文摘

智能交通系统(ITS)成为智能城市的一个重要组成部分向更安全的道路,更好的交通控制、按需服务利用和处理所收集的信息传感器的车辆和路边基础设施。云计算的,车辆(VCC)是一种新型技术平衡复杂的服务的要求和能力有限的车载电脑。然而,车辆在VCC的行为是动态的,随机的,而复杂。因此,一个关键的安全问题是车辆和车辆的云之间的频繁的断开连接(VC)此车辆时计算服务。更重要的是,连接错误会严重扰乱正常的服务的VCC和影响交通的安全工作。本文提出了一种安全资源分配机制对连接故障在VCC使用修改后的工作流与预测能力。我们首先提出车辆运动的概率模型满足VCC的高动态和实时需求。然后我们提出一个Prediction-based可靠性最大化算法(适当地)实现安全VCC的资源分配。评估表明,我们的机制可以提高可靠性和保证VCC的实时性能。

1。介绍

智能城市已经成为城市可持续发展的一个关键方法(1),它是由智能传感器网络、物联网、社交网络等等(2- - - - - -5]。智能交通系统(ITS)是仪器制造智能城市的道路交通更安全,更有效,更方便6]。的核心组件,车载Ad Hoc网络(VANET)可以改善道路交通的信息交换的效率。VANET是一个网络,车辆可以分享行车信息,如汽车压碎或路上的交通堵塞。有两种类型的车辆来交换他们的信息沟通机制在VANET: vehicle-to-vehicle (V2V)车辆通过车载无线通信设备直接和vehicle-to-infrastructure (V2I)车辆相互通信的现有基础设施在路边。路旁边的设备称为限制(路边单元)(7]。其在道路安全领域中起着重要的作用,利用交通VANET采集的数据。基于这些交通数据,更多和更复杂的应用程序已经实现车辆来补充它。在这个过程中,车辆的“大脑”变得越来越“聪明”的结果的应用程序的需求。一些车辆有足够的计算和存储资源,这些资源闲置在许多条件。相反,一些车辆的车载电脑也有限的计算和存储资源来执行服务。为了解决不平衡的计算能力在时间和空间中,车辆的云计算(VCC)的基础上提出了VANET在前几年8,9]。我们都知道,云计算是一种技术,它提供了灵活性提供计算资源的虚拟化所有分布式计算设备作为数据中心的资源池(10]。作为进一步开发,VCC坐标计算、通信、传感、和存储资源的道路上的车辆来平衡的要求服务和硬件的限制。换句话说,提到的车辆资源构成云资源池。

根据不同的功能资源,服务VCC可分为四种类型,即“Computation-as-a-Service”,“Network-as-a-Service”,“存储作为服务”和“Sensing-as-a-Service”[11]。VCC和传统的云计算最重要的区别是,动态资源池的VCC取决于车辆的机动性。车辆的流动减少VCC的可靠性和可用性。事实上,车辆的运动行为是不确定的。换句话说,车辆可能连接或断开车辆的动态云基于复杂的交通环境。服务提供给车辆可以分解成一系列的任务。其中一些需要其他任务的执行结果开始他们自己的任务。因此,这是这些任务的执行顺序称为任务序列。如果一个任务被分配给一个车辆在车辆的云(VC),任务之间的连接故障将会失败,因为这车和VC。此外,进一步的任务序列取决于失败会被打断,并将停止相关服务。 It is opposite with the initial goal of using VCC in ITS, which is making the road traffic safer. In traditional cloud computing systems, a lot of fault-tolerance approaches have been proposed to deal with the common node with random failures, such as the work in [12]。作者建立了一个云计算和实时工作流容错模型提出了一种容错调度算法,使用主备份模式。然而,这些计划不能应用于车辆的交通系统,便携式可预测性的行为和需要高的实时服务。他们中的大多数使用备份方案和验算的任务如果他们造成的错。计算将引入额外的时间开销和导致服务执行的时间延迟。因此,这些现有的工作不能直接用于VCC服务的实时要求。VCC中一个关键的安全问题之间的频繁的连接故障车辆和VC此车辆时执行的云服务。

