一种智能车辆边缘计算网络的资源分配方法与流程

技术特征：
1.一种智能车辆边缘计算网络的资源分配方法，其特征在于，包括以下步骤；步骤一：采用cec
‑
iov的分层资源管理模型，其中多个mecss的qos感知资源管理被标记为负载均衡问题；步骤二：为全局负载均衡问题开发了一种快速、可扩展的迭代mlml算法，其中负载的迁入和迁出分别发生在欠载和过载情况下；步骤三：考虑到单个mecs的聚合负载，我们提出了一种qos感知资源管理方案和能量感知资源管理方案，通过优化配备在mecs的一组vms的工作负载和服务速率来最小化功耗；利用kkt条件解决制定的能效优化问题，获得了最佳解决方案的半封闭表达式；步骤四：与基准方案相比，数值结果验证了所提出的qos感知和能量感知资源管理方案的性能和优越性。2.根据权利要求1所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述步骤一中cec
‑
iov资源管理包括两个方面；qos，主要由cec
‑
iov系统中的服务器时间决定；资源管理可以由全局协调器执行，通过将拥塞mecs的一部分业务到达率分配给空闲mecs来平衡负载；当工作负载平衡时，系统延迟会降低；能源效率，考虑mecss中数据通信和处理的能效优化，而不考虑mecss中的无线通信能量消耗。3.根据权利要求1所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述步骤三中qos感知资源管理方案具体为mecss向协调服务器报告它们的工作状态，协调服务器会告知过载的mecss将一部分工作负载分配给空闲的mecss；通过控制访问控制路由器中的数据流可以实现该外层资源管理操作，并且mecs的vms中的操作保持不受干扰。4.根据权利要求1所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述步骤三能量感知资源管理方案具体为在虚拟化mecss中，分配给每个vm负载的大小由自适应负载调度器控制，每个vm的服务速率可使用dvfs技术调节；而通过与外层资源管理合作，可以最小化内层资源管理获得的功耗；首先计算托管一组虚拟机虚拟化mecs的计算和通信成本；引入了一个数学优化问题来捕获mecs内部的主要操作以最小化功耗，并利用kkt条件来解决由此产生的凸问题；a能量消耗假设一个mecs附属的n
k
个虚拟机分别表示为v1,v2,
…
,v
c
,并且由于尺寸约束，它们的计算能力有限；然而分配给每个vm的工作负载大小可以由本地调度器根据总工作负载动态调整；此外，通过dvfs技术，每个vm都能够以经济高效的方式调整其服务速率以适应硬件和外部环境。虚拟化计算平台的总功耗：p
mecs
＝p
comm
p
comp
p
tran
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)其中p
comm
是由于mecs中的内部通信过程而消耗的能量，p
comp
是计算的功耗，p
tran
代表了从输出缓冲区传输数据的功耗；通信能量：从输入缓冲器到vm v
c
数据通信的能量消耗[22，23]可以表示为计算负载的函数ξ
c
：
其中γ是恒定比例因子；因此，可以得出计算能量：对于vm v
c
，分配的工作负载表示为ξ
c
，最高服务率为umax c；当v
c
处于空闲状态时，其功耗为pidle c，并且当v
c
完全负载时，其最大功耗为pmax c；根据文献[22]，可以估计计算的功耗：其中pidle c表示vm v
c
空闲状态消耗的静态能量，vm v
c
的动态能量因子pdyn c可由下式计算：其中pidle c是vm v
c
能泄露的最大能量；α
c
是负载相关系数[27]，表示为其中u
c
∈[0，umax c]是可调整以适应mecs工作负载的vm v
c
服务速率，umax c是vm v
c
的最大处理速率；传输能量：令z表示输出缓冲区的传输速度，ζ表示服务器工作负载；我们假设z由来自输入缓冲区的总工作负载线性确定：其中，η是一个常数。从输出缓冲器传出数据的功耗可以近似为[22,23]：p
tran
＝ρ(ηζ)2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)其中，ρ是一个恒定的缩放因子；因此，将mecs的总功耗重新表示为b工作负载重新分配和服务速率缩放通过优化分配到每个vm v
c
的工作负载ξ
c
和其服务速率u
c
，可以最小化mecs的功耗：，可以最小化mecs的功耗：c2:ξ
c
≤u
c
δ其中c1中的(全局)约束保证了整个工作被划分为多个并行任务；约束条件c2保证vm v
c
在δ秒内执行分配的任务；公式(27)中的hessian矩阵[24]是正定的，分别为ξ
c
和u
c
，因此，(28)是一个凸优化问题
‘
因此，公式(28)的优化问题具有零对偶间隙并满足slater约束条件[24]’零对偶间隙的结果提供了一种途径来获得方程(28)中原始问题的最优解，该问题由相应的对偶问题导出
‘
为此，我们首先给出原始问题方程(28)的拉格朗日函数：其中拉格朗日乘子μ用于约束c1，ω＝ω
c
,c＝1,2,...,n
kt
是c2的延迟约束，ω
c
表示vm v
c
的计算时间代价不超过所需的最大完成时间；事实上，这些乘法器是目标函数的惩罚因素，使其在相应的约束下向最优演化；这使用后续方法解决lagrangian
‑
dual问题可以得到μ和ω
c
；原始问题(28)的对偶问题如下所示：公式(30)中的对偶问题可以通过使用分层优化分解(lod)方法分解为两个子问题[25]；第1级，公式(30)中的内部最小化是主要问题；第2级，公式(30)的外部最大化有助于找到最优解；需要注意的是公式(30)中的优化问题是凸的，等式之间存在零对偶间隙(28)和(30)；因此，我们可以通过kkt条件[24]求解(30)；设(ξ*c，u*c)和(μ*c，ω*c)是1级和2级问题的最佳解决方案；然后，根据kkt条件，得出下列表达式：下列表达式：结合公式(31)和(32)，(ξ*c，u*c)的最优解可以写成结合公式(31)和(32)，(ξ*c，u*c)的最优解可以写成公式(30)中的第2级问题可用次梯度法求解；对于给定的ξ*c和u*c集合，我们可以更新一组lagrange乘法算子：ω
c
(k 1)＝{ω
c
(k) θ(k)[ξ
c
(k)
‑
u
c
(k)δ]}

