CN109862086A - 一种车载边缘计算中基于匹配算法的任务分配策略 - Google Patents

Abstract

本发明涉及一种应用在车联网领域的车载边缘计算场景，通过车辆对边缘服务器的选择并进行任务卸载，以实现在资源约束与延迟约束条件下的系统总体延时的优化。本文所提出的优化问题并分别从匀速模型、车辆跟随模型及行驶时间统计模型出发，推导出任务卸载延迟模型，并进一步通过基于价格的一对一、一对多匹配算法进行求解，获得约束条件下的最优任务分配方案。此算法有效整合了车辆、路边单元及道路信息，在保证QoS需求的条件下显著降低系统的时延。

Description

一种车载边缘计算中基于匹配算法的任务分配策略

技术领域

本发明属于边缘计算领域，具体涉及一种应用在车联网场景中对路边单元的选择与待卸载任务的分配，能够保证车辆及边缘服务器的延时阈值、计算能力约束的基础上对车辆与边缘服务器之间的匹配进行优化，获得更小的时延，有效的解决和车辆与路边单元的计算资源分配问题。

背景技术：

随着无线通信技术和车联网技术的迅猛发展，自动驾驶、车载视频等智能交通应用不断增多。这些应用程序的成功实现需要处理大量计算复杂度高、延迟敏感性严格的任务。由于车辆的处理能力有限，任务必须通过蜂窝网络从车辆上卸载到远程云服务器进行处理。然而这种方法不仅给已经拥挤不堪的蜂窝网络带来了更沉重的负担，而且由于车辆与云之间过远的距离造成了较高的计算延迟。为了应对这一挑战，将边缘计算与车联网相结合的车载边缘计算已经成为一种有效的解决方案。

在移动边缘计算中，任务卸载是最重要的问题之一。在网络边缘处理任务具有以下优点：首先，它可以减轻网络负载。这是因为大量的数据不需要通过整个网络，并且避免了任务的重复卸载，有效提高了服务质量。其次，由于车辆和边缘服务器之间的距离较近，可以减少计算延迟。最后，它可以利用传统蜂窝网中未被利用的计算资源，提高资源利用效率，并有效地处理多源异构数据。

除了这些优势以外，车载边缘计算还面临着血多挑战。首先，车辆的移动性对任务卸载有很大的影响。这是因为车辆只能在路边单元的覆盖范围内与其通信并卸载任务，一旦车辆离开覆盖范围，传输过程将被中断。因此，准确估计车辆滞留时间是优化任务卸载的必要条件。其次，边缘服务器是自私且理性的，很难推导出一种满足所有边缘服务器与车辆利益的任务卸载策略。第三，大多数传统的任务卸载策略仅仅停留在理论上的推导与评价，缺乏在真实的交通数据下模拟动态环境、反映真实车辆性能的综合评价。

匹配理论为解决任务卸载组合问题提供了强有力的工具，它可以用来研究建立动态的、互利的关系。对于在复杂网络中开发可扩展的、灵活的、分散的解决方案特别有效，特别是对于有不同约束条件及动态网络。匹配理论起源于稳定婚姻问题，传统的算法包括Gale-Shapley算法、swap匹配算法和基于价格的匹配算法等。并把匹配问题分为四类，分别为一对一、一对多、多对一和多对多匹配。

发明内容：

本专利设计了一种应用在车载边缘计算场景中的对路边单元选择及任务卸载的计算任务分配策略，并将车载边缘计算构架划分为三层，包括中心控制层、分布式车载边缘计算层与车联网层。

中心控制层负责任务分配与跨区管理。设置一个通信范围足够大的宏基站位于路段的中央以确保可以与所有车辆通信，且宏基站与云服务器相连并获得计算资源宏基站能够基于从车辆和路边单元收集的信息决定任务卸载策略，如任务计算需求、车辆的位置与速度、路边单元的可用计算资源和信道状态信息等。

