CN111935303A - 空地一体化车联网中基于意图感知的任务卸载方法 - Google Patents

Abstract

本发明提供一种空地一体化车联网中基于意图感知的任务卸载方法，包括构建系统模型；模型的细化；高可靠低时延约束与优化问题的提出；优化问题的转化与轨迹相似度估计；基于意图的任务卸载方法。本发明将用户体验质量模型、高可靠低时延约束和轨迹相似度估计与强化学习结合起来用于选择边缘服务器，实现了用户体验质量感知、高可靠低时延感知和轨迹相似度感知的三维用户意图感知。还考虑了队列长度的尾部分布，对极端事件的发生概率、长期平均时间下超额积压的条件均值以及方差进行约束，减少了队列时延，提升了队列稳定性并且不需要经过多跳转发，显著地降低了端到端时延，提高了任务卸载成功的次数。

Description

空地一体化车联网中基于意图感知的任务卸载方法

技术领域

本发明属于智能交通技术领域，具体涉及一种空地一体化车联网中基于意图感知的任务卸载方法。

背景技术

空地一体化车辆边缘计算(Air-ground Integrated Vehicular EdgeComputing，AGI-VEC)作为下一代智能交通系统(Intelligent Transportation Systems，ITS)的关键技术之一，整合了空基网络和地基网络中的通信、计算和存储资源，满足了车联网设备不断增长的计算需求，并且提供了一种新的车辆边缘计算架构。在该架构的空基网络中，无人机(Unmanned Aerial Vehicles，UAVs)可以作为边缘服务器，灵活地为用户车辆(User Vehicle，UV)提供通信和计算服务；在地基网络中，配备有边缘计算基础设施的地面基站(Base Station，BS)，可以为用户车辆提供无线电接入和计算服务。因此，用户车辆可以接入大量密集部署的边缘服务器，并且可以将其任务卸载到附近的边缘服务器中进行计算。与传统的云计算架构相比，空地一体化车辆边缘计算架构具有无缝覆盖，传输距离短，时延低，吞吐量和网络拥塞得以改善等优势，为具有个性化服务需求和高可靠低时延通信(Ultra-reliable Low Latency Communications，URLLC)要求的新兴车联网应用(例如自动驾驶，车载视频点播和在线游戏)提供了技术支撑。

为了充分利用空地一体化车辆边缘计算架构的优势，任务卸载决策的制定应考虑用户车辆的意图。其中用户车辆的意图包括主观性能指标，即用户体验质量(Quality ofExperience，QoE)和客观性能指标，即高可靠低时延通信要求。但是，传统的任务卸载方法往往基于单一的服务质量(Quality of Service，QoS)性能指标，如吞吐量、时延或误码率，与用户车辆的真正意图具有较大差异，导致了较低的用户体验质量，并且无法满足高可靠低时延通信的要求。因此，迫切需要设计一种基于用户意图的任务卸载方法，在保障高可靠低时延通信需求的前提下大幅度提升用户体验质量。

目前基于Lyapunov优化的任务卸载方案，需要在全局信息已知的条件下进行任务卸载，信令开销较高，因此在现实中不易实现。

而基于UCB的任务卸载方案，只针对单一的服务质量性能指标(如吞吐量，时延或误码率)进行任务卸载优化，没有考虑用户意图和数据队列的高可靠低时延约束，导致用户车辆体验质量差，高可靠低时延通信需求难以保障。

发明内容

针对上述技术问题，本发明提供一种1.空地一体化车联网中基于意图感知的任务卸载方法，主要解决以下两个问题：

1.用户车辆意图的模型构建问题

本发明提出的任务卸载方案对用户车辆的意图进行了建模，同时考虑了主观和客观两个方面的性能指标，实现了包括用户体验质量感知，高可靠低时延通信感知和轨迹相似度感知的三维用户意图感知。

2.信息不确定条件下的任务卸载优化问题

本发明提出的任务卸载方案能够在信道状态信息、服务器可用资源、服务器负载以及服务器移动特性未知的前提下，根据经验决策观察用户体验质量、高可靠低时延通信约束偏差和轨迹相似度估计值，使用户车辆学习长期最优的任务卸载策略，满足高可靠低时延通信需求。

