CN111240821B - 一种基于车联网应用安全性分级的协同云计算迁移方法 - Google Patents

Abstract

本发明公开了一种基于车联网应用安全性分级的协同云计算迁移方法，包括以下步骤：获取基站以及该基站范围内各车辆产生的任务请求的相关资料信息，并确定各任务请求的安全系数，该系数是对任务请求在车辆安全方面影响大小的量化；将满足一定要求的任务请求部署在车载终端执行；协同边缘计算与云计算，将无法部署在车载终端的任务请求分为两类，并更新每类的可行解域；将改进的离散型人工蜂群算法和贪心选择策略相结合进行优化求解，得到保证车辆安全优先的迁移决策和资源分配方案。本发明的优势是对任务请求在车辆安全方面影响的大小进行了分级，并充分利用车载终端、边缘计算和云计算互补的优势，极大地提升了车辆的安全。

Description

一种基于车联网应用安全性分级的协同云计算迁移方法

技术领域

本发明涉及车联网和云计算技术领域，具体涉及一种基于车联网应用安全性分级的协同云计算迁移方法。

背景技术

近些年来，随着汽车的数量急剧增加，道路承载容量在很多大城市已经接近饱和，由此导致的交通安全、效率和环境问题也日益突出。车联网也由此逐步进入大家的视野，车联网技术是指车辆通过信息通信技术实现与其他车辆(V2V)、路边设备(V2I)以及行人(V2P)等进行交互，从而提升车辆的智能性。特别是碰撞避免、辅助驾驶以及自动泊车等应用的迅猛发展，使得这些类型的应用对车辆的安全影响较大，所以急需优先考虑这些应用的成功执行。但是车载终端的计算资源一般都比较有限，很多具有低时延约束且计算密集型的任务无法在本地终端执行。

云计算因其具有高可靠性，成本低廉，高可伸缩性等优点，在近些年得到了迅猛的发展，用户通过将任务请求数据发送至云计算中心进行处理，然后再将计算结果下传至用户端。云计算服务器因为具有较丰富的计算资源而在很长一段时间内占据主流市场，但是同时又由于其往往距离用户比较远，在数据传输方面会产生很高的时延，所以极大地限制了一些时延约束比较严格的应用的执行，特别是一些涉及车辆安全的车联网应用无法及时的成功执行。后来ETSI提出了移动边缘计算(Mobile Edge Computing)，后来又随着需求的变化而演化为多接入边缘计算(Multi-Access Edge Computing)。边缘计算主要是指将具有一定计算资源和存储能力的服务器部署在基站附近，即距离用户“一跳”距离的位置，它相对传统的云计算大大节省了传输时延。但是边缘云由于其计算资源一般都比较有限，只能对有限数量的请求进行处理，而面对越来越多的车联网任务请求，其并不能完全满足车联网环境下任务请求的需求。

在本发明的研究和提出过程中至少发现：为了保证车辆安全，应将车联网中安全型应用与非安全型应用进行区别性对待，并通过将云计算与边缘计算相结合，对任务请求进行协同辅助处理可以极大地弥补彼此之间的不足，最终实现对车辆安全影响越大的应用越优先成功执行。

发明内容

鉴于上述，本发明是为了解决现有车联网中在进行云计算迁移决策时没有针对车辆安全性进行考虑，并且现有研究主要只考虑边缘计算辅助车辆进行任务执行而忽略边缘计算与云计算优势互补的问题，提出了一种基于车联网应用安全性分级的协同云计算迁移方法，实现根据车联网任务请求对车辆安全影响的重要程度而实现量化分级，并充分利用云计算和边缘计算的互补优势，实现对安全型任务请求优先迁移，在保障车辆安全的同时成功执行尽可能多的任务请求。

本发明的技术目的通过以下技术方案实现：

一种基于车联网应用安全性分级的协同云计算迁移方法，应用场景为单基站附近部署有边缘计算服务器，并与云计算中心相连接，基站采用OFDMA接入方式，基站覆盖范围内有不确定数量的车辆，车辆产生的任务请求可能选择在车载终端、边缘计算端或云计算端执行，所述的协同云计算迁移方法包括如下步骤：

