一种基于计算可靠性的V2V通信中的卸载决策和功率分配方法

一种基于计算可靠性的v2v通信中的卸载决策和功率分配方法
技术领域
1.本发明涉及卸载决策和功率分配方法，特别是涉及一种基于计算可靠性的v2v通信中的卸载决策和功率分配方法。


背景技术：

2.v2v是
‘
车对车通信(vehicle to vehicle)’的简称。v2v是一种网络状态，网络中的节点(汽车、智能交通灯等)可以发射、捕获并转发信号。
3.目前，各种先进车载传感器的使用规模不断扩大，对车辆信息服务的需求也越来越大。同时，随着车载软件和算法的日益成熟，需要车载终端高效地处理复杂的程序(如轨迹跟踪、导航定位、环境识别等实时应用算法)。
4.然而，这种配备车辆的终端受到电池容量、存储资源和计算能力的限制。此外，它们还受到硬件资源有限的空间、体积和重量的限制。在可预见的未来，一个独立的车辆终端的计算资源将不足以完全处理来自各种密集车辆应用的爆炸式增长的数据。车联网的概念正在兴起，它整合不同车辆的可用计算资源，构建一个强大的分布式移动计算系统，最大限度地利用周围车辆或路边基础设施的潜在计算资源。
5.因此，如何实现可靠、高效的计算卸载是一个巨大的挑战。同时在动态传输环境下，如何进一步保证通信与计算的耦合可靠性就更加具有挑战性。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种基于计算可靠性的v2v通信中的卸载决策和功率分配方法，用以解决背景技术中的提及的技术问题，用以实现在在动态信道环境下能够有效提高计算可靠性。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种基于计算可靠性的v2v通信中的卸载决策和功率分配方法，所述方法包括如下步骤：
9.步骤s1、构建任务卸载完成模型，在该模型中，首先，将车载用户的总任务分成多个子任务，在将所述的多个子任务发送至雾节点中进行处理，并且所有的子任务都重复发送多次，当雾节点无法处理时，雾节点将子任务发送至云节点中进行处理，然后确定某个子任务完成时总的时延以及完成概率，最后确定车载用户总任务完成的可靠性，再根据该可靠性构建在功率约束下的可靠性最大化问题，其中，该可靠性最大化问题的表达式为：
[0010][0011]
[0012][0013]
公式中，a＝[α1,
…
αn]
t
，αn＝[α
1,n
,
…
,α
k,n
]
t
为0-1变量向量，如果第n个子任务卸载到第k个雾节点，α
k,n
为1；否则为0，表示额定的最大发射功率，表示分配给第n个子任务的发射功率，k表示雾节点的总数，η表示子任务重复发送的次数，n表示子任务的总数；
[0014]
步骤s2、初始化所有的子任务直接卸载到云节点中进行处理，然后构建集合{match(k)}去记录第k个雾节点所关联的所有子任务；
[0015]
步骤s3、每个子任务创建自己关于雾节点的偏好表{p(n)}，具体包括：
[0016]
步骤s301、计算其中，表示概率，t为给定的时延阈值，t
k,n
表示为第n个子任务卸载到第k个雾节点时，任务完成时总的时延；
[0017]
步骤s302、对于每个子任务，按照的值递减的顺序将雾节点的索引填入偏好表中；
[0018]
步骤s4、将子任务及其偏好表复制η次，即子任务的数目为nη，其索引为1,
…
,nη；
[0019]
步骤s5、所有子任务根据自己的偏好表发送匹配请求给它优先级最高的雾节点；
[0020]
步骤s6、每个雾节点计算所有{match(k)}并上发送给它请求的用户且子集的元素不大于i的所有子集，其中，i表示为每个雾节最多同时能够处理的子任务数量，能最大化可靠性的子集被采纳；
[0021]
接着更新{match(k)}为该子集，被接受的子任务将自己的偏好表清零，被拒绝的子任务在偏好表上将该雾节点删去；
[0022]
步骤s7、重复执行s6，直到所有的子任务都与雾节点关联。