应对上述挑战,本文提出了一个安全的资源分配机制对连接故障在VCC使用修改后的工作流与预测能力。建议的机制包括两个阶段。首先,连接移动车辆的故障概率模型提出了VC。第二,安全资源分配算法,提出了适当,根据车辆的故障概率的连接。基于连接的输出故障概率模型,安全资源分配算法最大化VCC的可靠性约束下的服务执行期限。

本文的其余部分组织如下。部分2介绍了背景知识和相关文献调查的主题。部分3提供模型的VCC和车辆连接故障的概率模型。连接故障在VCC的配方中所描述的部分4。部分5介绍了安全时间表VCC资源配置工作流。节6实现,仿真验证了该机制的效率。结论和未来的工作部分所示7最后。

2。相关的工作

VCC的概念提出了好几年。Eltoweissy等人,Olariu等人介绍了VC的概念,利用闲置资源的车辆8,9]。在他们的论文中,场景是,车辆长时间可以访问无线网络;也就是说,车辆停放或陷入了交通堵塞和移动缓慢。工作(13解决了这个问题,在一些道路车辆的低密度不能满足要求的物理资源的利用停放的汽车继电器节点。此外,在工作14提出了停放车辆协助(PVA)加入VANET停放车辆。在那之后,侯赛因et al。15)首次提出VENAT云架构分为三个不同的体系结构框架,VC、车辆使用云(VuC)和混合动力车辆的云(HVC)。

与稳定的基础理论体系,提出VCC的许多应用程序和优化。第一个研究方向是专注于VCC的安全和隐私。燕et al。16]分析了安全和隐私VCC的挑战。第一篇论文,注意在VCC处理安全问题。在那之后,一些安全威胁结束了数篇论文17- - - - - -19]。因此这是一个流行的研究方向。

第二个是在VCC资源配置的效率。云中的资源分配是一个传统的问题(20.]。它可以提高能力和效率的VCC优化分配策略。他们可以分为几个阶段。基本是向VCC结合传统的云。计算资源在传统的数据中心提供的车辆。博弈论的资源分配方法,提出了中央云资源(21]。进一步的云组成的车载电脑的车辆。郑等人提出了一个在VCC SMDP-based资源配置最大化长期奖励总额(22]。

最后一个是研究的可靠性和可靠性在VCC系统计算资源。不可预测的计算资源的可用性的分布式汽车一直在研究[23- - - - - -26]。然而,这些研究的重点是车辆在停车场的变化,忽略了应用程序场景的移动车辆导致更多的连接故障在VCC和安全风险。

3所示。基本模型

3.1。VCC的体系结构

一般来说,有两种不同的架构构建VCC。尽管一些新的内容交付机制提出了(27,28),典型的V2V和V2I通信机制现实交通环境被认为是最受欢迎的在我们的纸上。如图1在路上,下层组件是车辆。车辆分享他们的资源,如计算能力、通信带宽和存储空间直接V2V彼此的沟通。在我们的论文,这方向云称为V2V云模型。此体系结构的优点是沟通的低延迟时间。然而,由于有限的通信范围内的车辆的广播,云常的规模太小,不足以完成一些复杂的服务如管理疏散车辆的密度是不够的在车载电台的范围。

为了解决这个基本结构的限制,限制用于为车辆提供长途传输在不同的地方。它集成了更多的资源在更大的区域,尽管导致时间延迟一点。这种架构的最明显的缺点是,它需要大量的投资来构建这个系统的基础设施。这种云组织模型称为V2I云。这两个主要的体系结构的基础上,VC结合传统的云变成了混合动力车辆的云。传统的云可以提供大量的存储和计算能力。这种架构可以实现在一个大的地理区域,有一个数据中心。

因此,应由VC V2V如果没有路上的车辆通信基础设施和服务的需求需要低延迟。VC时应由V2I满足下列条件。首先,应该在该领域现有的通信基础设施。然后,如果所需的大型计算资源服务提供车辆,它需要团结所有车辆在一个领域的资源。

3.2。集成的工作流和VCC的体系结构

工作流技术已经用于传统云提高资源配置的效率(29日]。工作或服务可以分解为一系列任务根据工作流理论。它们之间的依赖关系通常是所描述的有向无环图(DAG)。工作流提供了一些调度算法来优化任务执行顺序或处理器分配机制来减少执行时间或工作的执行成本。当然,工作流可以用于VCC来改善其性能。工作流的VCC的操作过程如图所示2通过我们。工作流与VC集成的体系结构可以分为四层:用户、虚拟资源,工作流和物理资源。的物理资源是由计算、通信、存储、和传感器资源存在的CPU设备、带宽资源和磁盘。所有这些设备都分布在车辆和限制。在物理资源层、工作流层是将任务分配给最合适的物理资源实现优化的执行成本。在我们的论文中,它被物理层的信息监控模块。然后,它有一个特定模块用于计算每辆车的连接故障概率在给定的时刻。计算是基于监测数据收集的车辆在特定时刻和环境。计算结果传递给工作流引擎用于决定资源分配计划。构成任务的所有任务被分配到物理资源层。 This process integrates the distributed physical resources to be the virtualized resources. Toward users, they can use the applications in ITS to obtain the services. All the resources in demand can be provided by the virtualized resources layer through the APIs.

3.3。连接在VCC断层模型

在最后一部分,文献表明,变异和nonreliability停车场的车辆节点的研究。但是这些论文忽略了更复杂的场景中车辆行驶在路上。车辆的流动会导致车辆和VC之间的连接故障。为了处理这个问题,我们提出一个预测模型连接故障的车辆行驶在路上。它包含三个具体场景,现在丢失的车辆资源的连接。特别是,如果有一个骨干数据中心,所有可以提供的资源,避免丢失的风险与车辆资源。不过,它也失去了优势,利用车载计算机的闲置资源。所以,在我们的论文,没有数据中心的云资源提供商VCC和所有的场景是基于这样的假设。

此外,我们假设汽车的速度是一个常数只有在车辆停止的简化运动模型的车辆在路上。

3.3.1。场景1:车辆离开V2V云

第一个资源节点丢失情况如图3。资源节点的可视为车辆提供资源如计算、通信、存储、VC和遥感资源。三个组成一个迷你汽车车辆时云正在路上。当红色车辆到达目的地如家里,这辆车的司机将停止和溅射引擎很快节省汽油或电力。由于车载电脑的关机,这个汽车作为资源节点会离开原来的云资源池突然和不可预知的。这种车辆的连接故障导致车辆上的任务的错,因为这车没有时间运输VC的执行结果。没有任何机制或约束保证车载电脑的执行结果返回给VC之前关闭。

第二个情况是一组全面的许多情况下,可以称为车辆离开车辆集群的通信范围。的情况下可以常见交错在图所示4。有很多镜头在交通道路网络,尤其是在城市。每辆车都有不同的目的地和旅游的道路。有高概率的一个汽车构造VC叶子集群交错的道路。尽管有一些新车将加入集群经过交错,离开车辆上处理的任务失败了。

第三种情况是由于车辆的速度之间的差异。在现实环境中,汽车的速度是不同的。汽车追逐车辆集群和连接它。然而,几分钟后离开集群由于其高速度图所示5。否则,这个汽车比汽车慢集群和追逐的集群。他们可能会导致丢失的连接与资源。

3.3.2。场景2:车辆离开V2I云

场景2小不同体系结构的第一个VC。第一个使用V2V通信的体系结构和少量的车辆由当地的风投。最后一个场景使用限制传输的信息的所有车辆在一个大的地理区域,如图所示6,我们称之为V2I云。所有的验证车辆分享云计算的资源在这一领域。缺点是基础设施,可以提前提供通信功能必须建立。但是限制不能遍布的地方想移动车辆在成本限制。因此,在VC的边界限制,车辆有一个高概率迁移到地方没有限制的信号。资源的车辆将丢失,如果车辆驱动的RSU通过VC。这个场景有点像场景1,因为在他们的车辆移动的信号范围。但在场景1,信号的来源,车辆云团移动。相反,限制的位置是稳定的。

上面的两个场景是非常普遍,导致丢失的车辆资源的连接与VC当车辆行驶在路上。在本文中,我们首先关注的概率预测数学模型上面出现的场景。连接故障概率较低的资源被认为是可靠的。然后,我们提出一个工作流资源分配算法分配可靠资源来执行任务。它可以改善整个VCC系统的安全。

