CN110928691A - 一种面向交通数据的端边协同计算卸载方法 - Google Patents

Abstract

为了解决现有技术中计算卸载的算法不适合智能交通领域的问题，本发明提供一种面向交通数据的端边协同计算卸载方法，首先为通信时延和计算时延建立***模型；然后建立以时延和资源为约束条件的***效用函数；最后设计优化策略在两者之间取得平衡。本发明在计算卸载过程中综合考虑计算资源和时延，设计优化函数去取得两者之间的平衡。本发明首先根据通信时间***模型、边缘侧计算时间***模型和本地计算时间***模型，建立总时延***模型；然后综合考虑资源分配的均衡性，设计***效用函数；最后研究***优化策略，完成计算卸载算法的设计。本发明针对智能交通行业应用的特点，设计过程中兼顾资源分配和时延，性能上优于传统算法。

Description

一种面向交通数据的端边协同计算卸载方法

技术领域

本发明涉及物联网任务卸载技术领域，特别涉及一种面向交通数据的端边协同计算卸载方法。

背景技术

随着智能交通技术的不断发展，交通感知设备和控制***所产生的数据不断变大，使得对数据计算处理的能力需求不断加大。处理这类需求，首先考虑到的当然是云计算技术，其优势主要是集中式的云服务器提供超强的计算能力和计算资源。然而，在智能交通***中，处理这些计算密集型和时延敏感性任务时，由于对时延的要求比较高，而边缘计算恰好具有更接近前端设备的计算能力来消除延迟的这一特点，因此更具发展潜力。正是这些需求的不断增长促进了移动/多接入边缘计算(MEC)技术的发展。在如今5G技术兴起的浪潮下，通过移动/多接入边缘计算技术使应用、服务和内容可以实现本地化、近距离、分布式部署，来解决5G网络热点高容量、低功耗大连接以及低时延高可靠等技术场景的业务需求。在交通控制领域中，图像或视频分析大量应用了AI算法，AI算法对GPU等计算资源又有较高的要求，因此就需要研究时延最短的计算卸载算法。

计算卸载是边缘计算关键技术之一，是指受资源约束的前端感知设备完全或部分地将计算密集型任务卸载到资源充足的边缘计算节点，主要解决了前端设备在资源存储、计算性能以及能效等方面存在的不足。计算卸载技术可以直接在摄像头很近的边缘计算节点上直接进行数据分析(图像分析或视频分析)，这不仅减轻了核心网的压力，而且降低了因传输带来的时延。计算卸载主要包含卸载决策和资源分配两个问题。在卸载决策方面，为了降低时延，Mao等人提出了一种基于Lyapunov优化的动态卸载(low-complexityLyapunov optimization based dynamic computation offloading,LODCO)算法，实验结果表明改算法能将运行时间缩短64％。Zhang等人提出的以降低时延为目标的最优卸载方案，提出了分层的移动边缘计算部署架构，采用Stackelberg博弈论的方法解决了多用户卸载方案。对于资源分配来说可以分为单节点分配和多节点分配，如果计算任务是不可分割的或可以分割但分割的部分存在联系，这种情况下卸载任务就需要卸载到同一个边缘计算节点；而对于可以分割但分割的部分不存在联系的计算任务，则可以将其卸载到多个边缘计算节点。Wang等人提出了干扰管理的方案，在最小化干扰的条件下进行通信资源分配、计算资源分配方案，减少了40％的时延。目前关于计算卸载的研究成果较多，但是面向智能交通管理的计算卸载方案还是很少。

更重要的是，对于交通控制来说，总时延应该越少越好，但是由于边缘计算节点上的计算资源是有限制的，如果多个任务卸载到同一边缘计算节点上，会导致整个***的通信或计算负载不均衡。

总之，现有的针对计算卸载的研究多集中在如何减少延时，忽略了资源的限制，使计算卸载的算法在智能交通领域不适用。

发明内容

为了解决现有技术中计算卸载的算法不适合智能交通领域的问题，本发明提供一种面向交通数据的端边协同计算卸载方法。

本发明为了解决上述技术体所采用的技术方案是：一种面向交通数据的端边协同计算卸载方法，其技术方案在于：首先为通信时延和计算时延建立***模型；然后建立以时延和资源为约束条件的***效用函数；最后设计优化策略在两者之间取得平衡。

其中，一种面向交通数据的端边协同计算卸载方法，包括以下步骤：

1)构建通信时延和计算时延模型：

101)进行相关参数进行定义，对计算进行准备，具体为：根据道路的邻近性把城市空间分成m个区域，每个区域部署一个边缘计算节点，边缘计算节点集合定义为M＝{1,…，m}；

