1.一种蜂窝车联网分级决策的边缘计算卸载方法,其特征在于,所述方法包括:获取目标智能车辆的计算任务;
对所述计算任务进行合法认证后,识别所述计算任务在多接入边缘计算MEC平台中是否存在缓存历史计算任务结果;
若存在,则将所述计算任务对应的历史计算任务结果直接推送给目标智能车辆;
若不存在,则将所述计算任务视为新任务,并根据所述目标智能车辆当前位置选出区域内符合时延约束条件的边缘服务器;
基于选出的边缘服务器,采用最近最少使用LRU算法对所述新任务进行边缘缓存队列管理,以优化MEC平台资源使用率;
对所述新任务实施基于深度强化学习DDPG算法的计算卸载与边缘缓存协同策略,将获得的计算任务结果推送给所述目标智能车辆;
所述目标智能车辆将计算任务结果同步给相邻智能车辆,避免同类型计算任务对所述MEC平台重复接入请求。
2.根据权利要求1所述的蜂窝车联网分级决策的边缘计算卸载方法,其特征在于,所述采用最近最少使用LRU算法对所述新任务进行边缘缓存队列管理,具体包括:将所述新任务的请求数据和缓存命中数据填入边缘缓存队列的链表队首,并移除溢出链表队尾的任务,所述链表队尾的任务为缓存命中率最低的任务;
其中,缓存队列中存在对应历史执行结果的概率表示为:
式中,Hm表示预设的最大缓存空间,pLRU表示新任务的请求数据出现在队首的概率;
所述LRU算法的缓存命中率表示为:
π=pLRUp’LRU (2)。
3.根据权利要求2所述的蜂窝车联网分级决策的边缘计算卸载方法,其特征在于,对所述新任务实施基于深度强化学习DDPG算法的计算卸载与边缘缓存协同策略,具体包括:结合智能车辆边缘网络效用和任务处理时延,构建本地计算成本代价函数及边缘计算成本代价函数;
基于本地计算成本代价函数及边缘计算成本代价函数,建立成本代价目标函数;
采用DDPG算法对成本代价目标函数进行最优化处理,得到最终的卸载策略。
4.根据权利要求3所述的蜂窝车联网分级决策的边缘计算卸载方法,其特征在于,所述结合智能车辆边缘网络效用和任务处理时延,构建本地计算成本代价函数及边缘计算成本代价函数,具体包括:若计算任务τi的本地计算时延小于设定的最大容忍时延,则计算任务τi采用本地卸载方案,本地计算时延如公式(3)所示:v
式中,fi表示网联车载平台的计算能力,di表示计算任务τi对应的数据量大小;
基于本地计算时延,通过公式(4)得到本地计算平台在执行计算任务τi时的本地资源消耗评价函数:式中,pc表示本地计算平台CPU的能耗功率;
结合所述本地资源消耗评价函数和本地计算时延,构建本地计算成本代价函数如公式(5)所示:式中,α和1‑α分别表示计算任务τi的时延和资源消耗的权重,α∈[0,1]; 表示归一化后的本地计算时延; 表示归一化后的本地资源消耗;
若计算任务τi的本地计算时延大于设定的最大容忍时延,则将部分计算任务卸载到边缘服务器,以满足最低时延的约束要求;
计算任务卸载至边缘服务器的边缘计算时延表示为:
m
式中,fi 表示边缘服务器的计算能力,si表示计算任务所需的边缘服务器的CPU周期数;
基于边缘计算试验,计算任务卸载至边缘服务器的边缘资源消耗评价函数表示为:式中,pv表示边缘服务器CPU的能耗功率;
结合所述边缘资源消耗评价函数和边缘计算时延,构建边缘计算成本代价函数如公式(8)所示:式中, 表示归一化后的边缘计算时延, 表示归一化后的边缘资源消耗。
5.根据权利要求4所述的蜂窝车联网分级决策的边缘计算卸载方法,其特征在于,所述基于本地计算成本代价函数及边缘计算成本代价函数,建立成本代价目标函数,具体为:式中,minCij表示目标函数的最小代价成本,约束条件C1表示卸载决策为[0,1]的连续变量,C2表示计算资源之和不超过服务节点的最大计算能力;C3表示缓存至边缘服务器的数据内容不能超过最大缓存空间Hm;C4表示智能车辆满足计算卸载的时延容忍度。
