[发明专利]一种车联网中基于群智进化的边云协作任务卸载方法

说明书

本发明公开了一种车联网中基于群智进化的边云协作任务卸载方法，包括：搭建基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型；所述总任务时延包括所有车辆任务的任务传输时延、任务等待时延和任务执行时延，所述总任务能耗包括所有车辆任务的任务传输能耗和任务执行能耗；获取最新的车辆任务集、边缘设备集，包括每个车辆任务的信息和每个边缘设备的状态信息；基于获取到的车辆任务集和边缘设备集，根据车辆边缘计算模型，采用改进麻雀搜索算法求解得到车辆任务集的卸载决策。本发明在满足任务最大完成期限和资源约束条件下，实现边缘设备负载均衡。

技术领域

本发明属于边缘云计算技术领域，具体涉及一种车联网中基于群智进化的边云协作任务卸载方法。

背景技术

车辆边缘计算(Vehicular edge computing,VEC)将边缘计算应于车联网，在靠近车辆的区域(如路边，停车厂)部署拥有一定计算、存储、网络资源的边缘设备(如路边单元、边缘服务器、基站)，将车辆任务就近处理。就近处理任务可以缩短数据传输距离，减少任务时延，降低任务执行能耗，从而增强服务质量，提升系统能效。然而，边缘设备的计算、存储、网络资源相对有限。随着车辆增加，车载应用数据急剧增长，边缘设备接收的任务激增，容易出现负载过重，导致任务的时延增大、能耗增加。并且，车辆快速移动，任务分布随时空变化，所以容易出现边缘设备的负载失衡，使得一部分边缘设备负载过重引起资源紧缺，而另一部分边缘设备负载过轻出现资源空置，导致系统能效不高。为了解决这些问题，当前研究提出通过设备间协作完成任务。

VEC中，网络环境、车辆移动、设备资源等时刻变化，任务卸载具有复杂性、约束性、非线性、难以建模。将任务卸载到具有不同计算能力的本地或远程设备协作执行，面临巨大挑战。需要解决以下问题：1)卸载任务到边缘设备(本地或者远程)，云中心，或其它节点高效执行，需要考虑任务的传输和执行，量化其时延和能耗。2)任务卸载到计算能力强的节点可以减少任务时延，但是可能会增加能耗，需要兼顾用户车辆和服务运营商利益，综合考虑任务的时延和能耗开销。3)任务请求随时空变化，边缘设备可用的计算、存储、网络等资源亦动态变化，需要均衡边缘设备负载，以保障用户车辆服务体验，提升整体系统能效。

当前，针对VEC的协作任务卸载，一些研究将车辆任务卸载到其它车辆，但由于车辆本身资源有限，且移动变化大，容易出现任务卸载失效，导致任务执行失败。一些研究将任务卸载到边缘设备，当资源不足时，将任务卸载到云中心，不考虑拥有资源的相邻边缘设备，边缘设备的负载失衡，能效变低。一些研究基于深度强化学习在云端(和或边缘)预训练车辆任务，指导和优化任务卸载决策，需要云-边-端的数据联动，协调的网络参数过多，当任务剧增，算法的计算和训练开销大，严重影响任务处理时效。

发明内容

本发明提供一种车联网中基于群智进化的边云协作任务卸载方法，在满足任务最大完成期限和资源约束条件下，实现边缘设备负载均衡。

为实现上述技术目的，本发明采用如下技术方案：

一种车联网中基于群智进化的边云协作任务卸载方法，包括：

步骤1，搭建基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型；所述总任务时延包括所有车辆任务的任务传输时延、任务等待时延和任务执行时延，所述总任务能耗包括所有车辆任务的任务传输能耗和任务执行能耗；

步骤2，获取最新的车辆任务集、边缘设备集，包括每个车辆任务的信息和每个边缘设备的状态信息；

步骤3，基于获取到的车辆任务集和边缘设备集，根据车辆边缘计算模型，采用改进麻雀搜索算法求解得到车辆任务集的卸载决策；所述卸载决策是指所有车辆任务各自的目标卸载位置，即本地边缘设备、其他协作边缘设备或者云中心。

进一步地，基于总任务时延和总任务能耗的边云协作的车辆边缘计算模型为：