一种面向不同时延敏感型任务的车辆卸载决策优化方法技术

本发明专利技术提供了一种面向不同时延敏感型任务的车辆卸载决策优化方法，首先，建立了一个多用户车联网移动边缘计算场景；其次，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；然后，基于不同时延敏感型任务的类别提出资源倾向性分配策略并应用改进的天鹰算法来求出任务卸载决策问题数学模型的最优解；最后，将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法；本方法通过所提的基于资源倾向性分配策略的改进天鹰算法来求解有限资源下卸载决策问题，能够有效地解决车辆计算资源不足的问题，节省了大量的时延敏感型任务的处理时延和能耗，提高了任务的完成率和可靠性，满足车联网环境下时延和能耗的要求。延和能耗的要求。延和能耗的要求。

【技术实现步骤摘要】
一种面向不同时延敏感型任务的车辆卸载决策优化方法


[0001]本专利技术涉及移动边缘计算领域，更具体的，涉及一种面向不同时延敏感型任务的车辆卸载决策优化方法。

技术介绍

[0002]随着车联网产业的迅速发展，车辆用户的基础通信、在线导航和在线娱乐的需求已经得到极大的满足，但计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战。对于当今的车联网移动边缘计算而言，移动边缘计算服务器在处理时延敏感度不同的计算任务时，如何将其可用的计算资源合理分配，降低整个车联网系统的运营成本并提高用户的满意度至关重要。

