技术摘要：
本发明提供一种基于802.11p的云感知移动雾计算系统任务卸载方法，其充分考虑了移动雾计算系统的特征，计算方法符合真实场景，计算复杂度低，降低了计算时间，进而提高了计算效率。本发明的技术方案中，考虑到由802.11p不同优先级接入队列传输的任务的计算需求是不同的 全部
背景技术：
在无人驾驶、智能交通安全预警等应用领域，需要处理大量计算密集型的时延敏 感型、非时延敏感型任务。然而，目前车载计算机的计算能力有限，无法满足大量密集型计 算的需要。为解决如此庞大的计算需求，技术人员引入了任务卸载技术。即，当任务到达时， 目标车辆将任务卸载给附近若干车辆共同处理；为了实现这个目标，引入车载雾技术。车载 雾指的是车辆间合作处理任务，每一个车辆不仅能发出计算任务，而且也能处理任务；因为 任务的处理地点靠近请求车辆，利用车载雾技术能很好地满足时延敏感型任务的计算需 求。但当车载应用产生的计算任务量继续增大，车载雾计算系统的计算能力也无法完全满 足如此庞大的密集型任务处理需求时，因此需要利用远程云。远程云具有强大的计算能力， 人们提出将车辆产生的计算任务卸载到远程云，然后将计算结果返回请求车辆中。但是，远 程云与请求车辆之间距离较大，上传任务会消耗大量的能源以及链路资源，如果将所有计 算任务无差别上传远程云会导致成本过大的问题发生；因此，人们提出移动雾计算框架，即 将车载雾技术与远程云相结合，将由于车载应用产生的任务卸载到移动雾计算系统中，以 处理大量的计算密集型的时延敏感以及非时延敏感型任务。 在基于802.11p的车载网络中，802.11p传输的任务可以分成低优先级以及高优先 级，不同优先级接入队列传输的任务的计算需求不同，不同优先级队列传输的任务对时延 要求不同；高优先级任务需要较高的服务质量，因此，高优先级任务既可以卸载到车载雾中 计算也可以卸载到远程云中；低优先级任务服务质量要求不高，要么卸载到车载雾中，要么 被计算系统拒绝。而现有的基于移动雾计算框架研究中，没有充分考虑不同优先级任务计 算需求异构性以及计算资源可变性影响，导致计算工作中对于能源和链路资源分配不合 理，任务排队时间过长，进而导致计算时间过长，工作效率低下的问题发生。
技术实现要素：
为了解决现有的基于移动雾计算框架研究中，计算方法、计算结果不符合实际的 需求，计算时间过长，工作效率低下的问题，本发明提供一种基于802.11p的云感知移动雾 计算系统任务卸载方法，其充分考虑了移动雾计算系统的特征，计算方法符合真实场景，计 算复杂度低，降低了计算时间，进而提高了计算效率。 本发明的技术方案是这样的：基于802.11p的云感知移动雾计算系统任务卸载方 法，其包括以下步骤： 其特征在于： S1：定义系统的状态集合X； 状态集合表示为： 7 CN 111611063 A 说 明 书 2/14 页 X＝{x|x＝(K,s1,1,…,s1,N,…,s2,N,e)} 其中，K表示系统在当前状态下的计算单元总数，si ,j表示由j个计算单元处理的i 优先级任务个数，N表示一个任务最多能被分配的计算单元个数，e表示一个特定的事件； S2：定义系统的动作集合Ac； 系统的动作集合表示为： 其中，Di ,j表示由j个计算单元处理的一个i优先级任务完成，并离开系统；F 1表示 一辆车到达系统；F-1表示一辆车离开系统；Ai(i＝1,2)表示系统中某辆车发出一个i优先级 任务请求；0表示系统将任务上传到远程云，-1表示系统没采取动作，j表示系统分配了j个 计算单元处理任务； S3：定义系统的奖励模型r(x,a)； 奖励包括：立即奖励和开销，表示为： r(x,a)＝h(x,a)-g(x,a) 其中，r(x,a)表示系统长期奖励，h(x,a)表示系统的立即奖励，g(x,a)表示到下一 决策期间系统的开销； S4：定义系统的状态转移概率P(k|x,a)；P(k|x,a)表示状态x下，采取动作a后，转 移到状态k的概率； S5：将奖励r(x,a)、转移概率P(k|x,a)、以及折扣率进行归一化处理，获得贝尔曼 方程： 归一化之后的长期奖励为 归一化之后的折扣因子为 归一化之后 的转移概率为 获得贝尔曼方程为 S6：根据贝尔曼方程，采用值迭代方法求解出最佳任务卸载方案。 