一种面向移动医疗的车联网计算服务系统的制作方法

本发明涉及医疗车辆移动边缘计算的，尤其是指一种面向移动医疗的车联网计算服务系统，结合多目标优化建模及算法对医疗车辆移动计算的任务卸载策略进行优化，最终提供高质量高效的任务计算服务。

背景技术：

1、随着5g技术的蓬勃发展和广泛应用，各种移动终端接入互联网，网内数据量出现井喷式增长，随之而来的各种计算任务对计算资源的部署和使用造成极大的挑战。为了给人们提供更为便捷的医疗服务，医疗车辆也接入车联网，随时随地利用网内资源，查询相关数据，即时处理病人的医疗数据，包括病人影像学图像分析、病例查询、相关案例对比、病症分析、医疗文献相关信息提取等。由于医疗救助应用场景的特殊性，病人救治需要快速、准确，对计算任务有很高的时效和可靠性要求。同时，考虑到受众群体的普适性，计算成本不易过高。因此，医疗领域的车联网计算服务对系统的实时性、可用性和可靠性有更高的要求。

2、为解决车联网中的计算问题，通常利用边缘计算的服务架构，在道路一侧或两侧部署路边单元(rsu)，包括具有通信功能的微基站(mibs)和具有计算功能的边缘服务器(en)，另外，根据需要放置各类传感器，获取相应信息。通过卫星无线通信或移动蜂窝等无线通信技术，车辆与位于远处的云数据中心取得通信，得以访问云平台的海量数据库，使用云平台充足的计算资源，实现信息交互和共享。车联网中车辆间通信(v2v)技术建立了车辆与车辆之间的通信渠道，使得车辆间的信息交互更为便捷。针对计算型服务密集的应用场景，也可以在道路上部署移动的服务车辆，为用户车辆提供计算资源，处理用户车辆产生的计算任务。路边边缘服务器和服务车辆为车联网中的计算任务提供了便捷、高效、灵活的计算资源。

3、为用户车辆提供计算服务，不仅需要提供硬件上的计算资源，还需要将任务合理地卸载到计算资源上，才能完成任务处理过程。任务卸载策略的优劣关乎到用户的服务质量(qos)、计算服务提供商的利润、能源问题及碳排放等等。因此，优化任务卸载策略是车联网计算服务中至关重要的一环。在实际移动医疗服务场景中，通常会权衡各方重要性，选择最为关注的某个目标或某些目标，建立单目标或多目标优化问题模型，对任务卸载策略进行优化。常见的优化目标有：用户关注的任务完成时间、货币开销、服务可靠性、用户车辆能耗等；服务提供商关注的资源利用率、利润、维护成本等；第三方相关的系统总能耗、碳排放、网络链路内带宽、传输功耗等。除了需要优化的目标，优化问题还需要考虑系统中存在的约束条件，例如，车辆能源有限、用户预期的任务最大完成时间、最大预算、边缘节点资源有限、数据冲突，以及网络中其他限制。

4、随着优化技术的不断发展，优化问题逐渐复杂化，考虑有多方参与的多目标优化问题是当前的研究重点和工作转移中心。常见的优化方法有以下几种：基于数值计算求解的数学规划方法，以群智能算法和遗传算法为主的启发式算法，以及基于机器学习的优化方法。在求解复杂的优化问题时，数学规划方法表现出了效率上的局限性，特别是对于非凸问题、多目标问题和高维度问题，计算效率和效果都不尽如人意。启发式算法在全局范围内表现出良好的搜索效果，对于不规则区域、高维问题都具有普适性，其强大的搜索能力对于优化多个目标也游刃有余。但是这类算法对算法设计的要求较高，需要灵活地规避陷入局部最优，特别是对于优化多个目标，在多样性和收敛性上存在较大的挑战。在解决具体的多目标优化问题上，例如车联网的任务卸载优化问题，需要分析实际问题，对搜索策略进行优化。强化学习(rl)作为基于机器学习的一种新的学习方法，近期也被广泛地研究和使用。在任务卸载优化领域，强化学习多与深度神经网络(dnn)结合，即深度强化学习(drl)，常见的方法是深度q学习(dql)，其中，马尔科夫决策过程(mdp)、时序差分算法(td)、深度确定策略性梯度算法(ddpg)是drl的关键技术。强化学习的奖励机制和网络设计直接影响学习效果，对于多目标优化，目前主要还是利用权重系数转化为单目标问题，在多个目标的权衡和共同优化上仍存在一些挑战。另外，强化学习的计算效率也是其应用到工业领域的一大阻碍。

