CN111866887B - 一种车载网络中通信、缓存和计算资源联合优化方法 - Google Patents

一种车载网络中通信、缓存和计算资源联合优化方法 Download PDF

Info

Publication number
CN111866887B
CN111866887B CN202010666365.3A CN202010666365A CN111866887B CN 111866887 B CN111866887 B CN 111866887B CN 202010666365 A CN202010666365 A CN 202010666365A CN 111866887 B CN111866887 B CN 111866887B
Authority
CN
China
Prior art keywords
target
contract
contracts
vehicle
cache
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010666365.3A
Other languages
English (en)
Other versions
CN111866887A (zh
Inventor
徐连明
王莉
费爱国
杨泽萱
张碧玲
王宣元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Publication of CN111866887A publication Critical patent/CN111866887A/zh
Application granted granted Critical
Publication of CN111866887B publication Critical patent/CN111866887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种车载网络中通信、缓存和计算资源联合优化方法、装置和电子设备。该方法包括：接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约；将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。本发明实施例通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。

Description

一种车载网络中通信、缓存和计算资源联合优化方法
技术领域
本发明涉及通信技术领域，尤其涉及一种车载网络中通信、缓存和计算资源联合优化方法、装置和电子设备。
背景技术
近年来，随着汽车数量持续增长，随之带来的交通安全、出行效率、环境保护等问题日益突出，车载通信网络相关领域的研究和发展受到了广泛关注。第三代合作伙伴组织(3rd Generation Partnership Project,3GPP)提出了车联网(Vehicle to everything,V2X)的概念。V2X通信可看作是设备对设备(D2D)通信的扩展，可分为车-车(Vehicle tovehicle,V2V)通信、车辆-基础设施通信(Vehicle to Infrastructure，V2I)、车-人通信(Vehicle to Pedestrian,V2P)通信。
基于车载通信网络的场景，现有的研究将车辆假设为具有完全意愿进行资源共享的实体，即车辆自愿消耗自身资源与其他车辆进行内容共享、协作计算等。大部分研究基于该假设以实现最小化时延或最大化吞吐量等目标，解决车辆间物理资源分配问题。少有工作考虑到用户(车辆)作为自利实体为获得更大利益可能存在欺骗行为。本领域将一方出于自利目的隐藏自身真实信息的行为称为隐藏信息行为，例如，在协作计算过程中，协作者的真实计算能力常无法被请求者获知；在用户请求服务过程中，其对于服务质量及支付报酬的真实心理预期往往由于自私性不会透露给协作者。
因此，由于实际场景中的用户作为自利实体常存在隐藏信息行为，由于这种信息不对称问题，会使得资源的调度的不合理，导致资源的浪费以及网络的整体性能的下降，所以亟需一种车载网络中基于契约的通信方法，在基于信息不对称场景下的通信、计算及缓存资源协同调度，以适应用户在移动性场景下的不同业务需求。
发明内容
本发明实施例的目的是提供一种克服上述问题或者至少部分地解决上述问题的车载网络中通信、缓存和计算资源联合优化方法、装置和电子设备。
为了解决上述技术问题，第一方面，本发明实施例提供一种车载网络中通信、缓存和计算资源联合优化方法，包括：
接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；
基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约；
将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
进一步地，所述接收请求方发送的请求信息前，还包括：
根据历史社交相似度将内容文件部署至所述协作方和多个路边单元；其中，历史社交相似度表示过去一段时间内车辆间的移动相似性和流行度。
进一步地，构建所述优化问题模型的具体步骤如下：
基于最大化所述协作方的效用值构建的目标函数；
基于个体合理性约束和激励相容约束构建的约束条件。
进一步地，所述基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约，具体包括：
依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的协作方；其中，当前社交相似度表示当前时间下的移动相似度；
根据获取的协作组合对，利用预设的所述优化问题模型生成对应的协作契约；
根据所述协作契约确定目标协作组合对；其中，所述目标协作组合对包含目标协作方的多个契约。
进一步地，所述根据所述协作契约确定目标协作组合对，具体包括：
计算每个所述协作契约的效用值；
根据所述效用值构建协作方效用矩阵，并利用匹配算法进行匹配，获得所述目标协作方组合对。
进一步地，所述计算每个所述协作契约的效用值，具体包括：
根据功耗成本、缓存成本、报酬、计算功耗和请求者类型概率，计算每个协作契约的效用值。
第二方面，本发明实施例提供另一种车载网络中通信、缓存和计算资源联合优化方法，包括：
向基站发送请求信息，所述请求信息中携带有期望的目标内容文件；
接收所述基站发送的多个契约；所述多个契约是由所述基站基于所述目标内容文件，利用预设的优化问题模型生成的目标协作方的契约；
从所述多个契约中筛选出使其效用值最大的目标契约；
基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
第三方面，本发明实施例提供一种车载网络中通信、缓存和计算资源联合优化装置，包括：
接收模块，用于接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；
契约生成模块，用于基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约
传输模块，用于将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
第四方面，本发明实施例提供另一种车载网络中通信、缓存和计算资源联合优化装置，包括：
发送模块，用于向基站发送请求信息，所述请求信息中携带有期望的目标内容文件；
接收模块，用于接收所述基站发送的多个契约；所述多个契约是由所述基站基于所述目标内容文件，利用预设的优化问题模型生成的目标协作方的契约；
选择模块，用于从所述多个契约中筛选出使其效用值最大的目标契约；
通信模块，基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
第五方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法、装置和电子设备，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法的流程示意图；
图2为本发明实施例提供的将节点分割成不同的组示意图；
图3为本发明实施例提供的资源分配结果折线图；
图4为本发明实施例提供的不同请求者类型对应的效用影响图；
图5为不同缓存策略对于CP总效用的影响图；
图6为不同匹配算法对于CP总效用的影响图；
图7为本发明实施例提供的另一车载网络中通信、缓存和计算资源联合优化方法的流程示意图；
图8为本发明实施例提供的车载网络中通信、缓存和计算资源联合优化装置的流程示意图；
图9为本发明实施例提供的另一车载网络中通信、缓存和计算资源联合优化装置的流程示意图；
图10为本发明实施例提供的一种电子设备的实体结构示意图。
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。
伴随着5G技术的发展，未来的5G的三大主要应用场景，即：增强型移动宽带(Enhanced Mobile Broadband，eMBB)、超可靠和低延迟通信(Ultra-Reliable and LowLatency Communication，URLLC)和大规模机器类型通信(Massive Machine TypeCommunication,mMTC)也将逐步向车载通信网络场景推进。例如：URLLC场景对可靠性、延迟时间和可用性的要求十分严格。在车载通信网络场景下，安全信息的传输通常对时延及可靠性要求严格，便少不了5G技术的支持。同时，车载通信网络中也可能存在娱乐信息的传输，包括VR/AR内容的共享等，符合eMBB场景的主要特征，即支持具有非常高的峰值数据速率的稳定连接，可提供最高可达10Gbit/s的高速率、高带宽业务能力。
在车辆通信方面，近几年由LTE-V(Long Term Evolution-Vehicle)技术开始崭露头角，，LTE-V是指利用现有的蜂窝网络设施为车载网络通信提供支持，具有高数据率、高覆盖范围、可靠QoS支持等优势。根据通信方式的不同，LTE-V可以分为蜂窝方式(LTE-V-cell)和直通方式(LTE-V-direct)两种工作模式。通过LTE-V技术，可以实现车辆间的内容传输，从而满足用户在出行过程中对各种信息内容的需求。
当交互双方由于一方存在某些信息不被对方获知而造成的资源调度低效性或资源配置不合理的现象称谓信息不对称问题。由于实际场景中的用户作为自利实体常存在隐藏信息行为，因此忽略信息不对称问题进行资源调度机制设计在实际场景中将影响资源的合理调度以及网络的整体性能。同时，车辆不会无偿提供物理资源，合理的定价机制在资源调度过程中需要被考虑。契约论(contract theory)作为一门曾经获得诺贝尔奖的经济学方法论，对于在非对称信息场景下研究委托代理关系中的信息和激励问题极为重要，且在无线通信领域有着广泛的应用。因此，针对车载通信网络中，针对场景中可能存在的内容请求方存在自私性隐藏自身服务质量(Quality of Service，QoS)需求信息以谋求更大利益的行为，导致的协作者无法获知其真实QoS的信息不对称性问题，设计有效的契约，建立相应的定价机制，可确保资源的合理高效利用。
在一个典型的车载通信网络，由一个基站、多个路边单元(rode side units，RSUs)以及多个车辆组成，内容部署与内容交付场景广泛存在于上述通信系统中。基站在该通信系统中拥有全局信息，包括车辆移动信息及内容存储信息，即基站可基于已知信息实现车辆、路边单元的协同资源调度与管理。具体地，在内容部署过程，基站将下发内容至RSUs以及车辆。同时，RSUs也可以承担中继角色，依据基站的部署策略通过蜂窝网络将内容下发至周围车辆。在内容下发过程，将内容下发给请求车辆(content requesters，CRs)的基站、RSUs以及车辆被称为内容提供者(content providers，CPs)。基于上述两个过程，本发明实施例将从物理域和社交域两个方面入手重点研究基于车辆社交信息的内容部署策略以及基于车辆服务质量的资源分配方案。
由于车辆的高速移动将导致链路的不稳定性，将影响信息的传输。因此，本发明实施例将重点考虑受移动性影响的大尺寸娱乐信息的部署及传输。通过建立合理的契约，针对不同的请求方CR，对大尺寸娱乐信息的传输分配合适的物理资源，以保证CR的QoS需求。同时，大尺寸信息也将存在不同类型，本发明将依据时延及计算量需求将内容划分为两种类型：(1)需求大量计算及时延敏感的VR/AR内容；(2)视频内容。需要说明的是，在本发明中，假设每个视频内容均需要根据用户需求压缩至不同质量等级，因此同样需要计算资源。相比较于视频内容，VR/AR内容对计算资源及时延的要求更高。
考虑内容部署与内容下发的完整过程。基站将首先依据某个内容部署策略，将内容部署至车辆及RSU。当CR需要请求某个内容时，将首先向周围车辆发送内容请求信号。假设同一时刻将有多个CR发出请求，基站将根据CR请求的内容分配合适的CP为其提供服务。依据每个CR-CP对，基站将设计对应的契约条目，包括CR与CP交互过程中涉及的资源开销、QoS及报酬。CR将在多个契约条目中选择可最大化自身效用的契约条目，并由CP向CR提供对应服务。
本发明实施例将重点研究车载通信网络中的内容部署与内容下发过程。在车载通信网络中，当车辆向基站请求内容时，车辆的高速移动性将影响大尺寸信息的传输。因此将内容部署至周边车辆，可以减轻基站负载并降低传输时延。同时，移动性导致了车辆社交网络(vehicular social networks)与线上社交网络(on-line social networks)的差异性，与线上社交网络中用户基于线下关系建立联系不同，车辆社交网络中的用户关系将建立以其相遇度量。因此，本发明实施例将基于车辆移动性，分析车辆社交网络规律，并基于车辆移动性场景设计对应内容部署策略，实现内容的高效传输。
本发明实施例提供一种车载网络中通信、缓存和计算资源联合优化方法，图1为本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法的流程示意图，如图1所示，该方法包括：
步骤S101、接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S101中，在内容下发过程中，请求方CR将首先向通信距离内的协作方CP进行广播，基于请求信息中的内容存储信息及内容请求信息，基站接收请求方发送的请求信息，例如请求内容的集合为
Figure GDA0003553474930000071
步骤S102、基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S102中，契约设计：在内容下发过程中，请求方CR将首先向通信距离内的CP进行广播，基于移动信息，内容存储信息及内容请求信息，依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的目标协作方；其中，当前社交相似度表示当前时间下的移动相似度。对于每一对协作组合对，即请求方CR和目标协作方CP组合，基站利用预设的优化问题模型生成目标协作方的
Figure GDA0003553474930000088
个契约条目。即将CP与CR之间的交互建模为一个基于契约论的逆向选择问题优化模型，通过设立约束条件解决不对称信息问题并实现交互双方的效用最大化。
其中，优化问题模型的具体步骤如下：基于最大化所述协作方的效用值构建的目标函数；基于个体合理性约束和激励相容约束构建的约束条件。此外，对于请求方CRn和协作方CPm，契约条目被表示为
Figure GDA0003553474930000081
其中
Figure GDA0003553474930000082
表示由通信资源
Figure GDA0003553474930000083
和计算资源
Figure GDA0003553474930000084
决定的针对类型θ的CRn的服务时延，
Figure GDA0003553474930000085
表示CRn基于CPm的服务需要支付的报酬。具体地，
Figure GDA0003553474930000086
被定义为CPm的传输时延，
Figure GDA0003553474930000087
表示CPm分配给计算服务的计算资源的比例。
步骤S103、将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S103中，不同的请求方CR有不同的QoS需求，本发明实施例将时延敏感度定义为CR的个人QoS需求。由于请求方CR存在自私性，其为了以固定的报酬获得更低时延的服务或者为服务支付更低的报酬而隐藏自身的真实时延敏感程度不被CP所获知。在这种情况下，时延敏感程度成为了请求方CP和协作方CR之间的不对称信息，并将导致低效的资源调度。
基于契约论，CR将根据其时延敏感程度被划分为多种类型。我们将请求方CR可能的类型定义为
Figure GDA0003553474930000091
且满足
Figure GDA0003553474930000092
Figure GDA0003553474930000093
表示CR可能类型的数量。需要说明的是，CR可能请求VR/AR内容或视频内容，而请求VR/AR内容的CR其对应类型将高于请求视频内容的。换句话说，CRs的类型将取决于其请求的内容及其本身。
最终，在CP向CR提供服务过程中，CP无法获知CR的具体类型，但基于基站提供的多个契约条目，以及本发明所设计的相应的激励机制，CR将主动选择对应其类型的且可最大化其效用的契约条目。通过上述方案，CP可成功获知CR的实际类型。基于CR所选择的契约条目以及CR的真实类型，CP将花费对应地资源提供服务，以保证契约规定的时延要求，同时CR将支付服务时延所对应的报酬。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，所述接收请求方发送的请求信息前，还包括：
根据历史社交相似度将内容文件部署至所述协作方和多个路边单元；其中，历史社交相似度表示过去一段时间内车辆间的移动相似性和流行度。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，历史社交相似度：考虑到车辆是随机相遇的，两辆车相遇的次数越多，相互联系的社会关系越强。同时，由于车辆相遇的随机性，传统的社会关系很难应用到车辆通信网络中。例如，司机A和司机B都喜欢篮球视频。不过，由于车辆A与车辆B的日常行车路线不同，因此无法实时共享内容。因此，仅仅基于兴趣相似度来放置内容是不科学的。有一些基于车载社交网络的研究中，考虑了社会信息，如实体之间的互动频率、驾驶员行为和驾驶习惯的历史数据。因为司机在城市或高速公路上行驶时往往遵循相似的路线。具有相同目的地(兴趣地点、工作地点等)的车辆可能会增加其相遇的机会，因此，过去的移动信息可以用作内容放置的参考。综上所述，基于历史移动信息，根据兴趣在具有相似移动信息的车辆中部署内容，将增加请求内容成功的概率。假设车辆的过去一段时间内的移动相似性由矩阵ωK×K表示，矩阵中的元素分别表示节点间的过去移动相似性。同时对于每一个节点，均存在一个流行度向量pk＝{p1k,…,pfk,…,pFk}，其中pfk表示节点k请求内容文件f的概率，且pk服从ZIPF分布。
由于车辆的过去一段时间内的移动相似性为ωK×K，可构建有权无向图，节点CRn与CPm连线的边权值即由双方的移动相似度表示。图2为本发明实施例提供的将节点分割成不同的组示意图，如图2所示，可将节点根据边权值分割成不同的组，保留边权值较大的连线以保证分割后的边权值之和最大。
同时，已知对于每一个节点，均存在一个流行度向量：
pk＝{p1k,…,pfk,…,pFk}
则每一个组别可形成一个新的群组流行度，例如图中的群组1，其新的流行度可表示为：
Figure GDA0003553474930000101
即对于每个文件f，该群组整体的请求概率为：
Figure GDA0003553474930000102
因此，在内容部署过程中，节点将依据所属群组的每个文件的请求概率以相同的概率部署内容文件。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制和内容缓存策略，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，构建所述优化问题模型的具体步骤如下：
基于最大化所述协作方的效用值构建的目标函数；
基于个体合理性约束和激励相容约束构建的约束条件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，问题建模：当CP基于契约分配物理资源服务于CR时，其目标为最大化自身效用。因此，本发明的目标为最大化所有参与协作的CP的效用。最终，通信、计算与缓存资源的联合优化问题可被表示以下几个方面：
假设车辆及路边单元RSU需要定期向基站发送自身存储信息及行驶信息，基站作为信息的枢纽，拥有全局物理信息。在同一时刻，基站将收到多辆车的请求信息，依据当前车辆的物理位置信息，基站将为其寻找合适的协作者进行内容传输，依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的目标协作方，假设请求内容的集合为
Figure GDA0003553474930000111
s＝{s1,…,sf,…,sF}和s′＝{s′1,…,s′f,…,s′F}分别表示处理前和处理后内容的大小。所有请求内容均需要计算资源，我们将计算资源定义为CPU的转数，即D＝{D1,…,Df,…,DF}。假设存在K个节点，
Figure GDA0003553474930000112
节点类型包括车辆节点，RSU节点和基站。根据某一时刻的请求关系，K个节点可被划分为N个请求方CR和M个协作方CP，分别由集合
Figure GDA0003553474930000113
和
Figure GDA0003553474930000114
表示，注意，在同一时刻，某车辆承担角色只能为请求方与协作方二者其一，因此CR与CP的数量关系满足M+N＝K。CM×F被定义为内容存储矩阵，即当cm,f＝1表示CPm已经缓存了文件f，否则cm,f＝0。ZN×F表示内容请求矩阵，当zn,f＝1表示CRn请求文件f，否则zn,f＝0。XM×N表示协作关系矩阵，当xm,n＝1表示CPm与CRn进行协作，否则xm,n＝0
第一方面，下式表示CP在同一时刻只能服务于一个CR，而CR在同一时刻只能服务于一个CR，
Figure GDA0003553474930000115
其中，xm,n表示CPm与CRn进行协作，
Figure GDA0003553474930000116
为CPm的传输时延，
Figure GDA0003553474930000117
为CPm分配给计算服务的计算资源的比例，
Figure GDA0003553474930000121
表示CRn基于CPm的服务需要支付的报酬，θ为CPm的类型，Um,n为服务于CRn时CPm的效用。
第二方面，下式表示个体合理性(individual rationality，IR)约束，这意味着每种类型用户的实际效用不小于其保留效用
Figure GDA00035534749300001218
保留效用表示CR不请求视频文件时的效用。该约束旨在激励用户接受合同。
Figure GDA0003553474930000122
第三方面，下式表示每种类型用户的激励相容(individual rationality，IC)约束，这意味着用户只能通过选择适合其类型的合同项目来最大化其自身效用。在IC约束下，用户的隐私信息被强制泄露，成功地避免了用户的欺骗行为。
Figure GDA0003553474930000123
其中，
Figure GDA0003553474930000124
为相对速度，
Figure GDA0003553474930000125
为CPm的传输时延，
Figure GDA0003553474930000126
为CPm分配给计算服务的计算资源的比例，
Figure GDA0003553474930000127
表示CRn基于CPm的服务需要支付的报酬，θ为CPm的类型，
Figure GDA0003553474930000128
为保留效用。
第四方面，下式表示总延迟不得大于最大连接持续时间。
Figure GDA0003553474930000129
第五方面，下式表示对功率和计算资源的限制。
Figure GDA00035534749300001210
Figure GDA00035534749300001211
其中，
Figure GDA00035534749300001212
为传输功率的阈值。
问题转化：
由于难以得到服务时延
Figure GDA00035534749300001213
的闭式表达式，因此我们将目标求解参数进行转化。基于
Figure GDA00035534749300001214
的表达式，我们可以得出：
Figure GDA00035534749300001215
其中，Df为CPU的转数，
Figure GDA00035534749300001216
为传输时延，um为CPm的计算能力；
由于
Figure GDA00035534749300001217
因此，当服务于CRn时CPm的效用可重新表示为：
Figure GDA0003553474930000131
其中，ζθ表示CR处在类型θ时的概率，cJ为功耗成本系数，cs为缓存成本系数，
Figure GDA0003553474930000132
为传输时延，sf为文件大小，
原问题P0可重新表示为：
Figure GDA0003553474930000133
Figure GDA0003553474930000134
Figure GDA0003553474930000135
Figure GDA0003553474930000136
Figure GDA0003553474930000137
Figure GDA0003553474930000138
Figure GDA0003553474930000139
其中，U′m,n为Um,n的变形。
约束化简：
IR约束可被化简为：
Figure GDA00035534749300001310
其中，cp表示收益系数。
对于处在类型θi和θj的CR，且θi≠θj,θi,
Figure GDA00035534749300001311
基于IC约束，我们可得出：
Figure GDA00035534749300001312
合并上述两个不等式可得：
Figure GDA00035534749300001313
因此我们可得出，若θi＞θj，则
Figure GDA00035534749300001314
定义：
Figure GDA0003553474930000141
且θi≥θj，则有：
Figure GDA0003553474930000142
已知若θi≥θj，则
Figure GDA0003553474930000143
因此可得出f′(θi)≥0，f(θ)为随着θ单调递增的函数。满足θj＞θi时，f(θj)＞f(θi)。
基于IC约束，对于类型θi的CR，满足
Figure GDA0003553474930000144
可得到：
Figure GDA0003553474930000145
由于:
Figure GDA0003553474930000146
可得出：
Figure GDA0003553474930000147
Figure GDA0003553474930000148
Figure GDA0003553474930000149
从而得出：
Figure GDA00035534749300001410
同时，函数
Figure GDA00035534749300001411
随着θ的增加而增加，因此，可得出：
Figure GDA00035534749300001412
结合上述两个不等式，可将IR约束化简为：
Figure GDA00035534749300001413
IC约束可被化简为：
Figure GDA0003553474930000151
将IC约束中下标为i和j，j∈{1,2,…,i-1}定义为向下的IC约束(downward ICconstraints，DICs)。将IC约束中下标为i和j，j∈{i,i+1,...,N}定义为向上的IC约束(upward IC constraints，UICs)。同时，下标为i和i-1定义为局部向下IC约束(localdownward IC constraints，LDICs)。
对于LDIC，符合不等式：
Figure GDA0003553474930000152
结合θj＞θi时，f(θj)＞f(θi)，可得出下述不等式：
Figure GDA0003553474930000153
因此，基于上述证明，可得出如果LDIC满足，则所有的DIC约束将被满足。
同时，当LDIC约束收紧为等式时，有
Figure GDA0003553474930000154
结合f(θ)的单调性，可得出：
Figure GDA0003553474930000155
因此可证明如果所有LDIC约束成立，则所有LUIC约束成立。同理可证得，如果所有LUIC约束成立，则所有UIC约束成立。
最终，IC约束可由LUIC约束替换，即IC约束可被化简为：
Figure GDA0003553474930000156
需要说明的是，对于处于类型θi的CR，满足
Figure GDA0003553474930000157
可得出
Figure GDA0003553474930000158
由于目标函数为最大化CP的效用，因此当IC和IR约束为不等式时，可通过增加
Figure GDA0003553474930000159
或增加
Figure GDA00035534749300001510
来使得不等式约束收紧为等式约束，进而提高CP的效用，而不影响契约的可行性。因此，IC和IR约束可被收紧为等式：
Figure GDA0003553474930000161
Figure GDA0003553474930000162
综上所述，原问题可被化简为：
Figure GDA0003553474930000163
Figure GDA0003553474930000164
Figure GDA0003553474930000165
Figure GDA0003553474930000166
Figure GDA0003553474930000167
Figure GDA0003553474930000168
Figure GDA0003553474930000169
其中，
Figure GDA00035534749300001610
为传输功率的阈值。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，基于契约理论的资源分配策略：当考虑一个协作对间的资源分配问题时，问题P2可被重新表示为：
Figure GDA00035534749300001611
Figure GDA00035534749300001612
Figure GDA00035534749300001613
Figure GDA00035534749300001614
Figure GDA00035534749300001615
Figure GDA00035534749300001616
目标求解参量可被表示为
Figure GDA00035534749300001617
和
Figure GDA00035534749300001618
在本发明中，将应用块坐标下降法(block coordinate descent，BCD)来求解该问题。
坐标下降法(coordinate descent，CD)是一种流行的优化算法，它的主要思想是在固定其余变量的同时迭代优化每个坐标变量。CD算法的一个更通用的版本是BCD算法。遵循CD算法同样的准则，BCD算法在固定其余坐标的同时优化了一个块坐标(而不是单个坐标)。P3中的非线性约束，即IC和IR约束，很难求解。因此，在求解过程中首先确定
Figure GDA0003553474930000171
的值，并将非线性约束中涉及的变量作为一个坐标块进行提取和求解。依据上述原理，将变量分为
Figure GDA0003553474930000172
和
Figure GDA0003553474930000173
两个块进行求解。
当固定
Figure GDA0003553474930000174
目标函数可以被表示为：
Figure GDA0003553474930000175
Figure GDA0003553474930000176
Figure GDA0003553474930000177
Figure GDA0003553474930000178
Figure GDA0003553474930000179
接下来，我们用应用迭代拉格朗日的方法求解上述问题。拉格朗日函数可以被表示为：
Figure GDA00035534749300001710
其中，λθ,υθ,γθ和μ为拉格朗日乘子，则基于的KKT条件可被表示为：
Figure GDA00035534749300001711
Figure GDA00035534749300001712
Figure GDA0003553474930000181
Figure GDA0003553474930000182
Figure GDA0003553474930000183
Figure GDA0003553474930000184
基于上述KKT条件，可通过迭代求解得出最优的Tm,n和Wm,n。
接下来，我们进行
Figure GDA0003553474930000185
的求解，首先固定{Tm,n,Wm,n}，问题P3可转化为：
Figure GDA0003553474930000186
Figure GDA0003553474930000187
Figure GDA0003553474930000188
基于
Figure GDA00035534749300001815
与
Figure GDA0003553474930000189
关系的闭式表达式，我们可以得到最优的
Figure GDA00035534749300001810
从而得到
Figure GDA00035534749300001811
将
Figure GDA00035534749300001812
的结果重新带入问题P3-1，重复上述步骤，直至求得的目标函数值收敛，可得到最终优化的
Figure GDA00035534749300001813
Tm,n和Wm,n。表1为对应的BCD算法流程，如表1所示，其中ξ＝10-6。
表1
Figure GDA00035534749300001814
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，所述基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约，具体包括：
依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的协作方；其中，当前社交相似度表示当前时间下的移动相似度；
根据获取的协作组合对，利用预设的所述优化问题模型生成对应的协作契约；
根据所述协作契约确定目标协作组合对；其中，所述目标协作组合对包含目标协作方的多个契约。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，当前社交相似度：由于车辆的最远通信距离为150m至300m，为了简化模型，我们将忽略道路的宽度，假设路边单元及车辆均行驶在一条直线上。我们将道路抽象化为一个0到正无穷的坐标轴，且右为正方向。此时，CRn和CPm的位置可以分别表示为xn,R和xm,P。CRn和CPm的速度可以分别表示为vn,R和vm,P。注意，当RSU作为CP时，速度为0。因此，CRn和CPm的相对位移可以表示为Δdm,n＝xm,P-xn,R，相对速度可以表示为Δvm,n＝vm,P-vn,R。我们将最大传输距离定义为dmax。此时，最大传输时延可以被表示为：
Figure GDA0003553474930000191
利用归纳法，可得出：
Figure GDA0003553474930000192
同时，为了简化计算复杂度，我们仅考虑Δdm,n＞0和Δvm,n＞0的情况，即：
Figure GDA0003553474930000201
但上述模型对其他情况仍适用，仅存在正负号的差异。
Figure GDA0003553474930000202
被定义为当前移动相似度，在某一时刻两车移动相似度越大，其对应的协作成本越低。
假设车辆及路边单元RSU需要定期向基站发送自身存储信息及行驶信息，基站作为信息的枢纽，拥有全局物理信息。在同一时刻，基站将收到多辆车的请求信息，依据当前车辆的物理位置信息，基站将为其寻找合适的协作者进行内容传输，依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的目标协作方，假设请求内容的集合为
Figure GDA0003553474930000203
s＝{s1,…,sf,…,sF}和s′＝{s′1,…,s′f,…,s′F}分别表示处理前和处理后内容的大小。所有请求内容均需要计算资源，我们将计算资源定义为CPU的转数，即D＝{D1,…,Df,…,DF}。假设存在K个节点，
Figure GDA0003553474930000204
节点类型包括车辆节点，RSU节点和基站。根据某一时刻的请求关系，K个节点可被划分为N个请求方CR和M个协作方CP，分别由集合
Figure GDA0003553474930000205
和
Figure GDA0003553474930000206
表示，注意，在同一时刻，某车辆承担角色只能为请求方与协作方二者其一，因此CR与CP的数量关系满足M+N＝K。CM×F被定义为内容存储矩阵，即当cm,f＝1表示CPm已经缓存了文件f，否则cm,f＝0。ZN×F表示内容请求矩阵，当zn,f＝1表示CRn请求文件f，否则zn,f＝0。XM×N表示协作关系矩阵，当xm,n＝1表示CPm与CRn进行协作，否则xm,n＝0。
根据每组请求方CR与符合条件的目标协作方CP组成的协作对，利用预设的所述优化问题模型生成对应协作契约，计算每个所述协作契约的效用值，并根据所述效用值构建协作方效用矩阵，并利用匹配算法进行匹配，获得所述目标协作方的多个契约。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，所述根据所述协作契约确定目标协作组合对，具体包括：
计算每个所述协作契约的效用值；
根据所述效用值构建协作方效用矩阵，并利用匹配算法进行匹配，获得所述目标协作组合对。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，计算每个所述协作契约的效用值；根据所述效用值，以协作方CR为行向量，请求方CP为列向量，构建CP效用矩阵，并利用匹配算法进行匹配，获得所述目标协作方的多个契约，此时的契约对于请求方CP来说效用值都是最大的。
匹配算法在解决多用户协作场景中的配对问题时表现出了良好的性能。在同一时刻，基站将收到多辆车的请求信息后，依据当前车辆的物理位置信息，基站根据每组请求方CR与符合条件的目标协作方CP组成的协作对，利用预设的所述优化问题模型生成对应协作契约。因此，该问题可被转化为一个多请求者与多协作者之间的匹配问题。需要说明的是，成为协作者与请求者匹配成功的前提是具备请求者请求的内容并与请求者在通信距离内。若该请求者未找到合适的协作者，则需要由基站协作计算并传输内容。注意，目标函数设定为最大化协作者效益，以激励协作者参与协作。
需要说明的是，本发明实施例不对匹配算法进行限定，本发明实施例应用Kuhn-Munkres(KM)匹配算法，实现请求方CR与协作方CP之间的有效配对，并最大化参与协作的CP的效用。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，所述计算每个所述协作契约的效用值，具体包括：
根据功耗成本、缓存成本、报酬、计算功耗和请求者类型概率，计算每个协作契约的效用值。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，根据功耗成本、缓存成本、报酬、计算功耗和请求者类型概率，计算每个协作契约的效用值，若当请求方CPm向目标协作方CRn提供服务时，从CPm至类型为θ的CRn的传输速率可被表示为：
Figure GDA0003553474930000221
为了简化求解，我们假设频率带宽B＝1，并且传输利用频分多址(FrequencyDivision Multiple Access，FDMA)来保证不同通信对之间不存在干扰。大尺度衰落由
Figure GDA0003553474930000222
表示，因此CRn和CPm之间的信道功率增益满足
Figure GDA0003553474930000223
其中tm,n表示连接时长。σ2表示高斯白噪声(additive white Gaussian noise，AWGN)。因此从CPm至类型为θ的CRn的传输速率可被重新表示为：
Figure GDA0003553474930000224
当CPm以速率
Figure GDA0003553474930000225
传输大小为s′f的内容文件f时，传输时延满足：
Figure GDA0003553474930000226
具体地，上述公式可被表示为：
Figure GDA0003553474930000227
通过化简可获得
Figure GDA0003553474930000228
与
Figure GDA0003553474930000229
关系的闭式表达式：
Figure GDA00035534749300002210
推导过程：为获得
Figure GDA00035534749300002211
与
Figure GDA00035534749300002212
关系的闭式表达式，首先将上式化简为
Figure GDA00035534749300002213
通过该化简，可得出较为简单的表达式形式且对上式的取值有较小影响。由于上文中提及，为简化计算，我们仅考虑Δdm,n＞0和Δvm,n＞0的情况，但下述求解思路对其他情况仍适用，仅存在正负号的差异。
去掉绝对值后，上式可表示为：
Figure GDA0003553474930000231
令dm,n替换Δvm,ntm,n+Δdm,n可得，
Figure GDA0003553474930000232
进一步的推导过程如下：
Figure GDA0003553474930000233
Figure GDA0003553474930000234
Figure GDA0003553474930000235
由上述推导可最终得出
Figure GDA00035534749300002317
与
Figure GDA0003553474930000236
关系的闭式表达式，可用
Figure GDA0003553474930000237
表示。
整体的服务时延可表示为：
Figure GDA0003553474930000238
其中
Figure GDA0003553474930000239
为计算时延，可被表示为
Figure GDA00035534749300002310
其中，um表示CPm的计算能力，即CPU每秒的转数。综上，
Figure GDA00035534749300002311
可由
Figure GDA00035534749300002312
和
Figure GDA00035534749300002313
表示为：
Figure GDA00035534749300002314
我们将CPm服务于类型为θ的CRn的时延
Figure GDA00035534749300002315
定义为QoS。不同类型的CR对QoS有不同的要求，这直接影响到他们的实际效用。因此，CR的效用取决于与所需QoS相关的收入与CP需要支付的相应报酬之间的差异。在本发明中,考虑到用户的收益遵循收益递减规律的经济趋势，导致可获得收益与实际服务质量呈对数增长，我们将类型为θ的CRn的效用函数定义如下：
Figure GDA00035534749300002316
其中，cp表示收益系数。
当服务于CRn时CPm的效用可表示为：
Figure GDA0003553474930000241
其中cJ和cs分别表示功耗成本系数和缓存成本系数。
Figure GDA0003553474930000242
表示CRn的计算功耗。同时，CR一次只能请求一个内容文件。CP无法获知CR的具体类型，仅知道CR处在每种类型的概率。ζθ表示CR处在类型θ时的概率。因此，CPm的效用被表示其服务于每种类型的CRn时的效用与每种类型CRn出现的概率之积的和。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
基于上述任一实施例，进一步地，本发明实施例在内容下发过程中，请求者CR将首先向通信距离内的CP进行广播，基于移动信息，内容存储信息及内容请求信息，基站将向CR分配合适的CP。对于每一对协作组合对，即请求方CR和目标协作方CP组合，基站利用预设的优化问题模型生成目标协作方的
Figure GDA0003553474930000243
个契约。在CP向CR提供服务过程中，CP无法获知CR的具体类型，但基于基站提供的多个契约条目，以及本发明所设计的相应的激励机制，CR将主动选择对应其类型的且可最大化其效用的契约条目。通过上述方案，CP可成功获知CR的实际类型。最终，基于CR所选择的契约条目以及CR的真实类型，CP将花费对应地资源提供服务，以保证契约规定的时延要求，同时CR将支付服务时延所对应的报酬。
图3为本发明实施例提供的资源分配结果折线图，如图3所示，采用仿真结果验证了本发明实施例提供的资源分配契约的正确性。表示CR的类型，即CR的时延敏感程度，时延敏感度越高的CR对QoS的需求越高，因此其对应的服务时延越低，同时，为了获得更低的服务时延，其需要支付更高的报酬。通过本发明设计的资源分配方案，如右图所示，为保证CR的QoS需求，越高类型的CR将被分配更大的功率以及更多的计算资源。
图4为本发明实施例提供的不同请求者类型对应的效用影响图，如图4所示，当CR的类型为时，仅选择类型为的契约才可能获得最大效用。因此，虽然类型作为CR的隐藏信息不被他人所获知，但CR在选择契约时便暴露了自身的隐藏信息。因此该契约的设计可有效解决隐藏信息问题。同时，我们可以看出，当CR的类型越高，其整体获得的效用越大。
在车载通信系统中，由于CR存在自私性，可能隐藏自身真实的QoS需求以谋求更大利益，进而导致了资源分配的低效性。本发明通过引入契约理论，利用激励相容约束，使不同类型的用户只能选择相应类型的契约来实现其效用的最大化，进而避免了CR可能存在的欺骗行为。换句话说，该契约设计有效的避免了不对称信息下的欺诈行为，实现了高效地无线资源管理。
图5为不同缓存策略对于CP总效用的影响图，如图5所示，上述仿真图对比了不同缓存策略对于CP总效用的影响。其中，由于对于每一个节点，均存在一个流行度向量，因此流行度缓存策略表示对于所有节点，其缓存文件的概率遵循整体流行度趋势，可表示为：
Figure GDA0003553474930000251
因此，所有节点将以pall概率缓存文件。由上图可看出，P-HSS缓存策略性能最优，可以保证CR节点找到合适的CP节点提供服务的同时最大化CP节点的效用。随机缓存策略曲线随着潜在CP数量的提升，其效果也得到了显著提升，原因是在车辆密集的场景下，若假设文件列表数量有限，随机缓存策略也可以基本满足有限CR的需求。而基于流行度的缓存策略性能为三者最低，证明在车载通信网络中，依赖于内容流行度的传统社交网络已不适用于具有高速移动性的车载网络，因为车辆相遇的规律与传统社交网络基于社交关系的集群不同，基于往期移动相似度的社群划分方式，在车载通信网络的内容部署中具有较大的应用前景。
图6为不同匹配算法对于CP总效用的影响图，如图6所示，随着潜在CP数量的提升，在CR数量固定的情况下，更多的CP可与CR组成协作对提供服务并获得收益。通过仿真，比较了KM算法、Hopcroft-Karp(HK)算法和贪婪算法的性能。其中HK算法以最大匹配对数为目标的算法。随着候选CP数目的增加，采用不同的匹配方法给请求者带来的总效用的差异逐渐显现出来。对于本文提出的目标函数，采用KM算法可以获得最佳性能。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
本发明实施例提供另一种车载网络中通信、缓存和计算资源联合优化方法，图7为本发明实施例提供的另一车载网络中通信、缓存和计算资源联合优化方法的流程示意图，如图7所示，该方法包括：
步骤S701、向基站发送请求信息，所述请求信息中携带有期望的目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S101中，请求方发送给基站请求信息，请求信息中包含有期望得到的内容文件，例如请求内容的集合为
Figure GDA0003553474930000261
步骤S702、接收所述基站发送的多个契约；所述多个契约是由所述基站基于所述目标内容文件，利用预设的优化问题模型生成的目标协作方的契约。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S702中，契约设计：在内容下发过程中，请求方CR将首先向通信距离内的CP进行广播，基于移动信息，内容存储信息及内容请求信息，依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的目标协作方；其中，当前社交相似度表示当前时间下的移动相似度。对于每一对协作组合对，即请求方CR和目标协作方CP组合，基站利用预设的优化问题模型生成目标协作方的
Figure GDA0003553474930000262
个契约。即将CP与CR之间的交互建模为一个基于契约论的逆向选择问题优化模型，通过设立约束条件解决不对称信息问题并实现交互双方的效用最大化，请求方接收由基于基站提供的多个契约条目。
其中，优化问题模型的具体步骤如下：基于最大化所述协作方的效用值构建的目标函数；基于个体合理性约束和激励相容约束构建的约束条件。此外，对于请求方CRn和协作方CPm，契约条目被表示为
Figure GDA0003553474930000271
其中
Figure GDA0003553474930000272
表示由通信资源
Figure GDA0003553474930000273
和计算资源
Figure GDA0003553474930000274
决定的针对类型θ的CRn的服务时延，
Figure GDA0003553474930000275
表示CRn基于CPm的服务需要支付的报酬。具体地，
Figure GDA0003553474930000276
被定义为CPm的传输时延，
Figure GDA0003553474930000277
表示CPm分配给计算服务的计算资源的比例。
步骤S703、具体的，从所述多个契约中筛选出使其效用值最大的目标契约。
根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S703中，不同的请求方CR有不同的QoS需求，本发明实施例将时延敏感度定义为CR的个人QoS需求。由于请求方CR存在自私性，其为了以固定的报酬获得更低时延的服务或者为服务支付更低的报酬而隐藏自身的真实时延敏感程度不被CP所获知。在这种情况下，时延敏感程度成为了请求方CP和协作方CR之间的不对称信息，并将导致低效的资源调度。
基于契约论，CR将根据其时延敏感程度被划分为多种类型。我们将请求方CR可能的类型定义为
Figure GDA0003553474930000278
且满足
Figure GDA0003553474930000279
Figure GDA00035534749300002710
表示CR可能类型的数量。需要说明的是，CR可能请求VR/AR内容或视频内容，而请求VR/AR内容的CR其对应类型将高于请求视频内容的。换句话说，CRs的类型将取决于其请求的内容及其本身。
最终，在CP向CR提供服务过程中，CP无法获知CR的具体类型，但基于基站提供的多个契约条目，以及本发明所设计的相应的激励机制，CR将主动选择对应其类型的且可最大化其效用的契约条目。
步骤S704、基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
根据上述实施例的车载网络中通信、缓存和计算资源联合优化方法，在上述步骤S704中，通过上述方案，CP可成功获知CR的实际类型。基于CR所选择的契约条目以及CR的真实类型，CP将花费对应地资源提供服务，以保证契约规定的时延要求，同时CR将支付服务时延所对应的报酬。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化方法，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
进一步地，在上述实施例的基础上，本发明实施例提供了一种车载网络中通信、缓存和计算资源联合优化装置，该装置用于执行上述方法实施例中的车载网络中通信、缓存和计算资源联合优化方法。图8为本发明实施例提供的车载网络中通信、缓存和计算资源联合优化装置的流程示意图，如图8所示，该装置包括：接收模块801、契约生成模块802和传输模块803；其中，
接收模块801，用于接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述接收模块801中，在内容下发过程中，请求方CR将首先向通信距离内的协作方CP进行广播，基于请求信息中的内容存储信息及内容请求信息，接收模块801接收请求方发送的请求信息，例如请求内容的集合为
Figure GDA0003553474930000281
契约生成模块802，用于基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述契约生成模块802中，契约设计：在内容下发过程中，请求方CR将首先向通信距离内的CP进行广播，基于移动信息，内容存储信息及内容请求信息，依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的目标协作方；其中，当前社交相似度表示当前时间下的移动相似度。对于每一对协作组合对，即请求方CR和目标协作方CP组合，契约生成模块802利用预设的优化问题模型生成目标协作方的
Figure GDA00035534749300002911
个契约。即将CP与CR之间的交互建模为一个基于契约论的逆向选择问题优化模型，通过设立约束条件解决不对称信息问题并实现交互双方的效用最大化。
其中，优化问题模型的具体步骤如下：基于最大化所述协作方的效用值构建的目标函数；基于个体合理性约束和激励相容约束构建的约束条件。此外，对于请求方CRn和协作方CPm，契约条目被表示为
Figure GDA0003553474930000291
其中
Figure GDA0003553474930000292
表示由通信资源
Figure GDA0003553474930000293
和计算资源
Figure GDA0003553474930000294
决定的针对类型θ的CRn的服务时延，
Figure GDA0003553474930000295
表示CRn基于CPm的服务需要支付的报酬。具体地，
Figure GDA0003553474930000296
被定义为CPm的传输时延，
Figure GDA0003553474930000297
表示CPm分配给计算服务的计算资源的比例。
传输模块803，用于将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述传输模块803中，不同的请求方CR有不同的QoS需求，本发明实施例将时延敏感度定义为CR的个人QoS需求。由于请求方CR存在自私性，其为了以固定的报酬获得更低时延的服务或者为服务支付更低的报酬而隐藏自身的真实时延敏感程度不被CP所获知。在这种情况下，时延敏感程度成为了请求方CP和协作方CR之间的不对称信息，并将导致低效的资源调度。
基于契约论，CR将根据其时延敏感程度被划分为多种类型。我们将请求方CR可能的类型定义为
Figure GDA0003553474930000298
且满足
Figure GDA0003553474930000299
Figure GDA00035534749300002910
表示CR可能类型的数量。需要说明的是，CR可能请求VR/AR内容或视频内容，而请求VR/AR内容的CR其对应类型将高于请求视频内容的。换句话说，CRs的类型将取决于其请求的内容及其本身。
最终，在CP向CR提供服务过程中，CP无法获知CR的具体类型，但传输模块803提供的多个契约条目，以及本发明所设计的相应的激励机制，CR将主动选择对应其类型的且可最大化其效用的契约条目。通过上述方案，CP可成功获知CR的实际类型。基于CR所选择的契约条目以及CR的真实类型，CP将花费对应地资源提供服务，以保证契约规定的时延要求，同时CR将支付服务时延所对应的报酬。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化装置，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
进一步地，在上述实施例的基础上，本发明实施例提供了另一车载网络中通信、缓存和计算资源联合优化装置，该装置用于执行上述方法实施例中的车载网络中通信、缓存和计算资源联合优化方法。图9为本发明实施例提供的另一车载网络中通信、缓存和计算资源联合优化装置的流程示意图，如图9所示，该装置包括：发送模块901、接收模块902、选择模块903和通信模块904；其中，
发送模块901，用于向基站发送请求信息，所述请求信息中携带有期望的目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述发送模块901中，发送模块901发送给基站请求信息，请求信息中包含有期望得到的内容文件，例如请求内容的集合为
Figure GDA0003553474930000301
接收模块902，用于接收所述基站发送的多个契约；所述多个契约是由所述基站基于所述目标内容文件，利用预设的优化问题模型生成的目标协作方的契约。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述接收模块902中，契约设计：在内容下发过程中，请求方CR将首先向通信距离内的CP进行广播，基于移动信息，内容存储信息及内容请求信息，依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的目标协作方；其中，当前社交相似度表示当前时间下的移动相似度。对于每一对协作组合对，即请求方CR和目标协作方CP组合，基站利用预设的优化问题模型生成目标协作方的
Figure GDA00035534749300003111
个契约。即将CP与CR之间的交互建模为一个基于契约论的逆向选择问题优化模型，通过设立约束条件解决不对称信息问题并实现交互双方的效用最大化，接收模块902接收由基于基站提供的多个契约条目。
其中，优化问题模型的具体步骤如下：基于最大化所述协作方的效用值构建的目标函数；基于个体合理性约束和激励相容约束构建的约束条件。此外，对于请求方CRn和协作方CPm，契约条目被表示为
Figure GDA0003553474930000311
其中
Figure GDA0003553474930000312
表示由通信资源
Figure GDA0003553474930000313
和计算资源
Figure GDA0003553474930000314
决定的针对类型θ的CRn的服务时延，
Figure GDA0003553474930000315
表示CRn基于CPm的服务需要支付的报酬。具体地，
Figure GDA0003553474930000316
被定义为CPm的传输时延，
Figure GDA0003553474930000317
表示CPm分配给计算服务的计算资源的比例。
选择模块903，用于从所述多个契约中筛选出使其效用值最大的目标契约。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述选择模块903中，不同的请求方CR有不同的QoS需求，本发明实施例将时延敏感度定义为CR的个人QoS需求。由于请求方CR存在自私性，其为了以固定的报酬获得更低时延的服务或者为服务支付更低的报酬而隐藏自身的真实时延敏感程度不被CP所获知。在这种情况下，时延敏感程度成为了请求方CP和协作方CR之间的不对称信息，并将导致低效的资源调度。
基于契约论，CR将根据其时延敏感程度被划分为多种类型。我们将请求方CR可能的类型定义为
Figure GDA0003553474930000318
且满足
Figure GDA0003553474930000319
Figure GDA00035534749300003110
表示CR可能类型的数量。需要说明的是，CR可能请求VR/AR内容或视频内容，而请求VR/AR内容的CR其对应类型将高于请求视频内容的。换句话说，CRs的类型将取决于其请求的内容及其本身。
最终，在CP向CR提供服务过程中，CP无法获知CR的具体类型，但基于基站提供的多个契约条目，以及本发明所设计的相应的激励机制，选择模块903将主动选择对应其类型的且可最大化其效用的契约条目。
通信模块904，基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
具体的，根据上述实施例的车载网络中通信、缓存和计算资源联合优化装置，在上述通信模块904中，通过上述方案，CP可成功获知CR的实际类型。基于CR所选择的契约条目以及CR的真实类型，CP将花费对应地资源提供服务，以保证契约规定的时延要求，同时CR将支付服务时延所对应的报酬。
本发明实施例提供的车载网络中通信、缓存和计算资源联合优化装置，通过利用契约论建立相应的激励机制，解决场景中可能存在的不对称信息问题，并实现合理的资源分配，实现通信、计算、缓存资源的联合优化，对无线资源高效的管理。
举个例子如下：
图10为本发明实施例提供的一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1001、通信接口(Communications Interface)1002、存储器(memory)1003和通信总线1004，其中，处理器1001，通信接口1002，存储器1003通过通信总线1004完成相互间的通信。处理器1001可以调用存储器1003中的逻辑指令，以执行如下方法：接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约；将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
此外，上述的存储器1003中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约；将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种车载网络中通信、缓存和计算资源联合优化方法，其特征在于，包括：
接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；
基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约；
将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件；
所述基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约，具体包括：
依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的协作方；其中，当前社交相似度表示当前时间下车辆间的移动相似度，所述移动相似度是基于车辆间的最大传输距离、相对位移以及相对速度确定的；
根据获取的协作组合对，利用预设的所述优化问题模型生成对应的协作契约；
根据所述协作契约确定目标协作组合对；其中，所述目标协作组合对包含目标协作方的多个契约。
2.根据权利要求1所述的车载网络中通信、缓存和计算资源联合优化方法，其特征在于，所述接收请求方发送的请求信息前，还包括：
根据历史社交相似度将内容文件部署至所述协作方和多个路边单元；其中，历史社交相似度表示过去一段时间内车辆间的移动相似性和流行度，所述流行度用于表征请求方或协作方请求内容文件的概率。
3.根据权利要求1所述的车载网络中通信、缓存和计算资源联合优化方法，其特征在于，构建所述优化问题模型的具体步骤如下：
基于最大化所述协作方的效用值构建的目标函数；
基于个体合理性约束和激励相容约束构建的约束条件。
4.根据权利要求1所述的车载网络中通信、缓存和计算资源联合优化方法，其特征在于，所述根据所述协作契约确定目标协作组合对，具体包括：
计算每个所述协作契约的效用值；
根据所述效用值构建协作方效用矩阵，并利用匹配算法进行匹配，获得所述目标协作组合对。
5.根据权利要求4所述的车载网络中通信、缓存和计算资源联合优化方法，其特征在于，所述计算每个所述协作契约的效用值，具体包括：
根据功耗成本、缓存成本、报酬、计算功耗和请求者类型概率，计算每个协作契约的效用值。
6.一种车载网络中通信、缓存和计算资源联合优化方法，其特征在于，包括：
向基站发送请求信息，所述请求信息中携带有期望的目标内容文件；
接收所述基站发送的多个契约；所述多个契约是由所述基站基于所述目标内容文件，利用预设的优化问题模型生成的目标协作方的契约，具体包括：所述基站依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的协作方；根据获取的协作组合对，利用预设的所述优化问题模型生成对应的协作契约；根据所述协作契约确定目标协作组合对；其中，所述目标协作组合对包含目标协作方的多个契约，当前社交相似度表示当前时间下车辆间的移动相似度，所述移动相似度是基于车辆间的最大传输距离、相对位移以及相对速度确定的；
从所述多个契约中筛选出使其效用值最大的目标契约；
基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
7.一种车载网络中通信、缓存和计算资源联合优化装置，其特征在于，包括：
接收模块，用于接收请求方发送的请求信息，所述请求信息中携带有期望的目标内容文件；
契约生成模块，用于基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约；
传输模块，用于将所述多个契约发送至所述请求方，以供所述请求方从所述多个契约中筛选出使其效用值最大的目标契约，并基于所述目标契约接收所述目标协作方发送的所述目标内容文件；
所述基于所述目标内容文件，利用预设的优化问题模型生成目标协作方的多个契约，具体包括：
依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的协作方；其中，当前社交相似度表示当前时间下车辆间的移动相似度，所述移动相似度是基于车辆间的最大传输距离、相对位移以及相对速度确定的；
根据获取的协作组合对，利用预设的所述优化问题模型生成对应的协作契约；
根据所述协作契约确定目标协作组合对；其中，所述目标协作组合对包含目标协作方的多个契约。
8.一种车载网络中通信、缓存和计算资源联合优化装置，其特征在于，包括：
发送模块，用于向基站发送请求信息，所述请求信息中携带有期望的目标内容文件；
接收模块，用于接收所述基站发送的多个契约；所述多个契约是由所述基站基于所述目标内容文件，利用预设的优化问题模型生成的目标协作方的契约，具体包括：所述基站依据多个协作方的当前位置、当前社交相似度和存储的内容文件，筛选符合条件的协作方；根据获取的协作组合对，利用预设的所述优化问题模型生成对应的协作契约；根据所述协作契约确定目标协作组合对；其中，所述目标协作组合对包含目标协作方的多个契约，当前社交相似度表示当前时间下车辆间的移动相似度，所述移动相似度是基于车辆间的最大传输距离、相对位移以及相对速度确定的；
选择模块，用于从所述多个契约中筛选出使其效用值最大的目标契约；
通信模块，基于所述目标契约接收所述目标协作方发送的所述目标内容文件。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述车载网络中通信、缓存和计算资源联合优化方法的步骤。
CN202010666365.3A 2020-06-22 2020-07-09 一种车载网络中通信、缓存和计算资源联合优化方法 Active CN111866887B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020105756932 2020-06-22
CN202010575693 2020-06-22

Publications (2)

Publication Number Publication Date
CN111866887A CN111866887A (zh) 2020-10-30
CN111866887B true CN111866887B (zh) 2022-08-02

Family

ID=72982976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010666365.3A Active CN111866887B (zh) 2020-06-22 2020-07-09 一种车载网络中通信、缓存和计算资源联合优化方法

Country Status (1)

Country Link
CN (1) CN111866887B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113542351B (zh) * 2021-06-07 2022-11-25 北京邮电大学 一种基于车载网络的内容缓存方法及装置
CN113784308B (zh) * 2021-07-26 2024-04-23 北京邮电大学 基于编码缓存的内容共享方法及装置
CN113935614B (zh) * 2021-10-11 2023-10-13 华中科技大学 车队调控方法、装置、电子设备及存储介质
CN113905354B (zh) * 2021-11-11 2023-09-26 南京邮电大学 一种基于区域内容流行度的车载网络内容传递方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005057A (zh) * 2018-07-19 2018-12-14 华北电力大学 一种基于契约匹配理论的计算资源分配与任务卸载方案
CN109905860A (zh) * 2019-02-28 2019-06-18 华北电力大学 一种基于车辆雾计算的服务器招募及任务卸载优化方案

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107846690B (zh) * 2017-10-19 2020-11-06 湖北工业大学 一种独立非对称信息下协作通信动态契约激励方法
CN107787001B (zh) * 2017-10-19 2020-11-06 湖北工业大学 一种相关非对称信息下协作通信动态契约激励方法
CN109831796B (zh) * 2019-02-03 2020-07-28 北京邮电大学 无线网络虚拟化中的资源分配方法
CN110557838B (zh) * 2019-09-02 2020-08-18 南京工程学院 无线内容分发网络中基于契约理论的缓冲资源分配方法
CN110888687B (zh) * 2019-09-27 2023-03-14 华北水利水电大学 基于合约设计的移动边缘计算任务卸载最优合约设计方法
US11146455B2 (en) * 2019-12-20 2021-10-12 Intel Corporation End-to-end quality of service in edge computing environments

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109005057A (zh) * 2018-07-19 2018-12-14 华北电力大学 一种基于契约匹配理论的计算资源分配与任务卸载方案
CN109905860A (zh) * 2019-02-28 2019-06-18 华北电力大学 一种基于车辆雾计算的服务器招募及任务卸载优化方案

Also Published As

Publication number Publication date
CN111866887A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111866887B (zh) 一种车载网络中通信、缓存和计算资源联合优化方法
Hu et al. Blockchain and artificial intelligence for dynamic resource sharing in 6G and beyond
Liu et al. Asynchronous deep reinforcement learning for collaborative task computing and on-demand resource allocation in vehicular edge computing
Hu et al. Roadside unit caching: Auction-based storage allocation for multiple content providers
CN110312231A (zh) 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法
Hui et al. A game theoretic scheme for optimal access control in heterogeneous vehicular networks
CN111339554B (zh) 基于移动边缘计算的用户数据隐私保护方法
He et al. Deep reinforcement learning (DRL)-based resource management in software-defined and virtualized vehicular ad hoc networks
Hui et al. Reservation service: Trusted relay selection for edge computing services in vehicular networks
Wu et al. Load balance guaranteed vehicle-to-vehicle computation offloading for min-max fairness in VANETs
Xu et al. Socially driven joint optimization of communication, caching, and computing resources in vehicular networks
Rahim et al. An efficient caching policy for content retrieval in autonomous connected vehicles
Yang et al. Stackelberg-game-based mechanism for opportunistic data offloading using moving vehicles
Bitaghsir et al. Multi-armed bandit learning for cache content placement in vehicular social networks
CN107949007A (zh) 无线缓存系统中基于拍卖理论的一种资源分配算法
Xue et al. Two-layer distributed content caching for infotainment applications in vanets
Yuan et al. A survey on computation offloading for vehicular edge computing
Rawat et al. Joint beacon frequency and beacon transmission power adaptation for internet of vehicles
Pal et al. Deep reinforcement learning based optimal channel selection for cognitive radio vehicular ad‐hoc network
Lu et al. Edge caching strategy design and reward contract optimization for uAV-enabled mobile edge networks
Yuan et al. Caching hit ratio maximization in mobile edge computing with node cooperation
Hasan et al. Federated Learning for Computational Offloading and Resource Management of Vehicular Edge Computing in 6G-V2X Network
Erfanian et al. QoCoVi: QoE-and cost-aware adaptive video streaming for the Internet of Vehicles
Su et al. The Next Generation Vehicular Networks, Modeling, Algorithm and Applications
Luan et al. Enabling content distribution in vehicular ad hoc networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant