CN112737842B - 空地一体化车联网中基于最小化时延的任务安全卸载方法 - Google Patents
空地一体化车联网中基于最小化时延的任务安全卸载方法 Download PDFInfo
- Publication number
- CN112737842B CN112737842B CN202011592511.9A CN202011592511A CN112737842B CN 112737842 B CN112737842 B CN 112737842B CN 202011592511 A CN202011592511 A CN 202011592511A CN 112737842 B CN112737842 B CN 112737842B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- task
- edge server
- time
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000006855 networking Effects 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 230000009977 dual effect Effects 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 101000983970 Conus catus Alpha-conotoxin CIB Proteins 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18504—Aircraft used as relay or high altitude atmospheric platform
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/82—Miscellaneous aspects
- H04L47/826—Involving periods of time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/16—Implementing security features at a particular protocol layer
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空地一体化车联网中基于最小化时延的任务安全卸载方法,首先构建了支持移动边缘计算的空地一体化车联网模型,其次对车辆到无人机边缘服务器的安全传输方式、本地车辆和无人机边缘服务器的计算方式进行分析与建模,将空地一体化车联网任务卸载问题形式化为一个与边缘服务器选择、传输速率、资源分配、任务卸载相关,以最小化时延为目标的多目标优化问题,并结合条件松弛‑数值修约规则和拉格朗日对偶分解的方法进行求解,该方法可有效降低任务处理时延,提高任务成功处理比例。
Description
技术领域
本发明属于车辆网技术领域,具体涉及一种车联网中任务安全卸载方法。
背景技术
随着5G万物互联时代的到来,车联网中移动终端数量激增且设备异构程度显著增加。同时,随着智能驾驶等计算任务繁重或实时性要求高的业务的兴起,无线资源和移动终端面临巨大挑战。相比于网络核心设备,移动终端计算能力和存储有限。因此,在车联网中,单一依靠车辆终端设备完成计算密集型任务将面临不小的挑战。云计算将移动终端的计算任务卸载给云服务器,从而大大减轻终端设备压力。然而,对于车联网等大量设备接入场景,海量数据涌入云计算中心将会造成核心网拥塞,降低服务体验。
因此,作为另一种计算卸载方案,移动边缘计算近年来受到广泛关注。移动边缘计算将计算资源从远端云下拉到无线接入网络侧,通过给路边单元等网络边缘节点配备计算、处理、存储能力,就近为车辆等移动终端提供计算服务。相比于云端,路边单元等边缘节点距离车辆更近,可以更高效地在本地完成对车联网数据的处理。
但在大空间尺度下,障碍物、复杂地形、难以接近的地理区域、恶劣天气等因素都可能导致车辆-路边单元之间的通信链路中断或服务质量下降。特别地,在某些极端环境中缺乏路边单元等基础设施来辅助车辆通信,单纯依靠地基车联网难以满足用户对海量任务卸载的需求。
针对上述问题,现有技术一设计并实现了空地车载协同通信***,该***通过多个无人机组成空中子网,利用无人机上的摄像头和GPS信息为地面进行障碍物检测和导航,并能协助地面车辆传输路面信息,可运用于道路救援,事故第一现场通信等突发事件场景。
现有技术二提出了一种面向车联网边缘计算的智能计算迁移方法,该方法通过构建车联网边缘计算***资源模型、执行时间模型,从而实现了对车载计算任务的迁移时间和边缘设备负载均衡之间的联合优化,为车载计算任务找到了有效的计算迁移策略,使车载计算任务在期望时间内完成,并保证了边缘计算设备的负载均衡,可有效满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求。
但现有技术存在的问题是:
(1)现有技术一所设计的空地车载协同通信***,未能对无人机摄像头获取的信息以及GPS信息进行任务卸载和及时处理,同时海量数据的获取会导致任务响应时延快速增长。
(2)现有技术二对车载计算任务的迁移时间和边缘设备负载均衡进行了联合优化,但该方法未考虑任务卸载比例,将所有任务均卸载到网络边缘节点,增加了边缘节点的工作强度,未考虑将任务进行本地与边缘节点同时计算,降低任务处理时延与边缘节点的工作强度。
(3)车联网面临的一大重要问题是隐私泄露问题,需要在提供计算服务的同时保障用户数据的隐私性。由于无线电波的开放性,现有技术一与现有技术二的移动终端(车辆)通过无线信道传输到边缘节点的数据将会直接暴露在窃听者的监听之下,同时边缘节点返回给终端的计算结果也同样面临被窃听的风险。
发明内容
为了克服现有技术的不足,本发明提供了一种空地一体化车联网中基于最小化时延的任务安全卸载方法,首先构建了支持移动边缘计算的空地一体化车联网模型,其次对车辆到无人机边缘服务器的安全传输方式、本地车辆和无人机边缘服务器的计算方式进行分析与建模,将空地一体化车联网任务卸载问题形式化为一个与边缘服务器选择、传输速率、资源分配、任务卸载相关,以最小化时延为目标的多目标优化问题,并结合条件松弛-数值修约规则和拉格朗日对偶分解的方法进行求解,该方法可有效降低任务处理时延,提高任务成功处理比例。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:构建支持移动边缘计算的空地一体化车联网模型;
步骤1-1:由M个无人机覆盖的单向道路,每个无人机部署一个边缘服务器,用M={1,...,M}表示M个无人机的集合;将道路划分为M段,每段道路长度分别为L={L1,L2,...,LM};假设在道路起点处有N辆车到达,车辆到达服从泊松分布,每辆车均具有一个待处理的任务,任务表示为i∈N={1,2,...,N},j∈Μ={1,2,...,M},其中di表示计算任务Ξi的大小,ci表示任务Ξi执行时所需的计算资源,Tth表示任务Ξi需在Tth内完成,λi,j为任务卸载比例,表示任务Ξi卸载到第j个无人机部署的边缘服务器的任务量占任务总量的比值;
任务Ξi被分割为在本地和边缘服务器上并行执行的两部分;具体为:车辆i将任务λi,jdi卸载到第j个边缘服务器进行处理,车辆i对剩下的任务(1-λi,j)di进行本地处理;假设每辆车只能选择一个边缘服务器进行计算卸载,用xi,j表示车辆i的选择决策,如果车辆i进行任务卸载则xi,j=1,如果车辆i不进行任务卸载则xi,j=0,即xi,j∈{0,1};
步骤1-2:任务Ξi的处理时延由三部分组成:
步骤2:构建车辆到无人机边缘服务器的安全传输模型;
步骤2-1:车辆与无人机之间基于IEEE 802.11p协议进行通信,该协议采用载波侦听多路访问/冲突避免机制进行数据传输;
步骤2-2:每个车辆配备K根天线,向一个安装在无人机上的边缘服务器进行任务卸载,同时网络中存在多个窃听者,窃听者的窃听方式为被动窃听;假设多个窃听者的位置和数量未知,各个窃听者之间独立的接收和解码保密信息;
步骤2-3:车辆使用Wyner编码方案进行保密信息传输,存在以下关系:
Ci,j-Rs=Re≤Rth (1)
其中,Ci,j表示车辆i-无人机j的信道容量,Rs表示车辆i-无人机j的安全传输速率,Re表示窃听速率,Rth表示最大允许窃听速率;当窃听速率Re小于最大允许窃听速率Rth时,安装在无人机上的边缘服务器所接收的信息不会被其他设备窃听,即实现安全信息传输;
步骤3:构建本地车辆和无人机边缘服务器的计算模型;
步骤3-1:车辆采用发送/允许发送方式对信道进行预约;车辆i在发送任务Ξi之前,先发送一个RTS控制帧申请占用信道;若信道空闲,无人机j收到RTS帧,将在时间间隔SIFS后发送一个CTS响应帧,RTS帧和CTS帧中包含任务Ξi传输所需的持续时间;车辆i收到CTS帧,在时间间隔SIFS后开始发送任务Ξi,无人机j收到任务Ξi后给车辆i回馈ACK帧;同时,其他车辆将根据RTS/CTS帧中的传输持续时间信息,更新自己的网络分配矢量,推迟接入信道的时间;
其中,表示任务Ξi的头部时间开销,表示传播时延,TSIFS、TACK、TDIFS、TRTS和TCTS分别表示SIFS帧、ACK帧、DIFS帧、RTS帧和CTS帧的持续时间;表示任务Ξi的传输时延,表示为:
因此,***归一化吞吐量Hi,j表示为:
其中,fi表示车辆i的计算资源;
步骤3-3:令Fj为无人机j的总计算资源,fi,j表示无人机j分配给车辆i的计算资源,即f={f1,j,f2,j,...,fN,j};边缘服务器分配给所有车辆的计算资源总和不能超过该服务器自身所拥有的计算资源,即因此,边缘服务器的计算时间为:
步骤4:基于安全传输模型和计算模型构建任务安全卸载的目标函数与优化条件;
最小化时延的任务安全卸载的目标函数与优化条件形式化为一个多约束条件下的优化问题:
其中,x表示xi,j的集合,λ表示λi,j的集合;
式(11)的目的在于最小化处理时延C1.1确保任务Ξi的本地处理时延和边缘服务器处理时间不超过最大允许时延Tth;C1.2和C1.3表示每辆车仅选择一个边缘服务进行任务卸载;C1.4和C1.5保证边缘服务器分配给所有任务的计算资源总和不超过该边缘服务器的计算资源总量;C1.6和C1.7表示每辆车所卸载的计算任务比率不能超过1;
步骤5:基于任务安全卸载的目标函数与优化条件,通过条件松弛-数值修约规则和拉格朗日对偶分解法进行求解,构建基于最小化时延的任务安全卸载方法;
令x*=[x1,x2,...,xn]T表示松弛问题P3的最优解,x*∈[0,1],其中n为解的个数;采用数值修约规则对x*进行四舍五入取整;
步骤5-2:根据式(13)求得最优边缘服务器,在给定x后,原问题拆分成两个子问题:即给定x和λ的资源分配问题P4和给定f和x的计算卸载比例决策问题P5,分别表示为:
问题P4和P5为凸问题,采用拉格朗日对偶分解法进行求解fi,j和λi,j,直至收敛,得到最优的fi,j和λi,j。
本发明的有益效果如下:
本发明针对现有技术存在的问题,将移动边缘计算与本地计算相结合,可对获取的海量数据进行任务卸载和及时处理,有效降低任务处理时延,提高任务成功处理比例,并且本发明在提供计算服务的同时,利用物理层安全技术保障了用户数据的隐私性,可有效降低数据被被窃听的风险,为用户提供低时延、高可靠且安全的计算服务。
附图说明
图1是本发明方法的流程图。
图2是本发明方法支持移动边缘计算的空地一体化车联网。
图3是本发明实施例提供的与地基车联网(任务卸载方法采用本发明)、车辆/边缘服务器均分计算(任务一半在边缘服务器上处理,一半在本地进行处理,即λi,j=0.5)、车辆本地计算(任务均在本地进行计算,不上传至边缘服务器进行处理,即λi,j=0)进行任务成功处理比例对比的性能对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,一种空地一体化车联网中基于最小化时延的任务安全卸载方法,包括如以下步骤:
步骤1:如图2所示,构建支持移动边缘计算的空地一体化车联网模型;
步骤1-1:由M个无人机覆盖的单向道路,每个无人机部署一个边缘服务器,用M={1,...,M}表示M个无人机的集合;将道路划分为M段,每段道路长度分别为L={L1,L2,...,LM};假设在道路起点处有N辆车到达,车辆到达服从泊松分布,每辆车均具有一个待处理的任务,任务表示为i∈N={1,2,...,N},j∈Μ={1,2,...,M},其中di表示计算任务Ξi的大小,ci表示任务Ξi执行时所需的计算资源,Tth表示任务Ξi需在Tth内完成,λi,j为任务卸载比例,表示任务Ξi卸载到第j个无人机部署的边缘服务器的任务量占任务总量的比值;
任务Ξi被分割为在本地和边缘服务器上并行执行的两部分;具体为:车辆i将任务λi,jdi卸载到第j个边缘服务器进行处理,车辆i对剩下的任务(1-λi,j)di进行本地处理;假设每辆车只能选择一个边缘服务器进行计算卸载,用xi,j表示车辆i的选择决策,如果车辆i进行任务卸载则xi,j=1,如果车辆i不进行任务卸载则xi,j=0,即xi,j∈{0,1};
