1.一种基于联邦学习架构的车联网中计算任务优化卸载方法,其特征在于,所述方法包括以下步骤:S1:构建基于联邦学习架构的车联网模型,根据电动车辆的历史状态数据建立最小化计算时延和能耗的目标函数;所述历史状态数据包括电动车辆的位置、车辆速度、车辆剩余电量和车辆需要卸载的计算任务大小;
S2:采用强化学习算法对所述目标函数进行求解和参数优化,得到优化卸载模型;
S3:获取当前电动车辆的当前状态数据,将所述当前状态数据输入到所述优化卸载模型,输出计算任务的最优卸载方案;
其中,所述建立最小化计算时延和能耗的目标函数包括:
建立车辆卸载的目标函数,优化问题如下所示:
s.t.C1:Ti≤Tmax
C2:Ei≤Emax
C3:Xi≤XE,若ai(t)={Edge}
C4:ai(t)≠{Cloud},若ELi(t)≤ELthr其中,N表示N辆车终端,Ti表示卸载计算任务的总时延,Ei表示卸载计算任务所消耗的能量;γ表示时延的权重,Tmax为能容忍的最大时延,Emax为最大能耗值,XE表示边缘计算单元的计算容量,ELi(t)表示车辆的剩余电量,ELthr表示车辆剩余电量的门限,Xi为t时刻车辆需要卸载的计算任务大小,ai(t)∈{Local,Edge,Cloud}表示动作ai(t)为将计算任务卸载到本地Local、边缘计算单元Edge或者云服务器Cloud;
若将计算任务卸载到本地计算,则:
为车辆进行本地计算的时延,为车辆进行本地计算需要的能耗,A为计算强度,表示一个比特需要的CPU循环数,fi为车载CPU转速,κi为电动车辆执行计算任务时的能耗参数,Xi(t)表示t时刻车辆需要卸载的计算任务大小;
若将计算任务卸载到边缘计算单元,则:
为计算任务卸载到边缘计算单元的传输时延,为计算任务在边缘计算单元的计算时延,Pi表示单位时间消耗的能量,Ri为车辆向边缘计算单元的传输速率,fE为边缘计算单元的CPU频率,为车辆卸载计算任务到边缘计算单元的总时延,为车辆卸载计算任务到边缘计算单元所消耗的能量;
若将计算任务卸载到云服务器,则:
表示将计算任务传输到云服务器的空中传播时延,为电动车辆卸载计算任务到云服务器消耗的能量,Li表示车辆到云服务器的距离,C表示电磁波在自由空间传播速度,表示车辆终端的传输功率,为电动车辆卸载计算任务到云服务器的传输时延,表示车辆终端i计算任务卸载到云服务器的时延。
2.一种基于联邦学习架构的车联网中计算任务优化卸载系统,其特征在于,所述系统包括:构建模块,用于构建基于联邦学习架构的车联网模型,根据电动车辆的历史状态数据建立最小化计算时延和能耗的目标函数;所述历史状态数据包括电动车辆的位置、车辆速度、车辆剩余电量和车辆需要卸载的计算任务大小;
优化模块,用于采用强化学习算法对所述目标函数进行求解和参数优化,得到优化卸载模型;
卸载模块,用于获取当前电动车辆的当前状态数据,将所述当前状态数据输入到所述优化卸载模型,输出计算任务的最优卸载方案;
所述构建模块建立最小化计算时延和能耗的目标函数包括:
建立车辆卸载的目标函数,优化问题如下所示:
s.t.C1:Ti≤Tmax
C2:Ei≤Emax
C3:Xi≤XE,若ai(t)={Edge}
C4:ai(t)≠{Cloud},若ELi(t)≤ELthr其中,Ti表示卸载计算任务的总时延,Ei表示卸载计算任务所消耗的能量;γ表示时延的权重,Tmax为能容忍的最大时延,Emax为最大能耗值,XE表示边缘计算单元的计算容量,ELi(t)表示车辆的剩余电量,ELthr表示车辆剩余电量的门限,Xi为t时刻车辆需要卸载的计算任务大小,ai(t)∈{Local,Edge,Cloud}表示动作ai(t)为将计算任务卸载到本地Local、边缘计算单元Edge或者云服务器Cloud;
若将计算任务卸载到本地计算,则:
为车辆进行本地计算的时延,为车辆进行本地计算需要的能耗,A为计算强度,表示一个比特需要的CPU循环数,fi为车载CPU转速,κi为电动车辆执行计算任务时的能耗参数;
若将计算任务卸载到边缘计算单元,则:
为计算任务卸载到边缘计算单元的传输时延,为计算任务在边缘计算单元的计算时延,Pi表示单位时间消耗的能量,Ri为车辆向边缘计算单元的传输速率,fE为边缘计算单元的CPU频率,为车辆卸载计算任务到边缘计算单元的总时延,为车辆卸载计算任务到边缘计算单元所消耗的能量;
若将计算任务卸载到云服务器,则:
表示将计算任务传输到云服务器的空中传播时延,为电动车辆卸载计算任务到云服务器消耗的能量,Li表示车辆到云服务器的距离,C表示电磁波在自由空间传播速度,表示车辆终端的传输功率,为电动车辆卸载计算任务到云服务器的传输时延。