一种基于粒子群的车联网络任务分配方法
阅读说明：本技术 一种基于粒子群的车联网络任务分配方法 (Internet of vehicles networking task allocation method based on particle swarm ) 是由 于珊平 安建平 李睿德 王玉环 卜祥元 于 2021-06-11 设计创作，主要内容包括：本发明涉及一种基于粒子群的车联网络任务分配方法,属于移动边缘计算技术领域。包括：1)按照基站分布将城市划分为多个等大区域；2)基站中心控制器编排区域内用户车辆应用任务；3)用户广播短信息包；4)收到信息包的雾节点发送数据包反馈给用户；5)用户根据数据包封装任务请求包发送给中心控制器；6)中心控制器执行基于粒子群算法的计算卸载策略；7)用户按照计算卸载策略卸载计算任务；8)雾节点实时处理用户任务,将结果反馈给用户；9)用户和雾节点断开连接时：如果任务未处理完,用户遗弃任务,重新执行步骤3),否则,雾节点不再接收后续任务。所述方法为每个卸载的计算任务选择合适的服务质量,已达到服务质量与服务时延之间的平衡。(The invention relates to a particle swarm-based Internet of vehicles networking task allocation method, and belongs to the technical field of mobile edge computing. The method comprises the following steps: 1) dividing a city into a plurality of equal-size areas according to the distribution of base stations; 2) a central controller of the base station arranges user vehicle application tasks in an area; 3) a user broadcasts a short message packet; 4) the fog node which receives the information packet sends a data packet to be fed back to the user; 5) the user packs the task request packet according to the data packet and sends the task request packet to the central controller; 6) the central controller executes a calculation unloading strategy based on a particle swarm algorithm; 7) the user unloads the calculation task according to the calculation unloading strategy; 8) the fog node processes the user task in real time and feeds back the result to the user; 9) when the user is disconnected with the fog node: and if the task is not processed, the user abandons the task and re-executes the step 3), otherwise, the fog node does not receive the subsequent task. The method selects an appropriate quality of service for each offloaded computing task, having reached a balance between quality of service and service latency.)
技术领域
本发明涉及一种基于粒子群的车联网络任务分配方法，尤其涉及一种基于车 联边缘计算网络的粒子群任务分配方法，属于移动边缘计算技术领域。
背景技术
随着5G和人工智能的发展，智能车联应用如智能变道、智能跟车和实时路 面感知已经成为当前的研究热点。然而，目前道路上，拥有大量计算资源的新一 代汽车仍然占据少数，大部分还是只配备简单车载传感器(如行车记录仪等)的 普通车辆。这些普通车辆靠本身的计算资源无法及时的处理智能车联应用所产生 的海量任务需求，亟需要一种计算卸载模式来将智能车联应用卸载到具有更强处 理能力的服务器上。
