CN112015545A

CN112015545A - 车辆边缘计算网络中的任务卸载方法及系统

Info

Publication number: CN112015545A
Application number: CN202010717870.6A
Authority: CN
Inventors: 田杰; 刘爽; 支媛; 边际; 陆佃杰
Original assignee: Shandong Normal University
Current assignee: Shandong Normal University
Priority date: 2020-07-23
Filing date: 2020-07-23
Publication date: 2020-12-01
Anticipated expiration: 2040-07-23
Also published as: CN112015545B

Abstract

本申请公开了车辆边缘计算网络中的任务卸载方法及系统，获取车辆初始卸载比特数及单价，建立边缘服务器的效用函数；获取车辆到车辆所选择的边缘服务器之间的数据传输速率、车辆到车辆所选择的边缘服务器之间计算任务所产生的时延和使用边缘服务器计算资源所需要的费用，建立车辆的效用函数；根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题；根据车辆的效用函数，建立最大化车辆效用的优化问题；基于斯坦伯格博弈理论对优化问题进行求解，得到均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；基于均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解，实现车辆任务的卸载。

Description

车辆边缘计算网络中的任务卸载方法及系统

技术领域

本申请涉及无线通信技术领域，特别是涉及车辆边缘计算网络中的任务卸载方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

随着物联网(IoT)时代的来临，万物互联，车联网作为物联网的一个关键分支成为现代交通不可或缺的部分。随着各种应用程序的兴起和发展，人们对车辆性能的要求逐渐提高，高速计算和低时延的需求日益突出，车载终端的应用要求对资源有限的车辆提出了更大的挑战。车辆自身有限的计算资源无法满足用户的服务需求和一些计算密集型和时延敏感型应用程序的要求。而移动边缘计算的出现使得用户可以将计算任务卸载到用户附近的边缘服务器来有效降低任务执行的延迟与开销，因此，基于边缘计算的车联网成为一个满足应用需求的解决方案，并成为车联网背景下研究的热点问题。目前，研究学者将边缘计算引入车联网，形成新的车辆边缘计算体系，极大地提高了车辆系统的性能，可满足延迟敏感型和计算密集型任务的需求。

其中边缘服务器附近的车辆提供卸载服务。由于车辆与服务器距离短，边缘服务器能够在计算分流过程中提供快速的交互响应，并提升了车辆对延迟敏感型应用程序的体验。但是，对于繁忙的交通流量而言，由于边缘服务器具有有限的计算资源，这使得服务器难以完全满足车辆的卸载要求。应对这一挑战需要一种高效的VEC卸载方案，以满足任务卸载要求和车辆的QoS要求。

发明人发现，(1)现有的对于车辆计算任务卸载的研究，大多数是将车辆任务全部留在本地或者全部卸载两种情况进行选择，如果选择全部卸载，对边缘服务器的计算能力要求很高，而且在使用边缘服务器的计算资源的同时还需要向服务器缴纳费用，这对车辆来说，开销比较大，而如果全部留在本地计算，由于车辆计算资源有限，可能会造成较大的延迟；(2)现有的集中式的方法前提是需要获取全局信息，复杂度较高，所需开销较大。因此，需要具有低复杂度，高效的分布式的任务卸载方法。

发明内容

为了解决现有技术的不足，本申请提供了车辆边缘计算网络中的任务卸载方法及系统；在能够保证车辆QoS要求的前提下，利用斯坦伯格博弈理论分别最大化车辆和服务器效用。

第一方面，本申请提供了车辆边缘计算网络中的任务卸载方法；

车辆边缘计算网络中的任务卸载方法，包括：

获取车辆初始卸载比特数及单价，建立边缘服务器的效用函数；

获取车辆到车辆所选择的边缘服务器之间的数据传输速率、车辆到车辆所选择的边缘服务器之间计算任务所产生的时延和使用边缘服务器计算资源所需要的费用，建立车辆的效用函数；

根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题；根据车辆的效用函数，建立最大化车辆效用的优化问题；