5、在针对医疗车辆移动计算进行任务卸载策略优化的领域，合理地对需要优化的多个目标进行分析和建模，形成符合客观规律和科学逻辑的多目标优化问题，设计高效的任务卸载策略优化算法，对提高车联网边缘计算性能和服务质量有重要意义，进而对医疗车辆救治病患、医疗数据分析处理等医疗计算服务的发展有极大的推动左右。因此，本发明着重结合医疗车联网的实时性、通用性需求和边缘计算服务的参与各方利益需求，提供一个边缘计算资源部署系统架构，为医疗车辆数据处理、数据分析等计算任务提供高效率、高质量、多样化的任务卸载策略和处理方案，为解决移动医疗服务中的计算问题提供一个高性能、高可用性的车联网计算服务系统。

技术实现思路

1、本发明的目的在于对医疗车辆的计算任务进行属性提取，设计一个边缘计算服务架构，综合考虑参与各方的利益需求，为计算任务提供优化的卸载策略和高效的计算服务，形成在数据和应用上易于多样化扩展、在环境和设施上支持异构性部署的面向移动医疗的车联网计算服务系统；一方面，解决优化任务卸载决策中的多个目标的技术性难题，设计多目标优化算法，同时优化任务完成时间、用户开销、边缘服务器负载均衡和系统总能耗这四个优化目标，为任务卸载提供多样化的高质量决策方案；另一方面，利用边缘计算分布式部署资源的灵活性，应对医疗车联网任务实时性要求，提供一个适用于大规模多样化移动任务处理的计算服务系统。系统采用多模块设计方式，通过关键中间服务的统一管理，结合系统架构中的分布式边缘计算和网络传输设施，为移动医疗车辆提供任务及时处理、信息有效交互、多方共同获益的计算服务平台。

2、为实现上述目的，本发明所提供的技术方案为：一种面向移动医疗的车联网计算服务系统，包括：

3、任务获取模块，用于医疗车辆产生计算任务，统计其任务的属性，得到待处理的任务数据及任务属性数据，任务属性数据格式具有规范性；

4、环境感知模块，用于统计计算服务系统中的可用资源，得到计算资源状态信息，获取网络环境状态信息，感知医疗车辆的位置、速度，得到车辆状态信息；

5、任务卸载决策模块，根据计算服务用户、提供商、公共资源管理这些参与各方的利益需求，建立多目标优化问题模型，利用任务卸载优化算法，得到基于任务属性数据及计算资源状态和车辆状态信息的任务卸载策略；

6、数据传输模块，基于计算资源位置和车辆位置信息，根据任务卸载策略，利用v2i通信技术，实现计算任务数据上传和下载；

7、计算处理模块，用于提供计算资源，处理到达的任务，提供计算资源的设施包括：车辆本身、部署在道路一侧的边缘服务器，以及在远处的云数据中心；

8、系统管理模块，为计算服务系统对外的功能模块，通过可视化操作，为服务、应用以及对应的数据和任务提供管理能力，包括用户接入、资源管理、参与各方的利益要求管理、信息展示和权限控制。

9、进一步，所述任务获取模块的具体情况如下：

10、医疗车辆产生各种各样的计算任务，包括图像分析、图像处理、数据查询、案例匹配、病例分析和病史追踪，这些任务的大小、计算量、时效性要求特征各不相同；本地车辆能够处理一些计算量小的简单任务，其它任务在当前车辆无法处理，则需要远程处理；提取需要处理的任务的属性，包括任务大小、计算量、所需内存、最大完成时间和任务所属车辆编号；对任务进行编号，并将数据存储到json格式的配置文件；其中，数据以数组为基本单位，每一个数组需具有上述任务属性字段及属性值，中间用逗号隔开；统计任务数量，并记录到json文件中。

