一种基于移动和停放车辆辅助的车-边协同任务卸载与资源分配方法

本发明涉及车联网和移动边缘计算，具体涉及到一种基于移动和停放车辆辅助的车-边协同任务卸载与资源分配方法。

背景技术：

1、车辆边缘计算作为一种新兴技术，是移动边缘计算与车联网技术的创新融合。车辆边缘计算技术将车载任务下沉，将车载终端的计算任务放到网络边缘，是解决车载终端计算能力有限问题的有效途径。同时，车辆边缘计算技术利用网络边缘资源进行计算和数据处理，可以快速响应车载终端的需求，提高车联网的响应速度和效率，为实现车辆智能化和自动化提供先进的支持。

2、作为车载边缘计算的重要组成部分，边缘服务器不仅能满足车辆本身的计算需求，如碰撞预警、自动驾驶和智能交通等，还能为连接到边缘计算网络的其他智能设备(如智能手机、笔记本电脑等)提供计算能力和存储资源。调动边缘服务器的计算能力并扩大其服务范围，可以显著提升车辆边缘计算的应用价值和发展潜力。

3、当边缘服务器承载的任务过多时，可能会导致其计算资源无法满足所有任务的需求，进而导致服务器过载和任务服务质量下降。面对边缘服务器算力限制与用户设备算力需求之间的矛盾问题。为了扩展车辆边缘计算系统计算资源，我们可以考虑引入其他实体的外部资源。例如，这些任务可以进一步从边缘服务器转移到云服务器或与之相连的其他边缘服务器。然而，异构资源计算在车载边缘计算场景中利用不足，尤其是在车辆中。车辆有内置芯片，车辆配备有处理自动驾驶和智能汽车等应用的设备。通过利用附近车辆未充分利用的资源，可以扩展边缘计算资源。

4、考虑到车辆移动特性、车辆服务任务意愿、多小区多用户分布等复杂因素的影响，车载边缘计算领域现有的资源管理方法难以适应多边缘智能协同系统的需求，在可靠性、高效性和可扩展性等方面亟待进一步改进和创新。为此，有必要从系统性和整体性的角度探索和建立适应多边缘协同场景的车载资源管理策略和方法，以实现资源的高效调度和利用，提升系统整体性能和用户体验。

5、在车辆边缘计算的应用场景中，通过充分利用车辆的计算能力，我们不仅可以提高任务处理的效率，还能显著降低边缘服务器的工作压力。车辆与基础设施通信、车辆与车辆通信以及车辆与设备通信可缓解边缘服务器的压力。然而，许多研究仅仅关注了如何充分利用停车资源，却忽略了移动车辆所拥有的资源。而且应用范围相对有限，没有考虑大范围的问题(边缘算术负载不均、车辆的时空分布不均)，只考虑了单个边缘节点下的情况。此外车辆是私有的，不会公开自己的私有信息(如闲置资源数量)，也不会无条件提供计算资源。考虑车辆根据设备以可接受的最高价格购买车辆计算资源的意愿租赁车辆计算资源。

6、在都市的日常生活场景中，移动交通工具所占的份额是非常大的。利用这些移动车辆的计算功能来帮助设备完成任务卸载，可以显著提升移动边缘计算系统的整体性能。这一辅助的移动车辆方法有助于增加整体的计算资源，从而提升移动边缘计算系统的整体性能，并为停放车辆辅助移动边缘计算方案提供了有力的补充支持。同时，设备可以将任务卸载给任意边缘服务器和边缘服务器下的车辆，以实现负载平衡。当一个设备的任务被转移到覆盖该设备的边缘服务器上时，该任务可以进一步从边缘服务器转移到边缘服务器覆盖区域内的车辆上。以上不足极大地限制了任务卸载决策以及资源分配的性能。

技术实现思路

1、(一)要解决的技术问题

2、本发明为克服上述现有技术的不足，面向基于车辆边缘计算的任务，考虑到边缘服务器资源有限和车辆空闲资源未充分利用的问题，我们利用移动和停放车辆扩充边缘服务器的资源，每个设备可以将其任务卸载到基站的边缘服务器上，或者进一步将其从基站卸载到移动和停放的车辆。在购买车辆资源的最大成本约束下确定任务卸载决策以及资源分配策略，以最小化所有设备的总任务处理延迟和能耗。将本发明继承到边缘服务器层的网络控制器部署模组与资源配置模组，结合网络状态感知采集模组，实现任务卸载决策以及资源分配策略的动态优化，在考虑实用性的基础上，加速神经网络训练过程以及优化过程，提高用户体验。

