本发明专利技术公开了一种闲置车辆辅助车载边缘计算卸载与资源定价方法，包括：建立闲置车辆辅助车载边缘计算架构；提出针对任务卸载与云‑边服务器资源定价的Stackelberg博弈模型；扩展任务至过载情况，提出基于匹配理论的任务配对模型，获得任务‑车辆分配方案；基于所述任务‑车辆分配方案进行任务卸载及资源定价。本发明专利技术响应用户车辆发出的任意任务卸载请求，并吸引周边闲散车辆资源来扩展VEC服务器计算能力。
1、车载边缘计算(vec)在网络边缘为车辆用户提供it服务环境和云边计算能力，将终端请求迁移到计算资源更为丰富的云边服务器上执行，极大程度的降低网络操作和服务交付时延。但不可避免也带来了一系列挑战：(1)车载边缘计算环境下的任务卸载及资源定价问题涉及到越来越多的基础设施提供商和请求车辆用户之间的利益博弈，使得边缘计算环境下合理的任务卸载和资源定价成为一个急需解决的技术和应用难题；同时，边缘服务器的资源有限，面临着处理这些需求的困境。并且无论是云-边服务器还是闲置车辆在车载边缘计算系统中通常会追求自身利益，可能不愿意主动共享资源。同时，目前移动边缘任务卸载研究工作都是在云边端服务器被动成为卸载方的情况下进行的，此时云边端服务器可能不愿意成为部署方，因为存储数据及执行服务需要大量资源空间和算力消耗，而未考虑回报下的云边端服务器在很大概率上会提交不正确的结果，任意推迟卸载过程。(2)超载的vec服务器随时会发生，特别是在城市聚集区域，可能会导致大大降低卸载性能。然而vec道路附近存在大量离用户更近、价格相比云边资源也更加经济的闲散计算资源也未得到有效利用，这包括停放车辆、路侧单元(rsu)等。这些资源潜在地能够为系统提供额外的计算和通信资源，如果能够将这些资源集中起来加以利用，对于基础设施提供商和用户来说是双赢的局面。因此，亟需提出一种闲置车辆辅助车载边缘计算卸载与资源定价方法。
>1、为解决上述技术问题，本专利技术提出了一种闲置车辆辅助车载边缘计算卸载与资源定价方法，响应用户车辆发出的任意任务卸载请求，并吸引周边闲散车辆资源来扩展vec服务器计算能力。2、为实现上述目的，本专利技术提供了一种闲置车辆辅助车载边缘计算卸载与资源定价方法，包括：
3、通过闲置车辆辅助车载边缘计算架构，建立实际的边缘计算环境；
4、基于所述边缘计算环境，将资源定价和任务卸载问题建模为两阶段的stackelberg博弈模型；
5、基于所述架构和所述两阶段的stackelberg博弈模型，考虑边缘服务器任务过载的情况，基于匹配理论的任务匹配算法，通过考虑过载任务与闲置车辆之间的相互依赖性和对彼此的偏好集，获得稳定的任务-车辆分配方案，基于所述任务-车辆分配方案进行任务卸载及资源定价。
6、可选的，所述闲置车辆辅助车载边缘计算架构包括：卸载监控模块、卸载规划模块、策略实施模块和闲置车辆辅助卸载计算模块；
7、卸载监控模块用于收集来自车辆请求任务的实时信息以及监控用户周边车辆的闲置情况；
8、卸载规划模块用于基于stackelberg博弈模型，确定任务卸载的目标和策略，并计算合理的资源定价；
9、策略实施模块根据卸载策略执行用户任务卸载操作；
10、闲置车辆辅助卸载计算模块用于招募一定数量的闲置车辆扩展边缘服务器资源，利用延迟匹配博弈模型为超载任务分配资源。
11、可选的，将资源定价和任务卸载问题建模为两阶段的stackelberg博弈模型包括：
12、获取任务i卸载至云-边服务器执行的总延迟；
13、任务在卸载过程中获得的效益函数；
14、当将任务卸载到云-边服务器上时，云-边服务器获得任务的效益函数。
15、可选的，获取任务i卸载至云-边服务器执行的总延迟的方法为：
16、ti＝max{ti,l,ti,j,ti,c}；
17、
18、
19、
20、其中，ti,l为任务i在本地执行的延迟；ti,j为任务i在卸载至边缘服务器上执行的延迟；ti,c为任务i卸载至云服务器上执行的延迟；di为任务i的数据大小，ηi,j、ηi,c分别为任务i卸载到边-云服务器的数据比例，ci为执行任务i的单位数据所需要的cpu数；fi为任务i在本地设备的计算能力，fj、fc分别为边-云服务器的计算能力；ri,j、ri,c分别为卸载边-云服务器过程中的数据传输速度；
21、任务在卸载过程中获得的效益函数的方法为：
22、ui＝ai-ξgm
23、ai＝ae+ac
24、gm＝ge+gc
25、
26、
27、ge＝ηi,jdipi,j
28、gc＝ηi,cdipi,c
29、其中，ai为从卸载中获得的奖励，gm为付出的成本，ξ为满意度函数的折现因子，ae为任务i卸载到边缘服务器ej的满意度，ac为任务i卸载到云服务器的满意度，ge为利用边缘服务器产生的成本，gc利用云服务器产生的成本，表示任务i卸载到边缘服务器的比例增益因子和任务i卸载到云服务器的比例增益因子，pi,j和pi,c分别表示边缘服务器和云服务器对于任务i的资源单价；
