1.一种闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,包括:通过闲置车辆辅助车载边缘计算架构,建立实际的边缘计算环境;
基于所述边缘计算环境,将资源定价和任务卸载问题建模为两阶段的Stackelberg博弈模型;
基于所述架构和所述两阶段的Stackelberg博弈模型,考虑边缘服务器任务过载的情况,基于匹配理论的任务匹配算法,通过考虑过载任务与闲置车辆之间的相互依赖性和对彼此的偏好集,获得稳定的任务‑车辆分配方案,基于所述任务‑车辆分配方案进行任务卸载及资源定价。
2.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,所述闲置车辆辅助车载边缘计算架构包括:卸载监控模块、卸载规划模块、策略实施模块和闲置车辆辅助卸载计算模块;
卸载监控模块用于收集来自车辆请求任务的实时信息以及监控用户周边车辆的闲置情况;
卸载规划模块用于基于Stackelberg博弈模型,确定任务卸载的目标和策略,并计算合理的资源定价;
策略实施模块根据卸载策略执行用户任务卸载操作;
闲置车辆辅助卸载计算模块用于招募一定数量的闲置车辆扩展边缘服务器资源,利用延迟匹配博弈模型为超载任务分配资源。
3.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,将资源定价和任务卸载问题建模为两阶段的Stackelberg博弈模型包括:获取任务i卸载至云‑边服务器执行的总延迟;
任务在卸载过程中获得的效益函数;
当将任务卸载到云‑边服务器上时,云‑边服务器获得任务的效益函数。
4.如权利要求3所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,获取任务i卸载至云‑边服务器执行的总延迟的方法为:ti=max{ti,l,ti,j,ti,c};
其中,ti,l为任务i在本地执行的延迟;ti,j为任务i在卸载至边缘服务器上执行的延迟;
ti,c为任务i卸载至云服务器上执行的延迟;di为任务i的数据大小,ηi,j、ηi,c分别为任务i卸载到边‑云服务器的数据比例,ci为执行任务i的单位数据所需要的CPU数;fi为任务i在本地设备的计算能力,fj、fc分别为边‑云服务器的计算能力;ri,j、ri,c分别为卸载边‑云服务器过程中的数据传输速度;
任务在卸载过程中的获得的效益函数的方法为:
Ui=Ai‑ξGm
Ai=ae+ac
Gm=ge+gc
ge=ηi,jdipi,j
gc=ηi,cdipi,c
其中,Ai为从卸载中获得的奖励,Gm为付出的成本,ξ为满意度函数的折现因子,ae为任务i卸载到边缘服务器ej的满意度,ac为任务i卸载到云服务器的满意度,ge为利用边缘服务器产生的成本,gc利用云服务器产生的成本, 表示任务i卸载到边缘服务器的比例增益因子和 任务i卸载到云服务器的比例增益因子,pi,j和pi,c分别表示边缘服务器和云服务器对于任务i的资源单价;
当将任务i卸载到云‑边服务器上时,任务i的效用函数表示为:当将任务卸载到云‑边服务器上时,云‑边服务器获得任务的效益函数的方法为:其中,ηi,j和ηi,c分别为任务i卸载到边‑云服务器的数据比例,pi,j为边缘服务器对于任务i的资源单价,Pv为将资源扩展到过载任务而支付的单价,di为任务i的数据大小,Qj和Qc为边缘服务器和云服务器的单位资源成本,Qtotal为边缘服务器ej的总容量大小。
5.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,基于匹配理论的任务匹配算法包括:在IVs的帮助下,获取过载任务i在卸载过程中的效益函数;
获得对于为过载任务i提供服务的IVs的效益函数。
6.如权利要求5所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,获取过载任务i在卸载过程中的效益函数的方法为:其中,St为任务的延迟满意度, 为支付给闲置车辆j的成本;γt为满意度的折价因子,ti,max任务i的最大容忍时延阈值, 为闲置车辆j上过载任务i的处理延迟;Di为过载任务i的数据大小,Pv为将资源扩展到过载任务而支付的单价,ci为执行任务i的单位数据所需要的CPU数, 为闲置车辆j计算能力。
7.如权利要求5所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,获得对于为过载任务i提供服务的IVs的效益函数的方法为:其中,Di为过载任务i的数据大小,Pv为将资源扩展到过载任务而支付的单价,γs为对剩余资源满意度的折价参数, 为闲置车辆的剩余存储容量,γe为能量消耗的折价因子,ωt为车辆vj的任务执行能力, 为闲置车辆j计算能力。
8.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,获得稳定的任务‑车辆分配方案包括:步骤1、初始化IVs车辆的资源和任务的相关参数;
步骤2、计算任务和IVs之间的偏好集,并获取偏好排序;
步骤3、所述IVs根据偏好集,优先选择最中意的任务发出匹配邀请;
步骤4、所述任务根据自身的偏好集选择是否接受来自IVs的匹配邀请;若所述任务没有备选对象,接受邀请并将所述IVs作为备选;若所述任务已接受其他IVs的邀请,比较偏好并选择偏好较高的IVs作为备选;
步骤5、根据实际需求和效益的反馈,重复步骤3到步骤5,直到匹配到双方都相对满意的结果;
步骤6、完成匹配并生成最终的任务‑车辆匹配结果。
9.如权利要求1所述的闲置车辆辅助车载边缘计算卸载与资源定价方法,其特征在于,基于所述任务‑车辆分配方案进行任务卸载及资源定价包括:请求阶段:车辆用户向CEA发出任意任务的卸载请求;
竞争阶段:CEA中的云边服务器竞争任务的卸载意愿,并基于Stackelberg博弈模型找到CEA资源定价与任务卸载策略的纳什均衡点;
卸载阶段:根据卸载决策对任务进行卸载;
闲置车辆辅助卸载阶段:CEA招募一定数量的闲置车辆,基于匹配博弈模型对VEC服务器上过载的任务匹配到合理执行车辆。