基于车流量预测的车联网双边拍卖式边缘计算迁移方法
阅读说明：本技术 基于车流量预测的车联网双边拍卖式边缘计算迁移方法 (Vehicle networking bilateral auction type edge calculation migration method based on vehicle flow prediction ) 是由 闫帅 林艳 李帆远 张一晋 束锋 邹骏 于 2020-06-12 设计创作，主要内容包括：本发明提供了一种新的基于车流量预测的车联网双边拍卖式边缘计算迁移方案。该方案首先需要收集道路中行驶车辆的特征信息,并统计当前周期内的车流量用以预测下一周期的车流量信息。然后,利用车辆特征信息和车流量预测信息完成车辆对计算资源需求的报价,进而可采用一种双边拍卖算法实现车载边缘计算服务器的计算资源分配,最后通过将车辆的计算任务卸载至分配的服务器完成边缘计算迁移过程。本发明与未考虑车流量信息的两种分配方案相比,更能够充分利用车联网中的计算资源,且能显著提升整个系统的边缘计算迁移效率。(The invention provides a novel vehicle networking bilateral auction type edge calculation migration scheme based on vehicle flow prediction. According to the scheme, firstly, the characteristic information of the running vehicles in the road needs to be collected, and the traffic flow in the current period is counted to predict the traffic flow information in the next period. Then, the vehicle characteristic information and the vehicle flow prediction information are used for completing the quotation of the vehicle to the computing resource demand, further a bilateral auction algorithm can be adopted for realizing the computing resource distribution of the vehicle-mounted edge computing server, and finally the computing task of the vehicle is unloaded to the distributed server to complete the edge computing migration process. Compared with two distribution schemes without considering traffic flow information, the method can make full use of computing resources in the Internet of vehicles, and can remarkably improve the edge computing migration efficiency of the whole system.)
技术领域
本发明涉及无线通信技术领域，特别涉及基于车流量预测的车联网双边拍卖式边缘计算迁移方案。
背景技术
车联网利用传感器、图像处理器、GPS等设备感知获取车辆特征信息和交通状况信息，借助无线通信技术，建立起车与车、车与基础设施、车与路边行人、车与网络和车与云等之间的交互连接，提高交通运行效率和系统智能化水平。
移动边缘计算作为交通网络中车辆移动通信的关键技术之一，被广泛应用在无线资源的分配问题上。车辆为应对自身计算资源有限的情况，将计算任务卸载到车载边缘服务器或其他车辆上，将计算能力扩展到网络的边缘。通过移动边缘计算，可以缓解车辆计算资源紧张的压力，最大程度地利用网络中的计算资源，提升系统性能。
本发明开发了一种车联网双边拍卖式边缘计算迁移方案，并在车联网移动边缘计算的过程中引入车流量预测信息，利用双边拍卖算法求解资源分配方案，提高计算迁移的效率。
仿真结果表明，引入车流量预测信息的方案，相较于未引入车流量的方案，能够显著提升任务卸载效用函数和资源利用效用函数。
发明内容
本发明提供基于车流量预测的车联网双边拍卖式计算迁移方案，该方法需要收集边缘计算迁移过程中的车辆特征信息，同时统计车流量信息并预测下一周期的车流量信息，最后利用双边拍卖理论进行设计，求解计算资源的分配方案。
为实现上述目的，本发明所采用的技术方案包括：确定车辆在移动边缘计算过程中各阶段消耗时间；基于马尔科夫决策过程预测车流量信息；将车流量预测结果引入移动边缘计算过程中，利用双边拍卖算法设计边缘计算迁移方案。
进一步地，具体过程包括：S1.收集车辆的特征信息，确定移在动边缘计算过程中车辆移动、任务传输和任务计算的消耗时间；S2.基于马尔科夫决策过程预测车流量信息，设置固定时长作为预测周期，在预测周期结束后统计本周期内车流量，预测下一周期的车流量情况；S3.在移动边缘计算过程中引入车流量预测信息，设计基于拍卖理论的边缘计算迁移方案。
有益效果：本发明提出的基于车流量预测的边缘计算迁移方案，具有如下优点:1.本方案实现了将车流量信息引入边缘计算过程，考虑了车流量信息对边缘计算迁移效率的影响；2.本方案采用的双边拍卖算法，相较于顺序分配算法更能提升边缘计算迁移效率；3.本方案引入车流量预测信息，相较于未考虑车流量信息的资源分配方案，能够进一步显著提升边缘计算迁移效率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为基于车流量预测的计算迁移方案设计框图。
图2为车流量转移关系。
图3为拍卖算法求解流程图。
图4为车辆占用VEC服务器计算资源示意图。
图5为车辆任务卸载效用函数与车辆数量的关系。
图6为VEC服务器资源利用效用函数与车辆数量的关系。
图7为车辆任务卸载效用函数与VEC服务器数量的关系。
图8为VEC服务器资源利用效用函数与VEC服务器数量的关系。
具体实施方式
下面结合附图和具体实例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明确定移动边缘计算过程各阶段消耗时间的具体方法为：车辆进入路段与RSU进行通信并提交车辆特征信息。假设车辆i被分配的是第j个路侧单元，则移动时间为：
其中，Lj为RSUj距路段起点的距离，li为本分配周期起始时刻车辆i距路段起点的距离。
车辆将任务上传给VEC服务器，计算任务在信道中传输的时间为：
其中，Bj为RSUj的带宽，Pi为车辆i的传输功率，G为车辆i和RSUj之间的信道增益。
VEC接收计算任务，对任务进行计算，计算所需时间为：
其中，Uc为定值，表示CPU频率，即计算单位比特数据量所需的CPU运转周期数。
本发明预测车流量信息的具体方法为：在每个预测周期结束时，RSU统计本周期内通过该路段各车道的车辆数，记为V(i)：
其中，分别为第i个周期内的左转、直行、右转车道的车辆数。
根据获得的各路段在相邻两个周期内的车流量数据，确定车辆在不同路段间的转换关系。以图2中路段一为例，驶入路段一的车辆来源包括左转车道①、直行车道②、右转车道③，驶入后选择的新车道包括左转车道A、直行车道B、右转车道C，统计的车流量转移关系如下表所示：
表1车流量转移关系
利用上述数据计算得到转移概率矩阵p：
依据马尔科夫决策过程，利用本周期车流量和概率转移矩阵p，就可以预测出下一周期的车流量V(i+1)：
本发明引入车流量预测信息并利用拍卖算法求解边缘计算迁移方案的具体方法为：车辆作为买方基于车辆特征信息：计算任务数据量大小di、车辆速度vi、任务优先级N1、对计算资源的需求量大小si，提交报价:
N1的取值为{1，2，3…}，N1越大表示任务重要程度越高，β1控制不同优先级之间重要程度的差距，X表示进行拍卖的总轮数，Numi表示车辆i参与拍卖的失败次数，取值为{0，1，2...，X}。
定义车辆的车流量优先级N2，N2的取值为{1，2，3}，区分左转、直行、右转三个车道上车辆拥挤程度，数值越大，表示该车道越拥挤，即车流量更大。
引入车流量预测信息后，进一步修正车辆报价：
VEC服务器作为卖方，与买方车辆进行双边拍卖，拍卖过程如图3所示。依据车辆特征信息和车流量预测信息，计算车辆的初始报价。将车辆报价降序排列，依次计算车辆占用VEC服务器的时间以确定是否与服务器达成匹配。未被匹配的车辆本轮拍卖失败，更新报价后进入下一轮拍卖。
在实施本发明前，先需要设置性能评估指标。本发明设置了车辆任务卸载的效用函数和VEC服务器资源效用函数作为性能评估指标。
考虑车辆任务的卸载比例情况，定义车辆任务卸载的效用函数U1为：
其中，xi∈{0，1}为分配决策变量，如果基站为车辆i分配了某个VEC服务器，则xi＝1，否则xi＝0。定义R＝di·N1·N2为车辆的任务di被计算后可以为车辆带来的效益值。Twait表示车辆从进入路段到上传数据给VEC服务器所等待的时长，为所有车辆的Twait的平均值。
将整个时间进程划分为多个Δt，每辆车占用服务器的时间为Δt的整数倍。对于多个车辆占用同一服务器的情况，可用图4进行说明。图中Δt取1秒，横轴表示时间，纵轴表示一个VEC服务器持有的计算资源量。左侧表示车辆对该服务器的时间占用情况和资源占用情况，右侧为车辆占用时间的窗函数相加，可反映该VEC服务器资源利用情况。因此定义VEC服务器资源效用函数U2为：
其中，sjn表示第j个VEC服务器在第n个Δt的时间段内被占用的计算资源，T表示资源分配的总时间，即所有Δt的总和。
考虑以下三种算法的性能对比：算法一：不考虑车辆的任务优先级因素，仅仅按照车辆在交通系统中出现的顺序将VEC服务器的计算资源就近分配，称之为顺序分配算法。算法二，采用双边拍卖算法分配计算资源。算法三，在算法二的基础上再引入车流量预测信息作为资源分配的依据。
图5所示为车辆任务卸载效用函数与车辆数量的关系。随着车辆数量的不断增加，无论对于哪一种算法，车辆任务卸载效用函数U1呈下降趋势。这与实际情况是相符的。因为VEC服务器最多能承担的车辆计算任务是一定的，那么随着车辆数的增加，需要被卸载的任务数量也会增加，任务卸载的可能性降低，车辆任务的卸载比例也将随之降低。图6所示为VEC服务器资源利用效用函数与车辆数量的关系。随着车辆数量的增加，VEC服务器资源效用函数U2呈上升趋势。这是因为任务量增加而VEC服务器资源量不变，所以VEC服务器资源的利用比例必然也是增加的。图7所示为车辆任务卸载效用函数与VEC服务器数量的关系。随着VEC服务器数量的不断增加，车辆任务卸载效用函数U1呈上升趋势。这是因为在车辆数量基本保持不变的情况下，增加VEC服务器的数量可以为车辆的任务卸载提供更多的选择可能，因此卸载比例会有所增加。图8所示为VEC服务器资源利用效用函数与VEC服务器数量的关系。VEC服务器资源效用函数U2随着VEC服务器数量的增加而增加。这表明VEC服务器数量的增加，可以增加车辆任务的卸载概率，更充分地利用VEC服务器的计算资源。
对比三种不同算法，可以发现，基于车流量预测的拍卖式计算迁移方案的性能都最优，无车流量预测的任务拍卖式计算迁移方案次之。并且随着车辆数量和VEC服务器数量的增加，相对其他两种算法，引入车流量预测信息的拍卖式计算迁移方案的优越性越来越高。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：货运车辆的风险识别方法、装置、存储介质及终端