具体的技术方案为，空地一体化车联网中基于意图感知的任务卸载方法，包括五个步骤：

S1.构建系统模型；

S2.模型的细化；

S3.高可靠低时延约束与优化问题的提出；

S4.优化问题的转化与轨迹相似度估计；

S5.基于意图的任务卸载方法。

具体的：

S1.构建系统模型

在一个空地一体化车联网中，作为边缘服务器的无人机s₁、s₂、s₃和配备有边缘计算基础设施的基站s₄、s₅、s₆、s₇组成了空基和地基两张网络，为用户车辆提供通信和计算资源。其中，N个无人机和M个基站可以作为(N+M)个边缘服务器，其集合被定义为S＝{s₁,…,s_N,s_N+1,…,s_N+M}。

本发明采用时隙模型，将整个优化时间划分为T个时隙，其集合定义为T＝{1,…,t,…,T}。在每一个时隙内，信道状态信息(Channel State Information，CSI)保持不变；而在不同的时隙之间，信道状态信息会发生改变。

考虑到用户车辆和无人机的高移动特性，如果用户车辆在边缘服务器的通信范围内，则该边缘服务器可以为用户车辆提供服务。由于用户车辆穿过一个边缘服务器的覆盖区域所需时间通常为几秒甚至几分钟，所以可用的边缘服务器集合S_t通常在几个连续的时隙内保持不变。在每一个时隙内，用户车辆可以将其任务卸载到可用的边缘服务器上，即无人机或基站，由边缘服务器来完成计算任务。

S2.模型的细化

(1)任务数据传输

本发明采用任务划分模型，将用户车辆产生的任务划分为大小为ρ的A(t)个子任务。这些子任务暂时存储在用户车辆的本地缓冲区，然后被卸载到边缘服务器中进行计算。这样在用户车辆的本地缓冲区就形成了一个数据队列，其公式为：

Q(t+1)＝max{Q(t)+ρA(t)-U(t),0}+Y(t+1) (1)

其中Q(t)表示第t个时隙存储在用户车辆本地缓冲区上的数据量，U(t)表示第t个时隙卸载到边缘服务器上的数据量，ρA(t)表示新产生的数据量，Y(t+1)表示由于任务卸载失败而需要在第(t+1)个时隙重传的数据量。

当用户车辆选择不同的边缘服务器时，路径损耗和信噪比是不同的。

1)若用户车辆在第t个时隙选择无人机s_n进行任务卸载，即x_n,t＝1,s_n∈S_t,n＝1,...,N，则用户车辆与无人机通信链路的信噪比为：

其中δ²是噪声功率，

是传输功率，L_n,t为用户车辆与无人机间的路径损耗。

2)若用户车辆选择基站作为边缘服务器进行任务卸载，其通信链路的信噪比为：

其中G_0,n,t代表用户车辆与基站通信链路的信道增益。

根据信噪比可以得出数据的传输速率R_n,t，从而进一步得到卸载到边缘服务器的数据量u_n,t，其公式如下：

R_n,t＝B₀log₂(1+γ_0,n,t) (5)

u_n,t＝min{Q(t)+ρA(t),τR_n,t} (6)

其中τ为固定的传输时间，则用户车辆的吞吐量为：

其中x_n,t表示用户车辆在第t个时隙对边缘服务器s_n的选择情况，当x_n,t＝1时，代表用户车辆在第t个时隙选择s_n进行任务卸载。因此，传输时延为：

(2)任务数据计算

边缘服务器在第t个时隙的计算时延为：

其中λ表示计算复杂度，即处理1bit任务数据所需的CPU周期数，

表示每秒可用于数据计算的CPU周期数。

(3)结果回传

选定的边缘服务器s_n在完成数据计算后，会将计算结果回传给用户车辆。根据比较s_n的通信半径

与传输距离r_n′_,t的大小，回传时延表示为：

其中w_n,t表示在第t个时隙结果数据大小与任务数据大小之间的比值，

表示计算结果需要在其它基站或无人机的辅助下以多跳的方式回传给用户车辆的时延，比直接回传时延大得多。

(4)切换时延

当任务数据在两个连续的时隙中被卸载到不同的边缘服务器时，则产生切换时延：

其中

是用户车辆切换一次边缘服务器的时延，ψ(t)表示用户车辆在第t个时隙选择的边缘服务器，ψ(t)＝s_n等价于x_n,t＝1。I{x}是一个示性函数，当事件x为真时，I{x}＝1，否则I{x}＝0。

