[发明专利]一种基于MEC的软件定义车联网服务迁移方法

说明书

本发明属于车联网无线短距离通信技术领域，具体涉及一种基于MEC的软件定义车联网服务迁移方法，该方法包括：根据车联网服务迁移的优化目标确定车辆用户的时延函数；采用Dijkstra路由算法确定车辆任务的最优路径，并采用Q‑learning算法优化车辆任务迁移时延函数，得到车辆用户时延函数的最优值，采用时延函数最优值的服务器进行任务的迁移；本发明结合SDN,虚拟机和车联网确定车联网服务迁移方法，实现了车联网服务迁移的最优迁移方式。

技术领域

本发明属于车联网无线短距离通信技术领域，具体涉及一种基于MEC的软件定义车联网服务迁移方法。

背景技术

车联网作为物联网理论在智能交通系统最有潜力的发展和应用，己经得到了国内外的广泛关注和研究。在过去的十年中，汽车行业硬件和软件技术发展迅速，大量的服务和应用程序，各种先进的通信技术，使驾驶更安全、更舒适。汽车行业已经投入了大量的资源来实现车辆自动化，汽车自动驾驶技术得到了快速发展。这些自动驾驶的智能汽车运行着大量的计算密集型应用程序，这些应用程序需要云辅助来进行数据处理和存储。然而，汽车终端的计算能力是有限的。移动边缘计算(MEC)被认为是一种很有前途的解决方案，它将云服务推向无线接入网络的边缘，并在接近移动车辆终端的地方提供基于云的计算卸载。

软件定义网络(SDN)的概念在促进数据调度、提高车辆网络的资源利用率和增强服务管理方面显示出巨大潜力。SDN的核心思想是控制平面和数据平面的分离。具有全局网络知识的SDN控制器通过控制平面为路边单元(RSU)、基站(BS)和车辆等网络节点制定数据广播和转发规则。结果，SDN控制器可以通过基于全局视图制定调度决策来定义单个车辆、RSU和BS的行为。

资源虚拟化是云资源分配和管理的关键支持技术之一。它允许以虚拟机(VM)的形式在共享的硬件平台上同时执行各种租户的任务。为了促进负载平衡、故障管理、服务器维护等，传统的云数据中心倡导实时VM迁移。但是，基于路边云(RSC)的车辆云计算(VCC)与传统云计算平台的主要区别在于云资源高度分散和用户高度动态。这使基于RSC的VCC中的VM迁移更具挑战性，且用户服务体验较差。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于MEC的软件定义车联网服务迁移方法，该方法包括：车辆用户在行驶过程中将产生的计算任务输入到车联网；车联网根据计算任务进行任务迁移；采用Dijkstra路由算法对任务迁移路径进行选取，得到最优路径；根据最优路径确定车辆用户的优化目标，根据优化目标计算车辆用户的时延函数；采用Q-learning算法对时延函数进行优化，得到最优时延函数；根据最优时延函数计算迁移的奖励函数，当奖励函数最大时，为该任务迁移路径为最优迁移方案；其中，MEC表示移动边缘计算，Dijkstra路由算法表示迪杰斯特拉路由算法，Q-learning表示强化学习算法。

优选的，车辆用户产生的计算任务包括本地执行、原始路边单元执行和目标路边单元执行三部分；车辆用户在进行移动时，任务从原始路边单元迁移到目的路边单元，使得虚拟机VM发生迁移；虚拟机在进行迁移过程中从原始路边单元到目的路边单元的多条迁移路径中选择一条最优的路径进行迁移，在最优路径下优化虚拟机的迁移时间。

优选的，采用Dijkstra路由算法对任务迁移路径进行选取的过程包括：

步骤1：获取城市分布模型图G(S,E,W)，在图中确定起点路边单元A和目的路边单元B的位置；

步骤2：根据城市分布模型图计算图中不同节点对应的权值矩阵D，并生成初始节点V＝ones(1,n)；

步骤3：根据权值矩阵D计算初始节点到下一节点中所有路径的距离，选取最短距离的路径作为两个节点之间的最优子路径；

步骤4：以最优子路径的终点作为新的路径的起点，计算下一节点中所有路径的距离，选取最短距离的路径作为这两个节点的最优子路径；

步骤5：重复步骤4，直到任务迁移到目的路边单元为止；