其进一步特征在于： 所述系统的立即奖励h(x,a)的表达式为： 其中，η表示节省时间的价格，T表示产生任务的车辆独自处理任务所需消耗的时 间，D1表示车载雾到远程云之间的传输时间，Tsi表示请求车辆传输i优先级到车载雾需要的 传输时间， 表示j个计算单元处理任务所需时间，φ表示系统拒绝低优先级任务 8 CN 111611063 A 说 明 书 3/14 页 的惩罚，ξ表示忙碌车辆离开系统的惩罚； 所述到下一决策期间系统的开销g(x,a)表达式为： 其中，β(x,a)表示在状态x下，采取动作a后事件的平均发生率；α是连续时间折扣 因子，c(x,a)表示开销速率； 开销速率c(x,a)的表达式为： 根据当前发生的事件类型的不同，所述状态转移概率P(k|x,a)可以表示为： 1)x＝(K,s1,1,…,s1,N,...,s2,N,A1)，即高优先级任务到达系统： 2)x＝(K,s1,1,…,s1,N,…,s2,N,A2) ,a＝j，即低优先级任务到达系统： 9 CN 111611063 A 说 明 书 4/14 页 3)x＝(K,s1,1,…,s1,N,…,s2,N,Di,j) ,i＝1,2；j＝1,2,…,N；a＝-1，即j个计算单元 处理的i优先级任务完成，并离开系统： 4)x＝(K,s1,1,…,s1,N,...,s2,N,F 1) ,a＝-1，即车辆到达系统： 5)x＝(K,s1,1,...,s1,N,…,s2,N,F-1) ,a＝-1，即车辆离开系统： 10 CN 111611063 A 说 明 书 5/14 页 其中，λi(i＝1,2)表示i优先级任务到达系统的到达率，μt表示计算单元处理任务 的服务速率，λv表示车辆的到达率，μv表示车辆的离开率； 所述事件的平均发生率β(x,a)的表达式为： 步骤S5中，贝尔曼方程表达式为： 所述归一化之后的长期奖励 的表达式为： 所述归一化之后的折扣因子 的表达式为： 所述归一化之后的转移概率 的表达式为： 本发明提供的基于802 .11p的云感知移动雾计算系统任务卸载方法，考虑到由 802.11p不同优先级接入队列传输的任务的计算需求是不同的这一特征，基于定义状态、动 作、奖励和转移概率，建立基于半马尔可夫决策过程的任务卸载模型表示任务卸载过程，利 11 CN 111611063 A 说 明 书 6/14 页 用值迭代算法求解贝尔曼方程，获得不同状态下的最优动作，即最优卸载策略；本发明的技 术方案中，考虑了移动雾计算系统的系统特性，即不同任务计算需求的异构性以及计算资 源的可变性，整个计算过程完全基于系统的真实场景，确保了计算结果符合真实需求；同 时，基于半马尔可夫的决策模型对策略进行计算，确保本发明技术方案的计算过程简单，容 易理解，降低了计算时间，进而提高了计算效率；求解最佳的任务卸载方案时，采用贝尔曼 方程的方法，考虑了折扣率，确保基于本发明技术方案获得的策略不是只考虑当下的回报， 而且考虑了将来的回报，进一步确保了本发明的技术方案具备长远性考虑，获得的最优卸 载方案符合车载网络系统计算的真实需求，使本发明的方案更具实用性。 附图说明 图1为基于802.11p的云感知移动雾计算系统的模型框图； 图2为随着系统中最大车辆数变化，系统各个动作概率变化情况示意图； 图3为系统中最大车辆数变化时，各个方案下，系统长期平均收益对比图。