(5)端到端时延

第t个时隙的端到端时延包含：切换时延、传输时延、计算时延和回传时延，表示为：

其中τ_max为特定的任务卸载时延需求。若无法在指定的时延需求内将结果回传给用户车辆，则任务卸载失败。因此，第(t+1)个时隙需要重传的数据量为：

(6)用户体验质量模型

用户体验质量由用户车辆在任务卸载过程中的端到端时延和吞吐量共同决定，具体模型如下：

其中α代表位移以及端到端时延与吞吐量的加权比值，即

β代表函数的斜率，ζ是一个正数，用于调整数量级。

S3.高可靠低时延约束与优化问题的提出

(1)高可靠低时延约束

根据里特定律(Little’s Law)，将平均数据队列积压与平均数据到达率之比定义为平均排队时延，则本地缓冲区的排队时延为：

其中

是本地缓冲区的平均数据到达率，计算公式如下：

为了保证数据任务高可靠低时延的需求，除了考虑平均排队时延以外，同时还要考虑队列长度的尾部分布。定义极端事件的概念为用户车辆的本地缓冲区任务积压超过本地数据队列的长度，可以得出用户车辆本地缓冲区的队列超额积压为：

其中

为队列时延约束。极端事件的发生概率、长期平均时间的条件均值和方差应该被限定在一定的范围内。极端事件的发生概率约束为：

其中∈＜＜1为极端事件发生的可容忍概率。

根据Pickands-Balkema-de Haan定理，超额数据积压的条件互补累积分布函数可以近似为广义帕累托分布(Generalized Pareto Distribution，GPD)G(h；σ,ξ)，其公式如下：

其中σ>0和ξ∈R分别是相应的尺度参数和形状参数。由于超额数据积压的均值和方差均随着σ和ξ的增加而增加，因此通过两个约束σ≤σ^th和ξ≤ξ^th可以限制超额数据积压的均值和方差。根据阈值与广义帕累托分布统计特性之间的关系，长期平均时间下超额积压的条件均值和方差的约束为：

其中W(t)＝[H(t)]²，σ^th与ξ^th为设定的阈值，它们的取值取决于广义帕累托分布的性质和特定的高可靠低时延通信要求。

(2)优化问题的提出

基于上述建立的模型与约束，本发明解决的优化问题为：在高可靠低时延通信约束下最大化用户体验质量QoE_n,t。因此，优化问题P1定义为：

其中约束条件C₁表示选择边缘服务器的约束，即用户车辆在每个时隙只能选择一个边缘服务器进行任务卸载；约束条件C₂是高可靠低时延通信约束，该约束是根据极端事件的发生概率约束、长期平均时间下超额积压的条件均值和方差约束定义的。

S4.优化问题的转化与轨迹相似度估计

(1)优化问题的转化

首先基于Lyapunov优化理论中的虚拟队列概念，将上述约束C₂转换为虚拟队列，其公式如下：

这三个虚拟队列分别表示当前极端事件发生的概率偏差、长期平均时间下超额积压的条件均值以及方差的偏差。

结合前面建立的虚拟队列，本发明把长期的用户体验质量最大化问题转化为在每一个时隙最大化用户车辆的用户体验质量，同时保证高可靠低时延通信约束。因此，优化问题P1可以转化为P2：

其中θ_n,t表示用户体验质量和高可靠低时延通信约束偏差的加权和，计算公式为：

其中V_Q和V_C分别是用户体验质量和高可靠低时延约束偏差的正权重，

和

是用来统一数量级的参数。通过虚拟队列相关理论，本发明将P1中的约束C₂转化到了P2的优化目标之中，从而保证了数据任务高可靠低时延的需求。

(2)轨迹相似度估计

用户车辆和边缘服务器之间的轨迹相似度越高表明用户车辆与边缘服务器之间的链路连接越持久，使得计算结果可以直接回传，而不需要经过多跳转发，显著地降低了端到端时延。因此，用户车辆更倾向于选择具有更高轨迹相似度的边缘服务器。