步骤1-2:任务Ξi的处理时延由三部分组成:
步骤2:构建车辆到无人机边缘服务器的安全传输模型;
步骤2-1:车辆与无人机之间基于IEEE 802.11p协议进行通信,该协议采用载波侦听多路访问/冲突避免机制进行数据传输;
步骤2-2:每个车辆配备K根天线,向一个安装在无人机上的边缘服务器进行任务卸载,同时网络中存在多个窃听者,窃听者的窃听方式为被动窃听;假设多个窃听者的位置和数量未知,各个窃听者之间独立的接收和解码保密信息;
步骤2-3:车辆使用Wyner编码方案进行保密信息传输,存在以下关系:
Ci,j-Rs=Re≤Rth (1)
其中,Ci,j表示车辆i-无人机j的信道容量,Rs表示车辆i-无人机j的安全传输速率,Re表示窃听速率,Rth表示最大允许窃听速率;当窃听速率Re小于最大允许窃听速率Rth时,安装在无人机上的边缘服务器所接收的信息不会被其他设备窃听,即实现安全信息传输;
步骤3:构建本地车辆和无人机边缘服务器的计算模型;
步骤3-1:车辆采用发送/允许发送方式对信道进行预约;车辆i在发送任务Ξi之前,先发送一个RTS控制帧申请占用信道;若信道空闲,无人机j收到RTS帧,将在时间间隔SIFS后发送一个CTS响应帧,RTS帧和CTS帧中包含任务Ξi传输所需的持续时间;车辆i收到CTS帧,在时间间隔SIFS后开始发送任务Ξi,无人机j收到任务Ξi后给车辆i回馈ACK帧;同时,其他车辆将根据RTS/CTS帧中的传输持续时间信息,更新自己的网络分配矢量,推迟接入信道的时间;
其中,表示任务Ξi的头部时间开销,表示传播时延,TSIFS、TACK、TDIFS、TRTS和TCTS分别表示SIFS帧、ACK帧、DIFS帧、RTS帧和CTS帧的持续时间;表示任务Ξi的传输时延,表示为:
因此,***归一化吞吐量Hi,j表示为:
其中,fi表示车辆i的计算资源;
步骤3-3:无人机j的计算资源是有限的,因此需将有限的计算资源尽可能均分到N辆车中,以确保任务可按时完成;令Fj为无人机j的总计算资源,fi,j表示无人机j分配给车辆i的计算资源,即f={f1,j,f2,j,...,fN,j};边缘服务器分配给所有车辆的计算资源总和不能超过该服务器自身所拥有的计算资源,即因此,边缘服务器的计算时间为:
步骤4:基于安全传输模型和计算模型构建任务安全卸载的目标函数与优化条件;
最小化时延的任务安全卸载的目标函数与优化条件形式化为一个多约束条件下的优化问题:
其中,x表示xi,j的集合,λ表示λi,j的集合;
式(11)的目的在于最小化处理时延C1.1确保任务Ξi的本地处理时延和边缘服务器处理时间不超过最大允许时延Tth;C1.2和C1.3表示每辆车仅选择一个边缘服务进行任务卸载;C1.4和C1.5保证边缘服务器分配给所有任务的计算资源总和不超过该边缘服务器的计算资源总量;C1.6和C1.7表示每辆车所卸载的计算任务比率不能超过1;
步骤5:基于任务安全卸载的目标函数与优化条件,通过条件松弛-数值修约规则和拉格朗日对偶分解法进行求解,构建基于最小化时延的任务安全卸载方法;
令x*=[x1,x2,...,xn]T表示松弛问题P3的最优解,x*∈[0,1],其中n为解的个数;采用数值修约规则对x*进行四舍五入取整;
步骤5-2:根据式(13)求得最优边缘服务器,在给定x后,原问题拆分成两个子问题:即给定x和λ的资源分配问题P4和给定f和x的计算卸载比例决策问题P5,分别表示为:
问题P4和P5为凸问题,采用拉格朗日对偶分解法进行求解fi,j和λi,j,直至收敛,得到最优的fi,j和λi,j。
综上,所构建的最小化时延的任务安全卸载方法具体为:对优化问题P1进行分解,在给定f和λ的情况下,利用条件松弛-数值修约规则求解xi,j;然后,基于所选择的边缘服务器xi,j,采用拉格朗日对偶分解的方法求解fi,j和λi,j,直至收敛,可得最优的fi,j和λi,j。
具体实施例:
本实施例对一种空地一体化车联网中基于最小化时延的任务安全卸载方法和基于相同网络参数的已有机制进行仿真,验证本发明方法的优越性。具体地步骤为:车辆发射功率为0.25瓦特,无人机发射功率为1瓦特,安装在无人机上的边缘服务器数量为5,车辆数目为0-60,无人机计算资源为20GHz,任务大小为10MB,任务产生频率为30s/个,任务处理允许的最大时延为10s,结果为仿真10000次后的平均值。