假定有n个摄像头设备请求计算服务，每个计算任务表示为

其中d_i表示第i个计算任务输入数据大小，c_i表示第i个任务所需要计算资源数，T_i ^max表示任务完成所允许的最大时延；

假定每个任务都可以选择一个边缘计算节点去执行，那么，边缘计算节点选择策略变量x_ij＝1表示为D_i任务在第j个边缘计算服务器上执行，x_ij＝0则表示任务不在第j个边缘计算服务器上执行；

102)构建通信时延计算模型；

2)平衡时延与资源：

采用***效用函数在资源和时延之间取得平衡：U_i(x_ij，f_ij)＝α log(1+β-T_i)；其中，α是一个满意度参数，α越大，满意度越高；β用于将满意度标准化为非负的参数；整个***的效用函数可以记为：

T_i为任务处理总时延；

优化策略函数：定义x＝{x_ij}为边缘计算节点选择策略向量；f＝{f_ij}为计算资源向量，则***最优函数为：

其中，①条件保证任务处理时间不能超过允许的最大的时延；条件②和③保证每个任务只能在一个边缘计算节点上或当摄像头上运行；条件④和⑤约束在同一边缘计算节点上的所有任务所需要的计算资源之和不能超过该边缘计算节点资源的总和。

其中，步骤102)构建通信时延计算模型的具体步骤为：

1021)对于无线通信，假设第i个摄像头设备向第j个边缘计算节点请求计算任务，h_ij表示信道增益，p_ij表示传输功率，那么可达率可以表示为：

其中，P_noise表示噪声功率，B表示***带宽，则通信时间为：

1022)对于有线通信：假设第i个摄像头设备向第j个边缘计算节点请求计算任务，摄像头设备发包收包的时间为T^wired，则通信时间为：T_ij ^com＝T^wired/2；

1023)计算时间***模型：假定第j个边缘计算节点的总计算资源表示为F_j，f_ij表示分配给第i个任务的计算资源，那么计算资源分配需要满足约束条件

那么第i个任务在第j个边缘节点的任务计算时间为：

1024)计算卸载时间计算：任务D_i卸载到第j个边缘计算节点所需要的总时间为：

1025)本地计算时间***模型：如果任务在摄像头设备中执行，没有经过计算卸载，那么总时间就是计算任务在本地处理的时间：

其中，f_i表示摄像头设备的计算资源；

1026)通信的总时延计算：任务处理总时延：

本发明的有益效果是：本发明在计算卸载过程中综合考虑计算资源和时延，设计优化函数去取得两者之间的平衡。本发明首先根据通信时间***模型、边缘侧计算时间***模型和本地计算时间***模型，建立总时延***模型；然后综合考虑资源分配的均衡性，设计***效用函数；最后研究***优化策略，完成计算卸载算法的设计。本发明针对智能交通行业应用的特点，设计过程中兼顾资源分配和时延，性能上优于传统算法。

附图说明

图1为本发明的***框图。

图2为本发明的流程图。

具体实施方式

下面结合附图对本申请进行进一步的说明。

本发明的整体框架图如图1所示，主要分为前端感知设备，即融合了AI算法的摄像头设备，和边缘计算服务器。n个摄像头设备通过有线网络、5G或WIFI6等通信技术，向其附近布置的m个边缘计算节点发送计算任务。

本发明首先为通信时延和计算时延建立***模型；然后建立以时延和资源为约束条件的***效用函数；最后设计优化策略在两者之间取得平衡。下面结合具体实例对本发明的实施方式做进一步的说明：

本发明的流程图如图2所示，执行和边缘执行；再接着进行卸载决策，将计算任务交至控制层面，由控制层面的执行器去做卸载决策，当计算任务能够在摄像头设备内完成时，不用进行计算卸载直接在摄像头设备中执行，当计算任务不能在摄像头设备内完成时，需要进行计算卸载到边缘计算节点中执行。

具体的，本发明包括以下步骤：

1)首先进行相关参数定义：

定义1：根据道路的邻近性把城市空间分成m个区域，每个区域部署一个边缘计算节点，那么边缘计算节点集合可以定义为M＝{1,…，m}。

定义2：假定有n个摄像头设备请求计算服务，每个计算任务可以用三元组来表示为

其中d_i表示第i个计算任务输入数据大小，c_i表示第i个任务所需要计算资源数，T_i ^max表示任务完成所允许的最大时延。

定义3：假定每个任务都可以选择一个边缘计算节点去执行，那么，边缘计算节点选择策略变量x_ij＝1表示为D_i任务在第j个边缘计算服务器上执行，x_ij＝0则表示任务不在第j个边缘计算服务器上执行。特别地，当计算任务没有发生计算卸载，在摄像头设备上执行时，令j＝0，选择策略变量x_i0＝1，否则x_i0＝0。对于任务D_i来说，需要满足约束条件

