【技术实现步骤摘要】
本专利技术属于车载边缘网络计算卸载，具体涉及一种车载网络环境下基于v2v的车辆成组协同计算卸载策略。
技术介绍
1、随着无线通信技术和车载互联网的爆炸性发展，越来越多的车辆配备了具有通信、存储、计算和人机交互能力的车载单元。许多智能交通应用程序可以在车载单元上运行，同时也有相当比例的车载应用对计算资源与能源需求极大，被称为计算密集型应用。面对这些应用，单个车载单元的计算能力可能无法完全满足要求。
2、车联网边缘计算(vec)的出现为解决这一问题提供了新的途径。vec与移动边缘计算(mec)相比，其终端从个人移动设备变为了高速移动的车辆。通过将核心网的计算资源部署到车辆网络的边缘，路侧单元(rsu)覆盖范围内的车辆可以将部分或全部任务卸载给部署在rsu的mec服务器以获得更好的计算服务，这种方式称为车辆到基础设施(v2i)卸载。另一种方法是将任务卸载给其他有计算能力的车辆，称为车辆到车辆(v2v)卸载。显然，v2i计算卸载依赖于大量的固定边缘节点，因此不可避免地会产生高昂的部署和操作开销。与v2i卸载相比，v2v卸载可以充分利用其他车辆的空闲计算资源，缓解路边mec服务器的压力。
3、但在以往车载网络中基于v2v的计算卸载方案中，存在以下两个问题：1)没有充分考虑车载网络中，异构的计算能力和多样化的车辆任务带来的计算任务卸载时延问题；2)没有充分考虑车辆高速移动下，可用的计算资源会动态波动带来的稳定性问题。
4、因此，本专利技术提出一种车载网络环境下基于v2v的车辆成组协同计算卸载策略，解决上述
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种车载网络环境下基于v2v的车辆成组协同计算卸载策略，其目的在于通过基于mab模型的学习式计算卸载算法获得最优子任务的分配方式，提高车辆到车辆(v2v)之间的计算卸载效率，优化计算资源的使用和有效减少任务完成总时延；同时，联合考虑卸载任务执行过程中车组成员意外离组的情况，能适用于高移动性的复杂车载网络环境，更高效地管理车辆之间的计算任务卸载；
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种车载网络环境下基于车辆成组的v2v协同计算卸载策略，其特征在于，包括以下步骤：
4、s1、在车辆成组的车载网络中，将不同类型任务按照大小划分为若干子任务，并根据任务局部延迟查找组内服务车辆；
5、s2、根据车辆历史数据，构建状态转移矩阵，建立基于马尔科夫链的车辆离群率预测模型；
6、s3、根据每辆车的计算需求、离群率预测、任务大小以及通信链路的带宽等，构建车辆任务卸载的时延模型并建立目标函数；
7、s4、利用贪心算法对步骤s3的目标函数求解，得到子任务预卸载策略；再采用基于mab模型的学习式计算卸载算法动态调整得到最优任务卸载决策；
8、进一步，所述步骤s1具体包括以下步骤：
9、s11、将车辆任务类型分类为图像处理、视频处理、交互式游戏、增强现实四种类型，用l＝(la，la，la，la)表示；每种类型都按照不同大小划分为若干子任务，4种任务的每个子任务数量表示为na，nb，nc，nd，子任务总数为n；
10、s12、根据车辆计算工作量和最大计算资源计算任务局部延迟，划分车辆为任务车辆和服务车辆；
11、每个车辆计算局部任务延迟其中是车辆v在时隙t的计算工作量，fv表示车辆v的最大计算资源。当每个车辆局部延迟小于任务规定的截止时间时，车辆作为服务车辆(sev)执行；否则车辆充当任务车辆(tav)。
12、进一步，所述步骤s2具体包括以下步骤：
13、s21、根据车辆的历史运行数据，提取车辆运行记录、故障率等关键特征，定义马尔可夫链模型中所有状态：状态1(车辆正常运行)，状态2(车辆潜在故障)，状态3(车辆断开连接)；并初始化马尔可夫链模型状态分布：
14、π＝[π1，π2，π3]