将本发明与地基车联网(任务卸载方法采用本发明)、车辆/边缘服务器均分计算(任务一半在边缘服务器上处理,一半在本地进行处理,即λi,j=0.5)、车辆本地计算(任务均在本地进行计算,不上传至边缘服务器进行处理,即λi,j=0)进行任务成功处理比例对比,结果如图3所示。
由图3可知,本发明在任务成功处理比例方面优于已有机制。具体来说,与已有机制相比,本发明能以最小的车辆本地计算资源来完成任务的处理。这事因为本发明能充分利用整个空地一体化车联网中边缘服务器的资源来完成任务的分配与处理。同时,车辆—无人机之间的信道相比于车辆—RSU之间的信道具有更好地服务质量,将边缘服务器安装在无人机上可以更快地将任务进行卸载。因此支持移动边缘计算的空地一体化车联网可以为用户提供更低的延迟和更可靠的计算服务。
综上,本发明实施例提供的一种空地一体化车联网中基于最小化时延的任务安全卸载方法,针对现有技术存在的问题,首先构建了支持移动边缘计算的空地一体化车联网模型,其次对车辆到无人机边缘服务器的安全传输方式、本地车辆和无人机边缘服务器的计算方式进行分析与建模,将空地一体化车联网任务卸载问题形式化为一个与边缘服务器选择、传输速率、资源分配、任务卸载相关,以最小化时延为目标的多目标优化问题,并结合条件松弛-数值修约规则和拉格朗日对偶分解的方法进行求解,该方法可有效降低任务处理时延,提高任务成功处理比例,相比于已有机制更适用于未来智能交通***,可为用户提供低时延、高可靠且安全的计算服务。
Claims (1)
1.一种空地一体化车联网中基于最小化时延的任务安全卸载方法,其特征在于,包括以下步骤:
步骤1:构建支持移动边缘计算的空地一体化车联网模型;
步骤1-1:由M个无人机覆盖的单向道路,每个无人机部署一个边缘服务器,用M={1,...,M}表示M个无人机的集合;将道路划分为M段,每段道路长度分别为L={L1,L2,...,LM};假设在道路起点处有N辆车到达,车辆到达服从泊松分布,每辆车均具有一个待处理的任务,任务表示为j∈Μ={1,2,...,M},其中di表示计算任务Ξi的大小,ci表示任务Ξi执行时所需的计算资源,Tth表示任务Ξi需在Tth内完成,λi,j为任务卸载比例,表示任务Ξi卸载到第j个无人机部署的边缘服务器的任务量占任务总量的比值;
任务Ξi被分割为在本地和边缘服务器上并行执行的两部分;具体为:车辆i将任务λi,jdi卸载到第j个边缘服务器进行处理,车辆i对剩下的任务(1-λi,j)di进行本地处理;假设每辆车只能选择一个边缘服务器进行计算卸载,用xi,j表示车辆i的选择决策,如果车辆i进行任务卸载则xi,j=1,如果车辆i不进行任务卸载则xi,j=0,即xi,j∈{0,1};
步骤1-2:任务Ξi的处理时延由三部分组成:
步骤2:构建车辆到无人机边缘服务器的安全传输模型;
步骤2-1:车辆与无人机之间基于IEEE 802.11p协议进行通信,该协议采用载波侦听多路访问/冲突避免机制进行数据传输;
步骤2-2:每个车辆配备K根天线,向一个安装在无人机上的边缘服务器进行任务卸载,同时网络中存在多个窃听者,窃听者的窃听方式为被动窃听;假设多个窃听者的位置和数量未知,各个窃听者之间独立的接收和解码保密信息;
步骤2-3:车辆使用Wyner编码方案进行保密信息传输,存在以下关系:
Ci,j-Rs=Re≤Rth (1)
其中,Ci,j表示车辆i-无人机j的信道容量,Rs表示车辆i-无人机j的安全传输速率,Re表示窃听速率,Rth表示最大允许窃听速率;当窃听速率Re小于最大允许窃听速率Rth时,安装在无人机上的边缘服务器所接收的信息不会被其他设备窃听,即实现安全信息传输;
步骤3:构建本地车辆和无人机边缘服务器的计算模型;
步骤3-1:车辆采用发送/允许发送方式对信道进行预约;车辆i在发送任务Ξi之前,先发送一个RTS控制帧申请占用信道;若信道空闲,无人机j收到RTS帧,将在时间间隔SIFS后发送一个CTS响应帧,RTS帧和CTS帧中包含任务Ξi传输所需的持续时间;车辆i收到CTS帧,在时间间隔SIFS后开始发送任务Ξi,无人机j收到任务Ξi后给车辆i回馈ACK帧;同时,其他车辆将根据RTS/CTS帧中的传输持续时间信息,更新自己的网络分配矢量,推迟接入信道的时间;
其中,表示任务Ξi的头部时间开销,表示传播时延,TSIFS、TACK、TDIFS、TRTS和TCTS分别表示SIFS帧、ACK帧、DIFS帧、RTS帧和CTS帧的持续时间;表示任务Ξi的传输时延,表示为:
因此,***归一化吞吐量Hi,j表示为:
其中,fi表示车辆i的计算资源;
步骤3-3:令Fj为无人机j的总计算资源,fi,j表示无人机j分配给车辆i的计算资源,即f={f1,j,f2,j,...,fN,j};边缘服务器分配给所有车辆的计算资源总和不能超过该服务器自身所拥有的计算资源,即因此,边缘服务器的计算时间为:
步骤4:基于安全传输模型和计算模型构建任务安全卸载的目标函数与优化条件;
最小化时延的任务安全卸载的目标函数与优化条件形式化为一个多约束条件下的优化问题:
其中,x表示xi,j的集合,λ表示λi,j的集合;
式(11)的目的在于最小化处理时延C1.1确保任务Ξi的本地处理时延和边缘服务器处理时间不超过最大允许时延Tth;C1.2和C1.3表示每辆车仅选择一个边缘服务进行任务卸载;C1.4和C1.5保证边缘服务器分配给所有任务的计算资源总和不超过该边缘服务器的计算资源总量;C1.6和C1.7表示每辆车所卸载的计算任务比率不能超过1;
步骤5:基于任务安全卸载的目标函数与优化条件,通过条件松弛-数值修约规则和拉格朗日对偶分解法进行求解,构建基于最小化时延的任务安全卸载方法;
令x*=[x1,x2,...,xn]T表示松弛问题P3的最优解,x*∈[0,1],其中n为解的个数;采用数值修约规则对x*进行四舍五入取整;
步骤5-2:根据式(13)求得最优边缘服务器,在给定x后,原问题拆分成两个子问题:即给定x和λ的资源分配问题P4和给定f和x的计算卸载比例决策问题P5,分别表示为:
问题P4和P5为凸问题,采用拉格朗日对偶分解法进行求解fi,j和λi,j,直至收敛,得到最优的fi,j和λi,j。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592511.9A CN112737842B (zh) | 2020-12-29 | 2020-12-29 | 空地一体化车联网中基于最小化时延的任务安全卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592511.9A CN112737842B (zh) | 2020-12-29 | 2020-12-29 | 空地一体化车联网中基于最小化时延的任务安全卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112737842A CN112737842A (zh) | 2021-04-30 |
CN112737842B true CN112737842B (zh) | 2022-12-09 |
Family
ID=75607399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011592511.9A Active CN112737842B (zh) | 2020-12-29 | 2020-12-29 | 空地一体化车联网中基于最小化时延的任务安全卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112737842B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535261B (zh) * | 2021-07-05 | 2022-09-06 | 云南大学 | 基于边缘计算的车联网车辆集群任务卸载方法 |
CN114173359B (zh) * | 2021-12-09 | 2023-07-14 | 重庆邮电大学 | 一种用于工业物联网环境下的异构网络资源调度方法 |
CN114268966B (zh) * | 2021-12-27 | 2024-04-05 | 杭州电子科技大学 | 一种无人机辅助mec网络低时延多任务分配方法及*** |
CN114374424B (zh) * | 2022-01-13 | 2023-05-26 | 福建师范大学 | 一种多无人机辅助的空地协作边缘计算方法 |
CN114710497B (zh) * | 2022-03-11 | 2023-06-02 | 厦门理工学院 | 一种车联网多任务卸载最小响应时间获取方法 |