2)时延计算：

智能交通***的通信时延包含无线通信时延和有线通信时延。其网络通信方式主要有有线通信、5G通信技术和WIFI6等。本发明将以无线通信和有线通信两种通信方式来对本发明相关的时延计算进行说明。

无线通信时间计算模型：假设第i个摄像头设备向第j个边缘计算节点请求计算任务，h_ij表示信道增益，p_ij表示传输功率，那么可达率可以表示为：

其中，P_noise表示噪声功率，B表示***带宽。

那么通信时间可以表示为：

有线通信时间计算模型：假设第i个摄像头设备向第j个边缘计算节点请求计算任务，二者是通过有线的方式进行连接，从摄像头设备处向边缘计算节点发送一个心跳包，然后边缘计算节点会回复一个心跳包，通过记录摄像头设备发包收包的时间为T^wired，则通信时间为：

T_ij ^com＝T^wired/2 (3)

计算时间***模型：一个边缘计算节点可以执行一个计算任务，也可以执行多个计算任务。在执行计算任务时，计算资源需要满足所有计算任务的时延要求。假定第j个边缘计算节点的总计算资源表示为F_j，f_ij表示分配给第i个任务的计算资源，那么计算资源分配需要满足约束条件

那么第i个任务在第j个边缘节点的任务计算时间为：

计算卸载时间计算：任务D_i卸载到第j个边缘计算节点所需要的总时间为：

本地计算时间***模型：如果任务在摄像头设备中执行，没有经过计算卸载，那么总时间就是计算任务在本地处理的时间：

其中，f_i表示摄像头设备的计算资源。

通信的总时延计算：根据定义3，任务可以选择卸载到边缘计算节点中计算，也可以在摄像头设备中计算，任务处理总时延由公式(5)和公式(6)可得：

3)优化策略：对于交通控制来说，总时延应该越少越好，但是由于边缘计算节点上的计算资源是有限制的，如果多个任务卸载到同一边缘计算节点上，会导致整个***的通信或计算负载不均衡。

本发明采用***效用函数(System utility function)在资源和时延之间取得平衡，如公式(8)所示：

U_i(x_ij,f_ij)＝αlog(1+β-T_i) (8)

其中，α是一个满意度参数，α越大，满意度越高；β用于将满意度标准化为非负的参数。整个***的效用函数可以记为：

优化策略函数：定义x＝{x_ij}为边缘计算节点选择策略向量；f＝{f_ij}为计算资源向量，***最优函数为公式(9)所示。

其中，①条件保证任务处理时间不能超过允许的最大的时延；条件②和③保证每个任务只能在一个边缘计算节点上(当j＞0时)或摄像头上(当j＝0时)运行；条件④和⑤约束在同一边缘计算节点上的所有任务所需要的计算资源之和不能超过该边缘计算节点资源的总和。

具体实施例I：摄像头设备捕捉到的车辆行驶图，当前端摄像头需要处理有多少辆车这样的计算量较小的任务时，则不需要将计算任务卸载到边缘计算节点上来执行，只需要在摄像头设备中运行，运行的时间就为本地处理的时间：

c_i表示第i个任务所需要计算资源数，f_i表示摄像头设备的计算资源。

当处理像识别车牌和车辆颜色等较大计算量的任务时，则需要将计算任务卸载到边缘计算节点上来执行，这里只说明在有线通信情况下计算卸载的总时延。假设路口的第i个摄像头设备向第j个边缘计算节点请求计算任务，通信时间为

其中T^wired为摄像头设备发送并接收到边缘计算节点返回信号的总时间。

计算卸载时间计算：第i个任务在第j个边缘节点的任务计算时间为：

其中，f_ij表示分配给第i个任务的计算资源，则将计算任务D_i卸载到第j个边缘计算节点所需要的总时间为：

有线通信的总时延计算：

对于交通控制***来说，总时延要控制得越小越好，但是由于边缘计算节点上的计算资源是有限制的，如果多个任务卸载到同一边缘计算节点上，会导致整个***的通信或计算负载不均衡。所以设计***效用函数在资源和时延之间取得平衡，其公式为U_i(x_ij,f_ij)＝αlog(1+β-T_i)，其中，α是一个满意度参数，α越大，满意度越高；β用于将满意度标准化为非负的参数。整个***的效用函数可以记为：

