CN111132077A - 车联网环境下基于d2d的多接入边缘计算任务卸载方法 - Google Patents

Abstract

本发明公开了一种车联网环境下基于D2D的多接入边缘计算任务卸载方法，该方法将任务卸载策略、发射功率和信道资源分配模式建模为一个混合整数非线性规划问题，优化问题为车联网系统内所有与基站进行蜂窝通信的终端CUE的时延和能耗效益之和最大化。该方法时间复杂度低，能够有效利用车联网系统信道资源，保证以D2D通信形式进行本地V2V数据交换的终端DUE的时延可靠性，同时CUE的时延和能耗接近最低，符合车联网的低时延、高可靠要求。本发明通过搭建仿真平台进行验证，CUE总时延和能耗接近最小化，该方法相对于传统任务卸载方法的性能优势。

Description

车联网环境下基于D2D的多接入边缘计算任务卸载方法

技术领域

本发明涉及无线通信与车联网技术领域，具体涉及一种车联网环境下基于D2D的多接入边缘计算任务卸载方法。

背景技术

随着车联网的快速发展，车辆在支持智能应用(自动驾驶、实时视频辅助、导航和互动游戏)方面变得更加智能。车辆通信提高了道路安全和交通效率，同时提供更加多样的娱乐场景。对于媒体流和内容共享等需要交换大量数据的服务，通过车辆到基础设施(V2I)链路获得大的通信容量。同时，对安全至关重要的信息，例如合作意识信息和分散的环境通知信息，通常需要以周期性或者事件触发的方式在周围的车辆之间传播安全相关信息，因此需要车辆对车辆(V2V)来满足严格的可靠性和及时性要求。

多接入移动边缘计算(multi-access edge computing,MEC)是移动边缘计算的拓展。移动边缘计算，是一种网络架构，利用无线接入网络就近提供电信用户IT所需服务和云端计算功能，而创造出一个具备高性能、低延迟与高带宽的电信级服务环境，加速网络中各项内容、服务及应用的快速下载，让消费者享有不间断的高质量网络体验，可以解决未来网络的延迟、拥塞和容量等问题。多接入移动边缘计算将边缘计算从电信蜂窝网络进一步延伸至其他无线接入网络(如WiFi)，一方面可以改善用户体验，节省带宽资源，另一方面通过将计算能力下沉到移动边缘节点，提供第三方应用集成，为移动边缘入口的服务创新提供了无限可能。

任务卸载是指将用户的任务提交到边缘计算服务器上执行，从而达到节省用户时延和能耗的需求。任务卸载策略研究的是设计用户的任务卸载策略达到车联网系统的最低时延和能耗，根据任务卸载策略，用户可以选择在本地执行任务或者通过卸载到边缘计算服务器进行计算。

在大多数现有工作中，多接入边缘计算任务卸载通常只考虑V2I链路的时延和能耗最小化，没有保证V2V链路的时延可靠性，不符合车联网的可靠性要求。对于时延和能耗最小化问题，通常是一个混合整数非线性规划问题，计算复杂度高，使用局部搜索等算法需要迭代多次。

发明内容

有鉴于此，本发明的目的是提供一种车联网环境下基于D2D的多接入边缘计算任务卸载方法，在低时间复杂度下解决车联网系统内时延和能耗最小化问题。

本发明的目的可以通过采取如下技术方案达到：

一种车联网环境下基于D2D的多接入边缘计算任务卸载方法，该方法的应用场景为单基站附近部署有边缘计算服务器，基站采用OFDMA接入方式，基站覆盖范围内有一定数量的CUE和DUE，CUE是cellular users的简称，DUE是D2D users的简称，CUE能够与基站进行通信，CUE产生的任务请求可能选择在CUE本地或者边缘计算服务器端执行，DUE之间以D2D的形式进行本地数据交换，DUE复用CUE的信道，CUE和DUE互相造成通信干扰，其特征在于，该方法包括以下步骤：

S1、将优化问题建模为时延和能耗效益之和最大化问题，其中效益定义为本地执行代价和实际执行代价之差比上本地执行代价，该代价代表时延或者能耗，优化问题等价于时延和能耗之和最小化问题；