15、其中πi表示初始时刻处于状态i的概率；
16、s22、根据步骤s21提供的特征计算得到状态转移矩阵：
17、
18、其中，p11、p22、p33分别是保持在状态1、2、3的概率，pij表示从状态i转移到状态j的概率；
19、s23、根据初始状态分布和状态转移矩阵，计算在任意时间步t的状态分布π(t)：
20、π(t)＝π×pt
21、其中，π(t)表示t步后的状态分布，pt是状态转移矩阵的t次幂；
22、s24、从状态分布π(t)中提取出系统处于“离群”状态的概率(状态3)，构建车辆离群率预测模型；
23、进一步，所述步骤s24具体包括以下步骤：
24、s241、从步骤s23得到的状态分布中提取第i辆车在每个时间t处于断开连接状态(状态3)的概率，表示为
25、s242、计算在连续时间步的差分来近似概率密度：
26、
27、在离散时间模型中，这可以近似为：
28、
29、s243、根据马尔可夫链模型和当前任务执行时间，构建车辆离群率预测模型：
30、
31、其中，是第i辆车发生意外离群的概率密度函数，是第i辆车对分配给其任务的计算时延；
32、车组中所有车辆离开车组的概率用集合ε＝{ε1,ε2,…,εm-1}表示。
33、进一步，所述步骤s3具体包括以下步骤：
34、s31、根据每辆车的计算需求、离群率预测、任务大小以及通信链路的带宽等构建每个车辆的总任务时延模型如下式：
35、
36、其中：是卸载到第i辆车的所有任务的传输时延，是卸载到第i辆车的所有任务的计算时延，是第i辆车的所有计算任务的返回时延；
37、进一步，所述步骤s31具体包括以下步骤：
38、s311、根据车辆上传速率和任务大小计算第i个车辆的任务传输时间
39、组内车辆通过lte-v方式进行通信，首先根据香农公式可知任务上传到组内服务车的速率为
40、任务车将带宽分成m-1份向组内每一辆服务车传送分配的任务，则卸载到第i辆车的任务传输时间可表示为：
41、
42、其中，每个子任务的大小为i bit，pi是卸载到第i辆车的子任务数量；
43、s312、根据子任务数、计算复杂度和车辆计算能力计算第i辆车的任务计算时延
44、车组中的每辆车都由任务车辆分配了一定数量的子任务，分配给第i辆车的4种任务的子任务数分别为：pi＝{pia,pib,pic,pid}；
45、则第i辆车的计算时延包括了4种任务的计算时延，可表示为：
46、
47、其中，4种类型任务的计算复杂度分别是αa，αb，αc，αd，单位为cpu圈数/bit；fi是车组内每本文档来自技高网...
【技术保护点】
1.一种车载网络环境下基于V2V的车辆成组协同计算卸载策略，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车载网络环境下基于V2V的车辆成组协同计算卸载策略，其特征在于，所述步骤S1具体包括以下步骤：
3.根据权利要求1所述的一种车载网络环境下基于V2V的车辆成组协同计算卸载策略，其特征在于，所述步骤S2具体包括以下步骤：
4.根据权利要求1所述的一种车载网络环境下基于V2V的车辆成组协同计算卸载策略，其特征在于，所述步骤S3具体包括以下步骤：
5.根据权利要求1所述的一种车载网络环境下基于V2V的车辆成组协同计算卸载策略，其特征在于，所述步骤S4具体包括以下步骤：
【技术特征摘要】
1.一种车载网络环境下基于v2v的车辆成组协同计算卸载策略，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车载网络环境下基于v2v的车辆成组协同计算卸载策略，其特征在于，所述步骤s1具体包括以下步骤：
3.根据权利要求1所述的一种车载网络环境下基于v2v的车辆成组协同计算卸载策略，...
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。