一种车载环境下智能协同任务计算和按需资源分配方法

本发明属于车联网，具体涉及一种车载环境下智能协同任务计算和按需资源分配方法。

背景技术：

1、作为智能交通系统的关键推动者，车联网已经进入了一个高度发展的新时期。作为这一趋势的结果，大量的车载应用渗透到我们生活的不同方面，从驾驶安全、车内娱乐到交通效率。这些应用涉及大量多样化的任务，导致交通数据的指数增长，这不可避免地给网络负担和执行时间带来了巨大压力。对于资源有限的车辆来说，处理这个问题是相当困难的。由于丰富的计算资源，传统云计算自然被视为执行各种任务的一种选择。

2、然而，由于云的部署位置通常离用户较远，这会带来不可预测的延迟和抖动。车载边缘计算通过将云计算能力下沉到用户附近，可以实现更低的能耗和更快的任务响应，是更为有效的新型计算范式。在车载边缘计算中，计算资源广泛分布云层、边缘层和终端层，具有泛在性、异构性和动态性。这使得车辆可以根据服务需求将其任务卸载到云、边缘服务器和邻近车辆上进行计算。

3、云计算适用于时延容忍的任务，而时延敏感的任务可以被卸载到具有相对丰富计算和存储资源的路边单元(road service unit,rsu)，即车辆-设施(vehicle toinfrastructure,v2i)卸载。然而，路边单元的计算能力受限加剧了资源竞争，为了保证这些用户的服务需求，进行有效的资源分配是至关重要的。

4、v2i卸载在车载边缘计算中很受欢迎，但存在几个限制：部署开销使得沿路密集部署边缘服务器变得困难；路边单元通信范围内车辆数量的增加使得路边单元很难同时满足来自不同车辆的所有业务需求。

5、如今，车辆将变得越来越智能化，智能车辆除了具备通信能力外，还将配备一定的计算和缓存资源。智能车辆的普及为提高车载网络的边缘能力提供了巨大的机会，通过对大量闲置车辆资源的整合，可以将车辆作为边缘服务节点来提供服务，即车辆到车辆(vehicle to vehicle,v2v)卸载。

6、现有技术中，公开号为cn110134507a中国专利，于2019年8月16日公开了一种边缘计算系统下的合作计算方法，其中也提到了利用在边缘服务器侧与众多终端合作计算的方案达到计算资源的最优配置，但边缘服务器的存储和计算能力有限，不可能部署所有类型的服务，不合理的任务迁移策略会导致边缘计算任务处理时间延长，车载终端体验变差，还会导致边缘服务器因过载而不稳定的问题。

7、而将v2i卸载和v2v卸载相结合是一种很有前途的计算范式，这种模式有助于提高资源利用率，但也有几个待解决的问题：

8、(1)由于车辆的高机动性和频繁的拓扑变化，如何发现可用的服务车辆，并从中选择最佳的服务提供车辆是一个挑战；

9、(2)用户的需求是多种多样的,在这种情况下，如何有效地整合这些资源，灵活地实现资源调度，以保证不同的用户需求是一个迫切需要解决的问题；

10、因此，为了解决现有技术所存在的以上问题，亟需一种车载环境下智能协同任务计算和按需资源分配方法。

技术实现思路

1、针对相关技术中的问题，本发明提出一种车载环境下智能协同任务计算和按需资源分配方法，以克服现有相关技术所存在的上述技术问题；本发明针对广泛分布在端侧、边侧和云侧的异构资源，构建了多资源编排架构，该框架能够支持车辆到车辆卸载和车辆到基础设施卸载，其中车辆到车辆卸载允许有空闲资源的车辆参与任务执行，而车辆到基础设施卸载能够实现负载平衡；在此架构的基础上，对任务卸载和资源调度进行了联合优化，以实现系统效用最大化，并保证不同用户的个性化服务需求；针对车辆网络的复杂性，采用异步优势行动者-评论者算法寻找最优调度决策。