ꢀꢀꢀꢀꢀꢀ
(36)其中，索引k>0是迭代索引，是正的迭代步长；然后，更新拉格朗日乘数在方程(35)和(36)可用于更新公式(33)和(34)中的功率感知资源管理方案，由于原始问题对优化变量是联合凸的，只要不断递减步长序列满足[24]，[26]，不管初始拉格朗日乘子是什么，都可以保证通过迭代求解一级和二级问题得到原始最优解；
由于原问题对优化变量是联合凸的，只要满足一个递减步长序列[24]，[26]就可以通过迭代求解一级和二级问题得到原最优解，不管初始拉格朗日乘子是什么，都可以保证通过迭代求解一级和二级问题得到原始最优解。算法3说明了这个过程；说明了这个过程；5.根据权利要求1所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述步骤三中用于mecs的聚合负载的方案基于响应时间与总工作负载的变化对过载和空闲mecss进行了详细地判断，利用mecss上传的周期性，全局协调器可以默认已知资源管理的基本信息，如输入/输出缓冲区大小，流量到达速率，队列长度和输入/输出缓冲区的传输速率；方案首先计算每个mecs的响应时间，包括服务时间和网络延迟，而系统延迟由mecss的
最大响应时间决定；然后，以迭代方式获得响应时间阈值；基于响应时间阈值，通过优化从过载mecss到空闲mecss的迁移负载来制定系统延迟最小化问题。6.根据权利要求5所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述服务时间采集方法具体为考虑时间的不同请求，我们假设mecs k的域流量速率根据到达率为l
k
的泊松过程随机到达；然后，通过下式计算mecs k的服务密度ρ
k
：ρ
k
＝l
k
/n
k
u
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)mecs k的服务器时间tser k为：其中tser k(l
k
)是tser k对应l
k
的函数，tque k表示平均排队时间，tsc k表示代表平均服务时间；根据排队论，平均排队时间tque k：平均服务时间：排队系统保持稳定，例如，任务速度接近无穷大时，排队长度不能变成无穷大，否则无法保证mecs的延迟要求；稳定的m/g/n排队系统的充要条件是服务强度ρ小于1。7.根据权利要求5所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述网络延迟时间因为不同mecss的交通到达率可以明显不同，故部分mecss可能发生阻塞，而另外的而一些mecss可能未被充分利用所导致的时间；两种类型的服务器分别表示为过载mecss和空闲mecss；d
th
表示响应时间阈值，在此基础上，mecss被划分为两个集合，v
s
表示过载mecss集：v
s
＝{i|t
iser
(l
i
)＞d
th
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)v
t
表示空闲mecss集：假设所有mecss都可以彼此到达，每个过载的mecsi可以将其工作负载的一小部分分配给空闲的mecs j，因此产生了通信时延tcom ij；d
ij
表示从过载的mecsi到空闲mecs j路径的通信延迟；因此，当迁出工作负载从过载的mecsi卸载到空闲mecs j时，相应的通信时延tcom ij可由下式计算得出：假设mecs只能同时与一个mecs通信，之后在空闲mecs中发生网络延迟tnet j为:网络延迟仅在空闲mecss处发生，因为空闲的mecs j在过载mecss卸载任务之后再处理迁移负载；但是，没有将负载迁移到过载的mecss，所以tnet i＝0.系统延迟：结合公式(2)和(8)，mecs k的响应时间dres k可由下式计算：
其中表示mecs k产生的超载负载，是dres k相对于的函数；对于过载的mecsi和空闲mecs j，超载部分的负载分别表示为j，超载部分的负载分别表示为系统延时：系统时延d
sys
由系统中mecss的最大响应时间决定：b.响应时间阈值；为了找到响应时间阈值d
th
和每个mecs的迁入/迁出负荷数量，我们估计了d
th
的值，并迭代精确d
th
的值直至d
th
和每个mecss的服务器时间tser k的差值在给定范围θ内；首先检查d
th
值的范围，令指定d
th
＝(t
max
t
min
)/2为初始值，然后将mecss根据公式(5)和(6)分别划分为两个集合，即过载mecss v
s
和空闲mecss v
t
；对于每个过载和空闲的mecss，我们需要确定迁出工作负载φ
i
和迁入工作负载φ
j
，使得服务器时间满足：得服务器时间满足：其中ε是给定的阈值。一旦确定了迁出和迁入工作负载，就可以获得具有最小网络延迟成本的迁移负载λ＝{λ
ij
|i∈v
s
,j∈v
t
}；从过载mecss迁移负载到空闲mecss将在空闲mecss上产生网络延迟；因此，我们需要进一步调整以至于每个空闲mecs的响应时间都近似于d
th
，即dres j≈d
th
；然后，令如果d