分布式边缘计算层由沿单行路部署的M个不同覆盖半径的路边单元构成，并将其集合及索引分别定义为和 将RSU_m的覆盖半径定义为r_m并基于覆盖半径将路段划分为M段，且只有当车辆驶入RSU_m的覆盖范围时才可以与之通信。对于每个RSU_m都与一个服务器与之对应，其计算能力为δ_m。为便于叙述，将宏基站定义为RSU₀且其对应的索引与计算能力为m＝0与δ₀。

车联网层由N个同向行驶的车辆构成，并将其集合和索引分别定义为 及将车速及加速度分别定义为v_n与a_n。对每个V_n，假设其在进入路段时产生一个任务，并用{D_n,C_n,τ_n}分别代表数据量大小、计算资源需求量与时延容忍阈值。

任务卸载与处理过程主要按下述过程进行。首先，每辆车都通知宏基站它的任务计算需求D_n。然后宏基站决定这个任务被哪个路边单元或宏基站处理，并向车辆发出通知。当车辆选择路边单元进行服务时，任务将会由边缘服务器处理；当车辆选择宏基站处理任务时，任务将会被远端云服务器处理。在任务处理过程中，车辆可能会行驶到另一个边缘服务器的覆盖范围内，这时计算结果将会传输到车辆所在的那个路边单元，进而传输给车辆。

任务卸载过程中的总时延为车辆进入路段与接收到结果的时间差，包括等待时延、数据传输时延、任务计算时延和跨区时延。其中等待时延和跨区时延与车辆的运动模型息息相关。我们考虑了匀速模型、车辆跟随模型与行驶时间统计模型去模拟车辆的运动状态并进行评估。并基于有SUMO获得的车辆真实运动数据进行比较。

1.等待时延：当车辆V_n进入RSU_m的覆盖范围时才可以与之通信，这一进入时间称为等待时延考虑到路边单元按索引从路的最左端到最右端依次排列，并假设车从最左侧进入路段，则车辆进入RSU_m覆盖范围之前的距离表示为需要注意的是，当车辆决定卸载任务到宏基站或着RSU₁时，车辆行驶距离为零，则相应的等待时间也是零。除此之外，在不同的速度模型下，等待时延进一步表示为：

1)匀速模型：车V_n的速度为v_n，则等待时间表示为：

2)车辆跟随模型：车辆的行驶状态会受到领头车辆及红绿灯的影响。此处我们仅考虑红绿灯，并假设路段上由K个红绿灯。该模型包括减速(以加速度a_n)、停止与加速(以加速度a′_n)三个阶段。减速阶行驶的路程与时间分别表示为

停止阶段为等待红绿灯，这个时间表示为

其中T_max表示红灯的持续时间，β_n表示剩余等待红灯的时间与红灯持续时间的比值，这取决于车辆达到红绿灯的时刻。在加速阶段，车辆行驶的路程与时间分别表示为

综上所述，车辆V_n的总行驶距离及时间分别表示为

考虑到路上共有K个红绿灯，则等待时延表示为

其中k′_n表示车辆遇到的红绿灯个数，表示匀速行驶距离。

3)行驶时间统计模型：复杂场景中，行驶时间遵从Gamma分布。当车辆行驶距离为d_n、行驶时间为t_n时，Gamma分布Ga(d_n,θ)的概率分布函数表示为：

其中d_n为形状参数，θ为尺度参数，Gamma函数Γ(d_n)表示为

因此，当车辆运动距离d_n＝S_m时，等待时延服从Gamma分布，即t_n～Ga(d_n,θ)。其中尺度参数θ由路段真实条件决定，并可以通过历史信息进行设置。等待时延的期望表示为

为了对这三种运动模型进行评估，通过SUMO获得真实车辆运行数据。SUMO是一款基于实时地图的交通仿真软件。每辆车都可以视为一个独立的元素，并能够对其位置、速度和加速度进行设置、跟踪、读取。特别的，我们考虑了直路、城市交通灯路和弯道三种路段对车辆速度模型进行评估。

