基于Agent自组织的路网中服务部署动态调整的方法和系统

基于agent自组织的路网中服务部署动态调整的方法和系统
技术领域
1.本发明涉及智能交通技术领域，具体地，涉及一种基于agent自组织的路网中服务部署动态调整的方法和系统。


背景技术：

2.车路协同v2x是一种利用路侧单元与车载系统为基础进行信息收集，通过无线通信技术进行信息传输，以云控技术实现数据的存储与决策，最终实现人、车、路信息交互与共享的智能交通系统。在边缘计算模式下，车路协同需要将各种服务部署到路侧单元上，例如非现场执法中的超速检测、不礼让行人检测等服务。每种服务都需要消耗一定的资源(cpu，内存等)，并且具有特定的功能，在处理相应请求上，也有不同的时间延迟约束。目前在静态环境下(车辆数量一定，车速一定)，已经有各种算法可以实现服务的优化部署。
3.专利文献cn105847326a(申请号：cn201610144035.1)公开了一种车联云资源动态部署系统，包括资源整合模块、资源管理模块和资源维护模块，资源整合模块用于完成vc资源的发现、分类和封装，资源管理模块用于对资源池进行统一调度，实现信息共享和业务协同，资源整合模块和资源管理模块通过四级节点机制构建而成，四级节点机制由上级至下级依次为vc资源管理中心、路侧单元、代理节点和用户，通过四级节点机制提升系统的扩展性和健壮性，同时降低整个系统的复杂性和依赖性，避免了因单一节点的宕机对其它节点的影响。
4.在现实生活中，静态环境并不存在，车辆的数量与车速是一个动态改变的量，因此服务请求的数量也会随之改变，服务的部署显然需要进行一定的调整。因此，根据路侧单元上每种服务的请求信息，提供一种基于agent自组织的服务动态调整方法是本领域技术人员亟待解决的一大技术难题。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种基于agent自组织的路网中服务部署动态调整的方法和系统。
6.根据本发明提供的基于agent自组织的路网中服务部署动态调整的方法，根据预设决策顺序，对路网上每个路侧单元rsu上的每种服务，根据其自身信息与邻居信息，对其状态进行决策调整，决策调整依据包括：在目标服务当前状态的相反状态下进行请求的模拟执行，计算得出决策因子，根据决策因子值的大小进行调整状态，对于消亡决策，利用同类型已部署服务的数量、服务自身的超时率与正常处理率进行额外判断。
7.优选的，设目标服务处于未部署状态，将其一周期内接收的所有请求模拟处理一次，获得模拟后的超时请求数noresponse_new、正常处理请求数processed_new、平均请求处理时延averagedelay_new和目标服务的利用率useratio_new；
8.将模拟得到的数据与真实执行请求得到的数据进行计算，进而得到对自身的影响数值score_self，利用模拟获取对邻居的影响数值score_neighbor，最后利用score_self
与score_neighbor相加获得决策因子alpha；
9.score_self计算公式为：
[0010][0011]
其中，processed、noreponse、averagedelay、useratio表示目标服务在真实状态下处理请求所获取的正常处理请求数、超时请求数、平均请求处理时延以及服务利用率，total表示该周期内的目标服务所接收的总请求数。
[0012]
优选的，若目标服务原本处于未部署状态，则利用同样方式获得其所有邻居的决策因子，判断目标服务的决策因子数值是否大于其他所有邻居的决策因子数值，如果是则进行目标服务的克隆，如果不是则保持未部署状态；
[0013]
若目标服务原本处于已部署状态，首先判断当前路网上同类型服务数目是否大于1，如果不是则保持已部署状态，如果是则继续获取目标服务在一个周期内的超时率noresponse_r与正常处理率processed_r，表达式为：
[0014][0015][0016]
若noreponse_r≥0.5或者processed_r≤0.5则保持已部署状态，否则利用决策因子alpha进行判断，若alpha《1.0则进行目标服务的消亡，反之保持已部署状态。
[0017]
优选的，每隔t时间在决策调整后对服务的部署进行评估，计算方式为：
[0018][0019][0020][0021][0022]
