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CEC‑IOV的分层资源管理模型，其中多个MECSs的QoS感知资源管理被标记为负载均衡问题；

步骤二：为全局负载均衡问题开发了一种快速、可扩展的迭代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MECS的聚合负载，我们提出了一种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，获得了最佳解决方案的半封闭表达式；

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

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，所述步骤一中CEC‑IOV资源管理包括两个方面；

QoS，主要由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的一部分业务到达率分配给空闲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。

3.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，所述步骤三中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该外层资源管理操作，并且MECS的VMS中的操作保持不受干扰。

4.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，所述步骤三能量感知资源管理方案具体为在虚拟化MECSs中，分配给每个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获得的功耗；

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内部的主要操作以最小化功耗，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都能够以经济高效的方式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 tranP ＝P +P +P             (19)comm comp tran

其中P 是由于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[22，23]可以表示为计算负载的函数ξc：

其中γ是恒定比例因子；因此，可以得出计算能量：对于VM vc，分配的工作负载表示为ξc，最高服务率为umax c；当vc处于空闲状态时，其功耗为pidle c，并且当vc完全负载时，其最大功耗为pmax c；根据文献[22]，可以估计计算的功耗：

其中Pidle c表示VM vc空闲状态消耗的静态能量，VM vc的动态能量因子Pdyn c可由下式计算：

其中Pidle c是VM vc能泄露的最大能量；αc是负载相关系数[27]，表示为其中uc∈[0，umax c]是可调整以适应MECS工作负载的VM vc服务速率，umax c是VM vc的最大处理速率；

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；我们假设z由来自输入缓冲区的总工作负载线性确定：其中，η是一个常数。从输出缓冲器传出数据的功耗可以近似为[22,23]：tran 2

P ＝ρ(ηζ)            (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：C2:ξc≤ucΔ

其中C1中的(全局)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；

公式(27)中的Hessian矩阵[24]是正定的，分别为ξc和uc，因此，(28)是一个凸优化问题‘因此，公式(28)的优化问题具有零对偶间隙并满足Slater约束条件[24]’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，该问题由相应的对偶问题导出‘为此，我们首先给出原始问题方程(28)的拉格朗日函数：T

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VM vc的计算时间代价不超过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；这使用后续方法解决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[25]；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(28)和(30)；因此，我们可以通过KKT条件[24]求解(30)；

设(ξ*c，u*c)和(μ*c，ω*c)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：

结合公式(31)和(32)，(ξ*c，u*c)的最优解可以写成公式(30)中的第2级问题可用次梯度法求解；对于给定的ξ*c和u*c集合，我们可以更新一组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，更新拉格朗日乘数在方程(35)和(36)可用于更新公式(33)和(34)中的功率感知资源管理方案，由于原始问题对优化变量是联合凸的，只要不断递减步长序列满足[24]，[26]，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；

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[24]，[26]就可以通过迭代求解一级和二级问题得到原最优解，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；

5.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，所述步骤三中用于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进行了详细地判断，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，如输入/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。

6.根据权利要求5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，所述服务时间采集方法具体为考虑时间的不同请求，我们假设MECS k的域流量速率根据到达率为lk的泊松过程随机到达；然后，通过下式计算MECS k的服务密度ρk：ρk＝lk/nkuc                (1)MECS k的服务器时间Tser k为：其中Tser k(lk)是Tser k对应lk的函数，Tque k表示平均排队时间，Tsc k表示代表平均服务时间；根据排队论，平均排队时间Tque k：平均服务时间：

排队系统保持稳定，例如，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；稳定的M/G/N排队系统的充要条件是服务强度ρ小于1。

7.根据权利要求5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，而另外的而一些MECSs可能未被充分利用所导致的时间；

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MECSi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Tcom ij；

dij表示从过载的MECSi到空闲MECS j路径的通信延迟；因此，当迁出工作负载从过载的MECSi卸载到空闲MECS j时，相应的通信时延Tcom ij可由下式计算得出：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Tnet j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Tnet i＝0.

系统延迟：结合公式(2)和(8)，MECS k的响应时间Dres k可由下式计算：其中 表示MECS k产生的超载负载， 是Dres k相对于 的函数；对于过载的MECSi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：B.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，我们估计了D 的值，并迭th th

代精确D 的值直至D 和每个MECSs的服务器时间Tser k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，我们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，我们需要进th th

一步调整以至于每个空闲MECS的响应时间都近似于D ，即Dres j≈D ；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MECSi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MECS i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。

8.根据权利要求7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一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，我们首先进行以下定义：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MECSi的空闲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，我们不失一般性地考虑|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|，所以我们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上述问题：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；不失一般性地将成本矩阵定义为n×n矩阵；

idle MECS 1…idle MECS n

9.根据权利要求8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Hungarian算法的基本思想：从成本矩阵C的行和列中减去一个常数，将C约化为包含n个位于不同行和不同列中的零元素；然后，我们得到了与原成本矩阵中n个项的位置相对应的零的最优分配；最后，n个项的总和就是最小成本；对于分配问题，在成本矩阵C的任意行(或列)上加(或减)一个相同的数后，新的成本矩阵的最优解对于原成本矩阵也是最优的[21]；

因此，在构建n×n成本矩阵之后，我们提出算法2以找到最佳分配；为了清楚地解释用于解决(18)的算法2，我们不失一般性地演示了矩阵变换过程；

详细步骤如下，

步骤1：从每一行中减0并找到每个列的最小元素；

步骤2：每列减去其最小元素，即，分别从列1，列2和列3中减去35,55和45，并从列4和列

5中减去0；

步骤3：用最少的水平线或垂直线覆盖行和列中的所有零；因为n大于覆盖线的数量，我们发现没有被任何一行覆盖的最小项数是10；

步骤4：从没有覆盖线的所有行中减去10，并将10添加到具有覆盖线的所有列中；

步骤5：用最小水平和垂直线条覆盖行和列中的所有零。由于覆盖线的数量为5，因此获得了零的最佳分配；从最少0个元素的行或列开始，圈出所有的零，然后划掉相同行和列中剩余的零；

步骤6：圈出与圆圈位置对应的原始成本矩阵的元素；因此，最佳任务分配是z*12＝z*

22＝z*34＝z*45＝z*51＝1，最小成本为145；

在获得(18)的最佳分配之后，(18)中的相应参数被更新，然后，制定新的任务分配问题(18)；类似地，为了得到两组大小相等且代价相同的节点，添加附加的伪MECSs以形成N×N成本矩阵。再应用Hungarian算法解决(18)，获得最佳分配，并且参数继续在(18)中更新。重复此过程，直到将所有未处理的工作负载从重载的MEC发送到空闲MECS。