本发明提供一种基于802.11p的云感知移动雾计算系统任务卸载方法，其充分考虑了移动雾计算系统的特征，计算方法符合真实场景，计算复杂度低，降低了计算时间，进而提高了计算效率。本发明的技术方案中，考虑到由802.11p不同优先级接入队列传输的任务的计算需求是不同的 全部
背景技术：
在无人驾驶、智能交通安全预警等应用领域，需要处理大量计算密集型的时延敏 感型、非时延敏感型任务。然而，目前车载计算机的计算能力有限，无法满足大量密集型计 算的需要。为解决如此庞大的计算需求，技术人员引入了任务卸载技术。即，当任务到达时， 目标车辆将任务卸载给附近若干车辆共同处理；为了实现这个目标，引入车载雾技术。车载 雾指的是车辆间合作处理任务，每一个车辆不仅能发出计算任务，而且也能处理任务；因为 任务的处理地点靠近请求车辆，利用车载雾技术能很好地满足时延敏感型任务的计算需 求。但当车载应用产生的计算任务量继续增大，车载雾计算系统的计算能力也无法完全满 足如此庞大的密集型任务处理需求时，因此需要利用远程云。远程云具有强大的计算能力， 人们提出将车辆产生的计算任务卸载到远程云，然后将计算结果返回请求车辆中。但是，远 程云与请求车辆之间距离较大，上传任务会消耗大量的能源以及链路资源，如果将所有计 算任务无差别上传远程云会导致成本过大的问题发生；因此，人们提出移动雾计算框架，即 将车载雾技术与远程云相结合，将由于车载应用产生的任务卸载到移动雾计算系统中，以 处理大量的计算密集型的时延敏感以及非时延敏感型任务。 在基于802.11p的车载网络中，802.11p传输的任务可以分成低优先级以及高优先 级，不同优先级接入队列传输的任务的计算需求不同，不同优先级队列传输的任务对时延 要求不同；高优先级任务需要较高的服务质量，因此，高优先级任务既可以卸载到车载雾中 计算也可以卸载到远程云中；低优先级任务服务质量要求不高，要么卸载到车载雾中，要么 被计算系统拒绝。而现有的基于移动雾计算框架研究中，没有充分考虑不同优先级任务计 算需求异构性以及计算资源可变性影响，导致计算工作中对于能源和链路资源分配不合 理，任务排队时间过长，进而导致计算时间过长，工作效率低下的问题发生。
技术实现要素：
为了解决现有的基于移动雾计算框架研究中，计算方法、计算结果不符合实际的 需求，计算时间过长，工作效率低下的问题，本发明提供一种基于802.11p的云感知移动雾 计算系统任务卸载方法，其充分考虑了移动雾计算系统的特征，计算方法符合真实场景，计 算复杂度低，降低了计算时间，进而提高了计算效率。 本发明的技术方案是这样的：基于802.11p的云感知移动雾计算系统任务卸载方 法，其包括以下步骤： 其特征在于： S1：定义系统的状态集合X； 状态集合表示为： 7 CN 111611063 A 说 明 书 2/14 页 X＝{x|x＝(K,s1,1,…,s1,N,…,s2,N,e)} 其中，K表示系统在当前状态下的计算单元总数，si ,j表示由j个计算单元处理的i 优先级任务个数，N表示一个任务最多能被分配的计算单元个数，e表示一个特定的事件； S2：定义系统的动作集合Ac； 系统的动作集合表示为： 其中，Di ,j表示由j个计算单元处理的一个i优先级任务完成，并离开系统；F 1表示 一辆车到达系统；F-1表示一辆车离开系统；Ai(i＝1,2)表示系统中某辆车发出一个i优先级 任务请求；0表示系统将任务上传到远程云，-1表示系统没采取动作，j表示系统分配了j个 计算单元处理任务； S3：定义系统的奖励模型r(x,a)； 奖励包括：立即奖励和开销，表示为： r(x,a)＝h(x,a)-g(x,a) 其中，r(x,a)表示系统长期奖励，h(x,a)表示系统的立即奖励，g(x,a)表示到下一 决策期间系统的开销； S4：定义系统的状态转移概率P(k|x,a)；P(k|x,a)表示状态x下，采取动作a后，转 移到状态k的概率； S5：将奖励r(x,a)、转移概率P(k|x,a)、以及折扣率进行归一化处理，获得贝尔曼 方程： 归一化之后的长期奖励为 归一化之后的折扣因子为 归一化之后 的转移概率为 获得贝尔曼方程为 S6：根据贝尔曼方程，采用值迭代方法求解出最佳任务卸载方案。 