4所示。配方的VCC连接故障

4.1。制定VCC的定义

在本节中,所有关键概念清晰定义的VCC将提供所有这些概念构成的三个模型车辆资源丢失连接在路上。

定义1。VCC的最终目的是为用户提供服务在路上开车。车辆可以替换的服务工作或工作流在声明中。一份工作可以分为数量的任务和任务组的处理顺序来完成整个服务。依赖任务可以被描述为一个有向无环图(DAG)。
DAG是定义为一个二元数组,在那里任务的设置由工作吗是定向边的集合,表示任务之间的依赖关系:和。可以简化为表明任务的输入数据包含任务的输出数据。因此,任务无法执行,直到任务的输出已经生产和转移到资源节点运行任务。

定义2。基本单位由服务工作流调度分配可以被定义为任务。作为最小的独立单元,可以处理的车载电脑,它需要一个输入开始任务执行并产生一个输出后的执行这一任务。执行时间是一个重要因素为基础服务的执行时间。所以任务可以建模为一个三倍,在那里是一个方阵,包含每个任务的数据长度,元素表明从任务所需的数据长度到任务,是这个任务的执行工作负载,可以衡量百万指令(MI)。

定义3。车辆的主体组成VC的计算资源,就像传统的云中的服务器系统。然而,汽车有一些新功能,像流动,通信范围、限制和私有化。这辆车可以建模为,在那里的计算能力是这个车的车载计算机的计算资源。计算能力可以测量每秒百万指令(MIPS)。发射率(V2V Kbps)模式,是这车的速度是一个常数事先假定,是这次旅行距离的车辆可以被计量的公里,然后呢是信号的距离路边单元的边界。

定义4。路边单元(限制)的基础设施是VCC长距离传输的消息。限制的关键因素是通信范围和通信速率。这是建模为,在那里表明无线电的通信半径(公里)和和时的单位将数据转发到车辆。
车辆离开VC的场景已经在最后一节。为了避免车辆的想念与VC在执行任务期间,prediction-based工作流调度机制。工作流引擎之前分配任务的车辆,车辆丢失的概率与VC将计算。工作流优化任务分配根据计算的结果。因此,在三种不同情况下的概率的定义应该制定。所有的都在下面。

定义5。的总概率由概率属于场景1的两种情况。所以总概率的失踪与资源可以在两种不同情况下计算。第一个是在V2V场景: 在哪里车辆到达目的地的概率是在一个任务的执行时间和车辆离开车辆集群的概率是在路上。
第二个是在V2I场景: 车辆的概率是迁移的区域限制的无线电信号。在V2I场景中,通过限制车辆相互通信。所有车辆在该地区覆盖的车辆的云基础设施的组成部分。没有场景1和2存在,所以总连接故障概率等于。

4.2。配方为连接故障模型

在本节中,我们将建立概率的函数在前面提出的场景。

在场景1中,常识的目的地车辆可以表示成旅游车辆的距离开始。换句话说,解决停止旅行距离的概率是建立模型的车辆。我们可以推断出的旅行距离的分布概率理论。根据随机理论,从开始到目的地的距离是一个随机值。我们假设的概率车辆停止在接下来的距离距离成正比吗车已经走了。公式如下: 在哪里是一个常数没有关系吗和和高的多项式因子吗。

的左边(3)是一个可以转换的条件概率如下:

通过求解线性微分方程的初始条件,,我们能算出旅行距离的函数分布遵循下列方程是瑞利分布。旅行距离累积概率函数和概率密度函数如下:

瑞利累积概率函数的基本形式和瑞利密度函数图所示7这个假设也用于(27这可以证明我们的假设是合理的。

在(5)和(6),参数在定义定义了吗3作为象征和参数可以算出车辆速度的值和总执行时间的任务。我们可以计算的总执行时间的任务这是分配给车辆中定义由以下方程: 在哪里执行时间成本和吗是一个任务的工作量和计算能力的车辆,这是定义在定义呢3。任务的时间成本传输,表明通信启动成本。任务的总执行时间吗和连接故障可能发生在这个时间。

