一种多用户任务卸载方法及系统

1.本发明涉及车联网通信领域，具体涉及一种多用户任务卸载方法及系统。


背景技术：

2.随着信息通信技术在移动通信领域的不断发展，极大地为人们地生活带来便利。车联网作为物联网中最具发展前景地应用，已引起社会各界广泛关注。物联网也被认为是继计算机、互联网之后信息产业领域发展地第三次革命发展浪潮。未来车联网信息服务将具备实时性、大规模、海量数据接入、异构网络融合等特点。在高速移动的车联网通信环境下，海量数据的处理和传输成为当下研究工作者面临的主要挑战。受车辆终端自身计算资源和能量的限制，传统的技术手段已无法有效保证车联网信息传输时的超高可靠、低时延的特性，满足其应用服务需求。
3.面对复杂交通网络环境中的海量数据，云计算(cloud computing,cc)技术的出现可以有效解决车辆终端计算资源匮乏的问题。然而，将数据上传至云端进行集中式处理的方式增加了车联网信息传输时延。时延是车联网中至关重要的衡量指标之一。为解决这一问题，考虑将cc服务器拉近到车联网网络边缘靠近车辆终端位置处，作为边缘计算服务器(edge computing server,ecs)，称之为移动边缘计算(mobile edge computing,mec)技术。mec技术可应用于车联网中解决车辆终端计算资源匮乏、任务时延要求高等问题。然而在此过程中，网络中车辆终端需要依据所设计的任务卸载策略将其自身任务卸载至ecs完成计算处理，以降低数据链路传输时延和处理时延，而现有的任务卸载策略均存在计算复杂和任务开销过大问题，导致卸载策略不能有效改善通信网络性能。


技术实现要素：

4.本发明的目的是提供一种多用户任务卸载方法及系统，降低卸载任务开销，增强车联网计算能力，降低数据传输时延。
5.为了解决上述技术问题，本发明提供了一种多用户任务卸载方法，包括以下步骤：
6.s1：车辆终端向其所属ecs发送任务卸载请求；
7.s2：所述ecs根据建立的任务卸载开销模型，求解任务开销最小时的多用户任务卸载策略作为最优多用户卸载策略，其中，所述任务卸载开销模型满足所需任务时延和任务能耗；
8.s3：所述ecs将最优多用户卸载策略发送至车辆终端，所述车辆终端按照所述最优多用户卸载策略卸载相应任务。
9.作为本发明的进一步改进，在步骤s1之前构建车辆网系统，所述车辆网系统包括m个ecs和n个车辆终端，车辆终端依据自身计算能力判别任务处理时，执行本地计算或ecs计算。
10.作为本发明的进一步改进，所述步骤s2中建立的任务卸载开销模型：
[0011][0012]
其中，表示车辆终端i任务执行本地计算时开销，表示车辆终端i任务在ecs计算时开销，ai表示第i个车辆终端的任务卸载策略，ai＝0表示车辆终端计算任务本地执行。
[0013]
作为本发明的进一步改进，所述任务卸载开销模型中，根据任务在本地执行时的时间花费和能耗，评价车辆终端i任务执行本地计算时开销，表示为：
[0014][0015]
车辆终端i任务在ecs计算时开销表示为：
[0016][0017]
其中，和分别表示时延调控因子和能耗调控因子，表示车辆终端i任务执行本地计算时所需时间，表示车辆终端i任务执行本地计算时所需能耗；表示车辆终端i任务在ecs计算时所需时间，表示车辆终端i任务在ecs计算时所需能耗。
[0018]
作为本发明的进一步改进，对于车辆终端i任务执行本地计算时所需时间为：
[0019][0020]
其中，表示第i个车辆终端的计算性能，ni表示完成任务所需cpu周期数；
[0021]
车辆终端i任务执行本地计算时所需能耗为：
[0022][0023]
其中，δi为本地计算能量消耗因子，为本地硬件电路工作时能量消耗。
[0024]
作为本发明的进一步改进，对于车辆终端i任务在ecs计算时所需时间为：
[0025][0026]
其中，为ecs执行任务计算时间，为任务传输至ecs时间；
[0027][0028][0029]
表示第j个ecs的计算性能；ri(a)表示车辆终端i与ecs的上行链路之间执行任务a时数据传输速率，mi表示数据量大小；
[0030]
车辆终端i任务在ecs计算时所需能耗为：
[0031][0032]
其中，βi表示车辆终端i任务ecs计算能量消耗因子，表明车辆终端维持正常通
信链路传输所需的能量消耗，存在关系满足为维持链路正常通信时的阈值；表示n个车辆终端执行任务卸载策略时与ecs的上行链路可靠数据传输速率：
[0033][0034]
其中，w为信道带宽，pi表示第i个车辆终端发射功率，g
i,j
