CN111405527A - 一种基于志愿者协同处理的车载边缘计算方法、装置及系统 - Google Patents

Abstract

本发明提供了一种基于志愿者协同处理的车载边缘计算方法、装置及系统，所述方法为：设某一车载边缘计算服务器，即VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的总任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量；其中每个志愿者联盟是一个由多个有闲置资源的车辆组成的车载资源池。本发明能解决车载边缘计算中VEC服务器计算资源有限的问题，有效提高车载服务质量和用户体验。

Description

一种基于志愿者协同处理的车载边缘计算方法、装置及系统

技术领域

本发明涉及车载边缘计算领域，具体涉及一种基于志愿者协同处理的车载边缘计算方法、装置及系统。

背景技术

近年来，车载云计算作为车联网中的一个关键技术，受到了广泛的关注。车载云计算技术利用云计算优势为车辆用户提供计算服务，使得车辆之间能够共享资源，相互合作，实现诸如智能交通管理、实时路况监测等应用和安全的驾驶体验。然而，随着车联网和5G通信的迅速发展，各种新兴的车载应用和服务随之增加，对于增强现实、无人驾驶、在线多媒体等延迟敏感的计算密集型应用，不仅要求高访问速度和低时延，还需要大量的资源用于计算处理和内容缓存。现有的方法是车辆用户将计算任务与远程云中心服务器进行数据交换，然而，由于云中心服务器远离车辆用户，通常会带来相对较大的时延，已经不能满足车辆用户的体验。

为了应对这一挑战，相关学者将移动边缘计算(Mobile Edge Computing,MEC)引入到车载云计算中，构建移动车辆用户与云服务器之间的近距离计算环境，形成车载边缘计算(Vehicular Edge Computing,VEC)。VEC能够将计算能力扩展到车辆网络边缘，是一种提高数据交换效率的有效方法，能够在计算处理中提供快速的交互响应。在VEC中，车辆用户为获得高质量的服务体验，可以将本地计算任务卸载到与路侧单元(Road Side Unit,RSU)[8]相连的VEC服务器，通过VEC服务器与本地车辆之间的计算资源分配来改善用户的服务体验。然而，与位于远程的云中心服务器相比，面对迅速增长的车辆需求，车载边缘计算越来越受制于其有限的计算资源。对于各种计算密集型车载应用需求，现有的VEC服务器的资源容量已无法满足用户需求。因此，资源受限的VEC服务器与车载计算密集型应用之间的紧张关系成为提高车载服务的用户满意度和服务质量的瓶颈，为车载边缘计算设计合理有效的计算卸载和资源分配方案迫在眉睫。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提供一种基于志愿者协同处理的车载边缘计算方法、装置及系统，能解决车载边缘计算中VEC服务器计算资源有限的问题，有效提高车载服务质量和用户体验。

本发明所提供的技术方案为：

一方面，提供一种基于志愿者协同处理的车载边缘计算方法，设某一车载边缘计算服务器，即VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；

VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的总任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量；其中每个志愿者联盟是一个由多个有闲置资源的车辆组成的车载资源池。

进一步地，车辆用户r_i将任务量卸载到VEC服务器v_j，需要向VEC服务器v_j支付的费用D_i,j为：

D_i,j＝s_jq_i,j

其中，s_j表示VEC服务器v_j制定的价格，即VEC服务器v_j为车辆用户处理单位任务量的收费；q_i,j表示车辆用户r_i卸载到VEC服务器v_j的任务量。

进一步地，车辆用户r_i卸载到VEC服务器v_j的最佳任务量

为：

其中，b₀是VEC服务器v_j分配给车辆用户r_i的子信道的带宽，h_i,j和

分别表示子信道上的信道增益和附加的白高斯噪声功率；t_i,j是车辆用户r_i向VEC服务器v_j完成任务卸载的持续时间；γ_i是车辆用户r_i在本地处理单位任务量的能耗值；λ_i为车辆用户r_i能耗的权重因子，ψ_i是车辆用户r_i支付的费用在成本函数中的权重因子。

进一步地，VEC服务器v_j招募志愿者联盟协助其处理单位任务量所支付的报酬为：

其中，δ_j是VEC服务器处理单位任务量的成本，l_th为VEC服务器招募的志愿者联盟个数l的限值。

进一步地，以VEC服务器v_j的效用函数Y_j为适应度函数，通过遗传算法求VEC服务器v_j制定的价格s_j，即VEC服务器v_j为车辆用户处理单位任务量的收费的最优解。

进一步地，VEC服务器的效用函数Y_j为：

其中，Q_total为VEC服务器v_j所能处理的总任务量，即VEC服务器v_j的计算资源能够处理的总任务量，η是VEC服务器v_j招募志愿者联盟协助其处理单位任务量所支付的报酬。

进一步地，通过遗传算法求VEC服务器v_j制定的价格s_j的最优解包括以下步骤：

步骤1、初始化一个种群Pop，其中包括随机产生的Num个个体，每个个体是一个长度为L的二进制串，设置交叉概率pa，变异概率pb和代沟GGAP；初始化遗传代数It＝1；

