边缘计算的车辆依赖任务卸载方法及系统技术方案

本发明专利技术涉及边缘计算的车辆依赖任务卸载方法及系统，其中的边缘计算的车辆依赖任务卸载方法包括以下步骤：将设定通信范围内的志愿车辆进行聚类得到志愿车辆簇，每一个簇表示一个志愿者联盟，同一联盟内的车辆资源共享；对所有子任务依据最晚执行时间进行优先级排队，得到优先级队列；根据得到的优先级队列，初始化每个子任务的卸载点，得到任务卸载策略；根据得到的任务卸载策略调用多目标蚁群优化算法进行迭代优化。以任务完成时延和任务执行成本两个指标来评估车辆边缘服务器上的任务卸载，在边缘设备计算资源和缓存空间的约束下，以最小化任务完成时延和任务执行成本为目标，从而解决了任务卸载问题。从而解决了任务卸载问题。从而解决了任务卸载问题。

【技术实现步骤摘要】
边缘计算的车辆依赖任务卸载方法及系统


[0001]本专利技术涉及车辆边缘计算
，具体为边缘计算的车辆依赖任务卸载方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]车辆云计算(VCC)是解决车辆网络通讯的技术，能够利用GPS、存储、互联网和车辆计算能力等资源，在云中进行实时决策和处理任务，由于云服务器距离车辆较远，通信延迟较大，无法满足车载应用的低延迟要求，因此，VCC面临着低延迟和高带宽的挑战。
[0004]为了应对上述问题，目前通过移动边缘计算(MEC)，将服务器移动到网络边缘，为用户提供低传输延迟和高可靠性服务，例如将车辆自组织网络(VANET)集成到MEC中，以形成车辆边缘计算(VEC)。
[0005]然而，与云服务器相比，VEC服务器的处理能力和可用资源有限。面对大量计算的密集型车辆应用，VEC服务器将无法满足用户的服务质量(QoS)。为了解决VEC的资源限制，一些现有技术将车辆视为计算服务的提供者，这意味着车辆不仅可以充当任务的发起人，还可以充当任务服务器，从而扩展了边缘服务器的能力，提高了用户的QoS。还可以通过车辆云(VC)计算卸载的协同任务调度问题，其中计算任务可以在VC中卸载到车辆上，以便协同执行。而在实际应用中，车辆生成的大多数任务都是相关的，因此在执行相关任务要考虑任务执行的顺序，在任务卸载过程中考虑任务的依赖性，现有技术中的类似算法均不理想。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供边缘计算的车辆依赖任务卸载方法及系统，采用多目标蚁群算法对任务卸载策略进行优化，提高了任务卸载的速度，降低任务处理的成本。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供边缘计算的车辆依赖任务卸载方法，包括以下步骤：
[0009]将设定通信范围内的志愿车辆进行聚类得到志愿车辆簇，每一个簇表示一个志愿者联盟，同一联盟内的车辆资源共享；
[0010]对所有子任务依据最晚执行时间进行优先级排队，得到优先级队列；
[0011]根据得到的优先级队列，初始化每个子任务的卸载点，得到任务卸载策略；
[0012]根据得到的任务卸载策略调用多目标蚁群优化算法进行迭代优化。
[0013]进一步的，子任务的卸载方式包括三类：
[0014]第一类，在本地执行，如果用户本地的可用资源可以满足任务处理要求和时延要求，则选择在本地执行；
[0015]第二类，卸载到路边单元，如果用户本地的可用资源不能满足任务处理要求和时
延要求，则选择卸载到路边单元上处理；
[0016]第三类，卸载到志愿车辆，如果用户本地的可用资源不能满足任务处理要求和时延要求，则选择卸载到志愿车辆上处理。
[0017]进一步的，多目标蚁群优化算法的目标为：最小化任务完成时延和任务执行成本。
[0018]进一步的，最小化任务完成时延和任务执行成本的约束包括：
[0019]每个子任务完成时间不能超过最大完成时间；
[0020]每个子任务只能选择在一个边缘设备上执行；
[0021]边缘设备获得的奖励不能超过用户请求车辆所能提供的报价；
[0022]每个边缘设备的负载水平不能超过其最大负载能力；
[0023]分给每个下行链路的带宽资源不能超过移动设备下行链路的带宽资源；
[0024]分给每个上行链路的带宽资源不能超过移动设备上行链路的带宽资源；
[0025]分给每个子任务的计算资源不能超过车辆总的计算资源；
[0026]分给每个子任务的计算资源不能超过全部路边单元的计算资源。
[0027]进一步的，初始化蚁群算法的信息素浓度和启发式信息时，采用层次分析法；
