一种基于混合覆盖场景的车联网任务卸载优化方法及系统

技术领域

本发明涉及车联网通信技术领域，更具体地，涉及一种基于混合覆盖场景的车联网任务卸载优化方法及系统。

背景技术

随着5G通信技术的大范围应用、车辆数量的增加与车联网的发展，出现了许多可以提高车辆的安全性及行驶乐趣的应用，如，车辆社交网络，模式识别和增强现实等，车辆与乘客对各项应用的需求大幅度增长，任务越发容易出现拥堵的情况，当发生道路拥堵或车祸时，卸载任务的数量的需求量会变得非常大，此时如果没有优化的卸载策略，会导致车辆的卸载任务在多个路边单元或者基站之间来回折返，导致较大的卸载总时延，这将会给人们的出行带来不好的体验。为了提高用户的驾驶体验，现有技术提出任务卸载优化策略来解决这一显著的问题。

现有的一种任务卸载优化策略，通过云端接收路边单元覆盖范围内的车辆终端经RSU发送的任务卸载请求，为任务分配权重确定任务优先级，利用任务优先级决定任务卸载的顺序，该方法可以有效减少发生任务拥堵的情况；但，路边单元服务范围有限，车辆通常也处于移动状态，因此，如果车辆在路边单元服务范围内的驻留时间小于卸载任务在二者间的往返时间，该任务结果就会返回失败。

现有的另一种任务卸载优化策略，通过构建基于路边单元的任务卸载系统损耗模型，利用整体约束违反度计算任务卸载系统损耗模型的最小的最优可行解，来确定任务卸载优化策略，该方法考虑到用户在路边单元服务范围内的驻留的时间与用户任务卸载的时间，可以有效避免任务结果返回失败的情况，但在道路两侧部署路边单元成本较高，且覆盖范围较小，在车流高峰期或者发生交通事故时，道路车流拥堵，此时道路车辆对于路边单元的计算需求激增，仅靠路侧的路边单元难以满足激增的计算需求，任务卸载优化的效果不佳。

发明内容

本发明为克服上述现有技术所述的仅靠路边单元无法满足任务卸载的计算需求，导致任务卸载优化的效果不佳的缺陷，提供一种能够满足任务卸载的计算需求的、基于混合覆盖场景的车联网任务卸载优化方法及系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于混合覆盖场景的车联网任务卸载优化方法，其特征在于，包括以下步骤：

S1：将基站历史负载状况表、上一时间段的车辆访问基站结果和车联网数据上传至云计算空间；

S2：根据所述基站历史负载状况表与所述上一时间段的车辆访问基站结果，通过所述云计算空间内配置的长短时记忆网络对所述基站的负载状态进行预测，得到基站负载状态预测结果；

S3：根据所述基站负载预测结果和所述车联网数据，所述云计算空间通过预设的时延函数T和约束条件获得任务分配系数的解集合；

S4：基于所述解集合，利用遗传算法获得任务分配系数的最优值；根据任务分配系数的最优值确定最优比例，按所述最优比例将车辆的任务卸载至路边单元、卸载至基站，和/或留在本地。

本发明还提出了一种基于混合覆盖场景的车联网任务卸载优化系统用于实现上述的基于混合覆盖场景的车联网任务卸载优化方法。所述系统包括：预测模块，其上配置有长短时记忆网络，用于根据云计算空间内储存的基站历史负载状况表与上一时间段的车辆访问基站结果，对所述基站的负载状态进行预测，并输出基站负载状态预测结果；

解集合计算模块，其上预设有时延函数T和约束条件，用于根据云计算空间储存的基站负载预测结果和车联网数据，计算并输出任务分配系数的解集合；

决策模块，用于基于任务分配系数的解集合，利用遗传算法计算并输出任务分配系数的最优值，使车辆根据任务分配系数将车辆的任务卸载至路边单元、卸载至基站，和/或留在本地。

本发明还提出了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，其中所述计算机可读指令被所述处理器执行时，使得所述处理器执行本发明提出的车联网任务卸载优化方法的步骤。

与现有技术相比，本发明技术方案的有益效果是：

本发明同时使用路边单元和基站构建任务卸载优化策略，基于基站的现存部署较路边单元更为完备，覆盖范围更大，计算速度更快的优点，辅助路边单元满足道路车辆的计算需求，能够缓解拥堵状态下路边单元负担过重问题，有效减少计算资源的浪费，且能减少成本较高的路边单元的设置数量，从而达到降低成本和增快计算速度的效果；同时，结合长短期记忆网络和遗传算法优化了任务卸载的比例，求得最短任务卸载时延，约束卸载目标的选择，避免了卸载任务的计算结果传回来而车辆已经离开覆盖范围的资源浪费，实现良好的任务卸载优化效果。

