抽象性
各种新兴车辆应用,如自主驾驶和安全预警,用于改善交通安全并确保客运舒适性完成这些应用需要大量计算资源来完成巨大的延时敏感/免时敏感和计算密集任务车辆很难满足计算应用的要求,因为机上计算机计算容量有限解决问题 许多作品都建议 高效任务卸载机制 计算范式,如移动雾计算MFC内车辆采行IEE802.11p协议传输任务根据IEE802.11p,任务可按延迟需求划分为高优先级和低优先级现有任务卸载工作不考虑IEE802.11p不同访问类别传递任务的不同优先级本文建议高效任务卸载策略,从减少任务执行时间方面最大程度实现长期预期系统奖赏具体地说,我们联合考虑任务优先级的不同ACs、车辆移动和计算任务抵离的影响,然后将卸载问题转换成半markov决策程序模型后,我们使用相对值迭代算法解决SMDP模型寻找最优任务卸载策略最后,我们通过广泛的实验评价拟议方案性能数值结果显示,拟卸载策略与贪心算法相比表现良好
开工导 言
智能连通车辆可提高交通安全并确保客运舒适性,支持各种应用,如自主驾驶、安全预警、自然语言处理、广告和车辆环境娱乐一号-4..应用由巨大的延时敏感度和计算强度任务组成5..车辆计算能力有限,难以支持延时敏感应用车辆雾计算法(VFC)已成为解决车辆网络问题的有效方法,计算资源推向网络边缘以满足延时敏感任务需求6,7..VFC系统计算资源不足,因为车辆应用生成任务数巨大因此,关键是要为车辆网络提出一个新的计算范式
移动雾计算系统被建议为车辆网络高效计算范式,与远程云联手扩展VFC系统计算能力MFC系统视每部车辆为计算资源单元,计算能力不变8车辆采行IEE802.11p协议互通九九..802.11p使用增强分布通道访问机制提供不同的服务质量支持EDCA机制定义不同存取类别和不同优先级传输不同数据流10..MFC系统车辆产生巨大的延迟敏感/延迟敏感和计算强度任务,原因是各种车辆应用和这些任务有不同的延迟需求,我们认为延迟敏感和计算密集任务高优先级,由高优先AC传输以获取更高层次QOS,非延迟敏感任务低优先级并优先AC车辆生成高优先级任务时,即服务请求者,它可以卸载任务到其他车辆或远程云中,即接受车辆雾或传输到远程云低优先级任务QOS不严格,服务请求者只能卸载低优先级任务到车辆雾中的其他车辆上,或任务被系统拒绝任务为车辆雾接受后,系统需要确定分配多少RU获取最大长期预期奖励注意MFC系统的主要目标是减少任务执行时间11..本文MFC系统包括前文中提议的特征:(1)车辆运抵/拆分系统并(2)计算任务运抵/拆分系统,结果系统可用资源数变化不定此外,MFC系统有其独有特征,即考虑802.11p EDCA机制的不同AC传递任务的不同优先级,这就对寻找最优任务卸载策略以最大限度地实现长期预期系统奖赏提出了挑战。
据我们所知,尽管对MFC系统车辆网络任务卸载机制进行了广泛研究,但没有文献考虑特征,即802.11p EDCA机制的不同AC传输任务延迟需求不同,这对构建模型寻找最优卸载策略构成重大挑战。因此,有必要建议最优卸载政策,同时考虑由不同的AC传递的高低优先任务,这激励着我们做这项工作。
本文中,我们认为不同AC传递任务的不同优先级并提议MFC系统最优任务卸载策略本文主要贡献概述如下:(1)我们建议卸载策略,在MFC系统为车辆网络获取最大长期预期奖赏,同时联合考虑计算任务需求、车辆机动性需求以及高低优先级任务进出境需求的影响具体地说,我们把任务卸载过程转换成半markov决策过程模型,定义系统状态集、动作集、状态过渡概率和系统奖赏函数高效解决问题,我们采用相对值迭代算法为MFC系统寻找最优卸载策略(2)展示最优策略的性能, 我们为所拟策略和贪婪算法进行广泛的实验 条件相同 并获取数值结果结果显示,与大会方法相比,我们拟议战略的性能大为改善
本文其余部分组织如下段内2讨论车辆网络任务卸载策略相关工作MFC系统描述分节3.我们搭建SMDP模型 设计任务卸载问题4.相对值迭代算法5.段内6提供数值结果和相应的性能分析论文结论解析7.