其进一步特征在于： 所述系统的立即奖励h(x,a)的表达式为： 其中，η表示节省时间的价格，T表示产生任务的车辆独自处理任务所需消耗的时 间，D1表示车载雾到远程云之间的传输时间，Tsi表示请求车辆传输i优先级到车载雾需要的 传输时间， 表示j个计算单元处理任务所需时间，φ表示系统拒绝低优先级任务 8 CN 111611063 A 说 明 书 3/14 页 的惩罚，ξ表示忙碌车辆离开系统的惩罚； 所述到下一决策期间系统的开销g(x,a)表达式为： 其中，β(x,a)表示在状态x下，采取动作a后事件的平均发生率；α是连续时间折扣 因子，c(x,a)表示开销速率； 开销速率c(x,a)的表达式为： 根据当前发生的事件类型的不同，所述状态转移概率P(k|x,a)可以表示为： 1)x＝(K,s1,1,…,s1,N,...,s2,N,A1)，即高优先级任务到达系统： 2)x＝(K,s1,1,…,s1,N,…,s2,N,A2) ,a＝j，即低优先级任务到达系统： 9 CN 111611063 A 说 明 书 4/14 页 3)x＝(K,s1,1,…,s1,N,…,s2,N,Di,j) ,i＝1,2；j＝1,2,…,N；a＝-1，即j个计算单元 处理的i优先级任务完成，并离开系统： 4)x＝(K,s1,1,…,s1,N,...,s2,N,F 1) ,a＝-1，即车辆到达系统： 5)x＝(K,s1,1,...,s1,N,…,s2,N,F-1) ,a＝-1，即车辆离开系统： 10 CN 111611063 A 说 明 书 5/14 页 其中，λi(i＝1,2)表示i优先级任务到达系统的到达率，μt表示计算单元处理任务 的服务速率，λv表示车辆的到达率，μv表示车辆的离开率； 所述事件的平均发生率β(x,a)的表达式为： 步骤S5中，贝尔曼方程表达式为： 所述归一化之后的长期奖励 的表达式为： 所述归一化之后的折扣因子 的表达式为： 所述归一化之后的转移概率 的表达式为： 本发明提供的基于802 .11p的云感知移动雾计算系统任务卸载方法，考虑到由 802.11p不同优先级接入队列传输的任务的计算需求是不同的这一特征，基于定义状态、动 作、奖励和转移概率，建立基于半马尔可夫决策过程的任务卸载模型表示任务卸载过程，利 11 CN 111611063 A 说 明 书 6/14 页 用值迭代算法求解贝尔曼方程，获得不同状态下的最优动作，即最优卸载策略；本发明的技 术方案中，考虑了移动雾计算系统的系统特性，即不同任务计算需求的异构性以及计算资 源的可变性，整个计算过程完全基于系统的真实场景，确保了计算结果符合真实需求；同 时，基于半马尔可夫的决策模型对策略进行计算，确保本发明技术方案的计算过程简单，容 易理解，降低了计算时间，进而提高了计算效率；求解最佳的任务卸载方案时，采用贝尔曼 方程的方法，考虑了折扣率，确保基于本发明技术方案获得的策略不是只考虑当下的回报， 而且考虑了将来的回报，进一步确保了本发明的技术方案具备长远性考虑，获得的最优卸 载方案符合车载网络系统计算的真实需求，使本发明的方案更具实用性。 附图说明 图1为基于802.11p的云感知移动雾计算系统的模型框图； 图2为随着系统中最大车辆数变化，系统各个动作概率变化情况示意图； 图3为系统中最大车辆数变化时，各个方案下，系统长期平均收益对比图。
