一种基于多臂赌博机的车辆计算任务卸载方法

本发明涉及通信工程研究技术领域，尤其是涉及一种基于多臂赌博机的车辆计算任务卸载方法。

背景技术：

随着汽车工业技术的不断升级，如今有些汽车配备了通信单元以及高性能计算和大容量存储设备，这类汽车就如同行驶在道路上的移动计算机。因此，移动边缘计算(mobileedgecomputing,mec)在车联网中受到越来越多的关注。利用移动边缘计算，我们可以利用未充分利用的车辆资源，例如网络连通性，计算能力，存储和传感能力，这些资源可与车主共享。同时借助移动边缘计算，车辆可以通过车辆到车辆通信，车辆到基础设施通信甚至车辆到所有事物共享资源，利用距离更近的边缘服务器或者路边单元提供的计算资源；也可以利用车辆间的协作，调用其他车辆的空闲计算资源共同完成计算任务以获得更低的时延，这对于安全消息的及时处理是十分重要的。然而，车辆的内置资源在很长一段时间内并未得到充分利用，例如当车辆停放或没有计算任务需求时。这种情况为探索未充分利用的计算资源提供了广阔的机遇。

当前，国内外有关研究人员正在密切关注移动边缘网络中的车辆任务卸载问题，旨在降低车辆计算任务的时延，更高效的处理当前车辆中日益增长且纷繁复杂的任务。例如，基于博弈论的车辆边缘网络计算分流算法、移动边缘计算中的动态感知移动性的部分卸载方案、基于q学习的车联网任务卸载与资源分配方案等等。现阶段，国内外学者对于边缘计算中车辆计算任务卸载问题的研究多种多样，对卸载策略设计以及通信资源分配等方面都进行了深入的研究，但是这些研究大多考虑的是边缘服务器作为服务提供者，车辆或者移动设备作为请求者，然而如今车辆智能化水平不断提高，计算能力大大增强，将部分智能汽车作为移动服务器未被纳入考虑，导致了计算资源的浪费。

技术实现要素：

为了解决上述问题，本发明充分整合计算能力较强的车辆的闲置计算资源，提出了一种车辆间的计算任务卸载方法。该方法充分利用车辆间的协作，并根据优先级模型，针对不同的计算任务请求分配不同的计算资源。并求解以最小化系统整体处理延迟为目标的优化问题，将闲置的计算资源得以充分利用，以帮助能力较弱的车辆降低计算处理延迟。

本发明的目的在于充分利用高性能车辆的闲置计算资源，从而使在复杂车载异构网络的环境下，降低车辆计算任务的处理时延。本发明首先将车辆分为任务车和服务车，任务车将计算任务卸载到单个服务车或一组服务车。接着构建任务优先级模型，按照优先级队列处理计算任务。然后给出任务卸载模型模型，并制定优化问题，最后求解该优化问题，来减少闲置资源的资源浪费，并降低任务处理时延。

本发明对车辆计算任务进行卸载所采取的技术方案是：首先对一定范围内的车辆进行任务车与服务车的分类，接着根据任务车所卸载下来的的计算任务，建立基于熵值的任务优先级模型，并根据不同的任务优先级将任务放入优先级队列之中，按照队列来处理计算任务。然后给出任务卸载模型，对计算和通信资源进行数学分析，以最小化系统整体处理延迟为目标得出优化问题，最后利用基于ucb的算法求解任务卸载策略。本方案可以有效利用车辆闲置的计算资源，避免资源浪费，并降低车辆计算任务的处理时延。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现的：一种基于多臂赌博机的车辆计算任务卸载方法，该方法包括如下步骤：

步骤1，将道路上行驶中的车辆进行分类，一类是生成计算任务的任务车，一类是可以共享空闲计算资源提供计算服务的服务车，任务车在无法独立完成计算任务时将车辆所产生的计算任务卸载到附近的服务车，其中，服务车已将其闲置计算资源虚拟化成虚拟机，以便不影响自身应用的运行，并且任务车无需提前获知服务车可用的闲置计算资源；