表示第i个车辆终端卸载任务到第j个ecs时的信道增益，为通信干扰项，表示信道噪声功率。
[0035]
作为本发明的进一步改进，所述步骤s2中求解任务开销最小时的多用户任务卸载策略时，车辆终端进行干扰计算和任务卸载策略更新；
[0036]
干扰计算包括：对于车辆终端i，其在t时刻选择策略ai(t)处理自身任务，若所有ecs总体接收功率已知，车辆终端i从第j个ecs获得接收功率若本车辆终端i未与第j个ecs建立连接，则接入此ecs造成的干扰为在数值上与所接入ecs的接收功率相等，表示为
[0037][0038]
任务卸载策略更新包括：车辆终端i完成信道传输干扰计算后，需根据当前信道状态执行策略更新，对于车辆终端i计算与每个ecs建立通信连接时所引起的干扰，即车辆终端i根据下述决策执行更新：
[0039][0040]
车辆终端i决定是否执行决策更新后集合ui进行任务卸载决策更新；
[0041]
若车辆终端i改变已有任务卸载策略情况下无法使自身开销减小，即ai(t)∈ui，则车辆终端i无需改变任务卸载策略，遵循ai(t+1)＝ai(t)；反之，车辆终端i通过改变自身任务卸载策略，选择开销最小时策略执行任务卸载，即ai(t+1)∈ui。
[0042]
作为本发明的进一步改进，所述步骤s2中求解任务开销最小时的多用户任务卸载策略的求解过程，包括以下步骤：
[0043]
建立基于m个ecs的车联网中，n个车辆终端执行任务卸载策略时，以网络系统能耗最小为目标建立优化问题：
[0044]
min k
sys
[0045][0046]
其中，r为通信链路数据传输速率阈值；
[0047]
采用博弈理论求解网络系统能耗优化问题，且采用分布式任务卸载算法降低计算
复杂度，对于车辆终端i的任务卸载决策为ai时，其他车辆终端卸载策略表示为为使系统总开销最小，使每个车辆终端开销最小，车辆终端i开销最小化时，建立优化问题：
[0048][0049][0050]
对于车辆终端i，采用博弈理论获得最优任务卸载策略当车辆终端i无法通过更改其卸载决策以减小自身开销时，任务卸载策略为多车辆终端共同博弈时所达到的纳什均衡结果，满足
[0051]
作为本发明的进一步改进，搭建融合交通仿真软件sumo和网络仿真软件omnet++的车联网仿真平台，且基于车联网通信仿真框架veins实现最优多用户任务卸载策略的验证，以评估其性能。
[0052]
本发明还提供了一种使用如上所述的多用户任务卸载方法卸载任务的系统。
[0053]
本发明的有益效果：本发明方法通过建立一个面向多用户边缘计算网络的任务卸载模型，所建立任务卸载模型通过时延和能耗两项性能，以实现系统开销最小化，并选择采用博弈论求解及确定任务卸载策略；本发明将边缘计算技术、博弈论技术与车联网结合，增强车联网的计算能力，降低数据传输时延，并且该方法易于实现、过程规范、方便操作，解决车联网中车辆资源受限的问题；
[0054]
进一步，本发明可以采用veins车辆通信仿真框架，结合sumo和omnet++仿真软件搭建实验仿真平台，实现对提出的任务卸载策略仿真及验证，以评估算法性能。
附图说明
[0055]
图1是本发明实施例结构示意图；
[0056]
图2是本发明车联网通信网络架构示意图；
[0057]
图3为本发明实施例江苏省无锡市三阳广场中心城区地图(五角星为部署基站)；
[0058]
图4为本发明实施例omnet++中rsu部署分布图。
具体实施方式
[0059]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0060]
参考图1，本发明提供了一种多用户任务卸载方法，包括以下步骤：
[0061]
s1：车辆终端向其所属ecs发送任务卸载请求；
[0062]
s2：所述ecs根据建立的任务卸载开销模型，求解任务开销最小时的多用户任务卸载策略作为最优多用户卸载策略，其中，所述任务卸载开销模型满足所需任务时延和任务能耗；
[0063]
s3：所述ecs将最优多用户卸载策略发送至车辆终端，所述车辆终端按照所述最优多用户卸载策略卸载相应任务。
[0064]
如图2所示，在实施本发明之前，构建基本ecs的车联网系统，车联网系统包括ecs、路边基础设施、车辆终端，多个所述车辆终端之间、车辆终端与路边基础设施之间、车辆终端与ecs之间可以通过传输链路连接。考虑ecs场景中的多车辆终端多服务任务卸载结构，路边基础设施(基站和路边单元)随机部署在路边，共同构造成车联网络系统。ecs可以部署在车辆终端、路边基础设施附近。任何车辆终端需要处理自身任务时，选择通过自身计算资源处理或ecs计算资源处理，网络系统架构模型中包括车辆终端、路边基础设施(bs和路边单元)、ecs、通信链路等网络元素。数据传输链路包括车辆终端与车辆终端链路、车辆终端与路边基础设施、车辆终端与ecs。本发明所述车联网中网络元素传输模式可以分为多种类型，包括但不局限于车辆终端与网络中元素直接通信和间接通信等。