此外，优化策略函数：定义x＝{x_ij}为边缘计算节点选择策略向量；f＝{f_ij}为计算资源向量，***最优函数为

其中，①条件保证任务处理时间不能超过允许的最大的时延；条件②和③保证每个任务只能在一个边缘计算节点上(当j＞0时)或前端设备上(当j＝0时)运行；条件④和⑤约束在同一边缘计算节点上的所有任务所需要的计算资源之和不能超过该边缘计算节点资源的总和。

总之，由于前端设备计算资源不足，传统的方法是将计算任务卸载到边缘计算节点上运行，通过端-边的协同为时延受限的交通控制等应用提供服务。从交通控制的角度看，需要以降低时延为目标去研究计算卸载。但是AI算法对GPU等计算资源又有较高的要求，在时延和计算资源之间取得平衡是计算卸载的关键。

本发明与传统算法不同，首先为通信时延和计算时延建立***模型；然后建立以时延和资源为约束条件的***效用函数；最后设计优化策略在两者之间取得平衡。计算卸载过程在时延和计算资源两者之间取得了平衡。

以上只是根据具体实例来对本发明进行相关说明，本发明在针对车流量等交通数据进行端边协同的计算卸载方法，根据道路的邻近性部署一定量的边缘计算节点，当路口的摄像头设备无法处理计算量过大的任务时，通过端边协同将计算任务卸载到边缘计算节点上来进行运算，解决了交通控制的时延问题。

Claims (3)

1.一种面向交通数据的端边协同计算卸载方法，其特征在于：首先为通信时延和计算时延建立***模型；然后建立以时延和资源为约束条件的***效用函数；最后设计优化策略在两者之间取得平衡。

2.根据权利要求1所述的一种面向交通数据的端边协同计算卸载方法，其特征在于：包括以下步骤：

1)构建通信时延和计算时延模型：

101)进行相关参数进行定义，对计算进行准备，具体为：根据道路的邻近性把城市空间分成m个区域，每个区域部署一个边缘计算节点，边缘计算节点集合定义为M＝{1,…，m}；

假定有n个摄像头设备请求计算服务，每个计算任务表示为

i∈N＝{1,…,n}，其中d_i表示第i个计算任务输入数据大小，c_i表示第i个任务所需要计算资源数，T_i ^max表示任务完成所允许的最大时延；

假定每个任务都可以选择一个边缘计算节点去执行，那么，边缘计算节点选择策略变量x_ij＝1表示为D_i任务在第j个边缘计算服务器上执行，x_ij＝0则表示任务不在第j个边缘计算服务器上执行；

102)构建通信时延计算模型；

2)平衡时延与资源：

采用***效用函数在资源和时延之间取得平衡：U_i(x_ij，f_ij)＝α log(1+β-T_i)；其中，α是一个满意度参数，α越大，满意度越高；β用于将满意度标准化为非负的参数；整个***的效用函数可以记为：

T_i为任务处理总时延；

优化策略函数：定义x＝{x_ij}为边缘计算节点选择策略向量；f＝{f_ij}为计算资源向量，则***最优函数为：

s.t.①

②

③

④

⑤

其中，①条件保证任务处理时间不能超过允许的最大的时延；条件②和③保证每个任务只能在一个边缘计算节点上或当摄像头上运行；条件④和⑤约束在同一边缘计算节点上的所有任务所需要的计算资源之和不能超过该边缘计算节点资源的总和。

3.根据权利要求2所述的一种面向交通数据的端边协同计算卸载方法，其特征在于：

其中，步骤102)构建通信时延计算模型的具体步骤为：

1021)对于无线通信，假设第i个摄像头设备向第j个边缘计算节点请求计算任务，h_ij表示信道增益，p_ij表示传输功率，那么可达率可以表示为：

其中，P_noise表示噪声功率，B表示***带宽，则通信时间为：

1022)对于有线通信：假设第i个摄像头设备向第j个边缘计算节点请求计算任务，摄像头设备发包收包的时间为T^wired，则通信时间为：T_ij ^com＝T^wired/2；

1023)计算时间***模型：假定第j个边缘计算节点的总计算资源表示为F_j，f_ij表示分配给第i个任务的计算资源，那么计算资源分配需要满足约束条件

那么第i个任务在第j个边缘节点的任务计算时间为：

1024)计算卸载时间计算：任务D_i卸载到第j个边缘计算节点所需要的总时间为：

1025)本地计算时间***模型：如果任务在摄像头设备中执行，没有经过计算卸载，那么总时间就是计算任务在本地处理的时间：

其中，f_i表示摄像头设备的计算资源；

1026)通信的总时延计算：任务处理总时延：

Images