1.一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,包括以下步骤:S1、定义车载计算任务属性,构建基于车载-边缘-云协同系统架构的通信模型和计算模型,并实时感知系统状态;
所述车载计算任务属性的计算方式包括:车载计算任务可以在本地进行计算、通过将任务卸载到边缘计算平台进行计算以及通过卸载到云计算平台进行计算;
所述构建基于车载-边缘-云协同系统架构包括:构建车载-边缘-云协同系统通信模型和构建车载-边缘-云协同系统计算模型;
所述实时感知系统状态为采集车辆当前速度、与边缘服务器/云服务器的连接状态;采集车辆当前速度、与边缘服务器/云服务器的连接状态、边缘服务器/云服务器可用计算资源、链路带宽和传输成功率的动态信息;
S2、构建全局最优目标函数;
所述构建全局最优目标函数的方式为:基于车载任务属性和系统状态,构建多目标优化函数,得到全局最优目标函数;
S3、基于全局最优目标函数拆解为局部最优目标函数,使用改进的贪心算法得出初步的全局最优任务分配策略并构建训练数据集,对前馈神经网络进行离线训练,得到训练好的前馈神经网络模型;
S3.1、基于全局最优目标函数拆解为局部最优目标函数;将全局最优目标函数拆解为每个任务的局部最优目标函数,得到优化指标函数;
将全局最优目标函数拆解为每个任务的局部最优目标函数,建立任务质量函数QoS作为优化指标函数,表达式如下:;
其中,Ti表示处理任务i的时间,Ei表示处理任务i的能耗,M1表示任务执行时间在总目标函数中的权重比例,M2表示任务执行能耗在总目标函数中的权重比例;
S3.2、基于优化指标函数,改进贪心算法,得到全局最优任务分配策略;
对任务集合进行全排列枚举,任务序列数量为n!;在给定的任务顺序下,对每个任务分别计算其在本地平台、边缘平台和云平台上的QoS值,采用局部贪心策略选择当前最优平台,并将选择结果累计至当前调度代价;对所有排列策略进行遍历,记录相应的总QoS值,最终选取总代价最小的组合作为全局最优任务分配策略S3.3、基于全局最优任务分配策略构建数据集,对数据集执行预处理操作后划分为训练数据集和测试数据集,使用训练集对前馈神经网络模型进行离线训练,得到训练好的前馈神经网络模型;
S4、基于训练好的前馈神经网络模型和实时任务特征;对实时任务特征执行预处理操作,通过训练好的前馈神经网络模型在线推理后预测最优的分配方案,输出任务分配调度指令;
S5、基于任务分配调度指令将任务分配到指定平台执行,根据实时资源利用率和网络状况,动态调整分配优先级,将任务分配到指定平台执行,完成车辆计算任务调度方法;
所述指定平台包括本地平台、边缘平台和云平台。
2.根据权利要求1所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述步骤S1中车载计算任务属性Task的具体表达式为:;
式中,D是任务产生的数据量,C是任务所需的计算算力周期数,是任务可容忍的最大延迟。
3.根据权利要求1所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述步骤S1中构建基于车载-边缘-云协同系统架构具体包括以下步骤:S1.1、基于车载计算任务属性,构建车载-边缘-云协同系统通信模型;
所述构建车载-边缘-云协同系统通信模型包括:任务车辆的车载服务器、边缘服务器、云服务器的三级异构计算节点和车载到边缘到云的上行通信链路;
S1.2、基于车载计算任务属性,构建车载-边缘-云协同系统计算模型;
所述构建车载-边缘-云协同系统计算模型包括:构建本地计算模型,构建边缘计算模型和构建云计算模型。
4.根据权利要求3所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述步骤S1.1中,构建车载-边缘-云协同系统通信模型具体包括:任务车辆的车载服务器、边缘服务器和云服务器的三级异构计算节点Node和车载到边缘到云的上行通信链路E;车载-边缘-云协同系统通信模型具体表达式为:;
式中,G为整体模型,R为通信范围半径,F为计算能力、P为位置坐标、S为数据成功接收概率、λ为数据包传输速率,Task为车载计算任务属性,D为任务产生的数据量,C 为任务所需的计算算力周期数,为任务可容忍的最大延迟。
5.根据权利要求3所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述步骤S1.2中,构建车载-边缘-云协同系统计算模型具体包括以下步骤:S1.2.1、定义车载任务数量及分配方案;
每辆车生成一个计算任务,则n辆车生成n个计算任务;一个任务只能选择一个计算平台进行计算,a个任务选择边缘平台进行计算,b个任务选择云平台进行计算,n-a-b个任务选择本地平台进行计算,n为车辆数量,a为选择边缘平台进行计算的任务,b为选择云平台进行计算的任务;
S1.2.2、基于定义车载任务数量及分配方案,构建本地计算模型;
由于车载任务在本地计算无需进行数据传输,因此本地平台计算只包括计算延迟,且本地平台计算不产生传输能耗,能耗仅包括计算能耗,本地计算模型表达式如下所示:;