步骤2、将种群Pop中各个个体分别作为s_j的取值，代入VEC服务器的效用函数，计算相应的Y_j值，相应的Y_j值即各个个体的适应度；在计算Y_j值时，q_i,j取值为车辆用户r_i卸载到VEC服务器v_j的最佳任务量

记录当代种群Pop中适应度最高的个体；

步骤3、基于计算得到的种群Pop中各个个体的适应度，利用轮盘赌选择法从种群Pop中选出Num*GGAP个个体，记为种群P；

步骤4、根据交叉概率pa对种群P进行交叉操作，具体地：将种群P中所有个体两两配对，得到多组个体；对每一组个体，先产生一个[0,1]之间的随机数，判断产生的随机数是否小于交叉概率pa，若是，则这一组个体不需要进行交叉操作，这一组两个个体保持不变；否则这一组个体需要进行交叉操作；对于需要进行交叉操作的每一组个体，随机产生一个交叉点，将该组两个个体在交叉点后的子串对调，产生两个新的个体；

步骤5、根据变异概率pb对经过交叉操作后的种群P进行变异操作，得到新的种群P，具体地：根据变异概率pb计算进行变异操作的个体数量Num1，Num1＝Num*L*pb；在经过交叉操作后的种群P随机选取Num1个个体进行变异操作，即0-1互换操作，产生新的个体；

步骤6、调用reins函数将子代P重插入到父代，即用新的种群P中的个体替换掉种群Pop中适应度最小的Num*GGAP个个体，由新的种群P中的Num*GGAP个个体与种群Pop中适应度最大的Num*(1-GGAP)个个体构成新的种群Pop；

步骤7、判断是否满足迭代终止条件(如最优个体，即适应度最高的个体的适应度达到给定的阈值，或者最优个体的适应度不再上升，或者迭代次数达到预设的最大遗传代数)，若是，则将历史种群Pop中适应度最高的个体转换成十进制数Value，将其作为s_j的最优解，赋值给s_j ^*，即VEC服务器制定的最佳价格(最优策略)，否则令It＝It+1，返回步骤2。

进一步地，将VEC服务器自身不能处理的任务量，划分成l份子任务，把每个子任务当成一份工作，分配给l个志愿者联盟去完成，且每个志愿者联盟只能完成一项工作，用回溯法求求解上述任务分配问题，得到最优的任务分配方案，即使所有志愿者联盟总成本最小的任务分配方案；对任一志愿者联盟A_k，设分配给其处理的子任务大小为f_j,k，其处理该类型子任务的单位成本为ξ_k，其处理该任务的总成本为ξ_kf_j,k。

另一方面，提供一种基于志愿者协同处理的车载边缘计算装置，包括车载边缘计算服务器，即VEC服务器v_j；

设VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；

VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量。

另一方面，提供一种基于志愿者协同处理的车载边缘计算系统，包括车载边缘计算服务器，即VEC服务器、有任务卸载需求的车辆用户以及有闲置资源的志愿者联盟；

设VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；

VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量。

有益效果：

在本发明上述技术方案中，考虑到在当前的技术条件下，行驶中的近距离车辆之间能够保持稳定的通信，提出了一种新的车载边缘计算框架，利用车载边缘计算(VEC)系统中有闲置资源的车辆，形成志愿者联盟，将其作为VEC服务器的资源扩充，协助VEC服务器处理其他车辆的任务卸载请求，解决VEC服务器计算资源不足问题，使得VEC服务器的计算资源能够满足车辆用户的任务卸载需求，有效提高车载服务质量和用户体验，同时能满足车辆用户的能耗约束。为了能使车辆能够获得更好的服务体验，分析了车辆用户和VEC服务器之间的交互过程，车辆用户可以根据VEC服务器的定价高低选择卸载的任务量大小，VEC服务器根据车辆的资源请求量设定最优的价格，应用改进的遗传算法(VGA)求解VEC服务器的定价策略，VGA算法具有快速收敛性，能在较少的迭代次数内达到最优结果，由此能够快速获得最佳的VEC服务器的定价策略和车辆任务卸载(资源请求)策略。VEC服务器基于愿意提供资源的志愿者联盟的数量，自动调整支付给志愿者联盟的报酬，既能激励有闲置资源的车辆提供资源参与车载边缘计算卸载，同时保证VEC服务器的效用。为使志愿者联盟的效用最大化，提出了一个志愿者任务分配算法，实现了志愿者联盟之间的任务最佳分配。最后，通过大量的仿真验证了本发明上述技术方案的有效性，且本发明上述技术方案中的计算框架优于现有的方案。与没有协作的独立VEC系统相比，所提出的协作VEC方案可以将车辆成本降低，提高VEC服务器的效用。