二叉相关工作
计算范式VFC和MFC广泛用于车辆网络本节首先审查VFC系统任务卸载相关工作,然后讨论MFC系统卸载工作
2.1.任务卸载VFC系统
朱等人[6考虑雾节点能力, 约束服务延缓性, 质量损失建议解决方案 VFC系统分配任务程序先改变任务分配过程 成联合优化问题 双目标优化问题解决题时,他们还基于线性编程优化和二分粒子群优化建议事件触发任务分配框架武等[11考虑802.11p延迟传输并提议VFC系统任务卸载策略开始把任务卸载问题转换成SMDP模型, 并采用迭代算法解决SMDP实现最优策略周等[12优先建议高效激励机制,以合同理论建模为基础,为每种类型车辆独有特征量身定制,以激励车辆分享资源并设计任务分配问题为双向匹配问题,通过基于定价的稳定匹配算法解决,以最小化网络延迟赵等[13提议基于合同的奖励机制,将资源贡献与利用结合起来并推广分布式深加学习法(DRL),以降低VFC系统实施复杂性最后,他们建议基于排队模式的任务卸载机制以避免任务卸载冲突Lin等[14提议资源分配管理机制以缩短服务时间开始引入服务模型, 并搭建VFC系统实用模型 基础服务模型双步解决具体地说,他们先展示所有亚优解法 基础拉格朗江算法, 后提供最优解法选择过程谢等人[15并联合审议了车辆运动和分时计算能力的影响,并提议VFC系统有效资源认知并行卸载策略
2.2.任务卸载MFC系统
宁等[4开发高效卸载任务具体地说,它们先设计优化问题,通过联合考虑负载平衡和延迟约束最小化耗能并分两个阶段优化问题 即流重定向卸载决策最后,他们采用了Edmonds-Karp和深加学习最小化耗能算法解决优化问题郑等[8考虑资源多变特征并提议最优计算资源分配策略,以尽量提高MFC系统在权力和处理时间方面的预期长期回报具体地说,他们先把优化问题转换成SMDP, 并采用迭代算法寻找最优方案Lin等[16计及多型车辆和路边单元后,资源分配问题拟成SMDP模型后配方问题通过建议方法解决赵等[17优先将协同计算卸载问题转换为约束优化,联合优化计算卸载决策并计算资源分配并使用协同计算卸载和资源分配优化机制解决优化问题武等[18号考虑处理任务车辆并提议任务卸载机制以最大限度地实现长期系统奖励离任系统具体地说,他们先将卸载问题编译成无限SMDP并使用值迭代算法来解决这个问题王等[19号并审议了车辆应用多变延迟需求 和变量计算资源建议高效卸载策略优先排队系统建模MFC系统后发现SMDP应用认知卸载策略刘等人[20码开发MFC系统卸载策略以尽量减少卸载延迟,延时包括传输延迟、计算延迟、等待延迟和交接延迟具体地说,他们先建立任务卸载延时模型, 后开发出一对一匹配算法和多对一匹配算法以获取卸载策略
从上文可见,我们发现目前没有工作考虑802.11p不同AC传递任务的不同优先级,而802.11p是我们工作动机
3级系统模型
本节首先详细描述MFC系统,然后我们介绍车辆使用IEE802.11p EDCA机制传输高低优先计算任务
3.1.系统描述
MFC系统联合审议了任务优先级、车辆机动性以及计算任务抵离的影响假想显示为图一号脱机由车辆雾和远程云组成高优先级任务产生后,系统需要做出决定,将其分配到理想计算实体,即卸载任务到车辆雾或传输到远程云中低优先级任务不敏锐度,系统更有可能在车辆雾中执行或下降此外,如果任务为车辆雾所接收,系统将进一步判定有多少可用车辆,即可用RUs分配执行图中显示简单例子一号.任务从车辆 运抵系统 并分配两个RU处理后服务请求者从RUs接收计算结果最大计算资源数 MFC系统内高低优先任务乘法率 .车辆移动或离开MFC系统 并 ,互斥类似地,高低优先计算任务运抵率跟随Poisson分布带参数 并 .
