CN110058928B - 异构车联网中基于鞅理论的计算任务分配方法 - Google Patents

异构车联网中基于鞅理论的计算任务分配方法 Download PDF

Info

Publication number
CN110058928B
CN110058928B CN201910227271.3A CN201910227271A CN110058928B CN 110058928 B CN110058928 B CN 110058928B CN 201910227271 A CN201910227271 A CN 201910227271A CN 110058928 B CN110058928 B CN 110058928B
Authority
CN
China
Prior art keywords
node
time
amount
calculation
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910227271.3A
Other languages
English (en)
Other versions
CN110058928A (zh
Inventor
刘婷婷
梁瑞宇
包永强
李小平
唐蕾
束锋
桂林卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201910227271.3A priority Critical patent/CN110058928B/zh
Publication of CN110058928A publication Critical patent/CN110058928A/zh
Application granted granted Critical
Publication of CN110058928B publication Critical patent/CN110058928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了异构车联网中基于鞅理论的计算任务分配方法，判断需要卸载的计算任务在时间T内是否能完成计算，若源节点的本地资源足够，直接进行源节点本地计算；若不够，将计算任务卸载到异构车联网中的车辆结点、边缘结点和云中心结点中并行进行计算。在分配前，先建立数据产生模型和数据服务模型，根据鞅理论，构建到达鞅和服务鞅，确定计算任务量与时延违反概率之间的关系，确定所有计算资源结点所能容纳的最大计算任务量，若所需卸载任务量大于最大计算任务量，则直接丢弃；若其小于最大计算任务量，构建最小化时延违反概率和的优化问题，计算出任务卸载到各结点的数量。本发明与传统的计算任务分配方法相比时延违反概率得到了明显降低。

