1.基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于,包括如下步骤:步骤S1:构建车联网系统模型;所述系统模型包括由车辆、路侧单元和宏基站组成的系统架构,基于正交频分多址与专用短程通信协议的通信模型,以及涵盖本地处理与部分远程卸载的计算模型,所述计算模型定义了任务在各类节点上的处理与传输延迟;
步骤S2:实现安全任务卸载与联邦任务流行度预测;基于构建的系统模型,首先在任务卸载过程中引入高斯噪声扰动以实现差分隐私保护;同时,采用异步联邦学习框架,使车辆利用本地数据协同训练一个基于长短期记忆网络的全局模型,用以预测未来时隙的任务流行度;
步骤S3:实现基于图神经网络与强化学习的时空联合优化;基于步骤S1构建的系统模型以及步骤S2得到的流行度预测结果,构建动态异构图以表征网络时空状态,并利用图神经网络提取全局特征;将此特征与系统实时状态共同输入近端策略优化算法,由该算法在混合动作空间中联合优化任务的卸载目标、卸载比例及缓存策略,从而最小化系统总时延并提高缓存命中率;
采用异步联邦学习结合长短期记忆网络,基于车辆移动特性、任务请求频率实现任务流行度预测的具体过程为:引入衰减系数处理“掉队者”延迟梯度,计算聚合局部梯度:;
式中,表示第轮聚合后的局部梯度;表示掉队者的延迟梯度,即因延迟未及时参与之前聚合的梯度;表示第轮车辆的局部经验损失函数;
更新局部模型:
;
式中,表示第轮车辆的局部模型参数;表示第轮的局部模型参数;表示第轮学习率;
车辆将更新后的局部模型上传至路侧单元,路侧单元按车辆行驶距离与传输速率计算聚合权重,异步更新全局模型;
路侧单元按车辆行驶距离与传输速率计算聚合权重;
异步更新全局模型,表示为:
;
式中,表示第轮的全局模型参数;表示第轮的全局模型参数;表示车辆本地数据量;表示全局数据总量,是所有参与聚合的车辆本地数据量的总和;表示聚合后的局部梯度;
利用长短期记忆网络捕捉任务请求频率的时序依赖关系,以过去5个时隙的请求频率及车辆隐私偏好作为输入;通过遗忘门、输入门、候选记忆、记忆单元、输出门及隐藏状态,预测下一时隙任务请求频率,将作为下一时隙任务流行度;
定义在时隙的缓存命中率,评估预测对缓存决策的指导效果,表示指示函数,表示相关任务集合,表示缓存集合,表示时隙内的任务对应的标识。
2.根据权利要求1所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:系统架构包括:定义三类核心实体,分别为:
定义车辆为移动节点,表示为,表示车辆索引,表示车辆总数量,车辆的速度遵循均匀分布,表示第个车辆在时刻的速度,表示均匀分布,表示车辆速度的下限值,表示车辆速度的上限值,车辆具备任务发起、本地计算及缓存能力;
定义路侧单元为固定节点,表示为,表示路侧单元索引,表示路侧单元总数量;路侧单元用于覆盖特定区域,协调资源分配并处理任务请求;
定义宏基站为全局资源节点,表示为;宏基站用于处理超出本地能力的复杂任务;
定义时隙内生成的任务为,表示任务数据大小,表示计算难度系数,表示结果数据大小,表示任务类别,表示请求频率,表示有效时间;制定“部分卸载”策略,将任务分为本地处理部分与远程卸载部分,远程卸载优先级为:邻近车辆→覆盖范围内的路侧单元→宏基站,且卸载完成后按请求频率决定是否缓存结果,缓存优先级为:任务执行节点→覆盖范围内的路侧单元→任务发起车辆/邻近车辆;
通信模型包括:
定义车辆与车辆之间的通信为、车辆与路侧单元之间的通信为、车辆与宏基站之间的通信为、路侧单元与路侧单元之间的通信为、路侧单元与车辆之间的通信为;车辆与车辆之间的通信采用专用短程通信协议;车辆与路侧单元之间的通信、车辆与宏基站之间的通信采用正交频分多址技术;路侧单元与路侧单元之间的通信通过光纤链路实现;
推导通信速率、通信速率、通信速率和通信速率;
计算模型包括:
定义任务总时延为传输延迟与计算延迟之和,其中计算延迟包括任务列表中其他任务的等待时延与当前任务的处理时延;
结合部分卸载比例,推导车辆生成任务的总时延,表示为:;