附图说明

图1本发明本实施例中车载边缘计算模型；

图2本发明本实施例中志愿者联盟；

图3本发明本实施例中志愿者联盟的形成过程；图3(a)～(d)分别为四种场景下的志愿者联盟的形成过程；

图4本发明本实施例中志愿者任务分配；

图5本发明本实施例中VEC服务器的效用随RV数量的变化图；

图6本发明本实施例中RV的总成本随VEC服务器定价的变化图；

图7本发明本实施例中VEC服务器的效用与其定价策略的关系图；

图8为本发明本实施例提出的方案与普通的无志愿者方案的迭代对比图；

图9为本发明本实施例中每个志愿者联盟处理处理不同类型任务的单位成本；

图10为本发明本实施例中VTAA算法和顺序选择车辆任务的算法进行对比实验结果图。

具体实施方式

以下对本实施例进行具体说明。

本实施例分析VEC服务器、车辆用户和志愿者联盟三方之间的行为交互，研究VEC系统在车辆能耗约束下的车载边缘计算卸载(资源分配)和效用最优化问题问题，根据车辆之间的社会关系形成志愿者联盟，充分利用志愿者车辆的闲置资源协助VEC服务器处理任务，使得VEC服务器能够满足车辆的用户体验，同时获得更高的经济效益，实现三方的合作共赢。

在本实施例所提车载边缘计算框架下，周边其他车辆可以与VEC服务器协同完成计算任务，由此有效提高车载应用的服务质量。

实际环境中，很多行驶中的车辆存在着大量闲置资源，这些资源可与边缘服务器协同参与计算、通信和存储等任务，因此可以基于有效的激励机制，将这些闲置资源形成可利用的资源池，以解决VEC服务器的资源不足问题。

但是，大部分车辆具有自私性，不愿意无偿协助其他车辆完成计算任务，在有偿服务的前提下，车辆也具有贪婪性，希望最大化自己的收益。同时，车辆之间存在一定的社会关系，如不同的车辆之间可能会对同一个任务(如，实时路况查询)具有共同的兴趣爱好，或者有些任务是某些车辆的缓存任务(如热播的在线高清视频)，可以直接发送给邻居车辆，实现彼此共享。这种社会性使得我们可对协助完成计算任务的车辆(下称志愿者车辆)进行筛选，挖掘它们的相似性。由于志愿者车辆自身的社会关系，它们会联系身边的邻居车辆，建立朋友关系，形成稳定的志愿者联盟资源池，这给利用车辆闲置资源共同协助VEC服务器处理计算任务提供了可能。

本实施例联合优化车载边缘计算卸载策略和资源分配问题，同时考虑了计算资源的货币成本和能耗因素，通过设计基于社会关系的邻居度激励机制招募资源闲置的车辆，使其成为志愿者车辆(Volunteer Vehicle，VV)，利用Vehicle-to-Vehicle(V2V)技术形成备用的车载资源池(下称志愿者联盟)，这些闲置资源具有强大的计算能力，可以作为VEC服务器资源扩充的方案，随时协助VEC服务器及时处理邻居车辆的任务请求。

本实施例分析有任务请求的车辆用户(Request Vehicle,RV)与VEC服务器之间的计算卸载过程，基于斯塔克尔伯格博弈模型分析双方交互行为，求解车辆卸载任务量的最佳大小，设计了一种基于遗传算法的启发式智能优化算法VGA(Vehicle GeneticAlgorithm)求解VEC服务器的单位资源价格，以优化系统的资源分配问题；为共享闲置资源的志愿者车辆设计了激励机制，利用车载志愿者任务分配算法VTAA(Volunteer TaskAssignment Algorithm)将VEC服务器的任务高效地分配给志愿者联盟，以联合优化计算卸载和资源分配问题，同时满足车辆用户的能耗约束。

一、本实施例中的车载边缘计算模型

本实施例主要研究了基于志愿者协同处理的车载边缘计算卸载和资源分配问题。系统模型主要包括网络模型，通信模型，能耗模型和支付模型四个部分。

A.网络模型

在车载边缘计算中，为了能够充分利用行驶中的车辆之间的闲置资源，本部分提出了志愿者协同车载边缘计算系统模型VCVEC(Volunteers Collaborative VehicularEdge Computing，VCVEC)。如图1所示，系统在车辆行驶的马路场景中部署了m个路侧单元(RSU)，每个RSU与一个VEC服务器相连，每个VEC服务器可为有任务卸载需求的车辆用户提供计算服务。在该场景中，有三类车辆，即有任务卸载需求的车辆用户(RV)、具有闲置资源的车辆(Inactive Vehicle,IV)和志愿者车辆VV。本文假设有m个VEC服务器，表示为V＝{v₁,v₂,…,v_m},，每个VEC服务器覆盖(辐射)范围内存在n个车辆用户RV，表示为R＝{r₁,r₂,…,r_n}。当VV看到平台发布的任务和奖励时，可联系周边的IV，形成一个资源池，即志愿者联盟(Volunteer Alliance,VA)。而每个VEC服务器可根据自身的需求，决定招募l个VA，VA的集合表示为L＝{A₁,A₂,…,A_l}，A_k由至少一辆VV和若干辆IV组成，k＝1,2,…,l。RV可以在本地处理一些简单的计算任务，当计算任务较为复杂时，可以将部分或全部计算任务卸载到附近的一个VEC服务器处理。对于第i个车辆用户(r_i)的计算任务，用w_i(i∈[1,n])表示车辆用户r_i的总任务量。以下给出了有关所述模型的更多详细概念。