步骤2，建立基于熵值的任务优先级模型，根据任务优先级将计算任务放入优先级队列之中，按照优先级队列处理计算任务；

步骤3，给出任务卸载模型，对计算和通信资源进行数学分析，以最小化系统整体处理延迟为目标得出优化问题；

步骤4，利用基于ucb的算法求解任务卸载策略。

进一步地，所述步骤2中任务优先级的权重向量表示为w＝[w1,w2,w3,w4]，因此每个任务请求的权重即优先级可以通过下式得出：

得到任务请求消息的优先级向量之后，根据每个请求的优先级将请求消息放入优先级队列之中，同时刻产生的计算任务按此顺序执行。

进一步地，所述步骤3中以最小化系统整体处理延迟为目标得出优化问题表示为：

其中表示总延迟，分为传输延迟与计算延迟

进一步地，所述步骤4中，采用ucb算法来解决mab问题，动作选择的依据表示为：

在执行第t个任务之前的累计平均收益为：

执行第t个任务之前的置信度表示为：

其中，d表示车距。

进一步地，所述步骤4中，卸载车辆的选择依据为：

当m为1时，选出的就是不进行任务切割时的最佳卸载车辆，如果m不为1，即任务被切割成多个子任务进行卸载，将其看成m次独立的不切割计算任务卸载并在任务卸载时避免子任务卸载到同一车辆。

本发明的有益效果是：

本发明对车辆计算任务进行卸载首先对一定范围内的车辆进行任务车与服务车的分类，接着根据任务车所卸载下来的的计算任务，建立基于熵值的任务优先级模型，并根据不同的任务优先级将任务放入优先级队列之中，按照队列来处理计算任务，然后给出任务卸载模型，对计算和通信资源进行数学分析，以最小化系统整体处理延迟为目标得出优化问题，最后利用基于ucb的算法求解任务卸载策略。本方案可以有效利用车辆闲置的计算资源，避免资源浪费，并降低车辆计算任务的处理时延。对车联网中的车辆计算任务进行高效处理，对紧急的车辆任务进行优先处理。

附图说明

图1是一种基于多臂赌博机的车辆计算任务卸载方法流程图。

图2是一种基于多臂赌博机的车辆计算任务卸载方法框架。

具体实施方式

下面结合附图1-2对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本文提出一种基于多臂赌博机的车辆计算任务卸载方法，其主要步骤如下：

如图2所示，该方法将道路上行驶中的车分为两类，一类是生成计算任务的车辆(简称为任务车)，一类是可以共享空闲计算资源提供计算服务的车辆(简称为服务车)。任务车在无法独立完成计算任务时将车辆所产生的计算任务卸载到附近的服务车，其中，服务车已将其闲置计算资源虚拟化成虚拟机，以便不影响自身应用的运行，并且任务车无需提前获知服务车可用的闲置计算资源。

在图2的架构中，系统的时隙定义为t＝{t1,t2,...,tk}，时隙间隔用δt表示，并且在tk时刻，每个服务车只考虑处理一个计算任务或其子任务的情况，因此将δt时间内不同车辆产生的计算任务表示为集合t＝{t1,t2,...,tn}，每个任务的特征可以表示为ti＝{di,ωi,τi,pi}，其中di，ωi，τi，pi分别表示计算任务的数据量大小(单位：bit)，计算强度(单位：cycle/bit)，最大延迟限度(单位：s)和任务的重要程度，并且定义在tk时刻可用的服务车集合表示为s＝{s1,s2,...,sm}。

车辆产生计算任务后如果无法在本地独立完成就会立即执行计算任务卸载，因此在同一时刻可能会有多个计算任务产生，因此需要对到达的请求进行优先级的划分，确定同时刻产生的计算任务处理顺序，并根据优先级创建队列。接下来，本文将使用基于熵值法的任务请求优先级划分方法，在熵值法中某一参数的熵值越大表明该参数对最后的优先级划分越重要。