Description

异构车联网中基于鞅理论的计算任务分配方法
技术领域
本发明涉及无线通信、车联网和边缘计算技术领域，特别涉及异构车联网中基于鞅理论的计算任务分配方法。
背景技术
近年来，汽车已不仅仅是一种为个体提供交通服务的代步工具，随着人们对自动驾驶、安全高效的交通路网等功能的需求，将独立的车辆整合成网络的智能交通***被提出。车辆要形成智能网络，实现自动驾驶等智能功能，必须要对变化的环境进行快速反应和预测，这就需要在很短的时间内完成大量的计算任务。目前计算任务主要由云中心完成，而云中心由于其位置较远，会产生较长的传输时延，无法在极短的时间内完成大量的计算任务，所以要实现智能交通***，仅依靠云中心是不够的。
为了解决这一问题，一方面，研究人员提出了边缘计算，将基站等边缘结点引入智能交通***，由于边缘结点的地理位置较接近终端用户，它的传输时延远小于云中心的传输时延。另一方面，研究人员提出将车辆结点看成是一种计算资源，车辆结点的地理位置更接近终端用户，它的传输时延比边缘结点更小。由此，形成了一种包含车辆结点、边缘结点和云中心的异构车联网。这三类计算资源有不同的特点，除了地理位置的区别之外，云中心具有无限的计算资源，计算时延可以忽略不计，在传输计算任务时需要路边单元作为中继协助传输；边缘结点的计算能力中等，会产生一定的计算时延，也需要路边单元作为中继协助传输；车辆结点计算能力最小，计算时延较大，由于位置与终端用户最接近，可与终端用户直接通信，不需要中继结点转发计算任务。在这样的一个异构网络中，如何分配计算任务，最小化计算任务的时延违反概率，就显得尤为重要。
发明内容
本发明提供的异构车联网中基于鞅理论的计算任务分配方法，目的在于填补异构车联网中的计算任务分配方法的空白，降低了时延违反概率。
为了实现上述技术目的，达到上述技术效果，本发明的技术方案包括以下步骤：
异构车联网中基于鞅理论的计算任务分配方法，其特征在于，包括以下步骤：
S1.需要卸载的计算任务的计算密度为L，判断在时间T内是否能完成计算，若源节点的本地资源足够，直接进行源节点本地计算；若不能，需要将计算任务卸载到异构车联网中的其他三种计算资源，包括车辆结点、边缘结点和云中心结点中并行进行计算；
S2.在进行计算任务分配前，先建立数据产生模型和数据服务模型，根据鞅理论，构建到达鞅和服务鞅；
S3.计算任务卸载到边缘结点或者云中心结点时，通过路边单元进行中继转发形成两跳链路，利用最小加代数法将两跳链路转换成等效的一跳链路，最后给出边缘结点和云中心结点基于鞅理论的时延违反概率；
S4.计算任务卸载到车辆结点时，考虑计算时延，给出基于鞅理论的时延违反概率；
S5.根据步骤S3和S4，计算出车辆结点、边缘结点和云中心结点的时延违反概率与分配的计算任务量之间的关系，确定所有计算结点所能容纳的最大计算任务量，若所有计算结点所能容纳的最大计算任务量小于所需卸载的计算任务量，则直接丢弃需要卸载的计算任务；若所有计算结点所能容纳的最大计算任务量大于所需卸载的计算任务量，构建最小化时延违反概率和的优化问题，计算出计算任务卸载到各结点的分配量。
2.根据权利要求1所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S3中，在时间[m,n]内，卸载的数据量定义为Si(m,n)，
Figure GDA0002693291780000021
Figure GDA0002693291780000022
和
Figure GDA0002693291780000023
分别表示在时间[0,n]内到达、离开和服务的数据量，其中m、n为自定义的时间，下标j＝1或j＝2分别表示第1或第2跳；若不需要区分边缘结点或云中心结点，用上标o统一标识；若需要区分边缘结点或云中心结点，上标e表示边缘结点，上标 c表示云中心结点；第1跳结点的离开过程表示为：
Figure GDA0002693291780000024
Figure GDA0002693291780000025
表示在时间[0,n]内，离开第1跳结点的数据量，
Figure GDA0002693291780000026
表示在时间[0,m]内，到达第1跳结点的数据量，
Figure GDA0002693291780000027
表示在时间[m,n]内，第1跳结点服务的数据量；
Figure GDA0002693291780000028
大于等于
Figure GDA0002693291780000029
和
Figure GDA00026932917800000210
之和的下确界；
第二跳中，路边单元的到达数据量即为离开第1跳结点的数据量，即：
Figure GDA00026932917800000211
Figure GDA00026932917800000212
表示在时间[0,n]内，路边单元的到达数据量；
第2跳结点的离开过程表示为：
Figure GDA00026932917800000213
Figure GDA00026932917800000214
表示在时间[0,n]内，离开第2跳结点的数据量，
Figure GDA00026932917800000215
表示在时间[0,m]内，到达第2跳结点的数据量，
Figure GDA00026932917800000216
表示在时间[m,n]内，第2跳结点服务的数据量；
Figure GDA00026932917800000217
大于等于
Figure GDA00026932917800000218
和
Figure GDA00026932917800000219
之和的下确界；
利用最小加代数法表示到达过程和服务过程的关系：
Figure GDA0002693291780000031
Figure GDA0002693291780000032
表示的是A(m)和S(m,n)之和的下确界；A(m)表示在时间[0,m]内，到达的数据量，S(m,n)表示在时间[m,n]内，服务的数据量；