(1)VEC服务器

VEC服务器通过有线连接集成到RSU中，部署在车辆行驶的道路两侧。当RV将任务卸载到VEC服务器上时，VEC服务器会根据RV的需求，将资源分配给RV。当VEC服务器资源不足时，会向各志愿者联盟租用其闲置资源。

(2)有资源请求的车辆用户RV

RV上装有GPS、蓝牙、WiFi等无线通信设备，当RV有任务请求时，RV可以选择在本地处理任务，同时，也可以通过无线通信技术，将部分或全部任务卸载到最近的VEC服务器处理，或者卸载到VEC服务器招募的志愿者联盟中处理。

(3)志愿者联盟VA

如图2所示，当RV没有任务处理的需求时，车辆上会存在大量多余的资源，这些资源将处于闲置状态，此时，RV便转化为具有闲置资源的车辆IV。当VEC服务器资源不足时，将会发布其无法处理的任务到任务撮合平台。任务撮合平台属于VEC网络的一个智能分析软件，可以实时监控各志愿者联盟的社交情况，并为其分配任务，而志愿者联盟是一个自私的群体，不会为其他车辆无偿提供资源服务。因此，VEC服务器会设定一定的激励机制，促使志愿者联盟的形成。

如图3所示是志愿者联盟的形成过程，横坐标表示车辆与VEC服务器的距离，纵坐标表示车辆在某个时间段的任务感兴趣度，同种符号的点代表同一个志愿者联盟，每个志愿者联盟选取一辆IV，成为VV。通过计算两个点之间的欧式距离把具有相似性的车辆聚集在一起，即IV和VV之间的欧式距离越近，说明其相似度越高，则越愿意加入同一个志愿者联盟。例如，当志愿者联盟的中的志愿者车辆VV通过观察发布的任务和激励机制时，并对发布的任务感兴趣，可以告诉其身边具有亲密关系的IV(例如同属一个公司的公交车)。这样，原先不愿意贡献资源的IV就有可能会愿意加入其联盟，共同参与资源的贡献。例如，图中有20个IV，通过k-means聚类方法，可以经过4次迭代，最终形成4个志愿者联盟。还可以通过其他方法来把闲置资源组织起来形成志愿者联盟为VEC提供服务，但不是本实施例研究重点，上述是志愿者联盟形成的简要过程示例。

B.通信模型

VEC服务器将可用的带宽划分成正交子信道，并分配给车辆用户RV，RV可通过无线信道把任务卸载到VEC服务器，车辆用户r_i向VEC服务器v_j传输信号的功率为p_i,j，用香农公式计算得到最大信息传送速率C_i,j为：

其中，b₀是子信道的带宽，h_i,j和

分别表示子信道上的信道增益和附加的白高斯噪声功率。

C.能耗模型

考虑在时间间隙t_i,j中RV的能量消耗模型。根据最大信息传送速率和持续时间，得到车辆用户r_i卸载到VEC服务器v_j的任务量为q_i,j＝C_i,jt_i,j。RV的能耗成本由本地能耗

和卸载链路通信能耗

两部分组成。因此，RV总的能量消耗可以表示为：

其中，γ_i是车辆用户r_i在本地处理单位任务量的能耗值。

D.支付模型

当车辆用户r_i将任务量卸载到VEC服务器v_j，从VEC服务器获得资源处理任务时，需要向VEC服务器v_j支付的费用D_i,j可以表示为：

D_i,j＝s_jq_i,j.(3)

其中，s_j表示VEC服务器v_j制定的价格，即VEC服务器v_j为车辆用户处理单位任务量的收费。

E.RV的成本函数

RV的成本函数可以表示为计算卸载所消耗的总能耗加上所支付给VEC服务器的费用，因此，对于RV的成本函数可以表示为：

即：

其中，o_i,j∈{0,1}用于表示车辆用户r_i是否向VEC服务器v_j；若o_i,j＝1，表示车辆用户r_i向VEC服务器v_j卸载任务，若o_i,j＝0，表示车辆用户r_i不向VEC服务器v_j卸载任务；

即车辆用户r_i向且最多只向一个VEC服务器卸载任务。λ_i为车辆用户r_i能耗的权重因子，它是一个大于0的常量，当车辆的能量较低时，会更关注自身能耗，此时，λ_i会设置的较大，反之，当车辆更关注自身的费用支出时，则会将λ_i设置的较小。同理，ψ_i是车辆用户r_i支付的费用在成本函数中的权重因子。

F.志愿者邻居度激励机制

由于RV的移动性，同一路段的VEC服务器在不同时间段的负载能力是不平衡的。同一个VEC服务器在高峰时期，RV的数量远远多于平峰时期，此时，假设VEC服务器v_j过载无法满足RV的需求时，v_j将招募VA提供闲置资源，以满足RV的卸载请求。为此，VEC服务器将会向任务撮合平台提出申请，并以η的价格购买志愿者联盟的闲置资源，将其称为志愿者邻居度激励机制(Volunteer Neighbor Incentive,VNI)：