将上述所描述的任务集合展开成如下的矩阵：

然后用αr,r＝{1,2,3,4}表示t的每个列向量，对上述矩阵中的每一列求每个元素出现的概率，如式(2)所示：

因此，每个参数的熵值可以通过式(3)来计算：

得到每个参数的熵值后，该参数所对应的权重由式(4)给出：

将权重向量表示为w＝[w1,w2,w3,w4]，因此每个任务请求的权重即优先级可以通过式(5)得出：

得到任务请求消息的优先级向量之后，根据每个请求的优先级将请求消息放入优先级队列之中，同时刻产生的计算任务按此顺序执行。

不同时刻产生的计算任务按照时间先后顺序执行，同时产生的计算任务按照优先级进行处理。任务车每次进行计算任务卸载时都将完整的任务数据卸载至所有服务车，同时将计算任务划分成计算强度相等的多个子任务后再进行卸载，服务车在子任务计算结束后返回计算结果，接着就可以继续投入其他计算任务的处理中，无需等待同任务的其他子任务全部完成。

接受任务i卸载的服务车集合定义为集合中的车辆数记为m，每次卸载需要将任务数据全部卸载到中的每辆车，服务车j的最大通信带宽为则任务数据传输到服务车j的用时为：

其中(单位：bit/s)为服务车与任务车之间的传输速率，任务计算需要等待所有数据卸载完成之后才可以开始，考虑到不同车辆间的传输速率差异，因此实际的传输时间应该由式(7)来表示：

服务车j所能提供的最大空闲计算能力用表示(单位：hz)，并且提供给任务i的计算能力为因此在服务车j上的计算用时为：

由于任务处理需要等待所有进程结束之后才能得出结果，所以任务i的实际计算延迟为最后结束的进程所消耗的时间：

任务处理的返回数据量通常很小，可以忽略结果返回所消耗的时间，因此任务i的总延迟为：

本方法的求解目标是最小化系统的平均延迟，因此可以表述为如下的最优化问题：

计算任务卸载时，我们通过选择不同的卸载车辆来获取计算延迟，然而事先并不知道如何选择卸载子集才能达到最小化延迟目标。这个过程就相当于一个多臂赌博机(mab)问题，任务车相当于这个问题中的赌徒，服务车相当于问题中赌博机的多个臂，赌徒每次操作不同的臂就相当于任务车每次选择不同的任务车，因为任务车事先不知道通过进行计算任务卸载，每辆服务车能够给自身带来收益的概率服从何种分布，所以需要通过探索的方式去进行任务卸载，每次记录延迟并更新任务车损失的概率分布，经过多轮训练后达到选择最优卸载集合的目的。

本方法用于解决mab问题采用的算法是ucb算法，在该算法中，动作选择的依据由式(12)给出：

其中，qt(a)表示t时刻之前执行动作a带来实际收益的平均值，这是一代表利用动作的值，取值越大在选择时倾向越大。nt(a)为t时刻之前执行动作a的次数，n为t时刻之前所有动作被执行的次数。平方根项表示平均收益的置信区间上限，即可能的最大期望回报，该项表示对动作的探索值，其值越大其平均收益越可信。式(12)体现了算法在探索和利用之间的平衡，即在系统初始阶段更倾向于探索各种行动能带来的收益，在探索达到平稳时直接利用可能收益最好的动作。对于一个计算任务而言，延迟和收益呈现负相关特性，即延迟越低，收益越高，因此本方法将其子任务卸载至车辆i所获得的收益用延迟的倒数来表示，这里的延迟用dj表示，是计算任务的子任务卸载至车辆i的传输和计算延迟之和，则在执行第t个任务之前的累计平均收益为：

令每次计算任务被切割成m个子任务，即接受计算卸载的服务车子集中的数量为m。同时如果对某个服务车已经进行过足够多的探索，收益会趋于平稳，即收益方差逐渐减小，因此将服务车处理子任务的收益方差纳入置信度考虑，增加已经进行足够探索的服务车置信度，此外考虑任务车与服务车距离对计算卸载的影响，尽量选择距离较近的车辆卸载，用d表示车距，则执行第t个任务之前的置信度就变为：

其中

则卸载车辆的选择依据为：

当m为1时，式(16)选出的就是不进行任务切割时的最佳卸载车辆，如果m不为1，即任务被切割成多个子任务进行卸载，可以将其看成m次独立的不切割计算任务卸载并在任务卸载时避免子任务卸载到同一车辆。并且由于置信度中考虑了收益方差和车距对计算卸载任务车选择的影响，使得算法具有了一定的自适应能力，降低了过长车距对计算时延的不利影响，如连接的不稳定。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。