S2、优化问题分解，任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题相互独立，将优化问题分解为两个子优化问题：任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题；

S3、计算CUE和DUE的最优发射功率，联合已知的D2D时延可靠性限制条件和CUE以及DUE的功率限制条件，确定CUE和DUE功率的可行域，使用线性规划得到CUE和DUE的最优发射功率；

S4、计算最优信道资源分配模式，使用二分图匹配算法解决最大权值二分图匹配问题，得到最优信道资源分配模式；

S5、计算最优任务卸载策略，使用动态规划解决背包问题，得到CUE的最优任务卸载策略。

进一步地，所述的步骤S1过程如下：

假设CUE数量为M，m代表第m个CUE，DUE数量为K对，k代表第k对DUE，因为信道较少被使用，基站的干扰更好管理，为了提高频谱利用效率，CUE所分配的信道被DUE复用，基站总带宽为B。

基站接收到的第m个CUE和第k对DUE的信噪比分别为：

和

其中，p_m和p_k分别代表第m个CUE和第k对DUE的发射功率，h_m,B为第m个CUE和基站之间的信道增益，h_k,B为第k对DUE和基站之间的信道增益，h_k为第k对DUE之间信道增益，h_m,k为第m个CUE和第k对DUE之间的信道增益，σ²为噪声功率，ρ_m,k是信道资源分配模式，ρ_m,k＝1表示第k对DUE复用第m个CUE的信道，否则，ρ_m,k＝0，表示第k对DUE不复用第m个CUE的信道。

其中，信道增益均只考虑大尺度增益，分别为：

其中，β_m,B为第m个CUE和基站之间的阴影衰落，β_k,B为第k对DUE和基站之间的阴影衰落，β_k为第k对DUE之间的阴影衰落，β_m,k为第m个CUE和第k对DUE之间的阴影衰落，L_m,B为第m个CUE和基站的距离，L_k,B为第k对CUE和基站的距离，L_k为第k对DUE之间的距离，L_k和车速v成正比，L_m,k为第m个CUE和第k对DUE之间的距离，γ为衰减因子，A为路径损耗常数。

所述的效益为：

其中，s_m表示任务卸载策略，s_m＝0代表任务在本地计算，s_m＝1代表任务卸载到边缘计算服务器计算，β_t和β_e分别为时延和能耗的权衡系数，

和

分别代表任务在本地计算的时延和能耗：

其中，C_m为任务的CPU周期数，

为本地CPU的计算速率，ε为单位CPU周期的能耗。

和

分别代表任务卸载到边缘计算服务器计算的时延和能耗：

其中，

和

分别为任务上传时延和边缘计算服务器执行时延：

其中，D_m为任务数据大小，f_m为边缘计算服务器分配给第m个CUE的计算资源，r_m为任务上传速率:

因此，优化问题函数表达式为：

s.t.C1:

C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

C7:s_m∈{0,1}

C8:∑_m∈Ms_mC_m≤F

该效益v_m(s_m,p_m,p_k,ρ_m,k)针对时延和能耗做归一化处理，v_m(s_m,p_m,p_k,ρ_m,k)的最大化，等价于时延能耗最小化。

条件C1表示第m个CUE的最大时延限制，

为第m个CUE允许的最大时延，t_m为第m个CUE的实际执行时延：

条件C2表示第k对DUE进行D2D通信的可靠性保证，

为第k对DUE允许的最大传输时延，p₀为D2D通信的可靠性保证概率，

为t_k大于或者等于

的概率，t_k为第k对DUE的传输时延：

其中，D_k表示第k对DUE的任务传输大小，r_k表示第k对DUE的传输速率：

条件C3和条件C4表示第m个CUE和第k对DUE的最大功率限制，

和

分别为第m个CUE和第k对DUE的最大发射功率。

条件C5表示一对DUE最多复用一个CUE的信道。

条件C6表示一个CUE的信道最多被一对DUE复用。

条件C7表示任务卸载策略变量s_m是一个取值为0或者1的整数。

条件C8表示边缘计算服务器的最大计算资源限制，F为边缘计算服务器能执行的最大CPU周期数。

进一步地，所述的步骤S2中，效益v_m(s_m,p_m,p_k,ρ_m,k)中，发射功率和信道资源分配模式子优化问题与任务卸载策略子优化问题相互独立，将优化问题转化为两个子优化问题：发射功率和信道资源分配模式子优化问题以及任务卸载策略子优化问题。

