一种面向计算密集型任务关联性的多资源分配方法

1.本发明属于计算卸载领域技术领域，具体涉及一种面向计算密集型任务关联性的多资源分配方法。


背景技术：

2.随着车辆终端数量爆炸式增长和新业务应用的层数不穷，数据量和资源需求不断增长。针对这个问题，研究人员将目光投向了网络中车辆终端的空闲资源上。自动驾驶汽车通常配备有通信单元、高性能计算设备和大容量存储设备，就如同道路上一台台移动的计算机，借助蜂窝车联网，车辆与车辆可以建立连接实现通信进而完成车辆间交互，通过v2v通信实现车辆终端间协同计算，充分利用邻近车辆过剩的资源缓解本车辆终端过载资源需求。与mec中位置固定的服务器相比，首先，网络中资源富足的车辆终端距离请求车辆位置更近，可以极大减少了响应时延。其次，车辆终端位置相对灵活，弥补mec信号未覆盖可能性。然后，车辆终端可以在中央控制器或者接入点不参与的情况下实现数据交换，缓解蜂窝网络和mec(移动边沿计算)设施的负载。最后，车辆终端既可以是请求车辆也可以是服务提供车辆，角色灵活多变。得益于上述的优点，在计算卸载中多车协同计算方法已经在多项研究中展开。
3.但是，首先由于车辆的高移动性，一方面会导致车辆间距离随着时间发生巨大变化，导致v2v链路的短暂性和间歇性。v2v通信的高动态性和不可靠性使得有效的车辆间内容传输非常具有挑战性。同时，计算密集型任务通常可以拆分成一系列相互依赖的子任务，使得多车协同计算处理问题变得更加复杂，传统的优化求解方法需要做出进一步调整。
4.针对上述问题，在多车协同计算模式下急需设计一种面向车载通信网络的通信资源管理方案实现确保计算密集型任务qos的同时提升车载通信网络通信性能。同时，当进一步考虑计算密集型任务的可拆分性和关联性，急待需要设计出一种通信和计算资源联合优化调度和任务卸载策略，实现车辆终端对计算密集型任务的有效及时响应
5.计算卸载中涉及的一个重要问题就是是否要进行卸载，即卸载决策，主要可以分为二进制卸载和部分卸载两大类。二进制卸载，即0-1卸载，该决策下计算任务要么全部在车辆终端本地处理要么全部卸载到代理服务器协助处理。而在部分卸载决策下，将一部分任务在车辆终端本地化执行，剩余部分任务则由代理服务器协助执行。资源分配则是主要针对被卸载任务被分配到何处以及如何分配网络资源的问题。
6.面向计算密集型任务的代理服务器可以分为两类：位置固定和位置不固定的。位置固定的代理服务器包括bs、路侧单元等等，可以统称为mec(移动边沿计算)服务器。针对时延敏感型的车载应用提出了一种多层优化的任务卸载和资源分配策略。以最小化系统总能耗为目标，将原始优化问题解耦成上层的任务卸载问题和下层功率和子载波最优控制问题进行求解。liwang等人将通过v2v通信形成了车云，结合了车辆云和软件定义网络技术提出了一种vcc-sdiov框架实现数据平面与控制平面的解耦，车辆可以在sdn控制器的管理下，有效地共享未使用的邻近车辆资源或享受计算服务。通过将vcc中的车辆以及任务建模
成无向图结构，在满足任务和vc图的结构保持约束的前提下，兼顾任务完成时间和能量消耗，提出了一种基于结构保持的两阶段分配方案。sun等人研究了基于vc的计算卸载问题，首先考虑到高速移动中的车辆会导致计算资源不稳定性，构建了基于车辆停留时间的车辆模型。其次考虑到车辆计算能力的异构性，提出一个np-hard的任务调度优化问题，并在此基础上提出了一种基于改进遗传算法的调度方案，仿真结果表明，同时在保证低延迟和系统稳定性下，提出的方案中计算资源的利用率得到显著提升。
