[发明专利]一种车载边缘计算网络中能效优化的计算卸载方法及系统

说明书

本发明涉及一种车载边缘计算网络中能效优化的计算卸载方法及系统，所述方法包括：计算本地计算的能效成本EEC；计算移动边缘计算的能效成本EEC；基于所述本地计算的能效成本和所述移动边缘计算的能效成本确定最优卸载决策；基于所述最优卸载决策确定车辆的最优CPU频率和最优发射功率；基于所述车辆的最优CPU频率和最优发射功率确定车辆的最优传输时间。本发明的上述方法能够提高计算卸载效率。

技术领域

本发明涉及车载边缘计算网络领域，特别是涉及一种车载边缘计算网络中能效优化的计算卸载方法及系统。

背景技术

车载边缘计算网络(VECN)将云服务推向网络边缘，配置在车载网边缘的基站(BS)上的(移动边缘计算)MEC服务器提供基于云的计算和存储服务，能够克服云计算远离终端用户、核心网拥堵等缺点。由于车载计算资源有限，车载应用程序生成的计算密集且对时延敏感的计算任务无法在本地设备上成功执行，而且车辆和乘客的计算要求也无法完全满足。通过将计算密集型任务卸载到MEC服务器，车辆可以获得更快的交互式响应和/或消耗更少的能量。计算卸载是一个非常复杂的过程，受无线电和回程链路质量、用户喜好、用户计算能力、云计算的性能和可用性等因素的影响。因此，在设计车辆计算任务卸载方案时，为了保证车辆用户的QoS，需要考虑的因素包括卸载多少数据、应该卸载哪一部分数据、如何为VECN中的车辆有效的分配通信和计算资源，以及车辆移动性对通信链路的影响等。

一般来说，计算卸载决策包括三种方案：本地计算、全部卸载和部分卸载，与全部卸载相比，部分卸载在并行计算和时延方面具有优势。但是，部分卸载是一个非常复杂的过程，受多种因素的影响，即计算任务是否可以拆分，可卸载部分与不可卸载部分的数据量和所需计算量不同，如何确定哪部分可以卸载到MEC，有些计算任务需要其它输入数据可能不适用并行处理。相比于部分卸载策略，本地计算和全部卸载策略(统称二进制卸载策略，0代表本地计算，1代表全部卸载)更为实用，所以本文设计的是二进制卸载策略。

近年来，很多学者已经研究了MEC网络和VECN中的任务卸载方案。为了最小化计算任务的完成时间，Le H Q,Al-Shatri H,KleinA.Efficientresource allocation inmobile-edge computation offloading:Completion time minimization[C]//2017 IEEEInternational Symposium on Information Theory(ISIT).IEEE,2017:2513-2517.中为多用户移动边缘计算卸载(MECO)系统中的时分多址(TDMA)和频分多址(FDMA)方案建模了联合优化问题，但是该模型忽略了MEC服务器的计算时间，不适用于MEC服务器计算资源有限的场景。在能源消耗方面，Sardellitti S,Scutari G,Barbarossa S.Jointoptimization of radio and computational resources for multicell mobile-edgecomputing[J].IEEE Transactions on Signal and Information Processing overNetworks,2015,1(2):89-103.中通过优化MIMO多小区系统中的无线电资源设计了一种能耗最小化的卸载方案，但是该方案没有优化时延，不适应对时延要求严格的车联网场景。为了满足不同用户对能耗和时延的要求，Dinh T Q,Tang J,La Q D,et al.Offloadinginmobile edge computing:Task allocation and computational frequency scaling[J].IEEE Transactions on Communications,2017,65(8):3571-3584.和Guo S,Liu J,Yang Y,et al.Energy-efficient dynamic computation offloading and cooperativetask scheduling in mobile cloud computing[J].IEEE Transactions on MobileComputing,2019,18(2):319-333.中在设计卸载策略时引入了能耗和时延权重因子，但是，这些方案假设移动设备在卸载过程中保持静止或移动速度很慢且传输链路稳定，然而这种假设在车辆移动场景中是不成立的。考虑到车辆的移动性和严格的时延约束，Hu RQ.Mobility-aware edge caching and computing in vehicle networks:A deepreinforcement learning[J].IEEE Transactions on Vehicular Technology,2018,67(11):10190-10203.和Hu R Q,Hanzo L.Twin-timescale artificial intelligenceaided mobility-aware edge caching and computing in vehicular networks[J].IEEETransactions on Vehicular Technology,2019,68(4):3086-3099.和Yang C,Liu Y,ChenX,et al.Efficient mobility-aware task offloading for vehicular edge computingnetworks[J].IEEE Access,2019,7:26652-26664.中提出了通信和计算资源的联合分配方案，然而他们假设计算任务上传到BS的速率仅与车辆的初始位置有关，且在计算卸载的过程中V2I通信质量不会改变。但是，在实际情况中，车辆的行驶速度会在一定程度上影响V2I通信质量，从而影响卸载决策。