一种车路协同边缘计算场景下的任务卸载决策优化方法技术

本发明专利技术公开了一种车路协同边缘计算场景下的任务卸载决策优化方法，其具体包括如下步骤：(1)构建车路协同边缘计算场景下的任务卸载框架；(2)对任务卸载框架中的资源进行量化并设计时延模型、负载模型和任务卸载决策优化模型；(3)使用一种基于信息熵的免疫算法对任务卸载策略优化模型进行求解。本发明专利技术提供的车路协同边缘计算场景下的任务卸载方法，从降低车载终端卸载时延和服务单元的负载均衡角度出发，考虑的整个系统的卸载总时延、单个服务器的负载情况和整个系统的负载优化问题，设计一种基于信息熵的免疫算法找出了优质方案，能够给出一种优质的能为车路协同边缘计算场景下的用户设备提供更好服务质量并保证服务器负载均衡的卸载决策方案。负载均衡的卸载决策方案。负载均衡的卸载决策方案。

【技术实现步骤摘要】
一种车路协同边缘计算场景下的任务卸载决策优化方法


[0001]本专利技术属于车路协同边缘计算任务卸载领域，特别是涉及一种基于信息熵免疫优化算法的车路协同边缘计算任务卸载方法。

技术介绍

[0002]随着5G技术的商业化，大量低时延低能耗的移动终端快速出现，各行各业用户终端所需要的运算能力大幅增长。云计算(Cloud Computing)由云服务器提供一种远程集中式的计算存储服务，得到了华为、亚马逊、IBM等公司的广泛应用[3]，但用户将任务上传到云端会不可避免的导致过高的传输时延，面对云计算存在的问题，移动边缘计算(Mobile Edge Computing，MEC)成为了一个良好的补充。移动边缘计算通过部署轻量级的云服务器，为用户提供实时弹性的计算供给，同时把云服务中心的计算资源和存储从中央下放到网络边缘，缩短数据传输距离，使得完成卸载服务所需时间得到优化，能够更好的满足低时延应用的需求。
[0003]移动边缘计算较传统云计算有较大优势：将物联网设备将在边缘数据中心或者在设备本地进行处理，很大程度上降低了中央处理器的压力；移动边缘计算会将数据分配到不同边缘设备，所以黑客将无法通过攻击一台设备来影响整个服务，能够更好的保护用户的隐私；采用移动边缘计算将中央服务器的压力进行了转移，并缓解网络带宽压力，使网络得到扩展；移动边缘计算有更好的可靠性，边缘数据设备和移动终端设备离用户较近，提升了系统的响应能力，且中断可能性非常小，使处理时延得到降低。移动边缘计算也因此逐渐成为近年来的研究热点。车路协同场景下的任务常常具有高实验敏感性的特点，移动边缘计算在车路协同场景下具有更高的适应性，而当多个车辆接入移动边缘计算数据中心时，将大量计算任务卸载在移动边缘计算的多个服务器上，进行大量并发计算负载处理，如何设计这样的计算模式是车路协同场景下移动边缘计算所存在的重要问题。