S1、获取当前基站以及各任务请求相关资料信息，并确定各任务请求的安全系数：假设共产生m个任务请求，得到对应的基站的资料信息St、任务请求集合T以及其中任意任务请求i的资料信息T_i，分别表述如下：

St＝[N，a，F，spkb，n_max]

T＝{0，1，…，m-1}

T_i＝[D_i，C_i，τ_i，S_i]

其中N、a、F、spkb、n_max分别表示当前基站可用子信道总个数、单个子信道带宽、边缘计算端可用计算资源、基站传输单位数据量到云计算端的传输时延、每个任务请求最大可分配子信道个数，同时D_i、C_i、τ_i、S_i分别表示任务请求i的数据输入量、单位数据量对应的执行周期数、时延约束和安全系数；其中安全系数S_i是对任务请求i在车辆安全性方面影响大小的量化，当安全系数S_i≥S_th时，该任务请求属于安全型任务请求，其中S_th为安全阈值；

S2、依次对任务请求集合T中的任务请求进行判断能否在车载终端执行，任务请求i∈T可以在车载终端执行的原则如下所示为：

其中

为任务请求i部署在车载终端执行的时延，

为对应的车载终端计算资源，初始化在车载终端执行的任务请求集合L＝φ，任务请求i满足上述条件时则L＝L+i，T＝T\i，其中L＝L+i表示向集合L添加元素i，T＝T\i，表示从集合T中去除元素i；

通过步骤S2得到的T中的任意任务请求i，其迁移决策为x_i∈{-1，0，1}，分别表示可迁移至边缘计算端、放弃执行和迁移至云计算端，子信道分配数量为n_i∈{0，1，…，n_max}，n_max表示每个任务请求最多可分配的子信道个数，计算资源分配为f_i∈[0，F]；并且迁移至边缘计算端执行时忽略计算结果下传时延，迁移至云计算端执行时忽略云计算端的计算时延以及计算结果下传时延，两种迁移方式的时延

和

表达式分别如下所示：

其中

R_i、spkb分别表示给任务请求i分配单个子信道时的数据上传速率、基站传输单位数据量到云计算端的传输时延，R_i、d_i、α、|h_i|、σ²分别表示任务请求i对应车载终端的发射功率、对应车载终端和基站的距离、路径衰减因子、瑞利衰落因子以及高斯白噪声。

S3、根据任务请求迁移至云计算端执行能否满足时延约束的，将集合T中的任务请求逐个归类到集合T_mec或T_both中，最后确定集合T中各任务请求的可行解域；

其中T_mec中的任务请求无法选择迁移至云计算端执行，而T_both中的任务请求既可选择迁移至边缘计算端又可选择迁移至云计算端执行，归类以后的任意任务请求i均满足(i∈T∧i∈T_mec)∨(i∈T∧i∈T_both)；

S31、将任务请求集合T中的所有任务请求归类到集合T_mec或T_both中，假设初始T_mec＝φ，T_both＝φ，对任意任务请求i∈T，其对应的归类标准为：

其中

是指为任务请求i分配n_max个子信道且迁移至云计算端执行产生的时延，如果此时时延依然不满足时延约束，则该任务请求只可能通过迁移至边缘计算才能成功执行，所以将其归类到集合T_mec中，否则将该任务请求归类到集合T_both中；

S32、对满足(i∈T∧i∈T_mec)∨(i∈T∧i∈T_both)的所有任务请求i进行可行解域的更新，原则如下：

其中

其中

表示任意任务请求i∈T_both迁移至云计算端执行对应所需的子信道个数，R_i表示给任务请求i分配单个子信道的数据上传速率，ceil(x)表示对x向上取整；此时当任务请求i分配到的子信道个数