和d
th
的差值低于给定阈值θ，则获得满足条件的d
th
；否则，通过d
th
←
(d
th
d

)/2选择d
th
，然后更新φ
i
，φ
j
，λ
ij
，和d

，以此得到更新后的d
th
；这个过程一直循环到|d
th
‑
d

|≤θ为止；c延时最小化的工作负载均衡为了能够通过优化迁移负载来最小化系统延时，所以将负载平衡问题表示为为了能够通过优化迁移负载来最小化系统延时，所以将负载平衡问题表示为
c3:0≤λ
ij
≤min{φ
i
,φ
j
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)其中约束条件c1表示从过载的mecs i分配给所有空闲mecss的迁移负载应该等于过载mecsi的预定义的迁出负载；约束条件c2表示从所有过载mecs迁移到空闲mecs j的迁移负载应等于空闲mecss j的预定义迁入负载；约束条件c3表示施加在过载mecs i和空闲mecs j之间的每个通信路径的负载都应该小于相应的迁出和迁入负载。8.根据权利要求7所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述负载平衡问题通过算法一实现具有不均匀域流量速率的mecss的工作负载均衡；首先，基于初始响应时间阈值d
th
，分别获得过载mecss集和相应的迁出负载，以及空闲mecss集和相应的迁入负载；然后，通过算法2获得最佳迁移负荷；工作负载迁移完成后，动态调整d
th
，直到满足给定的精度范围θ；最后，协同边缘计算系统中的所有mecss都具有大致相同的响应时间；
算法2 hungarian迁移负载算法
d迁移负载匹配确定每个过载的mecs的迁出工作负载φ
i
和每个空闲mecs的迁入工作负载φ
j
，通过求解以下问题，可以得到通信代价最小的最优迁移负载λ
ij
：：：使用多项式时间中的hungarian算法有效地解决，hungarian算法是一种组合优化方法，可以解决多项式时间中的分配问题；要将问题(16)转换为标准分配问题，我们首先进行以下定义：因此，标准分配问题由下式给出：因此，标准分配问题由下式给出：因此，标准分配问题由下式给出：
0≤z
ij
≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)其中z
ij
表示从过载mecsi的空闲mecs j的分配，z
ij
＝1表示已分配，否则z
ij
＝0；由于约束矩阵是完全幺模的，因此随着z
ij
的松弛存在一个最优整数解；为了说明用于解决问题(18)的hungarian算法，我们不失一般性地考虑|v
s
|＝5和|v
t
|＝3的简单情况；因为成本矩阵的行|v
s
|应该等于它的列|v
t
|，所以我们添加了两个额外的虚拟的空闲mecs 4和5；可以从图形角度看待上述问题：五个过载的mec，三个空闲mecs和两个虚拟空闲mecs；从过载mecs i到空闲mecs j的行表示成本d
ij
c
ij
的值，所有d
i4
c
i4
和d
i5
c
i5
都设置为0；不失一般性地将成本矩阵定义为n
×
n矩阵；idle mecs 1
…
idle mecs n9.根据权利要求8所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述hungarian算法的基本思想：从成本矩阵c的行和列中减去一个常数，将c约化为包含n个位于不同行和不同列中的零元素；然后，我们得到了与原成本矩阵中n个项的位置相对应的零的最优分配；最后，n个项的总和就是最小成本；对于分配问题，在成本矩阵c的任意行(或列)上加(或减)一个相同的数后，新的成本矩阵的最优解对于原成本矩阵也是最优的[21]；因此，在构建n
×
n成本矩阵之后，我们提出算法2以找到最佳分配；为了清楚地解释用于解决(18)的算法2，我们不失一般性地演示了矩阵变换过程；详细步骤如下，步骤1：从每一行中减0并找到每个列的最小元素；步骤2：每列减去其最小元素，即，分别从列1，列2和列3中减去35,55和45，并从列4和列5中减去0；步骤3：用最少的水平线或垂直线覆盖行和列中的所有零；因为n大于覆盖线的数量，我们发现没有被任何一行覆盖的最小项数是10；步骤4：从没有覆盖线的所有行中减去10，并将10添加到具有覆盖线的所有列中；步骤5：用最小水平和垂直线条覆盖行和列中的所有零。由于覆盖线的数量为5，因此获得了零的最佳分配；从最少0个元素的行或列开始，圈出所有的零，然后划掉相同行和列中剩余的零；步骤6：圈出与圆圈位置对应的原始成本矩阵的元素；因此，最佳任务分配是z*12＝z*22＝z*34＝z*45＝z*51＝1，最小成本为145；在获得(18)的最佳分配之后，(18)中的相应参数被更新，然后，制定新的任务分配问题(18)；类似地，为了得到两组大小相等且代价相同的节点，添加附加的伪mecss以形成n
×
n成本矩阵。再应用hungarian算法解决(18)，获得最佳分配，并且参数继续在(18)中更新。重复此过程，直到将所有未处理的工作负载从重载的mec发送到空闲mecs。

技术总结
本发明公开一种智能车辆边缘计算网络的资源分配方法，包括以下步骤；步骤一：采用CEC


技术研发人员：姜衍 谷晓会 沈桠楠 段玮 季彦呈 王明星 卓碧婷
受保护的技术使用者：南通大学
技术研发日：2021.07.14
技术公布日：2021/10/23