3.2数据传输802.11pEDCA机制
802.11p EDCA定义四大AC每一AC队列使用自己的参数,即仲裁间空间号(AIFSN)、最小争议窗口和最大争议窗口[21号..记事本 并 最小争议窗口和最大争议窗口 ,互斥正因如此 最大时间 争点窗口 可翻倍化,即 ,表示方程一号)本文高优先任务由 队列和低优先级任务由 队列广播模式类似多相关工作22号-25码,我们假设信道最理想MFC系统任务传输程序描述如下:具体地说,当车辆中AC队列有传输任务而通道闲置时,仲裁跨框架空间时间段启动回转进程具体地说,随机值选择介于零和最小点对数窗口中作为回转计数值接下去,如果通道闲置一槽,回调定时器下降一槽反转定时器冻结到信道闲置AIFS持续时间如果回发定时器值下降为0,包传输车内二重AC同时传输 内部碰撞即发生在此例中,高优先任务将传递,低优先任务则用新回发程序重发,并使用双重参数窗口复发数大于复发限值 ,任务会删除 。
4级SMDP模型
本节任务卸载过程转换成SMDP模型为了澄清问题,我们已经定义系统状态集、动作集、状态过渡概率和系统奖励函数
4.1.系统状态集
系统状态 内含车辆数,即 ,高低优先级计算任务数由不同数RUs和事件执行事件表示 ,去哪儿 .来 表示服务请求者生成高优先计算任务,即高优先计算任务运抵 表示服务请求者生成低优先计算任务,即低优先计算任务运抵 表示任务优先级 处理方式 RUs偏离MFC,即完成优先任务 处理方式 RUs; 表示进MFC系统即车辆运抵 表示可用车辆离开系统,即车辆启程系统状态集可表示为 去哪儿 表示任务数优先级 处理方式 RUs和 表示最大值RU处理任务毫无疑问,繁忙车辆数目必须小于 ,即 .
4.2动作集
动作 与系统当前状态相关 并反映MFC系统在当前事件下的决定动作归集 ,去哪儿 表示当事件完成时系统不采取行动,车辆进出系统 表示系统向远程云传输高优先计算任务或系统因缺少计算资源拒绝低优先任务 表示 RUs分配执行任务因此,动作集可表示为
4.3状态过渡概率
SMDP模型中下一状态与当前状态和动作相关联,状态过渡概率表示当前状态和下一状态之间的关系状态过渡概率定义为下一事件到站率与所有事件到站率之和之和之比给当前状态 并动作 ,表示值 概率从当前状态转换 转到下一状态 后采取行动 ,并 求达率总和 所有事件模型状态转换概率应先讨论下一事件登陆率,视当前事件和动作不同而不同详细程序如下
服务请求者生成高优先计算任务,MFC系统向远程云传输在这种情况下 事件到达率 华府市 .繁忙RUs数在远程云执行时不变运抵事件速率 ,即完成优先任务 并处理 RUs系统 .运抵事件速率 并 系 并 ,互斥高低优先级任务生成并接收 RUs分配执行在此例中,当下一个事件为计算任务运抵时,乘车进离系统时,下一个事件递抵速率为 , ,并 ,互斥等一等 成为下一个事件事件何时完成优先任务 处理方式 RUs发生后,下一个事件到场速率分析如下:(1)e类=A级一,a/高山市X级)=jE级=D级ij
案例表示服务请求程序生成计算任务优先级 ,并用它执行 RUs系统任务优先数 处理方式 RUs增速和事件登陆率 华府市 .(2)e类=A级一,
案例表示任务优先级 处理方式 RUs实现并发事件速率 华府市 .3级e类=A级一,
案例表示任务优先级 处理方式 RUs实现运抵事件速率 华府市 .