技术实现思路

[0003]本专利技术为了解决现有技术存在的技术问题，提供了一种面向不同时延敏感型任务的车辆卸载决策优化方法。该方法能够使系统内的车辆合理利用边缘计算服务器的计算资源，选择更好的任务卸载决策方案，进而降低任务总的平均时延和平均能耗，提高任务的成功率。
[0004]本专利技术的具体技术方案如下：
[0005]一种面向不同时延敏感型任务的车辆卸载决策优化方法，现有车载设备的计算和存储资源无法满足车载服务产生的海量数据的需求，边缘计算服务器ECS将计算下沉至用户端，可以同时降低数据传输延迟和设备能耗，本方法针对时延敏感度不同的任务，提出了优先级因子的概念，基于优先级因子提出资源倾向性分配策略，建立不同车辆任务关于时延和能耗的本地计算模型和边缘计算模型，建立的数学模型通过改进的天鹰优化算法求解，最后得到所有车辆任务在有限资源下的最优卸载决策方法；其中，通过对原始天鹰算法采用Tent混沌映射进行种群初始化，并融入反向学习策略到原始天鹰算法的位置更新中得到了改进后的天鹰算法，本方法的步骤如下：
[0006]步骤一，建立一个多用户车联网移动边缘计算场景：由边缘计算服务器ECS、路侧单元RSU和车辆构成；
[0007]步骤二，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；
[0008]步骤三，通过基于资源倾向性分配策略的改进天鹰优化算法ROAO得出数学模型的最优解，并将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法。
[0009]进一步的技术方案为：
[0010]步骤一中，建立一个多用户车联网移动边缘计算场景指的是：k个边缘计算服务器ECS与N个车辆产生的计算任务合理分配的问题；路侧单元RSU与车辆端通过车联网通信协议V2X进行通讯；路侧单元RSU与边缘计算服务器ECS通过5G专网进行通信，假设单位时间每个车辆产生一个计算任务。
[0011]步骤二的具体过程为：
[0012]车辆集合表示为边缘计算服务器ECS集合用表示，车辆i的计算任务被定义为其中H
i
表示当前任务的数据量大小，Z
i
表示完成该任务所需的计算量，T
iMAX
表示当前任务可容忍最大时延；假设N个任务中有p个对时延敏感的A类任务和N
‑
p个时延敏感度不高的B类任务需要处理，计算任务可以选择本地计算或者进行卸载到其中一个边缘计算服务器ECS进行计算；定义一个任务矩阵C＝[c1,c2,
…
,c
N
]，c
i
∈{0,1}表示车辆i需要处理的任务的分类，当c
i
＝1时表示车辆i需要处理A类任务，当c
i
＝0时表示车辆i需要处理B类任务，表述如下：
[0013][0014][0015][0016]其中，a
i
∈{0,1}表示任务计算模式的选择，当a
i
＝1时表示车辆i选择本地计算模式，a
i
＝0时表示车辆i选择卸载计算模式；b
i,n
∈{0,1}表示车辆i的连接选择，b
i,n
取值为1表示卸载到当前的边缘计算服务器ECS，取值为0则不是；γ
i
表示车辆i的任务卸载决策；
[0017](1)本地计算模型
[0018]计算任务在本地执行时，任务的时延主要是任务的处理时延，f
v,i
表示车辆i分配给计算任务的计算频率；
[0019][0020]一个计算周期的能量消耗可以用κf
v,i2
表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10
‑
27
，因此产生的能耗为：
[0021]E
v,i
＝κf
v,i2
Z
i
[0022](2)边缘计算模型
[0023]对于任意车辆i来说，其计算任务卸载到其中的一个边缘计算服务器ECS产生的时延可以分为三个部分：任务传输时延和任务处理时延和任务回传时延；而产生的能耗可以分为任务传输能耗和任务处理能耗，在本系统中由于边缘计算服务器ECS通过电缆供电，因此不考虑边缘计算服务器ECS的任务处理能耗；
[0024]考虑到A、B类任务对于时延的敏感度不同，A类任务所需的时延更短，因此在处理不同计算任务时，提出了一种资源倾向性分配策略：
[0025]为了满足A类任务相对B类任务更高的时延要求，本方法提出一个优先级因子Q的概念，且Q∈[0,1)；该数值的选取要遵循这个原则：对时延越敏感的任务其数值就要越大；优先级因子概念的提出使得在分配资源的过程中，能根据任务的紧急程度动态的分配计算资源，极大地提高了边缘计算服务器ECS的系统资源的利用率；则不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源分别为：
[0026][0027][0028]其中，p
n,A
为第n个ECS上A类任务的个数，q
n,B
为第n个ECS上B类任务的个数；
[0029]则不同的边缘计算服务器ECS上A类任务和B类任务产生的时延分别为：
[0030][0031][0032]不同的边缘计算服务器ECS上A类任务和B类任务产生的能耗为：
[0033][0034]其中，表示不同的边缘计算服务器ECS上A类任务被分配的资源，表示不同的边缘计算服务器ECS上B类任务被分配的资源，K
i
表示当前任务回传数据的大小，tr
VR
表示网联车与路侧单元RSU之间的数据传输速率，tr
RE
表示表示路侧单元RSU与边缘计算服务器ECS之间的数据传输速率，tr
EV
表示边缘计算服务器ECS与网联车之间的数据传输速率，P