时选择迁移至云计算端执行，当

时考虑边缘计算端执行或者放弃执行；通过可行解域的更新实际上是缩小可行解的范围，可以降低后续算法处理的复杂度；

S4、通过改进的离散型人工蜂群算法和贪心选择策略相结合对任务请求集合T中的任务请求进行迁移决策和资源分配求解：

S41、本发明中改进的离散型人工蜂群算法中的适应度函数如下所示：

其中

fit是适应度值，fit(i)是任务请求i成功执行的奖励值，而f_safe(S_i)是针对安全型任务请求i成功执行的奖励值，其与安全系数呈正相关，f_unsafe(S_i)是针对非安全型任务请求i成功执行的奖励值，其与安全系数无关；本发明中为了提升车辆安全，需要保证安全型任务请求的奖励值必须高于非安全型任务求的奖励值，且安全系数越高的安全型任务请求对应的奖励值也越高；

S42、改进的离散型人工蜂群算法中待优化的变量为子信道分配数量n_i，假定此时有k个任务请求待迁移决策，则算法中第p个蜜源n^p表示为：

其中

表示第p个蜜源中的第i个任务请求对应的子信道分配个数，且i∈[0，1，…，k-1]；

改进的离散型人工蜂群算法包括雇佣蜂，跟随蜂和侦察蜂三个阶段操作，具体步骤包括：

S421、在雇佣蜂阶段采用基于DE/best/1策略和自适应的动态系数结合的邻域搜索方式，假定此时最优蜜源为n^best，则邻域搜索方式表示为：

其中

当前最佳蜜源中第i个任务请求对应的子信道分配个数，g(iter)是动态系数，β是收敛因子，g_th是动态系数阈值，如上表达式所示，雇佣蜂的邻域搜索是朝着最优解的方向进行的，并且随着搜索的迭代次数的增加而动态减小搜索的幅度，这种方式可以实现在搜索初期提高算法的搜索能力，同时在搜索后期动态系数不变，在保证搜索能力的同时还能加快收敛速度；

S422、在跟随蜂阶段采用基于DE/random/1策略和自适应的动态系数结合的邻域搜索方式，则邻域搜索方式表示为：

此处跟随蜂阶段的邻域搜索方式可以更好的降低雇佣蜂阶段陷入局部最优解的可能性；

S423、如果某个蜜源连续迭代一定次数其适应度值仍没有得到改善，则需要通过侦查蜂进行初始化该蜜源，此处侦查蜂阶段使用了最优/最差解结合的蜜源初始化方式，假定此时最优蜜源为n^best，最差蜜源为n^worst，则初始化表示为：

由上述表达式可知侦查蜂进行初始化时始终将初始化的蜜源朝着最优解的方向移动，从而更容易得到较优的初始蜜源；

S424、同时上面每个阶段操作得到的

都可能不在其合理值域内，所以需要针对每个阶段得到的

进行合法值域的规范化处理，并确定对应需要的计算资源f_i；最终经过每个阶段得到的蜜源中的所有任务请求都是满足时延约束的，需要按照一定规则选取出部分或全部任务请求进行迁移决策；

S43、贪心选择策略是对上述步骤S421-S423中每个阶段得到的新蜜源进行处理；本发明采用的是在满足可用资源约束条件下对每个蜜源中的所有任务请求按照pro(i)递减的贪心选择策略来实现对任务请求的优先选择策略，其中：

其中

pro(i)、fit(i)、

分别表示有效蜜源p中任务请求i占用每个子信道的平均奖励值、成功执行的奖励值，有效蜜源p中任务请求i分配到的实际有效的子信道分配个数，而f_safe(S_i)是针对安全型任务请求i成功执行的奖励值，f_unsafe(S_i)是针对非安全型任务请求i成功执行的奖励值；采用上述贪心选择策略主要是因为无论将任务请求迁移至边缘计算端还是云计算端都需要分配给其一定数量的子信道进行数据传输，此时按照pro(i)降序的顺序进行贪心选择任务请求进行迁移是比较合理的。