[0028]层次分析法的准则层考虑了用户请求车辆与边缘设备的距离，以及各个边缘设备的负载水平。
[0029]本专利技术的第二个方面提供实现上述方法所需的系统，包括：
[0030]志愿联盟划分模块，其被配置为：对系统中的车辆进行聚类，使得密度可达的车辆聚成一类；
[0031]优先级排队模块，其被配置为：对所有子任务按照最晚执行时间进行优先级排队，得到优先级队列；
[0032]蚁群算法初始化模块：根据所述优先级队列，采用层次分析法来初始化信息素浓度和启发式信息；
[0033]优化模块，其被配置为：根据初始化生成的信息素浓度和启发式信息用多目标蚁群算法进行迭代优化。
[0034]本专利技术的第三个方面提供一种计算机可读存储介质。
[0035]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的边缘计算的车辆依赖任务卸载方法中的步骤。
[0036]本专利技术的第四个方面提供一种计算机设备。
[0037]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的边缘计算的车辆依赖任务卸载方法中的步骤。
[0038]与现有技术相比，以上一个或多个技术方案存在以下有益效果：
[0039]1、设计了任务完成时延和任务执行成本两个指标来评估车辆边缘服务器上的任务卸载，在边缘设备计算资源和缓存空间的约束下，以最小化任务完成时延和任务执行成本为目标，从而解决了任务卸载问题。
[0040]2、利用帕累托优势和层次分析法(AHP)的思想对蚁群算法进行了改进，并设计了一种新的外部集更新策略来实现目标，经过评估，证明了该算法具有较好的性能，提高了任务完成时延，降低了任务执行成本。
附图说明
[0041]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0042]图1是本专利技术一个或多个实施例提供的边缘计算的车辆依赖任务卸载方法流程图；
[0043]图2是本专利技术一个或多个实施例提供的任务卸载过程中的任务分配示意图。
具体实施方式
[0044]下面结合附图与实施例对本专利技术作进一步说明。
[0045]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0046]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0047]正如
技术介绍
中所描述的，车辆边缘计算(Vehicular Edge Com puting，VEC)领域中，车辆用户在多个接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.边缘计算的车辆依赖任务卸载方法，其特征在于：包括以下步骤：将设定通信范围内的志愿车辆进行聚类得到志愿车辆簇，每一个簇表示一个志愿者联盟，同一联盟内的车辆资源共享；对所有子任务依据最晚执行时间进行优先级排队，得到优先级队列；根据得到的优先级队列，初始化每个子任务的卸载点，得到任务卸载策略；根据得到的任务卸载策略调用多目标蚁群优化算法进行迭代优化。2.如权利要求1所述的边缘计算的车辆依赖任务卸载方法，其特征在于：子任务的卸载方式包括：第一类，在本地执行，如果用户本地的可用资源可以满足任务处理要求和时延要求，则选择在本地执行；第二类，卸载到路边单元，如果用户本地的可用资源不能满足任务处理要求和时延要求，则选择卸载到路边单元上处理。3.如权利要求2所述的边缘计算的车辆依赖任务卸载方法，其特征在于：子任务的卸载方式还包括：第三类，卸载到志愿车辆，如果用户本地的可用资源不能满足任务处理要求和时延要求，则选择卸载到志愿车辆上处理。4.如权利要求1所述的边缘计算的车辆依赖任务卸载方法，其特征在于：所述多目标蚁群优化算法的目标为：最小化任务完成时延和任务执行成本。5.如权利要求1所述的边缘计算的车辆依赖任务卸载方法，其特征在于：最小化任务完成时延和任务执行成本的约束包括：每个子任务完成时间不超过最大完成时间；每个子任务只选择在一个边缘设备上执行；边缘设备获得的奖励不超过用户请求车辆提供的报价；每个边缘设备的负载水平不超过其最大负载能力；分给每个下行链路的带宽资源不超过移...

【专利技术属性】
技术研发人员：翟临博，程晨，贾钰鹃，陈亚文，杨峰，赵景梅，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：