7.近年来，机器学习已经在计算卸载中得到了广泛的应用。zhang等人提出了一种基于深度q-learning最优卸载方案，综合考虑mec服务器和传输模式的选择问题，使得卸载系统在给定的时延约束下以最大化计算卸载的效用。同时针对车载网络中的传输故障，设计了一种冗余卸载算法在保证卸载可靠性的同时提高了所获得的效用。zhou等人考虑了车辆网络的动态性和随机性，提出了一种基于动态规划的面向可靠性的随机优化模型，用于保障应用程序约束的前提下的车辆计算卸载。k.zhang等人提出了基于分层的车辆边缘计算卸载框架，该框架引入了备份计算服务器弥补计算资源的不足，采用stackelberg博弈论方法设计了一种最优的多级卸载方案，实现车辆和计算服务器效用最大化；2)考虑子任务的依赖关系。liwang等人将计算密集型任务的子任务集合构建成图，其中图中节点表示子任务，图中的边对应子任务间的数据流，基于vc将子任务映射给服务车辆。将vcs上的图任务分配任务问题转化为任务完成时间和数据交互成本最小的非线性整数规划问题，并针对低交通流量和高交通流量的提出了两种基于贪婪的图分配机制。m.goudarzi等人将应用程序构建成加权图，图中节点代表一个应用程序，边表示应用程序卸载的传输时间向量，面向移动云计算提出了一种快速混合的多站点计算卸载方案，该混合解决方案包括两种不同的决策算法，分别实现小规模和大规模的最优的卸载方案。
8.总而言之，现在面向计算密集型任务的基于多车协同计算的研究中大多将重点放在计算资源的分配上，忽视了车载通信网络潜在的不可靠性、受限的通信资源和计算密集型任务qos之间权衡的讨论。同时，大多数工作只关注计算密集型任务的浅层次资源需求，对其可拆分性和关联性则讨论较少。因此，探究计算密集型任务可靠性保证下的车载通信资源管理策略和关注任务依赖关系的资源管理方案，寻找到车载通信网络资源利用和满足计算密集型任务qos之间的均衡点，适合于未来有关自动驾驶的深入建设。


技术实现要素：

9.为实现上述目的，由于计算密集型任务严格的时延约束，有些研究工作不在将用户任务视为原子任务，采用多任务并行执行有效减少用户的完成时间，然而计算密集型任务拆分后的子任务之间往往相互依赖。同时，多个依赖任务的调度使得任务卸载和系统资源管理变得更加复杂。基于此，考虑计算密集型任务的可拆分性以及拆分后的子任务间的依赖关系，车辆的移动性，有限的系统资源等因素，如何为高速移动的车辆提供可靠高效的卸载决策是一个急待解决的问题。
10.计算密集型任务通常可以进一步拆分为一系列子任务，同时，子任务彼此之间相互依赖。车载增强现实、高清地图等是典型的计算密集型任务，从原始感知数据到3d显示的数据处理过程由多个处理模块组成，不同的模块功能各异，计算约束、更新频率均不同。此外，模块之间存在着复杂的依赖关系。当前，现有工作将计算密集型要么视为一个整体要么
拆分成多个独立并行执行的子任务，借助云端或者边缘服务器通过设计合适卸载决策和资源分配策略，实现在任务时延约束和系统资源效率之间寻找平衡，然而这样的假设是不切合实际情况的，多个依赖任务的调度增加了任务卸载决策和系统资源管理策略的复杂性，需要对传统的算法进行优化。
11.在本方法中，首先探究了计算密集型任务的可拆分性以及子任务的依赖关系，并依据依赖关系指定了子任务优先级，然后综合考虑多依赖任务调度、任务可靠性和车载通信网络性能，研究了当考虑任务可拆分性和关联性两个方面时的资源管理方法，设计了一种面向计算密集型任务依赖关系的多资源联合管理方案，实现计算和通信资源的进一步优化。
12.本发明提供如下技术方案：一种面向计算密集型任务关联性的多资源分配方法，具体包括如下步骤：
13.步骤1：通过任务传输可靠性约束、子任务的时延约束，确定每层优先级子任务选择服务车辆的范围；
14.步骤2：每层优先级的子任务在各自服务车辆选在范围内，遵循串联和并行关系选择服务车辆原则，确定每个子任务对应的服务车辆，确定相应的v2v链路集；