本发明相对于现有技术具有如下的优点及效果：

(1)根据不同类型任务请求对车辆安全影响的重要程度，首次对每个任务请求量化性地赋予一个安全系数，方便侧重考虑车辆的安全性。

(2)依据边缘计算相对于云计算的优势，根据各个待迁移任务请求迁移至云计算端能否满足时延，并进一步归类到集合T_mec或T_both中，从而重新确定两类集合中任务请求可选择的迁移决策和资源分配值域，缩小可行解的范围，能加速得到最优结果的速率。

(3)充分利用了车载终端、边缘计算以及云计算端的可用资源，增加了任务请求可供选择使用的资源总量，极大地提升了任务成功执行的可能性。

(4)通过改进的离散型人工蜂群算法与贪心选择策略相结合，可以快速的求解得到近似最优解，求解复杂度低。

(5)通过本发明中提出的求解方法，具有在可用子信道数量一定时，根据日常不同区域不同时段的任务请求到达的规律，来对边缘计算端计算资源量的部署进行合理性的动态调整的潜力，从而能更好地满足车辆需求。

附图说明

图1是本发明公开的基于车联网应用安全性的协同云计算迁移方法的流程图；

图2是本发明实施例中城市环境下的场景图；

图3是本发明实施例中在总的可用子信道数量和边缘端计算资源一定时，对无法在本地执行的任务请求采用改进的离散型人工蜂群算法和贪心选择策略结合求解得到的成功迁移的任务请求总个数与迭代次数的关系图；

图4是本发明实施例中在总的可用子信道数量和边缘端计算资源一定时，对无法在本地执行的任务请求采用改进的离散型人工蜂群算法和贪心选择策略结合求解得到的适应度值与迭代次数的关系图；

图5是本发明实施例中在总的可用子信道数、无法在车载终端执行的任务请求总量、迭代次数均一定时，对应的适应度值和边缘计算端可用计算资源的关系图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

在本实施例中，如图2所示，在城市道路的边缘存在一基站St，每个基站附近都部署有一个边缘计算服务器，并且在远距离处部署有云计算中心；同时在基站的覆盖半径内存在一定数量的车辆，每个车辆都会不定时产生例如自动泊车、碰撞避免以及视频通话等任务请求，对应任务请求可以选择利用本地车载终端、边缘计算端或者云计算端进行辅助计算，还或者因为资源有限而放弃执行。

结合图1中的迁移方法流程，本实施例公开了一种基于车联网应用安全分级的协同云计算迁移方法，包括如下步骤：

S1、获取当前基站以及各任务请求相关资料信息，并确定各任务请求的安全系数：本发明的场景是在单基站附近部署有边缘计算服务器，并与云计算中心相连接，基站采用OFDMA接入方式，基站覆盖范围内有很多车辆，车辆产生的任务请求可能选择在车载终端、边缘计算端或云计算端执行，假设共存在m个任务请求，得到对应的基站的相关资料信息St、任务请求集合T以及其中任意任务请求i的相关资料信息T_i分别为：

St＝[N，a，F，spkb，n_max]

T＝{0，1，…，m-1}

T_i＝[D_i，C_i，τ_i，S_i]

其中N、a、F、spkb、n_max分别表示当前基站可用子信道总个数、单个子信道带宽、边缘计算端可用计算资源、基站传输单位数据量到云计算端的传输时延、每个任务请求最大可分配子信道个数，同时D_i、C_i、τ_i、S_i分别表示任务请求i的数据输入量、单位数据量对应的执行周期数(即计算密度)、时延约束和安全系数；其中安全系数S_i是对任务请求i在车辆安全性方面影响大小的量化，当安全系数S_i≥S_th时该任务请求属于安全型任务请求，其中S_th为安全阈值。