结语中,给当前状态 并动作 ,过渡概率表示方程4)和(b)5后页显示
类似地,当前事件即完成优先任务 处理方式 RUs车辆进离系统状态转换概率可用方程计算6)–(8),并二选一(1) (2) 3级 (4) (5)
自 即所有事件报到率之和,表达式可用方程表示九九即
4.4.4系统报答函数
假设动作,当MFC系统从当前状态转换为下一状态时系统会得到奖赏记事本 系统奖赏函数表示 去哪儿 表示系统通过采取行动实现收入 下状态 并 表示系统成本介于两州间接下去,我们先讨论收入问题,然后系统成本解释
4.4.1.系统税收
MFC系统的主要目标是减少任务执行时间等一等 延迟传输 从车辆雾到远程云 即请求者本地执行任务时任务处理时间 传输时间从请求者到车辆雾 执行任务时间 RUs系统与前文相似26,我们不计回馈时间分析结果注意远程云装配电容量,从而忽略远程云处理时间高优先计算任务到达系统而计算资源不足时,系统将任务传送到车辆雾中并转至远程云中在本案中,系统收入表示为 ,去哪儿 物价单位时间低优先级任务到达系统时RUs不足,任务拒绝并用惩罚参数终止系统 .高低优先级任务由车辆雾执行时,收入表示为 .如果事件是任务完成过程之一, 车辆移动或离开系统, 系统不采取行动, 收入为零 。繁忙车辆走出MFC系统,导致执行任务失效,系统受参数约束 .系统在不同事件和行动下的收入可用方程编译11即
自高低优先任务计算率 ,执行任务时间 RUs可表示为
不同优先级任务由不同的ACs传递,即 并 ,不同传输延迟相似工作27号.我们认为整个任务传输过程 -域线性模型并采用概率生成函数法获取ACs传输延迟 表示延迟传输PGF可用方程表达13即 去哪儿 平均传输时间 PGF回发时间 时复发数 ,并 概率传输 .
表示最大争议窗口 时复发数 ,可计算方程14)等一等 平均时间回调定时器减少一分因此,PGF 可算为方程15)
等一等 持续时间插槽PGF 表示方程16即 去哪儿 时间长度AIFS 反向冻结概率请求者车辆感知MFC系统内占用通道或试图传输任务的其他访问类别的其他车辆自 需要感知通道 多槽比 ,华府 可计算由 去哪儿 计算依据 并 详解
SIFS时间短跨段上头 可表示方程19号依据802.11
假设所有高低优先级任务大小相同,即 ,平均传输时间由 去哪儿 并 页眉长度物理层和MAC层 传播时间 并 基本速率和数据速率平均传输时间PGF表示方程21号即
显示Markov链英寸27号概率传导 可表示方程22号即 去哪儿 即使用 ,并 任务抵达概率AC自所有计算任务到达率跟随 Poisson分布后,抵达概率 可方程计算23号即
初始化使用 ,并发 并 可按方程计算17)和(b)22号通过迭代法替代 并 进方程13PGF传输时间因此传输时间可用
4.4.2.系统成本
给当前状态 并动作 ,系统成本指两个状态期间执行任务引起的成本并用方程表示25码) 去哪儿 即当前事件下繁忙车辆数采取行动后,可按方程计算26和) 即相应的预期时间
记事本 连续时间贴值因子本文中,我们采行[贴现奖模型28码即
系统税收函数可重写为方程28码)
5级相对值迭代算法
取相对值迭代算法 寻找最优任务卸载策略 以最大程度实现长期预期回报 减少任务执行时间具体地说,相对值迭代算法用于解决Bellman最优方程29..Bellman方程表示方程29)中 贴值系数判定未来奖赏对当前状态的影响
