边云协同计算环境下的城市交通网络数据传输分配方法

1.本发明涉及城市交通网络数据传输分配方法，具体涉及边云协同计算环境下的城市交通网络数据传输分配方法，


背景技术：

2.智能网联是城市智能体实现的特色智慧场景，是推动城市治理体系和治理能力现代化的必由之路，也是未来城市发展的重要竞争力。城市智能网联体系建设的背后是“井喷式”增长的数据量，仅仅依靠移动云计算(mobile cloud calculation，mcc)已经不能很好地提供实时响应。为此，应用网络边缘设备来处理分析数据的移动边缘计算(mobile edge calculation，mec)模式应运而生。应用边缘计算，可以有效缩短响应延迟、减小网络负载、降低存储成本。将云存储与边缘计算协同起来，使两者之间优势互补，发挥云端存储的安全性、可靠性以及边缘计算价格低、算力大、易扩展等优势，已经成为未来城市智能网联的发展趋势。但边缘设备往往有着轻量化的特点，因此，如何更加合理高效地利用边缘设备的计算资源是一个重要的挑战。
3.一种应用于物联网边云协同计算环境中的资源管理系统(申请号202111110654.6)，建立了包括边缘计算模块、云计算模块、任务分配模块的资源管理系统，并通过智能化控制各终端与云端的计算任务分配来维持高效稳定的系统运行状态。一种基于分支神经网络的边缘计算节点的分配与退出方法(申请号202110920295.4)，通过神经网络模型训练、分支神经网络模型在边缘计算节点的部署以及模型退出点的选择这三个步骤，有效增强了边缘计算下神经网络模型的安全性，提高了模型的计算效率。这两项现有发明虽然都涉及了边缘计算，但前者通过评估计算任务的负重来均衡物联网中各边缘终端的任务分配，后者主要从边缘计算的安全性出发，选择了多个节点来部署神经网络模型，均并未考虑网络中富余算力的充分利用。