15.步骤3：一辆车上的子任务集以组播的方式将任务卸载到对应的服务车辆上，因此这些通信链路之间不存在干扰；所以不同任务车辆tos卸载链路的无线链路间共享频谱资源；同一任务车辆tos卸载无线链路间不共享频谱资源；确定无线链路间干扰关系；
16.步骤4：构建全连接干扰图，将多辆车协作计算的车载通信网络构建成一个无向图g＝(v,e)，其中，v2v通信链路作为图中节点，信道的信道状态信息csi作为节点的特征；若两条通信链路共享同一资源块，则图中对应的两个节点之间存在边，干扰信道的信道状态信息csi作为边的特征；
17.步骤5：由全连接干扰图，定义特征矩阵h∈rn×n和邻接矩阵a，其中，h
mm
∈h表示链路的通信信道的信道状态信息csi，h
mm'
∈h表示链路和链路间的干扰信道信道状态信息csi，其中n表示第n辆任务车辆，m表示第m辆服务车辆；n
′
为与n不是一辆任务车辆，m
′
为与m不是一辆的服务车辆；
18.此外，h
mm'
需要满足下列约束：
[0019][0020]
即：如果链路的发射端to
n'
和链路的发射端ton不是同一辆任务车辆时，h
mm'
表示链路和链路间的干扰信道的信道状态信息，反之h
mm'
为0；
[0021]
步骤6：将特征矩阵和邻接矩阵作为构建的图神经网络gnn的输入，得到最优无线通信链路的功率，该功率值即不会违背通信链路功率的上界约束又能保证干扰链路传输的可靠性；
[0022]
最优化问题转换为从特征矩阵h和邻接矩阵a到最优功率控制策略的映射，其中v2v通信链路集合表示为i＝{1,2,...,i}，即：
[0023][0024]
公式(4)中：p
*
(h，a)为从特征矩阵h和邻接矩阵a到最优功率，h
ii
为表示链路的通信信道的信道状态信息csi；pi为通信链路的功率，σ2为背景噪声，属于高斯白噪声，其值为-114db。
[0025]
优选的，所述步骤1中可靠性约束为：同时考虑到由于车辆的高移动性，车辆间无线通信链路的不可靠性，车辆间传输接触时间需要满足下列约束：
[0026][0027]
公式(1)中：λ
nm
为车辆间接触持续时间参数，为子任务的数据大小，为子任务和服务车辆匹配指示变量，为链路的传输速率，车辆接触时间概率阈值θ为0.9；e为自然对数的底数，是一个无限不循环小数，其值是2.71828...；
[0028]
因此，子任务的执行时间表示为：
[0029][0030]
所述步骤1中子任务的时延约束为：
[0031][0032]
其中，任务的传输时延为服务车辆端处理时延为第k个子任务等待其所有前任子任务执行的等待时间为子任务的执行时间为的执行时间为表示第k个子任务时延约束要求，单位是秒；
[0033]
由公式(1)、(2)可以确定每层优先级子任务选择服务车辆的范围。
[0034]
优选的，所述步骤2中为了方便描述，用下列数学符号来表述子任务，用ωf表示数据收集和特征提取模块操作，用ω
t
表示目标跟踪模块，用ωm表示映射模块，用ω
or
表示目标识别模块，用ωr表示渲染模块；
[0035]
为了保证所有子任务能在各自的完成时间期限内完成，直观上，具有更严格时延；要求的子任务选择距离更近的服务车辆，同时更有优先选择服务车辆；根据子任务的依赖关系划分了子任务优先级，对子任务的优先级调整并优化任务执行时间：
[0036]
(1)子任务的优先级调整为：、
[0037]
根据模块间依赖关系，原始的被分割的子任务的优先级；
[0038]
执行子任务时延包括子任务传输时延和计算时延，那么降低子任务执行时延一方面要减少传输时延，一方面减少计算时延；因此，对子任务原始优先级进行调整；
[0039]
具体的调整方案如下：
[0040]
a.根据实际相机中子模块功能，渲染器将其他模块的计算结果覆盖在新视频帧的顶部，该操作必须在每一帧执行，因此渲染模块ωr不会被卸载距离特别远的服务车辆上协