其中，η是VEC服务器v_j招募VA提供闲置资源协助其处理单位任务量所支付的报酬，δ_j是VEC服务器v_j处理单位任务量的成本，

是成本的折扣系数，l_th为VEC服务器招募的志愿者联盟个数l的限值，即一个VEC服务器最多招募l_th个志愿者联盟。初始时，VEC服务器为吸引更多的志愿者联盟为其服务，VEC服务器会提供较高的报酬来鼓励更多的IV形成志愿者联盟为其服务，即当l＝0时，奖励报酬η最大。随着志愿者联盟的数量越来越多，即l值越来越大，报酬会慢慢减少，逐渐趋于稳定。

G.VEC服务器的效用函数

为了在保证车辆用户体验的同时最大限度地降低VEC服务器的成本，VEC服务器需要提供一定的资源量来处理用户的任务。VEC服务器的效用可以用自己服务的车辆RV中的收入减去自身所花费的成本以及招募志愿者联盟所花的费用。因此，对于VEC服务器v_j的效用函数可以表示为：

即：

其中，

表示所有车辆用户向VEC服务器v_j请求卸载的总任务量；Q_total为VEC服务器v_j所能处理的总任务量，VEC服务器会优先利用自身的资源来处理车辆用户卸载的任务，如果自身的不够，则剩余的无法处理的任务量

由招募的志愿者联盟提供资源来处理，假设招募的志愿者联盟和VEC服务器分配的资源拥有相同的处理能力。

H.志愿者联盟的报酬函数

对于招募的志愿者联盟，其效用是VEC服务器激励其协作所收到的奖励减去志愿者联盟提供资源处理任务所花费的成本。因此，对于志愿者联盟的报酬函数可以表示为：

其中，ξ_k和f_j,k分别是志愿者联盟A_k协助VEC服务器处理单位任务所花费的成本和处理的任务量大小；

二、本实施例中的三方博弈与最优策略求解

在上述所提模型中，请求车辆RV、VEC服务器和志愿者联盟VA三者之间既合作，又存在竞争，都为实现各自的最大利益选择最佳的参与策略。

A.问题描述

根据提出的VCVEC模型，分析了请求车辆RV、VEC服务器和志愿者联盟VA三者的资源分配方案以达到整体的最大效用。因此，将请求车辆RV和VEC服务器之间的交互构建为两阶段斯塔克尔伯格博弈，VEC服务器可在第三阶段采用志愿者任务分配算法VTAA将未处理的任务最优地分配给各志愿者联盟，具体的三阶段子问题求解过程如下：

第一阶段，RV的优化方案。RV作为理性的个体，目标是最优化(4)中的成本。在斯塔克尔伯格博弈中，RV预测VEC服务器制定的价格，并根据所要完成的任务提出自身卸载的任务量(对应购买的资源量)大小。

问题1：最小化RV的成本问题可以表述为：

s.t.C₁:o_i,j∈{0,1}. (11)

其中，

是VEC服务器v_j制定的最佳价格。

第二阶段，VEC服务器的优化方案。VEC服务器根据RV预期卸载的任务总量公布其单位价格，并通过志愿者邻居度激励机制VNI确定招募志愿者联盟所提供的报酬大小，以使其自身效用最大化。

问题2：最大化VEC服务器的效用问题可以表述为：

s.t.C₁:δ_j<s_j. (14)

C₂:s_j>η. (15)

其中，

表示RV的最佳卸载任务量。

是除了v_j以外其他的VEC服务器制定的最佳价格的概况。

第三阶段，志愿者联盟的优化方案。志愿者联盟会根据VEC服务器的激励机制，并考虑平台发布的各任务的处理成本，选择其中一个任务提供资源进行处理，并使自身获得最多的报酬。

问题3：最大化志愿者联盟的收益问题可以表述为：

s.t.C₁:η>ξ_k.(17)

其中，

表示志愿者联盟获得最佳报酬时处理任务的总成本。

B.基于斯塔克尔伯格博弈的资源分配策略

本文所提模型下，VEC服务器和RV的资源请求有先后，是领导者与追随者的关系，适合应用斯塔克尔伯格博弈展开分析。在双方博弈中，VEC服务器充当领导者，向车辆RV公布价格。车辆RV充当追随者，根据领导者设定的价格，RV车辆r_i确定向VEC服务器v_j卸载的任务量q_i,j。车辆和VEC服务器之间斯塔克尔伯格博弈纳什均衡存在唯一性。

定义1：斯塔克尔伯格平衡点

一方面，每个RV都希望尽可能多的从VEC服务器上获取更多的资源，以满足自己的服务体验。另一方面，VEC服务器设置的单位资源价格会使RV花费的成本增加。令

是纳什均衡下的任务卸载情况，

是除r_i之外的其他RV的策略，

是RV所能做出的最佳决策，

是斯塔克尔伯格平衡点，满足以下条件：

斯塔克尔伯格博弈是一种非合作博弈，因此，可以通过找到其子博弈的完美纳什均衡来获得[22]。因为RV和VEC之间在价格和资源上存在竞争，且VEC服务器设定的价格是基于RV的最佳响应，因此，上述问题可以使用反向归纳法寻找其最佳策略。对此，首先假设用固定的价格s_j表示VEC服务器提出的价格，以解决RV的优化问题，找到RV的最佳购买资源量