技术实现要素：

4.本发明所要解决的技术问题是：提供边云协同计算环境下的城市交通网络数据传输分配方法，协同云存储和边缘计算技术，建立了基于任务完成时间最小化原则的数据传输分配模型，并提出了求解该模型的计算方法。从而更高效地实现多种城市交通网络实时计算场景，为城市智能网联体系的建设提供强有力的依托。
5.本发明为解决上述技术问题采用以下技术方案：
6.边云协同计算环境下的城市交通网络数据传输分配方法，包括如下步骤：
7.步骤1，边云协同计算环境下，城市交通网络中的用户移动终端向云端发起任务请求，云端根据用户移动终端发起的任务请求生成原始数据包，同时请求将原始数据包传输到算力富余的用户移动终端；
8.步骤2，当某个算力富余的用户移动终端接收到若干个原始数据包，则计算其整个数据传输以及处理过程所用的时间tk如下：
[0009][0010]
其中，表示用户移动终端k从云端下载原始数据包的延迟，表示用户移动终端k向云端上传结果数据包的延迟；和分别表示用户移动终端k下载原始数据包和上传结果数据包的速度；i和o分别表示用户移动终端k下载原始数据包和上传结果数据包的大小；fk表示用户移动终端k进行边缘计算的原始数据包数量即用户移动终端k接收到的原始数据包数量；表示用户移动终端k完成一个原始数据包对应的计算任务所需的时间；
[0011]
步骤3，基于任务完成时间最小化原则，建立边云协同计算环境下的城市交通网络数据传输分配模型，具体如下：
[0012][0013]
s.t.∑
kfk
＝m
[0014][0015]
其中，ω为积分变量，m为同一时间向云端发起任务请求的用户移动终端数量，表示自然数集；
[0016]
步骤4，求解步骤3建立的数据传输分配模型，得到各用户移动终端被分配的原始数据包数量，云端根据求解结果将原始数据包分配至相应的用户移动终端。
[0017]
作为本发明的一种优选方案，所述步骤1中，城市交通网络中共有m个用户移动终端在同一时间发起任务请求，所述任务请求为路径规划任务请求，网络云端将每个任务请求所需的出行时间数据打包形成原始数据包，共形成m个原始数据包，每个原始数据包都等待传输给某个算力富余的用户移动终端。
[0018]
作为本发明的一种优选方案，所述步骤2中，计算整个数据传输以及处理过程所用的时间时，设定每个用户移动终端发起的任务请求类型相同，每个任务请求对应生成的原始数据包大小相同，每个原始数据包对应的结果数据包大小相同。
[0019]
作为本发明的一种优选方案，所述步骤4的具体过程如下：
[0020]
step1：设定x＝0，f＝1，n＝1；
[0021]
step2：k∈{1,2,
…
,m}，计算每个k对应的从中找到最短时间并将其替换为即
[0022]
step3：令fa：＝fa 1；n：＝n 1；
[0023]
step4：若n《m，则返回step 2；否则，结束计算；
[0024]
其中，其中，为0-1变量，表示第n个原始数据包被分配给用户移动终端k进行处理，否则被分配给用户移动终端k进行处理，否则被分配给用户移动终端k进行处理，否则被分配给用户移动终端k进行处理，否则表示第n次迭代各用户移动终端传输并处理第n个原始数据包所需要的最短时间，a是该最短时间对应的用户移动终端的索引，a∈{1,2,
…
,m}；表示第n个原始数据包被分配给用户移动终端
a进行处理，fa表示用户移动终端a进行边缘计算的原始数据包数量即用户移动终端a接收到的原始数据包数量。
[0025]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0026]
本发明协同云存储和边缘计算技术，建立了基于任务完成时间最小化原则的数据传输分配模型，并提出了求解该模型的计算方法。可将该方法应用于多种城市交通网络的边云协同计算场景(例如城市交通分配、定制公交乘客匹配等)，帮助优化计算过程中的数据包分配模式，实现用户移动终端计算资源的有效配置，为城市智能网联体系的建设提供强有力的依托。
附图说明
[0027]
图1是本发明边云协同计算环境下的城市交通网络数据传输分配方法的流程图。
具体实施方式
[0028]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0029]
本发明提供一种边云协同计算环境下的城市交通网络数据传输分配方法，如图1所示，包括以下过程：
[0030]
1)城市交通网络中的用户移动终端向云端发起任务请求，云端根据任务请求生成原始数据包并请求传输到用户移动终端。
[0031]
在数据量大、数据安全性高的场景下，边云协同计算任务所需的主要数据存储在云端。城市交通网络边云协同计算系统的云端存储着整个城市的出行时间表。该出行时间表由道路网络拓扑结构中各个节点之间的当前出行时间信息组成，是实时交通分配、导航路径选择、共乘出行匹配等多个大规模城市交通网络实时计算任务的核心数据基础。假设城市道路网络的拓扑结构中有n个节点，各节点分别表示为n1,n2,
…
,nn。出行时间表的具体形式如表1。其中，t
ij
表示节点ni和nj之间的出行时间，i,j∈{1,2,
…
,n}且i≠j。
[0032]
表1 城市交通网络的出行时间表
[0033][0034]
为了充分利用用户移动终端的算力，将计算任务及所需数据分配给网络中的用户移动终端。当某个用户移动终端向云端发起请求时，云端将其所需要的出行时间数据打包，生成原始数据包，等待传输给网络边缘的某个合适的用户移动终端进行计算。
