本发明涉及车载边缘计算，更具体地说是一种基于cnn自动特征生成的车载边缘计算任务调度模型及方法。
背景技术：
1、在车载边缘计算(vec)系统中，任务调度是确保车辆用户能够有效卸载计算任务至边缘服务器的关键环节。传统的任务调度策略通常依赖于静态的规则或者简单的启发式算法，这些方法在面对复杂的网络环境和动态变化的资源状态时，往往无法做出最优的决策。例如，一些早期的策略可能仅考虑了任务的计算需求和网络带宽，而忽略了任务的实时性和车辆的移动性，导致在高动态环境下调度效率低下。
2、此外，一些基于机器学习的调度策略虽然能够通过学习历史数据来优化决策，但它们通常需要大量的手工特征工程来提取任务和网络的关键信息。这些手工设计的特征不仅耗时耗力，而且可能无法覆盖所有影响调度决策的因素，限制了模型的泛化能力和适应性。
3、在vec系统中，计算卸载的决策不仅需要考虑任务的计算需求和网络条件，还需要实时预测车辆的移动性和边缘服务器的资源状态。传统的调度策略往往无法有效处理这种高度动态和异构的环境，导致任务调度的延迟增加，甚至出现任务失败的情况。
4、为了解决这些问题，提出了一种基于卷积神经网络(cnn)的自动特征生成模型，该模型能够自动从原始数据中学习到对任务调度有影响的特征，而无需人工干预。这种模型通过卷积层自动提取特征，并通过设计重组层来消除特征输入顺序的影响，从而提高了模型的鲁棒性和适应性。与传统的手工特征工程相比，基于cnn的自动特征生成模型能够更全面地捕捉任务和网络的关键信息，为vec任务调度提供了一种更为高效和准确的解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明提供一种基于cnn自动特征生成的车载边缘计算任务调度模型及方法。
2、本发明技术方案如下：
3、一种基于cnn自动特征生成的车载边缘计算任务调度模型，包括：基于cnn的自动特征生成模型、多头vec任务卸载决策模型(dmnet)、历史任务调度数据处理模块，其中：
4、1)基于cnn的自动特征生成模型：包括卷积层、池化层、重组层；
5、卷积层：采用3×3的卷积核，步长为1，数量为64个。通过卷积操作提取输入数据的特征；
6、池化层：采用2×2的最大池化，步长为2，用于降低特征维度，减少计算量；
7、重组层：通过对特征进行随机打乱和重新组合，避免特征输入顺序对模型性能的影响；
8、运行原理：输入的原始任务调度数据首先经过卷积层进行特征提取，得到初步的特征映射。然后经过池化层进行降维处理，减少特征数量。最后经过重组层进行特征重组，以消除输入顺序的影响。
9、2)多头vec任务卸载决策模型(dmnet)：包括多个头，每个头对应一种接入技术(wlan、wan、cn)。
10、每个头包含全连接层和输出层。
11、全连接层神经元数量为256个，激活函数为relu。
12、输出层神经元数量根据具体决策类别确定，采用softmax激活函数进行分类。
13、运行原理：基于cnn自动特征生成模型输出的特征，分别输入到dmnet的各个头中。每个头根据对应接入技术的特点和需求，进行独立的计算和决策，最终综合多个头的输出结果，确定最优的任务卸载决策。
14、3)历史任务调度数据处理模块：包括数据收集、清洗、预处理。
15、数据收集：从车载边缘计算系统的服务器中每隔5分钟收集一次任务调度相关数据，包括任务类型、计算需求、网络带宽、车辆位置、服务器资源状态等。
16、数据清洗：去除重复数据、异常值和缺失值。异常值的判断标准为超过均值±3倍标准差的数据。
17、数据预处理：对数据进行标准化处理，使其均值为0，方差为1。
18、运行原理：收集到的历史任务调度数据经过清洗和预处理后，用于训练基于cnn的自动特征生成模型和dmnet模型，以提高模型的预测准确性和泛化能力。
19、一种基于cnn自动特征生成的车载边缘计算任务调度方法，包括以下步骤：
20、步骤1：实时监测车载边缘计算系统中的任务生成和资源状态变化。监测频率为每秒钟一次，获取任务的计算量、截止时间、优先级等信息，以及车辆的位置、速度、网络连接状态、边缘服务器的计算能力和带宽等资源状态信息。