其中，servicecount为服务的总数量；processedratio为平均服务正常响应率；noresponseratio为平均服务响应超时率；averagedelay为平均服务正常处理时延；averageuseratio为平均服务利用率；rsus表示路网上所有rsu的集合；service表示所有的服务类型集合；len表示获取对象的大小；process_queue与noresponse_queue分别表示正常处理队列与超时队列；total表示单个rsu上在t时间内的总请求数；count表示路网上部署了服务s的rsu数目；total_process_time表示单个rsu上服务s一个周期内处理请求所花
费的总时延；total_process_count表示单个rsu上服务s一个周期内处理请求的总数量；use_time表示单个rsu在一周期内真正用于计算处理的时延；checkinterval表示调整周期t。
[0023]
优选的，目标服务的决策因子alpha的计算公式如下：
[0024][0025]
其中，score_self为目标服务决策为已部署时对其自身的影响值；n表示rsu邻居中受到影响的rsu集合；r为rsu邻居中受到影响的rsu；score_neighbor为决策对邻居的影响值；当目标服务的决策因子值在其邻居中最大时，将其决策调整为相反状态，即进行克隆，否则保持未部署状态。
[0026]
根据本发明提供的基于agent自组织的路网中服务部署动态调整的系统，根据预设决策顺序，对路网上每个路侧单元rsu上的每种服务，根据其自身信息与邻居信息，对其状态进行决策调整，决策调整依据包括：在目标服务当前状态的相反状态下进行请求的模拟执行，计算得出决策因子，根据决策因子值的大小进行调整状态，对于消亡决策，利用同类型已部署服务的数量、服务自身的超时率与正常处理率进行额外判断。
[0027]
优选的，设目标服务处于未部署状态，将其一周期内接收的所有请求模拟处理一次，获得模拟后的超时请求数noresponse_new、正常处理请求数processed_new、平均请求处理时延averagedelay_new和目标服务的利用率useratio_new；
[0028]
将模拟得到的数据与真实执行请求得到的数据进行计算，进而得到对自身的影响数值score_self，利用模拟获取对邻居的影响数值score_neighbor，最后利用score_self与score_neighbor相加获得决策因子alpha；
[0029]
score_self计算公式为：
[0030][0031]
其中，processed、noreponse、averagedelay、useratio表示目标服务在真实状态下处理请求所获取的正常处理请求数、超时请求数、平均请求处理时延以及服务利用率，total表示该周期内的目标服务所接收的总请求数。
[0032]
优选的，若目标服务原本处于未部署状态，则利用同样方式获得其所有邻居的决策因子，判断目标服务的决策因子数值是否大于其他所有邻居的决策因子数值，如果是则进行目标服务的克隆，如果不是则保持未部署状态；
[0033]
若目标服务原本处于已部署状态，首先判断当前路网上同类型服务数目是否大于1，如果不是则保持已部署状态，如果是则继续获取目标服务在一个周期内的超时率noresponse_r与正常处理率processed_r，表达式为：
[0034][0035][0036]
若noreponse_r≥0.5或者processed_r≤0.5则保持已部署状态，否则利用决策因
子alpha进行判断，若alpha《1.0则进行目标服务的消亡，反之保持已部署状态。
[0037]
优选的，每隔t时间在决策调整后对服务的部署进行评估，计算方式为：
[0038][0039][0040][0041][0042]
其中，servicecount为服务的总数量；processedratio为平均服务正常响应率；noresponseratio为平均服务响应超时率；averagedelay为平均服务正常处理时延；averageuseratio为平均服务利用率；rsus表示路网上所有rsu的集合；service表示所有的服务类型集合；len表示获取对象的大小；process_queue与noresponse_queue分别表示正常处理队列与超时队列；total表示单个rsu上在t时间内的总请求数；count表示路网上部署了服务s的rsu数目；total_process_time表示单个rsu上服务s一个周期内处理请求所花费的总时延；total_process_count表示单个rsu上服务s一个周期内处理请求的总数量；use_time表示单个rsu在一周期内真正用于计算处理的时延；checkinterval表示调整周期t。