附图说明

图1为实施例1的基于混合覆盖场景的车联网任务卸载优化方法的流程示意图；

图2为实施例1的混合覆盖场景下的车联网示意图；

图3为实施例2的基于混合覆盖场景的车联网任务卸载优化系统的整体框架图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提出一种基于混合覆盖场景的车联网任务卸载优化方法及系统，如图1所示，为本实施例的基于混合覆盖场景的车联网任务卸载优化方法的流程示意图；如图2所示，为实施例1的混合覆盖场景下的车联网示意图。

本实施例提出的基于混合覆盖场景的车联网任务卸载优化方法中，包括以下步骤：

S1：将基站历史负载状况表、上一时间段的车辆访问基站结果和车联网数据上传至云计算空间；

S2：根据所述基站历史负载状况表与所述上一时间段的车辆访问基站结果，通过所述云计算空间内配置的长短时记忆网络对所述基站的负载状态进行预测，得到基站负载状态预测结果；

S3：根据所述基站负载预测结果和所述车联网数据，所述云计算空间通过预设的时延函数T和约束条件获得任务分配系数的解集合；

S4：基于所述解集合，利用遗传算法获得任务分配系数的最优值；根据任务分配系数的最优值确定最优比例，按所述最优比例将车辆的任务卸载至路边单元、卸载至基站，和/或留在本地。

在具体实施过程中，利用基站以往负载状况通过长短时记忆网络预测基站未来负载状况，结合约束条件判断基站是否可以对车辆任务进行处理，进而通过遗传算法将车辆任务按最优比例卸载至路边单元、卸载至基站，和/或留在本地；合理分配车辆任务，有效利用计算资源，从而实现良好的任务卸载优化效果；而且不单单使用路边单元，而是利用覆盖范围更大，计算速度更快的基站辅助路边单元满足道路车辆的计算需求，缓解拥堵状态下路边单元负担过重的问题，减少路边单元的设置数量，从而达到降低成本和增快计算速度的目的。

在一可选实施例中，所述基站历史负载状况表包括若干时间间隔相同的时间段和每个时间段对应的以百分比形式显示的基站负载状况值，且所述基站历史负载状况表根据时间顺序排序。

在一可选实施例中，在对所述基站的负载状态进行预测前，利用所述基站历史负载状况表对所述长短时记忆网络进行优化训练；其步骤包括：

S2.1：将所述基站历史负载状况表转化为序列X，将序列X的每个元素向量化后输入长短时记忆网络，其中，

X＝{x

式中，x

S2.2：所述序列X通过长短时记忆网络被分解为一系列连续的时间步，每一个时间步的输出包括隐藏状态、细胞状态和当前时间步的基站负载状态预测值；

其中，将当前时间步的序列元素xt和上一个时间步的隐藏状态h

f

f

式中，σ(·)表示sigmoid函数，W

i

i

式中，i

S2.3：利用遗忘门输出值f

o

式中，W

h

S2.4：将经长短时记忆网络中的全连接层降维后的隐藏状态h

S2.5：根据每个时间步对应的预测值确定长短时记忆网络的损失函数Loss，最小化所述损失函数Loss，利用使所述损失函数Loss最小化的参数对所述长短时记忆网络进行更新，获得优化后的长短时记忆网络；

其中，

作为示例性说明，采用链式法则计算损失函数Loss对于每个权重和偏置项的偏导数，使用所述偏导数更新长短时记忆网络参数；

作为示例性说明，在最小化损失函数Loss的过程中，若训练次数达到预设值时仍无法使所述损失函数Loss最小化，则停止训练，利用最后一次训练获得的参数对所述长短时记忆网络进行更新，获得优化后的长短时记忆网络；

在本可选实施例中，由于目前车辆通讯协议为C-V2X(Cellular Vehicle-to-Everything，基于蜂窝网络的车用无线通信技术)，车辆可以实时获知路边单元的负载状态，并以此决定是否将任务卸载到路边单元，但是车辆无法实时获知基站的负载状态，因此需要根据基站以往负载状态的数据，利用长短时记忆网络预测未来基站的负载状态。

其中可选地，确定长短时记忆网络的损失函数Loss前，将上一时间段车辆访问基站成功或失败的结果B输入长短时记忆网络，根据结果B，在损失函数Loss中加入用于惩罚长短时记忆网络的错误预测的正则化项，获得损失函数Loss′，利用使所述损失函数Loss′最小化的参数对所述长短时记忆网络进行更新，获得优化后的长短时记忆网络；

R(θ)＝λ*||θ||

式中，R(θ)表示L1范数正则化项，θ表示长短时记忆网络的参数，||θ||

进一步可选地，所述结果B在车辆将任务卸载至基站时，由车辆上传至云计算空间。

在一可选实施例中，所述车联网数据包括：车辆与路边单元或基站的位置关系、车辆的任务总量S、任务复杂度k、路边单元实时负载状态和车速。

其中可选地，S3步骤包括：

S3.1：根据车辆的任务总量S和任务复杂度k确定车辆卸载策略的时延函数T：

T＝Max{T

C＝kD

式中，T

S3.2：对时延函数T设置任务比例约束、处理速率约束和位置关系约束；

所述任务比例约束包括：

α∈[0，1]

