基于改进粒子群算法的公平性保障的计算卸载方法
- 国知局
- 2024-08-02 14:22:14
本发明属于车联网中边缘计算卸载领域,尤其涉及一种车联网边缘计算中基于改进粒子群算法的公平性保障的计算任务卸载方法,该卸载方法旨在保障低时延与低能耗的同时,兼顾实现计算卸载的公平性。
背景技术:
1、随着5g、无人驾驶、智能汽车等热点技术的快速发展,新型车载应用对计算能力的需求不断增加。而车载计算资源有限,车辆本地处理计算任务能耗较高且无法满足所有计算任务的时间约束。移动边缘计算(mobile edge computing,mec)技术通过在路边单元(road side unit,rsu)部署边缘服务器为车辆提供计算服务,大幅降低任务完成时延和车辆计算能耗。而由于任务类型不同,各种车载应用对于计算资源的需求和对时延的敏感程度也不同。其中实时安全性应用需要毫秒级的响应时间,而媒体和娱乐内容的流式传输对时延的容忍度相对较高但需要相对大量的计算资源。
2、当前关于车联网计算卸载的研究大多集中在优化计算卸载整体的时延与能耗[1][2]上,往往没有关注任务的类型不同带来的执行顺序公平性问题。在许多现有的车联网计算卸载方法如[3][4]中,在mec服务器上车辆任务的执行遵循先到先服务(fifo)的原则,可能会导致部分用户的计算密集型任务长时间占用计算资源,而其他用户的时延敏感型任务因无法及时获得计算资源而导致执行超时,造成用户间服务体验差异化与不公平,如图1所示。
3、[参考文献]
4、[1]zhan w,luo c,wang j,et al.deep-reinforcement-learning-basedoffloading scheduling for vehicular edge computing[j].ieee internet of thingsjournal,2020,7(6):5449-5465.
5、[2]wang j,ke h,liu x,et al.optimization for computational offloadingin multiaccess edge computing:a deep reinforcement learning scheme[j].computer networks,2022,204(1):108690-108705.
6、[3]qiu j,mao b,liu j.joint optimization of energy and delay in taskoffloading process of electric connected vehicles[c].in icc 2023-ieeeinternational conference on communications,2023:979-984.
7、[4]mao b,qiu j,kato n.on an intelligent task offloading model tojointly optimize latency and energy for electric connected vehicles[j].ieeetransactions on vehicular technology,2023,15(1):1-5.
8、[5]qin m,cheng n,jing z,et al.service-oriented energy-latencytradeoff for iot task partial offloading in mec-enhanced multi-rat networks[j].ieee internet of things journal,2021,8(3):1896-1907.
9、[6]ye q,zhuang w,zhang s,et al.dynamic radio resource slicing foratwo-tier-heterogeneous wireless network[j].ieee transactions on vehiculartechnology,2018,67(10):9896-9910
10、[7]wang g,chen x,zhang f,et al.experience:understanding long-termevolving patterns of shared electric vehicle networks[c].in the 25th annualinternational conference on mobile computing and networking,2019:1-12.