基于斯坦伯格博弈理论对优化问题进行求解，得到均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；

基于均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解，实现车辆任务的卸载。

第二方面，本申请提供了车辆边缘计算网络中的任务卸载系统；

车辆边缘计算网络中的任务卸载系统，包括：

获取模块，其被配置为：获取车辆初始卸载比特数及单价，建立边缘服务器的效用函数；获取车辆到车辆所选择的边缘服务器之间的数据传输速率、车辆到车辆所选择的边缘服务器之间计算任务所产生的时延和使用边缘服务器计算资源所需要的费用，建立车辆的效用函数；

模型建立模块，其被配置为：根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题模型；根据车辆的效用函数，建立最大化车辆效用的优化问题；

求解模块，其被配置为：基于斯坦伯格博弈理论对优化问题进行求解，得到均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；

任务卸载模块，其被配置为：基于均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解，实现车辆任务的卸载。

第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。

第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。

与现有技术相比，本申请的有益效果是：

1、本申请引入多主多从斯坦伯格博弈理论的方法更加智能地解决优化问题，最大化车辆和服务器两方的效用；

2、本申请在车联网场景中，建立了车辆和边缘服务器的效用函数，考虑在满足车辆延迟限制和服务器计算资源限制的情况下，分别实现服务器和车辆效用的最优化，从而以效用最优化的方式进行车辆对服务器的选择，以及最佳的上传比特数和服务器收取费用的单价。

3、本申请通过利用多主多从斯坦伯格博弈，将车辆和服务器看作博弈的两方，车辆看作跟随者，服务器看作领导者，根据决策的博弈，寻找使得车辆和服务器均衡的最优状态，初始化两方的决策，领导者做出首次决策后，跟随者根据领导者的决策做出相应的决策，然后跟随者根据领导者的新决策改变自己的决策，以此类推。

4、本申请利用拉格朗日对偶函数求解的优化问题，该方法具有分布式信令交互小，复杂度低的特点。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1本申请实施例一所述的车联网的网络场景示意图；

图2是本申请实施例一所述的一种基于斯坦伯格博弈的车辆边缘计算网络中的任务卸载方法流程示意图；

图3是本申请实施例一所述的另一种基于斯坦伯格博弈的车辆边缘计算网络中的任务卸载方法流程示意图；

图4本申请实施例一的分布式算法流程示意图；

图5本申请实施例一的算法性能比较图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本申请提供了一种更加灵活的卸载方式，将车辆的计算资源动态的分成两部分，一部分留在本地计算，一部分通过选择合适的边缘服务器进行卸载。车辆通过访问路边单元将任务卸载到边缘服务器，同时将车辆和服务器建模为多主多从斯坦伯格博弈模型，建立车辆效用函数和边缘服务器效用函数，将车辆看作博弈的跟随者，将服务器看作博弈的领导者，领导者做出决策后，跟随者根据领导者的决策做出相应的决策，领导者再根据跟随者的决策相应的改变自身的决策，以此类推，直到达到均衡状态。车辆方和边缘服务器方分别有各自的效用函数，车辆方的效用函数由时延和向服务器支付使用计算资源的费用(花销)组成，通过优化车辆选择哪一台服务器进行卸载，以及卸载到服务器的比特数，最小化时延和花销，服务器方的效用函数是车辆使用服务器资源产生的收益；服务器对使用其资源的车辆进行非统一定价，通过优化服务器对使用其资源的车辆的单价来最大化服务器的收益。

实施例一

本实施例提供了车辆边缘计算网络中的任务卸载方法；

如图2和图3所示，车辆边缘计算网络中的任务卸载方法，包括：

S101：获取车辆初始卸载比特数及单价，建立边缘服务器的效用函数；

S102：根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题；根据车辆的效用函数，建立最大化车辆效用的优化问题；

S103：基于斯坦伯格博弈理论对优化问题进行求解，得到均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；