第2跳结点的离开过程进一步表示为：
Figure GDA0002693291780000033
其中，
Figure GDA0002693291780000034
分别表示在在时间[0,n]内，到达第1跳结点的数据量、第 1跳结点服务的数据量和第2跳结点服务的数据量；
相应的，卸载到边缘结点或云中心结点的两跳链路用等效的一跳链路
Figure GDA0002693291780000035
和
Figure GDA0002693291780000036
分别表示如下：
Figure GDA0002693291780000037
Figure GDA0002693291780000038
Figure GDA0002693291780000039
表示卸载到边缘结点的第1跳结点的服务数据量，
Figure GDA00026932917800000310
表示在时间[0,n]内，卸载到边缘结点的第2跳结点的服务数据量，
Figure GDA00026932917800000311
表示卸载到云中心的第1跳结点的服务数据量，
Figure GDA00026932917800000312
表示在时间[0,n]内，卸载到云中心结点的第2跳结点的服务数据量；
Figure GDA00026932917800000313
表示在时间[0,τ1]，卸载到边缘结点的第1跳结点的服务数据量，
Figure GDA00026932917800000314
表示在时间[0,τ2]，卸载到边缘结点的第2跳结点的服务数据量，
Figure GDA00026932917800000315
表示在时间[0,τ1]，卸载到云中心的第1跳结点的服务数据量，
Figure GDA00026932917800000316
表示在时间[0,τ2]，卸载到云中心结点的第2跳结点的服务数据量；τ1和τ2为自定义的时间变量，它们满足关系τ1+τ2＝n。
当已知到达过程和离开过程后，时延过程表示为：
Figure GDA00026932917800000317
k表示时间变量，A(n-k)表示n-k时刻，到达的数据量；D(n)表示在时间[0,n]内，离开的数据量；
时延违反概率表示为：
Pr(W(n)≥k)＝Pr(A(n-k)≥D(n)) (18)
W(n)表示在时间[0,n]内，时延变量；
进一步写成：
Figure GDA00026932917800000318
A(k,n)表示k到n的时间段内，到达的数据量；S(n)表示在时间[0,n]内服务的数据量；
构建到达鞅和服务鞅，如下：
Figure GDA0002693291780000041
Figure GDA0002693291780000042
MA(n)为在时间[0,n]内的到达鞅；MS(n)为在时间[0,n]内的服务鞅；a(n)表示在时刻n 到达的数据量；ha(a(n))表示a(n)的右特征向量，θ为自定义的变量；A(n)表示在时间[0,n] 内到达的数据量；Ka表示一个随着θ和a(n)变化的变量；s(n)表示时刻n的服务数据量； hs(s(n))表示s(n)的右特征向量；Ks表示一个随着θ和s(n)变化的变量；
卸载到边缘结点时，考虑计算时延、传播时延和通信时延，给出基于鞅理论的时延违反概率，边缘结点的计算容量为fe，计算任务量为Xe，计算密度为L，计算时延Te comp表示为：
Figure GDA0002693291780000043
数据在有线信道的传输速率为se，传输时延
Figure GDA0002693291780000044
为：
Figure GDA0002693291780000045
源结点到边缘结点的传播时延假设为Te prop，边缘结点的时延违反概率为：
Figure GDA0002693291780000046
其中，
Figure GDA0002693291780000047
We表示任务在边缘结点中的排队时延，计算任务需要在T内完成；θe为自定义变量；
Figure GDA0002693291780000048
表示对
Figure GDA0002693291780000049
求期望；
Figure GDA00026932917800000410
表示a(0)的右特征向量，a(0)表示时刻为0的到达数据量；
Figure GDA00026932917800000411
表示一个随着θe和a(n)变化的变量，
Figure GDA00026932917800000412
表示一个随着θe和
Figure GDA00026932917800000413
变化的变量，
Figure GDA00026932917800000414
表示在时刻n，卸载到边缘结点的第1跳结点的服务数据量；
Figure GDA00026932917800000415
表示一个随着θe和
Figure GDA00026932917800000416
变化的变量；
Figure GDA00026932917800000417
表示在时刻n，卸载到边缘结点的第2 跳结点的服务数据量；
Figure GDA00026932917800000418
表示i取1或2时，随
Figure GDA00026932917800000419
或
Figure GDA00026932917800000420
变化的量；
Figure GDA00026932917800000421
ha(a(n))表示 a(n)的右特征向量，
Figure GDA00026932917800000422
表示
Figure GDA00026932917800000423
的右特征向量，
Figure GDA00026932917800000424
表示
Figure GDA00026932917800000425
的右特征向量；