30、当将任务i卸载到云-边服务器上时，任务i的效用函数表示为：
31、
32、当将任务卸载到云-边服务器上时，云-边服务器获得任务的效益函数的方法为：
33、
34、其中，ηi,j和ηi,c分别为任务i卸载到边-云服务器的数据比例，pi,j为边缘服务器对于任务i的资源单价，pv为将资源扩展到过载任务而支付的单价，di为任务i的数据大小，qj和qc为边缘服务器和云服务器的单位资源成本，qtotal为边缘服务器ej的总容量大小。
35、可选的，基于匹配理论的任务匹配算法包括：
36、在ivs的帮助下，获取过载任务i在卸载过程中的效益函数；
37、获得对于为过载任务i提供服务的ivs的效益函数。
38、可选的，获取过载任务i在卸载过程中的效益函数的方法为：
39、
40、
41、
42、
43、其中，st为任务的延迟满意度，为支付给闲置车辆j的成本；γt为满意度的折价因子，ti,max任务i的最大容忍时延阈值，为闲置车辆j上过载任务i的处理延迟；di为过载任务i的数据大小，pv为将资源扩展到过载任务而支付的单价，ci为执行任务i的单位数据所需要的cpu数，为闲置车辆j计算能力。
44、可选的，获得对于为过载任务i提供服务的ivs的效益函数的方法为：
45、
46、其中，di为过载任务i的数据大小，pv为将资源扩展到过载任务而支付的单价，γs为对剩余资源满意度的折价参数，为闲置车辆的剩余存储容量，γe为能量消耗的折价因子，ωt为车辆vj的任务执行能力，为闲置车辆j计算能力。
47、可选的，获得稳定的任务-车辆分配方案包括：
48、步骤1、初始化ivs车辆的资源和任务的相关参数；
49、步骤2、计算任务和ivs之间的偏好集，并获取偏好排序；
50、步骤3、所述ivs根据偏好集，本文档来自技高网...
【技术保护点】
1.一种闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，包括：
2.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，所述闲置车辆辅助车载边缘计算架构包括：卸载监控模块、卸载规划模块、策略实施模块和闲置车辆辅助卸载计算模块；
3.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，将资源定价和任务卸载问题建模为两阶段的Stackelberg博弈模型包括：
4.如权利要求3所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，获取任务i卸载至云-边服务器执行的总延迟的方法为：
5.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，基于匹配理论的任务匹配算法包括：
6.如权利要求5所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，获取过载任务i在卸载过程中的效益函数的方法为：
7.如权利要求5所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，获得对于为过载任务i提供服务的IVs的效益函数的方法为：
8.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，获得稳定的任务-车辆分配方案包括：
9.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，基于所述任务-车辆分配方案进行任务卸载及资源定价包括：
...
【技术特征摘要】
1.一种闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，包括：
2.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，所述闲置车辆辅助车载边缘计算架构包括：卸载监控模块、卸载规划模块、策略实施模块和闲置车辆辅助卸载计算模块；
3.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，将资源定价和任务卸载问题建模为两阶段的stackelberg博弈模型包括：
4.如权利要求3所述的闲置车辆辅助车载边缘计算卸载与资源定价方法，其特征在于，获取任务i卸载至云-边服务器执行的总延迟的方法为：
5.如权利要求1所述的闲置车辆辅助车载边...
【专利技术属性】
技术研发人员：陈益杉，吴杰，曾博文，李伟，徐中辉，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：
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。