本发明将J个连续的时隙定义为一个时间段，在每个时间段内对用户车辆和边缘服务器进行轨迹相似度估计，其包括三种因素：速度、位置和方向。具体模型如下：

其中μ₁、μ₂和μ₃分别对应速度、位置和方向系数的权重，且μ₁+μ₂+μ₃＝1。

速度系数被定义为归一化的速度差异，其公式如下：

其中

和

分别表示第k个时间段用户车辆和边缘服务器s_n的平均速度。

当用户车辆与边缘服务器之间的水平距离越大时，任务卸载失败的可能性越大，设置r^b为水平距离界限，则在第k个时间段用户车辆和s_n之间水平距离大于r^b的时隙数Λ_n,k为：

位置系数

定义为第k个时间段中用户车辆和s_n之间水平距离大于r^b的时隙数与每个时间段的时隙数之比：

方向差异性

被定义为第k个时间段末用户车辆的移动方向与用户车辆和s_n链路之间的角度差异。

越大，表示用户车辆离开s_n通信范围的可能性越大。方向系数

与

之间的关系为：

S5.基于意图的任务卸载方法

本发明将意图感知与强化学习相结合，提出了一种IUCB任务卸载方法(Learning-Based Intent-Aware Upper Confidence Bound，IUCB)，旨在最大化用户体验质量，同时最小化高可靠低时延约束偏差。具体步骤如下：

(1)初始化阶段：将存储在用户车辆本地缓冲区中的初始数据队列积压Q(0)，所有虚拟队列的积压Z^Q(0)、Z^H(0)和Z^W(0)，选择指示符x_n,t、

以及θ_n,t的经验估计值

都初始化为0，并将轨迹相似度估计值P_n,1设为1。

(2)决策阶段：如果存在新的可用边缘服务器s_n，且s_n从未被选择过，则用户车辆必须选择一次s_n。根据以下公式估计用户车辆对s_n的偏好程度：

用户车辆在获得对s_n的偏好程度后，选择具有最大偏好值的边缘服务器ψ(t)：

(3)学习阶段：用户车辆观察选择ψ(t)后得到的吞吐量u_n,t、端到端时延

和用户体验质量QoE_n,t。然后，更新Q(t+1)与θ_n,t。若任务卸载成功，即

则

和Γ_t更新为：

Γ_t＝Γ_t-1+1 (35)

否则，

和Γ_t保持不变。接下来，更新Z^Q(t+1)、Z^H(t+1)和Z^W(t+1)。在每个时间段的最后一个时隙执行轨迹相似性估计。具体地说，如果第t个时隙是第(k-1)个时间段的最后一个时隙，即t＝(k-1)J，k＝1,...,K，则更新轨迹相似度P_n,t+1，否则，P_n,t+1保持不变。当t＞T时，决策和学习阶段之间的迭代终止。

该方法通过不断地学习，实现了在每个时隙选择最优的边缘服务器进行任务卸载，并最大化了用户体验质量。

本发明采用以下技术特征以及具有的技术效果有：

(1)用户意图感知技术：基于MAB理论、Lyapunov优化理论和极值理论，本发明将用户体验质量模型、高可靠低时延约束和轨迹相似度估计与强化学习结合起来用于选择边缘服务器，实现了用户体验质量感知、高可靠低时延感知和轨迹相似度感知的三维用户意图感知。

(2)高可靠低时延通信感知技术：本发明考虑了队列长度的尾部分布，对极端事件的发生概率、长期平均时间下超额积压的条件均值以及方差进行约束，减少了队列时延，提升了队列稳定性。

(3)轨迹相似度感知技术：本发明对用户车辆与边缘服务器之间的轨迹相似度进行了估计，轨迹相似度越高，表明用户车辆与边缘服务器之间的链路连接时间越持久，使计算结果可以直接回传给用户车辆，而不需要经过多跳转发，显著地降低了端到端时延，提高了任务卸载成功的次数。

附图说明

图1为本发明的空地一体化车联网示意图；

图2为实施例中用户体验质量随时隙的变化情况；

图3为实施例中端到端时延随时隙的变化情况；

图4为实施例中吞吐量随时隙的变化情况；

图5为实施例中排队时延随时隙的变化情况。

具体实施方式

本发明对上述提出的IUCB任务卸载方法，进行了如下的仿真对比实验：

其中，方法1为Sleeping UCB算法，其设备活动概率被估计的轨迹相似性代替，但忽略了高可靠低时延通信约束；方法2为EMM算法，其考虑了高可靠低时延通信约束，但忽略了轨迹相似度，为了简化，本发明将其重命名为“EMM+URLLC”。

如图1所示，本发明在一个空地一体化车联网。本发明将10个连续的时隙划分为一个时间段。用户车辆的初始位置是(-1600，-800)，此后沿着X轴正方向移动。无人机在

期间沿着轨迹运动，然后直线移动。用户车辆和无人机的速度分别设置为20m/s和30m/s。

图2表示用户体验质量随时隙的变化情况；图3表示端到端时延随时隙的变化情况；图4表示吞吐量随时隙的变化情况；以及图5表示排队时延随时隙的变化情况。

如图2所示，本发明提出的IUCB方法得到的平均用户体验质量优于其它两种方法。由于本发明提出的IUCB方法具有用户体验质量感知，使得用户体验质量分别优于EMM+URLLC和Sleeping UCB 0.34％和1.43％。

如图3所示，本发明提出的IUCB方法在端到端时延方面的表现明显优于其它两种方法。因为IUCB方法同时考虑了高可靠低时延约束和轨迹相似度估计，所以其端到端时延最小。而考虑了高可靠低时延约束的EMM+URLLC算法次之。

如图4所示，本发明提出的IUCB方法得到的平均吞吐量优于其它两种方法。相比之下，仅具有轨迹相似度感知的Sleeping UCB方法得到的平均吞吐量最小。

如图5所示，与其它两种方法相比，本发明提出的IUCB方法可以显著地降低平均队列时延。同时由于缺乏高可靠低时延感知，Sleeping UCB的性能比IUCB和EMM+URLLC都差。

综合图2至图5可以看出，本发明提出的IUCB方法能够在满足高可靠低时延通信约束的前提下，最大化用户体验质量、提高吞吐量，并降低端到端时延和队列时延。

Claims (4)

1.空地一体化车联网中基于意图感知的任务卸载方法，其特征在于，包括五个步骤：

S1.构建系统模型；

S2.模型的细化；

S3.高可靠低时延约束与优化问题的提出；

S4.优化问题的转化与轨迹相似度估计；

S5.基于意图的任务卸载方法。

2.根据权利要求1所述的空地一体化车联网中基于意图感知的任务卸载方法，其特征在于，具体的包括以下步骤：

S1.构建系统模型

在一个空地一体化车联网中，作为边缘服务器的无人机s₁、s₂、s₃和配备有边缘计算基础设施的基站s₄、s₅、s₆、s₇组成了空基和地基两张网络，为用户车辆提供通信和计算资源；其中，N个无人机和M个基站可以作为N+M个边缘服务器，其集合被定义为S＝{s₁,…,s_N,s_N+1,…,s_N+M}；

采用时隙模型，将整个优化时间划分为T个时隙，其集合定义为T＝{1,…,t,…,T}；在每一个时隙内，信道状态信息CSI保持不变；而在不同的时隙之间，信道状态信息会发生改变；

S2.模型的细化

(1)任务数据传输

采用任务划分模型，将用户车辆产生的任务划分为大小为ρ的A(t)个子任务；这些子任务暂时存储在用户车辆的本地缓冲区，然后被卸载到边缘服务器中进行计算，用户车辆的本地缓冲区形成了一个数据队列，其公式为：

Q(t+1)＝max{Q(t)+ρA(t)-U(t),0}+Y(t+1) (1)

其中Q(t)表示第t个时隙存储在用户车辆本地缓冲区上的数据量，U(t)表示第t个时隙卸载到边缘服务器上的数据量，ρA(t)表示新产生的数据量，Y(t+1)表示由于任务卸载失败而需要在第(t+1)个时隙重传的数据量；

当用户车辆选择不同的边缘服务器时，路径损耗和信噪比是不同的：

1)若用户车辆在第t个时隙选择无人机s_n进行任务卸载，即x_n,t＝1,s_n∈S_t,n＝1,...,N，则用户车辆与无人机通信链路的信噪比为：

其中δ²是噪声功率，

是传输功率，L_n,t为用户车辆与无人机间的路径损耗；

2)若用户车辆选择基站作为边缘服务器进行任务卸载，其通信链路的信噪比为：

其中G_0,n,t代表用户车辆与基站通信链路的信道增益；

根据信噪比可以得出数据的传输速率R_n,t，从而进一步得到卸载到边缘服务器的数据量u_n,t，其公式如下：

R_n,t＝B₀log₂(1+γ_0,n,t) (5)

u_n,t＝min{Q(t)+ρA(t),τR_n,t} (6)

其中τ为固定的传输时间，则用户车辆的吞吐量为：

其中x_n,t表示用户车辆在第t个时隙对边缘服务器s_n的选择情况，当x_n,t＝1时，代表用户车辆在第t个时隙选择s_n进行任务卸载；传输时延为：

(2)任务数据计算

边缘服务器在第t个时隙的计算时延为：

其中λ表示计算复杂度，即处理1bit任务数据所需的CPU周期数，

表示每秒可用于数据计算的CPU周期数；

(3)结果回传

选定的边缘服务器s_n在完成数据计算后，会将计算结果回传给用户车辆；根据比较s_n的通信半径

与传输距离r′_n,t的大小，回传时延表示为：

其中w_n,t表示在第t个时隙结果数据大小与任务数据大小之间的比值，

表示计算结果需要在其它基站或无人机的辅助下以多跳的方式回传给用户车辆的时延，比直接回传时延大；

(4)切换时延

当任务数据在两个连续的时隙中被卸载到不同的边缘服务器时，则产生切换时延：

其中

是用户车辆切换一次边缘服务器的时延，ψ(t)表示用户车辆在第t个时隙选择的边缘服务器，ψ(t)＝s_n等价于x_n,t＝1；I{x}是一个示性函数，当事件x为真时，I{x}＝1，否则I{x}＝0；

(5)端到端时延

第t个时隙的端到端时延包含：切换时延、传输时延、计算时延和回传时延，表示为：

其中τ_max为特定的任务卸载时延需求；若无法在指定的时延需求内将结果回传给用户车辆，则任务卸载失败，因此，第(t+1)个时隙需要重传的数据量为：

(6)用户体验质量模型

用户体验质量由用户车辆在任务卸载过程中的端到端时延和吞吐量共同决定，具体模型如下：

其中α代表位移以及端到端时延与吞吐量的加权比值，即

β代表函数的斜率，ζ是一个正数，用于调整数量级；

S3.高可靠低时延约束与优化问题的提出

(1)高可靠低时延约束

根据里特定律，将平均数据队列积压与平均数据到达率之比定义为平均排队时延，则本地缓冲区的排队时延为：

其中

是本地缓冲区的平均数据到达率，计算公式如下：

为了保证数据任务高可靠低时延的需求，除了考虑平均排队时延以外，同时还要考虑队列长度的尾部分布；定义极端事件的概念为用户车辆的本地缓冲区任务积压超过本地数据队列的长度，可以得出用户车辆本地缓冲区的队列超额积压为：

其中

为队列时延约束；极端事件的发生概率、长期平均时间的条件均值和方差应该被限定在一定的范围内；

根据Pickands-Balkema-de Haan定理，超额数据积压的条件互补累积分布函数可以近似为广义帕累托分布G(h；σ,ξ)，其公式如下：

其中σ>0和ξ∈R分别是相应的尺度参数和形状参数；由于超额数据积压的均值和方差均随着σ和ξ的增加而增加，因此通过两个约束σ≤σ^th和ξ≤ξ^th可以限制超额数据积压的均值和方差；根据阈值与广义帕累托分布统计特性之间的关系，长期平均时间下超额积压的条件均值和方差的约束为：

其中W(t)＝[H(t)]²，σ^th与ξ^th为设定的阈值，取值取决于广义帕累托分布的性质和特定的高可靠低时延通信要求；

(2)优化问题的提出

基于上述建立的模型与约束，解决的优化问题为：在高可靠低时延通信约束下最大化用户体验质量QoE_n,t；因此，优化问题P1定义为：

P1:

s.t.C₁:

C₂:

其中约束条件C₁表示选择边缘服务器的约束，即用户车辆在每个时隙只能选择一个边缘服务器进行任务卸载；约束条件C₂是高可靠低时延通信约束，该约束是根据极端事件的发生概率约束、长期平均时间下超额积压的条件均值和方差约束定义的；

S4.优化问题的转化与轨迹相似度估计

(1)优化问题的转化

首先基于Lyapunov优化理论中的虚拟队列概念，将上述约束C₂转换为虚拟队列，其公式如下：

这三个虚拟队列分别表示当前极端事件发生的概率偏差、长期平均时间下超额积压的条件均值以及方差的偏差；

结合前面建立的虚拟队列，把长期的用户体验质量最大化问题转化为在每一个时隙最大化用户车辆的用户体验质量，同时保证高可靠低时延通信约束；因此，优化问题P1可以转化为P2：

P2:

s.t.C₁:

其中θ_n,t表示用户体验质量和高可靠低时延通信约束偏差的加权和，计算公式为：

其中V_Q和V_C分别是用户体验质量和高可靠低时延约束偏差的正权重，

和

是用来统一数量级的参数；将P1中的约束C₂转化到了P2的优化目标之中，从而保证了数据任务高可靠低时延的需求；

(2)轨迹相似度估计

将J个连续的时隙定义为一个时间段，在每个时间段内对用户车辆和边缘服务器进行轨迹相似度估计，其包括三种因素：速度、位置和方向；具体模型如下：

其中μ₁、μ₂和μ₃分别对应速度、位置和方向系数的权重，且μ₁+μ₂+μ₃＝1；

速度系数被定义为归一化的速度差异，其公式如下：

其中

和

分别表示第k个时间段用户车辆和边缘服务器s_n的平均速度；

当用户车辆与边缘服务器之间的水平距离越大时，任务卸载失败的可能性越大，设置r^b为水平距离界限，则在第k个时间段用户车辆和s_n之间水平距离大于r^b的时隙数Λ_n,k为：

位置系数

定义为第k个时间段中用户车辆和s_n之间水平距离大于r^b的时隙数与每个时间段的时隙数之比：

方向差异性

被定义为第k个时间段末用户车辆的移动方向与用户车辆和s_n链路之间的角度差异；

越大，表示用户车辆离开s_n通信范围的可能性越大；方向系数

与

之间的关系为：

S5.基于意图的任务卸载方法

采用IUCB任务卸载方法，具体步骤如下：

(1)初始化阶段：将存储在用户车辆本地缓冲区中的初始数据队列积压Q(0)，所有虚拟队列的积压Z^Q(0)、Z^H(0)和Z^W(0)，选择指示符x_n,t、

以及θ_n,t的经验估计值

都初始化为0，并将轨迹相似度估计值P_n,1设为1；

(2)决策阶段：如果存在新的可用边缘服务器s_n，且s_n从未被选择过，则用户车辆必须选择一次s_n；根据以下公式估计用户车辆对s_n的偏好程度：

用户车辆在获得对s_n的偏好程度后，选择具有最大偏好值的边缘服务器ψ(t)：

(3)学习阶段：用户车辆观察选择ψ(t)后得到的吞吐量u_n,t、端到端时延

和用户体验质量QoE_n,t；然后，更新Q(t+1)与θ_n,t；若任务卸载成功，即

则

和Γ_t更新为：

Γ_t＝Γ_t-1+1 (34)

否则，

和Γ_t保持不变；接下来，更新Z^Q(t+1)、Z^H(t+1)和Z^W(t+1)；在每个时间段的最后一个时隙执行轨迹相似性估计；具体地说，如果第t个时隙是第(k-1)个时间段的最后一个时隙，即t＝(k-1)J，k＝1,...,K，则更新轨迹相似度P_n,t+1，否则，P_n,t+1保持不变；当t＞T时，决策和学习阶段之间的迭代终止。

3.根据权利要求2所述的空地一体化车联网中基于意图感知的任务卸载方法，其特征在于，S1中，如果用户车辆在边缘服务器的通信范围内，则该边缘服务器可以为用户车辆提供服务，可用的边缘服务器集合S_t通常在几个连续的时隙内保持不变；在每一个时隙内，用户车辆将其任务卸载到可用的边缘服务器上，即无人机或基站，由边缘服务器来完成计算任务。

4.根据权利要求2所述的空地一体化车联网中基于意图感知的任务卸载方法，其特征在于，S 3的(1)高可靠低时延约束中，极端事件的发生概率约束为：

其中∈＜＜1为极端事件发生的可容忍概率。

Images