进一步地，所述的步骤S3中，假设第k对DUE复用第m个CUE的信道，根据已知的DUE时延可靠性保证限制条件和CUE以及DUE的最大发射功率限制条件，得到功率的可行域，使用线性规划得到CUE和DUE的最优发射功率。

进一步地，所述的步骤S4中，CUE和DUE可以进行任意的信道复用，信道资源分配模式子优化问题转化为最大权值二分图匹配问题，使用匈牙利法得到最优的信道资源分配模式。

进一步地，所述的步骤S5中，将优化问题转化为关于任务卸载策略的背包问题，通过动态规划得到最优的任务卸载策略。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明满足了车联网系统所有CUE节点的时延和能耗最小化，充分利用了信道资源和边缘计算服务器的计算资源。

(2)本发明满足了车联网系统所有DUE节点的时延可靠性条件，保证了D2D通信的可靠性。

(3)相较与局部搜索等算法求解任务卸载策略，基于优化问题分解的时间复杂度更低，同时，又能保证其求得的解接近全局最优。

附图说明

图1是本发明实施例中车联网系统的物理结构图；

图2是本发明实施例中公开的车联网环境下基于D2D的多接入边缘计算任务卸载方法的流程图；

图3是本发明实施例中CUE平均时延和车速以及CUE最大发射功率关系示意图；

图4是本发明实施例中CUE平均能耗和车速以及CUE最大发射功率关系示意图；

图5是本发明实施例中CUE平均时延和DUE最大时延以及任务量关系示意图；

图6是本发明实施例中CUE平均时延和DUE最大时延以及基站计算速率关系示意图；

图7是本发明实施例中CUE平均时延和DUE可靠性概率以及任务量关系示意图；

图8是本发明实施例中CUE平均时延和DUE可靠性概率以及基站计算速率关系示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，应用场景为道路旁部署单基站，基站旁部署有边缘计算服务器，基站采用OFDMA接入方式，基站覆盖范围内有一定数量的CUE和DUE，CUE能够与基站进行通信，CUE产生的任务请求可能选择在CUE本地或者边缘计算服务器端执行，DUE之间以D2D的形式进行本地数据交换，DUE复用CUE的信道，CUE和DUE互相造成通信干扰。

图2展示了整个多接入边缘计算任务卸载方法的流程图，本实施例中车联网环境下基于D2D的多接入边缘计算任务卸载方法具体包括以下步骤：

S1、将优化问题建模为时延和能耗效益之和最大化问题，其中效益定义为本地执行代价和实际执行代价之差比上本地执行代价，该代价代表时延或者能耗，优化问题等价于时延和能耗之和最小化问题。

传统方法在本领域应用中，直接将时延和能耗之和最小化作为优化问题，由于时延和能耗之间存在单位上的差异，会导致时延达到最小化，但是能耗没有达到最小化，或者能耗达到最小化，但是时延没有达到最小化。因此本实施例中，将时延和能耗效益之和最大化作为优化问题，该效益针对时延和能耗做归一化处理，保证时延达到最小化的同时，能耗也达到最小化，同时针对时延和能耗设置不同偏好，比如当终端需要节能的时候，增加对能耗的偏好，减小对时延的偏好，当终端需要更低时延的时候，增加对时延的偏好，减小对能耗的偏好。

该步骤S1过程如下：

假设CUE数量为M，m代表第m个CUE，DUE数量为K对，k代表第k对DUE，因为信道较少被使用，基站的干扰更好管理，为了提高频谱利用效率，CUE所分配的信道被DUE复用，基站总带宽为B。

基站接收到的第m个CUE和第k对DUE的信噪比分别为：

和

其中，p_m和p_k分别代表第m个CUE和第k对DUE的发射功率，h_m,B为第m个CUE和基站之间的信道增益，h_k,B为第k对DUE和基站之间的信道增益，h_k为第k对DUE之间信道增益，h_m,k为第m个CUE和第k对DUE之间的信道增益，σ²为噪声功率，ρ_m,k是信道资源分配模式，ρ_m,k＝1表示第k对DUE复用第m个CUE的信道，否则，ρ_m,k＝0，表示第k对DUE不复用第m个CUE的信道。