2.数据传输时延：假设每辆车都分配一个正交信道，即车辆之间不存在干扰。

则车V_n与路边单元RSU_m之间的信噪比表示为

其中P_t为车辆的传输功率，可以看作为恒定值。N₀为加性高斯白噪声的功率。g_n,m为车辆V_n与路边单元RSU_m之间的路径增益。由于车辆的移动性，信道状态在迅速变化并且难以获得即时信息。为简化起见，忽略小尺度衰落并将信道增益定义为其中α为路径损耗指数。因此车辆V_n的传输速率表示为

R_n,m＝B log(1+γ_n,m)

其中B为信道带宽，并假设所有车的带宽相同。则数据传输时延为

需要注意的是，数据传输时延必须不大于车辆在RSU_m覆盖范围的滞留时间匀速模型、车辆跟随模型和行驶时间统计模型的滞留时间分别如下表示：

特别注意的是，当任务被卸载到了宏基站时，它将会由远端云处理器进行计算，此时需要附加一个宏基站与云服务器之间的额外时延T_loud。则车辆V_n传输任务到宏基站的时延表示为

其中R_n,0表示车辆V_n传输任务到宏基站的数据传输速率。

3.任务计算时延：当车辆V_n产生的任务被卸载到RSU_m时，任务将会被本地边缘服务器或者远端云服务器处理。任务计算时间表达为

其中δ_m表示RSU_m的计算能力。

4.跨区时间：在任务传输、处理过程中，车辆V_n可能会从一个路边单元的覆盖范围运动到另一个路边单元的覆盖范围，并通过路径RSU_m—RSU_m′—V_n返回计算结果。假设计算结果数据量较小，其传输时间可以忽略，则跨区时间主要来源于回传路径，表达为

其中c_t表示从RSU_m到RSU_m+1的跨区成本。从车辆进入RSU_m的覆盖范围到任务被处理完成，车辆行驶的时间表达为则其对应的行驶距离d_n与速度模型有关。匀速模型、车辆跟随模型和行驶时间统计模型的行驶距离分别表达如下

d_n＝v_nT_n

因此车辆从RSU_m行驶到RSU_m′时必须满足以下关系：

因此回传结果时，车辆的位置能够被确定。需要注意的是，当车辆仍然在RSU_m的覆盖范围时，跨区成本为零，即

综上所述，车辆的总时延表达为

在本文提出的任务分配策略中，定义任务卸载优化变量为x_n,m。当x_n,m＝1时车辆V_n卸载任务到RSU_m，否则x_n,m＝0。于是任务卸载问题被转化为车辆与路边单元之间的匹配问题。这个匹配问题的目标是最小化时延：

约束条件：

其中，C1代表了整个任务处理过程的时延容忍阈值。C2代表了数据传输必须在滞留时间内完成。C3代表有关信噪比的QoS需求。C4～C6代表了车辆与路边单元之间的任务卸载关系，其中q_m表示路边单元可以服务的车辆的数量最大值。

首先考虑一对一匹配。一对一匹配是在车与路边单元之间的单值映射，每辆车能够卸载一个任务到路边单元，每个路边单元能够处理一个来自于车的任务。即对于每个路边单元来说，q_m＝1。因此问题P1可以进一步转化为

约束条件为：

C1～C5

其中C7代表每个路边单元或宏基站能够接受不超过1个来自车辆的任务。这个转换后的问题定义为其中和分别代表N个车与M个路边单元这两个有限、离散集合；代表匹配偏好。定义一对一匹配φ为基于偏好从集合到集合的映射。用φ(V_n)＝RSU_m表示车辆V_n与RSU_m进行了匹配。特别的，当车与宏基站进行匹配时，φ(V_n)＝RSU₀。每辆车都建立其对于全部路边单元的偏好列表，并定义价格集合作为路边单元的价格，即G_m表示车与RSU_m匹配时的成本。则将车辆V_n对RSU_m的偏好定义为

