一种基于多变量联合优化的车联网任务卸载方法与流程

1.本发明属于车辆通信领域，特别涉及一种基于车联网的多变量联合优化任务卸载方法。


背景技术：

2.车辆网络的快速发展将刺激旅行辅助、自动驾驶、视频流和在线游戏领域的一系列应用，需要大量的计算资源来处理大量的工作负载数据，并且有严格的时限要求。为了支持车辆网络中用户设备的延迟敏感和多媒体丰富的业务，已经提出了车辆边缘计算(vec)，其中在网络边缘处理工作负载以消除过多的网络跳跃。vec不仅减少了计算响应时间，还缓解了容量受限的回程链路中的流量拥塞问题。vec允许智能手机和可穿戴设备等电池容量有限的车载用户设备进行机会节能。传统上，所有工作负载都必须在用户设备上本地处理，这极大地缩短了电池续航时间，并妨碍了服务交付的可靠性。在vec的帮助下，高能耗工作负载可以通过车辆到基础设施(v2i)链路从用户设备卸载到附近具有更高计算能力和丰富能源供应的vec节点。因此，设计一种基于车联网的多变量联合优化任务卸载方法是一个必然发展结果。
3.但是，目前的研究重点主要集中在车辆计算任务卸载等问题，对于车内用户设备的研究较少。车内用户设备由于计算资源的限制，电池电量效率以及车辆对用户设备的信号屏蔽等问题，导致比较差的用户体验，因此通过联合优化用户设备的频谱以及计算资源，可以实现对电池能源合理利用，任务得到及时卸载，从而提高车内用户的应用体验。


