1.一种智能车辆边缘计算网络的资源分配方法，其特征在于，包括以下步骤；

步骤一：采用边缘计算智能车辆网络(CEC‑IOV)的分层资源管理模型，其中多个移动边缘计算服务器(MECSs)的服务质量(QoS)感知资源管理被标记为负载均衡问题；

CEC‑IOV资源管理包括两个方面；

QoS，由CEC‑IOV系统中的服务器时间决定；资源管理可以由全局协调器执行，通过将拥塞MECS的一部分业务分配给空闲MECS来平衡负载；当工作负载平衡时，系统延迟会降低；

能源效率，考虑MECSs中数据通信和处理的能效优化，而不考虑MECSs中的无线通信能量消耗；

步骤二：为全局负载均衡问题开发一种快速、可扩展的迭代最小延迟负载迁移(MLML)算法，其中负载的迁入和迁出分别发生在欠载和过载情况下；

步骤三：考虑到单个分布式MEC服务器(MECS)的聚合负载，提出一种QoS感知资源管理方案和能量感知资源管理方案，通过优化配备在MECS的一组VMs的工作负载和服务速率来最小化功耗；利用KKT条件解决制定的能效优化问题，获得解决方案的半封闭表达式；

QoS感知资源管理方案具体为MECSs向协调服务器报告它们的工作状态，协调服务器会告知过载的MECSs将一部分工作负载分配给空闲的MECSs；通过控制访问控制路由器中的数据流可以实现外层资源管理操作，并且MECS的VMs中的操作保持不受干扰；

能量感知资源管理方案具体为在虚拟化MECSs中，分配给每个虚拟机(VM)负载的大小由自适应负载调度器控制，每个VM的服务速率可使用动态电压和频率缩放(DVFS)技术调节；而通过与外层资源管理合作，可以最小化内层资源管理的功耗；

首先计算托管一组虚拟机虚拟化MECS的计算和通信成本；引入了一个数学优化问题来捕获MECS内部的操作以最小化功耗，并利用KKT条件来解决由此产生的凸问题；

A能量消耗

假设一个MECS附属的nk个虚拟机分别表示为v1,v2,…,vc,并且由于尺寸约束，它们的计算能力有限；然而分配给每个VM的工作负载大小可以由本地调度器根据总工作负载动态调整；此外，通过DVFS技术，每个VM都能够调整其服务速率以适应硬件和外部环境；

虚拟化计算平台的总功耗：

MECS comm comp tran

P ＝P +P +P     (19)

comm comp tran

其中P 是MECS中的内部通信过程而消耗的能量，P 是计算的功耗，P 代表了从输出缓冲区传输数据的功耗；

通信能量：从输入缓冲器到VM vc数据通信的能量消耗可以表示为计算负载ξc的函数：其中γ是恒定比例因子；因此，可以得出

计算能量：对于VM vc，分配的计算负载表示为ξc，最高服务速率为 当vc处于空闲状态时，其功耗为 并且当vc完全负载时，其最大功耗为 可以估计计算的功耗：αc是负载相关系数，表示为

其中 是可调整以适应MECS工作负载的VM vc服务速率， 是VM vc的最高服务速率；

传输能量：令z表示输出缓冲区的传输速度，ζ表示服务器工作负载；假设z由来自输入缓冲区的总工作负载线性确定：z＝ηζ    (25)

其中，η是一个常数；从输出缓冲器传输数据的功耗可以近似为：tran 2

P ＝ρ(ηξ)    (26)

其中，ρ是一个恒定的缩放因子；

因此，将MECS的总功耗重新表示为

B工作负载重新分配和服务速率缩放

通过优化分配到每个VM vc的工作负载ξc和其服务速率uc，可以最小化MECS的功耗：s.t.C1:

C2:ξc≤ucΔ

其中C1中的约束保证了整个工作被划分为多个并行任务；约束条件C2保证VM vc在Δ秒内执行分配的任务；

式(28)是一个凸优化问题，公式(28)的优化问题具有零对偶间隙并满足Slater约束条件，零对偶间隙的结果提供了一种途径来获得方程(28)中原始问题的最优解，方程(28)的最优解由相应的对偶问题导出，为此，首先给出原始问题方程(28)的拉格朗日函数：其中拉格朗日乘子μ用于约束C1，ω＝ωc(c＝1,2,...,nk)是C2的延迟约束，ωc表示不超过VM vc的计算时间代价所需的最大完成时间；事实上，这些乘法器是目标函数的惩罚因素，使其在相应的约束下向最优演化；使用后续方法解决Lagrangian‑dual问题可以得到μ和ωc；原始问题(28)的对偶问题如下所示：公式(30)中的对偶问题可以通过使用分层优化分解(LOD)方法分解为两个子问题；第1级，公式(30)中的内部最小化是主要问题；第2级，公式(30)的外部最大化有助于找到最优解；需要注意的是公式(30)中的优化问题是凸的，等式之间存在零对偶间隙；可以通过KKT条件求解(30)；

设 和 是1级和2级问题的最佳解决方案；然后，根据KKT条件，得出下列表达式：

*

其中μ为拉格朗日系数的最优解；

结合公式(31)和(32)， 的最优解可以写成其中式中：

公式(30)中的第2级问题可用次梯度法求解；对于给定的 和 集合，可以更新一组Lagrange乘法算子：+

ωc(k+1)＝{ωc(k)+θ(k)[ξc(k)‑uc(k)Δ]}    (36)其中，索引k>0是迭代索引，是正的迭代步长；然后可用于更新公式(33)和(34)中的功率感知资源管理方案，由 于原问 题对优化变 量是联合凸的 ，只要 满足一个 递减步长 序列就可以通过迭代求解一级和二级问题得到原始最优解，不管初始拉格朗日乘子是什么，都可以保证通过迭代求解一级和二级问题得到原始最优解；算法3说明了这个过程；

用于MECS的聚合负载的方案基于响应时间与总工作负载的变化对过载和空闲MECSs进行判断，利用MECSs上传的周期性，全局协调器可以默认已知资源管理的基本信息，该基本信息包括输入/输出缓冲区大小，流量到达速率，队列长度和输入/输出缓冲区的传输速率；

方案首先计算每个MECS的响应时间，包括服务时间和网络延迟，而系统延迟由MECSs的最大响应时间决定；然后，以迭代方式获得响应时间阈值；基于响应时间阈值，通过优化从过载MECSs到空闲MECSs的迁移负载来制定系统延迟最小化问题；

步骤四：与基准方案相比，数值结果验证所提出的QoS感知和能量感知资源管理方案的性能。

2.根据权利要求1所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，服务时间计算方法具体为考虑时间的不同请求，假设MECS k的域流量速率根据业务到达速率为lk的泊松过程随机到达；nk表示每个MECS的VMs数量；然后，通过下式计算MECS k的服务强度pk：pk＝lk/nkuc    (1)

MECS k的服务器时间 为：

其中 是 对应lk的函数， 表示平均排队时间， 表示平均服务时间；根据排队论，平均排队时间平均服务时间：

排队系统保持稳定，任务速度接近无穷大时，排队长度不能变成无穷大，否则无法保证MECS的延迟要求；根据排队论理论，要保证最基本M/G/N排队系统稳定的的充要条件是服务强度pk小于1。

3.根据权利要求2所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，网络延迟时间因为不同MECSs的交通到达率可以明显不同，故部分MECSs可能发生阻塞，而另外的一些MECSs可能未被充分利用；

th

两种类型的服务器分别表示为过载MECSs和空闲MECSs；D 表示响应时间阈值，在此基础上，MECSs被划分为两个集合，Vs表示过载MECSs集：ser th

Vs＝{i|Ti (li)＞D }    (5)Vt表示空闲MECSs集：

假设所有MECSs都可以彼此到达，每个过载的MECS i可以将其工作负载的一小部分分配给空闲的MECS j，因此产生了通信时延dij表示从过载的MECS i到空闲MECS j路径的通信延迟；因此，当迁移工作负载λij从过载的MECS i卸载到空闲MECS j时，相应的通信时延 可由下式计算得出：其中dij表示每对MECS的通信路径延迟，λij表示负载迁移；

