一种结合容器与虚拟机的车联网任务卸载方法与系统

本发明涉及车联网，尤其涉及一种结合容器与虚拟机的车联网任务卸载方法与系统。

背景技术：

1、随着5g和人工智能技术的不断发展，车辆和车内乘客的应用需求涌现、待处理任务的种类与数量不断增加，单凭车辆自身的资源不足以处理任务，进而影响服务质量（quality of service,qos）。移动边缘计算将云计算资源下沉到网络边缘，能有效减少服务响应时间和核心网络流量，从而提高网络系统性能并降低总时延。

2、在智能交通系统中，当道路拥塞或发生事故时，聚集车辆的任务量激增，导致整体计算资源供不应求，且由于特殊路段 rsu 分布少无规律，难以满足拥堵状态下的车辆用户需求。

技术实现思路

1、有鉴于此，为了解决现有面向车联网的任务卸载方法中难以满足路面聚集车辆的计算需求，本发明提出一种结合容器与虚拟机的车联网任务卸载方法，引进公交车作为辅助的移动卸载目标，提高任务卸载的可选性与兼容性，所述方法包括以下步骤：

2、获取任务；

3、对所述任务进行分类，并选择卸载通道；

4、基于所述卸载通道对所述任务进行处理，得到处理结果；

5、所述卸载通道包括公交车服务器和rsu服务器；

6、针对于公交车服务器，选择容器并建立处理通道，基于所述处理通道依序执行任务；

7、针对于rsu服务器，建立虚拟机并基于所述虚拟机执行任务；

8、将所述处理结果回传。

9、在一些实施例中，所述对所述任务进行分类，并选择卸载通道这一步骤，其具体包括：

10、定义关联系数；

11、基于所述关联系数和预设的关联阈值对所述任务进行分类，得到分类结果；

12、根据所述分类结果和预设规则选择卸载通道。

13、通过该优选步骤，关联度进行分类，当任务关联度较高时，将任务卸载至公交车服务器中；当任务关联度交低时，将任务卸载rsu服务器中。

14、在一些实施例中，还包括，在公交车服务器：

15、将所述任务划分为若干个子任务；

16、根据所述子任务选择容器进行匹配，构建处理通道；

17、考虑当前容器的排队时延，所述子任务以任务流的形式在所述处理通道内执行。

18、通过该优选步骤，将任务按照种类划分成若干个子任务，为每个子任务选择合适的容器组合，构成容器通道，子任务以任务流的形式在通道内执行。

19、在一些实施例中，还包括，在rsu服务器：

20、根据所述任务的数据量与计算容量需求，创建虚拟机；

21、根据所述虚拟机的数量对所述任务进行等量划分，得到微任务；

22、将所述虚拟机与所述微任务进行匹配，并基于所述虚拟机执行所述微任务。

23、通过该优选步骤，任务被卸载到rsu后，可被分成多份微任务同时处理，处理后的结果整合后返还给车辆。对此在rsu服务器内创建若干虚拟机，实现对计算容量的划分。虚拟机分别处理同一个任务的不同微任务。

24、在一些实施例中，所述公交车服务器的时延模型包括传输时延、执行时延和排队时延，其中：

25、所述传输时延的表达式为：

26、其中， m表示在公交车服务器内的处理形式，表示任务上传的平均数据大小，表示平均带宽，代表用户设备的传输功率，代表用户设备与公交车的信道增益，代表噪声功率，d代表用户设备与公交车的物理距离，代表无线信道的传播速度；

27、所述执行时延的表达式为：

28、其中， i表示以任务流形式执行， j表示该任务流的一个节点任务， k表示容器，表示任务流中某个节点任务的任务处理时间，表示任务流中某个节点任务的任务数据量，表示按照任务流从上一节点传输过来的结果，表示容器的计算速度，表示被节点任务选中的容器的计算资源容量；

29、设某节点任务队列前有个任务等待，排队时延的表达式为：

30、其中，表示任务流中某节点任务的排队时延，表示排在当前任务的前一位，表示排在当前任务的前一位任务的处理时延。

31、在一些实施例中，所述公交车服务器的损耗模型表达式如下：

32、其中，表示任务流的资源损耗，表示总任务的资源损耗，表示任务流中某个节点任务的资源损耗，指的是最后一个节点任务选择的容器的计算资源容量，指的是任务流最后一个节点任务被处理所需的计算资源，表示最后一个节点任务， h的取值为任务流中节点任务的总个数， n的取值为任务流的总数。

33、在一些实施例中，所述rsu服务器的时延模型包括传输时延和计算时延，其中：

34、所述计算时延的表达式如下：

35、其中， rsu表示在rsu服务器内的处理形式， u表示在rsu服务器的总任务， v表示均分后的微任务，表示虚拟机，表示微任务的任务数据量，表示总任务的任务数据量，表示虚拟机数目，表示微任务的任务处理时间，表示虚拟机的计算速度，表示虚拟机的计算资源容量。

36、在一些实施例中，还包括：

37、定义多任务并行处理的目标函数；

38、设定约束条件，以最小化整体资源浪费以及最小化总时延为目标，对所述目标函数进行求解，得到虚拟机创建和容器选择的方案。

39、通过该优选步骤，设定目标函数、约束条件以及优化目标，以此求解最优的卸载策略。

40、在一些实施例中，还包括：

41、所述约束条件包括任务分类约束、公交车容器数量约束、任务处理顺序约束、虚拟机计算资源约束和资源总量约束。

42、本发明还提出了一种结合容器与虚拟机的车联网任务卸载系统，所述系统包括：

43、卸载需求模块，用于获取任务；

44、卸载策略模块，用于对所述任务进行分类，并选择卸载通道；

45、任务处理模块，基于所述卸载通道对所述任务进行处理，得到处理结果；

46、所述卸载通道包括公交车服务器和rsu服务器；

47、针对于公交车服务器，选择容器并建立处理通道，基于所述处理通道依序执行任务；

48、针对于rsu服务器，建立虚拟机并基于所述虚拟机执行任务；

49、回传模块，用于将所述处理结果回传。

50、基于上述方案，本发明提供了一种结合容器与虚拟机的车联网任务卸载方法及系统，以任务关联性作为划分标准，设置双卸载通道：关联性高的任务卸载到以容器为基础的公交车上；反之，选择卸载到以虚拟机为基础的rsu上。同时，针对任务处理方式的串行问题，利用不同服务器的特性构造对应虚拟化结构，使处理模式转变为并行处理。在rsu中采用动态创建虚拟机的技术，解决数据少、可划分的简单任务；在公交车中利用容器技术，为任务流选择合适的容器通道；最后，还给出了对应的基于容器与虚拟机技术相结合的双通道卸载车联网任务处理策略，以此提高任务处理效率。