System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线通信,尤其涉及一种基于车联网的移动边缘任务卸载方法及系统。
技术介绍
1、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。
2、随着移动互联网技术的飞速发展,车联网在减少交通事故、缓解交通拥堵、提供各种实时便捷服务等方面的显著优势引起了人们的广泛关注。而车联网的各种服务均要求车辆具有强大的计算能力和严格的延迟约束。数据之间的计算和交互使得对汽车的自动驾驶车机系统提出了高要求。现有技术中,移动边缘计算(mobile edge computing,mec)可以通过将任务卸载到附近的mec服务器来帮助减轻终端的工作量。但由于任务卸载过程中卸载方式不同,对此付出相应的代价也不相同。而传统的方法在针对成本进行卸载策略优化过程中,不能同时考虑时延和卸载决策本身,导致其得到的卸载策略无法达到最优。另外,传统方法还通过设计优化函数直接进行求解,对于成本的变化无法进行时间上的量化评估,导致求解结果不够准确。
技术实现思路
1、针对现有技术存在的不足,本专利技术的目的是提供一种基于车联网的移动边缘任务卸载方法及系统,同时考虑时延、成本和卸载决策本身,构建优化函数,利用lstm具有长短期记忆性的优点,实现更精准的成本变化预测,且利用遗传算法求解时速度较快的优点进行联合求解,更好的降低了时延和成本。
2、为了实现上述目的,本专利技术是通过如下的技术方案来实现:
3、本专利技术第一方面提供了一种基于车联网的移动边缘任务卸载方法
4、获取边缘服务器算力资源信息,并根据自动驾驶任务建立边缘计算模型;
5、联合考虑卸载决策、时延和成本,构建边缘计算模型的任务卸载评价函数;
6、利用成本预测模型对边缘云节点的成本进行实时预测,得到成本预测结果;
7、利用遗传算法求解在边缘云节点成本预测结果下的任务卸载评价函数,得到最优任务卸载决策。
8、进一步的,边缘计算模型包括自动驾驶网络通信模型、车机的时延模型以及计算资源成本模型。
9、进一步的,以边缘计算模型的时延和成本为优化目标,加权后构建边缘计算模型的任务卸载评价函数。
10、进一步的,成本预测模型的构建步骤包括:
11、以lstm模型为框架搭建初步成本预测模型;
12、获取边缘云节点的价格信息、位置信息、任务复杂度信息和时间信息;
13、提取边缘云节点信息中的特征序列作为训练集并进行数据预处理;
14、利用预处理后的数据集训练初步成本预测模型,得到成本预测模型。
15、更进一步的,用平均绝对误差和均方根误差作为评估指标来量化成本预测模型的预测结果,将预测结果代入任务卸载评价函数,从而对任务卸载评价函数进行优化。
16、更进一步的,对训练集进行数据预处理的具体步骤为:
17、采用移动平均法平滑数据,根据时间序列逐项推移,依次计算含有一定项数的序列平均值以反映长期趋势;
18、以特征序列为输入序列,成本序列为输出序列,进行消除量纲处理,对输入输出序列进行最大最小归一化处理;
19、计算经过平滑处理后的特征序列与成本序列的皮尔逊相关系数。
20、进一步的,利用遗传算法求解在边缘云节点成本预测结果下的任务卸载评价函数的具体步骤为:
21、根据车机数量确定任务卸载决策的初始种群;
22、根据任务卸载评价函数计算初始种群中每个个体的适应度,根据适应度确定个体被选择的概率;
23、设置交叉机制对被选择的个体中的基因进行交叉,更新初始种群;
24、重复对新的种群中的个体进行交叉,直至满足迭代次数,得到最优的任务卸载决策。
25、本专利技术第二方面提供了一种基于车联网的移动边缘任务卸载系统,包括:
26、边缘计算模型构建模块,被配置为获取边缘服务器算力资源信息,并根据自动驾驶任务建立边缘计算模型;
27、模型评价函数构建模块,被配置为联合考虑卸载决策、时延和成本,构建边缘计算模型的任务卸载评价函数;
28、边缘云节点成本预测模块,被配置为利用成本预测模型对边缘云节点的成本进行实时预测,得到成本预测结果;
29、最优卸载决策求解模块,被配置为利用遗传算法求解在边缘云节点成本预测结果下的任务卸载评价函数,得到最优任务卸载决策。
30、本专利技术第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本专利技术第一方面所述的基于车联网的移动边缘任务卸载方法中的步骤。
31、本专利技术第四方面提供了一种设备,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程序,所述处理器执行所述程序时实现如本专利技术第一方面所述的基于车联网的移动边缘任务卸载方法中的步骤。
32、以上一个或多个技术方案存在以下有益效果:
33、本专利技术公开了一种基于车联网的移动边缘任务卸载方法及系统,采用了lstm模型和的遗传算法求解最优任务卸载方案,利用lstm模型具有长短期记忆性的优点,可以更精准的预测成本变化,且利用遗传算法求解时速度较快的优点进行联合求解,可以更好的降低时延和成本。本专利技术克服了现有技术对成本进行卸载策略优化过程中,不能同时考虑时延和卸载决策本身,对于成本的变化无法进行时间上的量化评估,导致其得到的卸载策略无法达到最优的缺陷。
34、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于车联网的移动边缘任务卸载方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
3.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
4.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
5.如权利要求4所述的基于车联网的移动边缘任务卸载方法,其特征在于,
6.如权利要求4所述的基于车联网的移动边缘任务卸载方法,其特征在于,
7.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
8.一种基于车联网的移动边缘任务卸载系统,其特征在于,
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于车联网的移动边缘任务卸载方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所
...【技术特征摘要】
1.一种基于车联网的移动边缘任务卸载方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
3.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
4.如权利要求1所述的基于车联网的移动边缘任务卸载方法,其特征在于,
5.如权利要求4所述的基于车联网的移动边缘任务卸载方法,其特征在于,
6.如权利要求4所述的基于车联网的移动边缘任务卸载方法,其特征在于,
7.如权利要求1所述的基...
【专利技术属性】
技术研发人员:任鸿儒,袁群耀,马慧,程志键,鲁仁全,
申请(专利权)人:广东工业大学,
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。