任意任务请求

在车载终端执行时延

迁移至边缘计算端执行时延

以及迁移至云计算端执行时延

的计算方式如下所示：

其中

其中

R_i、n_i、f_i分别表示任务请求i对应的车载终端计算资源、分配单个子信道时的上传速率、分配的子信道个数、分配的边缘计算端的计算资源；同时P_i、d_i、h、σ分别表示任务请求i对应车载终端的发射功率、和当前基站的距离、瑞利衰落因子、高斯白噪声。

S2、将任务请求集合T中满足要求的任务请求部署在车载终端执行：

初始化在车载终端执行的任务请求集合L＝φ，如果

则L＝L+i，T＝T\i，即选择在车载终端执行，否则进行后续迁移决策；其中L＝L+i表示向集合L添加元素i，T＝T\i表示从集合T中去除元素i；

S3、根据各任务请求迁移至云计算端执行时是否满足时延约束，将集合

中所有任务请求归类到到集合T_mec或T_both中，随后重新确定各任务请求的可行解域，具体过程包括：

(1)由于任务请求数据到云计算端需经过核心网，所以往往导致部分任务请求无法借助云计算进行处理，对于任意i∈T，分类标准如下所示：

其中

其中

是指为任务请求i分配n_max个子信道时，其迁移至云计算端产生的时延，如果此时时延依然不满足时延约束，则该任务请求只可能通过迁移至边缘计算才能成功执行，所以将其归类到集合T_mec中，否则将该任务请求归类到集合T_both中；

(2)对满足(i∈T∧i∈T_mec)∨(i∈T∧i∈T_both)的所有任务请求i进行可行解域的更新，原则如下：

其中

ceil(x)表示对x向上取整；

至此，针对集合T中的所有任务请求都确定了其对应迁移决策和资源分配的可行解域；

S4、用改进的离散型人工蜂群算法和贪心选择策略相结合对集合T中的任务请求进行迁移决策和资源分配求解，具体过程包括：

(1)确定适应度函数：

假设集合T中有k个任务请求，本发明中优化问题的适应度函数如下所示：

其中

上述表达式中fit是适应度值，fit(i)是任务请求i成功执行的奖励值，而f_safe(S_i)是针对安全型任务请求i成功执行的奖励值，f_unsafe(S_i)是针对非安全型任务请求i成功执行的奖励值；

本实例中

(2)确定算法的优化变量以及蜜源：

改进的离散型人工蜂群算法中待优化的变量为子信道分配数量n_i，假定此时有k个任务请求待迁移决策，则算法中第p个蜜源n^p表示为：

其中

表示第p个蜜源中的第i个任务请求对应的子信道分配个数，且i∈[0，1，…，k-1]；

本实施例中为了方便仿真，针对第p个蜜源设置了两种不同的蜜源，分别有：

其中n^p(op)是在改进的离散型人工蜂群算法中各阶段处理的待优化蜜源，而n^p(valid)则是在每次得到n^p(op)以后按照一定规则更新得到、并实际用于计算f_i、fit(i)的有效蜜源；

(3)确定

和

的可行解域并实现

初始化：

本发明中是通过使所有任务请求初步分配到的资源都能满足对应时延约束，然后再使用贪心选择策略在可用资源约束内进行任务请求的选择操作，所以此处

和

的可行解域都必须能够满足任意任务请求i∈T的时延约束，具体过程如下所示：

(3.1)求解下限值：

对

均可能选择迁移至边缘计算端，所以必须满足

从而得到

和

下限值均为：

其中R_i表示给任务请求i分配一个子信道时对应的传输速率，ceil(x)表示对x向上取整；

(3.2)求解上限值

定义

的上限值为

同时，

的上限值为

对

由于其只可能选择边缘计算端进行迁移，所以对应的

和

的上限值均为n_max，即

对

其既能选择迁移至边缘计算端又能选择迁移至云计算端，且当分配的子信道数目达到

即会选择迁移至云计算端执行，而若

会选择迁移至边缘计算端执行，且根据前面定义可知始终满足

所以得到对应的

的上限值：

同时由于

是改进的离散型人工蜂群算法实际处理的蜜源对象，本发明中为了实现任务请求i迁移至边缘计算端与迁移至云计算端的概率相等，使得

的上限值需满足

对应得到

综上可知

所以对i∈T，得到对应的

初始化：

(4)雇佣蜂阶段：

在雇佣蜂阶段采用基于DE/best/1策略和自适应的动态系数结合的邻域搜索方式，假定此时最优蜜源为n^best(op)，则对蜜源n^p(op)中任意任务请求i的子信道分配数量进行邻域搜索操作如下所示：