[0023]
进一步的，所述步骤s1具体包括：
[0024]
步骤s101、考虑一个车载用户以及为其服务的一个云节点和k个雾节点的场景，其中，所述的k个雾节点相对所述云节点更靠近车载用户；
[0025]
步骤s102、将车载用户的计算任务分为n个子任务，并且发送所有的子任务至所述k个雾节点中，其中，所有的子任务都重复发送η次，只要其中的一次任务成功执行，则该子任务定义为成功，第k个雾节点计算子任务n所需的计算时间的表达式为：
[0026][0027]
公式中，是第k个雾节点的计算频率，fn＝βdn，dn表示为第n个子任务的数据量大小，β为每比特计算任务所需要的的计算周期；
[0028]
步骤s103、所述的k个雾节点获取子任务，其中，当第k个雾节点收到子任务时，首先判断该第k个雾节点的计算资源是否能支持完成这些子任务，若能，则完成子任务，若不
能，则该第k个雾节点将转发其所收到所有子任务至所述云节点中，云节点来完成子任务，则所述云节点的计算时延表达式为：
[0029][0030]
公式中，表示为云节点的计算频率，m代表在云节点中执行的子任务数；
[0031]
步骤s104、确定车载用户传输第n个子任务到第k个雾节点的时延以及该第n个子任务从车载用户通过第k个雾节点传输到云节点的时延表达式为：
[0032][0033][0034]
公式中，h
k,1
表示为车载用户到第k个雾节点的复信道增益，表示分配给第n个子任务的发射功率，bk表示每个雾节点的传输带宽，n0表示高斯白噪声的单边功率谱密度(w/hz)。d
k,1
表示车载用户到第k个雾节点的距离，d
k,2
表示第k个雾节点到云节点的距离，γ
k,n
是从车载用户到云节点的等效信噪比，α表示路径损耗因子。
[0035]
步骤s105、确定当第n个子任务卸载到第k个雾节点时，任务完成时总的时延t
k,n
，表达式为：
[0036][0037]
则第n个子任务成功完成的概率表示为：
[0038][0039]
公式中，αn＝[α
1,n
,
…
,α
k,n
]
t
为0-1变量向量，i是αn中所有等于1的元素的索引，t为给定的时延阈值，表示概率，表示分配给第n个子任务的发射功率。
[0040]
步骤s106、定义整个任务的可靠性，表达式为：
[0041]
[0042]
公式中，a＝[α1,
…
αn]
t
，
[0043]
步骤s107、根据步骤s106中定义的任务可靠性，构建在功率约束下的可靠性最大化问题，表达式为：
[0044][0045][0046][0047]
公式中，如果第n个子任务卸载到第k个雾节点，α
k,n
为1；否则为0，表示额定的最大发射功率。
[0048]
本发明的有益效果是：
[0049]
本发明将每个任务分为若干个子任务卸载到多个雾节点，且每个子任务重复发送多次以提高计算可靠性，同时考虑雾节点计算资源能力不足，每个雾节点以一定概率将子任务转发给云节点去执行，最大限度地提高了v2v通信的可靠性，相比于直接卸载到云节点的基线方案有着显著的性能提升。
附图说明
[0050]
图1为实施例1中提出的车载计算卸载系统的示意图；
[0051]
图2为实施例1中提出方法与直接卸载到云节点的方法在可靠性与重复发送次数的关系方面的对比示意图；
[0052]
图3为实施例1中提出方法与直接卸载到云节点的方法在系统可靠性与重复发送次数的关系方面的对比示意图。
具体实施方式
[0053]
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
实施例1
[0055]
参见图1-图3，本实施例提出一种基于计算可靠性的v2v通信中的卸载决策和功率分配方法，具体包括：该方法基于车载计算卸载系统，该系统包括一个云计算中心节点和k个雾车载节点为一个车载用户提供计算服务，其中，雾节点相比于云节点更靠近有计算需求的用户。为了增强计算可靠性，把该用户的大小为d的计算任务分为n个子任务，所有的子任务都将被卸载到k个雾节点。
