗模型，用于计算车辆用户本地卸载时的时延和能耗，所述的边缘节点计算服务时延与能耗模型，用于计算车辆用户任务卸载至边缘侧的传输时延、边缘服务器对卸载任务进行处理的处理时延、任务卸载至边缘侧的传输能耗以及边缘服务器对卸载任务进行处理的处理能耗，所述的云服务器计算服务时延模型，用于计算车辆用户云端卸载时的有线传输时延、回传时延、传输能耗以及云服务器对卸载任务进行处理的处理能耗。
3.根据权利要求1所述的一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，其特征在于，所述的系统计算模型根据本地计算服务时延与能耗模型、边缘节点计算服务时延与能耗模型和云服务器计算服务时延模型的能耗和时延计算出任务卸载的最优策略。
4.根据权利要求3所述的一种车联
5.根据权利要求1所述的一种车联网环境下的任务卸载边缘服务器负载均衡系统，其特征在于，所述的方法包括以下步骤：
6.根据权利要求5所述的一种车联网环境下的任务卸载边缘服务器负载均衡方法，其特征在于，所述的参数为车辆用户分配的子信道数、车辆用户的行驶速度、车辆用户与边缘节点交互时的传输功率以及路测单元的通信半径。
7.根据权利要求5所述的一种车联网环境下的任务卸载边缘服务器负载均衡方法，其特征在于，所述的步骤(6)包括以下步骤：
8.根据权利要求5所述的一种车联网环境下的任务卸载边缘服务器负载均衡方法，其特征在于，所述的步骤(9)包括以下步骤：
9.根据权利要求7所述的一种车联网环境下的任务卸载边缘服务器负载均衡方法，其特征在于，所述的负载均衡算法为k-means算法。
...【技术特征摘要】
1.一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，其特征在于，所述的系统包括：
2.根据权利要求1所述的一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，其特征在于，所述的系统还包括本地计算服务时延与能耗模型、边缘节点计算服务时延与能耗模型以及云服务器计算服务时延模型，所述的本地计算服务时延与能耗模型，用于计算车辆用户本地卸载时的时延和能耗，所述的边缘节点计算服务时延与能耗模型，用于计算车辆用户任务卸载至边缘侧的传输时延、边缘服务器对卸载任务进行处理的处理时延、任务卸载至边缘侧的传输能耗以及边缘服务器对卸载任务进行处理的处理能耗，所述的云服务器计算服务时延模型，用于计算车辆用户云端卸载时的有线传输时延、回传时延、传输能耗以及云服务器对卸载任务进行处理的处理能耗。
3.根据权利要求1所述的一种车联网环境下的任务卸载边缘服务器负载均衡系统及方法，其特征在于，所述的系统计算模型根据本地计算服务时延与能耗模型、边缘节点计算服务时延与能耗模型和云服务器计算服务时延模型的能耗和时延计算出任务卸载的最...
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。