式中,表示车辆生成任务的总时延;表示车辆在时隙的等待时延;表示车辆在时隙的处理时延;表示部分卸载比例;表示在时隙内,车辆卸载任务至相邻车辆的传输时延;表示相邻车辆在时隙的等待时延;表示车辆在时隙的处理时延;表示在时隙内,车辆卸载任务至路侧单元的传输时延;表示路侧单元在时隙的等待时延;表示路侧单元在时隙的处理时延;表示在时隙内,车辆卸载任务至宏基站的传输时延;表示宏基站在时隙的等待时延;表示宏基站在时隙的处理时延;、、均表示部分卸载比例系数,分别对应不同卸载对象包括车辆、路侧单元、宏基站的任务卸载占比;
推导路侧单元生成任务的总时延,表示为:
;
式中,表示路侧单元生成任务的总时延;表示在时隙内,路侧单元与车辆之间的传输时延;表示在时隙内,路侧单元与相邻路侧单元之间的传输时延;表示相邻路侧单元在时隙的等待时延;表示相邻路侧单元在时隙的处理时延;表示在时隙内,路侧单元与宏基站之间的传输时延;
其中,且;
车联网系统模型总时延表示为:
;
式中,表示车联网系统模型在时隙的总时延;表示时隙内车辆生成的任务;表示时隙内路侧单元生成的任务;表示时隙内第个车辆生成任务的总时延;表示时隙内第个生成任务的总时延。
3.根据权利要求2所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:步骤S2中,引入差分隐私技术,采用高斯机制在卸载数据中添加噪声,生成受保护的任务数据:;
式中,表示经过差分隐私保护后,在时隙内的受保护任务数据;表示均值为0,方差为的高斯噪声;
设噪声偏差为,基于推导的传输延迟、处理延迟公式,计算噪声引入的车辆卸载延迟增量、路侧单元卸载延迟增量,更新车联网系统模型总时延;
定义任务完成率:
;
式中,表示在时隙内的任务完成率;表示时隙内的任务集合;表示指数函数;表示时隙内任务的实际完成时间,表示时隙内车辆相关任务原本的基础完成时间;表示车辆卸载任务因噪声引入的延迟增量;表示时隙内路侧单元相关任务原本的基础完成时间;表示路侧单元卸载任务因噪声引入的延迟增量;
采用异步联邦学习结合长短期记忆网络,基于车辆移动特性、任务请求频率实现任务流行度预测。
4.根据权利要求3所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:更新车联网系统模型总时延包括:车辆卸载延迟增量表示为:
;
式中,表示车辆与相邻车辆之间的通信速率;表示相邻车辆的处理能力;表示车辆与路侧单元之间的通信速率;表示路侧单元的处理能力;表示车辆与宏基站之间的通信速率;表示宏基站的处理能力;
路侧单元卸载延迟增量表示为:
;
式中,表示路侧单元与车辆之间的通信速率;表示车辆的处理能力;表示路侧单元与相邻路侧单元之间的通信速率;表示相邻路侧单元的处理能力;表示路侧单元与宏基站之间的通信速率;
更新车联网系统模型总时延表示为:
;
式中,表示时隙内第个车辆生成任务因噪声引入的卸载延迟增量;表示时隙内第个路侧单元生成任务因噪声引入的卸载延迟增量。
5.根据权利要求4所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:采用异步联邦学习结合长短期记忆网络,基于车辆移动特性、任务请求频率实现任务流行度预测的过程中,包括:车辆选择:根据车辆速度的均匀分布特性及路侧单元覆盖范围,计算车辆在路侧单元覆盖范围内的剩余停留时间,表示车辆当前在路侧单元覆盖范围内已行驶的距离;选择超过长期平均训练时间的车辆参与异步联邦训练;
模型迭代训练:由路侧单元利用长短期记忆网络初始化全局模型,参与车辆下载该模型后,基于本地任务数据含任务及用户隐私偏好进行本地训练以更新局部模型;定义第轮车辆的局部经验损失函数为:;
式中,表示第轮车辆的局部模型参数;表示第轮车辆用于本地训练的样本数量;表示本地训练数据中的第个样本;表示基于和的损失函数。
6.根据权利要求5所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:步骤S3中,图神经网络提取时空特征,基于车联网系统模型的状态、任务完成率和缓存命中率,构建马尔可夫决策过程并通过近端策略优化算法优化。
7.根据权利要求6所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:图神经网络提取时空特征的具体过程为:基于车辆、路侧单元、宏基站的实时状态,在每个时隙构建时变异构图,表示节点集合,表示全连接边集合,表示边权重;
节点集合包含车辆、路侧单元、宏基站,总节点数为;设定初始节点特征为,含任务负载、计算能力、缓存状态、位置信息及任务请求频率;