3、(二)技术方案

4、为解决上述技术问题，本发明提出了一种基于移动和停放车辆辅助的车-边协同任务卸载与资源分配方法，包括以下步骤：

5、s1：网络控制器感知当前所有设备任务信息以及系统当前无线环境信息；同时网络控制器感知所有基站和车辆的计算资源、基站之间的传输速率和所有车辆的状态信息；通过无线和有线连接将相关信息上传到网络控制器；

6、s2：将步骤s1中所述当前任务信息以及系统当前无线环境信息输入到部署于网络控制器中的已训练完毕的优化模型当中，计算基于当前状态下设备任务卸载决策，任务传输过程中发射功率分配情况，任务计算过程中所要使用的计算资源分配情况，以及任务在基站之间传输速率分配情况；

7、s3：提取步骤s2中得到的设备任务卸载决策信息，如果该信息表明任务在基站上的边缘服务器执行，根据任务卸载决策处理车辆任务；如果计划将任务卸载到基站上的边缘服务器，则该任务的处理延迟包括设备到附属基站边缘服务器的上行链路传输延迟、在基站之间的传输延迟以及在边缘服务器上的计算延迟。

8、s4：提取步骤s2中得到的设备任务卸载决策信息，如果该信息表明任务在基站下的车辆上执行，网络控制器通过有线连接向对应车辆发送相应的任务卸载决策指令，根据任务卸载决策处理设备任务；如果计划将任务卸载到基站下的车辆，则该任务的处理延迟包括设备到附属基站边缘服务器的上行传输延迟、在基站之间的传输延迟、基站到车辆的下行传输延迟以及在车辆上的计算延迟；如果卸载的车辆是移动的车辆，那么车辆在对应基站内的停留时间必须大于任务的处理延迟，否则车辆提供的任务卸载服务可能会被中断，从而导致任务卸载的失败。

9、进一步的，所述步骤s1具体为：

10、本方法网络架构的特征为，其中考虑了一个停放和移动车辆辅助移动边缘计算场景，在这个场景中，包含m个边缘服务器，所有服务器都可以通过局域网互连进行通信，我们将边缘服务器的集合表示为m＝{1,2,…,m}。假设第m个边缘服务器内有了im个设备、个停放车辆和个移动车辆。设备集用im＝{1,2,…,im}表示，停放车辆和移动车辆的集合分别为我们使用一个集合来包括这两个集合。另外，在边缘层放置一台网络控制器，负责控制整个方法的运行。我们使用“车辆nm”(边缘服务器m覆盖范围下的车辆n)来表示停放的车辆或移动的车辆。是车辆nm在离开边缘服务器m的覆盖范围之前与附属边缘服务器m保持通信的持续时间。

11、将算法部署在一台网络控制器上进行工作，网络控制器感知当前所有设备任务信息以及系统当前无线环境信息，其中，我们把边缘服务器m覆盖范围下设备im的任务命名为任务im，任务im信息包括：(1)cim(以cpu的运行周期为基准)代表了任务处理所需的计算资源；(2)dim(单位为比特)代表了任务传输所需要的数据量；(3)(单位为s)代表设备im能够承受的最大的任务处理延迟；当前无线环境特征由设备到基站的信道增益和基站到车辆的信道增益构成，同时网络控制器感知所有基站和车辆的计算资源、基站之间的传输速率和所有车辆的状态信息。

12、在工作过程当中，网络控制器将通过通过无线和有线连接将上述信息上传到网络控制器。

13、进一步的，所述步骤s2具体为：

14、将步骤s1中获取到的当前任务计算量任务数据量和无线环境g的信息输入到部署于网络控制器上的已经训练完毕的优化模型当中，计算基于当前状态下设备任务卸载决策a,b，任务传输过程中发射功率分配情况p，任务计算过程中所要使用的计算资源分配情况fes,fvec，以及任务在基站之间传输速率分配情况r。如果给出a,b,fes,fvec和r，每个器件的发射功率控制子问题可以从p0中自然分解出来，将设备发射功率的求解与其他变量解耦。