卸载到云中心结点时，考虑通信时延、传播时延，给出基于鞅理论的时延违反概率，由于云中心距离边缘结点较远，Tc prop表示到达云中心结点的传播时延，Te prop表示到达边缘结点的传播时延，具有如下关系：
Tc prop>Te prop (27)
到达云中心结点的数据传输速率为sc，计算任务量为Xc，通信时延为：
Figure GDA0002693291780000051
云中心结点的时延违反概率为：
Figure GDA0002693291780000052
其中，Wc表示任务在云中心结点中的排队时延，计算任务需要在T内完成，
Figure GDA0002693291780000053
且
Figure GDA0002693291780000054
θc为自定义变量，ha(a(n))表示a(n)的右特征向量；
Figure GDA0002693291780000055
表示
Figure GDA0002693291780000056
的右特征向量；
Figure GDA0002693291780000057
表示在时刻n，卸载到云中心结点的第1 跳结点的服务数据量；
Figure GDA0002693291780000058
表示
Figure GDA0002693291780000059
的右特征向量；
Figure GDA00026932917800000510
表示在时刻n，卸载到云中心结点的第2跳结点的服务数据量；
Figure GDA00026932917800000511
表示一个随着θc和
Figure GDA00026932917800000512
变化的变量；
Figure GDA00026932917800000513
表示一个随着θc和
Figure GDA00026932917800000514
变化的变量；
Figure GDA00026932917800000515
表示一个随着θc和a(n)变化的变量；
Figure GDA00026932917800000516
表示i取 1或2时，随
Figure GDA00026932917800000517
或
Figure GDA00026932917800000518
变化的量。
步骤S4中，车辆结点的计算容量为fi，计算任务量为Xi，计算时延表示为：
Figure GDA00026932917800000519
车辆结点的时延违反概率为：
Figure GDA00026932917800000520
Figure GDA00026932917800000521
且
Figure GDA00026932917800000522
Wi表示任务在车辆结点中的排队时延，计算任务需要在T内完成；
Figure GDA00026932917800000523
表示对
Figure GDA00026932917800000524
求期望；
Figure GDA00026932917800000525
表示a(0)的右特征向量；
Figure GDA00026932917800000526
表示a(n)的右特征向量；
Figure GDA00026932917800000527
表示si(n)的右特征向量；si(n)表示时刻n的卸载数据量；
Figure GDA00026932917800000528
表示一个随着s(n)变化的变量；
Figure GDA00026932917800000529
表示一个随着θi和a(n)变化的变量；
Figure GDA00026932917800000530
表示一个随着θi和s(n)变化的变量。
步骤S5中，算出网络中所有计算结点所能容纳的最大计算任务量为：
Figure GDA0002693291780000061
若需要计算的任务量X大于Xmax，则直接丢弃该任务，若需要计算的任务量X小于Xmax，运用内点法解如下问题，
Figure GDA0002693291780000062
Figure GDA0002693291780000063
Figure GDA0002693291780000064
Figure GDA0002693291780000065
(d)0≤Xc≤(T-Tc prop)sc,
其中
Figure GDA0002693291780000066
则为最优的计算任务分配量，N表示车辆结点个数，
Figure GDA0002693291780000067
表示卸载到车辆结点的最优数据量，
Figure GDA0002693291780000068
表示卸载到边缘结点的最优数据量，
Figure GDA0002693291780000069
表示卸载到云中心结点的最优数据量。
有益效果
本发明运用鞅理论获得的各个计算资源的时延违反概率的过程是非常紧凑的，适用于数据量具有突发性质的非泊松到达过程；本发明提出的计算任务分配方法能够最小化时延违反概率和，进一步提升智能交通***计算卸载的性能。
附图说明
图1为异构车联网中基于鞅理论的计算任务分配方法。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述。
给定一个异构车联网，包含三种计算资源：一个云中心结点，一个边缘结点和N个车辆结点。一个源结点产生计算任务，还有一些路边单元作为中继，协助计算任务卸载。
1.源结点中数据产生模型
将源结点中计算任务产生通过蒙特卡洛(Monte Carlo Markov Chain,MCMC)方法，建模成马尔科夫开关(Markov-modulated on off,MMOO)过程，该过程有两个状态{0，1}，该马尔科夫链的转移矩阵可以表示为：
Figure GDA0002693291780000071
其中，pα表示状态0到状态1的转移概率，pβ表示状态1到状态0的转移概率。状态0表示没有计算任务产生，状态1表示产生的计算任务a(k)＝R。在时间[m,n]中累积数据量可以表示为：
Figure GDA0002693291780000072