S104：基于均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解，实现车辆任务的卸载。

作为一个或多个实施例，所述基于斯坦伯格博弈理论对优化问题进行求解，得到均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；具体步骤包括：

将车辆和边缘服务器看作斯坦伯格博弈的两方，车辆作为斯坦伯格博弈的跟随者，边缘服务器作为斯坦伯格博弈的领导者，通过求解边缘服务器和车辆的优化问题，得到车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解表达式；

通过分布式迭代算法对车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解表达式进行循环迭代，直至达到斯坦伯格博弈的均衡点，输出均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解。

进一步地，所述方法还包括：S100：定义车辆边缘计算网络初始状态(如图1所示)，包括：M个边缘服务器，N辆车和N个正交信道，边缘服务器用集合

表示，车辆用集合

表示，每辆车都将部分比特数卸载到边缘服务器进行计算。每辆车都占用一个正交信道，车辆之间不存在干扰，边缘服务器对选择它的车辆平分计算资源。

作为一个或多个实施例，所述S101中，建立服务器的效用函数，是指：

获取车辆初始卸载比特数及单价；

根据获取的车辆初始卸载比特数及单价，建立服务器的效用函数。

应理解的，所述单价，是指服务器对选择它的车辆所卸载的比特数收取费用的单价。

示例性的，所述S101中，建立服务器的效用函数，是指：

根据初始的车辆卸载的比特数以及单价，建立服务器k的效用函数：

其中，μ_k，i是服务器k对车辆i卸载任务所收取的单价，L_i，k是车辆i卸载到服务器k的任务比特数，C_i是计算1比特所需要的CPU转数。

作为一个或多个实施例，所述S101中，建立车辆的效用函数，是指：

获取车辆到车辆所选择的边缘服务器之间的数据传输速率、车辆到车辆所选择的边缘服务器之间计算任务所产生的时延和使用边缘服务器计算资源所需要的费用；

根据车辆到车辆所选择的边缘服务器之间的数据传输速率、车辆到车辆所选择的边缘服务器之间计算任务所产生的时延和使用边缘服务器计算资源所需要的费用，建立车辆的效用函数。

示例性的，所述S101中，建立车辆的效用函数，是指：

根据车辆i到选择服务器k的数据传输速率r_i，k、车辆i到选择服务器k计算任务所产生的时延T_i，k、使用服务器计算资源所需要的费用μ_k，iL_i，kC_i，建立车辆i的效用函数：

其中，x_i，k是二进制变量，当x_i，k＝1时，车辆i选择该服务器k进行卸载任务，否则x_i，k＝0车辆不选择该服务器。θ_i是一个正常数，T_loc，i是任务全部留在车辆i本地计算所产生的时延，车辆i选择将计算任务卸载到服务器k所产生的时延T_i，k，L_i，k是车辆i选择卸载到服务器k的比特数，C_i是计算1比特任务所需要的CPU的转数，μ_k，iL_i，kC_i是车辆i使用服务器k计算资源所产生的花销。

在此，对车辆i到选择服务器k计算任务所产生的时延T_i，k进行说明，因为本申请采取将部分数据卸载到选定的边缘服务器，余下的部分数据留在本地计算，本地计算和卸载计算同时进行，所以，T_i，k＝x_i，kmax{t_loc，i，t_off，i，k}，其中，

其中f_loc，i是车辆i本地计算资源，t_loc，i是部分卸载时，车辆i卸载L_i，k到服务器k后，剩余(R_i-L_i)在本地计算所产生的时延；

t_off，i，k是部分卸载时，车辆i卸载L_i，k到服务器k时所产生的时延，其中，

r_i，k是上行链路中，车辆i将任务卸载到服务器k的传输速率，f_i，k是服务器k分给车辆i的计算资源。所以对于T_i，k来说，如果选择卸载的比特数不同，所产生的T_i，k就会不同，因此T_i，k有两种情况，本申请将同时列举说明，以(Ⅰ)(Ⅱ)区分。

应理解的，实现网络场景并计算留在本地计算的和卸载到边缘服务器两部分的时延；

第一步：包括M个服务器，N辆车，N个正交信道，服务器可用集合

表示，车辆可用集合

表示，每辆车都可以将部分比特数卸载到服务器进行计算。每辆车都占用一个正交信道，车辆之间不存在干扰，服务器对选择它的车辆平分计算资源。

第二步：关于时延的计算如下：

车辆i到选择服务器k的数据传输速率

f_c，i，k是服务器k分给车辆i的计算资源，N_k表示选择第k个服务器的车辆数。p_i表示车辆向服务器传输数据时车辆的发送功率。h_i，k表示信道增益，采用瑞利信道模型来刻画由于阴影和衰减引起的小尺度衰落，同时还考虑了基于距离的路径损耗。由于每辆车都采用正交信道进行通信，所以车辆之间不存在干扰，N₀表示噪声。

部分卸载时，留在本地计算的任务所产生的时延表示为

选择卸载到边缘服务器所产生的时延表示为

由于下行链路服务器传输到车辆时所用时间很小，所以忽略不计。

作为一个或多个实施例，所述S102中，根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题；具体步骤包括：

通过优化边缘服务器对车辆卸载任务所收取的费用的单价，来最大化边缘服务器的收益。

示例性的，所述S102中，根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题；具体是指：

最大化服务器k效用的优化问题建模如下：

max U_k (3)

st.μ≥0

作为一个或多个实施例，所述S102中，根据车辆的效用函数，建立最大化车辆效用的优化问题模型；具体步骤包括：

在满足所有限制条件的情况下，通过优化车辆选择变量、卸载比特数变量来最大化车辆的效用函数。

示例性的，所述S102中，根据车辆的效用函数，建立最大化车辆效用的优化问题；具体步骤包括：

最大化车辆i效用的优化问题建模如下：

max U_i (4)

其中，

是指车辆i允许任务卸载和计算所消耗的最高时延约束；

是允许卸载到服务器k的比特数上限。

作为一个或多个实施例，所述S103中，求解边缘服务器的优化问题，是基于拉格朗日对偶函数和边缘服务器初始化的单价，对最大化边缘服务器效用的优化问题进行求解；对边缘服务器设定的单价求偏导并令偏导式为0，求得边缘服务器的单价最优表达式。

应理解的，所述边缘服务器初始化的单价，是第k个边缘服务器对第i辆车收取费用的单价μ_k，i，因为边缘服务器采取的是非统一定价，所以，每个边缘服务器对每辆车收取的费用都不同。

作为一个或多个实施例，所述S103中，求解车辆的优化问题，是指：

利用拉格朗日对偶函数对最大化车辆效用的优化问题进行重新构建；

对重新构建的最大化车辆效用的优化问题模型进行求解；

对车辆选择变量、卸载比特数变量分别求偏导并令其偏导表达式为0，求出车辆选择变量、卸载比特数变量对应的最优解表达式。

示例性的，为了求解多个约束条件下的车辆i的优化问题，利用拉格朗日对偶函数重新构建车辆i的优化问题，如式(5)所示：

其中，α，

ω，λ是拉格朗日乘子，a_i，λ_i，ω_i是关于车辆i的拉格朗日乘子，

是服务器k的拉格朗日乘子；通过优化车辆对服务器的选择以及卸载比特数和服务器计算资源单价，来最大化车辆i的效用和服务器k的效用。

利用KKT(Karush–Kuhn–Tucker)条件，通过求解车辆和服务器优化问题，得到选择变量x_i，k和卸载变量L_i，k的最优表达式：

(Ⅰ)当T_i，k＝t_loc，i时，

x_i，k＝1|k＝maxH_i，k (7)

(Ⅱ)当T_i，k＝t_off，i，k时，

x_i，k＝1|k＝maxH_i，k (10)；

其中，f_loc，i是车辆i的本地计算资源，f_c，i，k是服务器k分给车辆i的计算资源。

求出拉格朗日乘子的更新表达式；

确定了车辆的选择后，将(8)或者(11)代入(3)，并求偏导求得单价的最优表达式。

作为一个或多个实施例，所述S103中，将车辆和边缘服务器看作斯坦伯格博弈的两方，车辆作为斯坦伯格博弈的跟随者，边缘服务器作为斯坦伯格博弈的领导者；具体步骤包括：

在构建的车联网系统中，引入多主多从斯坦伯格博弈，将车辆和边缘服务器看做博弈的两方，基于斯坦伯格博弈理论进行建模，边缘服务器作为“领导者”，制定收取车辆使用资源的单价；车辆作为“跟随者”，根据边缘服务器设定的价格来制定选择和卸载策略。

领导者做出决策后，跟随者根据领导者的决策做出相应的决策，领导者再根据跟随者的决策相应的改变自身的决策，车辆的策略反过来影响服务器的定价策略，经过多次迭代最终达到博弈均衡点。

作为一个或多个实施例，所述S103中，通过分布式迭代算法对车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解表达式进行循环迭代，直至达到斯坦伯格博弈的均衡点，输出均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；具体步骤包括：

通过求解车辆和边缘服务器的优化问题得到优化车辆选择变量、卸载比特数变量最优表达式和边缘服务器的单价的最优表达式，将更新的卸载比特数代入到边缘服务器最优表达式中，求出当前情况的最优价格，再将得出的最优价格重新代入到卸载比特数表达式中，以此类推，再循环次数内更新。

示例性的，所述S103中，通过分布式迭代算法对车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解表达式进行循环迭代，直至达到斯坦伯格博弈的均衡点，输出均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；具体步骤包括：

(Ⅰ)当T_i，k＝t_loc，i时，

(Ⅱ)当T_i，k＝t_off，i，k时，

α_i，λ_i，ω_i是关于车辆i的拉格朗日乘子，

是服务器k的拉格朗日乘子；μ_k，i第k个服务器对第i辆车收取费用的单价；θ_i是一个正常数；r_i，k车辆i到选择服务器k的数据传输速率；C_i是计算1比特任务所需要的CPU的转数；f_c，i，k是服务器k分给车辆i的计算资源。

通过分布式的迭代算法进行循环迭代，将式(13)/(15)的结果μ_k，i代入到(12)/(14)，得到新的L_i，k，再将L_i，k代入到式(13)/(15)，循环往复，直至达到斯坦伯格博弈的均衡点。

本方法的理论基础取自于无线通信、计算机科学及设计方法的交叉学科，其实现依赖于计算机科学的计算模型。

图5为本申请实施例一的算法性能比较图。

如图4所示，所述分布式算法的具体步骤包括：

1)：随机生成各个车辆与各个服务器之间的距离；

2)：初始化卸载比特数矩阵，价格矩阵，拉格朗日乘子矩阵；

3)：设定所有车辆本地计算资源和所有边缘服务器计算资源大小，并随机初始化系数θ_i；

4)：设定迭代次数上限T₁max，T₂max；T₁max是变量单价更新的迭代次数上限，T₂max是选择变量和卸载比特数更新的迭代次数上限。

5)：对效用函数和优化问题进行建模；

6)：利用拉格朗日对偶函数求解出最优选择和最优卸载比特数表达式，确定车辆的选择，并在循环次数内更新；

7)：在循环次数内更新拉格朗日乘子；

8)：迭代次数增加1，重复步骤6)、7)、8)；

9)：内部循环结束后，将更新后的最优卸载比特数表达式和拉格朗日乘子代入最优价格表达式，并在循环次数内更新。

10)：返回6)直至达到迭代次数上限或者均衡状态；

通过上述分布式算法求解，达到博弈均衡状态，得到最佳策略。

本申请提供了一种更加灵活的计算任务卸载方式，将车辆的计算资源动态的分成两部分，一部分留在本地计算，一部分通过卸载到合适的边缘服务器进行计算，车辆可通过访问路边单元将任务卸载到边缘服务器。将车辆和服务器建模为多主多从斯坦伯格博弈模型，建立车辆效用函数和边缘服务器效用函数，将车辆看作博弈的跟随者，服务器看作博弈的领导者，领导者为最大化自身效用做出决策后，跟随者根据领导者的决策做出相应的决策来最大化其效用，领导者再根据跟随者的决策相应的改变自身的决策，以此类推，直到达到均衡状态。车辆方和边缘服务器方分别有各自的效用函数，车辆方的效用函数由时延和向服务器支付使用计算资源的费用(花销)组成，通过优化车辆选择哪一台服务器进行卸载，以及卸载到服务器的比特数，最小化时延和花销，服务器方的效用函数是车辆使用服务器资源产生的收益；服务器对使用其资源的车辆进行非统一定价，通过优化服务器对使用其资源的车辆的单价来最大化服务器的收益。

本申请的创新性在于：

(1)在将任务分割的前提下，也允许任务全部留在本地计算和全部卸载，保留了部分卸载的特殊情况，扩大了该卸载方法的一般性；

(2)服务器对选择该服务器的每辆车采取的是非统一定价的策略，即服务器对选择它的所有车辆收费的单价都不同。

实施例二

本实施例提供了车辆边缘计算网络中的任务卸载系统；

车辆边缘计算网络中的任务卸载系统，包括：

此处需要说明的是，上述获取模块、模型建立模块、求解模块和任务卸载模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。

所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.车辆边缘计算网络中的任务卸载方法，其特征是，包括：

根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题模型；根据车辆的效用函数，建立最大化车辆效用的优化问题；

2.如权利要求1所述的方法，其特征是，所述基于斯坦伯格博弈理论对优化问题进行求解，得到均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；具体步骤包括：

3.如权利要求1所述的方法，其特征是，根据边缘服务器的效用函数，建立最大化边缘服务器效用的优化问题；具体步骤包括：

4.如权利要求2所述的方法，其特征是，求解边缘服务器的优化问题，是基于拉格朗日对偶函数和边缘服务器初始化的单价，对最大化边缘服务器效用的优化问题进行求解；对边缘服务器设定的单价求偏导并令偏导式为0，求得边缘服务器的单价最优表达式。

5.如权利要求2所述的方法，其特征是，求解车辆的优化问题，是指：利用拉格朗日对偶函数对最大化车辆效用的优化问题进行重新构建；对重新构建的最大化车辆效用的优化问题进行求解；对车辆选择变量、卸载比特数变量分别求偏导并令其偏导表达式为0，求出车辆选择变量、卸载比特数变量对应的最优解表达式。

6.如权利要求2所述的方法，其特征是，将车辆和边缘服务器看作斯坦伯格博弈的两方，车辆作为斯坦伯格博弈的跟随者，边缘服务器作为斯坦伯格博弈的领导者；具体步骤包括：

在构建的车联网系统中，引入多主多从斯坦伯格博弈，将车辆和边缘服务器看做博弈的两方，基于斯坦伯格博弈理论进行建模，边缘服务器作为“领导者”，制定收取车辆使用资源的单价；车辆作为“跟随者”，根据边缘服务器设定的价格来制定选择和卸载策略；

7.如权利要求2所述的方法，其特征是，通过分布式迭代算法对车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解表达式进行循环迭代，直至达到斯坦伯格博弈的均衡点，输出均衡点所对应的车辆选择变量、卸载比特数变量和边缘服务器收取单价的最优解；具体步骤包括：

通过求解车辆和边缘服务器的优化问题得到优化车辆选择变量、卸载比特数变量最优表达式和边缘服务器的单价的最优表达式，将更新的卸载比特数代入到边缘服务器最优表达式中，求出当前情况的最优价格，再将得出的最优价格重新代入到卸载比特数表达式中，以此类推，在循环次数内更新。

8.车辆边缘计算网络中的任务卸载系统，其特征是，包括：

9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。