其中，信道增益均只考虑大尺度增益，分别为：

其中，β_m,B为第m个CUE和基站之间的阴影衰落，β_k,B为第k对DUE和基站之间的阴影衰落，β_k为第k对DUE之间的阴影衰落，β_m,k为第m个CUE和第k对DUE之间的阴影衰落，L_m,B为第m个CUE和基站的距离，L_k,B为第k对CUE和基站的距离，L_k为第k对DUE之间的距离，L_k和车速v成正比，L_m,k为第m个CUE和第k对DUE之间的距离，γ为衰减因子，A为路径损耗常数。

该效益为：

其中，s_m表示任务卸载策略，s_m＝0代表任务在本地计算，s_m＝1代表任务卸载到边缘计算服务器计算，β_t和β_e分别为时延和能耗的权衡系数，

和

分别代表任务在本地计算的时延和能耗：

其中，C_m为任务的CPU周期数，

为本地CPU的计算速率，ε为单位CPU周期的能耗。

和

分别代表任务卸载到边缘计算服务器计算的时延和能耗：

其中，

和

分别为任务上传时延和边缘计算服务器执行时延：

其中，D_m为任务数据大小，f_m为边缘计算服务器分配给第m个CUE的计算资源，r_m为任务上传速率:

因此，优化问题函数表达式为：

s.t.C1:

C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

C7:s_m∈{0,1}

C8:∑_m∈Ms_mC_m≤F

该效益v_m(s_m,p_m,p_k,ρ_m,k)针对时延和能耗做归一化处理，v_m(s_m,p_m,p_k,ρ_m,k)的最大化，等价于时延能耗最小化。

条件C1表示第m个CUE的最大时延限制，

为第m个CUE允许的最大时延，t_m为第m个CUE的实际执行时延：

条件C2表示第k对DUE进行D2D通信的可靠性保证，

为第k对DUE允许的最大传输时延，p₀为D2D通信的可靠性保证概率，

为t_k大于或者等于

的概率，t_k为第k对DUE的传输时延：

其中，D_k表示第k对DUE的任务传输大小，r_k表示第k对DUE的传输速率：

条件C3和条件C4表示第m个CUE和第k对DUE的最大功率限制，

和

分别为第m个CUE和第k对DUE的最大发射功率。

条件C5表示一对DUE最多复用一个CUE的信道。

条件C6表示一个CUE的信道最多被一对DUE复用。

条件C7表示任务卸载策略变量s_m是一个取值为0或者1的整数。

条件C8表示边缘计算服务器的最大计算资源限制，F为边缘计算服务器能执行的最大CPU周期数。

S2、优化问题分解。

传统方法在本领域应用中，针对时延和能耗最小化问题直接采用时间复杂度高的启发式算法，因此在实施例中，充分利用任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题相互独立的特性，将优化问题分解为两个子优化问题：任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题，降低了时间复杂度。

该步骤S2过程如下：

任务卸载策略子优化问题与发射功率和信道资源分配模式子优化问题相互独立。任务卸载策略和信道资源分配模式是一个整数变量，发射功率是连续变量，优化问题为混合整数非线性规划问题。

为了解决优化问题，将优化问题拆分成两个独立的子优化问题：任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题，优化问题变化为：

s.t.C1:

C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

C7:s_m∈{0,1}

C8:∑_m∈Ms_mC_m≤F

其中，s^v为任务卸载策略向量，S为选择任务卸载的CUE的集合，S＝{m|s_m＝1}。

优化问题分解为两个独立的子优化问题，优化问题表达为：

其中，在CUE特定的任务卸载策略集合S下，r(S)为关于发射功率和信道资源分配模式子优化问题：

s.t.C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

r(S)的最优解为r^*(S)，则优化问题转化为关于任务卸载策略s_m的子优化问题：

将本地执行和边缘执行的时延和能耗代入效益，则发射功率和信道资源分配模式子优化问题r(S)为：

∑_m∈S(β_T+β_E)为常数，因此r(S)等价于：

S3、计算CUE和DUE的最优发射功率，联合已知的D2D时延可靠性限制条件和CUE以及DUE的功率限制条件，确定CUE和DUE功率的可行域，使用线性规划得到CUE和DUE的最优发射功率；