助计算，调整渲染模块ωr的优先级为优先级1；
[0041]
b.一方面，映射模块ωm和目标跟踪模块ω
t
都需要数据收集和特征提取模块操作ωf的执行结果，同时映射模块ωm和目标跟踪模块ω
t
的执行结果都是目标识别模块ω
or
输入数据；另一方面，映射模块ωm和目标跟踪模块ω
t
呈现串联关系；将映射模块ωm和目标跟踪模块ω
t
合并成一个子任务，减少待卸载子任务的个数，即减少传输次数，进而减少传输时延；调整合并后的新任务的优先级调整为优先级2；
[0042]
(2)优化任务执行时间为：
[0043]
虽然任务间的依赖关系为制定任务卸载决策引入了新的约束，但是也提供了新的思路和机会；为了减少子任务的总的执行时间，做了下列优化；
[0044]
首先假设子任务的卸载决策制定后，所有的子任务并行传输到对应的服务车辆上；针对串联关系任务，假设在收到前一个子任务后立即执行本子任务；最后针对并行任务选取服务车辆时，遵循的原则是：选择并行子任务计算时延差值最小所对应的服务车辆作为卸载车辆。
[0045]
与现有技术相比，本发明的有益效果如下：
[0046]
直观上，通信的两辆车之间的距离和其无线信道增益成反比，即距离较远的车辆通信链路的信道条件更糟糕，糟糕的信道条件不仅使得通信链路容易发生中断造成传输失败，无法保证任务传输的可靠性。同时，传输距离通常越长传输时间通常也越长，因此提出了基于车辆位置信息的卸载决策方案，其中综合考虑了无线信道状态和计算资源利用率。同时，频谱资源、单车资源受限，必须要进行相应的干扰控制才能保证在通信链路接收端的接受到的信息的准确性，我们提出了基于gnn的功率控制策略。上述的方案和策略保证了在满足计算密集型任务时延和可靠性要求的同时，对系统的计算和通信资源进行合理的分配。
附图说明
[0047]
图1为本发明的子任务卸载优先级优化示意图，a为子任务原始卸载优先级流程图，b子任务优化后卸载优先级；
[0048]
图2为本发明的全连接干扰无向图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
请参阅图1-2，本发明提供一种技术方案：一种面向计算密集型任务关联性的多资源分配方法，具体包括如下步骤：
[0051]
步骤1：通过任务传输可靠性约束、子任务的时延约束，确定每层优先级子任务选择服务车辆的范围；
[0052]
可靠性约束为：
[0053]
同时考虑到由于车辆的高移动性，车辆间无线通信链路的不可靠性，车辆间传输
接触时间需要满足下列约束：
[0054][0055]
公式(1)中：λ
nm
为车辆间接触持续时间参数，为子任务的数据大小，为子任务和服务车辆匹配指示变量，为链路的传输速率，车辆接触时间概率阈值θ为0.9；e为自然对数的底数，是一个无限不循环小数，其值是2.71828...；
[0056]
因此，子任务的执行时间表示为：
[0057][0058]
子任务的时延约束为：
[0059][0060]
其中，任务的传输时延为服务车辆端处理时延为第k个子任务等待其所有前任子任务执行的等待时间为子任务的执行时间为的执行时间为表示第k个子任务时延约束要求，单位是秒；
[0061]
由公式(1)、(2)可以确定每层优先级子任务选择服务车辆的范围；
[0062]
步骤2：每层优先级的子任务在各自服务车辆选在范围内，遵循串联和并行关系选择服务车辆原则，确定每个子任务对应的服务车辆，确定相应的v2v链路集；
[0063]
为了方便描述，用下列数学符号来表述子任务，用ωf表示数据收集和特征提取模块操作，用ω
t
表示目标跟踪模块，用ωm表示映射模块，用ω
or
表示目标识别模块，用ωr表示渲染模块；
[0064]
