1.一种超可靠低时延的车载网络自适应任务卸载方法,其特征在于,包括以下步骤:
S1:在基于边缘计算的车联网中,请求车辆生成计算任务,基于请求车辆位置与RSU覆盖范围的关系,以及RSU当前负载是否超过计算能力阈值,采用匹配变量表示的匹配策略确定初始匹配节点;
S2:位于请求车辆V2V通信范围内的服务车辆均可作为请求车辆V2V匹配的备选项,当请求车辆存在多个备选匹配节点时,基于备选节点的归一化信誉值与中断概率计算服务能力,并结合奖罚机制选择匹配节点;
S3:在高速移动的车联网中,考虑请求车辆与服务节点之间信道的时变性,将请求车辆的匹配决策和子信道分配决策结合到任务请求车辆的概率成本模型中,通过最小化概率成本的优化问题,结合时变信道增益,实现请求车辆的自适应任务卸载;
S4:设计一种基于深度神经网络优化匹配决策和基于图着色模型优化子信道分配的自适应卸载算法,通过迭代更新网络参数和动态分配子信道实现时变信道的概率成本最小化;
其中,
所述步骤S1中,包括I个请求车辆,一个配备MEC服务器的RSU和J个服务车辆,将服务车辆和MEC服务器统称为服务节点,请求车辆和服务节点集合分别用Av={a1,a2,…,ai}和Sv={s0,s1,s2,…,sj}表示,其中节点s0代表MEC服务器;将I个请求车辆任务与J+1个服务节点进行匹配,请求车辆i将任务卸载到与其匹配的服务节点j上,将请求车辆与服务节点s0的匹配称为V2I匹配,与除s0外的其它服务节点的匹配称为V2V匹配,且除s0外的其它服务节点最多匹配一辆车;匹配变量定义为zij∈{0,1},zij=1表示请求车辆i与服务节点j匹配,否则,zij=0;另外,为了有效利用频谱资源,V2I匹配和V2V匹配的请求车辆工作在同一频段,且频谱被划分为N个子信道,表示为N={1,2,…,N},每个子信道带宽为B;定义变量δi,n∈{0,1}为子信道分配变量,若δi,n=1,则表示子信道n被分配给请求车辆i,否则,δi,n=0;
确定请求车辆初始匹配节点的过程包括:
请求车辆i的位置用(xi,yi),i∈Av表示,RSU的覆盖区域表示为mr,请求车辆i在RSU覆盖区域内,则(xi,yi)∈mr;否则所述RSU的负载上限为其中,表示RSU的最大计算能力,Cr表示RSU计算单位比特数据所需的CPU周期数,表示RSU覆盖范围内车辆的最大可容忍时延;若且(xi,yi)∈mr,则zi0=1,zij=0,j∈Sv\s0;否则,zi0=0,zij=1,j∈Sv\s0,其中,Qr(t)表示RSU在第t时刻开始时的负载,Di表示请求车辆i输入的计算任务大小;
在所述步骤S2中,基于节点归一化信誉和中断概率的双向奖罚选择算法包括:
1)确定备选匹配节点的服务能力:将请求车辆i的备选匹配节点集合表示为且定义备选匹配节点k的归一化信誉值为:
其中,Nk表示备选匹配节点k历史被选择的次数,fk表示备选匹配节点k当前可提供的计算资源大小,将请求车辆i与备选匹配节点k之间的中断概率表示为Pout(γik≤γth),其中γth是信干噪比阈值,定义请求车辆i的备选匹配节点k的服务能力为SCik=crek·(1-Pout(γik≤γth))
2)请求车辆发送服务请求:选择V2V匹配的请求车辆i向备选匹配节点集合Nialt中服务能力最强的备选匹配节点ks发送服务请求;
3)备选匹配节点响应:将选择V2V匹配的请求车辆i的最大可容忍时延表示为Timax,备选匹配节点ks执行请求车辆i任务所需的时间表示为若V2V请求车辆i以价格向节点ks提供奖励;若匹配节点ks以价格向V2V请求车辆i支付赔偿,其中表示V2V匹配车辆i对节点ks单位节约时延的奖励出价,表示V2V匹配车辆i对节点ks单位超出时延的惩罚要价,且将V2V匹配车辆i的需求意愿价格表示为:若备选匹配节点ks接受V2V匹配请求车辆i的服务请求,否则,备选匹配节点ks拒绝请求车辆i的服务请求,其中表示备选匹配节点ks的预期价格;
4)V2V匹配请求车辆确定匹配节点:对于选择V2V匹配的请求车辆i,若请求的备选节点ks拒绝服务,则选择服务能力次之的备选节点ks',若则请求车辆i提高需求意愿价格重新请求备选节点ks的服务,其中ε为中断概率阈值;其中表示备选匹配节点ks计算单位比特数据所需的CPU周期数;
在所述步骤S3中,将请求车辆i与服务节点j之间的时变信道增益表示为hij(t),定义请求车辆i的概率成本为
其中,和分别表示请求车辆i与服务节点进行V2I匹配和V2V匹配的任务传输时间;定义将目标优化问题建模为:P1:min U
s.t.zij∈{0,1},i∈Av,j∈Sv
δi,n∈{0,1},i∈Av,n∈N。
2.根据权利要求1所述的一种超可靠低时延的车载网络自适应任务卸载方法,其特征在于,所述步骤S4中,基于时变信道的概率成本最小化自适应卸载算法包括:
1)基于深度神经网络的匹配决策优化:在时隙t,将信道增益h(t)作为参数为θ的深度神经网络的输入,基于当前匹配策略获得松弛的匹配动作根据匹配动作基于变换概率进行动作探索,生成L个二进制匹配动作,并将其代入问题P1进行计算,选择最小计算结果U*(h(t),zl)对应的匹配动作;同时,将信道增益和当前获得的最佳匹配动作(h(t),zl)作为一组样本保存到经验回放池中,定期从经验回放池中随机抽取一些样本用于深度神经网络的训练,即更新参数θt,获得新的网络参数θt+1;根据新的匹配策略生成新的匹配动作和样本;
2)基于图着色模型的子信道分配策略优化:构造权重干扰图G=(Av,ξ),其中表示每条边的干扰权重;建立信道连接矩阵C和干扰矩阵O,将未着色的顶点集合设置为Φ=Av;正交子信道数量为N,表示有N种可用的颜色,首先从车辆集合Av中选取N个车辆作为顶点,使用N种颜色为选取的N个顶点着色;具体使用匈牙利算法进行正交子信道的分配以最大化N个请求车辆的传输速率;N个顶点着色完成表明N个正交子信道已被分配,N个车辆也被选定;定义已着色顶点的集合为Na,则更新未着色顶点的集合为Φ=Φ\Na,未着色顶点数量更新为|Φ|=|Av|-N;在对剩余的|Av|-N个顶点进行着色时,将当前对请求车辆i干扰最小的颜色分配给车辆i以减小对车辆i∈Φ的干扰,因此通过搜索最高传输速率获得对车辆i具有最小干扰的颜色;根据之前的顶点着色情况,更新信道连接矩阵和干扰矩阵;将信道连接矩阵中已分配颜色的相应变量设置为1,计算信道分配更新后车辆受到的干扰并更新干扰矩阵中对应的变量;从未着色的顶点集合Φ中去除已着色的顶点i,更新Φ;检查未着色顶点集合Φ是否为空,若是,所有车辆的子信道分配完成,结束算法,否则,重复上述过程。