11、进一步，所述数据传输模块的具体情况如下：

12、该模块的硬件基础是系统中的网络链路，需要远程处理的任务由车辆通过v2i技术传输到远程服务器，受到距离的影响，产生任务的车辆有时无法与任务卸载策略中对应的计算资源直接通信，则需要经过微基站或宏基站进行传输，而基站传输也有距离限制，有时需要经过多个基站；根据车辆位置信息和计算资源位置信息，结合网络环境状态，构建一条最为便捷高速的数据传输通道，实现数据传输。

13、进一步，所述任务卸载决策模块的具体情况如下：

14、任务卸载决策模块是计算服务系统的核心模块；首先，根据用户、服务提供商公共资源管理这些参与各方的利益需求建立多目标优化问题模型；然后，采用任务卸载的多目标优化算法得到近帕累托解集；最后，根据实际情况，选择最终的任务卸载策略，将该策略发送给数据传输模块，用于指导各个任务传输到目标服务器，完成卸载；

15、其中，多目标优化问题模型的构建是指：根据优化目标与任务参数、环境参数之间的数学关系和逻辑关系，建立表示优化目标函数值或优化目标优劣的函数表达式，以及任务卸载过程中存在的各种约束的函数表达式；考虑到医疗服务的特殊性，首先要对任务完成时间进行优化，保证任务完成的时效性；其次，对计算开销进行优化，降低救治成本，为普通患者提供大众都能负担得起的医疗服务；然后，基于医疗服务的商业性运营的考量，为了降低服务器维护成本，提高服务器的使用寿命，对边缘服务器的负载均衡进行优化；最后，鉴于计算服务系统的庞大体量，病患受众、医护车辆的高度参与及计算资源的大量使用和广泛部署，高性能计算对能源消耗量大，碳排放相关环境保护问题不可忽视，需要对系统总能耗进行优化；因此，优化目标包括：任务平均完成时间、系统总能耗、任务平均开销和边缘节点负载均衡；为了保证任务卸载方案的可用性，优化问题需做以下约束：各种计算节点上的cpu、内存、能量资源约束及任务最大完成时间约束、边缘节点资源利用率约束；

16、记计算服务系统中的任务集合为t＝{m1,m2,...,mm}，车辆集合为v＝{v1,v2,...,vnv}，边缘服务器即es集合为e＝{e1,e2,...,en}，其中m，nv，n分别表示任务数量、车辆数量和边缘服务器数量，m，v，和e分别表示任务、车辆和边缘服务器个体，下标表示编号；通讯设施有微基站即mibs和宏基站即mabs，mibs与es部署在一起，mabs与云数据中心部署在一起；上述优化问题建模具体情况如下：

17、a、任务平均完成时间

18、旨在最小化任务的平均完成时间，在不同服务器上执行的任务，其完成时间不同；i表示任务编号，任务mi的完成时间表示为：

19、

20、其中，分别代表任务mi从车辆传输到目标服务器的时间即上传时间、等待时间、执行时间、计算结果返回车辆的时间亦称为返回时间，delayi表示任务mi的完成时间；

21、对于在本地车辆执行的任务，其上传时间、等待时间和返回时间都为0，故而有

22、对于在边缘服务器执行的任务，其上传时间和返回时间都用任务数据量和相应网络中传输速率的比值计算；等待时间用排队论进行预测；

23、上传时间、执行时间和返回时间的具体计算方法如下：

24、

25、

26、

27、其中，si和ri分别表示任务mi需要上传的数据量和返回结果的数据量，rv2e、re2e和re2v分别表示车辆到mibs、mibs之间以及mibs到车辆的传输速率，传输速率由香农公式计算，α和β分别表示上传链路和下载链路需要经过的mibs的数量，ci表示任务mi的计算密度，fi表示分配给任务mi的计算资源；

28、对于在云数据中心执行的任务，其上传时间、返回时间根据其传输路径，有如下计算方法：

29、

30、

31、其中，re2c、rc2e分别为mibs到mabs、mabs到mibs传输路径下的传输速率；因此，任务平均完成时间表示为：

32、

33、其中，delay是所有任务的平均完成时间，i是任务编号；

34、b、平均计算开销

35、远程计算服务的开销分三种情况讨论：

36、若任务在本地执行，每个任务的开销都为0，即任务mi的开销为costi＝0，因为本地车辆计算不收费；

37、若任务在边缘服务器即边缘节点执行，每个任务的开销为执行时间乘以服务器单位时间的价格，即任务mi的开销为其中xi,j表示任务mi是否在边缘节点ej执行，若是，则值为1，否则值为0；pricej是边缘节点ej的价格，j是边缘节点编号；