[0065]
考虑车联网应用场景中包含n个车辆终端和m个ecs，每个车辆终端存在待处理的任务数据。在任务处理处理期间，车联网场景维持近似静态场景，即网络中车辆终端数目、信道状态等一些网络参数保持不变，即所考虑场景为准静态场景，车辆终端执行任务卸载过程中，分别参与了通信过程和计算过程，所述准静态场景为车辆终端执行任务卸载时间段内，其通信信道条件不变，在系统完成所有计算任务后，系统中车辆终端数量和位置可能发生改变。ai表示第i个车辆终端的任务卸载策略；ai＝0表示车辆终端计算任务本地执行，ai＝j表示车辆计算任务在第j个ecs执行；n辆车具有各自卸载策略，从而获得系统任务卸载策略分布
[0066]
建立任务卸载开销模型，求解任务开销最小时的多用户任务卸载策略作为最优多用户卸载策略的具体过程：
[0067]
对于一个具体任务，考虑其两个维度特征，即数据量大小mi和完成任务所需cpu周期数ni。分别从时间和能耗两个指标进行分析。
[0068]
对于本地计算执行任务，采用表示第i个本地计算的计算性能(如每秒cpu转数)，且不同车辆终端的计算性能不同。因此，此任务执行本地计算时所需时间为
[0069][0070]
此任务执行本地计算所需能耗为
[0071][0072]
其中，δi为本地计算能量消耗因子，为本地硬件电路工作时能量消耗。
[0073]
对于任务卸载至ecs执行，同样考虑任务传输时延和能耗两个指标。ecs执行任务所需时间为：
[0074][0075]
其中，表示第j个ecs的计算性能(如每秒cpu转数)，且不同ecs拥有不同的计算性能。
[0076]
此外，任务卸载至ecs过程中的传输时间为：
[0077][0078]
在假设ecs具备充足计算资源，可立即执行卸载任务情况下，任务卸载至ecs所花费时间之和为：
[0079][0080]
车辆终端卸载任务时与ecs建立通信连接，在此过程中所产生的能耗为：
[0081][0082]
其中，表明车辆终端维持正常通信链路传输所需的能量消耗，存在关系满足其中，为维持通信链路正常通信完成的阈值。
[0083]
可依据任务在本地执行时的时间花费和能耗评价其开销，表示为：
[0084][0085]
采用和分别表征时延调控因子和能耗调控因子，且可依据不同网络场景相应设置和值。考虑到一般化应用场景，和取值在[0,1]之间。特别注意的是，当时，表示处理任务为时延敏感性数据；当时，表示处理任务所需能量不足，无法完成。
[0086]
同理，任务在ecs执行时的总开销表示为：
[0087][0088]
针对不同车辆终端采用不同方式执行任务处理，可计算车辆终端在任务不同执行情况下的总体开销，表示为：
[0089][0090]
建立基于m个ecs的车联网中，n个车辆终端执行任务卸载策略时，以网络系统能耗最小为目标建立优化问题：
[0091]
min k
sys
[0092][0093]
采用博弈理论求解网络系统能耗优化问题，且提出分布式任务卸载算法降低计算复杂度。对于车辆终端i的任务卸载决策为ai时，其他车辆终端卸载策略可以表示为为使系统总开销最小，可使每个车辆终端开销最小。车辆终端i开销最小化时，建立优化问题：
[0094][0095][0096]
对于车辆终端i，采用博弈理论获得最优任务卸载策略当车辆
终端i无法通过更改其卸载决策以减小自身开销时，任务卸载策略为多车辆终端共同博弈时所达到的纳什均衡结果，满足采用博弈理论实现所有车辆终端相互满意的卸载策略制定，克服集中式任务卸载调度造成的巨大计算开销。
[0097]
进一步的，对于给定的任务卸载策略，不同车辆终端i可以接入到同一个ecsj中(如采用cdma技术)，信号传输过程中将受到白噪声影响，且不同车辆终端信号之间会产生干扰。
[0098]
车辆终端与ecs的上行链路可靠数据传输速率为：
[0099][0100]
其中，w为信道带宽，pi表示第i个车辆终端发射功率，g
i,j
表示第i个车辆终端卸载任务到第j个ecs时的信道增益。为通信干扰项。
[0101]
车辆终端向ecs发送任务卸载请求，所述ecs在设定时间段内，完成网络系统内所有车辆终端完成链路传输信道的干扰计算和依据信道条件的任务卸载策略更新，即采用任务卸载策略时，车辆终端需要完成的操作包括干扰计算和任务卸载策略更新。