[0035]
2)计算用户移动终端的数据传输、处理时间。
[0036]
假设网络中有m个用户移动终端在同一时间发起请求，则边云协同计算系统中会形成m个等待传输的原始数据包。假设每个用户移动终端发起的请求类型相同，每个请求所需要下载的原始数据包大小相近，上传的结果数据包大小也相近。边缘计算过程主要分为三个部分：
①
将原始数据包从云端传输到移动终端；
②
用户移动终端完成计算；
③
再将结果数据包从移动终端传输到云端。对于第k个用户移动终端而言，整个数据传输、处理过程所用时间tk的计算如下：
[0037][0038]
其中，表示用户移动终端k从云端下载数据的延迟，表示用户移动终端k向云端传输数据的延迟；和表示用户移动终端i下载和上传数据包的速度；i和o分别表示用户移动终端k下载和上传数据包的大小；fk表示用户移动终端k进行边缘计算的原始数据包数量；表示用户移动终端k完成一个数据包对应的计算任务所需的时间，例如规划出发地到目的地之间的最快路径。
[0039]
3)基于任务完成时间最小化原则，建立边云协同计算环境下的城市交通网络数据传输分配模型。
[0040][0041]
s.t.∑
kfk
＝m
[0042][0043]
式中表示自然数集，ω为积分变量。该模型的目的是使得边云协同计算系统处理m个同时发出的用户移动终端的请求所需要的实际时间最小。
[0044]
4)应用计算方法求解数据传输分配模型。
[0045]
计算方法的具体流程如下：
[0046]
step 1：设定x＝0，f＝1。
[0047]
step 2：计算找到最短时间
[0048]
step 3：fa：＝fa 1；n：＝n 1。
[0049]
step 4：如果n《m，则返回step 2；否则，结束计算。
[0050]
其中，其中，为0-1变量。表示第n个原始数据包被分配给第k个用户移动终端进行处理，否则x是由构成的向量，表示城市交通网络边云协同计算系统中各用户移动终端针对各个数据包的处理情况。表示当前计算系统中各个用户移动终端所处理的数据包数量。表示当前计算系统中各移动终端传输并处理第n个原始数据包所需要的最短时间，即a是该最短时间对应的用户移动终端的索引，a∈{1,2,
…
,m}。的表示含义与相同，fa的表示含义与fk相同。
[0051]
实施例
[0052]
1)目标城市交通网络边云协同计算系统的云端存储着整个城市的出行时间表，该出行时间表依据道路网络拓扑结构中各个节点间的出行时间信息动态更新。当前正处在该城市的早高峰通勤时段。在某一时刻，共有m＝200个用户通过智能手机或车载导航等移动终端发起路径规划请求，网络云端将各个请求所需的出行时间数据分别打包，形成了m＝200个原始数据包，每个原始数据包都等待传输给某个算力富余的用户移动终端。
[0053]
2)假设第k个用户移动终端接收到了fk个原始数据包，则其整个数据传输、处理过程所用的时间tk为：
[0054][0055]
每个原始数据包的大小i＝5，结果数据包的大小o＝0.005。假设各用户移动终端完成一个数据包的最快路径规划任务的耗时均相等，即具体的路径规划任务可以应用ch(contractionhierarchies)、a-star、crp(customizable route planning)等主流的路径规划算法完成。
[0056]
假设用户移动终端k下载和上传数据包的速度相同，即设表示用户移动终端k下载、上传数据包的总延迟。200个用户移动终端的rk和lk的数值如表2：
[0057]
表2 部分实例数据
[0058]
[0059]
[0060]
[0061]
[0062]
[0063][0064]
3)基于任务完成时间最小化原则，建立该实时路径规划场景的数据传输分配模型。
[0065]
4)根据求解该数据传输分配模型的计算方法，应用pycharm软件编写程序，并在conda 4.9.2，python3.8.5的环境中运行。所得结果如下：
[0066]
目标函数值
[0067]
解f＝[1.0,2.0,2.0,2.0,1.0,1.0,2.0,3.0,2.0,3.0,1.0,2.0,2.0,1.0,2.0,2.0,1.0,1.0,2.0,3.0,2.0,2.0,3.0,3.0,1.0,2.0,2.0,2.0,2.0,2.0,2.0,2.0,2.0,2.0,2.0,2.0,3.0,3.0,2.0,3.0,2.0,2.0,2.0,2.0,2.0,2.0,1.0,2.0,2.0,1.0,2.0,3.0,2.0,3.0,2.0,2.0,1.0,1.0,3.0,3.0,3.0,2.0,2.0,2.0,1.0,2.0,2.0,3.0,2.0,2.0,2.0,1.0,3.0,3.0,3.0,3.0,1.0,1.0,2.0,1.0,1.0,1.0,3.0,2.0,3.0,2.0,2.0,3.0,1.0,2.0,2.0,2.0,1.0,2.0,2.0,2.0,1.0,2.0,3.0,2.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0,0.0]
t
。
[0068]
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是
按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。