38、若任务在云服务器执行，则任务mi的开销为其中pricec是云服务器单位时间的价格；

39、因此，任务平均计算开销cost表示为：

40、c、负载均衡

41、c1、计算各个边缘节点的负载：

42、边缘节点ej上卸载的任务所需的资源总和为：

43、

44、其中，表示边缘节点ej上占用的cpu资源，表示边缘节点ej上占用的内存资源，sici是任务mi所需cpu资源，memi是任务mi所需内存资源；

45、边缘节点ej的负载为：

46、

47、其中，caj和maj分别表示边缘节点ej的cpu资源和内存资源总和；和分别表示边缘节点ej的cpu负载和内存负载；

48、c2、计算边缘节点的平均负载：

49、

50、其中，表示cpu资源的平均负载，表示内存资源的平均负载；

51、c3、用方差表示计算节点的负载均衡：

52、

53、其中，lbcom和lbmem分别表示边缘节点cpu和内存负载的差异度量；

54、因此，负载均衡指标lb为：为了使负载更为均衡，需要最小化lb；

55、d、总能耗

56、根据功率与cpu频率的关系p～k*f3，其中p、k、f分别为功率、功耗系数和cpu频率，能耗与功率的关系e＝p*t，其中e、t分别为能耗、工作时间，得到如下任务mi的能耗energyi的计算公式：

57、若任务在本地执行，有：

58、若任务在边缘执行，有：其中计算能耗传输能耗

59、和分别为车辆到mibs、mibs之间、mibs到车辆传输路径下的传输功率，分别为上传能耗和返回能耗；

60、若任务在云数据中心执行，有：其中计算能耗传输能耗分别为mibs到mabs、mabs到mibs传输路径下的传输功率；

61、因此，系统总能耗energy为：

62、e、优化问题建模

63、优化问题总结为：

64、

65、s.t.

66、1).delayi≤ddli

67、2).

68、3).

69、4).

70、5).

71、6).

72、7).

73、8).xli,xi,j,xci∈{0,1}

74、其中，优化问题的四个最小化公式分别表示：最小化任务平均完成时间、最小化系统总能耗、最小化负载均衡、最小化任务平均计算开销；

75、约束条件的含义为：第1条表示每个任务的完成时间不超过任务最大完成时间，第2条表示车辆本地计算能耗不超过车辆能源，第3条表示车辆上执行任务所需的cpu资源不超过车辆cpu计算能力，第4条表示车辆处理任务所需内存不超过车辆内存，第5条表示每个边缘服务器处理任务的计算量不超过其自身拥有的cpu资源，第6条表示每个边缘服务器处理任务的内存量不超过其自身拥有的内存资源，第7条表示每个边缘服务器的计算负载要高于最低负载阈值，第8条是二元变量约束，xli、xi,j、xci分别表示任务mi是否在本地、边缘节点ej、云数据中心执行，若是则值为1，否则为0；ddli表示第i个任务的最大完成时间阈值，分别表示第nv个车辆的可用能源、可用cpu和可用内存，分别表示边缘节点ej的可用cpu、内存，lthr表示边缘节点的最低cpu负载阈值；

76、其中，多目标优化算法是指根据多目标优化问题设计启发式优化算法，利用群智能算法、遗传算法相关方法，采用多种策略相结合的方法，设计有效的任务卸载多目标优化算法maoitgo-to，解决上述多目标优化问题；

77、maoitgo-to基于肿瘤细胞生长模式，考虑任务卸载场景的特殊性，添加多种策略相结合，利用肿瘤细胞生长规律，对决策空间进行多种方式的搜索，采用帕累托最优策略，求解上述优化问题，得到近帕累托解集；maoitgo-to将肿瘤细胞分为四类：死亡细胞、休眠细胞、生长细胞和入侵细胞，为各种类型的细胞设计不同的搜索方式；其中，死亡细胞的作用是存储所有非支配解，休眠细胞进行细粒度搜索，生长细胞进行粗粒度搜索，入侵细胞进行跳跃式搜索；