VR
表示网联车在无线传输信道上的数据传输功率，P
RE
表示路侧单元RSU与边缘计算服务器ECS之间的数据传输功率，P
EV
表示网联车接收数据功率；
[0035]本方法的目标是分别最小化本系统中的N个任务所需的总平均时延和总平均能耗，其数学模型表述如下：
[0036][0037][0038]最终建立优化问题：
[0039]f＝min{T,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向不同时延敏感型任务的车辆卸载决策优化方法，现有车载设备的计算和存储资源无法满足车载服务产生的海量数据的需求，边缘计算服务器ECS将计算下沉至用户端，可以同时降低数据传输延迟和设备能耗，本方法针对时延敏感度不同的任务，提出了优先级因子的概念，基于优先级因子提出资源倾向性分配策略，建立不同车辆任务关于时延和能耗的本地计算模型和边缘计算模型，建立的数学模型通过改进的天鹰优化算法求解，最后得到所有车辆任务在有限资源下的最优卸载决策方法；其中，通过对原始天鹰算法采用Tent混沌映射进行种群初始化，并融入反向学习策略到原始天鹰算法的位置更新中得到了改进后的天鹰算法，其特征在于，本方法的步骤如下：步骤一，建立一个多用户车联网移动边缘计算场景：由边缘计算服务器ECS、路侧单元RSU和车辆构成；步骤二，根据车联网移动边缘计算场景得出面向不同时延敏感型任务的数学模型；步骤三，通过基于资源倾向性分配策略的改进天鹰优化算法ROAO得出数学模型的最优解，并将数学模型最优解所对应的有限资源下卸载决策方法作为最终优化方法。2.根据权利要求1所述的一种面向不同时延敏感型任务的车辆卸载决策优化方法，其特征在于，步骤一中，建立一个多用户车联网移动边缘计算场景指的是：k个边缘计算服务器ECS与N个车辆产生的计算任务合理分配的问题；路侧单元RSU与车辆端通过车联网通信协议V2X进行通讯；路侧单元RSU与边缘计算服务器ECS通过5G专网进行通信，假设单位时间每个车辆产生一个计算任务。3.根据权利要求2所述的一种面向不同时延敏感型任务的车辆卸载决策优化方法，其特征在于，步骤二的具体过程为：车辆集合表示为边缘计算服务器ECS集合用表示，车辆i的计算任务被定义为其中H
i
表示当前任务的数据量大小，Z
i
表示完成该任务所需的计算量，T
iMAX
表示当前任务可容忍最大时延；假设N个任务中有p个对时延敏感的A类任务和N
‑
p个时延敏感度不高的B类任务需要处理，计算任务可以选择本地计算或者进行卸载到其中一个边缘计算服务器ECS进行计算；定义一个任务矩阵C＝[c1,c2,
…
,c
N
]，c
i
∈{0,1}表示车辆i需要处理的任务的分类，当c
i
＝1时表示车辆i需要处理A类任务，当c
i
＝0时表示车辆i需要处理B类任务，表述如下：＝0时表示车辆i需要处理B类任务，表述如下：＝0时表示车辆i需要处理B类任务，表述如下：其中，a
i
∈{0,1}表示任务计算模式的选择，当a
i
＝1时表示车辆i选择本地计算模式，a
i
＝0时表示车辆i选择卸载计算模式；b
i,n
∈{0,1}表示车辆i的连接选择，b
i,n
取值为1表示卸载到当前的边缘计算服务器ECS，取值为0则不是；γ
i
表示车辆i的任务卸载决策；(1)本地计算模型计算任务在本地执行时，任务的时延主要是任务的处理时延，f
v,i
表示车辆i分配给计算任务的计算频率；
一个计算周期的能量消耗可以用κf
v,i2
表示，其中κ是依赖与芯片结构的有效开关电容，设置为κ＝10
‑
27
，因此产生的能耗为：E
v,i
＝κf
v,i2
Z
i
(2)边缘计算模型对于任意车辆i来说，其计算任务卸载到其中的一个边缘计算服务器ECS产生的时延可以分为三个部分：任务传输时延和任务处理时延和任务回传时延；而产生的能耗可以分为任务传输能耗和任务处理能耗，在本系统中由于边缘计算服务器ECS通过电缆供电，因此不考虑边缘计算服务器ECS的任务处理能耗；考虑到A、B类任务对于时延的敏感度不同，A类任务所需的时延更短，因此在处理不同计算任务时，提出了一种资源倾向性分配策略：为了满足A类任务相对B类任务更高的时延要求，本方法提出一个优先级因子Q的概念，且Q∈[0,1)；该数值的选取要遵循这个原则：对时延越敏感的任务其数值就要越大；优先级因子概念的提出使得在分配资源的过程中，能根据任务的紧急程度动态的分配计算资源，极大地提高了边缘计算服务器ECS的系统资源的利用率；则不同的边缘计算服务器ECS上A类任务和B类任务被分配的资源分别为：类任务和B类任务被分配的资源分别为：其中，p
n,A
为第n个ECS上A类任务的个数，q
n,B
为第n个ECS上B类任务的个数；则不同的边缘计算服务器ECS上A类任务和B类任务产生的时延分别为：则不同的边缘计算服务器ECS上A类任务和B类任务产生的时延分别为：不同的边缘计算服务器ECS上A类任务和B类任务产生的能耗为：其中，f
ECSn,A,i
表示不同的边缘计算服务器ECS上A类任务被分配的资源，f
ECSn,B,i
表示不同的边缘计算服务器ECS上B类任务被分配的资源，K
i
表示当前任务回传数据的大小，tr
VR
表示网联车与路侧单元RSU之间的数据传输速率，tr
RE
表示表示路侧单元RSU与...

【专利技术属性】
技术研发人员：丛玉良，王超英，孙淑娴，刘战，刘迈欧，程曦，邹卓雅，
申请(专利权)人：吉林大学，
类型：发明
国别省市：