一种基于深度学习的车联网优化任务边缘卸载方法

技术领域

本申请属于车辆边缘计算和深度学习技术领域，具体涉及一种基于深度学习的车联网优化任务边缘卸载方法。

背景技术

近年来，伴随着5G站上新的高峰，物联网和无线通信技术不断发展并完善。虚拟现实、超高清视频等各类新型移动应用蜂拥而至，导致移动终端的数量呈爆炸性增长，造成移动资源的大量消耗。作为5G的关键技术，移动边缘计算(Mobile Edge Computing，MEC)被认为是解决计算任务需求不断增长和用户自身计算能力及资源有限的一种强大范例。车辆边缘计算(Vehicular Edge Computing，VEC)是一种MEC与车联网相结合的改革创新技术，而边缘卸载作为其核心技术，可以将计算密集型与时延敏感型车载应用程序/车载计算任务下沉至相比远程云服务器更接近车辆终端的边缘服务器，从而大大降低执行终端任务的时延与能耗，还可以有效提高QoS(Quality of Service，服务质量)与用户QoE(Quality ofExperience，体验质量)。

现有技术中，针对车辆用户不同任务需求发布卸载决策比较困难。对于不同类型的车载任务，发布针对性卸载决策会大大降低VEC系统的时延与能耗。与此同时，各服务器的计算资源并没有得到充分利用，实现不同计算平台的资源调度并考虑服务器的损耗同样也需要被纳入研究。

发明内容

本申请的目的是提供一种基于深度学习的车联网优化任务边缘卸载方法，以克服现有技术中卸载决策带来的时延与能耗问题。

为了实现上述目的，本申请技术方案如下：

一种基于深度学习的车联网优化任务边缘卸载方法，应用于车联网边缘计算系统，所述车联网边缘计算系统包括路侧单元和车载单元，所述路侧单元包括边缘计算服务器，所述车联网边缘计算系统还包括云计算服务器，所述边缘计算服务器包括至少两个卸载单元，以及与每个卸载单元对应的调度单元和惩罚判定单元，所述卸载单元中加装有用于卸载决策的深度神经网络，所述基于深度学习的车联网优化任务边缘卸载方法，包括：

以车联网边缘计算系统的总能耗与总时延的加权和为系统开销，联合卸载决策与计算资源分配进行建模，确定目标函数；

训练所述深度神经网络，对于一个路侧单元，将接收到的车辆任务及其对应的属性作为卸载单元中深度神经网络的输入，通过深度神经网络得到候选卸载决策；

对于候选卸载决策中决定由边缘计算服务器执行的任务，调度单元将任务所需计算资源与边缘计算服务器空闲计算资源进行比较，如果边缘计算服务器空闲计算资源充足，则在边缘计算服务器中处理该任务，否则将任务调度到云计算服务器；

惩罚判定单元判断每个车辆任务执行时延是否超过最大容忍时延，并根据惩罚函数计算适应度函数的值，所述适应度函数为目标函数与惩罚函数的和，选择适应度函数的值最小的候选卸载决策作为最优卸载决策；

将所述车辆任务和最优卸载决策放入标准库作为训练准则，随机从标准库中选择训练准则分配给卸载单元中的深度神经网络，利用梯度下降算法，最小化损失函数从而更新深度神经网络的网络参数；

不断进行训练直到完成深度神经网络的训练，采用训练好的深度神经网络更新卸载单元，通过卸载单元和调度单元对车辆任务进行卸载。

进一步的，所述目标函数如下：

其中，C(a,b)为系统总代价，N为车辆总数，M为任务数量，y

进一步的，所述随机从标准库中选择训练准则分配给卸载单元中的深度神经网络，包括：

对于k个卸载单元，从标准库中随机选择一个训练准则，分配给第一个卸载单元；

再次从标准库中随机选择一个训练准则，依次分配给其他卸载单元。

进一步的，所述标准库占满后，自动舍弃最先存入的训练准则。

进一步的，所述惩罚函数表示为：

其中，h＝max{0,g}，

本申请提出的一种基于深度学习的车联网优化任务边缘卸载方法，其有益效果如下：卸载决策与资源分配的联合建模基于“云-边-端”的服务架构，将超出MEC服务器可用计算能力的任务从MEC服务器调度至云端计算服务器，有效减小了VEC系统的总时延与总能耗。将初始任务划分为能耗敏感性、时延敏感性以及非敏感型三种类别，针对不同类别任务提供针对性卸载决策，有效降低了车联网用户的平均服务时延。卸载算法内部的深度神经网络通过有效训练，可以在极短时间内对新的任务请求发布最优卸载决策。