初始时，认为所有的G_m＝0。

定义具有完备性、反身性与传递性的二元偏好关系“＞”比较两个偏好之间的关系：

这表示相比于路边单元RSU_m′，车辆V_n更加偏好RSU_m。定义为V_n对全部路边单元的偏好，并按照U_n,m的大小对全部RSU_m降序排列。在一对一匹配过程中，车辆与路边单元将偏好列表进行匹配。匹配过程为一个迭代过程，这一过程包括下述步骤：

①每个未匹配的V_n都向其当前偏好列表中首位的RSU_m发出匹配请求。

②当RSU_m只收到了一个请求时，在V_n与RSU_m之间建立匹配并置x_n,m＝1。

③每个未匹配的V_n都向其当前偏好列表中首位的RSU_m发出匹配请求。

④当RSU_m只收到了一个请求时，在V_n与RSU_m之间建立匹配并置x_n,m＝1。

⑤当RSU_m同时收到辆辆以上的车的请求时，这个路边单元将会提升它的价格。在第i轮升价时，RSU_m的价格定义为：

G_m[i]＝G_m[i-1]+ΔG

其中ΔG价格增长的步长。

⑥根据上一步更新冲突的路边单元的价格，并更新相应的车的偏好列表这时可能会存在某辆车V_n的偏好列表的首位发生改变，即RSU_m′＞V_n RSU_m，则车V_n的选择发生改变。

⑦重复③～④直到选择冲突的路边单元的车仅剩一辆。

⑧重复①～⑦直到所有的车都匹配到了路边单元或者宏基站。

接下来考虑一对多匹配。一对多匹配是建立在车辆与路边单元之间的多值映射。每辆车仅可以选择一个路边单元，而每个路边单元可以处理来自多个车的任务。因此问题P1可以进一步转化为

约束条件为：

C1～C5

其中约束条件C8表示每个路边单元可以同时接受至少q_m个任务。与一对一匹配相似，问题P3定义为用φ(V_n)＝RSU_m表示车辆V_n与RSU_m进行了匹配。在该匹配过程中，每辆车V_n选择其偏好列表最前面的路边单元发出请求，当RSU_m同时收到不超过q_m个请求时，将会与车进行匹配并置x_n,m＝1；当收到超过q_m个请求时，将会升价、重排偏好列表，直到剩余q_m个请求。

附图说明：

图1是边缘计算构架图。

图2是直路的场景图及仿真图。

图3是带有红绿灯的路的场景图及仿真图。

图4是带有弯路的场景图及仿真图。

图5是不同仿真场景、不同实际场景下的平均卸载时延随车辆数目变化图(q_m＝1)。

图6是不同仿真场景、不同实际场景下平均卸载时延随车辆数目变化图(q_m＝2)。

图7是N＝6时不同仿真场景、不同实际场景下，q_m为不同值时的平均时延对比图。

图8是N＝6时不同仿真场景、不同实际场景下，q_m为不同值时的等待时延对比图。

图9是N＝6时不同仿真场景、不同实际场景下，传输时延、计算时延、等待时延与跨区时延占总时延对比图。

图10为不同仿真场景下平均时延随车速的变化图。

图11为不同仿真场景、不同实际场景下平均时延随任务复杂度变化图。

具体实施方式

本发明的实施方式分为两个步骤，第一步为建立模型，第二步为算法的实施。本发明建立的系统模型如图1所示，其与发明内容中的相应的系统模型描述完全对应。为了对本发明提出的模型进行验证，通过SUMO软件获得了基于实际地图的车辆行驶数据，由图2—4给出实际场景图及相应的SUMO仿真图。其中图2为单行直路，图3为带有红绿灯的城镇直路，图4为弯路。在算法的实施步骤，根据不同的情况分为一对一与一对多匹配两种。

1)对于系统模型，整个车载边缘计算构架分为三层，分别的中心控制层、分布式车载边缘计算层和车联网层，与发明内容中相应的部分分别对应。继而根据系模型，将系统时延最小化问题转换为匹配问题。

