一种MEC-SWIPT系统下车联网任务卸载决策方法

技术领域

本发明属于无线通信资源分配技术领域，涉及一种MEC-SWIPT系统下车联网任务卸载决策方法。

背景技术

车联网能为城市道路交通管理和智慧城市建设提供智能路线规划、自动驾驶、交通事故预测等服务。通过移动边缘计算(Mobile Edge Computing，MEC)架构为边缘设备提供计算任务卸载的能力，保证任务的实时性、超时率等。

在车联网场景中，复杂的车辆环境拓扑、密集的移动设备和边缘设备、众多的车联网应用场景和突发任务，导致车联网场景中网络拓扑快速变化、车辆节点频繁断联、任务场景和任务数据量复杂多样等问题。主流的决策优化方法主要针对密集型计算任务、中心节点负载较大、任务时延需求不达标、设备能量限制等场景，从系统架构、任务传输模型、任务计算模型入手，考虑系统总功耗、时延或其中之一作为优化目标，优化得到最优任务处理决策。

但是，以上现有技术普遍存在没有考虑通过车与车之间的链路提高无线资源的利用率和空闲车载计算资源的利用率的问题；现有技术普遍是集中式卸载，即只有一个卸载目标，与实际情况不符，没有考虑卸载目标的选择；没有考虑无线能量收集技术缓解能量消耗和电池容量限制；没有考虑任务的拆解计算；没有考虑任务的不同优先级、复杂度和任务截止时间等问题。

发明内容

为解决以上现有问题，本发明采用了一种MEC-SWIPT系统下车联网任务卸载决策方法，包括：

S1、构建MEC-SWIPT系统；MEC-SWIPT系统包括：车辆和MEC服务器；其中，SWIPT为无线携能通信技术；

S2、根据MEC-SWIPT系统建立MEC服务器模型、车辆模型以及任务模型；

S3、根据MEC服务器模型和车辆模型计算系统连接情况、无线传输速率和系统可分配计算资源；

S4、根据系统连接情况、无线传输速率和系统可分配计算资源建立优化函数，求解优化函数，得到任务卸载目标；任务卸载目标包括目标MEC服务器和目标车辆；

S5、根据任务卸载目标、MEC服务器模型、车辆模型和任务模型采用遗传算法计算任务卸载决策。

MEC服务器模型、车辆模型以及任务模型包括：

MEC服务器模型：

车辆模型：

任务模型：

其中，

计算系统连接情况、无线传输速率和系统可分配计算资源包括：

S31、建立车辆行驶模型和车辆-服务器连接模型，根据车辆-服务器连接模型、MEC服务器覆盖范围

S32、利用香农公式根据MEC服务器带宽

S33、根据MEC服务器计算资源分配率

建立优化函数包括：

S41、根据车辆和MEC服务器的连接时间计算车辆与服务器之间的稳定性S，根据车辆之间的连接时间计算车辆与车辆之间的稳定性

S42、根据车辆与MEC服务器之间的传输速率C

S43、根据稳定性S、稳定性

根据任务卸载目标、MEC服务器模型、车辆模型和任务模型采用遗传算法计算任务卸载决策包括：设置子任务数据量大小，根据任务的优先级选择任务，根据子任务数据量大小将选择的任务按顺序划分为多个子任务，根据任务卸载目标、MEC服务器模型、车辆模型和任务模型采用遗传算法计算所有子任务的卸载决策。

根据任务卸载目标、MEC服务器模型、车辆模型和任务模型采用遗传算法计算子任务的卸载决策包括：

S51、设置收敛标准和最大迭代次数；

S52、根据任务卸载目标、MEC服务器模型、车辆模型和任务模型计算任务总时延、任务总能耗以及任务超时率；

S53、计算系统收集的能量，根据系统收集的能量和任务总能耗建立能量约束，基于能量约束生成基因序列；

S54、根据基因序列、任务总时延、任务总能耗以及任务超时率计算卸载决策适应度；

S55、若卸载决策适应度达到收敛标准或迭代次数达到最大迭代次数，则得到最终的基因序列，即最终的任务卸载决策；否则，基于能量约束更新基因序列，并回到步骤S54。

计算任务总时延包括：

根据子任务的数据量和复杂度计算子任务所需计算资源

根据本地的车辆计算资源和子任务所需计算资源

根据子任务数据量d

根据子任务所需计算资源

根据子任务数据量d

根据子任务所需计算资源

根据本地计算时延T

计算任务总能耗包括：

根据本地计算时延T

根据卸载到目标MEC服务器的传输时延T

根据卸载到目标车辆的传输时延T

根据卸载到目标车辆的计算时延T

根据本地计算能耗E

任务超时率η为任务总时延超过任务截止时间的任务数与总任务数的比值。

卸载决策适应度为：

有益效果：

1、本发明在传统的基于MEC的车联网任务卸载模型中引入SWIPT技术，实现能量的收集，缓解了车联网设备的能量消耗的电池容量限制；2、本发明定义了联合优化目标：能耗、时延、任务超时率，同时对三者进行加权优化，可以根据具体的应用场景需求调整优化目标的权重；3、本发明系统模型考虑了车与车之间的传输链路，提高了无线资源和计算资源的利用率，减小了任务时延；4、本发明采用了车辆模型、车辆行驶模型、服务器模型、车辆-服务器连接模型以及可细分、优先级区分、复杂度区分、带限制时间的任务模型，使得本发明更符合真实情况的同时让方法更具有现实应用价值；5、本发明定义了卸载目标的优化函数：稳健性和传输能力，同时对二者加权优化，提供了随任务需求调整的灵活性；6、本发明采用启发式的遗传算法可以很好地求解传统的优化方法、马尔可夫方法很难处理的NP问题。