因此,参数可以表示如下:

基于上述计算组件,概率函数(5)可以表示如下:

在第二个和第三个场景1的情况下,概率模型的概率分布模型可以模仿其他车辆交通模型。发现车辆距离分布概率模型(30.]。它是用来分析车辆碰撞概率。车辆碰撞事件被认为是随机事件。指数分布是用来描述车辆间的空间。因此,我们使用随机事件来描述事件场景1的第二个和第三个的情况。在概率论中,指数分布是用来描述事件的发生没有难忘的人。这个角色可以表示为 这意味着该事件发生的概率在时间吗的时间事件发生的概率等于期间0到时间吗。指数分布的方程如下:

在这个公式组,车辆离开集群的概率是相关的总执行时间的任务。因此可以表示成下列方程: 在哪里等于,也就是整个任务的时间成本和是一个常数没有关系吗。

在场景2中,由于稳定的限制,车辆的概率迁移的限制区域很容易描述。概率是成正比的速度车辆的总执行时间分配任务,成反比的距离信号边界限制。所以,如下: 在哪里是一个常数,与实际交通环境有关。传输速率在这个方程由RSU决定。

统计、车辆资源缺失与VC是服务失败的主要原因之一。在纸上,我们只讨论服务失败概率由车辆断开。所以总服务失败的概率是与每辆车的概率分配的任务执行与VC缺少联系。独立汽车连接故障发生的事件和任意一个任务的失败将导致服务失败。因此,总服务失败概率是每个汽车可靠性的产品1 -车辆连接故障概率。它可以制定如下: 在哪里应该被定义,分别在不同的场景中。它被定义为(1V2V场景中)。它被定义为(2V2I场景中)。这是一个条件概率。符号表明车辆的编号和是总车辆的数量分配的任务在这个VC在那一刻。

汽车连接故障的模型已被证明在上一节。通过分析函数的参数,,,很明显,这些功能的主要独立变化这决定了函数结果。车辆丢失连接的概率会更高,如果这个飞行器上运行的任务的执行时间变得更长。然而,连接错误概率最小问题不能被转换为一个问题总执行时间成本降到最低。因为每个车都有一个个人连接故障概率函数,指定目的地的任务也有影响。因此,应该研究最小化安全资源分配计划。

5。时间表VCC安全资源配置工作流

5.1。基本工作流程安排

我们可以首先假设任务需要分配当时车辆准备接受任务。显示分配安排,让矩阵是一个二进制矩阵对应的时间表任务到汽车车载电脑。在这个矩阵中,元素,如果这个任务分配给这辆车吗和否则。

代表的实际执行时间进行多任务处理特定的车辆。不同的总和由于任务的相互依赖可能会分配给相同的车辆。因此,父任务的执行结果是被转移到其他车辆不必要的。它减少了总执行时间整个服务。

我们可以定义如下:首先,任务分配的关系矩阵中显示可以吗。的行显示任务是分配给这车什么时候。我们定义一个新的矩阵表示可能的任务分配给车辆之间的依赖: 在哪里,是矩阵中的元素

所示的实际任务之间的依赖,它可以被转移到一个矩阵和元素当存在一组。

所以,实际现有的任务分配给车辆之间的依赖这是命名为和元素可以表示为:

所以,可以由以下公式计算:

5.2。任务的优先级分类

后的推导设计工作流的时间表,我们需要确定每个任务的优先级室确认这些任务的执行顺序。在本文中,我们确定这些参数根据工作流中每个任务的依赖。然后,由于服务的最后期限,我们必须单独为每个任务发现最早的起始时间(美国东部时间),最早完成时间(EFT),最新完成时间(融通),实际开始时间(AST),每个任务的实际完成时间(尾)。最后,我们可以找出任务优先级和时间约束下的分配策略。

开始时,我们必须考虑一些定义中使用下面的优先级计算。在(7),指的是一个任务的计算时间成本上执行一个车。因此,这一结果可以扩展到所有的组合和车辆的任务。一个矩阵设置存储计算时间成本,在哪里任务和数量吗车辆的数量。的元素在这个矩阵是指计算时间成本分配到。因此,我们可以得到每个任务的平均执行时间:

的平均通信成本优势可以推断出从(8): 在哪里车辆之间的平均传输速率在VC和平均启动时间沟通成本。

根据(31日),这个任务可以分为简单的任务和同步任务。任务有多个父任务或子任务是同步的任务。否则,这个任务是一个简单的任务。两个同步之间的简单的任务执行任务被称为分支。我们可以设置相同的期限两个同步任务之间的几个分支。

根据(32),向上的一个任务递归地定义为 在哪里组的直接继承者的任务吗,的平均通信时间成本的优势在哪里,平均计算时间成本的任务。和向上的排名从出口任务。的排名值退出任务是由以下方程:

我们可以转让的DAG用来描述任务执行时间序列为每个任务的等级值来表示其执行时间序列。

5.3。任务执行期限安排

EST、EFT和融通的属性需要定义。项任务的美国东部时间可以表示如下:

基于输入任务的美国东部时间,美国东部时间,EFT,其他任务和融通的值显示在以下方程: 在哪里车辆的准备时间吗执行的情况有一个任务分配给任务前的车辆和是前任的设置任务的任务吗。为了开始执行任务,所有的前任任务一定完成。任务后分配给这辆车吗EST和EFT的下一个任务将等于AST和船尾,分别。

5.4。的适应度函数

为了满足实时要求的一种服务,它必须设定一个最后期限的总服务执行时间。如果当地的机载计算机的计算资源不足以在最后期限之前完成执行工作,用户必须将任务卸载到VC。它可以通过使用更好的优化服务执行总时间分配计划。然而,我们的论文的第一目标是保证安全的服务。所以,我们的资源分配是最小化总服务失败概率约束下的总执行时间。它可以改善的安全VCC通过增加资源的可靠性在服务生成过程。

是退出任务的最后期限以及整个工作流程。根据整个服务的最后期限,融通可以看作是每个任务的最后期限。东南融通可以计算(27)。

日程的目的是最小化服务失败的概率由于连接故障车辆资源的VC和承诺,所有的任务都能在最后期限前完成。适应度函数可以制定如下:

5.5。Prediction-Based可靠性最大化算法(适当地)

事实上,启发式算法解决优化问题中得到了广泛的应用的工作流33,34]。启发式算法总是用来找到局部最优解或次优解。提出安全资源分配机制也是基于工作流的理论,因此,启发式算法可以用来解决建议的机制的优化问题。

在本文中,我们使用贪婪算法的原理,它是一种启发式算法。该算法之前做出的选择本地最小化的概率在每个任务分配,以期找到全局最小。每辆车的服务失败概率取决于车辆的状态和环境在某些时刻。很难决定全球因为它缺乏未来车辆和环境的信息。因此,所有的决定应该在时间域。因此,该算法利用局部最优的原则选择减少的价值最多。此外,降低优化结果的概率成为本地最小化的概率,随机贪心方法是广泛使用的35,36]。该算法随机选择一些其他车辆除了车辆最小化的概率。最小化的概率和提到的随机车辆的车辆都选为候选目标的任务分配。然后,在车辆的通信故障概率计算,每辆车的概率在不同父车辆将计算,分别。一起计算概率会比较。之后,车辆导致临时最小化服务失败概率和一些随机的车辆将被选为候选人任务分配的目的地。上述过程将继续,直到最后被分配任务的任务序列。整个过程可以减少优化结果的可能性被困在当地通过随机优化算法。在此之前,这个任务必须小于尾部的融通,以确保整个服务可以在最后期限前完成。因此,我们提出的算法,适当地,显示了算法1。在该算法中,上述随机车辆的数量设置为两个,例如。数量的符号,,指的是订单号任务的任务序列指的是下一个任务将分配。

6。评估

我们模拟的过程任务分配给车辆。在仿真中,服务在VCC不变的执行。这意味着任务之间的关系被确认前仿真开始。因此,度的任务,这是用来表示孩子的任务的数量,在模拟是常数。然而,也有一些随机参数的模拟。汽车有不同的速度,旅行的距离、通信能力和计算能力。此外,每个任务组合的服务有不同的随机参数,如通信的数据量和工作量。由于真正的车辆和交通环境的复杂性,我们提出的范围在我们的模拟算法的参数在表的经验1。

