1.一种基于云雾混合计算的车联网资源分配方法，其特征在于，该方法具体包括以下步骤：

S1：在雾接入车联网场景下，将计算卸载决策和卸载业务接入控制结合到资源优化模型中，对优化目标进行优化，在满足时延约束的同时最小化系统总能耗和总资源成本；

所述优化目标为对计算卸载决策、计算资源和无线资源分配进行联合优化，具体为：首先根据有效的计算卸载决策和计算资源分配算法，为每个雾节点配置初始的资源块；然后再在每个周期根据估计的队列溢出概率对资源块数量进行动态调整以减小未来设备接入雾节点的压力；最后利用拉格朗日对偶分解求得资源块和功率分配优化解；

所述资源优化模型包括：

满足用户计算卸载时延需求为：计算卸载时延由无线或回程链路传输时延与雾节点或云层的处理时延之和；

满足用户的计算资源分配需求为：雾节点所分配的计算资源不超过该节点拥有的计算资源总量；

满足用户的功率分配需求为：对功率进行优化，在满足时延约束的同时最小化能耗；

计算卸载过程分为在雾层或云层处理应用程序，用户的计算卸载决策表示为其中， 表示用户m的应用程序在雾层处理， 表示用户m的应用程序在云层处理；

S2：建立在线测量模型，根据估计的队列溢出概率对雾节点总资源块数量进行动态调整，减小未来设备接入拥塞的压力；所述在线测量模型中包括：满足雾节点的时频资源分配需求为：根据估计的队列溢出概率对资源块数量进行动态调整以减小未来设备接入雾节点的压力；

所述雾节点的队列溢出概率为：

其中， 表示雾节点f在当前周期内的无线资源数量，F表示雾节点数量；雾节点在每个周期上的队列更新过程为：

其中， 表示雾节点f在第n个周期开始时的队列长度， 表示雾节点f在第n个周期内的业务请求到达量， 表示雾节点f在第n个周期内的业务离开量；

当雾节点传输速率或资源块数量不足时，队列上溢则表示出现数据丢失，因此需要通过调整资源块数量为用户选择适当的服务速率以保持队列长度小于所述根据估计的队列溢出概率对雾节点总资源块数量进行动态调整具体为：通过观察每个周期n的历史数据，并在线估计n+N周期的队列溢出概率，从而进行前摄性地调整雾节点的资源块数量，具体步骤为：根据队列长度 和平均队列长度增量 为雾节点f配置时频资源；

当 时，如果服务速率rf(n)保持不变，引起待卸载数据丢失或接入拥塞，通过增加配置的时频资源块的数量z来提高服务速率，即：Cf(n+1)＝zrf(n)；其中rf(n)表示单个时频资源块所能提供的服务速率，通过不断增加时频资源块的数量直到雾节点f满足当 且 时，即当前队列长度低于 但每个周期的平均队列长度增量 高于未来n个周期内的队列平均增量 如果保持服务速率不变，则N个周期之后队列长度将超过 因此通过适当增加时频资源块的数量来提高当前服务率，以减少这种情况下的溢出概率；

当 且 时，出现访问请求的潜在增加，这种情况仍可能发生溢出，计算在周期n+N上的近似溢出概率 当 表示当前服务速率不满足QoS需求，需增加一定的时频资源块的数量；其中 为速率函数，εf表示雾节点f的违反概率。

2.根据权利要求1所述的基于云雾混合计算的车联网资源分配方法，其特征在于，所述有效的计算卸载决策和计算资源分配算法包括：在每次计算卸载决策后，为每个用户分配合适的计算资源、资源块数量和传输功率，具体为：

1)初始化用户数、用户参数、试验次数，总带宽，总计算资源数及标准凸QCQP问题中的矩阵；

2)通过计算卸载概率，并多次迭代执行该操作，提取优化后的卸载决策方案；

3)通过二分搜索法搜索计算资源优化方案，为能量成本较大的用户分配更多的资源，通过迭代执行该过程直到所有计算资源分配完毕，并且雾节点将分配相同质量的计算资源给所有用户。

3.根据权利要求2所述的基于云雾混合计算的车联网资源分配方法，其特征在于，在得到计算资源分配及雾节点资源块配置之后，对关联到雾节点的用户进行资源块和功率分配，具体包括以下步骤：

1)初始化拉格朗日乘子及相关参数；

2)在区间[0,1]内执行二分搜索法得到带宽资源调度方案；

3)借助拉格朗日方法对功率进行求导得到功率分配策略；

4)更新拉格朗日乘子，迭代执行上述步骤，判断是否满足收敛条件，若前后两次迭代的函数值之差绝对值小于等于给定的最大允许误差，或已达到最大迭代次数，则终止迭代过程，并将最后一次迭代的功率和带宽分配结果作为当前周期的最后资源分配策略。