其中

当前最佳蜜源中第i个任务请求的子信道分配个数，g(iter)是动态系数，β是收敛因子，g_th是动态系数阈值；

(5)跟随蜂阶段：

在跟随蜂阶段采用基于DE/random/1策略和自适应的动态系数结合的邻域搜索方式，则对蜜源n^p(op)中任意任务请求i的邻域搜索操作表示为：

跟随蜂阶段采用随机的邻域搜索方式，可以更好地避免雇佣蜂阶段陷入局部最优解，提升获得最优解的概率；

(6)侦查蜂阶段：

在优化过程中，如果某个蜜源经过一定迭代次数仍保持不变，则在侦查蜂阶段对该蜜源进行重新初始化，此处使用的是基于最优/最差解的原则，假设当前的最优和最差蜜源分别为n^best(op)和n^worst(op)，则初始化蜜源的具体表达式如下所示：

由上述表达式可知侦查蜂进行初始化时始终将初始化的蜜源朝着最优解的方向移动，从而更容易得到较优的初始蜜源；

(7)针对过程(4)-(6)每个阶段处理以后得到的待优化蜂源都可能会超出其可行解域，所以需要在对其进行规范化处理：

如上述雇佣蜂、跟随蜂和侦查蜂三个阶段的处理，由于每个阶段处理后得到的

可能会超出其合理的值域范围，所以需要进一步规范化处理，标准如下：

在每个阶段操作以后产生的新蜜源会发生变化，需要对对应于

的

进行更新，更新规则如下所示：

对应可以计算得到f_i、fit(i)；

(8)对每个阶段处理以后并对得到的蜜源进行如(7)所示规范化和更新以后，并采用贪心选择策略按照pro(i)降序依次从有效蜜源n^p(valid)中选择任务请求进行迁移，其中：

如上所示，pro(i)表示在有效蜜源p中的任务请求i占用每个子信道的平均奖励值，在满足资源约束的条件下使用贪心选择策略按照pro(i)递减顺序逐个选择任务请求进行迁移，使得单个子信道奖励值较大的任务请求优先迁移，最终能获得较优的迁移决策；

对上述过程(4)-(8)进行迭代优化处理，直至达到最大迭代次数iter_max时停止优化，获得最终的迁移决策和资源分配方案。

在Spyder平台中使用Python语言对本发明中提出的一种基于车联网应用安全性分级的协同云计算迁移方法进行了仿真，表1所示为仿真参数设置表，仿真结果为图3中成功迁移的任务请求总数与迭代次数的关系图，图4中适应度值与迭代次数的关系图，图5中适应度值与边缘计算端可用的计算资源的关系图。

表1.仿真参数设置表

仿真参数	值
		基站覆盖半径	200m
任务请求总数	150
		任务请求输入数据量D<sub>i</sub>	800-1200kb
任务请求单位数据周期数C<sub>i</sub>	800-1500cycle/bit
		单任务时延约束范围T<sub>i</sub>	0.5-1.5s
可用带宽	20MHz
		单个子信道带宽	15KHz
可用子信道个数	1365
		边缘计算端可用计算资源F	100Gcycle/s
基站到云计算端单位数据传输时延spkb	6*10^(-4)s/kb
		收敛因子β	0.94
动态系数阈值g<sub>th</sub>	0.4
		最大迭代次数	300