技术实现思路
1、针对上述现有技术,本发明提供一种基于改进粒子群算法的公平性保障的计算卸载方法,旨在解决车联网边缘计算卸载中的服务不公平问题。主要针对两点:
2、一是,不同类型任务计算执行顺序不公平:由于任务类型不同,各种车载应用对于计算资源的需求和对时延的敏感程度也不同。其中实时安全性应用需要毫秒级的响应时间,而媒体和娱乐内容的流式传输对时延的容忍度相对较高但需要相对大量的计算资源。如若按照fifo的顺序执行任务可能会导致计算密集型任务长期占用计算资源而其他任务无法执行,也可能导致时延敏感型任务无法及时得到执行。
3、二是,不同用户之间服务体验不公平:在fifo任务执行顺序下,任务执行顺序由于任务到达实践不同而无法预测,因而在用户的服务体验之间造成较大的差异,从而造成不同用户之间服务体验不公平。
4、为了解决上述技术问题,本发明提出的一种基于改进粒子群算法的公平性保障的计算卸载方法,首先,定义基于任务属性统计特征的执行顺序优先级,建立公平性模型,实现计算卸载服务公平的同时,最小化任务平均计算延迟和平均能耗;然后,使用粒子群算法对卸载决策问题进行优化,并对传统粒子群优化算法的惯性权重更新机制进行非线性改进,以增强算法对全局最优解的搜索能力。主要包括以下步骤:
5、步骤1、构建车联网边缘计算场景;
6、步骤2、基于任务属性统计特征定义任务执行顺序优先级;
7、步骤3、结合车联网边缘计算场景建立任务卸载计算模型:
8、步骤4、构建公平性模型:
9、步骤5、构建优化目标:
10、步骤6、模型算法映射:
11、步骤7、改进粒子群算法优化求解;
12、步骤8、最优卸载策略场景应用。
13、进一步讲,上述各部分的具体内容如下:
14、步骤1中,道路上行驶着n辆车且等间距放置m个rsu,所述道路中n辆车构成集合n={1,2,...,n};所述道路旁的rsu上部署有m个边缘服务器,m个边缘服务器构成集合m={1,2,...,m},所述mec服务器的计算资源表示为fmec;时间离散化为固定长度的时隙,记为t∈{1,2,...,t},其中,t是网络仿真终止时间;在每个时隙的开始车辆产生计算任务,车辆i(i∈n)产生的计算任务信息由表示;其中si(t)表示车辆i在时隙t产生的计算任务数据量大小,ci(t)表示处理车辆i在时隙t产生的任务计算所需的总cpu周期数,ci(t)在数值上等于任务数据量大小si(t)乘计算密度γ,表示任务λi(t)能容忍的最大时延;
15、步骤2中,任务执行顺序优先级与任务所需的计算资源ci(t)和其最大能容忍时延有关;任务i的执行顺序优先级pri(t)定义如下公式所示:
16、
17、式(1)中,0<η<1,代表任务所需计算资源量的权重系数;而pri(t)越低代表任务在mec服务器中将越优先执行;
18、步骤3中,首先,定义决策向量θ={x1(t),x2(t),...,xi(t),...,xn(t)},其中xi(t)∈m;
19、当决策变量xi(t)=0时,任务选择在车辆本地进行计算,令车辆所配备的obu中的cpu计算频率为fv,计算总时间开销表示如下:
20、
21、车辆i于本地执行计算任务的所消耗的总能量表示如下:
22、
23、式(3)中,pavg=κ*(fv)3用来表示车辆在本地处理任务时的执行功率;
24、当决策变量xi(t)=j且xi(t)≠0时,任务选择在mec服务器j上计算,其传输时延由下式表示:
25、
26、式(4)中,ri,j表示车辆i和rsu j之间的数据速率,其中,σ代表无线信道高斯白噪声功率,pi代表车辆i的传输功率,bi,j代表rsuj子信道的带宽,gi,j表示车辆i与rsuj之间的信道增益,gi,j=-30-15log10(di,j),di,j表示车辆i与rsu j之间的距离;
27、定义集合qi,j表示在时隙t中与车辆i卸载到同一mec服务器j上且任务执行顺序先于车辆i产生任务的集合,如式(6)所示:
28、qi,j(t,θ)={i′|i′∈n,xi′(t)=j,pri′(t)<pri(t)} (6)
29、设在所有卸载到同一mec服务器中的任务传输到达mec服务器之后,再统一按照优先级的顺序排序执行,故车辆i将任务卸载到rsuj的mec服务器执行的排队时延如下式所示:
30、
31、将车辆i产生的计算任务卸载至mec服务器j执行所需的计算时延用下公式表示;
32、
33、所涉及的总卸载时延表示为:
34、
35、式(9)中,表示在时隙t中,最后一个任务到达mec服务器j的时间;
36、总能耗则为车辆的传输能耗,如下公式所示;
37、
38、步骤4中,定义用户满意度csati为车辆i产生的任务在mec服务器上的计算时延与总卸载时延的比值,即:
39、
40、当任务选择在车辆本地进行计算时,满意度为0;
41、定义公平性系数fs时隙中所有用户满意度的标准差,如下公式所示,所述的标准差的值越小代表卸载决策越公平;
42、
43、式(12)中,代表时隙t中所有用户的平均用户满意度;
44、步骤5中,结合上述构建的任务卸载计算模型与公平性模型,将卸载决策优化目标构建为以下公式:
45、
46、
47、c3:fs(t,θ)≤f (16)
48、c4:xi(t)∈{0,1,2,3,…,m} (17)
49、c5:θ={x1(t),x2(t),…,xn(t)} (18)
50、c6:i∈{1,2,3,…,n} (19)
51、c7:t∈{1,2,3,…,t} (20)
52、步骤6中,将卸载决策变量θ映射为粒子群算法中的粒子位置x,从而通过改进粒子群法算法对式(13)-(20)进行求解,并对问题进行转化,将粒子群算法的适应度函数ω设置为:
53、
54、式(21)中,ρ1,ρ2分别代约束c1、c3的惩罚因子系数;
55、步骤7包括以下步骤:
56、7-1)设置改进粒子群算法的参数,包括粒子总数z,最大迭代轮次g,个体学习因子c1,群体学习因子c2,最高惯性权重最低惯性权重
57、7-2)在每个时隙的开始,算法的初始化阶段,计算每个车辆i与mec服务器j的距离,当车辆i与mec服务器j的距离小于该rsu的服务半径时,将与该rsu相连的mec服务器编号加入粒子维度i的搜索空间中;之后每个粒子从对应的搜索空间中随机选取一组rsu编码作为该粒子的初始位置与速度值;
58、7-3)通过式(21)计算每个初始粒子的适应函数值获得初始个体最优位置xk,pbest与全局最优位置xgbest;
59、7-4)判断当前迭代轮次τ是否到达g,若当前迭代轮次到达g执行步骤7-8),否则执行步骤7-5);
60、7-5)通过式(21),计算每个粒子的适应度函数值,并更新个体最优位置和全局最优位置;
61、7-6)利用式(22)更新粒子惯性权重,
62、
63、式(22)中,t表示迭代轮数,k为粒子索引,代表粒子k在第t+1次迭代的惯性权重,其中与指代初始指定的最高和最低的惯性权重值;是粒子k在第t次迭代中的适应度,为第τ次迭代中全体粒子的最低适应度、最高适应度和平均适应度;
64、7-7)通过以下公式(23)与(24)更新粒子的位置与速度,
65、
66、式(23)和式(24)中,与代表粒子k在τ轮迭代中的速度与位置,xk,pbest是该粒子的个体最优位置,xgbest是群体中的全局最优位置;r1和r2是介于0到1之间的随机值;之后返回步骤7-4)进行判断;
67、7-8)输出xgbest并将其作为卸载决策向量θ;
68、步骤8中,根据卸载决策向量θ完成车联网边缘系统中的计算任务卸载部署。
69、为验证发明所提算法的有效性,考虑真实车辆运行场景,通过使用公开的深圳市出租车轨迹数据集[7]来进行仿真实验。
70、在数据集中选取北纬22.5468,东经114.0970为坐标原点的2km*2km区域进行仿真实验,筛选出200辆车辆的轨迹数据用于进一步的实验分析。
71、实验结果表明与其他传统方法对比本发明所提公平性保障的计算卸载方法在时延、能耗、任务完成率、平均用户满意度与公平性系数上均优于传统卸载方法,证明了本发明所提技术方案的优越性。实验结果如图4-1至图4-5所示。
本文地址:https://www.jishuxx.com/zhuanli/20240801/242601.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表