A(m,n)看成是一个二元变量数据到达过程，当m＝0，简写成
Figure GDA00026932917800000710
2.卸载到车辆结点
计算任务卸载到车辆结点时，源结点采用截断信道翻转法，维持车辆结点处以恒定的速率收到卸载的计算任务。车辆结点的接收功率表示为：
Figure GDA0002693291780000073
其中，γi表示信道增益，假设为瑞利衰落信道，γi服从参数为1的指数分布。γ0为截断信道衰落深度。di为源结点到车辆结点的距离，α为信道衰落参数。中断概率为：
Figure GDA0002693291780000074
成功传输概率为
Figure GDA0002693291780000075
源结点为车辆结点提供的恒定传输速率Ci为
Figure GDA0002693291780000076
在时间[m,n]内，卸载的数据量可定义为
Figure GDA0002693291780000077
其中
Figure GDA0002693291780000078
相对应的离开过程可以定义为：
Di(n)≥inf{A(m)+Si(m,n)} (7)
我们假设
Figure GDA0002693291780000079
上式表示si的期望比a(k)大，但小于a(k)的峰值。
3.卸载到边缘结点或者云中心结点
计算任务卸载到边缘结点或云中心结点时，需要通过路边单元进行中继。这样就形成了一个两跳的链路。我们用
Figure GDA0002693291780000081
和
Figure GDA0002693291780000082
表示到达，离开和服务过程，下标j＝1或2分别表示第1或第2跳。当我们不需要区分边缘结点或云中心结点时，用上标o统一标识。当需要区分边缘结点或云中心结点时，我们用上标e表示边缘结点，用上标c表示云中心结点。第一跳的离开过程可以表示为
Figure GDA0002693291780000083
第二跳中，路边单元的到达数据量
Figure GDA0002693291780000084
即为源结点的离开数据量，即
Figure GDA0002693291780000085
路边单元的离开过程可以表示为
Figure GDA0002693291780000086
我们假设路边单元到边缘结点或者云中心结点都是通过光纤连接。我们假设如下关系
Figure GDA0002693291780000087
4.最小加代数法
我们用最小加代数法表示到达过程和服务过程的关系
Figure GDA0002693291780000088
第2跳的离开过程可以进一步表示为
Figure GDA0002693291780000089
相应的，卸载到边缘结点或云中心的两跳链路可以用等效的一跳链路
Figure GDA00026932917800000810
和
Figure GDA00026932917800000811
分别表示如下
Figure GDA00026932917800000812
Figure GDA00026932917800000813
5.鞅理论的相关知识
当已知到达过程和离开过程后，时延过程可以表示为
Figure GDA00026932917800000814
时延违反概率可以表示为
Pr(W(n)≥k)＝Pr(A(n-k)≥D(n)) (18)
进一步写成
Figure GDA00026932917800000815
要进一步分析时延违反概率，需要构建到达鞅和服务鞅，如下
Figure GDA0002693291780000091
Figure GDA0002693291780000092
6.车辆结点的时延违反概率
假设需要卸载的计算任务的计算密度为L，需要在时间T内完成，源结点的本地计算资源有限，无法在规定时间内完成，需要将计算任务卸载给其他计算结点，进行并行计算。假设车辆结点的计算容量为fi。计算时延表示为
Figure GDA0002693291780000093
利用鞅理论，车辆结点的时延违反概率为
Figure GDA0002693291780000094
7.边缘结点的时延违反概率
假设边缘结点的计算容量为fe，计算时延表示为
Figure GDA0002693291780000095
假设数据在有线信道的传输速率为se，传输时延为
Figure GDA0002693291780000096
源结点到边缘结点的传播时延假设为Te prop
利用鞅理论，计算任务分配到边缘结点的时延违反概率为
Figure GDA0002693291780000097
8.云中心结点的时延违反概率
因为云中心具有无限的计算资源，计算时延可以忽略不计。由于云中心结点距离边缘结点较远，传播时延为Tc prop，具有如下关系
Figure GDA0002693291780000098
假设数据的传输速率为sc，通信时延为
Figure GDA0002693291780000099
利用鞅理论，计算任务分配到云中心结点的时延违反概率为
Figure GDA0002693291780000101
9.计算任务分配方法
首先需要确认网络中所有计算资源能否容纳需要分配的计算任务。算出网络中能够容纳的最大计算任务为
Figure GDA0002693291780000102
若需要计算的任务量X大于Xmax，则直接丢弃该任务，若X大于Xmax，运用内点法解如下问题：
Figure GDA0002693291780000103
Figure GDA0002693291780000104
Figure GDA0002693291780000105
Figure GDA0002693291780000106
(d)0≤Xc≤(T-Tc prop)sc,
其中
Figure GDA0002693291780000107
则为最优的计算任务分配量。
以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (5)