附图说明

图1为本发明实施例提供的一种MEC-SWIPT系统下车联网任务卸载决策方法的流程图；

图2为本发明实施例提供的车联网系统模型示意图；

图3为本发明实施例提供的车联网单车行驶图；

图4为本发明实施例提供的实施参数参考范围图；

图5为本发明实施例提供的车辆连接服务器示意图；

图6为本发明实施例提供的车辆行驶模型示意图；

图7为本发明实施例提供的任务卸载模型示意图；

图8为本发明实施例提供的适应度函数遗传算法收敛效果示意图；

图9为本发明实施例提供的算法效果对比图；

图10为本发明实施例提供的车辆数目对适应度的影响示意图。

具体实施方式

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，所描述的实施例仅仅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。

如图2、图3所示，对车联网多车场景模拟仿真，模拟一条长20km道路，沿途部署RSU设备16个，各RSU设备的带宽∈[5,10]MHz，MEC服务器计算资源工作频率∈[10,50]Gcircles/s。计算任务的到达服从泊松分布，其中任务大小∈[0.5,5]G circles/s，存在两类优先级任务，有不同限制响应时间。车辆速度限制在[30,60]km/h，其中本地计算资源频率为0.5G circles/s，道路车辆计算资源频率∈[0.5,2]G circles/s；详细MEC参数、车辆参数、计算任务仿真参数如图4所示。

如图1所示，一种MEC-SWIPT系统下车联网任务卸载决策方法，包括：

S1、构建MEC-SWIPT系统；

S2、根据MEC-SWIPT系统建立MEC服务器模型、车辆模型以及任务模型；

和W

S3、根据MEC服务器模型和车辆模型计算通信模型、系统连接情况、无线传输速率和系统可分配计算资源；

S31、车辆服务器连接模型如图5所示，根据车辆-服务器连接模型、MEC服务器模型和车辆模型计算车辆和MEC服务器的连接时间：

车辆行驶示意图如图6所示，其中，图(a)为车辆被追赶行驶示意图，图(b)为车辆追赶行驶示意图，图(c)为车辆相会行驶示意图；

如图(a)所示，被追赶时，车辆之间连接时间可以推导得到：

如图(b)所示，在追赶时，车辆之间连接时间可以推导得到：

如图(c)所示在车辆相会时，车辆之间连接时间可以推导得到：

其中，V

S32、根据服务器的带宽资源和MEC服务器带宽分配率计算车辆分配的带宽资沥

同理，计算车辆与车辆间的传输速率：

其中，

S33、由MEC计算资源分配率

S4、根据系统连接情况、无线传输速率和系统可分配计算资源建立优化函数，求解优化函数，得到任务卸载目标；任务卸载目标包括：最佳卸载MEC服务器和最佳卸载车辆；

S31、根据车辆连接情况计算车辆连接服务器稳定性和车辆连接车辆稳定性；

S32、根据车辆无线传输速率和车辆的计算能力计算车辆连接服务器任务处理能力和车辆连接车辆任务处理能力；

S33、根据车辆连接服务器的稳定性和任务处理能力建立车辆连接MEC服务器的优化函数进行联合优化，在各连接设备中穷举对比，得到最优卸载MEC服务器：

S34、根据车辆连接车辆的的稳定性和任务处理能力建立车辆连接车辆的优化函数进行联合优化，在各连接设备中穷举对比，得到最优卸载车辆：

其中，β

S5、根据任务卸载目标、MEC服务器模型、车辆模型和任务模型采用遗传算法计算任务的卸载决策；

如图7所示，考虑到卸载任务的不同优先级φ

S51、根据各任务卸载目标的传输速率、可分配的计算资源计算任务总时延、任务总能耗和任务超时率：

考虑计算任务的不同复杂度α

E

其中，P

卸载到MEC服务器的传输时延、计算时延和传输能耗：

其中，T

卸载到车辆的传输时延、计算时延、传输能耗和计算能耗：

E

其中，P

计算系统总时延、总能耗：

其中，m为车辆运动过程中的任务总数，T

任务超时率η由下式计算：

其中，

S52、建立能量约束，基于能量约束以元素{0，1，2}根据经验概率{0.25，0.25，0.5}生成初始遗传基因序列，长度为

能量由基站发射，经无线传输由RSU设备接收，接收功率如下：

其中

车辆与RSU设备的MEC服务器在Z个时隙内保持连接关系，各时隙中

生成的基因序列应当满足能量约束：

其中，E(n)为边缘设备的能量，m

S53、将基因序列、总时延、总能耗、任务超时率带入适应度函数，得到该基因序列决策对应的适应度，适应度反映决策的优越性，适应度函数如下式：

其中，

S54、判断适应度是否收敛，或是否达到迭代次数，如果是，迭代终止。否则，淘汰最低适应度基因序列，复制最优适应度基因序列；对所有剩余基因序列选择交叉对象，以概率p

本发明对传统MEC下车联网架构进行了补充，优化时延、能耗和任务超时率，通过遗传算法求解决策，图8展示了算法的收敛特性，可见系统成本随遗传算法迭代一直减小，当迭代次数达6000后，最优的算法成本基本趋于平稳，证明算法在有限次迭代后能实现卸载策略的收敛。图9对比了本发明所提方法与基准方法的对比，可见所提方案在系统能耗和任务超时率方面较其他卸载决策方法均有较好表现，其中在样本1中，本方案能耗成本减小13.72％，任务超时率减小45.82％；如图10所示，随着车辆数目的增加，系统成本也在相应减小的趋势。因为有更多卸载目标可以找到全局更优的卸载决策；当数目增加到一定值达到资源饱和，对于系统成本提升较小。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。