21、步骤2：将监测到的实时数据输入到基于cnn的自动特征生成模型中，生成任务特征。
22、步骤3：将生成的任务特征输入到多头vec任务卸载决策模型(dmnet)中。
23、步骤4：dmnet模型根据不同接入技术的特点和当前任务特征，计算每种接入技术下的任务卸载决策结果，包括卸载与否、卸载的服务器选择等。
24、步骤5：综合多个头的决策结果，选择最优的任务卸载决策。例如，如果wlan头的决策结果是卸载到附近的wlan接入点，wan头的决策结果是卸载到远程的wan服务器，cn头的决策结果是卸载到蜂窝网络基站，综合考虑网络延迟、带宽、服务器负载等因素，选择最优的决策。
25、步骤6：根据最优决策执行任务卸载操作，并实时监测任务执行情况和资源使用情况。如果在任务执行过程中出现异常，如网络中断、服务器故障等，及时调整任务调度策略。
26、本发明的技术效果和优点：
27、1、提高计算卸载效率：通过引入基于深度学习的车载边缘计算任务调度策略，能够更准确地预测资源状态和调度结果，从而提高v2i计算卸载的效率。
28、2、降低决策复杂度：dmnet模型通过自动特征生成，减少了手工设计组合特征的工作量，简化了系统做出卸载决策的过程。
29、3、增强适应性：dmnet模型能够适应高度动态的计算和网络资源环境，即使在资源状态快速变化的情况下也能做出有效的卸载决策。
30、4、提高特征提取的准确性：利用cnn的卷积层和重组层，自动提取和重组特征，避免了特征输入顺序对模型性能的影响，提高了特征提取的准确性和模型的泛化能力。
1.一种基于cnn自动特征生成的车载边缘计算任务调度模型，其特征在于，包括：基于cnn的自动特征生成模型、多头vec任务卸载决策模型(dmnet)、历史任务调度数据处理模块，其中：
2.根据权利要求1所述的一种基于cnn自动特征生成的车载边缘计算任务调度模型，其特征在于：所述基于cnn的自动特征生成模型运行原理：输入的原始任务调度数据首先经过卷积层进行特征提取，得到初步的特征映射；然后经过池化层进行降维处理，减少特征数量；最后经过重组层进行特征重组，以消除输入顺序的影响。
3.根据权利要求1所述的一种基于cnn自动特征生成的车载边缘计算任务调度模型，其特征在于：多头vec任务卸载决策模型运行原理：基于cnn自动特征生成模型输出的特征，分别输入到dmnet的各个头中；每个头根据对应接入技术的特点和需求，进行独立的计算和决策，最终综合多个头的输出结果，确定最优的任务卸载决策。
4.根据权利要求1所述的一种基于cnn自动特征生成的车载边缘计算任务调度模型，其特征在于：历史任务调度数据处理模块：运行原理：收集到的历史任务调度数据经过清洗和预处理后，用于训练基于cnn的自动特征生成模型和dmnet模型，以提高模型的预测准确性和泛化能力。
5.一种基于cnn自动特征生成的车载边缘计算任务调度方法，其特征在于：包括以下步骤：
6.根据权利要求5所述的一种基于cnn自动特征生成的车载边缘计算任务调度方法，其特征在于，所述步骤1中：监测频率为每秒钟一次，获取任务的计算量、截止时间、优先级等信息，以及车辆的位置、速度、网络连接状态、边缘服务器的计算能力和带宽等资源状态信息。
7.根据权利要求5所述的一种基于cnn自动特征生成的车载边缘计算任务调度方法，其特征在于，所述步骤5中：如果wlan头的决策结果是卸载到附近的wlan接入点，wan头的决策结果是卸载到远程的wan服务器，cn头的决策结果是卸载到蜂窝网络基站，综合考虑网络延迟、带宽、服务器负载等因素，选择最优的决策。
8.根据权利要求5所述的一种基于cnn自动特征生成的车载边缘计算任务调度方法，其特征在于，所述步骤6中：任务执行过程中出现异常包括：网络中断、服务器故障。
9.根据权利要求5所述的一种基于cnn自动特征生成的车载边缘计算任务调度方法，其特征在于，在步骤1之前，还包括以下准备步骤：