技术实现思路

[0004]为了解决上述问题，本专利技术提供一种基于信息熵免疫算法的车路协同边缘计算任务卸载方法，首先构建车路协同边缘计算卸载框架，通过数据分析和建模生成一个包含任务和设备参数的车路协同边缘计算任务卸载决策模型，利用基于信息熵免疫优化算法在该卸载决策模型上生成优质的可行方案，然后使用免疫操作对可行方案进行优化。本方采用使用线性归一化并加权的方式来同时降低时延和负载两种目标，更好的降低用户终端卸载时延和服务单元的负载均衡。
[0005]为了达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]一种车路协同边缘计算场景下的任务卸载决策优化方法，包括按顺序进行的下列步骤：
[0007]步骤一：使用统一的资源特征和表达方法，构建车路协同边缘计算网络框架；
[0008]步骤二：对数据进行量化建模，结合对各参数之间的关联分析构建公式，建立时延
模型和负载模型。时延模型和负载模型共同构成任务卸载决策通用模型。
[0009]步骤三：在使用基于信息熵的免疫优化算法对任务卸载决策通用模型进行求解，得到一个优质的任务卸载决策优化方案；
[0010]步骤四：在仿真环境下，对求出的任务卸载决策优化方案进行验证、评估，获取评估数据修正任务卸载通用模型的相关参数，获得任务卸载优选模型；
[0011]步骤五：求解任务卸载优选模型，获得最终的任务卸载优化方案。
[0012]1、其所述步骤一中，统一的资源特征和表达方法对车辆终端设备和边缘服务器所具有的资源进行矢量建模；车路协同边缘计算网络框架分为三层：车辆终端设备应用层、边缘服务器层和协同服务器，车辆终端设备应用层为车辆终端上需要进行卸载的计算任务，存在多种不同大小的计算任务，其中各个任务具备独立的计算和存储资源；边缘服务器层是具有一定计算能力和存储能力的服务器设备；协同服务器会在每个时隙进行卸载策略求解。
[0013]2、其所述步骤一中，其所述网络框架建立的过程为：车辆终端设备将任务通过无线传输上传至附近基站，基站会通过光纤将任务进一步上传到目标卸载边缘服务器。
[0014]3、其所述步骤二中，其所述卸载决策模型建立的过程为：协同服务器通过对任务的卸载目标服务器进行分配，各个任务具有不同的计算和存储资源，而边缘服务器具有有限的计算和存储资源，在任务的卸载目标服务器出现超载的情况时，则会对其进行重新分配，直至所有服务器都不会出现超载情况且所有任务都可被执行。
[0015]4、根其所述步骤一中，任务卸载框架中的统一的资源特征和表达方法，具体包括如下步骤：
[0016](1a)设车路协同边缘计算模型中有m个车载终端，集合表示为M.在一个时隙内，车辆终端有一个计算密集型任务需要向服务器申请卸载，该任务需要存储资源z
i
和计算资源c
i
，联合表示为{z
i
，c
i
}。车载终端会根据信号的强弱向最近的路测感知单元(RSU)提交任务。为每个RSU分配一个计算服务器EC，将n个EC的集合表示为N，ECj具有独立的存储资源为Z
j
和计算资源为C
j
可供车辆进行卸载，联合表示为{Z
j
，C
j
}。
[0017](1b)车辆的卸载决策采用x
i
表示，当x
i
＝j时，表示任务i的卸载目标服务器为ECj。在设计的单向公路模型中，只有相邻的服务器采用有线连接，使用y
ij
表示任务i对信道的使用，当y
ij
＝1时，任务i将会使用ECj和EC
j+1
之间的信道。
[0018]5、其所述步骤二中，其所述通用模型建立的过程为：设在一个时隙内，各服务器所辖范围内的车辆终端设备是恒定的，但在不同时隙内是可变的。
[0019]6、其所述步骤三中，其所述使用基于信息熵免疫优化算法对任务通用模型进行求解的过程为：所有的卸载目标服务器都不可超载需要满足一定公式，表示如式(1)、(2)。
[0020][0021][0022]7、其所述的步骤三中的使用基于信息熵免疫优化算法生成可执行决策方案的具体方法是：
[0023]①
选择编码方式，采用十进制编码，即使用十进制表示任务的执行方式；
[0024]②
生成初始种群，使用随机算法进行种群初始化；
[0025]③
设计亲和度函数；综合考虑车路协同终端设备卸载时延和服务设备负载均衡评
价指标，通过加权的形式，将两个优化目标转化为单目标优化问题，总亲和度函数定义如式(3)：
[0026]aff＝ωT+(1
‑
ω)L
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]其中，ω表示权重系数，用来均衡时延和负载的占比。T定义如式(4)：