1.异构车联网中基于鞅理论的计算任务分配方法，其特征在于，包括以下步骤：
S1.需要卸载的计算任务的计算密度为L，判断在时间T内是否能完成计算，若源节点的本地资源足够，直接进行源节点本地计算；若不能，需要将计算任务卸载到异构车联网中的其他三种计算资源，包括车辆结点、边缘结点和云中心结点中并行进行计算；
S2.在进行计算任务分配前，先建立数据产生模型和数据服务模型，根据鞅理论，构建到达鞅和服务鞅；
S3.计算任务卸载到边缘结点或者云中心结点时，通过路边单元进行中继转发形成两跳链路，利用最小加代数法将两跳链路转换成等效的一跳链路，最后给出边缘结点和云中心结点基于鞅理论的时延违反概率；
S4.计算任务卸载到车辆结点时，考虑计算时延，给出基于鞅理论的时延违反概率；
S5.根据步骤S3和S4，计算出车辆结点、边缘结点和云中心结点的时延违反概率与分配的计算任务量之间的关系，确定所有计算结点所能容纳的最大计算任务量，若所有计算结点所能容纳的最大计算任务量小于所需卸载的计算任务量，则直接丢弃需要卸载的计算任务；若所有计算结点所能容纳的最大计算任务量大于所需卸载的计算任务量，构建最小化时延违反概率和的优化问题，计算出计算任务卸载到各结点的分配量。
2.根据权利要求1所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S3中，在时间[m,n]内，卸载的数据量定义为Si(m,n)，
Figure FDA0002693291770000011
Figure FDA0002693291770000012
和
Figure FDA0002693291770000013
分别表示在时间[0,n]内到达、离开和服务的数据量，其中m、n为自定义的时间，下标j＝1或j＝2分别表示第1或第2跳；若不需要区分边缘结点或云中心结点，用上标o统一标识；若需要区分边缘结点或云中心结点，上标e表示边缘结点，上标c表示云中心结点；第1跳结点的离开过程表示为：
Figure FDA0002693291770000014
Figure FDA0002693291770000015
表示在时间[0,n]内，离开第1跳结点的数据量，
Figure FDA0002693291770000016
表示在时间[0,m]内，到达第1跳结点的数据量，
Figure FDA0002693291770000017
表示在时间[m,n]内，第1跳结点服务的数据量；
Figure FDA0002693291770000018
大于等于
Figure FDA0002693291770000019
和
Figure FDA00026932917700000110
之和的下确界；
第二跳中，路边单元的到达数据量即为离开第1跳结点的数据量，即：
Figure FDA00026932917700000111
Figure FDA00026932917700000112
表示在时间[0,n]内，路边单元的到达数据量；
第2跳结点的离开过程表示为：
Figure FDA0002693291770000021
Figure FDA0002693291770000022
表示在时间[0,n]内，离开第2跳结点的数据量，
Figure FDA0002693291770000023
表示在时间[0,m]内，到达第2跳结点的数据量，
Figure FDA0002693291770000024
表示在时间[m,n]内，第2跳结点服务的数据量；
Figure FDA0002693291770000025
大于等于
Figure FDA0002693291770000026
和
Figure FDA0002693291770000027
之和的下确界；
利用最小加代数法表示到达过程和服务过程的关系：
Figure FDA0002693291770000028
Figure FDA0002693291770000029
表示的是A(m)和S(m,n)之和的下确界；A(m)表示在时间[0,m]内，到达的数据量，S(m,n)表示在时间[m,n]内，服务的数据量；
第2跳结点的离开过程进一步表示为：
Figure FDA00026932917700000210
其中，
Figure FDA00026932917700000211
分别表示在在时间[0,n]内，到达第1跳结点的数据量、第1跳结点服务的数据量和第2跳结点服务的数据量；
相应的，卸载到边缘结点或云中心结点的两跳链路用等效的一跳链路
Figure FDA00026932917700000212
和
Figure FDA00026932917700000213
分别表示如下：
Figure FDA00026932917700000214
Figure FDA00026932917700000215
Figure FDA00026932917700000216
表示卸载到边缘结点的第1跳结点的服务数据量，
Figure FDA00026932917700000217
表示在时间[0,n]内，卸载到边缘结点的第2跳结点的服务数据量，
Figure FDA00026932917700000218
表示卸载到云中心的第1跳结点的服务数据量，
Figure FDA00026932917700000219
表示在时间[0,n]内，卸载到云中心结点的第2跳结点的服务数据量；
Figure FDA00026932917700000220
表示在时间[0,τ1]，卸载到边缘结点的第1跳结点的服务数据量，
Figure FDA00026932917700000221
表示在时间[0,τ2]，卸载到边缘结点的第2跳结点的服务数据量，
Figure FDA00026932917700000222
表示在时间[0,τ1]，卸载到云中心的第1跳结点的服务数据量，
Figure FDA00026932917700000223
表示在时间[0,τ2]，卸载到云中心结点的第2跳结点的服务数据量；τ1和τ2为自定义的时间变量，它们满足关系τ1+τ2＝n。
3.根据权利要求2所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，当已知到达过程和离开过程后，时延过程表示为：
Figure FDA00026932917700000224
k表示时间变量，A(n-k)表示n-k时刻，到达的数据量；D(n)表示在时间[0,n]内，离开的数据量；
时延违反概率表示为：
Pr(W(n)≥k)＝Pr(A(n-k)≥D(n)) (18)
W(n)表示在时间[0,n]内，时延变量；
进一步写成：
Figure FDA0002693291770000031
A(k,n)表示k到n的时间段内，到达的数据量；S(n)表示在时间[0,n]内服务的数据量；
构建到达鞅和服务鞅，如下：
Figure FDA0002693291770000032
Figure FDA0002693291770000033
MA(n)为在时间[0,n]内的到达鞅；MS(n)为在时间[0,n]内的服务鞅；a(n)表示在时刻n到达的数据量；ha(a(n))表示a(n)的右特征向量，θ为自定义的变量；A(n)表示在时间[0,n]内到达的数据量；Ka表示一个随着θ和a(n)变化的变量；s(n)表示时刻n的服务数据量；hs(s(n))表示s(n)的右特征向量；Ks表示一个随着θ和s(n)变化的变量；
卸载到边缘结点时，考虑计算时延、传播时延和通信时延，给出基于鞅理论的时延违反概率，边缘结点的计算容量为fe，计算任务量为Xe，计算密度为L，计算时延
Figure FDA0002693291770000034
表示为：
Figure FDA0002693291770000035
数据在有线信道的传输速率为se，传输时延
Figure FDA0002693291770000036
为：
Figure FDA0002693291770000037
源结点到边缘结点的传播时延假设为
Figure FDA0002693291770000038