其中，图3和图4所示为在可用子信道个数和边缘计算端计算资源一定时，成功迁移的任务请求总个数以及适应度值随迭代次数的变化，从图中可以看出本发明中的协同云计算迁移方法得到的适应度值和成功迁移的任务请求总个数都是先随着迭代次数增加而对应增加，最终达到一个稳定值不再发生变化，即实现了收敛，且约在第120次迭代即实现了最优解；并且本发明中的协同云计算迁移方法较只使用边缘计算的迁移方法相比能够成功迁移更多任务请求和得到更高的适应度值，能更好地辅助车辆进行任务请求的处理。

图5所示为在可用子信道个数一定时，适应度值与边缘计算端可用计算资源的关系图，从图中可以看出适应度值随着边缘计算端可用计算资源的增加而逐渐增加，但是增加的会越来越慢，这主要是因为无论任务请求迁移至边缘计算端还是云计算端都需要分配一定数目的子信道进行数据传输，此时可用子信道的数量成为主要的制约因素，这与逻辑也是相符的；同时该仿真结果说明本发明的迁移方法具有在可用子信道个数一定时，然后根据不同时刻不同区域的任务请求到达规律来动态调整边缘计算端可用计算资源，从而能够更好地提升车辆安全的潜力。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于车联网应用安全性分级的协同云计算迁移方法，应用场景为单基站附近部署有边缘计算服务器，并与云计算中心相连接，基站采用OFDMA接入方式，基站覆盖范围内有一定数量的车辆，车辆产生的任务请求选择在车载终端、边缘计算端或云计算端执行，其特征在于，所述的协同云计算迁移方法包括以下步骤：

S1、获取当前基站以及各任务请求相关资料信息，并确定各任务请求的安全系数：假设共产生m个任务请求，得到对应的基站的资料信息St、任务请求集合T以及其中任意任务请求i的资料信息T_i，分别表述如下：

St＝[N，a，F，spkb，n_max]

T＝{0，1，...，m-1}

T_i＝[D_i，C_i，τ_i，S_i]

其中N、a、F、spkb、n_max分别表示当前基站可用子信道总个数、单个子信道带宽、边缘计算端可用计算资源、基站传输单位数据量到云计算端的传输时延、每个任务请求最大可分配子信道个数，同时D_i、C_i、τ_i、S_i分别表示任务请求i的数据输入量、单位数据量对应的执行周期数、时延约束和安全系数；其中安全系数S_i是对任务请求i在车辆安全性方面影响大小的量化，当安全系数S_i≥S_th时，该任务请求属于安全型任务请求，其中S_th为安全阈值；

S2、将满足一定要求的任务请求部署在车载终端执行：对任务请求集合T中的任务请求能否部署在车载终端执行进行判断，任务请求i∈T选择在车载终端执行的原则如下所示为：

其中

为任务请求i部署在车载终端时的执行时延，f_i ^loc为对应的车载终端计算资源，初始化在车载终端执行的任务请求集合L＝φ，满足上述条件时则L＝L+i，T＝T\i，其中L＝L+i表示向集合L添加元素i，T＝T\i，表示从集合T中去除元素i；

S3、根据各任务请求迁移至云计算端执行时能否满足时延约束，将集合T中的任务请求归类到集合T_mec或T_both中，最后重新确定集合T中各任务请求的可行解域；

其中T_mec中的任务请求无法选择迁移至云计算端执行，而T_both中的任务请求既可选择迁移至边缘计算端又可选择迁移至云计算端执行，归类以后的任意任务请求i满足(i∈T∧i∈T_mec)∨(i∈T∧i∈T_both)；

S4、用改进的离散型人工蜂群算法和贪心选择策略相结合对任务请求集合T中的任务请求进行迁移决策和资源分配求解；所述的步骤S4中改进的离散型人工蜂群算法中的适应度函数如下所示：

其中

fit是适应度值，fit(i)是任务请求i成功执行的奖励值，而f_safe(S_i)是针对安全型任务请求成功执行的奖励值，f_unsafe(S_i)是针对非安全型任务请求成功执行的奖励值。