技术实现要素：

4.本发明旨在解决以上现有技术的问题。提出了一种降低用户设备能耗，提高频谱效率，增强信息传输可靠性以及延长用户设备的基于多变量联合优化的车联网任务卸载方法。本发明的技术方案如下：
5.一种基于多变量联合优化的车联网任务卸载方法，其包括以下步骤：
6.s1：用户设备通过车辆中继将需要处理的总的任务计算量{d
k,m
,c
k,m
,τ
k,m
}发送给车辆边缘计算服务器，其中d
k,m
表示任务数据量大小，c
k,m
表示计算任务的大小，τ
k,m
表示任务完成的最大可容忍时延；
7.s2：车辆边缘计算服务器接收到来自用户设备的任务请求；
8.s3：车辆边缘计算服务器将接收到的用户设备的任务数据量，任务计算量和时延约束代入优化模型求解得到其中α
k,m
表示子载波选择因子，p
k,m
表示车内用户设备的发送功率，λ
k,m
表示用户设备的计算任务卸载到车辆边缘计算服务器的比例；
9.s4：车辆边缘计算服务器将求解得到的3个参数通过车辆中继发送给用户设备；
10.s5：车内用户设备接收到来自车辆边缘计算服务器任务执行结果
11.s6：用户设备以发送功率选择子载波n，在车辆中继的辅助下向车辆边缘计算服务器卸载λ
k,m
d
k,m
的数据量，剩余(1
‑
λ
k,m
)d
k,m
的在本地进行处理，λ
k,m
表示用户设备的计算任务卸载到车辆边缘计算服务器的比例，d
k,m
表示任务数据量大小；
12.进一步的，车辆边缘计算服务器将接收到的用户设备的任务数据量，任务计算量和时延约束代入优化模型求解得到具体优化模型为：
[0013][0014]
其中，k表示有k个车辆，也表示车内用户设备的数量；k表示第k个车辆或者第k个用户设备；n表示第n个子载波，n表示系统总带宽被划分为n个子载波，即子载波的数量；m表示第m个车辆边缘计算服务器，λ
k,m
表示用户设备的计算任务卸载到车辆边缘计算服务器的比例；c
k,m
表示计算任务的大小；τ
k,m
表示任务完成的最大可容忍时延，δ表示cpu芯片架构的系数，表示用户设备k选择子载波n将计算任务卸载到车辆边缘计算服务器m处时的传输速率，由上面的参数及公式即可求得
[0015]
本发明的优点及有益效果如下：
[0016]
本发明在考虑用户的电池能源效率，计算资源的限制以及车辆对用户设备的屏蔽带来的不利影响的基础上，设计一种基于车联网的多变量联合优化任务卸载方法。目前对于车辆网络的研究大多是车辆自身任务或者是车载设备任务的卸载，而对车内用户的研究较少，随着车辆网络以及物联网的不断发展，车内用户的可用设备将会越来越多，如可穿戴设备，视频流播放视频，手机在线游戏等，这些应用对时延和计算资源的要求越来越高，而车辆也越来越偏向于智能驾驶，有大量的紧急计算任务需要处理，没有足够的计算资源供车内用户设备使用，因此用户设备需要将计算任务卸载到周围计算资源更加丰富的边缘服务器。本文所提出的模型充分对现存问题进行了分析，首先为了提高用户设备的电池效率，将计算任务卸载到车辆边缘计算服务器，可以实现对用户设备的电池电量的机会节省，提高用户设备的电池续航时间；其次，由于车辆的封闭性对车内用户设备的屏蔽作用，导致用户设备的发射信号减弱，不利于计算任务的处理，因此本文将用户设备所在的车辆作为全双工中继，实现任务同步接收
‑
发送，通过两跳实现计算任务的卸载，第一跳是用户设备首先将计算任务发送到自身所在的车辆，提高了任务传输效率；第二跳车辆将计算任务发送到车辆边缘计算节点，实现任务的卸载；同时，由于车辆的高速移动会导致任务卸载的过程中车辆与边缘计算服务器的连接频繁中断，本文采用部分卸载的方式，当车辆的行驶速度过快时，任务的卸载比例降低，以避免卸载失败；车辆需要在行驶出卸载任务的rsu覆盖范围时成功接收任务处理结果，通过保证车辆的行驶时间小于任务的传输时间与车辆边缘计算服务器的计算时间之和，用户设备即可成功接收到任务回传结果；在任务的传输过程中，每个用户设备任务进行卸载时，需要选择对应的子载波进行传输，提高频谱利用率。最终，车内用户设备通过联合考虑车辆的移动性，任务传输的时间约束，任务的发射功率约束求得用户设备的最优发送功率，任务的卸载比例以及用户所选择的子载波实现用户设备任务
卸载能耗最小化。
附图说明
[0017]
图1是本发明提供优选实施例的任务传输场景图；
[0018]
图2为本发明的流程图。
具体实施方式
[0019]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0020]
本发明解决上述技术问题的技术方案是：
[0021]
一种车内用户设备频谱资源以及计算资源分配方法，其包括以下步骤：
[0022]
s1：用户设备通过车辆中继将需要处理的总的任务计算量{d
k,m
,c
k,m
,τ
k,m
}发送给车辆边缘计算服务器；
[0023]
s2：车辆边缘计算服务器接收到来自用户设备的任务请求；
[0024]
s3：车辆边缘计算服务器将接收到的用户设备的任务数据量，任务计算量和时延约束代入优化模型求解得到
[0025]
s4：车辆边缘计算服务器将求解得到的3个参数通过车辆中继发送给用户设备；
[0026]
s5：车内用户设备接收到来自车辆边缘计算服务器任务执行结果
[0027]
s6：用户设备以发送功率子载波n，通过车辆中继向车辆边缘计算服务器卸载λ
k,m
d
k,m
的数据量，剩余(1
‑
λ
k,m
)d
k,m
在本地进行处理；
[0028]
如本发明流程2所示，用户设备通过车辆中继将需要处理的总的任务计算量{d
k,m
,c
k,m
,τ
k,m
}发送给车辆边缘计算服务器。
[0029]
车辆边缘计算服务器接收到来自用户设备的任务请求。
[0030]
车辆边缘计算服务器将接收到的用户设备的任务数据量，任务计算量和时延约束代入优化模型求解得到具体为：
[0031][0032]
由上面的参数及公式经过求解可得发送功率
[0033]
车辆边缘计算服务器将求解得到的3个参数通过车辆中继发送给用户设备。
[0034]
车内用户设备接收到来自车辆边缘计算服务器任务执行结果
[0035]
用户设备以发送功率子载波n，通过车辆中继向车辆边缘计算服务器卸载λ
k,m
d
k,m
的数据量，剩余(1
‑
λ
k,m
)d
k,m
在本地进行处理。
[0036]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0037]
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。