然后将

替换为VEC服务器的优化问题中的q_i并找出其最优价格策略。

引理1：在VEC服务器与RV博弈中，VEC服务器充当领导者，宣布其制定的价格s_j，车辆用户r_i充当追随者卸载到VEC服务器v_j的最佳任务量

为：

证明：

由于固定时间间隙t_i,j内车辆用户r_i卸载到VEC服务器v_j的任务量q_i,j取决于p_i,j，通过求解p_i,j的最佳值，可以得到对应的q_i,j的最佳值。

通过分析车辆RV的效用函数X_i，可以得到其关于p_i,j的一阶导数：

继续对(20)的结果求二阶导数得：

可以看到

是一个恒大于0的数，因此，成本函数X_i相对于p_i,j是严格凸的。令(20)中的一阶导数

可以求得最佳信号传输功率：

此时对应的车辆用户r_i卸载到VEC服务器v_j的最佳任务量为：

由此得到车辆RV的策略集

相似的，当车辆RV给出其最佳策略后，可以得到VEC服务器的优化问题如下：

当要求解VEC服务器的最佳策略时，可以看到这是一个非线性的复杂优化问题，利用传统方法很难得到其最优解。为此，设计了基于斯塔克尔伯格博弈的智能优化算法(VGA)，该算法基于遗传算法进行求解，遗传算法是一种启发式自适应寻优算法，可以经过反复的交叉、变异、选择和繁殖，直到搜索到最优解空间，VGA具体步骤如下：

步骤1、初始化一个种群Pop，其中包括随机产生的Num个个体，每个个体是一个长度为L的二进制串，设置最大遗传代数MT，交叉概率pa(交叉概率pa一般取0.4-0.99)，变异概率pb(变异概率一般取0.0001-0.1)和代沟GGAP；初始化遗传代数It＝1；

步骤2、将种群Pop中各个个体分别作为s_j的取值，代入VEC服务器的效用函数，计算相应的Y_j值，相应的Y_j值即各个个体的适应度；其中

其中，

记录当代种群Pop中适应度最高的个体；

步骤3、基于计算得到的种群Pop中各个个体的适应度，利用轮盘赌选择法从种群Pop中选出Num*GGAP个个体，记为种群P；

步骤4、根据交叉概率pa对种群P进行交叉操作，具体地：将种群P中所有个体两两配对，得到多组个体；对每一组个体，先产生一个[0,1]之间的随机数，判断产生的随机数是否小于交叉概率pa，若是，则这一组个体不需要进行交叉操作，这一组两个个体保持不变；否则这一组个体需要进行交叉操作；对于需要进行交叉操作的每一组个体，随机产生一个交叉点，将该组两个个体在交叉点后的子串对调，产生两个新的个体；

步骤5、根据变异概率pb对经过交叉操作后的种群P进行变异操作，得到新的种群P，具体地：根据变异概率pb计算进行变异操作的个体数量Num1，Num1＝Num*L*pb；在经过交叉操作后的种群P随机选取Num1个个体进行变异操作，即0-1互换操作，产生新的个体；

步骤6、调用reins函数将子代P重插入到父代，即用新的种群P中的个体替换掉种群Pop中适应度最小的Num*GGAP个个体，由新的种群P中的Num*GGAP个个体与种群Pop中适应度最大的Num*(1-GGAP)个个体构成新的种群Pop；

步骤7、判断是否有It＝MT，若是，则将历史种群Pop中适应度最高的个体转换成十进制数Value，将其作为s_j的最优解，赋值给s_j ^*，即VEC服务器制定的最佳价格(最优策略)，否则令It＝It+1，返回步骤2。

C.VEC服务器和志愿者联盟的任务分配策略

由于每个志愿者联盟完成VEC服务器发布到平台的不同任务所花费的成本是不同的，因此，我们采用志愿者任务分配算法VTAA来解决VEC服务器和志愿者联盟之间的任务分配问题。

当VEC服务器发布其无法处理的任务时，任务撮合平台将多余的任务划分成l份子任务，每个子任务可能来自1个或多个RV，由于每个志愿者联盟都有其自身擅长的领域，对于不同任务的喜好程度也不尽相同，因此，协作完成各子任务花费的成本不同。如图4所示，例如，有4个志愿者联盟和4个子任务，志愿者联盟擅长的领域分别为VA1社交领域，VA2娱乐领域，VA3交通领域和VA4翻译领域，4个子任务分别是VT1地图导航，VT2在线聊天，VT3语音识别，VT4视频直播。由于每个志愿者联盟执行自身领域内的成本较低，领域外的成本较高，且每个志愿者联盟只能执行唯一一个子任务，例如，VA1擅长社交领域，其处理VT2这样的在线聊天任务的成本低于其他子任务，显然，可以得到志愿者联盟和子任务之间的最佳匹配对VA1-VT2，VA2-VT4，VA3-VT1，VA4-VT3。因此，选择合适的子任务并合理地分配给志愿者联盟至关重要。为了最大化志愿者联盟的整体效用，每个志愿者联盟必须挑选使自己成本最低的子任务。

