[发明专利]一种面向车联雾计算的“通信-计算”一体化资源分配方法

权利要求书

1.一种面向车联雾计算的“通信-计算”一体化资源分配方法，其特征在于：所述方法包括以下步骤：

S1、设卸载到路侧单元RSU执行任务，获取车辆信息和雾节点信息；

设卸载到路侧单元RSU执行任务，根据香农公式，车辆上行的传输速率表示为

其中，B为无线信道的带宽，P_i代表智能车辆用于上传数据的传输功率，g_i则代表智能车辆i与基站之间的信道增益，N₀为白高斯噪声方差；

S2、建立任务模型；

系统中的每一个车辆都产生了计算密集型任务，设智能车辆i对应的任务A_i用以下数组来表示

其中，表示应用的数据量；S_i表示CPU处理该应用需要的周期数；表示该应用的到达时间

S3、计算雾节点执行任务的稳定度；

通过雾节点的信誉度对其执行任务的所述稳定度进行量化，雾节点的信誉度使用以下公式进行描述：

其中，rep_i代表雾节点i的信誉度，r_i^s和r_i^c是计算节点i的信誉度评价指标，分别代表雾节点i的统计信誉度和认知信誉度，在信誉度计算中所占的权重值分别为ω₁、ω₂，ω₁+ω₂＝1，N_t是雾节点i已经执行的任务总数，N_th是任务数的阈值；

1)所述统计信誉度r_i^s的计算过程为：

统计信誉度r_i^s是根据雾节点i执行历史任务的情况统计得出的，f_l∈[0,1]代表第l次满意度评价，设雾节点满意度评价表中存放的对雾节点i的评价次数为m次，则统计信誉度r_i^s为m次评价的平均值，不考虑时间衰减的统计信誉度的计算公式为

设信誉度模型区别不同阶段对于信誉度计算的影响，时间较近的评价具有更高的权重值，因此考虑时间衰减的最终统计信誉度的公式为

其中为交易次数因子，反应满意度评价量越多时，做出的信任度评价越准确；

2)所述认知信誉度r_i^c的计算过程为：

设雾节点执行的历史任务数量较少，即N_t＜N_th，统计信誉度不能反映雾节点的真实信誉度，因此考虑雾节点的认知信誉度r_i^c，雾节点主要包括车辆与路边单元，因此根据其计算能力以及其续航能力将其分为稳定节点和不稳定节点两种；其中令r_i^RSU表示稳定节点，r_i^AV表示不稳定节点；

3)雾节点执行任务的稳定度计算过程为

雾节点任务执行的稳定度计算方法，如下所示：

其中sta_i表示雾节点i的稳定度，t_i为雾节点i完成任务的时间，T为单位时间；

4)雾节点执行任务的稳定度影响因子为γ_i

γ_i＝1-sta_i；

S4、建立任务计算模型；

将任务计算模型分成两个部分：本地计算模型与卸载计算模型；

本地计算模型是利用车辆自身的计算资源执行任务，卸载计算模型是基站决定卸载到路侧单元RSU并利用路侧单元RSU的计算资源处理任务模型；

1)所述本地计算模型具体为：

设车辆i的任务在本地执行，定义T_lⁱ作为本地执行的时延，假定车辆的计算能力为f_lⁱ，则本地处理的时间为

2)所述卸载计算模型具体为：

设选择路侧单元RSU执行任务，首先智能车辆将通过无线信道卸载任务到RSU，然后由RSU来执行这个任务，整个卸载过程包括三部分组成：

①智能车辆通过无线信道上传程序编程代码与参数相关的信息到基站，基站再把相关信息转发到RSU；

②RSU分配相应的计算资源去执行这项任务；

③基站把计算结果返回到智能车辆；

将智能车辆i通过无线信道上传数据的时间记作

设任务开始在RSU执行的时间为把智能车辆通过无线信道上传数据的时间记作则有

设RSU在执行一项任务的时候占据了所有计算资源，执行时延是

其中f_c代表了RSU的计算资源，智能车辆i的计算卸载总时延为：

S5、将稳定性影响因子与任务执行时延相结合；

结合后智能车辆i的稳定时延表示为：

其中，γ_i表示稳定性影响因子，α_i代表了卸载决策变量，智能车辆的卸载决策变量是一个整型的0，1变量，当其为0时表示任务在车辆上执行，当其为1时表示任务卸载到RSU执行，系统的最小稳定时延表示为