2)为了解决上述问题，即要解决对车辆与路边单元进行配对的二位匹配问题。首先建立偏列表，继而通过基于价格的匹配算法进行求解，获得稳定匹配结果。

对于本发明，我们进行了大量仿真。图5和图6分别为两种不同情况下平均卸载延迟与车辆数量的关系，即一对一匹配(q_m＝1)和一对多匹配(q_m＝2)。路边单元的个数是4。很明显，平均延误随着车辆数量的增加而单调增加，这是因为车辆越多，需要卸载和处理的任务越多，数据传输和任务计算延迟增大。此外，车辆数量的增加会导致车辆间更严重的竞争，这会造成更长的等待时延。显然，与其他模型或场景相比，匀速模型和直线道路场景可以实现更小的平均延迟。原因是他们比较理想，没有考虑红绿灯和转弯的影响。可以看出与传输延迟和跨区延迟相比，等待延迟对平均延迟的影响更大。在车辆跟随模型和城市道路场景中，交通灯会对车辆的速度产生很大的影响，这使得平均延时增大。

图7为不同配额值下不同模型或场景下的平均卸载延迟。车辆数量被设置为6。q_m＝1和q_m＝2的性能分别与图5和图6的性能一致。具体来说，我们可以注意到平均卸载延迟与配额值成反比，即配额值越大，平均延迟越小。原因是当配额值较大时，路边单元可以处理更多的任务。这将减少等待延迟，从而提高任务卸载的效率。

图8为不同配额值下不同模型和场景下的平均等待时延。可以看出，随着配额的增加，等待时延先增大后减小。与图7相比，虽然等待时延增大，但平均卸载时延减小。原因是当q_m＝2时，更多的车辆选择与路边单元而不是与宏基站去卸载任务。这会减少卸载延迟，但是等待时延会由于车辆必须根据匹配结果达到目标路边单元而增加。比如目标路边单元远离车辆的进入位置。随着配额的进一步增加，车辆更倾向于选择附近的路边单元来卸载任务，从而减少了平均卸载延迟和等待延迟。

图9为传输时延、计算时延、等待时延和跨区时延在平均卸载时延中的比例。可以看出卸载时延主要由等待延迟和计算延迟控制。给定一个任务，计算延迟是一个确定的值。因此，如何减少任务的卸载延迟主要取决于如何减少等待时延。

图10和图11分别为平均卸载延迟与车辆速度和任务复杂度的关系。从图10中可以看出，随着车速的增加，平均卸载延迟逐渐减小。需要指出的是，行驶时间统计模型的性能与速度关系不大，是一条直线。在图11中，平均卸载延迟几乎随任务复杂度线性增加。这是因为延迟的增加主要与计算延迟有关，计算延迟是任务复杂度的线性函数。

尽管为说明目的公开了本发明的具体实施和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (4)

1.一种应用在车载边缘计算场景中的对路边单元选择及任务卸载的计算任务分配策略，其特征在于所考虑的三层车载边缘计算构架包括中心控制层、分布式车载边缘计算层与车联网层：

①中心控制层负责任务分配与跨区管理，设置一个通信范围足够大的宏基站位于路段的中央以确保可以与所有车辆通信，且宏基站与云服务器相连并获得计算资源；

②分布式边缘计算层沿单行路部署M个不同覆盖半径的路边单元并将其集合及索引分别定义为和将RSU_m的覆盖半径定义为r_m并基于覆盖半径将路段划分为M段，且只有当车辆驶入RSU_m的覆盖范围时才可以与之通信；对于每个RSU_m都与一个服务器与之对应，其计算能力为δ_m；为便于叙述，将宏基站定义为RSU₀且其对应的索引与计算能力为m＝0与δ₀；

③车联网层由N个同向行驶的车辆构成，并将其集合和索引分别定义为 及将车速及加速度分别定义为v_n与a_n；对每个V_n，假设其在进入路段时产生一个任务，并用{D_n,C_n,τ_n}分别代表数据量大小、计算资源需求量与时延容忍阈值；则任务卸载与处理过程进一步包括

