基于车联网的端边云自适应分割任务的迁移方法及装置制造方法及图纸

本发明专利技术公开了一种基于车联网的端边云自适应分割任务的迁移方法及装置，通过求解多主多从Stackelberg博弈模型，得到资源丰富的车辆预留的空闲计算资源，并将预留有空闲计算资源的资源丰富的车辆包含在端边云架构的迁移节点中；将车辆的计算任务按任务分割比例分割成若干个子任务，并将若干个子任务分别迁移至端边云架构的迁移节点；将车辆的任务分割比例、计算资源分配和通信资源分配建模成多约束问题，最小化车辆的各子任务在不同的迁移模式下的最大时延之和，根据多约束问题构建MADDPG模型并进行集中式训练，得到经训练的MADDPG模型，获取车辆的状态，并输入经训练的MADDPG模型，得到最佳动作，根据最佳动作选择迁移节点，并确定迁移任务比例，能够显著降低通信时延。能够显著降低通信时延。能够显著降低通信时延。

【技术实现步骤摘要】
基于车联网的端边云自适应分割任务的迁移方法及装置


[0001]本专利技术涉及移动边缘计算领域，具体涉及一种基于车联网的端边云自适应分割任务的迁移方法及装置。

技术介绍

[0002]随着智能交通的高速发展和车联网中数据流量的指数级增长，汽车终端请求迁移任务面临着低延迟和高计算量的巨大挑战。虽然将任务迁移到边缘服务器或云服务器已被认为是一种有效的解决方案，但边缘服务器的有限资源和云服务器的远距离限制了它们的性能效益。一些研究表明拥有强计算能力的自动驾驶车辆具有成为服务提供商的潜力，但由于车辆的自私性，缺乏一定的激励机制使得车辆预留资源。现代软件通常采用模块化设计，大部分计算任务都可以被拆分成多个小任务，从而使得拆分的任务可以被分布式处理，有一定的潜力能够缩短通信时延。然而，在现有研究中，多数集中在完整任务迁移方面，且大部分没有考虑通信和计算资源的联合优化。