2、本发明的技术方案是这样实现的：一种车载环境下智能协同任务计算和按需资源分配方法，包括以下步骤：

3、步骤一:根据车辆的行驶状态，结合车距和通信范围计算得到车辆之间和车设施之间的链路连通性；

4、步骤二:基于链路连通性设计车到车卸载策略；

5、步骤三:基于链路连通性设计车到设施卸载策略；

6、步骤四:设计融合车到车卸载和车到设施卸载的资源管理模型；

7、步骤五:设计智能任务计算和按需资源分配算法。

8、所考虑的车辆网络由一个中心云、沿道路部署的m个道路服务单元和n辆行驶在道路上的车辆组成，道路服务单元的集合和车辆的集合分别由表示。

9、每个道路服务单元都安装有一个边缘服务器，该服务器连接到云，通过有线链路与其他道路服务单元通信。车辆使用车辆到基础设施的通信连接到相关联的道路服务单元，并使用车辆到车辆的通信彼此通信。

10、将生成要实现任务的车辆定义为客户端车辆。

11、每个道路服务单元涵盖一定客户端车辆，被道路服务单元覆盖的客户车辆的编号和集合分别用nj和表示。

12、客户端车辆i的任务描述为{si,ci,ζi,δi}，其中si表示输入任务大小，ci表示处理该任务所需的cpu周期，ζi表示执行该任务的延迟约束，δi表示任务优先级。

13、该任务可以通过车辆到车辆卸载、车辆到基础设施卸载和云计算来处理。xi0,xij,xi(m+1)∈{0,1}作为卸载决策分别表示任务是由车辆到车辆卸载、车辆到基础设施卸载还是由云执行，其中

14、每个任务只能选择一种卸载方式，即：xij＝1，其中j∈{0,1,...,m+1}表示任务由相应的卸载方式处理。

15、因此，以下等式成立

16、

17、车辆的高度移动容易导致断断续续的连接，从而给数据传输的成功带来风险。

18、因此，链路连通性是保证计算卸载成功的关键；

19、进一步地，步骤一中，所述链路连通性可用链路连接时间来表示；所述车辆之间是指客户端车辆与可用周边车辆之间；所述车设施之间是指客户端车辆与基础设施之间。

20、进一步地，步骤二中，所述基于链路连通性设计车到车卸载策略，是根据步骤一先计算出车到车之间的链路连接时间，再用链路连接时间来表示链路连通性，最后根据链路连通性设计车到车卸载策略；其中，所述车到车卸载，即客户端车辆将其任务卸载到可用的周边车辆以执行。

21、进一步，步骤三中，所述基于链路连通性设计车到设施卸载策略，是根据步骤一先计算出车到设施之间的链路连接时间，再用链路连接时间来表示链路连通性，最后根据链路连通性设计车到设施卸载策略；其中，所述车到设施卸载，即客户端车辆将其任务卸载到基础设施以执行。

22、考虑了自由流交通模型。车辆沿x轴匀速移动。假定车辆i位于初始位置并以速度vi向正方向运动。

23、1)车辆到车辆连通性：对于任意两个相邻车辆i和j，当在时刻t车间距离dij(t)小于它们的通信范围rv时，它们可以相互通信。因此，它们的链接连接时间为:

24、lij＝{mint|dij(τ)<rv,0<τ<t}；

25、在不丧失一般性的情况下，假定车辆j在车辆i的前面，它们在不同条件下的链路连接时间计算如下：

26、当车辆i和j朝着同一个方向移动时，如果vj-vi>0，链接连接时间为:

27、

28、如果vj-vi<0，链接连接时间为:

29、

30、当车辆i和j朝着不同的方向移动时，

31、

32、2)车辆到基础设施连通性：假定道路服务单元k与车辆i相关联的坐标为

33、那么，车辆i在离开这个道路服务单元的通信范围之前应该行驶的距离是：

34、

35、其中，rr表示道路服务单元的通信范围；

36、车辆i离开道路服务单元k的通信范围所需的时间为:

37、

38、除了本地处理之外，客户端车辆可以将其任务卸载到可用的周围车辆以执行；这使得更多的车辆以分布式的方式参与任务处理，从而提高了资源利用率，加快了处理速度。

39、可用周边车辆使用过程包括三个关键步骤：

40、1)服务车辆发现：客户车辆向其单跳和多跳车辆发送服务请求，服务请求包括任务属性(如任务大小)和服务要求(如计算资源和延迟限制)，一旦接收到该服务请求，每个车辆在达到最大跳数之前持续向前发送该服务请求；另一方面，该车辆判断其是否满足指定的标准，如果满足指定的标准，则该车辆同意该服务请求，并通过向客户车辆发送其状态信息(如计算能力)来充当服务候选车辆；对于任何车辆，只有在计算结果成功发送给客户车辆之前，其与客户车辆之间的路由路径连通性保持有效时，才可以充当服务车辆。

41、2)路由路径确定：在客户端车辆与其候选服务车辆之间可能存在不止一条路由路径，一般来说，路由路径由多个一跳链路组成；由于车辆的移动性，在车辆网络中频繁的链路中断是不可避免的，因此，链路连通性通常被视为确定最优路由路径的重要指标；优选具有最大连通性的路由路径，因为它可以大大提高计算结果从服务车辆成功发送到客户车辆的可能性。

42、3)任务分配策略：客户端车辆收集与候选服务车辆相关的所有信息，根据任务服务需求和一定的约束条件，做出最优的计算卸载决策；根据卸载决策，任务将被发送到合适的服务车辆进行计算，最后，来自服务车辆的计算结果将返回给客户车辆。

43、两个相邻车辆i和j之间在时间t的传输速率表示为：

44、

45、其中表示带宽；pt表示发射功率；gv2v(t)表示信道增益，可以表示为车辆间距离的函数；而ω用于表示噪声功率。

46、由于车辆的移动性，车间距离随时间变化，从而导致传输速率的时变；

47、传输速率的平均值为：

48、

49、给定输入任务大小，车辆i和j之间的一跳数据传输时间为：

50、

51、对于由u个单跳链路组成的路由路径，即i→1→2→...→u-1→k，数据沿着多跳路由路径从客户车辆i发送到服务车辆k所需的时间由以下公式给出：

52、

53、服务车辆k处理客户车辆i卸载的任务所需的时间计算为：

54、

55、其中，fk指示服务车辆的计算能力；

56、完成任务卸载所需的总时间为：

57、

58、所有可用的候选服务车辆组成一个集合θ，优先选择任务执行延迟最小的车辆：

59、

60、表示客户车辆i在本地处理其任务的时间；

61、客户车辆可以将其任务卸载到边缘服务器以进行实现，

62、卸载流程主要包括任务上传、任务执行和结果反馈，以下为具体流程内容：

63、1)任务上传：对于车辆到基础设施卸载，每个任务车辆首先要将其任务传输到相关的边缘服务器，传输时延与该边缘服务器分配的带宽、距离等有关；

64、bj为边缘服务器j的带宽资源；bij为分配给车辆i的带宽资源；

65、那么，它们之间的数据传输速率为：

66、

67、其中，表示带宽，pt表示发射功率，w用于表示噪声功率，gv2i(t)表示信道增益为车辆间距离的函数。

68、在边缘服务器j通信范围内分配给客户车辆的所有带宽资源的总和不能超过bj：

69、

70、由于车辆的移动性，它们之间的距离随时间变化，从而引起时变传输比；

71、传输速率平均值为：

72、

73、车辆i将任务传输到关联的边缘服务器j所需的延迟为：

74、

75、2)任务执行：客户车辆i将其任务上传到附近与其关联的边缘服务器j，接收到卸载的任务，边缘服务器j可以在本地处理它，或者将它迁移到其他可用的边缘服务器；当边缘服务器的计算能力不足以提供服务时，就会发生服务迁移，这样可以实现负载均衡，但会产生额外的开销；将k表示为用于执行任务所选定的边缘服务器；在同一边缘服务器所覆盖的服务区域内，不同的客户端车辆之间为了争夺有限的信道资源而相互竞争；每个边缘服务器都应该合理地分配计算资源，以实现不同客户车辆的任务；当服务于多个任务时，所选择的边缘服务器应有效地将有限的计算资源分配给不同的任务；将fk表示为边缘服务器k的计算能力，将fik表示为分配给任务i的计算资源；因此，边缘服务器k计算任务i所需的延迟表示为：