[0043]
优选的，目标服务的决策因子alpha的计算公式如下：
[0044][0045]
其中，score_self为目标服务决策为已部署时对其自身的影响值；n表示rsu邻居中受到影响的rsu集合；r为rsu邻居中受到影响的rsu；score_neighbor为决策对邻居的影响值；当目标服务的决策因子值在其邻居中最大时，将其决策调整为相反状态，即进行克隆，否则保持未部署状态。
[0046]
与现有技术相比，本发明具有如下的有益效果：
[0047]
本发明着眼于服务的自组织动态调整，旨在利用自身信息与邻居信息等局部信息，自动地调整服务的克隆与消亡，减少了人为的操作，实现了服务自组织动态优化部署。
附图说明
[0048]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0049]
图1为本发明中对服务进行克隆决策的示意图；
[0050]
图2为本发明中对服务进行消亡决策的示意图；
[0051]
图3为本发明中对路网中所有服务进行决策的示意图。
具体实施方式
[0052]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0053]
实施例：
[0054]
本发明提供了一种基于agent自组织的路网中服务部署动态调整的方法，包括：依照事先定好的决策顺序，对路网上每个rsu上的每种服务(例如非现场执法领域中超速检测服务、不礼让行人检测服务等)，根据其自身信息与邻居信息，对其状态自动进行决策调整，实现自适应路网上车流密度分布的服务优化部署。
[0055]
评价服务部署好坏的指标包括：
[0056]
名词含义servicecount服务的总数量processedratio平均服务正常响应率noresponseratio平均服务响应超时率averagedelay平均服务正常处理时延averageuseratio平均服务利用率
[0057]
每隔t时间在决策调整后对服务的部署进行评估。各自具体的计算方式如下(服务的数目servicecount直接统计路网上每个rsu上的所有服务是否部署即可)：
[0058][0059][0060][0061][0062]
其中，rsus表示路网上所有rsu的集合；service表示所有的服务类型集合；len表示获取对象的大小；process_queue与noresponse_queue分别表示正常处理队列与超时队列；total表示单个rsu上在t时间内的总请求数；count表示路网上部署了服务s的rsu数目；total_process_time表示单个rsu上服务s一个周期内处理请求所花费的总时延；total_process_count表示单个rsu上服务s一个周期内处理请求的总数量；use_time表示单个rsu在一周期内真正用于计算处理的时延；checkinterval表示调整周期t。
[0063]
该发明的实验场景为：车辆向邻近的rsu_a发送某种类型的服务请求，请求被rsu_a接收后，判断该服务自身是否部署，如果已部署，则将请求放入rsu_a上该服务的请求队列(rq)中等待处理；如果未部署，则将该请求向部署过该服务的rsu_b进行转发，处理后将结果返回给rsu_a。请求的处理结果包括两种：一种是超时，未能正常响应该请求，将这种结果的请求放入rau_a上该服务的超时队列(nq)中；另一种是正常响应，将处理结果返回给车辆，将这种结果的请求放入rsu_a上该服务的正常处理队列(pq)中。每隔t时间对路网中所有的服务进行决策调整，以适应车流密度分布实现优化部署。
[0064]
调整决策时，按照事先定好的决策顺序(以路网为图，rsu为节点，任意节点为起点，进行深度优先遍历，获得决策顺序)，对每一个rsu上的每种服务进行决策。
[0065]
决策rsu_a上的a服务时，存在两种情况：a服务在rsu_a上已部署和a服务在rsu_a上未部署。两种情况的决策方法有所不同，如果a服务未部署，则决策的结果为克隆或者保持未部署状态不变，否则决策的结果为消亡或者保持已部署状态不变。
[0066]