首先,为了更好地工作流分配计划的最后期限,我们模拟执行使用Heterogeneous-Earliest-Finish-Time(分量)算法,这是众所周知的时间最小化算法。是应用程序调度算法的有限数量的异构处理器每个选定的任务安排在其“最佳”处理器,它减少了任务的执行时间(32]。服务的执行时间使用分量时间表是用作参数的最后期限计算工作流调度。 在哪里是一个因素,它总是在范围从1.5到537]。我们假设在我们的模拟。

算法的平均执行时间分量和适当地如图8。它是20倍的平均值模拟和每次使用新的随机参数。可以看到,适当的执行时间小于1.5倍的分量的值设置为使用适当服务完成的最后期限。换句话说,适当可以满足最后期限的要求与约束。另一方面,随着汽车的数量的增加,这意味着计算资源的充分性,整个服务的平均执行时间从135.7秒减少到118.2秒(分量)和从181.5到150.6年代。

服务失败概率可以计算(12)。我们也使用车辆连接故障概率模型来计算服务失败的概率分量作为对比。对比两种算法服务失败概率V2V如图9。我们可以看到适当的服务失败的概率远小于分量。分量的概率大约是4.9%,适当的概率大约是2%。随着汽车的数量的增加,这意味着任务分配的目的地有更多选择,适当地显示了减少趋势的概率从2.04%降至0.80%。然而,分量的概率没有显示这一趋势,因为它的资源配置是基于时间最小化车辆连接故障概率的随机值。此外,V2I也是模拟的场景。车辆的数量远远大于V2V V2I场景。服务失败概率的变化小于0.1%,当车辆数量的增加,从100年到200年。这是因为任务分配的目的地有足够的选择和汽车数量的增加没有明显影响的结果。

数据10和11表明,平均服务失败概率取决于车辆速度V2I V2V,分别。在V2I场景中,适当的服务失败的概率从0.45%增加到21.4%当车辆速度的平均值增加从5米/秒(18 km / h)到30米/秒(108千米/时)。和分量的概率从3.7%增加到35.2%,同样的条件。分量的增加速率大于我们的计划,因为车辆的增加率,更高的速度,有更高的可能性比低速车辆离开限制信号地区在同一时间。

图12显示的平均服务失败概率取决于沟通能力V2I V2V,分别。我们可以看到,通信能力的概率减少与增加平均值在这两个场景。在V2I场景中,服务失败的概率适当地减少从大约13.4%到7%的平均值增加通信能力从5 Mbps到30 Mbps。在V2V场景中,该参数从1.57%降低到0.96%。所有的值都小于分量。沟通时间成本的一个主要组件的服务总执行时间。通信能力的增加是主要原因之一,导致服务的减少执行时间。因此,根据(9),(14)和(15),服务失败的概率会降低。

综上所述,我们可以得出结论,适当可以增加VCC的可靠性在服务执行时间和满足最后期限的要求约束。

7所示。结论

车辆连接故障问题将导致服务失败的VCC,使交通不安全。应对这一挑战,安全资源分配机制对连接故障VCC提出了。在该机制中,连接故障概率模型的汽车旅行在路上被建造和他们用来预测车辆连接故障概率从VC根据实时监控数据。之后,预测结果可以使用工作流调度任务分配的可靠性提高。一个启发式算法适当地基于贪婪算法和任务的优先级计算方法提出了连接故障的概率降到最低。因此VCC可以在最后期限前完成服务满足实时需求服务的。评估表明,我们的机制可以提高VCC的可靠性和实时性。未来的工作就是优化车辆连接故障概率的预测模型。在实际交通环境中,许多其他因素也会导致通信故障,如无线电屏蔽的建筑和地形的起伏。所有这些因素可以考虑在未来做出更精确的预测模型。 The heuristic algorithm also can be optimized in the aspect of improving the balance between the computational complexity and the optimized results.

相互竞争的利益

作者宣称没有利益冲突有关的出版。此外,作者确认收到基金提到“承认”不会导致任何利益冲突有关出版的手稿。

确认

这项工作的部分支持由中国国家自然科学基金资助下号。61571286,61401273,61431008。