76、

77、所有分配给用户的计算资源之和应小于边缘服务器k的计算能力：

78、

79、其中，fj表示为边缘服务器j的计算资源，fij表示为服务器j给任务i分配的计算资源；

80、如果k和j是同一边缘服务器，则没有服务迁移；否则，将产生额外的服务迁移时间为：

81、

82、其中，hij是两个边缘服务器之间任务迁移所需的跳数，λ是一跳迁移时间；

83、车辆到基础设施卸载处理任务i的总延迟表示为：

84、

85、3)结果反馈：计算完成后，所选的边缘服务器负责将计算结果发送给客户车辆；由于计算结果大小远小于输入数据大小，因此忽略返回计算结果所需的传输时间；

86、为了保证计算结果能够成功地发送到客户车辆，总的处理延迟不应超过客户车辆与关联边缘服务器之间的连接时间：

87、

88、基于用户的实际部署位置，云计算可以承担延迟容忍的应用，而边缘计算则侧重于提供延迟敏感的服务；

89、当边缘容量不足以满足用户需求时，云可以提供必要的协助，云处理来自客户车辆i的任务的总时间主要包括三个部分：客户车辆i与相关边缘服务器j之间的传输时间,即边缘服务器j与云之间的传输时间,即以及云计算任务的时间

90、

91、用户效用可以通过其任务执行延迟来表征：

92、

93、我们的目标是最小化系统范围内的用户效用，将其定义为所有用户效用的加权和。

94、将所有客户车辆的任务卸载策略表示为：

95、将不同边缘服务器的资源分配策略表示为：将不同边缘服务器的信道资源调度策略表示为:

96、然后，制定了以下优化问题：

97、

98、δi用来描述任务的优先级；

99、c1表示可以使用车辆到车辆卸载、车辆到基础设施卸载或云计算来处理任务；

100、c2保证一个任务只能在一个计算实体中处理；

101、c3和c4分别表示计算资源和带宽资源方面的约束；

102、c5表示任务应在客户车辆离开其关联边缘服务器的通信范围之前成功完成。

103、上述优化问题用传统的优化工具解决具有挑战性，深度强化学习被认为是解决这一问题的有效方法，而异步优势行动者-评论者算法在计算性能方面又极具优势。

104、为了实现该算法，需要将优化问题重新表述为马尔科夫决策问题,确定状态空间，动作空间和奖励函数；

105、马尔科夫决策问题由数组描述，其中表示状态空间，表示动作空间，表示转移概率，用于表示奖励：

106、1)状态空间：状态空间主要由边缘服务器可用计算资源和位置、车辆可用计算资源和位置、任务数量和大小以及网络带宽资源组成；

107、2)动作空间：动作空间包括卸载决策和资源分配策略；

108、3)奖励：在给定状态空间和动作空间的情况下，根据目标函数设计了使系统效用最小的奖励。

109、对于智能算法，在每一个时间点t上，观察一个状态st，产生一个动作at，然后通过执行这个动作获得奖励rt；

110、该智能算法的目标是通过将一个状态映射到一个动作来找到一个最大化累积奖励的策略；智能算法的全局网络主要是一个公共神经网络模型，包括行动者网络和评论者网络两部分。存在多个学习代理，它们具有与全局网络相同的网络结构；每个学习代理独立地与环境交互，并且互不干扰；每个学习代理在与环境交互后，计算其神经网络损失函数的梯度，独立更新全局网络的共享参数；每隔一段时间，每个代理都使用全局网络的参数更新自己神经网络的参数。

111、本发明的有益效果：

112、(1)本发明的一种车载环境下智能协同任务计算和按需资源分配方法，针对广泛分布在端侧、边侧和云侧的异构资源，构建了多资源编排架构，该框架能够支持车辆到车辆卸载和车辆到基础设施卸载，其中车辆到车辆卸载允许有空闲资源的车辆参与任务执行，而车辆到基础设施卸载能够实现负载平衡；

113、(2)在此架构的基础上，对任务卸载和资源调度进行了联合优化，以实现系统效用最大化，并保证不同用户的个性化服务需求；

114、(3)针对车辆网络的复杂性，采用异步优势行动者-评论者算法寻找最优调度决策。