[0056]
用表示雾节点的集合，用表示子任务的集合。第n个子任务的数据量大小记为dn，则该子任务所需要的的计算周期为fn＝βdn，其中，β
为每比特计算任务所需要的的计算周期。
[0057]
所有的子任务都重复发送η次，只要其中的一次任务成功执行，则该子任务可以被认为成功执行。在第k个雾节点计算子任务n所需的计算时间为：
[0058][0059]
其中是第k个雾节点的计算频率。假设每个雾节点最多可以同时处理个子任务。
[0060]
当第k个雾节点收到子任务时，该雾节点的计算资源可能不能支持完成这些子任务，这时它会帮助转发所有它收到的子任务到云节点。
[0061]
假设每个雾节点以概率p在本节点执行任务，则每个雾节点将子任务转发到云节点的概率为1-p。当云节点收到子任务后，它会以计算频率来执行这些子任务。
[0062]
假设云节点采用并行计算模式，则云计算节点的计算时延可以表示为：
[0063][0064]
其中，m代表在云节点中执行的子任务数。
[0065]hk,1
和h
k,2
分别表示用户到第k个雾节点，第k个雾节点到云节点的复信道增益。复信道增益包含两部分：与距离有关的路径损失和快瑞利衰落，即：
[0066][0067]
其中，d
k,1
和d
k,2
分别表示用户到第k个雾节点，第k个雾节点到云节点的距离；g
k,j
是实部和虚部满足均值为0方差为σ2的复高斯分布随机变量，则|g
k,j
|2是一个参数为的指数分布随机变量。
[0068]
因此，用户传输第n个子任务到第k个雾节点的时延可以表示为
[0069][0070]
第n个子任务从用户通过第k个雾节点传输到云节点的时延可以表示为
[0071][0072]
其中，γ
k,n
是从用户到云节点的等效信噪比，其概率分布函数为
[0073][0074]
其中，k1(
·
)是第二类一阶修正贝塞尔函数，
[0075]
因此，当子任务n卸载到第k个雾节点时，任务完成时总的时延可以表示为
[0076][0077]
则第n个子任务成功完成的概率可以表示为
[0078][0079]
其中，αn＝[α
1,n
,
…
,α
k,n
]
t
为0-1变量向量，i是αn中所有等于1的元素的索引，t为给定的时延阈值。
[0080]
则整个任务的可靠性可以被定义为：
[0081][0082]
其中，a＝[α1,
…
αn]
t
，
[0083]
考虑在功率约束下的可靠性最大化问题可以表述为
[0084][0085][0086][0087]
显然，该最大化问题是非凸的组合优化问题。
[0088]
为了解决此问题，采用本实施例的卸载决策方法进行分配，具体包括以下步骤：
[0089]
s1、初始化所有的子任务直接卸载到云节点处理。构建集合{match(k)}去记录第k个雾节点所关联的所有子任务。
[0090]
s2、每个子任务创建自己关于雾节点的偏好表{p(n)}。方法如下：1)计算2)对于每个子任务，按照的值递减的顺序将雾节点的索引填入偏好表中。
[0091]
s3、将子任务及其偏好表复制η次，即子任务的数目为nη，其索引为1,
…
,nη。
[0092]
s4、所有子任务根据自己的偏好表发送匹配请求给它优先级最高的雾节点。
[0093]
s5、每个雾节点计算所有{match(k)}并上发送给它请求的用户且子集的元素不大
于i的所有子集，其中能最大化可靠性的子集被采纳。接着更新{match(k)}为该子集，被接受的子任务将自己的偏好表清零，被拒绝的子任务在偏好表上将该雾节点删去。
[0094]
s6、重复执行上一步骤，直到所有的子任务都与雾节点关联。
[0095]
本发明未详述之处，均为本领域技术人员的公知技术。
[0096]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。