2.根据权利要求1所述的一种基于车联网应用安全性分级的协同云计算迁移方法，其特征在于，所述的步骤S2中，任务请求集合T中的任意任务请求i，其迁移决策为x_i∈{-1，0，1}，分别表示可迁移至边缘计算端、放弃执行和迁移至云计算端，子信道分配数量为n_i∈{0，1，...，n_max}，其中n_max为每个任务请求可分配的最大子信道个数，计算资源分配为f_i∈[0，F]；并且迁移至边缘计算端执行时忽略计算结果下传时延，迁移至云计算端执行时忽略云计算端的计算时延以及计算结果下传时延，两种迁移方式的时延

和

表达式分别如下所示：

其中

R_i、spkb分别表示给任务请求i分配单个子信道时的数据上传速率、基站传输单位数据量到云计算端的传输时延，P_i、d_i、α、|h_i|、σ²分别表示任务请求i对应车载终端的发射功率、对应车载终端和基站的距离、路径衰减因子、瑞利衰落因子以及高斯白噪声。

3.根据权利要求1所述的一种基于车联网应用安全性分级的协同云计算迁移方法，其特征在于，所述的步骤S3中，将任务请求集合T中的所有任务请求进一步归类到集合T_mec或T_both中，假设初始T_mec＝φ，T_both＝φ，对任意任务请求i∈T，其对应的归类标准为：

其中

表示给任务请求i分配n_max个子信道且迁移至云计算端时的执行时延，R_i表示给任务请求i分配单个子信道时的数据上传速率。

4.根据权利要求1所述的一种基于车联网应用安全性分级的协同云计算迁移方法，其特征在于，所述的步骤S3中，对满足(i∈T∧i∈T_mec)∨(i∈T∧i∈T_both)的所有任务请求i进行可行解域的更新，更新原则如下：

其中

表示任务请求i迁移至云计算端执行所需的子信道个数，R_i表示给任务请求i分配单个子信道的数据上传速率，ceil(x)表示对x向上取整。

5.根据权利要求1所述的一种基于车联网应用安全性分级的协同云计算迁移方法，其特征在于，所述的步骤S4中的改进的离散型人工蜂群算法中待优化的变量为子信道分配数量n_i，假定此时有k个任务请求待迁移决策，则算法中第p个蜜源n^p表示为：

改进的离散型人工蜂群算法包括雇佣蜂，跟随蜂和侦察蜂三个阶段操作，其中在雇佣蜂阶段采用基于DE/best/1策略和自适应的动态系数相结合的邻域搜索方式，在跟随蜂阶段采用基于DE/random/1策略的邻域搜索方式，侦查蜂阶段采用最优/最差解结合的蜜源初始化方式；并且针对每个阶段操作得到的

需要进行规范化处理，使其能保持在可行解域内，并确定对应需要的计算资源，最终每个阶段都得到新蜜源，且新蜜源中的任务请求都满足时延约束；

其中

表示第p个蜜源中的第i个任务请求对应的子信道分配个数，且i∈[0，1，...，k-1]。

6.根据权利要求1所述的一种基于车联网应用安全性分级的协同云计算迁移方法，其特征在于，所述的步骤S4中的贪心选择策略是针对改进的离散型人工蜂群算法中每个阶段得到的新蜜源进行处理，是在满足可用资源约束条件下对每个蜜源中的所有任务请求按照pro(i)递减的贪心选择策略来实现对任务请求的优先选择策略，最终选中的任务请求才会选择迁移，随之确定其迁移决策，其中：

其中

pro(i)、fit(i)、

分别表示蜜源p中的有效任务请求i占用每个子信道的平均奖励值、成功执行的奖励值，蜜源p中的有效任务请求i分配到的实际有效的子信道分配个数，而f_safe(S_i)是针对安全型任务请求成功执行的奖励值，f_unsafe(S_i)是针对非安全型任务请求成功执行的奖励值。

Images