78、记maoitgo-to中细胞坐标为center＝{center1,center2,...,centerm}，m是任务数量，即决策空间的维度，center1,center2,...,centerm表示细胞坐标的第1,2,…,m维的值，即第1,2,…,m个任务的执行节点；maoitgo-to编码将任务本地执行对应的执行节点编码为0，将任务在云数据中心执行编码为n+1，即边缘节点数量加一；若任务在边缘服务器执行，则编码对应边缘服务器编号，即为1～n；每一个细胞坐标对应到目标空间的一个点，即适应度值fitness，其结构为fitness＝{fitness1,fitness2,fitness3,fitness4}，分别代表优化目标任务平均完成时间、总能耗、负载均衡、平均开销的函数值。

79、进一步，所述maoitgo-to具体步骤描述如下：

80、步骤1：初始化细胞种群，种群规模设置为pop_size，即种群中的细胞数量为pop_size；初始化4种类型的细胞，即：根据任务执行所需内存大小，确定拥有相应计算能力的节点集合，半随机化产生任务全部在边缘执行、任务在边缘和云执行、任务在本地和边缘执行、任务在本地、边缘和云执行四种细胞群体；

81、步骤2：根据非支配排序算法，计算各细胞的等级，用rank表示，按照细胞等级依次划分休眠细胞、生长细胞、入侵细胞，三种细胞所占比例分别为numq、nump、numit，并将当前所有非支配解加入死亡细胞；

82、步骤3：休眠细胞进行细粒度搜索，一半休眠细胞受极值点引导前进，极值点是四个目标上的最小值所在点，前进速度和位置更新公式分别为：

83、vi(t′+1)＝w*vi(t′)+c*r*(yi-xi)

84、centeri(t′+1)＝centeri(t′)+vi(t′+1)

85、其中，yi是极值点的坐标，xi是细胞当前坐标；centeri(t′)是细胞第i维的原坐标，centeri(t′+1)是细胞第i维的新的坐标，t′表示当前时刻，t′+1表示下一时刻，vi(t′)是当前速度，vi(t′+1)是更新后的速度，细胞各维度按概率pq前进或保持不变；

86、另一半休眠细胞按优化目标引导前进，细胞各维度按概率pq改变或保持不变，具体如下：

87、a、最小化任务完成时间：任务迁移到云数据中心；

88、b、最小化总能耗：云数据中心上或功耗高的边缘服务器上的任务迁移到功耗低的边缘服务器；

89、c、最小化负载均衡：负载高于平均的边缘节点上的任务迁移到负载低于平均的边缘节点；

90、d、最小化计算开销：云数据中心上或价格高的边缘服务器上的任务迁移到价格低的边缘服务器或本地车辆；

91、步骤4：生长细胞受全局最优点的引导前进，全局最优点的选择有两种策略，一种是根据非支配解到参考点的距离对非支配解进行区域划分，计算非支配解的密度density，选择密度最小的非支配解作为全局最优点；另一种是用轮盘赌方法选择一个非支配解作为全局最优点；

92、生长细胞的速度和位置更新公式为：

93、vi(t′+1)＝w*vi(t′)+c1*r1*(y1i-xi)+c2*r2*(y2i-xi)

94、centeri(t′+1)＝centeri(t′)+vi(t′+1)

95、其中，y1i和y2i分别代表两个全局最优点的坐标，w、c1、c2是参数，r1、r2是0～1之间的随机数；

96、步骤5：入侵细胞执行交叉操作，采用两种交叉策略，一种是入侵细胞与两个全局最优点进行部分维度值的交换，即：centeri＝y1i或centeri＝y2i；另一种是从两个全局最优点中随机选取一个作为最优点，入侵细胞与最优点进行模拟二进制交叉，即：

97、centeri1＝0.5×[(1+γ)*centeri+(1-γ)*zi]

98、centeri2＝0.5×[(1-γ)*centeri+(1+γ)*zi]

99、其中，centeri表示需要执行交叉操作的入侵细胞的第i维度坐标，zi表示最优点的第i维度坐标，和分别表示下一时刻当前执行交叉操作的入侵细胞和全局最优点在第i维度的坐标值；γ是由分布因子η按下列公式随机决定的，η是一个自定义参数：