式中,表示任务i在本地平台计算的时间,i为本地计算任务,其中,i∈n-a-b;表示任务i所需的计算机计算能力周期数;表示车载计算机的计算能力;表示任务i在本地平台计算中的传输延迟;表示本地平台计算中任务的总延迟;表示任务i在本地平台计算中的能量消耗;表示任务在本地平台计算中的计算能量因子;表示任务i在本地平台计算中的传输能量;表示任务在本地平台计算中的总能量,n为车辆数量,a为选择边缘平台进行计算的任务,b为选择云平台进行计算的任务;
S1.2.3、基于定义车载任务数量及分配方案,构建边缘计算模型;
车载任务卸载到边缘平台进行计算需考虑产生的传输延迟、计算延迟以及边缘计算产生的能量损耗,构建车载任务卸载到边缘平台的目标函数,边缘计算模型表达式如下:;
式中,表示任务到路侧单元的数据传输延迟,为分配到边缘计算平台的任务,∈a;表示任务的数据量大小;表示任务到路测单元RSU的数据传输速率;表示任务在多接入边缘中的计算延迟;表示任务所需的边缘平台计算能力周期数,表示任务-1所需的边缘平台计算能力周期数,C1
S1.2.4、基于定义车载任务数量及分配方案,构建云计算模型;
车载任务卸载到云端平台进行计算需要考虑传输延迟、计算延迟以及云计算能量损耗,构建车载任务卸载到云端平台的目标函数,云计算模型表达式如下:;
式中,表示任务到云服务器的数据传输延迟,为分配到云计算平台的任务,∈b;表示任务到云服务器的数据传输速率,=0.9;表示任务的数据量大小;表示任务在云服务器中的计算延迟;表示云服务器计算机的计算能力;表示任务所需的云服务器计算能力周期数,C1
6.根据权利要求1所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述步骤S2中全局最优目标函数的具体表达式为:;
式中,T表示处理所有任务所需的时间,表示处理任务 i 时可容忍的最大延迟,表示本地处理任务i所需时间,表示传输至边缘平台处理任务i所需时间,表示传输云平台处理任务i所需时间,E表示处理所有任务的能耗,M1表示任务执行时间在总目标函数中的权重比例,M2表示任务执行能耗在总目标函数中的权重比例。
7.根据权利要求1所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述步骤S3中包括以下步骤:所述数据集执行预处理操作的方式为:将数据集输入特征[S, R, D, C, Tmax]简化为[Tfve, C, Tmax];其中,S表示任务数据包的成功接收概率;R表示节点的通讯半径;D是任务产生的数据量;C表示任务计算周期数;Tmax表示任务的最大容忍延迟;Tfve表示任务在平台上的延迟;
对预处理后的数据集中按照8:2 的比例划分为训练数据集与测试数据集;
将训练数据集输入前馈神经网络,依次通过前馈神经网络的输入层和隐藏层,在经过第一个全连接层后得到线性变换后的输出,然后通过ReLU激活函数层引入非线性,得到非线性数据;接着,将非线性数据经过第二个全连接层后再次进行线性变换,最后,通过第二个ReLU激活函数层和批归一化层处理后得到输出结果;
全连接层处理向量过程表达式如下:
;
式中,x为输入向量,W为权重矩阵,c为偏置向量,y为输出向量;
ReLU激活函数表达式如下:
;
式中,是激活函数的输入;
通过批量归一化层以减少内部协变量偏移,提高模型的稳定性和训练速度,且能够有效减少过拟合风险,批量归一化层表达式如下所示:;
式中,是输入数据,是小批量数据的方差,f(xb)是输出数据,是小批量数据的均值,>0,用于防止分母为0;
输出层接收隐藏层的结果,并操作输出最终选择结果;全连接层从隐藏层的输出中获取每个任务对应计算平台类别的向量,Softmax层计算任务属于各个计算平台的概率,回归层根据Softmax层的概率分布决定每个任务的最终计算平台。
8.根据权利要求7所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于,所述使用训练集对前馈神经网络模型进行离线训练中,前馈神经网络模型的训练参数为:前馈神经网络模型的全连接层由200个神经元组成;前馈神经网络模型训练参数包括:最大训练轮数=200,初始学习率=0.001,学习率调度=分段学习率调度,学习率下降因子=0.9,学习率下降周期=10,小批量大小=70,验证频率=30。
9.根据权利要求1所述的一种基于车-边缘-云协同的车辆计算任务调度方法,其特征在于S4中输出任务分配调度指令的方式为:将实时任务特征数据依次输入前馈神经网络模型的输入层,隐藏层;输入的实时任务特征数据经过第一个全连接层后得到线性变换后的输出,然后通过ReLU激活函数层引入非线性变换增强模型表达能力,非线性数据经过第二个全连接层后再次进行线性变换,通过第二个ReLU激活函数层后输出线性结果;线性结果传输至输出层进行处理,输出层的全连接操作从中获取每个任务对应的计算平台类别向量,Softmax层预测任务属于各个平台计算的概率,进行回归处理后决定每个任务的最终计算平台;输出本地、边缘和云平台的任务分配调度指令one-hot标签。