如果a服务为未部署状态，则决策调整的方法如图1所示。首先，获取a服务的决策因子值alpha，假设a服务处于其相反状态(已部署)，则会对其自身与rsu_a的部分邻居上的a服务产生影响。对其自身而言，原本rsu_a上a服务接收的请求均会转发到附近有该服务的rsu上处理，存在转发延迟，如果rsu_a上a服务处于已部署状态，则没有转发延迟，会降低超时率。因此，利用rsu_a上的a服务在t时间内接收到的请求信息，重新模拟一个t周期的请求处理，关键在于处理请求时不存在转发延迟，进而得到模拟后的超时请求数(noresponse_new)，正常处理请求数(processed_new)，a服务的平均请求处理时延(averagedelay_new)，a服务的利用率(useratio_new)。利用真实执行获取的数据与模拟获取的数据计算得到决策对其自身的影响因子值score_self，计算公式如下：
[0067][0068]
其中，processed、noreponse、averagedelay、useratio均表示a服务在真实状态下处理请求所获取的正常处理请求数、超时请求数、平均请求处理时延以及服务利用率，total表示该周期内的a服务所接收的总请求数。
[0069]
计算得到rsu_a上a服务决策为已部署时对其自身的影响值score_self后，考虑该决策对rsu_a的部分邻居上的a服务的影响，这些邻居有一个共同点，它们自身未部署a服务，并且它们的邻居中也都没有部署a服务，因此rsu_a如果部署了a服务，对这些邻居而言，接收到a服务类型的请求时转发距离会减小为它们到rsu_a的距离，转发时延变小，超时率等评估指标会相应改善。因此，对这些邻居进行模拟，将它们在这周期内接收到的所有请求重新模拟执行一周期，关键在于这些请求中，a服务类型的请求转发时延会减小。利用获取到的模拟数据与真实执行数据，计算得到决策对邻居的影响值score_neighbor。
[0070]
rsu_a上a服务的决策因子alpha的计算公式如下：
[0071][0072]
其中，n表示rsu_a邻居中受到影响的rsu集合。以同样的方式，计算得到rsu_a所有邻居a服务的决策因子值。当rsu_a上a服务的决策因子值在其邻居中最大时，将其决策调整
为相反状态(已部署)，即进行克隆，否则保持未部署状态。
[0073]
如果a服务为已部署状态，则决策调整的方法如图2所示。首先，判断整个路网上已部署的a服务的数目是否大于1，如果不大于1，说明rsu_a上的a服务为目前最后一个a类型服务，不允许消亡。其次，由于利用决策因子与阈值大小关系进行决策，会造成一定的误判(例如：a服务负载过重，即使将其消亡，效果也并不会变得太差，造成决策因子过小，进而将其错误消亡掉)，因此，需要利用额外的负载判断，通过a服务在一个周期内处理请求获取到的超时请求数(noresponse)、正常处理请求数(processed)以及总请求数(total)得到其超时率与正常处理率，公式如下：
[0074][0075][0076]
当noresponse_r》＝0.5或processed_r《＝0.5时，说明a服务在本周期内过于繁忙，不允许消亡。最后，利用a服务的决策因子alpha与阈值大小进行决策调整。如图3，假设a服务处于其相反状态(未部署)，则会对其自身及部分邻居产生影响。对其自身而言，原本的a服务类型的请求将会被转发到有该类型服务的rsu上进行处理，存在转发时延，通过模拟执行获得对其自身的影响值score_self；对邻居而言，存在部分邻居，这些邻居有个共同点，它们自身没有部署a服务，并且它们的邻居中，除rsu_a上有部署a服务以外，没有其他rsu有部署a服务，对这些邻居而言，如果rsu_a上的a服务消亡掉，它们接收到的a服务请求将会被转发到更远的rsu上，转发时延变大，利用模拟执行获得对这些邻居的影响值score_neighbor。通过score_self与score_neighbor获得rsu_a上a服务的决策因子alpha，当alpha《1.0时将该服务决策调整为相反状态(未部署)，即消亡，否则，保持现有已部署状态。
[0077]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
[0078]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。