没有合适的资源?快使用搜索试试~ 我知道了~
基于车辆边缘计算的用户能耗最小化资源分配研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 150 浏览量
2022-12-15
14:22:40
上传
评论
收藏 158KB DOCX 举报
温馨提示
试读
12页
基于车辆边缘计算的用户能耗最小化资源分配研究.docx
资源推荐
资源详情
资源评论
随着无线通信与物联网技术的发展,车辆因特网(Internet of vehicles, IoV)应运而生,
IoV 可以为旅客提供许多新的服务,如语音识别、在线视频以及虚拟现实游戏等
[1-2]
。这些
新的服务需要消耗较多的计算资源并且具有严格的时延约束,但是用户的终端设备往往计
算能力有限,无法处理这些应用。为了解决车载用户终端计算能力不足的问题,有学者提
出了车辆边缘计算(vehicular edge computing, VEC),它可以根据业务的需求,灵活地分配资
源。
VEC 在提高系统资源利用率的同时,还能够有效提升计算密集业务的用户体验。但是
与传统的云服务器相比,当考虑到经济成本以及部署的灵活性时,VEC 服务器的计算能力
往往有限
[3]
。为了进一步提高系统的资源利用率需要一种新的动态资源分配策略。
目前,针对 VEC 的资源管理主要有以下研究。为了同时最小化车辆和 VEC 服务器的
消耗,文献[4]在车辆侧提出了一种联合任务迁移和本地计算资源分配策略。同时在 VEC
侧提出了一种联合无线与计算资源分配策略。在智慧城市的车联网中,为了支持更多的时
延敏感业务,同时减少网络的负载,文献[5]提出了一种联合无线与计算资源分配方案。文
献[6]在车联网中研究了高能效的任务迁移问题,提出了一种基于交替方向乘子法的低复杂
度分布式算法。以上所有研究都假设任务在迁移过程中信道状态是固定不变的。但在实际
中,任务的迁移时延与车辆信道的相干时间并不在同一个时间级别。例如,当车辆速度为
100 km/h,载频为 1.8 GHz 时,信道的相干时间约为 2.5 ms,而任务的迁移时延可达到数
十毫秒至数百毫秒,对于某些时延不敏感的业务,任务的迁移时延可达到数秒。如果不考
虑信道的快速时变特性,会使得资源利用率降低,任务的迁移时延也无法得到满足
[3-7]
。因
此,在 VEC 系统中进行资源分配时需要考虑信道的时变特性。
信道的快速时变特性是车联网的一个重要特点,本文主要研究在 VEC 系统中,信道
的快速时变特性对资源分配策略的影响。构建一个在系统计算资源和信道容量有限以及任
务 QoS 约束下的车载用户终端能耗最小化问题。由于车联网场景中多是视距场景,并且车
辆的位置可以预测,因此可以利用路径损耗信息替代信道状态信息(channel state
information, CSI)。通过利用李雅普诺夫随机优化理论,可以将原问题转化为两个子问题。
由于计算资源分配子问题是一个单变量的优化问题,因此很容易求解。而无线资源分配子
问题是一个混合整数规划问题,通过将该问题转换为单变量的优化问题进行求解。基于以
上两个子问题的结果,提出一种联合无线与计算资源分配(joint radio and computation
resource allocation, JRCRA)算法,并通过仿真结果验证 JRCRA 算法的有效性。
本文的主要贡献包括以下 3 点:
1) 本文在考虑车辆快速时变信道的特性下,提出一种联合无线与计算资源分配算法
来减少车载用户的能量消耗。仿真结果显示,当数据包平均到达速率从 20 个/时隙增加到
40 个/时隙时,提出的算法性能相较于传统的贪婪算法能耗降低了 48.85%。
2) 利用李雅普诺夫随机优化理论,通过调整控制参数 V,可以实现车载用户能量消耗
与任务处理时延的均衡。
3) 针对分解后的无线资源分配子问题,提出了一种有效算法来求解该混合整数规划
问题。
1. 系统模型
本节首先给出 VEC 的系统模型,接着给出任务的传输队列和计算队列。
1.1 网络模型
如图 1 所示,考虑一条单向道路,部署在路旁的路边单元(road side unit, RSU)均配备