假设MECS只能同时与一个MECS通信，之后在空闲MECS中发生网络延迟 为:网络延迟仅在空闲MECSs处发生，因为空闲的MECS j在过载MECSs卸载任务之后再处理迁移负载；但是，没有将负载迁移到过载的MECSs，所以系统延迟：结合公式(2)和(8)，MECS k的响应时间 可由下式计算：其中 表示MECS k产生的超载负载， 是 相对于 的函数；对于过载的MECS i和空闲MECS j，超载部分的负载分别表示为sys

系统延时：系统时延D 由系统中MECSs的最大响应时间决定：其中我们考虑一个CEC‑IoV网络，K个MECS记为κB.响应时间阈值；

th th

为了找到响应时间阈值D 和每个MECS的迁入/迁出负荷数量，估计了D 的值，并迭代精th th确D 的值直至D 和每个MECSs的服务器时间 的差值在给定范围θ内；

th

首先检查D 值的范围，令 指定

th max min

D ＝(T +T )/2为初始值，然后将MECSs根据公式(5)和(6)分别划分为两个集合，即过载MECSs Vs和空闲MECSs Vt；

对于每个过载和空闲的MECSs，需要确定迁出工作负载φi和迁入工作负载φj，使得服务器时间满足：其中ε是给定的阈值；

一旦确定了迁出和迁入工作负载，就可以获得具有最小网络延迟成本的迁移负载Λ＝{λij|i∈Vs,j∈Vt}；

从过载MECSs迁移负载到空闲MECSs将在空闲MECSs上产生网络延迟；因此，需要进一步th调整以至于每个空闲MECS的响应时间都近似于D ，即 然后，令+ th th

如果D和D 的差值低于给定阈值θ，则获得满足条件的D ；否则，通th th + th + th

过D ←(D +D)/2选择D ，然后更新φi，φj，λij，和D ，以此得到更新后的D ；这个过程一直th +循环到|D ‑D|≤θ为止；

C延时最小化的工作负载均衡

为了能够通过优化迁移负载来最小化系统延时，所以将负载平衡问题表示为s.t.C1:C2:

C3:0≤λij≤min{φi,φj}    (15)其中约束条件C1表示从过载的MECS i分配给所有空闲MECSs的迁移负载应该等于过载MECS i的预定义的迁出负载；约束条件C2表示从所有过载MECS迁移到空闲MECS j的迁移负载应等于空闲MECSs j的预定义迁入负载；约束条件C3表示施加在过载MECSi和空闲MECS j之间的每个通信路径的负载都应该小于相应的迁出和迁入负载。

4.根据权利要求3所述的一种智能车辆边缘计算网络的资源分配方法，其特征在于，所述负载平衡问题通过算法1实现具有不均匀域流量速率的MECSs的工作负载均衡；首先，基th于初始响应时间阈值D ，分别获得过载MECSs集和相应的迁出负载，以及空闲MECSs集和相th应的迁入负载；然后，通过算法2获得最佳迁移负荷；工作负载迁移完成后，动态调整D ，直到满足给定的精度范围θ；最后，协同边缘计算系统中的所有MECSs都具有大致相同的响应时间；

算法2 Hungarian迁移负载算法

D迁移负载匹配

确定每个过载的MECS的迁出工作负载φi和每个空闲MECS的迁入工作负载φj，通过求解以下问题，可以得到通信代价最小的最优迁移负载λij：使用多项式时间中的Hungarian算法有效地解决，Hungarian算法是一种组合优化方法，可以解决多项式时间中的分配问题；

要将问题(16)转换为标准分配问题，首先进行以下定义：因此，标准分配问题由下式给出：

0≤zij≤1    (18)

其中zij表示从过载MECS i到空闲MECS j的分配，zij＝1表示已分配，否则zij＝0；由于约束矩阵是完全幺模的，因此随着zij的松弛存在一个最优整数解；为了说明用于解决问题(18)的Hungarian算法，考虑|Vs|＝5和|Vt|＝3的简单情况；因为成本矩阵的行|Vs|应该等于它的列|Vt|，所以添加了两个额外的虚拟的空闲MECS 4和5；可以从图形角度看待为：五个过载的MEC，三个空闲MECS和两个虚拟空闲MECS；从过载MECS i到空闲MECS j的行表示成本dijcij的值，所有di4ci4和di5ci5都设置为0；将成本矩阵定义为n×n矩阵：