1.基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：该方法包括以下步骤：S1：备用MEC辅助的车联网卸载模型；

S2：任务卸载决策方案；

S3：计算资源分配方案。

2.根据权利要求1所述的基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：在所述S1中，建立一个车辆网络卸载模型，在双向道路旁部署K个基站，基站集合为表示Θ＝{1，2，...，K}，相应的每个基站部署一个MEC服务器，MEC集合表示为Φ＝{0，

1，...，K}；在此架构上添加一个较大计算资源的备用MEC服务器代替远端云，k＝0表示备用MEC服务器，通过有线通信技术连接到各个基站，以此满足双向道路中车辆密集型任务的截止时延要求且弥补计算资源的不足；

网络中车辆用户n所产生的计算密集型任务Vn由三元素 表示，其中，Bn表示请求车辆任务n产生的数据量大小；Dn表示完成车辆任务n所需的计算资源量； 表示完成该车辆任务n的截止时延；车辆任务在本地执行，或通过V2I通信及有线连接将任务卸载到任意一个MEC服务器上进行计算；MEC之间实现资源共享，车辆卸载任务至其通信范围内的MEC服务器，当该车辆通信范围内的MEC服务器处理任务繁多，处理效率低下时，车辆用户选择通过中间基站中继转发卸载任务至备用服务器或其他相邻的服务器上处理，通过MEC服务器之间的资源共享以此解决服务器负载不均衡的问题。

3.根据权利要求1所述的基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：在所述S2中，卸载决策 是二元变量，车辆用户产生的任务不能拆分，作为一个整体在本地进行处理或者全部传输到任意一MEC服务器上执行，包括备用服务器； 表示车辆设备卸载到MEC服务器上进行计算； 表示车辆设备选择本地计算；当车辆任务较少时，车辆用户选择卸载任务到MEC服务器上进行；随着车辆任务的增多，MEC服务器的负载及处理开销随之升高，车辆任务根据拉格朗日迭代算法动态调整至本地计算和在MEC服务器上进行；

假设网络中所有车辆成员在每个时间间隔内都会产生不同大小的计算任务，处理该任务会产生一定大小的开销；定义任务执行总开销为网络中处理每个车辆任务所消耗的开销之和，即：车辆任务n所消耗的开销定义为：

其中，车辆任务n的卸载策略表示为 车辆任务n在本地计算时的开销表示为 车辆任务n卸载到其它服务器上计算时所消耗的开销表示为 其中，如果车辆用户n将任务卸载至MEC服务器k上执行时，则 否则车辆的本地计算总开销包含本地计算所消耗的能量和本地计算时间两部分，车辆任务n在本地执行时的计算开销表示为：其中，开销中关于时延的权值参数表示为Wt；开销中关于能耗的权值参数表示为We；车辆任务n在本地执行时的计算时延表示为 车辆任务n在本地执行时的计算能耗表示为将车辆任务n卸载至服务器k上执行的卸载开销表示为：其中，由传输时延和计算时延共同组成的车辆任务n的卸载时延表示为 车辆任务n的卸载能耗，即任务的传输能耗表示为

4.根据权利要求1所述的基于5G移动边缘计算的车联网任务卸载和资源分配方法，其特征在于：在所述S3中，基于任务卸载策略、计算资源分配及截止时延等约束条件下，得到车辆侧的最小总开销；目标函数优化模型为：其中，所有车辆在本地计算时的计算资源分配集表示为Fl，当任务卸载到别的计算节点上计算时，该项即为0；所有车辆任务的卸载策略集表示为A；卸载到MEC服务器的计算资源分配集表示为Fo；

由于处理车辆任务总开销的优化目标无法直接求解，本设计提出一种启发式算法，将原优化问题转换为本地计算资源分配及任务卸载子问题分别求解；其中本地计算资源分配问题采用导数求极值的方法求得最优解；任务卸载子问题联合任务卸载及MEC资源分配两个部分，采用拉格朗日优化算法进行求解，从而实现以最小开销计算网络中的车辆任务；

本地计算资源分配变量只出现在本地开销项中，未与其它两个优化变量产生耦合，并且网络中每个车辆的本地计算资源分配策略之间互不影响；基于此，假设所有车辆任务均在本地计算，即 以求得每个任务在本地计算时的最小本地开销；令子问题为：其中 将本地开销 对 求二次导后，有

因此本地开销 存在最小值；

对联合任务卸载策略及MEC计算资源分配子问题共同求解；将子问题P1中求解出的最小本地开销值 和式(2)代入式(1)中得：任务卸载策略及MEC计算资源分配子问题建模为：

该目标函数中包含非线性项 与二元变量 两部分，为非凸函数，采用变量松弛法将二元变量 松弛为一个0到1的数，用符号 表示，采用变量替换法将非线性项 定义为新变量 并添加辅助变量 接下来采用拉格朗日对偶算法和梯度下降算法进行求解。