CN114615687B (zh) * | 2022-03-22 | 2023-06-27 | 重庆邮电大学 | 一种时延感知的网络资源配置方法 |
CN114698123B (zh) * | 2022-04-19 | 2023-04-18 | 电子科技大学 | 一种无线供电隐蔽通信***的资源分配优化方法 |
CN115100898B (zh) * | 2022-05-31 | 2023-09-12 | 东南大学 | 一种城市智能停车管理***的协同计算任务卸载方法 |
CN117812563B (zh) * | 2024-01-10 | 2024-07-16 | 北京信息科技大学 | 空天地一体化车联网资源分配方法及*** |
CN117971483A (zh) * | 2024-02-02 | 2024-05-03 | 广州航海学院 | 基于数字孪生的车联网计算任务卸载方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及*** |
CN111148069A (zh) * | 2019-12-30 | 2020-05-12 | 西北工业大学 | 基于雾计算空地一体化车联网信息传输方法、智慧交通 |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111918311A (zh) * | 2020-08-12 | 2020-11-10 | 重庆邮电大学 | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 |
CN111935303A (zh) * | 2020-08-21 | 2020-11-13 | 华北电力大学 | 空地一体化车联网中基于意图感知的任务卸载方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615306A (zh) * | 2018-11-07 | 2019-04-12 | 上海图森未来人工智能科技有限公司 | 货物运输控制***及相关***和装置 |
-
2020
- 2020-12-29 CN CN202011592511.9A patent/CN112737842B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110035410A (zh) * | 2019-03-07 | 2019-07-19 | 中南大学 | 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法及*** |
CN111148069A (zh) * | 2019-12-30 | 2020-05-12 | 西北工业大学 | 基于雾计算空地一体化车联网信息传输方法、智慧交通 |
CN111818168A (zh) * | 2020-06-19 | 2020-10-23 | 重庆邮电大学 | 一种车联网中自适应联合计算卸载与资源分配方法 |
CN111918311A (zh) * | 2020-08-12 | 2020-11-10 | 重庆邮电大学 | 基于5g移动边缘计算的车联网任务卸载和资源分配方法 |
CN111935303A (zh) * | 2020-08-21 | 2020-11-13 | 华北电力大学 | 空地一体化车联网中基于意图感知的任务卸载方法 |
Non-Patent Citations (1)
Title |
---|
无人机辅助车联网环境下干扰感知的节点接入机制;范茜莹、黄传河、朱钧宇、文少杰;《通信学报》;20190630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112737842A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112737842B (zh) | 空地一体化车联网中基于最小化时延的任务安全卸载方法 | |
CN111031513B (zh) | 一种多无人机辅助物联网通信方法及其*** | |
CN112104494B (zh) | 基于空地协同边缘计算网络的任务安全卸载策略确定方法 | |
CN113543074B (zh) | 一种基于车路云协同的联合计算迁移和资源分配方法 | |
Hu et al. | Low-complexity joint resource allocation and trajectory design for UAV-aided relay networks with the segmented ray-tracing channel model | |
CN114051254B (zh) | 一种基于星地融合网络的绿色云边协同计算卸载方法 | |
CN110545584A (zh) | 一种全双工移动边缘计算通信***的通信处理方法 | |
CN111417126B (zh) | 星空地协同海洋通信网络按需覆盖方法及装置 | |
Nguyen et al. | Joint offloading and IEEE 802.11 p-based contention control in vehicular edge computing | |
Zhang et al. | Federated-reinforcement-learning-enabled joint communication, sensing, and computing resources allocation in connected automated vehicles networks | |
CN115150781A (zh) | 一种基于任务优先级的无人机协助边缘计算的资源分配方法 | |
He et al. | A mobile edge computing framework for task offloading and resource allocation in UAV-assisted VANETs | |
Zong et al. | Cross-regional transmission control for satellite network-assisted vehicular ad hoc networks | |
CN113709728B (zh) | 一种基于noma及无人机辅助的两阶段移动边缘计算通信方法及*** | |
CN114928611A (zh) | 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法 | |
de Souza et al. | A task offloading scheme for wave vehicular clouds and 5g mobile edge computing | |
CN115173922A (zh) | 基于cmaddqn网络的多波束卫星通信***资源分配方法 | |
Nasr-Azadani et al. | Distillation and ordinary federated learning actor-critic algorithms in heterogeneous UAV-aided networks | |
Guo et al. | Machine learning for predictive deployment of UAVs with multiple access | |
Li et al. | Deep reinforcement learning-based mining task offloading scheme for intelligent connected vehicles in UAV-aided MEC | |
Say et al. | Partnership and data forwarding model for data acquisition in UAV-aided sensor networks | |
WO2017185994A1 (zh) | 分簇的方法、装置及*** | |
Wang et al. | Actor-critic based DRL algorithm for task offloading performance optimization in vehicle edge computing | |
CN114374424A (zh) | 一种多无人机辅助的空地协作边缘计算方法 | |
CN114125744A (zh) | 一种基于区块链权益证明的数据采集方法及终端*** |
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 |