有 VEC 服务器,为用户提供无线服务。车辆用户终端需要将所有任务传输至 VEC 服务器
进行计算。RSU 距离道路的垂直距离为 d0d0,每个 RSU 的覆盖直径为 dsds。当车速为
vv 时,车辆穿越 RSU 覆盖的小区所消耗的时间为 T=dsvT=dsv。当车辆到达 O 点时,令
t=0t=0。定义 h(t)h(t)为 tt 时刻的信道增益。在车联网中,获取车辆的 CSI 极其困难,但是
由于车辆的运动轨迹已知,因此可以利用可预测的路径损耗信息代替准确的 CSI。则 tt 时
刻的路径损耗可以表示为:
图 1 系统模型
下载: 全尺寸图片 幻灯片
h(t)=1(d20+(vt)2)α2−ds2v⩽t⩽ds2vh(t)=1(d02+(vt)2)α2−ds2v⩽t⩽ds2v
(1)
式中,αα 为路径损耗因子。由于小区的信道变化是可预测的,并且每个小区内的信
道变化是对称的,因此本文只需要研究半个小区内的资源分配策略
[8]
。
定义 P(t)P(t)为车载用户终端在时刻的发射功率。此时,车辆与 RSU 之间的无线传输
速率为:
R(t)=Wlog2(1+h(t)P(t))R(t)=Wlog2(1+h(t)P(t))
(2)
式中,WW 是系统带宽。假设数据包的大小相同,均为 LL 比特,则链路容量可以定
义为能够传输的最大数据包数量为 C(t)=⌊R(t)/L⌋C(t)=⌊R(t)/L⌋
[9]
。
1.2 动态队列模型
在本文中,用两类队列模型来表示任务由车载用户终端到 VEC 服务器的处理过程。
如图 1 所示,任务的处理过程被分为两个阶段,一是任务的传输阶段,二是任务在 VEC 服
务器中的计算阶段。这两个阶段可以分别被建模为任务的传输队列和计算队列。
对于任务传输队列,车载用户终端将 K 个独立的任务迁移至 VEC 服务器。定义任务
集合为 K={1,2,⋯,K}K={1,2,⋯,K}。定义 H(t)=[H1(t),H2(t),⋯,Hk(t)]H(t)=[H1(t),H2(t),⋯,Hk(t)]
为传输队列积压向量,其中 Hk(t)Hk(t)为第 kk 个任务在 tt 时刻的传输队列积压。
定义 A(t)=[A1(t),A2(t),⋯,Ak(t)]A(t)=[A1(t),A2(t),⋯,Ak(t)]为任务所产生的数据包向
量,其中 Ak(t)Ak(t)为第 kk 个任务在 tt 时刻所产生的数据包。任务数据包的产生速度满足
均值为 λk=E[Ak(t)]λk=E[Ak(t)]的独立同分布过程,并且第 kk 个任务在每一时隙所能产生
的最大数据包为 BkBk。定义 ck(t)∈[0,Hk(t)]ck(t)∈[0,Hk(t)]为第 kk 个任务在 tt 时刻所迁移
的数据包。因此,第 kk 个任务的传输队列可以表示为:
Hk(t+1)=max[Hk(t)−ck(t),0]+Ak(t)Hk(t+1)=max[Hk(t)−ck(t),0]+Ak(t)
(3)
为了保证任务的 QoS 需求,从长期平均的角度来看,平均的迁移数据包不应小于
qkqk。
对于任务计算队列,任务由 VEC 服务器进行计算。定义
Q(t)=[Q1(t),Q2(t),⋯,Qk(t)]Q(t)=[Q1(t),Q2(t),⋯,Qk(t)]为 VEC 服务器的计算队列积压向量,
其中 Qk(t)Qk(t)为第 kk 个任务在 tt 时刻的计算队列积压。定义 μk(t)∈[0,Qk(t)]μk(t)∈
[0,Qk(t)]为第 kk 个任务在 tt 时刻所计算的数据包。因此,第 kk 个任务的计算队列可以表
示为:
Qk(t+1)=max[Qk(t)−μk(t),0]+ck(t)Qk(t+1)=max[Qk(t)−μk(t),0]+ck(t)
(4)
2. 问题建模与重构
本节首先在 VEC 系统中构造一个联合无线与计算资源分配问题,该问题是在保证任
务 QoS 要求下实现车载用户终端能耗最小化。然后利用随机动态优化理论对该问题进行重
构。
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3835
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功