为了保证所有子任务能在各自的完成时间期限内完成，直观上，具有更严格时延；要求的子任务选择距离更近的服务车辆，同时更有优先选择服务车辆；根据子任务的依赖关系划分了子任务优先级：
[0065]
(1)子任务的优先级调整为：、
[0066]
按照图1中，根据模块间依赖关系，原始的被分割的子任务的优先级；
[0067]
执行子任务时延包括子任务传输时延和计算时延，那么降低子任务执行时延一方面要减少传输时延，一方面减少计算时延；因此，对子任务原始优先级做了调整；
[0068]
具体的调整方案如下：
[0069]
a.根据实际相机中子模块功能，渲染器将其他模块的计算结果覆盖在新视频帧的顶部，该操作必须在每一帧执行，因此渲染模块ωr不会被卸载距离特别远的服务车辆上协助计算，调整渲染模块ωr的优先级为优先级1。
[0070]
b.一方面，映射模块ωm和目标跟踪模块ω
t
都需要数据收集和特征提取模块操作ωf的执行结果，同时映射模块ωm和目标跟踪模块ω
t
的执行结果都是目标识别模块ω
or
输入数据；另一方面，映射模块ωm和目标跟踪模块ω
t
呈现串联关系；将映射模块ωm和目标跟踪模块ω
t
合并成一个子任务，减少待卸载子任务的个数，即减少传输次数，进而减少传输
时延；调整合并后的新任务的优先级调整为优先级2；调整后的优先级如图1所示；
[0071]
(2)优化任务执行时间为：
[0072]
虽然任务间的依赖关系为制定任务卸载决策引入了新的约束，但是也提供了新的思路和机会。为了减少子任务的总的执行时间，做了下列优化；
[0073]
首先假设子任务的卸载决策制定后，所有的子任务并行传输到对应的服务车辆上；针对串联关系任务，假设在收到前一个子任务后立即执行本子任务；最后针对并行任务选取服务车辆时，遵循的原则是：选择并行子任务计算时延差值最小所对应的服务车辆作为卸载车辆；
[0074]
步骤3：一辆车上的子任务集以组播的方式将任务卸载到对应的服务车辆上，因此这些通信链路之间不存在干扰；所以不同任务车辆tos卸载链路的无线链路间共享频谱资源；同一任务车辆tos卸载无线链路间不共享频谱资源；确定无线链路间干扰关系；
[0075]
步骤4：构建全连接干扰图，将多辆车协作计算的车载通信网络构建成一个无向图g＝(v,e)，其中，v2v通信链路作为图中节点，信道的信道状态信息csi作为节点的特征；若两条通信链路共享同一资源块，则图中对应的两个节点之间存在边，干扰信道的信道状态信息csi作为边的特征；图2描述了如何将车载通信网络构建成无向图g＝(v,e)；
[0076]
步骤5：由全连接干扰图，定义特征矩阵h∈rn×n和邻接矩阵a，其中，h
mm
∈h表示链路的通信信道的信道状态信息csi，h
mm
'∈h表示链路和链路间的干扰信道信道状态信息csi；
[0077]
此外，h
mm'
需要满足下列约束：
[0078][0079]
即：如果链路的发射端to
n'
和链路的发射端ton不是同一辆任务车辆时，h
mm'
表示链路和链路间的干扰信道的信道状态信息，反之h
mm'
为0；
[0080]
步骤6：将特征矩阵和邻接矩阵作为构建的图神经网络gnn的输入，得到最优无线通信链路的功率，该功率值即不会违背通信链路功率的上界约束又能保证干扰链路传输的可靠性；
[0081]
最优化问题转换为从特征矩阵h和邻接矩阵a到最优功率控制策略的映射，其中v2v通信链路集合表示为i＝{1,2,...,i}，即：
[0082][0083]
公式(4)中：p
*
(h，a)为从特征矩阵h和邻接矩阵a到最优功率，h
ii
为表示链路的通信信道的信道状态信息csi，pi为通信链路的功率，σ2为背景噪声，属于高斯白噪声，其值为-114db。
[0084]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。