[发明专利]一种面向交通数据的端边协同计算卸载方法

说明书

为了解决现有技术中计算卸载的算法不适合智能交通领域的问题，本发明提供一种面向交通数据的端边协同计算卸载方法，首先为通信时延和计算时延建立系统模型；然后建立以时延和资源为约束条件的系统效用函数；最后设计优化策略在两者之间取得平衡。本发明在计算卸载过程中综合考虑计算资源和时延，设计优化函数去取得两者之间的平衡。本发明首先根据通信时间系统模型、边缘侧计算时间系统模型和本地计算时间系统模型，建立总时延系统模型；然后综合考虑资源分配的均衡性，设计系统效用函数；最后研究系统优化策略，完成计算卸载算法的设计。本发明针对智能交通行业应用的特点，设计过程中兼顾资源分配和时延，性能上优于传统算法。

技术领域

本发明涉及物联网任务卸载技术领域，特别涉及一种面向交通数据的端边协同计算卸载方法。

背景技术

随着智能交通技术的不断发展，交通感知设备和控制系统所产生的数据不断变大，使得对数据计算处理的能力需求不断加大。处理这类需求，首先考虑到的当然是云计算技术，其优势主要是集中式的云服务器提供超强的计算能力和计算资源。然而，在智能交通系统中，处理这些计算密集型和时延敏感性任务时，由于对时延的要求比较高，而边缘计算恰好具有更接近前端设备的计算能力来消除延迟的这一特点，因此更具发展潜力。正是这些需求的不断增长促进了移动/多接入边缘计算(MEC)技术的发展。在如今5G技术兴起的浪潮下，通过移动/多接入边缘计算技术使应用、服务和内容可以实现本地化、近距离、分布式部署，来解决5G网络热点高容量、低功耗大连接以及低时延高可靠等技术场景的业务需求。在交通控制领域中，图像或视频分析大量应用了AI算法，AI算法对GPU等计算资源又有较高的要求，因此就需要研究时延最短的计算卸载算法。

计算卸载是边缘计算关键技术之一，是指受资源约束的前端感知设备完全或部分地将计算密集型任务卸载到资源充足的边缘计算节点，主要解决了前端设备在资源存储、计算性能以及能效等方面存在的不足。计算卸载技术可以直接在摄像头很近的边缘计算节点上直接进行数据分析(图像分析或视频分析)，这不仅减轻了核心网的压力，而且降低了因传输带来的时延。计算卸载主要包含卸载决策和资源分配两个问题。在卸载决策方面，为了降低时延，Mao等人提出了一种基于Lyapunov优化的动态卸载(low-complexityLyapunov optimization based dynamic computation offloading,LODCO)算法，实验结果表明改算法能将运行时间缩短64％。Zhang等人提出的以降低时延为目标的最优卸载方案，提出了分层的移动边缘计算部署架构，采用Stackelberg博弈论的方法解决了多用户卸载方案。对于资源分配来说可以分为单节点分配和多节点分配，如果计算任务是不可分割的或可以分割但分割的部分存在联系，这种情况下卸载任务就需要卸载到同一个边缘计算节点；而对于可以分割但分割的部分不存在联系的计算任务，则可以将其卸载到多个边缘计算节点。Wang等人提出了干扰管理的方案，在最小化干扰的条件下进行通信资源分配、计算资源分配方案，减少了40％的时延。目前关于计算卸载的研究成果较多，但是面向智能交通管理的计算卸载方案还是很少。

更重要的是，对于交通控制来说，总时延应该越少越好，但是由于边缘计算节点上的计算资源是有限制的，如果多个任务卸载到同一边缘计算节点上，会导致整个系统的通信或计算负载不均衡。

总之，现有的针对计算卸载的研究多集中在如何减少延时，忽略了资源的限制，使计算卸载的算法在智能交通领域不适用。

发明内容

为了解决现有技术中计算卸载的算法不适合智能交通领域的问题，本发明提供一种面向交通数据的端边协同计算卸载方法。

本发明为了解决上述技术体所采用的技术方案是：一种面向交通数据的端边协同计算卸载方法，其技术方案在于：首先为通信时延和计算时延建立系统模型；然后建立以时延和资源为约束条件的系统效用函数；最后设计优化策略在两者之间取得平衡。

其中，一种面向交通数据的端边协同计算卸载方法，包括以下步骤：

1)构建通信时延和计算时延模型：