1)建立任务卸载延迟模型：基于匀速模型、车辆跟随模型及行驶时间统计模型分别得到不同的任务卸载延迟模型，使其适用于多种路段；

2)任务分配策略：分别应用一对一与一对多匹配算法对所提出的问题进行求解，得到在约束条件的最佳任务分配方案。

2.如权利要求1所述的任务卸载延迟模型，其特征在于总延时为车辆进入路段与接收到结果的时间差，包括等待时延、数据传输时延、任务计算时延和跨区时延，进一步包括：

1)等待时延：当车辆V_n进入RSU_m的覆盖范围时才可以与之通信，这一进入时间称为等待时延考虑到路边单元按索引从路的最左端到最右端依次排列，并假设车从最左侧进入路段，则车辆进入RSU_m覆盖范围之前的距离表示为则在不同的速度模型下，等待时延进一步表示为：

①匀速模型：车V_n的速度为v_n，则等待时间表示为：

②车辆跟随模型：该模型包括减速(以加速度a_n)、停止与加速(以加速度a′_n)三个阶段，则减速阶行驶的路程与时间分别表示为

停止阶段为等待红绿灯，这个时间表示为

其中T_max表示红灯的持续时间，β_n表示剩余等待红灯的时间与红灯持续时间的比值，这取决于车辆达到红绿灯的时刻；在加速阶段，车辆行驶的路程与时间分别表示为

综上所述，车辆V_n的总行驶距离及时间分别表示为

考虑到路上共有K个红绿灯，则等待时延表示为

其中k′_n表示车辆遇到的红绿灯个数，表示匀速行驶距离，表示路过红绿灯的总时间；

③行驶时间统计模型：复杂场景中，行驶时间遵从Gamma分布，当车辆行驶距离为d_n、行驶时间为t_n时，Gamma分布Ga(d_n,θ)的概率分布函数表示为

其中d_n为形状参数，θ为尺度参数，Gamma函数Γ(d_n)表示为

因此，当车辆运动距离d_n＝S_m时，等待时延服从Gamma分布，即t_n～Ga(d_n,θ)；

则等待时延的期望表示为

2)数据传输时延：假设每辆车都分配一个正交信道，即车辆之间不存在干扰，则车V_n与路边单元RSU_m之间的信噪比表示为

其中P_t为车辆的传输功率，可以看作为恒定值；N₀为加性高斯白噪声的功率；g_n,m为车辆V_n与路边单元RSU_m之间的路径增益；由于车辆的移动性，信道状态在迅速变化并且难以获得即时信息，为简化起见，忽略小尺度衰落并将信道增益定义为 其中α为路径损耗指数；因此车辆V_n的传输速率表示为

R_n,m＝B log(1+γ_n,m)

其中B为信道带宽，并假设所有车的带宽相同；则数据传输时延为

需要注意的是，数据传输时延必须不大于车辆在RSU_m覆盖范围的滞留时间匀速模型、车辆跟随模型和行驶时间统计模型的滞留时间分别如下表示

特别注意的是，当任务被卸载到了宏基站时，它将会由远端云处理器进行计算，此时需要附加一个宏基站与云服务器之间的额外时延T_loud，则车辆V_n传输任务到宏基站的时延表示为

其中R_n,0表示车辆V_n传输任务到宏基站的数据传输速率；

3)任务计算时间：当车辆V_n产生的任务被卸载到RSU_m时，任务将会被本地边缘服务器或者远端云服务器处理，任务计算时间表达为

其中δ_m表示RSU_m的计算能力；

4)跨区时间：在任务传输、处理过程中，车辆V_n可能会从一个路边单元的覆盖范围运动到另一个路边单元的覆盖范围，并通过路径RSU_m—RSU_m′—V_n返回计算结果；并假设计算结果数据量较小，其传输时间可以忽略，则跨区时间主要来源于回传路径，表达为