该步骤S3过程如下：

假设第k对DUE复用第m个CUE的信道，则对于这对CUE-DUE复用对，发射功率和信道资源分配模式子优化问题r(S)简化为：

s.t.C2:

C3:

C4:

根据可靠性限制条件C2，可以得到CUE发射功率和DUE发射功率满足的限制条件：

其中，

为信噪比门限值，根据DUE进行D2D通信允许的最大时延得到

将上述CUE和DUE发射功率满足的限制条件结合C3和C4限制条件，可以得到功率的可行域，使用线性规划解决发射功率子优化问题，得出CUE的最优发射功率

和DUE的最优发射功率

S4、计算最优信道资源分配模式，使用二分图匹配算法解决最大权值二分图匹配问题，得到最优信道资源分配模式；

该步骤S4过程如下

根据CUE的最优发射功率

和DUE的最优发射功率

将发射功率和信道资源分配模式子优化问题r(S)转化为：

s.t.C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

其中，

为假设第k对DUE复用第m个CUE的信道的情况下，根据CUE的最优发射功率

和DUE的最优发射功率

计算出来的最优效益。

上述发射功率和信道资源分配模式子优化问题r(S)为最大权值二分图匹配问题，通过匈牙利算法求解得到最优的信道资源分配模式

S5、计算最优任务卸载策略，使用动态规划解决背包问题，得到CUE的最优任务卸载策略。

该步骤S5过程如下：

根据CUE的最优发射功率

和DUE的最优发射功率

以及最优的信道资源分配模式

将优化问题转化为关于任务卸载策略的子优化问题：

s.t.C7:s_m∈{0,1}

C8:∑_m∈M s_mC_m≤F

上述任务卸载策略子优化问题为典型的背包问题，使用动态规划求解得到最优的任务卸载策略

表1.仿真参数设置表

图3是在CUE的最大发射功率分别为23dbm和17dbm的情况下，CUE的平均时延关于CUE的车速的关系。由图可知，随着CUE的车速增加，CUE的平均时延也增加。CUE的最大发射功率越大，CUE的平均时延越小。

图4为CUE的最大发射功率分别为23dbm和17dbm的情况下，CUE的平均能耗关于CUE的车速的关系。由图可知，随着CUE的车速增加，CUE的平均能耗也增加。提升CUE的最大发射功率降低了CUE的平均时延，但是增加了CUE的平均能耗。

图5为CUE的任务量分别为(100-200)KB、(200-300)KB、(300-400)KB和(400-500)KB的情况下，CUE的平均时延和DUE允许的最大时延的关系。由图可知，当DUE允许的最大时延越大的时候，CUE的平均时延就越小，同时当CUE的任务量越小，CUE的平均时延就越小。

图6为基站的计算速率为40G/s、60G/s、80G/s和100G/s的情况下，CUE的平均时延和DUE的最大时延的关系。基站的计算速率越大，CUE的平均时延越小。

图7为CUE的任务量分别为(100-200)KB、(200-300)KB、(300-400)KB和(400-500)KB的情况下，CUE的平均时延和DUE的可靠性概率的关系。由图可知，当DUE的可靠性概率越大的时候，CUE的平均时延就越小，同时CUE的任务量减小，CUE的平均时延减小。

图8为基站的计算速率为40G/s、60G/s、80G/s和100G/s的情况下，CUE的平均时延和DUE的可靠性概率的关系。由图可知，当基站的计算速率越大，CUE的平均时延越小。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种车联网环境下基于D2D的多接入边缘计算任务卸载方法，该方法的应用场景为单基站附近部署有边缘计算服务器，基站采用OFDMA接入方式，基站覆盖范围内有一定数量的CUE和DUE，CUE是cellular users的简称，DUE是D2D users的简称，CUE能够与基站进行通信，CUE产生的任务请求可能选择在CUE本地或者边缘计算服务器端执行，DUE之间以D2D的形式进行本地数据交换，DUE复用CUE的信道，CUE和DUE互相造成通信干扰，其特征在于，该方法包括以下步骤：