边权重包括路侧单元间的权重、路侧单元到宏基站的权重、车辆到车辆的权重、车辆到路侧单元的权重、车辆到宏基站的权重;
存储前个时隙的时变异构图生成历史图,表示历史图的节点集合,表示历史图的边集合,表示历史图的边权重,通过时间衰减因子加权聚合历史节点特征与历史边权重;
采用图注意力网络,结合与的注意力系数,更新节点特征,输出全局特征;以图重构损失训练图神经网络,更新参数;
其中,采用图注意力网络,结合与的注意力系数,更新节点特征,表示为:;
式中,表示中与节点相关联的节点集合;表示中与节点相关联的节点集合;表示历史图权重因子;表示激活函数;表示中节点和节点之间的注意力系数;表示中节点和节点之间的注意力系数;表示第层的权重矩阵;表示中节点在第层的特征表示;表示中节点在第层的特征表示;
全局特征表示为:
;
式中,表示中节点的特征表示;
以图重构损失训练图神经网络,更新参数,表示为:
;
;
式中,表示第次迭代时图神经网络第层的权重矩阵;表示第次迭代时图神经网络第层的权重矩阵;表示偏导符号;表示学习率;表示第次迭代时注意力机制中的参数向量;表示第次迭代时注意力机制中的参数向量。
8.根据权利要求7所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:基于车联网系统模型的状态、任务完成率和缓存命中率,构建马尔可夫决策过程并通过近端策略优化算法优化的具体过程为:定义马尔可夫决策过程要素:
时隙的状态表示为:
;
式中,表示节点任务队列,表示车辆任务队列,表示路侧单元任务队列,表示宏基站任务队列;表示缓存状态,表示车辆缓冲状态,表示路侧单元缓存状态,表示宏基站缓存状态;表示图神经网络的全局特征;
时隙的动作表示为:
;
式中,表示卸载目标;表示缓存决策;表示部分卸载比例;
时隙的奖励表示为:
;
式中,表示总时延的权重系数,用于调节总时延在奖励计算中的影响程度;表示计算相关项的权重系数,用于调整计算相关因素在奖励计算中的影响程度;表示缓存命中率的权重系数,用于调节缓存命中率在奖励计算中的影响程度;表示车联网系统模型归一化后的总时延;
通过Actor网络生成混合动作策略,其目标是根据当前状态选择最优动作,以最大化长期累积回报,混合动作策略包括离散动作分布和连续动作分布;
Actor网络以“裁剪目标函数+熵正则化”优化:裁剪目标函数表示为:
;
式中,表示新旧策略的概率比;表示广义优势估计值;表示裁剪范围;表示Actor网络参数;表示新旧策略的概率比;表示期望运算;表示裁剪操作;
熵正则化表示为:
;
式中,表示加入熵正则化后的目标函数;表示裁剪目标函数;表示策略熵,表示在状态下采取动作的概率;表示正则化系数;
通过Critic网络评估状态价值,以时序差分误差最小化为目标:;
式中,表示Critic网络的损失函数;表示Critic网络参数;表示目标价值,表示Target网络对下一状态的价值估计;表示折扣因子;
近端策略优化算法与车联网系统模型的环境交互,每一时隙收集经验元组,存储于经验缓冲池;定期从所述缓冲池采样批量经验,通过梯度下降更新网络参数:Actor网络参数更新:,表示Actor网络参数更新的学习率,表示对求梯度;
Critic网络参数更新:,表示Critic网络参数更新的学习率,表示对求梯度;
迭代优化:重复“经验收集-参数更新”流程,直至策略收敛,最终实现动态车联网系统模型环境下“卸载目标-卸载比例-缓存策略”的联合优化。
9.根据权利要求8所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:历史节点特征表示为:,表示在时隙时,节点的初始特征包含任务负载、计算能力、缓存状态、位置信息及任务请求频率,表示时隙的索引;
边权重表示为:,表示在时隙时节点和节点之间的边权重。
10.根据权利要求9所述的基于图神经网络的车联网安全卸载与缓存优化方法,其特征在于:与的注意力系数表示为:;
;
式中,表示中节点和节点之间的注意力系数;表示中节点和节点之间的注意力系数;表示激活函数;表示的转置,表示注意力机制中的参数向量;表示第层的权重矩阵;表示中节点在第层的特征表示;表示中节点在第层的特征表示;表示中节点和节点之间的边权重;表示中节点在第层的特征表示;表示中节点和节点之间的边权重。