这样就可以把这个问题建模成一个任务分配问题，通过车载志愿者任务分配算法VTAA(Volunteer Task Assignment Algorithm))求解上述任务分配问题，即把每个子任务当成一份工作，分配给l个志愿者联盟去完成，且每个志愿者联盟只能完成一项工作，用回溯法求解得到最优的任务分配方案，即使所有志愿者联盟总成本最小的任务分配方案；设分配给其处理的子任务大小为f_j,k，其处理该类型子任务的单位成本为ξ_k，其处理该任务的总成本为ξ_kf_j,k。

三、仿真与性能分析

在本部分，通过Matlab进行仿真实验，对本发明实施例提出的车载边缘计算卸载和资源分配方案(记为VCVEC)进行评估，不招募志愿者联盟协助处理任务的方案记为无志愿者方案。本部分模拟了这样一个场景，在一条1000米的直线道路上，分布着10个VEC服务器，每个VEC服务器覆盖(30,100)辆有资源请求的车辆RV，每个VEC服务器的计算资源总量在20-900GHz之间，车辆卸载任务的延迟约束间隔为0.7-0.9s，带宽为4MHz，VEC服务器处理单位任务量的成本(单位资源成本)为3-8元，车辆在本地处理的单位能耗值为34W，志愿者联盟的数量阈值为50，权重系数λ_i和ψ_i分别是0.6和0.4。

图5中为VEC服务器的效用随车辆用户RV数量的变化图。分别设置了志愿者联盟的数量为4，25，40。可以发现随着RV数量的增加，所有VEC服务器的效用通常都会增加，原因是当RV的数量增加时，RV支付给边缘云的总的费用也会不断增长。当招募越多的志愿者联盟时，VEC服务器的收益也会变得更大，这是因为起初的时候，VEC服务器为吸引志愿者联盟而设置较高的报酬，当志愿者联盟的数量增多时，支付给志愿者联盟的报酬会降低，VEC服务器所花费的成本也随之降低。因此，当增加志愿者联盟的数量时，VEC服务器的效用可以达到更高的值。图中，当RV的数量为85个，招募的志愿者联盟的数量为40个时的效用最大，为1992.76，而不招募志愿者联盟的VEC服务器效用最低，为1442.57。

从图6中，可以发现车辆RV的总成本会随着VEC服务器所定的价格增加而增加，并且会随着任务量的增大而增加。当VEC服务器定价一定时，RV的任务量越大，所购买的资源量也会越多，因此，RV的花费也会增加。当RV的任务量一定时，若VEC服务器为吸引志愿者联盟协助其处理任务，将会花费激励成本去激励志愿者车辆，因此会调高其销售的单位价格，此时，RV会相应地减少资源的请求量，将部分任务交由本地处理，本地处理的能耗增加，RV的开销也会增加。

图7为VEC服务器的效用与其定价策略的关系图。可以看到随着单位价格的增加，VEC的效用会逐渐上升，当达到最高点时，会逐渐下降，当价格固定时，本实施例提出的方案比普通的无志愿者方案的效用更高。因为随着价格的升高，车辆支付给VEC服务器的费用会增加，而招募更多的志愿者联盟可以使得车辆可以请求到更多的资源，所以，VEC服务器的效用会逐渐升高。当价格超过一定的值后，车辆会因为价格太高而降低请求的资源量，VEC服务器的效用也会随之降低。为了得到VEC服务器的最优策略，以使得VEC服务器的效用最大，本实施例使用了VGA算法求解，实验结果如图8所示。

图8为本实施例提出的方案与普通的无志愿者方案的迭代对比图。根据VGA算法，VEC服务器改变其价格以便在计算卸载中能够吸引更多的车辆请求资源，并且随着迭代次数的增加，VEC服务器设定的价格逐渐接近最优值。两个方案的迭代次数分别为15和20次，表明本实施例提出的方案中所采用的VGA算法可以在较短的迭代次数内达到令人满意的结果。

为每个志愿者联盟动态初始化其处理不同类型子任务的单位成本，如图9所示。

图10是本实施例提出的方案中采用的VTAA算法和顺序选择车辆任务的算法(顺序算法，即根据子任务的顺序逐一分配给不同的志愿者联盟)对比实验结果图。从图中可以看到利用VTAA算法时志愿者联盟的总成本会随着志愿者联盟数量的增加而降低，而顺序算法由于其随机性，选择的任务可能不是最优的任务，因此，会导致任务的总成本上升，造成整体的成本明显高于VTAA算法。

本发明上述实施例提出的基于志愿者协同处理的车载边缘计算方法、装置及系统，通过招募行驶中具有闲置资源的车辆，并利用车辆之间的社会关系形成结构稳定的资源池——志愿者联盟，解决了请求车辆和VEC服务器之间的资源调度问题。在求解VEC服务器的最佳定价上，设计了VGA算法，具有快速收敛性。通过大量的实验模拟，证明了本发明上述实施例提出的方案不仅能解决请求车辆和VEC服务器之间的资源调度问题，而且能最大化车辆和VEC服务器的效用。

Claims (10)

1.一种基于志愿者协同处理的车载边缘计算方法，其特征在于，设某一车载边缘计算服务器，即VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；

VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的总任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量。

2.根据权利要求1所述基于志愿者协同处理的车载边缘计算方法，其特征在于，车辆用户r_i将任务量卸载到VEC服务器v_j，需要向VEC服务器v_j支付的费用D_i,j为：

D_i,j＝s_jq_i,j

其中，s_j表示VEC服务器v_j制定的价格，即VEC服务器v_j为车辆用户处理单位任务量的收费；q_i,j表示车辆用户r_i卸载到VEC服务器v_j的任务量。

3.根据权利要求2所述基于志愿者协同处理的车载边缘计算方法，其特征在于，车辆用户r_i卸载到VEC服务器v_j的最佳任务量

为：

其中，b₀是VEC服务器v_j分配给车辆用户r_i的子信道的带宽，h_i,j和

分别表示子信道上的信道增益和附加的白高斯噪声功率；t_i,j是车辆用户r_i向VEC服务器v_j完成任务卸载的持续时间；γ_i是车辆用户r_i在本地处理单位任务量的能耗值；λ_i为车辆用户r_i能耗的权重因子，ψ_i是车辆用户r_i支付的费用在成本函数中的权重因子。

4.根据权利要求1所述基于志愿者协同处理的车载边缘计算方法，其特征在于，VEC服务器v_j招募志愿者联盟协助其处理单位任务量所支付的报酬为：

其中，δ_j是VEC服务器处理单位任务量的成本，l_th为VEC服务器招募的志愿者联盟个数l的限值。

5.根据权利要求1所述基于志愿者协同处理的车载边缘计算方法，其特征在于，以VEC服务器v_j的效用函数Y_j为适应度函数，通过遗传算法求VEC服务器v_j制定的价格s_j，即VEC服务器v_j为车辆用户处理单位任务量的收费的最优解。

6.根据权利要求5所述的车载边缘计算应用缓存方法，其特征在于，VEC服务器的效用函数Y_j为：

其中，Q_total为VEC服务器v_j所能处理的总任务量，η是VEC服务器v_j招募志愿者联盟协助其处理单位任务量所支付的报酬。

7.根据权利要求5所述的车载边缘计算应用缓存方法，其特征在于，通过遗传算法求VEC服务器v_j制定的价格s_j的最优解包括以下步骤：

步骤1、初始化一个种群Pop，其中包括随机产生的Num个个体，每个个体是一个长度为L的二进制串，设置交叉概率pa，变异概率pb和代沟GGAP；初始化遗传代数It＝1；

步骤2、将种群Pop中各个个体分别作为s_j的取值，代入VEC服务器的效用函数，计算相应的Y_j值，相应的Y_j值即各个个体的适应度；在计算Y_j值时，q_i,j取值为车辆用户r_i卸载到VEC服务器v_j的最佳任务量

记录当代种群Pop中适应度最高的个体；

步骤3、基于计算得到的种群Pop中各个个体的适应度，利用轮盘赌选择法从种群Pop中选出Num*GGAP个个体，记为种群P；

步骤4、根据交叉概率pa对种群P进行交叉操作；

步骤5、根据变异概率pb对经过交叉操作后的种群P进行变异操作，得到新的种群P；

步骤6、将子代P重插入到父代，即用新的种群P中的个体替换掉种群Pop中适应度最小的Num*GGAP个个体，得到新的种群Pop；

步骤7、判断是否满足迭代终止条件，若是，则将历史种群Pop中适应度最高的个体转换成十进制数Value，将其作为s_j的最优解，否则令It＝It+1，返回步骤2。

8.根据权利要求1所述基于志愿者协同处理的车载边缘计算方法，其特征在于，将VEC服务器自身不能处理的任务量，划分成l份子任务，把每个子任务当成一份工作，分配给l个志愿者联盟去完成，且每个志愿者联盟只能完成一项工作，用回溯法求求解上述任务分配问题，得到最优的任务分配方案，即使所有志愿者联盟总成本最小的任务分配方案；对任一志愿者联盟A_k，设分配给其处理的子任务大小为f_j,k，其处理该类型子任务的单位成本为ξ_k，其处理该任务的总成本为ξ_kf_j,k。

9.一种基于志愿者协同处理的车载边缘计算装置，其特征在于，包括车载边缘计算服务器，即VEC服务器v_j；

设VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；

VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量。

10.一种基于志愿者协同处理的车载边缘计算系统，其特征在于，包括车载边缘计算服务器，即VEC服务器、有任务卸载需求的车辆用户以及有闲置资源的志愿者联盟；

设VEC服务器v_j覆盖范围内有n个有任务卸载需求的车辆用户r_i,i＝1,2,…,n；

VEC服务器v_j接受其覆盖范围内的车辆用户的任务卸载请求，并根据所有车辆用户请求卸载的总任务量及自身所能处理的任务量，招募l个志愿者联盟提供闲置资源协助其处理其自身不能处理的任务量。

Images