技术实现思路

[0003]针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于车联网的端边云自适应分割任务的迁移方法及装置，来解决以上
技术介绍
部分提到的技术问题。
[0004]第一方面，本专利技术提供了一种基于车联网的端边云自适应分割任务的迁移方法，包括以下步骤：
[0005]构建以多个云服务器为领导者、多个计算资源丰富的车辆为跟随者的多主多从Stackelberg博弈模型并进行求解，得到资源丰富的车辆预留的空闲计算资源，并将预留有空闲计算资源的资源丰富的车辆包含在端边云架构的迁移节点中；
[0006]获取车辆的计算迁移请求，根据迁移请求将车辆的计算任务按任务分割比例分割成若干个子任务，并将若干个子任务分别迁移至端边云架构的迁移节点；
[0007]将车辆的任务分割比例、计算资源分配和通信资源分配建模成多约束问题，最小化车辆的各子任务在不同的迁移模式下的最大时延之和，根据多约束问题构建MADDPG模型，对MADDPG模型进行集中式训练，得到经训练的MADDPG模型，在MADDPG模型中，每个车辆作为智能体，环境包括车联网中车辆信息、端边云架构的资源信息和信道条件，动作包括每个智能体所选择的最佳迁移模式、通信资源和计算资源，奖励为智能体的延迟性能，状态包括本地信道信息、逗留时间、指纹信息、迭代次数和探索系数；
[0008]获取车辆的状态，并输入经训练的MADDPG模型，得到最佳动作，根据最佳动作选择迁移节点，并确定迁移任务比例。
[0009]作为优选，构建以多个云服务器为领导者、多个计算资源丰富的车辆为跟随者的多主多从Stackelberg博弈模型并进行求解，得到资源丰富的车辆预留的空闲计算资源，具体包括：
[0010]多个云服务器分别公开单位计算价格，并向计算资源丰富的车辆公告此策略；计
算资源丰富的车辆收到不同云服务器的单位计算价格后，彼此竞争，确定在云服务器中提供预留资源；计算资源丰富的车辆到达纳什均衡的迭代时间属于云服务器的一次调度周期，云服务器迭代的最终结果是所有的云服务器和计算资源丰富的车辆均达到了纳什均衡，在此纳什均衡下，获得计算资源丰富的车辆预留的空闲计算资源。
[0011]作为优选，根据迁移请求将车辆的计算任务按任务分割比例分割成若干个子任务，并将若干个子任务分别迁移至端边云架构的迁移节点，具体包括：
[0012]对于收集的第i个车辆的计算任务采用ψ
i
＝{H
i
，F
i
，t
i
}三元组进行表示，H
i
表示第i个车辆的计算任务的数据量，F
i
表示第i个车辆的计算任务所需的计算资源，t
i
表示第i个车辆的计算任务的最大容忍时延；将第i个车辆的计算任务ψ
i
划分为n个子集{ψ
i，1
，ψ
i，2
，...，ψ
i，n
}，每个子集包含若干比例的子任务，所述端边云架构中，定义N
cloud
个云服务器的集合为D，N
edge
个边缘节点的集合为P，N
crv
个预留有空闲计算资源的资源丰富的车辆的集合为E，将子任务ψ
i，j
分配给迁移节点X∈D∪P∪E，由所述迁移节点进行处理子任务ψ
i，j
。
[0013]作为优选，将车辆的任务分割比例、计算资源分配和通信资源分配建模成多约束问题，最小化车辆的各子任务在不同的迁移模式下的最大时延之和，具体包括：
[0014]在每个调度周期内，第i个车辆的任务拆分后被选择的迁移节点X分布式的执行，假设分配方案为S＝{(X1，ψ
i，1
)，(X2，ψ
i，2
)，...，(X
n
，ψ
i，n
)}，则分配方案S的计算总时延为
[0015]t
i
＝max(t(X1，ψ
i，1
)，t(X2，ψ
i，2
)
…
，t(X
n
，ψ
i，n
))
ꢀꢀꢀ
(1)
[0016]则优化问题采用以下公式表示：
[0017][0018][0019][0020][0021][0022][0023][0024][0025][0026]其中，I为物联网内车辆的总数，约束(2a)表示任务分割的总和为1，B、A、R分别表示迁移任务比例、计算资源以及通信资源的策略，示迁移任务比例、计算资源以及通信资源的策略，分别表示迁移到云服务器、边缘节点和预留有空闲计算资源的资源丰富的车辆的任务比
例，其中分别表示在云服务器、边缘节点、预留有空闲计算资源的资源丰富的车辆所需的计算资源，表示云服务器的信道选择，表示在边缘节点和预留有空闲计算资源的资源丰富的车辆的信道选择；约束(2b)保证任务拆分的大小大于任务最小的可分大小G，约束(2c)、(2d)、(2e)分别表示云服务器、边缘节点和预留有空闲计算资源的资源丰富的最大计算资源的限制，约束(2f)表示选择迁移到边缘节点时的执行时间应小于任务的最大容忍时间和与其通信时间的最小值，约束(2g)表示选择迁移到计算资源丰富的车辆的执行时间应小于任务的最大容忍时间和与其通信时间的最小值；
[0027]对于端边云架构的通信资源分配，存在M个远程无线电头，云服务器对应资源块集合R
c
＝{1，
…
，r
c
}、边缘节点和预留有空闲计算资源的资源丰富的车辆对应资源块集合R
f
＝{1，...，r
f
}，其中每个资源块有相同的带宽W，使用二进制变量表示第i个车辆的资源分配方案，其中，j∈R
c
，k∈R
f
；若表示第j个资源块分配给第i个车辆，若表示第k个资源块分配给第i个车辆；
[0028]第i个车辆将任务迁移到云服务器d的时延计算公式为：...