边缘结点的时延违反概率为：
Figure FDA0002693291770000039
其中，
Figure FDA00026932917700000310
We表示任务在边缘结点中的排队时延，计算任务需要在T内完成；θe为自定义变量；
Figure FDA00026932917700000311
表示对
Figure FDA00026932917700000312
求期望；
Figure FDA00026932917700000313
表示a(0)的右特征向量，a(0)表示时刻为0的到达数据量；
Figure FDA00026932917700000314
表示一个随着θe和a(n)变化的变量，
Figure FDA00026932917700000315
表示一个随着θe和
Figure FDA00026932917700000316
变化的变量，
Figure FDA00026932917700000317
表示在时刻n，卸载到边缘结点的第1跳结点的服务数据量；
Figure FDA00026932917700000318
表示一个随着θe和
Figure FDA00026932917700000319
变化的变量；
Figure FDA00026932917700000320
表示在时刻n，卸载到边缘结点的第2 跳结点的服务数据量；
Figure FDA00026932917700000321
表示i取1或2时，随
Figure FDA00026932917700000322
或
Figure FDA00026932917700000323
变化的量；
Figure FDA0002693291770000041
ha(a(n))表示a(n)的右特征向量，
Figure FDA0002693291770000042
表示
Figure FDA0002693291770000043
的右特征向量，
Figure FDA0002693291770000044
表示
Figure FDA0002693291770000045
的右特征向量；
卸载到云中心结点时，考虑通信时延、传播时延，给出基于鞅理论的时延违反概率，由于云中心距离边缘结点较远，
Figure FDA0002693291770000046
表示到达云中心结点的传播时延，
Figure FDA0002693291770000047
表示到达边缘结点的传播时延，具有如下关系：
Figure FDA0002693291770000048
到达云中心结点的数据传输速率为sc，计算任务量为Xc，通信时延为：
Figure FDA0002693291770000049
云中心结点的时延违反概率为：
Figure FDA00026932917700000410
其中，Wc表示任务在云中心结点中的排队时延，计算任务需要在T内完成，
Figure FDA00026932917700000411
且
Figure FDA00026932917700000412
θc为自定义变量，ha(a(n))表示a(n)的右特征向量；
Figure FDA00026932917700000413
表示
Figure FDA00026932917700000414
的右特征向量；
Figure FDA00026932917700000415
表示在时刻n，卸载到云中心结点的第1跳结点的服务数据量；
Figure FDA00026932917700000416
表示
Figure FDA00026932917700000417
的右特征向量；
Figure FDA00026932917700000418
表示在时刻n，卸载到云中心结点的第2跳结点的服务数据量；
Figure FDA00026932917700000419
表示一个随着θc和
Figure FDA00026932917700000420
变化的变量；
Figure FDA00026932917700000421
表示一个随着θc和
Figure FDA00026932917700000422
变化的变量；
Figure FDA00026932917700000423
表示一个随着θc和a(n)变化的变量；
Figure FDA00026932917700000424
表示i取1或2时，随
Figure FDA00026932917700000425
或
Figure FDA00026932917700000426
变化的量。
4.根据权利要求3所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S4中，车辆结点的计算容量为fi，计算任务量为Xi，计算时延表示为：
Figure FDA00026932917700000427
车辆结点的时延违反概率为：
Figure FDA00026932917700000428
Figure FDA00026932917700000429
且
Figure FDA00026932917700000430
Wi表示任务在车辆结点中的排队时延，计算任务需要在T内完成；
Figure FDA00026932917700000431
表示对
Figure FDA0002693291770000051
求期望；
Figure FDA0002693291770000052
表示a(0)的右特征向量；
Figure FDA0002693291770000053
表示a(n)的右特征向量；
Figure FDA0002693291770000054
表示si(n)的右特征向量；si(n)表示时刻n的卸载数据量；
Figure FDA0002693291770000055
表示一个随着s(n)变化的变量；
Figure FDA0002693291770000056
表示一个随着θi和a(n)变化的变量；
Figure FDA0002693291770000057
表示一个随着θi和s(n)变化的变量。
5.根据权利要求4所述的异构车联网中基于鞅理论的计算任务分配方法，其特征在于，所述步骤S5中，算出网络中所有计算结点所能容纳的最大计算任务量为：
Figure FDA0002693291770000058
若需要计算的任务量X大于Xmax，则直接丢弃该任务，若需要计算的任务量X小于Xmax，运用内点法解如下问题，
Figure FDA0002693291770000059
Figure FDA00026932917700000510
(b)
Figure FDA00026932917700000511
(c)
Figure FDA00026932917700000512
(d)
Figure FDA00026932917700000513
其中
Figure FDA00026932917700000514
则为最优的计算任务分配量，N表示车辆结点个数，
Figure FDA00026932917700000515
表示卸载到车辆结点的最优数据量，
Figure FDA00026932917700000516
表示卸载到边缘结点的最优数据量，
Figure FDA00026932917700000517
表示卸载到云中心结点的最优数据量。
CN201910227271.3A 2019-03-25 2019-03-25 异构车联网中基于鞅理论的计算任务分配方法 Active CN110058928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910227271.3A CN110058928B (zh) 2019-03-25 2019-03-25 异构车联网中基于鞅理论的计算任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910227271.3A CN110058928B (zh) 2019-03-25 2019-03-25 异构车联网中基于鞅理论的计算任务分配方法