100、

101、其中，rand是0～1之间的随机数；

102、步骤6：对新产生的细胞进行非支配排序，非支配解加入死亡细胞，更新死亡细胞，去掉支配解；

103、步骤7：判断是否满足迭代终止条件，即是否达到最大迭代次数max_fes；若满足迭代终止条件，则输出所有死亡细胞的坐标及适应度值，结束算法；否则对细胞种群进行非支配排序，根据细胞等级rank值按比例numq、nump、numit重新划分休眠细胞、生长细胞和入侵细胞，回到步骤3。

104、进一步，所述计算处理模块的具体情况如下：

105、以物理计算资源为基础，执行系统中的计算任务；硬件构成包括：车辆本身的计算资源、部署在路边的边缘服务器以及云数据中心的服务器；任务按照任务卸载策略传输至计算节点进行计算处理；车辆本身、分布于道路旁的边缘服务器和位于远处的云数据中心都能进行计算处理；计算节点接收到任务后产生任务队列，按先到先服务的策略处理队列中的任务；每个服务器的计算能力异构，服务器以虚拟机为单元进行计算；因此，计算处理模块提供不同等级的计算服务，包括多样化的计算效率、租赁价格、功耗，提高了系统的多样性，以应对用户任务多样化的情况。

106、进一步，所述环境感知模块的具体情况如下：

107、该模块的硬件基础是位于道路一侧的路边单元即rsu，其包含微基站即mibs和边缘服务器即es，其中，微基站除了进行数据传输，还用于感知网络状态，及时上报网络故障或堵塞信息；边缘服务器除了进行任务处理，还用于感知计算资源信息，及时上报资源故障信息；另外，路边单元还有一个传感器，用于感知信号范围内车辆的位置和速度，发送到任务卸载决策模块，作为多目标优化问题的部分参数；当网络或计算资源有变动时，变动信息发送到任务卸载决策模块，相应地修改多目标优化问题模型内的参数；车辆位置和速度和网络状态统计为环境参数，计算资源状态统计为资源信息。

108、进一步，所述系统管理模块的具体情况如下：

109、将各底层模块封装成api，使系统通过可视化操作，实现不同身份的用户端接入，进行数据和资源的管理；包括车辆端的用户接入、计算服务提供商的接入以及系统维护者的接入；车辆端的用户实现查看和修改服务需求，包括任务最大完成时间、预期开销和预期任务完成时间，查看提供商的历史服务质量评估，即服务可靠性；计算服务提供商能够查看和修改资源配置，包括资源使用限制，即资源利用率下限和服务器负载下限、各种服务器的租赁价格，增加或移除设备，查看当前资源使用情况，从而进行调整和维护；系统维护者能够查看优化问题模型和算法运行情况，方便其发现问题并及时处理；拥有权限的医护人员、病患都能查看系统的使用情况，包括系统覆盖范围、接入车辆数量、服务器价格、服务质量评价这些能公开信息，方便病患了解该系统，建立疾病救治信心，价格透明化也为病患的权益提供保障。

110、本发明与现有技术相比，具有如下优点与有益效果：

111、1、本发明从硬件设施到软件部署为医疗车辆移动计算提供了一套完整的服务体系，为有较高实时性要求的计算任务提供了灵活丰富的边缘计算资源和解决方案，减少数据传输成本，降低计算开销，保证了病患救治的时效性和医疗费用的普适性。

112、2、本发明采用的边缘计算架构降低了计算服务提供商的成本，其中允许边缘服务器异构化部署的特性，使得硬件设施的部署更为灵活方便，分布在网络边缘的服务器对性能要求不高，能够降低部署和更新的成本；分布式的计算架构也能够缓解网络传输的压力，降低网络组件和带宽的要求，从而降低了提供商的运营和维护成本，符合其商业化运营模式。

113、3、本发明作为一个服务系统，在服务质量和效率上突破了传统的只考虑单一目标的局限，能够综合考虑病患、医护人员等用户、提供商和环境保护的多方需求，全面优化四个优化目标，包括：用户关注的任务完成时间和计算开销，与提供商利益相关的边缘服务器负载均衡，以及响应保护环境号召的系统总能耗。

114、4、本发明任务卸载决策模块包含的基于启发式的超多目标优化算法，解决了传统算法对于优化三个以上目标的局限性，对四个优化目标都有显著的优化效果，结果保留近帕累托解集，为计算服务提供多样化可选择的任务卸载方案，极大满足了参与各方的利益需求。