S1、将优化问题建模为时延和能耗效益之和最大化问题，其中效益定义为本地执行代价和实际执行代价之差比上本地执行代价，该代价代表时延或者能耗，优化问题等价于时延和能耗之和最小化问题；

S2、优化问题分解，任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题相互独立，将优化问题分解为两个子优化问题：任务卸载策略子优化问题和发射功率以及信道资源分配模式子优化问题；

S3、计算CUE和DUE的最优发射功率，联合已知的D2D时延可靠性限制条件和CUE以及DUE的功率限制条件，确定CUE和DUE功率的可行域，使用线性规划得到CUE和DUE的最优发射功率；

S4、计算最优信道资源分配模式，使用二分图匹配算法解决最大权值二分图匹配问题，得到最优信道资源分配模式；

S5、计算最优任务卸载策略，使用动态规划解决背包问题，得到CUE的最优任务卸载策略。

2.根据权利要求1所述的车联网环境下基于D2D的多接入边缘计算任务卸载方法，其特征在于，所述的步骤S1过程如下：

假设CUE数量为M，m代表第m个CUE，DUE数量为K对，k代表第k对DUE，CUE所分配的信道被DUE复用，基站总带宽为B，

基站接收到的第m个CUE和第k对DUE的信噪比分别为：

和

其中，p_m和p_k分别代表第m个CUE和第k对DUE的发射功率，h_m,B为第m个CUE和基站之间的信道增益，h_k,B为第k对DUE和基站之间的信道增益，h_k为第k对DUE之间信道增益，h_m,k为第m个CUE和第k对DUE之间的信道增益，σ²为噪声功率，ρ_m,k是信道资源分配模式，ρ_m,k＝1表示第k对DUE复用第m个CUE的信道，否则，ρ_m,k＝0，表示第k对DUE不复用第m个CUE的信道；

其中，信道增益只考虑大尺度增益，分别为：

其中，β_m,B为第m个CUE和基站之间的阴影衰落，β_k,B为第k对DUE和基站之间的阴影衰落，β_k为第k对DUE之间的阴影衰落，β_m,k为第m个CUE和第k对DUE之间的阴影衰落，L_m,B为第m个CUE和基站的距离，L_k,B为第k对CUE和基站的距离，L_k为第k对DUE之间的距离，L_k和车速v成正比，L_m,k为第m个CUE和第k对DUE之间的距离，γ为衰减因子，A为路径损耗常数，

所述的效益为：

其中，s_m表示任务卸载策略，s_m＝0代表任务在本地计算，s_m＝1代表任务卸载到边缘计算服务器计算，β_t和β_e分别为时延和能耗的权衡系数，

和

分别代表任务在本地计算的时延和能耗：

其中，C_m为任务的CPU周期数，

为本地CPU的计算速率，ε为单位CPU周期的能耗；

和

分别代表任务卸载到边缘计算服务器计算的时延和能耗：

其中，

和

分别为任务上传时延和边缘计算服务器执行时延：

其中，D_m为任务数据大小，f_m为边缘计算服务器分配给第m个CUE的计算资源，r_m为任务上传速率:

因此，优化问题函数表达式为：

s.t.C1:

C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

C7:s_m∈{0,1}

C8:∑_m∈Ms_mC_m≤F

该效益v_m(s_m,p_m,p_k,ρ_m,k)针对时延和能耗做归一化处理，v_m(s_m,p_m,p_k,ρ_m,k)的最大化，等价于时延能耗最小化；

条件C1表示第m个CUE的最大时延限制，

为第m个CUE允许的最大时延，t_m为第m个CUE的实际执行时延：

条件C2表示第k对DUE进行D2D通信的可靠性保证，

为第k对DUE允许的最大传输时延，p₀为D2D通信的可靠性保证概率，

为t_k大于或者等于

的概率，t_k为第k对DUE的传输时延：

其中，D_k表示第k对DUE的任务传输大小，r_k表示第k对DUE的传输速率：

条件C3和条件C4表示第m个CUE和第k对DUE的最大功率限制，其中，

和

分别为第m个CUE和第k对DUE的最大发射功率，

条件C5表示一对DUE最多复用一个CUE的信道，

条件C6表示一个CUE的信道最多被一对DUE复用，

条件C7表示任务卸载策略变量s_m是一个取值为0或者1的整数，

条件C8表示边缘计算服务器的最大计算资源限制，F为边缘计算服务器能执行的最大CPU周期数。

3.根据权利要求2所述的车联网环境下基于D2D的多接入边缘计算任务卸载方法，其特征在于，所述的步骤S2中进行优化问题分解，由于效益v_m(s_m,p_m,p_k,ρ_m,k)中，发射功率和信道资源分配模式子优化问题与任务卸载策略子优化问题相互独立，将优化问题转化为两个子问题：发射功率和信道资源分配模式子优化问题以及任务卸载策略子优化问题，优化问题变化为：

s.t.C1:

C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

C7:s_m∈{0,1}

C8:∑_m∈Ms_mC_m≤F

其中，s^v为任务卸载策略向量，S为选择任务卸载的CUE的集合，S＝{m|s_m＝1}；

将优化问题分解为两个独立的子优化问题，优化问题表达为：

其中，在CUE特定的任务卸载策略集合S下，r(S)为关于发射功率和信道资源分配模式子优化问题：

s.t.C2:

C3:

C4:

C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

r(S)的最优解为r^*(S)，则优化问题转化为关于任务卸载策略s_m的子优化问题：

将本地执行和边缘执行的时延和能耗代入效益，则发射功率和信道资源分配模式子优化问题r(S)为：

∑_m∈S(β_T+β_E)为常数，因此r(S)等价于：

4.根据权利要求3所述的车联网环境下基于D2D的多接入边缘计算任务卸载方法，其特征在于，所述的步骤S3中计算最优发射功率，联合已知的D2D时延可靠性限制条件和CUE以及DUE的功率限制条件，确定CUE和DUE功率的可行域，使用线性规划得到CUE和DUE的最优发射功率，具体如下：

假设第k对DUE复用第m个CUE的信道，对于这对CUE-DUE复用对，发射功率和信道资源分配模式子优化问题r(S)简化为：

s.t.C2:

C3:

C4:

根据可靠性限制条件C2，得到CUE发射功率和DUE发射功率满足的限制条件：

其中，

为信噪比门限值，根据DUE进行D2D通信允许的最大时延得到

将上述CUE和DUE发射功率满足的限制条件结合C3和C4限制条件，得到功率的可行域，使用线性规划解决发射功率子优化问题，得出CUE的最优发射功率

和DUE的最优发射功率

5.根据权利要求4所述的车联网环境下基于D2D的多接入边缘计算任务卸载方法，其特征在于，所述的步骤S4中计算最优信道资源分配模式，根据CUE和DUE可进行任意的信道复用，将信道资源分配模式子优化问题转化为最大权值二分图匹配问题，使用匈牙利法得到最优的信道资源分配模式，具体如下：

根据CUE的最优发射功率

和DUE的最优发射功率

将发射功率和信道资源分配模式子优化问题r(S)转化为：

s.t.C5:∑_m∈Mρ_m,k≤1

C6:∑_k∈Kρ_m,k≤1

其中，

为假设第k对DUE复用第m个CUE的信道的情况下，根据CUE的最优发射功率

和DUE的最优发射功率

计算出来的最优效益，将以上发射功率和信道资源分配模式子优化问题r(S)转化为最大权值二分图匹配问题，通过匈牙利算法求解得到最优的信道资源分配模式

6.根据权利要求5所述的车联网环境下基于D2D的多接入边缘计算任务卸载方法，其特征在于，所述的步骤S5中计算最优任务卸载策略，将优化问题转化为关于任务卸载策略的背包问题，通过动态规划得到最优的任务卸载策略，具体如下：

根据CUE的最优发射功率

和DUE的最优发射功率

以及最优的信道资源分配模式

将优化问题转化为关于任务卸载策略的子优化问题：

s.t.C7:s_m∈{0,1}

C8:∑_m∈Ms_mC_m≤F

上述任务卸载策略子优化问题为典型的背包问题，使用动态规划求解得到最优的任务卸载策略

Images