其中c_t表示从RSU_m到RSU_m+1的跨区成本；从车辆进入RSU_m的覆盖范围到任务被处理完成，车辆行驶的时间表达为则其对应的行驶距离d_n与速度模型有关，匀速模型、车辆跟随模型和行驶时间统计模型的行驶距离分别表达如下

d_n＝v_nT_n

因此车辆从RSU_m行驶到RSU_m′时必须满足以下关系：

5)总时延模型：综上所述，总共的任务卸载时延表达为

即等待时延、传输时延、计算时延与跨区时延的和。

3.如权利要求1所述的任务分配策略，其特征在于依据总时延T_n,m建立匹配问题，在一定约束下求解其最小值；定义任务卸载优化变量为x_n,m，当x_n,m＝1时车辆V_n卸载任务到RSU_m，否则x_n,m＝0；进一步把匹配问题描述为

约束条件：

其中，C1代表了整个任务处理过程的时延容忍阈值，C2代表了数据传输必须在滞留时间内完成，C3代表有关信噪比的QoS需求，C4～C6代表了车辆与路边单元之间的任务卸载关系，其中q_m表示路边单元可以服务的车辆的数量最大值。

4.如权利要求3所述的任务分配策略，其特征在于应用基于价格的一对一与一对多匹配算法进行求解，得到在约束下的系统时延最小值；进一步包括：

1)一对一匹配：一对一匹配是在车与路边单元之间的单值映射，其特征在于每辆车能够卸载一个任务到路边单元，每个路边单元能够处理一个来自于车的任务；因此问题P1可以进一步转化为

约束条件为：

C1～C5

其中C7代表每个路边单元或宏基站能够接受不超过1个来自车辆的任务；这个转换后的问题定义为其中和分别代表N个车与M个路边单元这两个有限、离散集合，代表匹配偏好；定义一对一匹配φ为基于偏好从集合到集合的映射，用φ(V_n)＝RSU_m表示车辆V_n与RSU_m进行了匹配；每辆车都建立其对于全部路边单元的偏好列表，并定义价格集合作为路边单元的价格，即G_m表示车与RSU_m匹配时的成本，则将车辆V_n对RSU_m的偏好定义为

定义具有完备性、反身性与传递性的二元偏好关系“＞”比较两个偏好之间的关系：

表示相比于路边单元RSU_m′，车辆V_n更加偏好RSU_m；定义为V_n对全部路边单元的偏好，并按照U_n,m的大小对全部RSU_m降序排列；匹配过程为一个迭代过程，这一过程的特征在于：

①每个未匹配的V_n都向其当前偏好列表中首位的RSU_m发出匹配请求；

②当RSU_m只收到了一个请求时，在V_n与RSU_m之间建立匹配并置x_n,m＝1；

③当RSU_m同时收到辆辆以上的车的请求时，这个路边单元将会提升它的价格，在第i轮升价时，RSU_m的价格定义为

G_m[i]＝G_m[i-1]+ΔG

其中ΔG价格增长的步长

④根据上一步更新冲突的路边单元的价格，并更新相应的车的偏好列表这时可能会存在某辆车V_n的偏好列表的首位发生改变，即则车V_n的选择发生改变；

⑤重复③～④直到选择冲突的路边单元的车仅剩一辆；

⑥重复①～⑦直到所有的车都匹配到了路边单元或者宏基站。

2)一对多匹配：一对多匹配是建立在车辆与路边单元之间的多值映射，其特征在于，每辆车仅可以选择一个路边单元，而每个路边单元可以处理来自多个车的任务，因此问题P1可以进一步转化为

约束条件为：

C1～C5

其中约束条件C8表示每个路边单元可以同时接受至少q_m个任务；与一对一匹配相似，问题P3定义为用φ(V_n)＝RSU_m表示车辆V_n与RSU_m进行了匹配；在该匹配过程中，其特征在于，每辆车V_n选择其偏好列表最前面的路边单元发出请求，当RSU_m同时收到不超过q_m个请求时，将会与车进行匹配并置x_n,m＝1；当收到超过q_m个请求时，将会升价、重排偏好列表，直到剩余q_m个请求。