6.根据权利要求5所述的蜂窝车联网分级决策的边缘计算卸载方法,其特征在于,所述采用DDPG算法对成本代价目标函数进行最优化处理,包括:DDPG算法通过Actor网络和Critic网络对系统的值函数和最终策略进行估计,在t时刻,所述Actor网络基于当前工作状态St执行的卸载策略At,通过迭代计算进行策略更新,获得奖励值Rt并进入下一状态St+1,所述Actor将状态转换过程存储到经验回放池;
其中,t时刻执行的卸载策略向量At、工作状态St和奖励函数Rt分别表示为:式中, 为最大容忍时延,t={0,1,…,T‑1},zi为计算任务τi在t时刻执行的卸载策略;
基于所述卸载策略向量At、工作状态St和奖励函数Rt,通过最小化损失函数(11),更新优化所述Critic网络参数ω:式中,j∈{1,2,…,L}表示经验回放池随机采样的数据,yj表示Critic目标网络中计算当前目标Q值,Q(ω)表示Critic目标网络所选策略的当前Q值;
基于所述Critic网络参数ω,通过最大化决策目标函数(12),更新优化Actor网络参数θ:根据更新优化后的Actor网络参数θ确定最大奖励值,从而获得成本代价目标函数的最小代价成本,得到最终的卸载策略。
7.一种蜂窝车联网分级决策的边缘计算卸载系统,其特征在于,所述系统包括V2X组网集群和MEC平台;
所述V2X组网集群包括智能车辆和路侧基站RSU,所述智能车辆上配置有边缘协同代理单元和组网集群代理单元,所述智能车辆包括目标智能车辆和相邻智能车辆,所述目标智能车辆和相邻智能车辆通过组网集群代理单元通信连接,所述目标智能车辆通过边缘协同代理单元与所述MEC平台通信连接;
所述MEC平台包括:
获取模块,用于获取目标智能车辆的计算任务;
认证识别模块,用于对所述计算任务进行合法认证后,识别所述计算任务是否存在缓存历史计算任务结果;
一级决策模块,用于当所述认证识别模块的识别结果为存在时,将所述计算任务对应的历史计算任务结果直接推送给目标智能车辆的边缘协同代理单元;
二级决策模块,用于当所述认证识别模块的识别结果为不存在时,将所述计算任务视为新任务来进行处理;所述二级决策模块包括:服务器优选单元,用于根据所述目标智能车辆当前位置选出区域内符合时延约束条件的边缘服务器;
边缘缓存队列管理单元,用于基于选出的边缘服务器,采用最近最少使用LRU算法对所述新任务进行边缘缓存队列管理,以优化MEC平台资源使用率;
计算卸载单元,用于对所述新任务实施基于深度强化学习DDPG算法的计算卸载与边缘缓存协同策略,并将获得的计算任务结果推送给所述目标智能车辆的边缘协同代理单元;
其中,目标智能车辆的组网集群代理单元将计算任务结果同步给相邻智能车辆的组网集群代理单元,避免同类型计算任务对所述MEC平台重复接入请求。
8.根据权利要求7所述的蜂窝车联网分级决策的边缘计算卸载系统,其特征在于,所述目标智能车辆与所述相邻智能车辆的组网集群代理单元之间通过基于侧链的V2V链路进行通信连接;所述目标智能车辆的边缘协同代理单元通过路侧基站RSU与所述MEC平台通信连接;所述路侧基站RSU与所述MEC平台通过基于Uu通信的V2N链路进行通信连接。
9.一种蜂窝车联网分级决策的边缘计算卸载装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述的蜂窝车联网分级决策的边缘计算卸载方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1至7任一项所述的蜂窝车联网分级决策的边缘计算卸载方法的步骤。