基于车边云协同架构的任务卸载方法、系统以及介质与流程

本技术涉及互联网，具体而言，涉及一种基于车边云协同架构的任务卸载方法、系统以及介质。

背景技术：

1、智能交通系统是未来交通系统的发展方向，它将交通系统所涉及到的人、车、道路和环境有机地结合在一起，使其发挥智能作用，从而使交通系统智能化。车联网技术的发展为智能交通系统提供了技术支持，并通过基于视觉的目标检测、自动驾驶等智能车载应用为用户提供了安全、舒适的行驶环境。前述智能车载应用需要大量的计算资源以及严格的实时响应，而车辆本身计算能力有限，无法满足该类应用的计算需求，也就无法保障用户所需的服务质量。因而，为了应对车联网用户端激增的应用需求，采用基于车边协同的车载边缘计算，通过提供和管理与用户车辆邻近的计算资源，车载边缘计算为用户提供更低延迟的访问服务。然而边缘服务器的计算和存储能力有限，无法保证任务执行的负载均衡，在车辆密集的区域，仅仅依靠边缘层可能无法满足海量数据的存储和计算。以物体检测、人脸识别等深度学习类应用为例，通常网络模型只能在云平台上运行，当车辆终端生成检测或识别任务时，需要将采集到的输入数据通过网络传送到云平台进行识别。实际上，边缘计算和云计算各有其优势，边缘计算适合计算量小或时延敏感型任务，云服务器因其拥有大量的计算和存储资源，适合处理计算密集但对实时性要求相对较低的任务。因而进一步提出了车-边-云系统的多层次卸载计算方法，结合二者的优势，协同边缘计算和云计算为用户提供更优质的服务。

2、然而，相关技术中，在车载-边缘计算-云计算的复杂场景下，无法有效兼顾任务卸载处理时延和车辆能耗成本的降低，可拓展性低，执行效率低。

3、针对上述问题，目前亟待有效的技术解决方案。

技术实现思路

1、本技术的目的在于提供一种基于车边云协同架构的任务卸载方法、系统以及介质，解决了无法有效兼顾任务卸载处理时延和车辆能耗成本的降低，可拓展性低，执行效率低的问题，实现了任务卸载处理时延和车辆能耗的联合优化，可扩展性强，执行效率高，适应于复杂的车联网环境。

2、第一方面，本技术提供了一种基于车边云协同架构的任务卸载方法，所述任务卸载方法包括：

3、根据工作流应用中的关联性的子任务建立有向无环图；

4、计算所述子任务的优先级，根据所述优先级将所述子任务进行符合工作流依赖约束的排序后得到参考调度序列；

5、根据预设排序条件将所述参考调度序列进行重排序得到多个候选调度序列；

6、根据每个所述候选调度序列对应的特征信息计算对应的候选嵌入向量序列；

7、通过价值网络对所述候选嵌入向量序列进行计算得到对应的状态价值，并从所述候选嵌入向量序列中选取状态价值最大的作为目标嵌入向量序列；

8、通过策略网络对所述目标嵌入向量序列进行计算得到条件概率结果；

9、根据所述条件概率结果确定所述目标嵌入向量序列对应的目标调度序列的卸载决策结果。

10、可选的，所述有向无环图包括顶点信息、边信息以及最大延迟信息，其中所述顶点信息包括所述子任务的输入数据量，输出结果数据量以及执行所述子任务所需的总cpu周期数，所述边信息包括数据传递方向以及权重信息。

11、可选的，所述有向无环图包括第一节点和出口节点，所述计算所述子任务的优先级，包括：

12、通过计算所述出口节点对应的第一子任务的第一时延得到所述第一子任务的第一优先级，其中所述第一时延为从车辆终端上传所述第一子任务至从云服务器下载处理结果的时长；

13、通过计算所述第一节点对应的第二子任务的第二时延得到所述第二子任务的节点优先级，其中所述第二时延为从车辆终端上传所述第二子任务至从云服务器下载处理结果的时长；

14、获取所述第一节点对应的下级节点中优先级的最大值，将所述最大值与所述节点优先级相加得到所述第二子任务的第二优先级；

15、相应的，所述根据所述优先级将所述子任务排序后得到参考调度序列，包括：

16、根据所述第一优先级以及所述第二优先级将所述子任务排序后得到参考调度序列。

17、可选的，所述根据预设排序条件将所述参考调度序列进行重排序得到多个候选调度序列，包括：

18、按照优先级从小到大的顺序对所述参考调度序列的子节点进行遍历，若第二子节点的第二子优先级大于等于第一子节点的第一子优先级与第一预设值的乘积，将第一子节点与第二子节点的节点位置互换得到的调度序列作为候补调度序列，并确认是否满足继续遍历条件，其中所述第二子节点为第一子节点的下一子节点；

19、响应于满足继续遍历条件的结果，继续对所述参考调度序列的其他子节点进行遍历；

20、响应于不满足继续遍历条件的结果，停止遍历。

21、可选的，所述确认是否满足继续遍历条件，包括：

22、计算所述参考调度序列的所有子节点的第一优先级总和；

23、将所述第一优先级总和与所述第一子节点的第一子优先级以及第二预设值的乘积求差得到第二优先级总和；

24、将所述第一子节点的第一子优先级与第一预设值相乘得到更新后的第一子优先级；

25、若所述第二优先级总和大于等于所述第一优先级总和与第三预设值的乘积，满足继续遍历条件；

26、若所述第二优先级总和小于所述第一优先级总和与第三预设值的乘积，不满足继续遍历条件。

27、可选的，所述特征信息包括子任务编号、直接前驱节点向量、直接后继节点向量、估计时延以及估计能耗。

28、可选的，所述价值网络由序列到序列网络，以及第一全连接层组成；所述策略网络由所述序列到序列网络、第二全连接层以及softmax层组成。

29、可选的，还包括：

30、将所述价值网络以及所述策略网络对应的第一网络参数上传至边缘服务器，以使所述边缘服务器基于所述第一网络参数对所述价值网络以及所述策略网络进行训练得到第二网络参数，并将所述第二网络参数回传至车辆终端；

31、接收到所述第二网络参数后，将所述价值网络以及所述策略网络对应的网络参数更新为所述第二网络参数。

32、第二方面，本技术提供了一种基于车边云协同架构的任务卸载系统，该任务卸载系统包括：存储器及处理器，所述存储器中包括基于车边云协同架构的任务卸载方法的程序，所述基于车边云协同架构的任务卸载方法的程序被所述处理器执行时实现以下步骤：

33、根据工作流应用中的关联性的子任务建立有向无环图；

34、计算所述子任务的优先级，根据所述优先级将所述子任务排序后得到参考调度序列；

35、根据预设排序条件将所述参考调度序列进行重排序得到多个候选调度序列；

36、根据每个所述候选调度序列对应的特征信息计算对应的候选嵌入向量序列；

37、通过价值网络对所述候选嵌入向量序列进行计算得到对应的状态价值，并从所述候选嵌入向量序列中选取状态价值最大的作为目标嵌入向量序列；

38、通过策略网络对所述目标嵌入向量序列进行计算得到条件概率结果；

39、根据所述条件概率结果确定所述目标嵌入向量序列对应的目标调度序列的卸载决策结果。

40、第三方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于车边云协同架构的任务卸载方法程序，所述基于车边云协同架构的任务卸载方法程序被处理器执行时，实现如本技术中任一实施例所述的基于车边云协同架构的任务卸载方法的步骤。

41、由上述可知，通过根据工作流应用中的关联性的子任务建立有向无环图；计算所述子任务的优先级，根据所述优先级将所述子任务进行符合工作流依赖约束的排序后得到参考调度序列；根据预设排序条件将所述参考调度序列进行重排序得到多个候选调度序列；根据每个所述候选调度序列对应的特征信息计算对应的候选嵌入向量序列；通过价值网络对所述候选嵌入向量序列进行计算得到对应的状态价值，并从所述候选嵌入向量序列中选取状态价值最大的作为目标嵌入向量序列；通过策略网络对所述目标嵌入向量序列进行计算得到条件概率结果；根据所述条件概率结果确定所述目标嵌入向量序列对应的目标调度序列的卸载决策结果，实现了任务卸载处理时延和车辆能耗的联合优化，可扩展性强，执行效率高，适应于复杂的车联网环境。

42、本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。