附图说明

图1为本申请VEC系统网络模型图；

图2为本申请基于深度学习的车联网优化任务边缘卸载方法流程图；

图3为本申请车联网优化任务边缘卸载网络结构图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本申请的总体思路是，首先将卸载决策与资源分配联合建模为基于任务类型划分的多约束优化问题；随后，构造调度单元以及罚函数消除优化问题的约束条件；最后，提出了一种基于深度学习的分布式卸载网络来解决优化问题并通过学习训练有效降低VEC系统的开销。其中，将深度神经网络(DNN)应用于车联网中，可以增强系统环境感知能力、突破处理卸载决策与资源分配问题时的维度限制。

本申请应用场景如附图1所示，ETC系统中路侧单元RSU(Road Side Unit)安装在路侧，采用DSRC(Dedicated Short Range Communication)技术，与车载单元OBU(On BoardUnit)进行通讯，实现车辆身份识别和电子扣分等。在路测单元RSU半径范围内，发起请求车辆可以在本地进行任务计算，也可以卸载任务至该路段配备MEC服务器的RSU上进行计算。假定不同车辆在RSU范围内存在计算任务，定义车辆集合为Ν＝{1,2,...,N}。每辆车均拥有多个相互独立的任务需要在本地CPU上处理或者卸载到MEC服务器进行处理，定义车辆n的任务集合为Μ＝{1,2,...,M}。定义a

同一时刻RSU接收到由不同车辆发起的任务，按照发起请求的顺序将所有任务排成队列存入MEC服务器缓存中。其表示为T＝{τ

当前MEC服务器存在最大计算资源

在一个实施例中，如图2所示，提出了一种基于深度学习的车联网优化任务边缘卸载方法，包括：

步骤S1、以车联网边缘计算系统的总能耗与总时延的加权和为系统开销，联合卸载决策与计算资源分配进行建模，确定目标函数。

本申请技术方案应用于车联网边缘计算系统，所述车联网边缘计算系统包括路侧单元和车载单元，所述路侧单元包括边缘计算服务器，所述车联网边缘计算系统还包括云计算服务器。如图3所示，所述边缘计算服务器包括至少两个卸载单元，以及与每个卸载单元对应的调度单元和惩罚判定单元，所述卸载单元中加装有用于卸载决策的深度神经网络。

本申请将车联网边缘计算系统VEC中总能耗与总时延的加权定义为系统的开销，联合卸载决策与计算资源分配进行建模以此达到减小开销的目的。

本实施例目标函数表示如下：

其中，C(a,b)为系统总代价，N为车辆总数，M为任务数量，y

本实施例目标函数推导过程如下：

由于考虑到OFDMA系统，因此忽略不同车辆独立的各项任务之间的传输干扰。与此同时，将带宽平均分配给连接的车辆，于是可以得到车辆n第m个任务的上行传输速率：

其中，

针对车辆n决定利用本地CPU执行任务的情况，将车辆本身CPU的计算能力设定为

在给定具体的卸载决策{b

定义

当任务被卸载至边缘计算服务器时，车辆通过无线信道将任务负载a

与此同时，任务在边缘计算服务器上进行处理的计算时延为：

其中，定义

定义

因此，可以得到车辆n将其任务m卸载至边缘计算服务器的总能耗：

其中，定义P

当队列中的卸载型任务所需计算资源超过MEC空闲计算资源，超越项任务将从MEC服务器先通过光纤发送至基站BS，再从BS通过光纤转发至远端云计算服务器。由于车辆已将任务卸载至MEC服务器，并且之后的卸载途径均通过光纤，则不需考虑上下行传输时延与能耗。因此车辆n的任务m在云计算服务器上的计算时延为：

其中，f

其中，λ为云服务器执行任务的能耗占比。当λ＝0时，针对于整个卸载过程只考虑车辆n所消耗的能量。云计算模型建立在边缘计算模型基础之上，在给定具体的卸载决策{b

其中，当d＝1时，该任务需要卸载至云计算服务器；d＝0时，该任务不需要卸载至云计算服务器。

基于上述三种场景中产生的总时延T以及总能耗E，引入了系统代价C，表示执行所有任务的能耗与时延加权值：

如上所述，目标便是在多个约束条件下，使该系统总代价C(a,b)能够达到最小值，因此，将系统的任务处理建模为P1：

(P1)：minC(a,b)；

s.t.C1:

C2:b

C3:

C4:y

C5:n∈N,m∈M；

其中，a＝{a

步骤S2、训练所述深度神经网络，对于一个路侧单元，将接收到的车辆任务及其对应的属性作为卸载单元中深度神经网络的输入，通过深度神经网络得到候选卸载决策。

如图3所示，本申请实质上是一种基于DNN的并行式VEC网络卸载架构，整体架构由独立并行的K个卸载单元、调度单元、惩罚函数以及一个有限大小的内存单元四部分组成，均在边缘计算服务器中，位于一个路侧单元。并行分布的卸载单元以及调度单元用以实现决策生成部分，其中，每个卸载单元包含一个结构完全相同的深度神经网络DNN；惩罚函数用以实现对约束条件的处理；内存单元用以实现算法中学习训练部分。

针对不同发起请求车辆的任务，获得训练时输入S，任务按照车辆发起请求顺序进入缓存排队，在用以存放输入任务的缓存以外，再生成一组缓存用以存放各项任务的属性值Y＝{A,B,C}。其中，标签A对应任务的需求y

先初始化置于卸载单元内的具有相同结构的DNN的网络参数

一旦得到k个二进制卸载决策，原始问题P1中的约束条件C2、C4、C5均可消除，则问题P1将转换成为一个资源分配与容忍时延约束问题(P2)：

步骤S3、对于候选卸载决策中决定由边缘计算服务器执行的任务，调度单元将任务所需计算资源与边缘计算服务器空闲计算资源进行比较，如果边缘计算服务器空闲计算资源充足，则在边缘计算服务器中处理该任务，否则将任务调度到云计算服务器。

针对前面步骤得到的候选卸载决策，通过调度单元判断卸载任务的处理方式并更新卸载决策对应的代价值。

如图3所示对缓存中b

合理分配完卸载至边缘计算服务器以及云计算服务器的任务，便可以更新从k个卸载单元输出的代价值C

(P3):

s.t.C1:

步骤S4、惩罚判定单元判断每个车辆任务执行时延是否超过最大容忍时延，并根据惩罚函数计算适应度函数的值，所述适应度函数为目标函数与惩罚函数的和，选择适应度函数的值最小的候选卸载决策作为最优卸载决策。

对于P3问题中仅存的不等式约束条件C1，构造惩罚函数来彻底消除对目标函数的约束，以此来解决该非线性规划问题。

将约束条件C1进行移项：

然后构造惩罚函数判断车辆n任务执行时延是否超过最大容忍时延：

h＝max{0,g}；

其中，当h≤0时，不需要惩罚目标函数；当h>0时，需要惩罚目标函数。

考虑到RSU覆盖范围有限，相对较长的时延不仅会降低用户体验，同样也会造成任务的执行失败。因此，设定超过最大容忍时延将对于系统代价造成指数型影响，从而得到惩罚函数：

其中，h＝max{0,g}，

Fitnesss(h)＝Fitness(S,b

在解决最大容忍时延问题(P3)后，在k组经过卸载单元、调度单元以及惩罚判定的候选对象中选取系统代价最小的卸载决策作为最优卸载决策进行输出。这一组最优卸载决策将与对应的输入S合并作为神经网络的训练标准。得到最优卸载决策的过程可以表示为：

B＝argminFitness(S,b

步骤S5、将所述车辆任务和最优卸载决策放入标准库作为训练准则，随机从标准库中选择训练准则分配给卸载单元中的深度神经网络，利用梯度下降算法，最小化损失函数从而更新深度神经网络的网络参数。

对于一组输入S通过卸载单元、调度单元以及惩罚函数得到的最优卸载决策，存入标准库Standard中作为DNN的训练准则，在完成一次内容存放后，随机抽样k组训练准则分配给所有DNN，利用梯度下降算法，最小化损失函数从而更新DNN网络参数。当标准库Standard内存占满时，自动舍弃最原始数据并添加新的数据作为补充。

步骤S6、不断进行训练直到完成深度神经网络的训练，采用训练好的深度神经网络更新卸载单元，通过卸载单元和调度单元对车辆任务进行卸载。

持续进行训练，每一个卸载单元中的DNN的网络通过多次数的训练会逐渐收敛，直至最后每一个DNN输出的卸载决策都会近乎相同，所以DNN的个数越多，收敛越快。那么真正在实际应用中使用到的应该是训练完成的DNN，所以每次当新的任务集输入进来以后，训练完成的DNN都会在极短时间内就能够输出最优的卸载决策。

对于本申请提出的车联网边缘计算系统，可以通过上万组随机生成的输入去有效训练DNN的网络参数。不一样的DNN个数或者学习速率均会使得该卸载算法的收敛速度发生改变。在完成训练后，对于路侧单元接收到的任务，即可输入到卸载单元中，输出卸载决策。对于卸载决策中决定由边缘计算服务器执行的任务，调度单元将任务所需计算资源与边缘计算服务器空闲计算资源进行比较，如果边缘计算服务器空闲计算资源充足，则在边缘计算服务器中处理该任务，否则将任务调度到云计算服务器。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。