θ∈[0，1-α]

所述任务比例约束包括：

Min{V

其中，V

所述位置关系约束根据用于判断车辆所在位置的边缘计算时延T

其中，所述边缘计算时延T

T

式中，T

若Δx＝v

若Δx＝v

其中，v

S3.3：根据所述任务比例约束、所述处理速率约束和所述位置关系约束，计算所述时延函数T，得到任务分配系数α和任务分配系数θ的可能解，组成所述任务分配系数的解集合。

本可选实施例提出最小期望速度，当任务卸载到路边单元或基站时，若处理速率小于最小期望速度，则不会选择该卸载目标，避免路边单元或基站负载较高，几乎无法处理任务时，仍有较少任务卸载到路边单元或基站，从而降低任务卸载总时延过高的概率。

本可选实施例还提出边缘计算时延，结合边缘计算时延决定任务卸载至何处，当车辆处于路边单元和基站的共同覆盖范围内，假设在边缘计算时延内将全部任务交由路边单元、基站或本地计算，如果车辆会跨越两个路边单元或两个基站的覆盖范围时，则不将任务卸载至路边单元或基站，这样可以有效避免在基站和路边单元的范围混合覆盖的场景下，车辆在任务计算过程中跨越两个路边单元的覆盖范围，导致计算结果不能有效传回车辆的情况。

进一步可选地，S4步骤包括：

S4.1：基于所述解集合，利用遗传算法获得任务分配系数的最优值：

将不恒等于零的任务分配系数α或θ作为遗传算法中的基因，在所述解集合中随机选取n个值作为遗传算法的n个个体，组成初始种群，对初始种群编码，并通过时延函数T计算初始种群的每个个体对应的时延值，通过所述时延值确定每个个体对应的适应度，通过轮盘赌法选择n个个体进行交叉或变异的繁衍操作，获得子代种群，对子代种群继续选择和繁衍操作，更新子代种群，当迭代次数达到预设值时停止更新，从最后一代的子代种群中选择时延值最小的个体作为任务分配系数α或θ的最优值；

其中，所述时延值和所述适应度满足负相关关系；

S4.2：根据任务分配系数的最优值确定最优比例，按所述最优比例将车辆的任务卸载至路边单元、卸载至基站，和/或留在本地；其中，所述最优比例包括：α、θ(1-α)和(1-θ)(1-α)，按最优比例将车辆的任务进行卸载时，卸载至路边单元、卸载至基站，和/或留在本地的车辆任务的大小分别是αS、θ(1-α)S或(1-θ)(1-α)S。

作为示例性说明，所述适应度等于所述时延值的倒数。

在本可选实施例中，车辆综合考虑任务的传输时延和边缘计算时延，可实现当路边单元负载和基站的预测负载都较低时，将较多任务按比例卸载到路边单元和基站，当路边单元负载和基站的预测负载有一个较高时，车辆更倾向于将较多任务卸载到负载较低的一方；当路边单元负载和基站的预测负载都较高时，车辆倾向于将较多任务留在本地，从而达到合理分配任务，有效利用计算资源的效果。

实施例2

本实施例提出一种基于混合覆盖场景的车联网任务卸载优化系统，应用实施例1提出的一种基于混合覆盖场景的车联网任务卸载优化方法。

如图3所示，为本实施例的基于混合覆盖场景的车联网任务卸载优化系统的整体框架图。

所述基于混合覆盖场景的车联网任务卸载优化系统，包括：

预测模块，其上配置有长短时记忆网络，用于根据云计算空间内储存的基站历史负载状况表与上一时间段的车辆访问基站结果，对所述基站的负载状态进行预测，并输出基站负载状态预测结果；

解集合计算模块，其上预设有时延函数T和约束条件，用于根据云计算空间储存的基站负载预测结果和车联网数据，计算并输出任务分配系数的解集合；

决策模块，用于基于任务分配系数的解集合，利用遗传算法计算并输出任务分配系数的最优值，使车辆根据任务分配系数将车辆的任务卸载至路边单元、卸载至基站，和/或留在本地。

其中可选地，所述基于混合覆盖场景的车联网任务卸载优化系统还包括通信模块和可视化模块，其中，通信模块用于实现车辆、基站、路边单元与云计算空间之间的通讯；可视化模块用于可视化地显示所述决策模块输出的决策结果。

可以理解，本实施例的系统应用于上述实施例1的方法，上述实施例1中的可选项同样适用于本实施例，故在此不再重复描述。

实施例3

本实施例提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，其中所述计算机可读指令被所述处理器执行时，使得所述处理器执行实施例1提出的基于混合覆盖场景的车联网任务卸载优化方法的步骤。

可以理解，本实施例的计算机设备应用于上述实施例1的方法，上述实施例1中的可选项同样适用于本实施例，故在此不再重复描述。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。