[0102]
在干扰计算方面，对于车辆终端i，其在t时刻选择策略ai(t)处理自身任务。若所有ecs总体接收功率已知，车辆终端i从第j个ecs获得接收功率若本车辆终端i未与第j个ecs建立连接，则接入此ecs造成的干扰为在数值上与所接入ecs的接收功率相等，表示为：
[0103][0104]
在任务卸载策略更新方面，车辆终端i完成信道传输干扰计算后，需根据当前信道状态执行策略更新，以降低自身计算开销。对于车辆终端i计算与每个ecs建立通信连接时所引起的干扰，即车辆终端i根据下述决策执行更新：
[0105][0106]
车辆终端i可以决定是否执行决策更新后集合ui进行任务卸载决策更新。对于ui中元素并非确定唯一。值得注意的是，若车辆终端i改变已有任务卸载策略情况下无法使自身开销减小，即ai(t)∈ui，则车辆终端i无需改变任务卸载策略，遵循ai(t+1)＝ai(t)；反之，车辆终端i通过改变自身任务卸载策略，选择开销最小时策略执行任务卸载，即ai(t+1)∈ui。ecs将所述任务卸载策略发送至车辆终端，所述车辆终端按照所述任务卸载策略卸载相应任务。
[0107]
本发明还提供了一种使用如上所述的多用户任务卸载方法卸载任务的系统。具体的，系统包括车辆终端和其所述ecs；
[0108]
车辆终端向其所属ecs发送任务卸载请求；
[0109]
所述ecs根据建立的任务卸载开销模型，求解任务开销最小时的多用户任务卸载策略作为最优多用户卸载策略，其中，所述任务卸载开销模型满足所需任务时延和任务能耗；
[0110]
所述ecs将最优多用户卸载策略发送至车辆终端，所述车辆终端按照所述最优多用户卸载策略卸载相应任务。
[0111]
实施例
[0112]
如图3和图4所示，以“江苏省无锡市三阳广场中心城区地图”为例，搭建车联网仿真框架veins仿真平台验证，融合sumo模型和omnet++工具手段，验证所提出的任务卸载策略。
[0113]
步骤一、车载终端从openmapstreet官网中获取“江苏省无锡市三阳广场中心城区”地图，并导出获得map.osm文件；
[0114]
使用josm软件优化获取的地图文件，删除地图中的部分无关元素，例如地铁线、航线等，将生成地图完全覆盖所选区域，以避免地图过于冗长。
[0115]
启动sumo模型，并结合路网文件及交通文件对其进行配置。
[0116]
步骤二、设置仿真网络场景参数，模拟真实工作场景；
[0117]
部署6个rsu地图区域内于各交叉路口段，且120辆车沿着预先设定行驶轨迹移动。通信环境参数中，信道带宽为20mhz，车辆终端数据量大小为20kb。
[0118]
步骤三、启动网络仿真器omnet++，建立车辆终端与路边基础设施之间通信链路，并与道理交通仿真模型sumo进行连接；
[0119]
车联网仿真框架veins仿真平台提供traci接口，并将sumo中每辆车辆终端实例化为独立网络节点；其提供sumo-launchd.py脚本将sumo与omnet++连接，并确保连接成功。
[0120]
步骤四、车辆终端执行任务卸载时，车辆终端与路边基础设施进行通信，omnet++提供相应消息文件；
[0121]
车辆终端需发送相应信息至路边基础设施，消息内容包括，车辆终端身份、车辆终端位置、车辆终端发射功率、当前卸载策略、本地车辆终端计算性能、任务数据量大小、任务执行所需cpu转数、任务本地执行计算时能耗系数和任务ecs执行计算时能耗系数；
[0122]
步骤五、路边基础设施执行任务卸载策略调度；
[0123]
为方便实现算法，车辆终端发送卸载策略更新请求，路边基础设施发出允许更新响应均在路边基础设施内部完成。
[0124]
为解决车联网中车辆资源受限的问题，本发明的多用户任务卸载及其仿真平台构建方法，建立一个面向多用户边缘计算网络的任务卸载模型，所建立任务卸载模型重点考虑时延和能耗两项性能，以实现系统开销最小化。选择采用博弈论求解及确定任务卸载策略，并采用veins车辆通信仿真框架，结合sumo和omnet++仿真软件搭建实验仿真平台，实现对提出的任务卸载策略仿真及验证，以评估算法性能。本发明搭建虚拟任务卸载仿真验证平台验证所提算法，可以有效地减小车辆终端计算复杂度和系统计算开销，同时搭建多用户任务卸载仿真测试平台，提升测试结果的准确性。
[0125]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。