[0028][0029]其中，τ表示计算任务的响应时延，从任务执行开始，到任务结果输出为止。主要包括任务的处理时延和排队时延，任务的计算时延只和所需的计算资源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车路协同边缘计算场景下的任务卸载决策方法，其特征在于：按顺序进行下列步骤：步骤一：使用统一的资源特征和表达方法，构建车路协同边缘计算网络框架；步骤二：对数据进行量化建模，结合对各参数之间的关联分析构建公式，建立时延模型和负载模型。时延模型和负载模型共同构成任务卸载决策通用模型。步骤三：在使用基于信息熵的免疫优化算法对任务卸载决策通用模型进行求解，得到一个优质的任务卸载决策优化方案；步骤四：在仿真环境下，对求出的任务卸载决策优化方案进行验证、评估，获取评估数据修正任务卸载通用模型的相关参数，获得任务卸载优选模型；步骤五：求解任务卸载优选模型，获得最终的任务卸载优化方案。2.根据权利要求1所述的基于车路协同边缘计算场景下的计算任务卸载决策方法，其特征在于：其所述步骤一中，统一的资源特征和表达方法对车辆终端设备和边缘服务器所具有的资源进行矢量建模；车路协同边缘计算网络框架分为三层：车辆终端设备应用层、边缘服务器层和协同服务器，车辆终端设备应用层为车辆终端上需要进行卸载的计算任务，存在多种不同大小的计算任务，其中各个任务具备独立的计算和存储资源；边缘服务器层是具有一定计算能力和存储能力的服务器设备；协同服务器会在每个时隙进行卸载策略求解。3.根据权利要求1所述的基于车路协同边缘计算的任务卸载方法，其特征在于：其所述步骤一中，其所述网络框架建立的过程为：车辆终端设备将任务通过无线传输上传至附近基站，基站会通过光纤将任务进一步上传到目标卸载边缘服务器。4.根据权利要求1所述的基于车路协同边缘计算的任务卸载方法，其特征在于：其所述步骤二中，其所述卸载决策模型建立的过程为：协同服务器通过对任务的卸载目标服务器进行分配，各个任务具有不同的计算和存储资源，而边缘服务器具有有限的计算和存储资源，在任务的卸载目标服务器出现超载的情况时，则会对其进行重新分配，直至所有服务器都不会出现超载情况且所有任务都可被执行。5.根据权利要求1或2所述的基于车路协同边缘计算的任务卸载决策方法，其特征在于：其所述步骤一中，任务卸载框架中的统一的资源特征和表达方法，具体包括如下步骤：(1a)设车路协同边缘计算模型中有m个车载终端，集合表示为M.在一个时隙内，车辆终端有一个计算密集型任务需要向服务器申请卸载，该任务需要存储资源z
i
和计算资源c
i
，联合表示为{z
i
，c
i
}。车载终端会根据信号的强弱向最近的路测感知单元(RSU)提交任务。为每个RSU分配一个计算服务器EC，将n个EC的集合表示为N，ECj具有独立的存储资源为Z
j
和计算资源为C
j
可供车辆进行卸载，联合表示为{Z
j
，C
j
}。(1b)车辆的卸载决策采用x
i
表示，当x
i
＝j时，表示任务i的卸载目标服务器为ECj。在设计的单向公路模型中，只有相邻的服务器采用有线连接，使用y
ij
表示任务i对信道的使用，当y
ij
＝1时，任务i将会使用ECj和EC
j+1
之间的信道。6.根据权利要求1中所述的基于车路协同边缘计算的任务卸载决策方法，其特征在于：其所述步骤二中，其所述通用模型建立的过程为：设在一个时隙内，各服务器所辖范围内的车辆终端设备是恒定的，但在不同时隙内是可变的。7.根据权利要求1所述的基于车路协同边缘计算的任务卸载方法，其特征在于：其所述
步骤三中，其所述使用基于信息熵免疫优化算法对任务通用模型进行求解的过程中，所有的卸载目标服务器都不可超载需要满足一定公式，表示如式(1)、(2)。的卸载目标服务器都不可超载需要满足一定公式，表示如式(1)、(2)。8.根据权利要求1所述的基于车路协同边缘计算任务卸载方法，其特征在于：所述的步骤三中的使用基于信息熵免疫优化算法生成可执行决策方案的具体方法是：
①
选择编码方式，采用十进制编码，即使用十进制表示任务的执行方式；
②
生成初始种群，使用随机算法进行种群初始化；
③
设计亲和度函数；综合考虑车路协同终端设备卸载时延和服务设备负载均衡评价指标，通过加权的形式，将两个优化目标转化为单目标优化问题，总亲和度函数定义如式(3)：aff＝ωT+(1
‑
ω)L
ꢀꢀ
(3)其中，ω表示权重系数，用来均衡时延和负载的占比。T定义如式(4)：其中，τ表示计算任务的响应时延，从任务执行开始，到任务结果输出为止。主要包括任务的处理时延和排队时延，任务...

【专利技术属性】
技术研发人员：朱思峰，蔡江昊，孙恩林，张青华，赵豪，胡家铭，
申请(专利权)人：天津城建大学，
类型：发明
国别省市：