15、本方法中任务调度的特征为，对于任务im，每个任务可以通过以下方式进行卸载和处理：第一种方式是将任务卸载到道边缘服务器，然后在边缘服务器上进行计算；第二种方式是将任务卸载到移动车辆上进行处理；第三种方式是将任务卸载到停放的车辆上进行处理。这些方式都需要先将任务卸载到边缘服务器，然后再传输到相应的计算节点上进行任务计算。任务一旦完成，其结果将会按照与之相反的路线返回至相关设备。任务处理的延迟因素涵盖了任务的传输延迟、任务的计算延迟以及任务成果的传输延迟。考虑到任务的传输延迟相对较短，本文决定不对其进行考虑。

16、我们用αimj来表示任务是否在边缘服务器上进行处理，αimj＝1表示任务im在边缘服务器j上进行处理。用βimnj来表示任务是否车辆上进行处理，βimnj＝1表示任务im在边缘服务器j下的车辆nj上进行处理。我们采用了a＝{αimj},m,j∈m,i∈im和b＝{βimnj},m,j∈m,i∈im,n∈nj两组任务卸载指标，这两组指标分别涵盖了所有的任务卸载策略。

17、同时，关于任务计算过程所用的计算资源和基站之间有线传输速率分配情况，我们将表示边缘服务器j的总计算资源。让代表从分配给计算任务im的计算资源，我们将表示车辆nj的总计算资源。设表示分配给计算任务im的计算资源，我们用表示从边缘服务器m到其他边缘服务器的总有线传输速率。是分配给边缘服务器m到边缘服务器j连接的传输速率，上述优化变量本方法基于深度强化学习技术设计优化算法，建立马尔可夫决策过程，其中，本方法的状态空间设置为s＝{c,d,g}，动作空间设置为a＝{a,b,fes,fvec,r}。最终，根据算法输出，得到优化结果。

18、进一步的，所述步骤s3具体为：

19、提取步骤s2中获得的卸载决策信息，若该信息表明设备任务在基站上的边缘服务器执行，网络控制器向设备发送任务卸载决策指令a,b，向基站上的边缘服务器发送计算资源分配指令fes和基站之间的传输速率分配指令r，设备自身做出发射功率分配指令p，按照权利要求1中步骤s3所述方式执行指令，将结果回传给设备。将相应的指令执行结束之后，获得车辆设备任务的任务处理成本即任务处理延迟和能耗的加权和。

20、进一步的，所述步骤s4具体为：

21、提取步骤s2中获得的卸载决策信息，若该信息表明任务在基站下的车辆上执行，网络控制器向设备发送任务卸载决策指令a,v，向基站下的车辆发送计算资源分配指令fvec，向基站上的边缘服务器发送基站之间的传输速率分配指令r，设备自身做出发射功率分配指令p，并按照权利要求1中步骤s4所述方式执行指令，在任务计算过程与传输过程全部结束之后，将结果回传给设备。将相应的指令执行结束之后，获得车辆任务的任务处理成本即任务处理延迟和能耗的加权和。

22、(三)有益效果

23、本发明采用以上技术方案与现有技术相比，具有以下有益效果：

24、1.在做任务卸载决策和资源分配时，通过对实际场景的分析，为了解决车辆资源利用率不高的问题，本发明提出了一种结合移动和停放车辆的任务卸载与资源配置策略。通过联合调度任务卸载请求、在购买车辆资源的最大成本约束下分配所有车辆的计算资源、分配边缘服务器的计算资源、分配边缘服务器之间的传输速率以及分配设备的传输功率，提出了使所有设备的总任务处理延迟和能耗最小的优化问题，使得该技术更具有实用性；

25、2.在做任务卸载决策和资源分配时，设计了一种双延迟深度确定性策略梯度的深度强化学习算法，通过神经网络求解复杂优化问题，更具实用性；

26、3.通过解析优化目标结构，我们嵌入了一个优化子程序，通过数值方法解决相应设备发射功率分配子问题，然后让我们算法的双延迟深度确定性策略梯度部分处理其他部分的优化问题。从而减少双延迟深度确定性策略梯度模型的搜索空间，使得深度强化学习的学习难度大大降低，大幅提高计算速度。