持续时间SMDP难以解决,离散MDP可以通过迭代Bellman最优方程直接解决,以获取最优策略,我们将连续时间SMDP转换成离散MDP30码)–(32码) 去哪儿 .替代方程30码)–(32码进方程29)Bellman最优方程可写成
|
||||||||||||
6级数值结果分析
本节中,我们在MATLAB2010a中进行大规模实验并获取数值结果以显示拟议卸载策略的性能,同时将之与贪婪算法作比较GA方法表示系统总是倾向于分配尽可能多的RU执行任务图中显示深思熟虑的假想一号.实验中,我们先初始化系统状态集、动作集、状态过渡概率和系统奖赏2)–(10)相对值迭代算法用于解决Bellman最优方程以获取最优卸载策略最后,我们比较拟议策略与大会方法的长期预期奖赏最大值RU执行任务为2 并 表示系统分配一RU和二RU执行高优先级任务类似地 并 表示系统分配一RU和二RU处理低优先级任务 表示高优先级任务传输到远程云 表示系统拒绝低优先级任务简洁性再传输限数设置为2802.11p参数是根据IEE802.11p标准[30码实验中主参数显示于表一号.
图2显示当最大量车辆改变时高低优先计算任务延迟传输可以看到,当最大量车辆增加时,任务传递延迟持续增加乘以系统最大车辆数增加后,包碰撞概率增加,从而引起退化传输延迟此外,我们可以发现高优先任务延迟传输,即 ,高于低优先级任务,即 .这是因为争议窗口 队列中用于传输高优先级任务小于 .
图3显示MFC系统最大数改变时的动作概率可见概率 并 越小越多车辆数越多,说明如下最大车辆数增加后计算资源就足够了,结果系统往往在车辆雾中执行任务系统偏向处理雾中任务 概率 , , ,并 变大车辆数进一步增加后,可用资源丰富,系统分配尽可能多的RU处理任务,从减少任务执行时间方面最大程度系统奖励因此概率 并 下降,而 并 继续增加高低优先级传输延迟差小,任务优先级计算率相同,系统收入行动差 并 不显眼概率推算 并 都是一样的
图4显示MFC系统最大数改变时预期长期奖赏可以看到,当车辆量增加时,拟议策略比贪心算法大得多系统奖赏这是因为当可用计算资源增加时,更多任务可用车辆雾处理此外,我们可以发现,拟议卸载策略与大会方法相比,在系统奖励方面表现良好。这是因为拟议方案分配RUs执行任务时会考虑长期奖励GA方法只分配尽可能多的RU处理任务,不考虑长期系统奖励
下一步,我们比较高优先任务的拟议任务卸载策略与低优先任务战略,表显示2并3..注意表空白部分表示对应状态不存在可以看到当可用资源数大于RU处理任务最大数时,即 ,系统分配尽可能多的RU执行高低优先级任务此外,当可用RU数小于 大于1系统分配一RU处理计算任务当可用资源数极小时,系统会采取不同行动执行高低优先任务,即向远程云传输高优先任务以获取最大长预期奖赏并分配一个RU处理低优先任务或拒绝低优先任务
7结论
本文中,我们为MFC系统开发任务卸载策略,以尽量提高系统奖赏,即减少任务处理时间,同时考虑计算任务需求的影响,任务计算由802.11p EDCA机制的不同ACS传输,车辆移动性,高低优先级任务运抵/运出我们先把卸载问题转换成SMDP模型后,相对值迭代算法用于解决模型获取最优策略最后,我们通过比较GA方法展示了拟议方法的性能未来我们会考虑任务排队 并研究任务卸载问题 车排
数据可用性
支持本研究发现的数据包括在文章内
利益冲突
作者声明无利益冲突
感知感知
这项工作得到中国自然科学基金会部分支持61701197部分通过111项目B12018部分由江苏关键交通实验室TTS2020-02部分由江苏湖环境遥感技术实验室开放基金JSLERS-2020-001.