【技术保护点】

【技术特征摘要】
1.一种基于车联网的端边云自适应分割任务的迁移方法，其特征在于，包括以下步骤：构建以多个云服务器为领导者、多个计算资源丰富的车辆为跟随者的多主多从Stackelberg博弈模型并进行求解，得到资源丰富的车辆预留的空闲计算资源，并将预留有空闲计算资源的资源丰富的车辆包含在端边云架构的迁移节点中；获取车辆的计算迁移请求，根据所述迁移请求将所述车辆的计算任务按任务分割比例分割成若干个子任务，并将所述若干个子任务分别迁移至端边云架构的迁移节点；将车辆的任务分割比例、计算资源分配和通信资源分配建模成多约束问题，最小化所述车辆的各子任务在不同的迁移模式下的最大时延之和，根据所述多约束问题构建MADDPG模型，对所述MADDPG模型进行集中式训练，得到经训练的MADDPG模型，在所述MADDPG模型中，每个车辆作为智能体，环境包括车联网中车辆信息、端边云架构的资源信息和信道条件，动作包括每个智能体所选择的最佳迁移模式、通信资源和计算资源，奖励为智能体的延迟性能，状态包括本地信道信息、逗留时间、指纹信息、迭代次数和探索系数；获取车辆的状态，并输入经训练的MADDPG模型，得到最佳动作，根据所述最佳动作选择迁移节点，并确定迁移任务比例。2.根据权利要求1所述的基于车联网的端边云自适应分割任务的迁移方法，其特征在于，所述构建以多个云服务器为领导者、多个计算资源丰富的车辆为跟随者的多主多从Stackelberg博弈模型并进行求解，得到资源丰富的车辆预留的空闲计算资源，具体包括：多个云服务器分别公开单位计算价格，并向计算资源丰富的车辆公告此策略；计算资源丰富的车辆收到不同云服务器的单位计算价格后，彼此竞争，确定在云服务器中提供预留资源；计算资源丰富的车辆到达纳什均衡的迭代时间属于云服务器的一次调度周期，云服务器迭代的最终结果是所有的云服务器和计算资源丰富的车辆均达到了纳什均衡，在此纳什均衡下，获得计算资源丰富的车辆预留的空闲计算资源。3.根据权利要求1所述的基于车联网的端边云自适应分割任务的迁移方法，其特征在于，所述根据所述迁移请求将所述车辆的计算任务按任务分割比例分割成若干个子任务，并将所述若干个子任务分别迁移至端边云架构的迁移节点，具体包括：对于收集的第i个车辆的计算任务采用ψ
i
＝{H
i
,F
i
,t
i
}三元组进行表示，H
i
表示第i个车辆的计算任务的数据量，F
i
表示第i个车辆的计算任务所需的计算资源，t
i
表示第i个车辆的计算任务的最大容忍时延；将第i个车辆的计算任务ψ
i
划分为n个子集{ψ
i,1
,ψ
i,2
,...,ψ
i,n
}，每个子集包含若干比例的子任务，所述端边云架构中，定义N
cloud
个云服务器的集合为D，N
edge
个边缘节点的集合为P，N
crv
个预留有空闲计算资源的资源丰富的车辆的集合为E，将子任务ψ
i,j
分配给迁移节点X∈D∪P∪E，由所述迁移节点进行处理子任务ψ
i,j
。4.根据权利要求3所述的基于车联网的端边云自适应分割任务的迁移方法，其特征在于，所述将车辆的任务分割比例、计算资源分配和通信资源分配建模成多约束问题，最小化所述车辆的各子任务在不同的迁移模式下的最大时延之和，具体包括：在每个调度周期内，第i个车辆的任务拆分后被选择的迁移节点X分布式的执行，假设分配方案为S＝{(X1,ψ
i,1
),(X2,ψ
i,2
),...,(X
n
,ψ
i,n
)}，则分配方案S的计算总时延为t
i
＝max(t(x1，ψ
i，1
)，t(x2，ψ
i，2
)
···
，t(X
n
，ψ
i，n
))
ꢀꢀꢀꢀ
(1)则优化问题采用以下公式表示：
其中，I为物联网内车辆的总数，约束(2a)表示任务分割的总和为1，B、A、R分别表示迁移任务比例、计算资源以及通信资源的策略，移任务比例、计算资源以及通信资源的策略，分别表示迁移到云服务器、边缘节点和预留有空闲计算资源的资源丰富的车辆的任务比例，其中分别表示在云服务器、边缘节点、预留有空闲计算资源的资源丰富的车辆所需的计算资源，空闲计算资源的资源丰富的车辆所需的计算资源，表示云服务器的信道选择，表示在边缘节点和预留有空闲计算资源的资源丰富的车辆的信道选择；约束(2b)保证任务拆分的大小大于任务最小的可分大小G，约束(2c)、(2d)、(2e)分别表示云服务器、边缘节点和预留有空闲计算资源的资源丰富的最大计算资源的限制，约束(2f)表示选择迁移到边缘节点时的执行时间应小于任务的最大容忍时间和与其通信时间的最小值，约束(2g)表示选择迁移到计算资源丰富的车辆的执行时间应小于任务的最大容忍时间和与其通信时间的最小值；对于端边云架构的通信资源分配，存在M个远程无线电头，云服务器对应资源块集合R
c
＝{1,...,r
c
}、边缘节点和预留有空闲计算资源的资源丰富的车辆对应资源块集合R
f
＝{1,...,r
f
}，其中每个资源块有相同的带宽W，使用二进制变量}，其中每个资源块有相同的带宽W，使用二进制变量表示第i个车辆的资源分配方案，其中，j∈R
c
,k∈R
f
；若表示第j个资源块分配给第i个车辆，若表示第k个资源块分配给第i个车辆；第i个车辆将任务迁移到云服务器d的时延计算公式为：
其中，V
cloud,d
表示在云服务器d上的迁移速率，p
i
表示第i个车辆的传输功率，表示第i个车辆与第m个远程无线电头的信道增益，N0表示噪声频谱密度；表示迁移到云服务器的任务比例，t
wired
表示有线传播时延，F
cloud,d
是云服务器d提供的计算资源；第i个车辆将任务迁移到边缘节点p的时延计算公式为：计算公式为：其中，V
edge,p
表示在边缘节点p的迁移速率,表示迁移到边缘节点p的任务比例，表示第j个车辆...

【专利技术属性】
技术研发人员：高振国，范威威，郑智超，邓君，刘畅，骆翔宇，谢维波，蒋文贤，
申请(专利权)人：华侨大学，
类型：发明
国别省市：