然而，不同于固定的用户接入网络，车联网拓扑随着车辆的移动而实时动态 变化。除此之外，智能车联应用往往与安全紧耦合相关，对服务延时非常苛刻。 因此，传统的基于云计算的计算卸载策略不能满足车联应用。为了解决以上问题， Yu Xiao等人提出车辆雾计算，即把计算资源和通信资源配备到特定车辆，如公 交车等，使之成为车辆雾节点。车辆雾节点可以在行进的过程中为周围用户车辆 提供单跳可达的计算卸载服务，避免了云计算模式下的多跳路由，将大大减少任 务的传输延时。其次，车辆雾节点往往路线固定，通过预测其运行轨迹可以较为 有效的保证服务质量。最后，相比于固定的服务器，车辆雾节点可以调遣到服务 紧缺的区域中进行服务，实现应用按需资源调控，避免资源冗余部署。
除此之外，由于公交车的能耗和体积限制，只能部署有限的计算资源。然而， 同一车载应用在不同的服务质量下所消耗的计算资源也有所不同。比如在图像识 别应用中，识别分辨率高的图片比识别分辨率低的图片处理延时要大很多。因此， 如何根据车辆雾节点的计算负载调节用户车辆应用的服务质量也是本发明要解 决的技术问题。
发明内容
本发明的目的在于针对现有车辆雾计算卸载存在无法按需资源调控、避免资 源冗余部署，以及如何根据车辆雾节点的计算负载调节用户车辆应用的服务质量 这些技术缺陷，提出了一种基于粒子群的车联网络任务分配方法。
为了达到上述目的，本发明采取如下技术方案。
所述基于车联边缘计算网络的粒子群任务分配方法所依托的车联边缘计算 网络，包括基站、用户车辆以及车辆雾节点；
其中，基站上包括中心控制器；每个用户车辆包括车载通信模组；
用户车辆和车辆雾节点与基站中的中心控制器相连；中心控制器上注册有所 有用户车辆和车辆雾节点的信息；且所有用户车辆和车辆雾节点均通过蜂窝网络 注册，并将该用户车辆和车辆雾节点的实时位置信息汇报给中心控制器；
所述任务分配方法，包括如下步骤：
步骤1、将按照基站分布，利用蜂窝hexagon聚合的方法将城市划分为多个 均匀等大区域；
步骤2、在步骤1划分出的每个区域中，运维一个中心控制器来编排该区域 内产生的所有车辆应用任务；
步骤3、每个用户车辆利用车载通信模组广播一个DSRC短信息；
步骤4、收到用户车辆DSRC信息包的车辆雾节点发送一个数据包反馈给用 户车辆；
其中，用户车辆DSRC信息包中包括步骤3中多个用户车辆广播的DSRC 短信息；数据包包含车辆雾节点的ID、位置、速度以及负载；
步骤5、用户车辆收集到周围所有车辆雾节点的数据包信息后，封装成一个 任务请求数据包，通过蜂窝网络发送给中心控制器；
其中，任务请求数据包包含任务ID、任务类型、任务所属用户车辆、任务 需求和临近车辆雾节点；
步骤6、中心控制器收集本区域所有用户车辆产生的任务请求数据包后，执 行基于粒子群算法的计算卸载策略，指派特定的车辆计算节点处理用户车辆所产 生的任务，并确定每个任务的服务质量；
其中，所述步骤6中基于粒子群算法的计算卸载策略，具体为：
步骤6.1将所有的未分配任务抽象为一个粒子，一个粒子包含所有任务；
将每个任务定义为k，那么每个粒子包含2k个维度，记为：assk和qk；
维度1～k代表任务分配策略，即将任务k分配到车辆雾节点assk上；维度 k+1～2k代表服务质量选择，即任务k选择qk为其任务服务质量，如附表1所示：
表1粒子群向量空间
步骤6.2生成一个包含D个粒子的粒子群，每个粒子都是一个2k的向量， 代表着一种可能的任务分配策略；
每个粒子在2k的向量空间里寻找最优解：即加速所有任务中具有最长服务 时延的任务处理速度，并最大化所有任务的服务质量；
其中，服务时延和服务质量是一种负相关的变量，粒子在空间向量寻找过程 中，需达到服务时延和服务质量的平衡；
步骤6.3、用一个变量Xp＝(xp1,xp2,xp3,...,xpD)来代表粒子p所经历的空 间位置，将这个粒子所经历的最佳位置记录为而整个粒子群所有粒子经 历的最佳位置记录为Gbest；用变量Vp＝(vp1,vp2,vp3,...,vpD)代表粒子p的速度， 经过下述公式(1)和(2)的多次迭代，粒子群将会在整个向量空间中寻找到最优解：
Xpi＝Xpi+Vpi+1 (2)
其中，w是惯性权重常量，C1和C2分别是加速常量1和加速常量2，rand1和 rand2是[0,1]之间的随机参数；Vpi表示粒子p第i维的速度；Xpi表示粒子p第i 维的空间位置；
步骤7、用户车辆按照中心控制器选择的服务质量，将任务产生的数据流传 输至指派的车辆雾节点上；
步骤8、车辆雾节点实时处理所接收的用户车辆任务产生的数据，并将计算 结果通过DSRC反馈给用户车辆；
步骤9、用户车辆和车辆雾节点即将断开连接时，如果用户车辆产生的任务 没有被处理完，用户车辆将重新执行步骤3，向中心控制器请求任务分配，卸载 未执行完的任务；如果用户车辆产生的任务被处理完，车辆雾节点将不再接收该 用户车辆后续产生的任务；
至此，从步骤1到步骤9，完成了一种基于粒子群的车联网络任务分配方法。
有益效果
所述一种基于粒子群的车联网络任务分配方法，与现有技术相比，具有如下 有益效果：
1.所述方法适用于车联边缘计算网络的任务分配，为智能车联网中新型车联 应用产生的任务提供计算卸载服务；
2.所述方法将根据车辆的空间位置状态，考虑服务时长、信道质量等因素， 将不同用户车辆产生的计算任务分配到合适的车载服务器上；
3.所述方法根据车载服务器的实时负载，为每个卸载的计算任务选择合适的 服务质量，已达到服务质量与服务时延之间的平衡。
附图说明
图1是本发明所述一种基于粒子群的车联网络任务分配方法的流程图；
图2本发明所述一种基于粒子群的车联网络任务分配方法的收敛速度仿真 结果。
具体实施方式
下面结合附图和实施例对本发明一种基于粒子群的车联网络任务分配方法 做进一步说明和详细描述。
实施例1
本发明所提的一种基于粒子群的车联网络任务分配方法为智能车联网中新 型车联应用产生的任务提供计算卸载服务。本发明将根据车辆的空间位置状态， 考虑服务时长、信道质量等因素，将不同用户车辆产生的计算任务分配到合适的 车载服务器上。与此同时，所述方法将根据车载服务器的实时负载，为每个卸载 的计算任务选择合适的服务质量，已达到服务质量与服务时延之间的平衡。
具体实施时，所述方法，包括：1)按照基站分布将城市划分为多个等大区域； 2)基站中心控制器编排区域内用户车辆应用任务；3)用户广播短信息包；4)收到 信息包的雾节点发送数据包反馈给用户；5)用户根据数据包封装任务请求包发送 给中心控制器；6)中心控制器执行基于粒子群算法的计算卸载策略；7)用户按照 计算卸载策略卸载计算任务；8)雾节点实时处理用户任务，将结果反馈给用户； 9)用户和雾节点断开连接时：如果任务未处理完，用户遗弃任务，重新执行步骤 3)，否则，雾节点不再接收后续任务。所述方法为每个卸载的计算任务选择合适 的服务质量，已达到服务质量与服务时延之间的平衡。
流程如图1所示，实现步骤如下：
步骤1，将按照基站分布，利用蜂窝hexagon聚合的方法将城市划分为多个 均匀等大区域。
步骤2，在每个区域中，运维一个中心控制器来编排该区域内产生的所有的 车辆应用任务。中心控制器位于基站上，所有用户车辆和车辆雾节点都通过蜂窝 网络在中心控制器上进行注册，实时将位置信息汇报给中心控制器。
步骤3，用户车辆利用车载通信模组广播一个DSRC短信息。
步骤4，收到用户车辆DSRC信息包的车辆雾节点发送一个数据包反馈给用 户车辆，数据包包含车辆雾节点的ID、位置、速度、以及负载。
步骤5，用户车辆收集到周围所有车辆雾节点信息后，封装成一个任务请求 数据包，通过LTE发送给中心控制器。任务请求数据包包含任务ID、任务类型、 任务所属用户车辆、任务需求和临近车辆雾节点。
步骤6，中心控制器收集本区域所有用户车辆产生的任务请求数据包后，执 行基于粒子群算法的计算卸载策略，指派特定的车辆计算节点处理用户车辆所产 生的任务。除此之外，基于粒子群算法，中心控制器将确定每个任务的服务质量。
步骤6.1，将所有的未分配任务抽象为一个粒子，一个粒子包含所有任务。 将每个任务定义为k，那么每个粒子包含2k个维度：assk和qk。1～k维度代表任 务分配策略，即将任务k分配到车辆雾节点assk上。k+1～2k维度代表服务质量 选择，即任务k选择qk为其任务服务质量。如附表1所示。
步骤6.2，生成一个包含D个粒子的粒子群，每个粒子都是一个2k的向量， 代表着一种可能的任务分配策略。每个粒子在2k的向量空间里寻找最优解：即 加速所有任务中具有最长服务时延的任务处理速度，并最大化所有任务的服务质 量。在这里指出，服务时延和服务质量是一种负相关的变量，粒子在空间向量寻 找过程中，需要达到服务时延和服务质量的平衡。
步骤6.3，用一个变量Xp＝(xp1,xp2,xp3,...,xpD)来代表粒子p所经历的空 间位置。将这个粒子所经历的最佳位置记录为而整个粒子群所有粒子经 历的最佳位置记录为Gbest。用变量Vp＝(vp1,vp2,vp3,...,vpD)代表粒子p的速度， 经过下述公式的多次迭代，粒子群将会在整个向量空间中寻找到最优解：
Xpd＝Xpd+Vpd+1
其中，w是惯性权重常量，C1和C2是加速常量，rand1和rand2是[0,1]之间的 随机参数。在本发明中，将参数设置为C1＝C2＝1，w＝0.9。
步骤7，用户车辆按照中心控制器选择的服务质量，将任务产生的数据流传 输至指派的车辆雾节点上。
步骤8，车辆雾节点实时处理所接收的用户车辆任务所产生的数据，并将计 算结果通过DSRC反馈给用户车辆。
步骤9，用户车辆和车辆雾节点即将断开连接时，如果用户车辆产生的任务 没有被处理完，用户车辆将重新执行步骤3，向中心控制器请求任务分配，卸载 未执行完的任务。如果用户车辆产生的任务被处理完，车辆雾节点将不再接收该 用户车辆后续产生的任务。
在实际应用中，粒子群算法的收敛速度直接影响到任务分配策略的可用性。 图2是基于粒子群算法的收敛速度。由图2可知，当粒子群迭代次数超过25次 后，粒子群算法所得的最优解已经达到稳定状态。说明本发明所提出的基于粒子 群的任务分配算法能够快速有效的求得车载应用任务分配最优解。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图 所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本 发明保护的范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于数据挖掘的电网线损精细化管理方法