Publications (2)

Publication Number Publication Date
CN110058928A CN110058928A (zh) 2019-07-26
CN110058928B true CN110058928B (zh) 2020-11-06

Family

ID=67317317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910227271.3A Active CN110058928B (zh) 2019-03-25 2019-03-25 异构车联网中基于鞅理论的计算任务分配方法

Country Status (1)

Country Link
CN (1) CN110058928B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110557838B (zh) * 2019-09-02 2020-08-18 南京工程学院 无线内容分发网络中基于契约理论的缓冲资源分配方法
CN110730232B (zh) * 2019-10-15 2020-09-15 南京工程学院 边缘计算中高能效的计算结点选择和计算任务分配方法
CN110753101B (zh) * 2019-10-15 2020-09-01 南京工程学院 边缘计算中低能耗的计算结点选择和计算任务分配方法
CN112181658B (zh) * 2020-09-30 2024-04-05 南京工程学院 一种异构网络中最大化网络收益的计算任务分配方法
CN112929217B (zh) * 2021-02-05 2022-07-01 吉林化工学院 一种基于鞅理论的差异化网络流量带宽需求估计方法
CN113315818B (zh) * 2021-05-10 2023-03-24 华东桐柏抽水蓄能发电有限责任公司 一种基于边缘计算的数据采集终端资源适配方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140336789A1 (en) * 2013-05-13 2014-11-13 Massachusetts Institute Of Technology Controlling dynamical systems with bounded probability of failure

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067842B (zh) * 2018-07-06 2020-06-26 电子科技大学 面向车联网的计算任务卸载方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140336789A1 (en) * 2013-05-13 2014-11-13 Massachusetts Institute Of Technology Controlling dynamical systems with bounded probability of failure

Also Published As

Publication number Publication date
CN110058928A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110058928B (zh) 异构车联网中基于鞅理论的计算任务分配方法
US5883819A (en) Method and system for quality of service assessment for multimedia traffic under aggregate traffic conditions
Zorzi et al. Capture and retransmission control in mobile radio
CN110225553B (zh) 一种数据分流方法及设备、***
CN104796959B (zh) 一种簇结构多载波水声传感器网络的混合型mac协议方法
WO2004109962A3 (en) Admitting data flows to a multiple access network
CN102244683B (zh) 一种提高车联网应用中混合业务服务质量的方法
US5864541A (en) Method and system for simultaneous service capacity calculation for multimedia services under aggregate traffic conditions
EP1788830A1 (en) System and method for allocating resource and user terminal using the method
CN1984020A (zh) 一种传输数据的方法及装置
Sepulcre et al. Is packet dropping a suitable congestion control mechanism for vehicular networks?
Nguyen et al. Joint offloading and IEEE 802.11 p-based contention control in vehicular edge computing
CN115665227B (zh) 一种普适的异构融合算网资源智慧适配网络架构及方法
CN114928611A (zh) 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法
CN107682235A (zh) 一种基于卡尔曼滤波的传输时延预测数据调度方法
CN103188785B (zh) 一种物联网无线中继接入策略中功率分配的优化方法
US5886984A (en) Method and system for service capacity calculation for multimedia services under aggregate traffic conditions
CN102098230B (zh) 车辆通信中基于时间和空间相关性的资源调度方法
CN107567032A (zh) 无线Mesh网络中无线传输资源配置方法、装置及通信设备
CN116132952A (zh) 一种基于深度强化学习的车联网区分优先级频谱分配方法
Dong et al. Packet delay analysis on IEEE 802.11 DCF under finite load traffic in multi-hop ad hoc networks
CN100518081C (zh) 微波接入全球互通***的带宽请求方法
CN108810856B (zh) 一种m2m终端业务优化控制方法
Lee et al. A study of mobile edge computing system architecture for connected car media services on highway
Chan et al. A dynamic reservation protocol for LEO mobile satellite systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant