CN112512013B - 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 - Google Patents

基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 Download PDF

Info

Publication number
CN112512013B
CN112512013B CN202011357078.0A CN202011357078A CN112512013B CN 112512013 B CN112512013 B CN 112512013B CN 202011357078 A CN202011357078 A CN 202011357078A CN 112512013 B CN112512013 B CN 112512013B
Authority
CN
China
Prior art keywords
task
vehicle
type vehicle
unloading
service
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
CN202011357078.0A
Other languages
English (en)
Other versions
CN112512013A (zh
Inventor
田杰
刘爽
支媛
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202011357078.0A priority Critical patent/CN112512013B/zh
Publication of CN112512013A publication Critical patent/CN112512013A/zh
Application granted granted Critical
Publication of CN112512013B publication Critical patent/CN112512013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于学习剪枝的车联网移动边缘计算任务卸载方法及系统，属于车联网通信技术领域，计算车联网移动边缘计算场景中车辆参数；根据车辆参数计算卸载参数；根据所述卸载参数构建任务卸载效用模型；利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源。本发明在考虑车辆移动性的前提下，建立了车联网场景中车辆效用函数，从而以效用最优化的方式进行车辆对卸载模式的选择以及竞价所得的计算资源；选择将任务卸载至服务型车辆时，选择异向行驶车辆，提高了传输速率；利用分支定界的方法，结合基于学习剪枝剪枝策略来加速分支剪枝过程，降低了复杂度。

Description

基于学习剪枝的车联网移动边缘计算任务卸载方法及系统
技术领域
本发明涉及车联网通信技术领域，具体涉及一种基于学习剪枝的车联网移动边缘计算任务卸载方法及系统。
背景技术
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，低时延和低能耗的多样化服务需求日益突出，车载终端的程序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。移动边缘计算技术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。此外，车辆的高机动性给有效的任务调度和可靠的结果反馈带来了困难。
车辆到基础设施(V2I)和车辆到车辆(V2V)通信中的两种计算转移策略中，边缘服务器为附近的车辆提供卸载服务。由于车辆与边缘服务器相较于车辆到云端的距离短，边缘服务器能够在计算分流过程中提供快速的交互响应，并提升车辆对延迟敏感型应用程序的体验。在考虑车辆的移动型的前提下，V2V通信可以有效的避免车辆行驶到两个边缘服务器交叉范围时的切换问题；同时，异向行驶的车辆进行V2V通信时，任务传输速率会随着车辆距离的减小而增大，对任务的传输卸载产生一定的增益效果。但是，车辆的计算资源有限难以完全满足车辆的卸载要求，车辆的移动性给车辆任务卸载带来了许多挑战，例如通信链路中断的可能性增加，结果反馈不可靠等。
对于上述现有的车辆计算任务卸载的技术，在关于边缘车联网任务卸载的场景下，考虑将任务留在本地计算或者卸载到边缘服务器，没有考虑异向行驶的车辆，而异向行驶的车辆进行V2V通信时，数据传输速率会随着车辆距离的减小而增大，对任务的传输卸载产生一定的增益效果，且计算复杂度随着变量的增多而呈现指数型增加，耗时长。
发明内容
本发明的目的在于提供一种合理考虑车辆移动前提下，通过车辆到边缘服务器和车辆到车辆模式，有效利用车辆和网络边缘的计算资源，满足任务卸载要求和车辆的QoS要求的基于学习剪枝的车联网移动边缘计算任务卸载方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于学习剪枝的车联网移动边缘计算任务卸载方法，包括如下步骤：
计算车联网移动边缘计算场景中车辆参数；其中，车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离；
根据车辆参数计算卸载参数；其中，卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销；
根据所述卸载参数构建任务卸载效用模型；
利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源。
优选的，利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解包括：
步骤1：随机设置时延和能耗的权重值，松弛任务卸载效用模型优化的变量，用内点法求得放松最优解，作为全局上界，将负无穷设为全局下界；
步骤2：若放松最优解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界；每个子定义域中得到的放松最优解对应的目标函数值为局部上界，将所有放松最优解中目标函数值最优的设为全局上界；
步骤3：若分支后得到的放松最优解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优于全局下界，则根据得到的非整数解继续分支；
步骤4：利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用数据集聚合迭代训练新策略；
步骤5：重复步骤2至步骤4更新全局上界和全局下界，直至得到全局上界与全局下界的差值为0，得到最优整数解。
优选的，利用模仿学习方法学习辅助修剪策略转换成具有适当特征映射的二进制分类任务：寻找特征映射和利用SVM训练二值分类器。
优选的，利用数据集聚合迭代训练包括：
在每次迭代中收集数据集，用当前的修剪策略和节点特征映射更新训练集，然后使用所有收集的数据集的聚合来训练新的修剪策略。
优选的，根据所述卸载参数构建任务卸载效用模型为：
Figure GDA0003561292240000031
Figure GDA0003561292240000041
其中，Ui表示任务型车辆i的卸载效用函数，x表示是否将任务卸载到边缘服务器，y表示是否将任务卸载到服务型车辆，fm,i表示任务型车辆i通过竞价所得到的边缘服务器m的计算资源，fj,i表示任务型车辆i通过竞价所得到的服务型车辆j的计算资源，Li表示任务型车辆i完成任务卸载需要的时延，Ti max表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束，I表示任务型车辆集合，J表示服务型车辆集合；
xi,m和yi,j表示选择变量，当任务型车辆i选择将任务卸载到边缘服务器时，xi,m＝1；当任务型车辆i选择将任务卸载到服务型车辆j时，yi,j＝1；
Figure GDA0003561292240000042
表示边缘服务器m的最大计算资源数量，
Figure GDA0003561292240000043
表示服务型车辆j的最大计算资源数量；
C1表示任务型车辆i任务卸载时延上限；C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件；C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量；C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量。
优选的，当任务型车辆将任务卸载在边缘服务器m时，进入两个相邻边缘服务器的服务交叉范围时，进行任务卸载的切换；
边缘服务器覆盖范围半径为R，交叉范围为R/4，边缘服务器处于覆盖范围的圆心，两个相邻边缘服务器的距离为d＝7R/4，
Figure GDA0003561292240000044
其中，
Figure GDA0003561292240000045
表示任务型车辆i的初始位置，
Figure GDA0003561292240000046
表示任务型车辆i在车道k上的行驶速度；
如果Li＜tlimit，则任务型车辆i在进入交叉范围内之前将任务执行完毕，否则，任务在执行过程中进入交叉范围内；
若
Figure GDA0003561292240000051
则任务型车辆i在任务上传阶段进入交叉范围，所以
Figure GDA0003561292240000052
其中，
Figure GDA0003561292240000053
表示任务上传到边缘服务器m时上行链路的传输时间，di表示是任务型车辆i需要上传到边缘服务器m的任务的数据量；反之，则任务型车辆i是在计算阶段和回传阶段进入交叉范围；
在进入交叉范围时，若任务处于计算或者回传阶段，则直接通过回程链路进行任务结果反馈，不进行服务器的切换，若任务处于上传阶段，则已上传的部分dh＜di由旧边缘服务器传输至新边缘服务器，车辆选择新边缘服务器作为目标边缘服务器进行任务卸载与计算。
优选的，任务型车辆i的卸载效用函数为：
Figure GDA0003561292240000054
其中，ωl、ωe分别表示时延和能耗的权重，ωl+ωe＝1；Ei表示任务型车辆i完成任务卸载需要的能耗；Costi表示任务型车辆i完成当前时刻t任务卸载需要的花销；tu、td表示
Figure GDA0003561292240000055
的持续时间的上下限，ri,j(t)表示t时刻上行链路数据传输速率，
Figure GDA0003561292240000056
表示上行链路数据平均传输速率，θ表示正常数；
Figure GDA0003561292240000057
表示当任务型车辆i将任务卸载在异向行驶的服务型车辆j时数据传输增益。
优选的，车联网移动边缘计算场景包括：
定义初始状态车联网，考虑车载边缘计算网络，沿着双向道路放置M个路边单元RSU，每个RSU配备一个边缘服务器，RSU间的距离相等；同车道车辆以相同速度从0时刻开始行使，不同车道速度不同，同车道的车辆速度恒定；车辆包括任务型车辆和服务型车辆，任务型车辆产生任务，服务型车辆充当边缘服务器为任务型车辆提供计算服务；以坐标形式表示车辆和边缘服务器的位置，利用时隙和加速度描述当前时隙的速度；每辆车都占用一个正交信道。
第二发面，本发明提供一种实现如上所述的基于学习剪枝的车联网移动边缘计算任务卸载方法的基于学习剪枝的车联网移动边缘计算任务卸载系统，包括：
车辆参数计算模块，用于计算车联网移动边缘计算场景中车辆参数；其中，车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离；
卸载参数计算模块，用于根据车辆参数计算卸载参数；其中，卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销；
效用模型构建模块，用于根据所述卸载参数构建任务卸载效用模型；
效用优化模块，用于利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源。
优选的，所述效用优化模块被配置为：
随机设置时延和能耗的权重值，松弛任务卸载效用模型优化的变量，用内点法求得放松最优解，作为全局上界，将负无穷设为全局下界；
若放松最优解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界；每个子定义域中得到的放松最优解对应的目标函数值为局部上界，将所有放松最优解中目标函数值最优的设为全局上界；
若分支后得到的放松最优解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优于全局下界，则根据得到的非整数解继续分支；
利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用数据集聚合迭代训练新策略。
本发明有益效果：在考虑车辆移动性的前提下，设计更加灵活的卸载方法；建立了车联网场景中车辆效用函数，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，实现车辆效用的最优化，从而以效用最优化的方式进行车辆对卸载模式的选择以及竞价所得的计算资源；选择将任务卸载至服务型车辆时，选择异向行驶的车辆，传输速率由于距离的减小而增大所产生的增益；利用分支定界的方法，结合基于学习剪枝剪枝策略来加速分支剪枝过程，降低了复杂度。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例所述的基于学习剪枝的车联网移动边缘计算网络场景示意图。
图2为本发明实施例所述的车联网移动边缘计算任务卸载的分支定界算法流程示意图。
图3为本发明实施例所述的基于学习剪枝的车联网移动边缘计算任务卸载方法流程图。
图4为本发明实施例所述的利用分支定界算法结合模仿学习方法求解任务卸载效用模型最优解的流程示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种基于学习剪枝的车联网移动边缘计算任务卸载系统，该卸载系统包括：
车辆参数计算模块，用于计算车联网移动边缘计算场景中车辆参数；其中，车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离；
卸载参数计算模块，用于根据车辆参数计算卸载参数；其中，卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销；
效用模型构建模块，用于根据所述卸载参数构建任务卸载效用模型；
效用优化模块，用于利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源。
在本发明实施例1中，所述效用优化模块被配置为：
随机设置时延和能耗的权重值，松弛任务卸载效用模型优化的变量，用内点法求得放松最优解，作为全局上界，将负无穷设为全局下界；若放松最优解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界；每个子定义域中得到的放松最优解对应的目标函数值为局部上界，将所有放松最优解中目标函数值最优的设为全局上界；若分支后得到的放松最优解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优于全局下界，则根据得到的非整数解继续分支；利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用数据集聚合迭代训练新策略。
如图3所示，在本实施例1中，利用上述的系统实现基于学习剪枝的车联网移动边缘计算任务卸载方法，包括如下步骤：
计算车联网移动边缘计算场景中车辆参数；其中，车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离；
根据车辆参数计算卸载参数；其中，卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销；
根据所述卸载参数构建任务卸载效用模型；
利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源。
如图4所示，利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解包括：
步骤1：随机设置时延和能耗的权重值，松弛任务卸载效用模型优化的变量，用内点法求得放松最优解，作为全局上界，将负无穷设为全局下界；
步骤2：若放松最优解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界；每个子定义域中得到的放松最优解对应的目标函数值为局部上界，将所有放松最优解中目标函数值最优的设为全局上界；
步骤3：若分支后得到的放松最优解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优于全局下界，则根据得到的非整数解继续分支；
步骤4：利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用数据集聚合迭代训练新策略；
步骤5：重复步骤2至步骤4更新全局上界和全局下界，直至得到全局上界与全局下界的差值为0，得到最优整数解。
优选的，利用模仿学习方法学习辅助修剪策略转换成具有适当特征映射的二进制分类任务：寻找特征映射和利用SVM训练二值分类器。
利用数据集聚合迭代训练包括：
在每次迭代中收集数据集，用当前的修剪策略和节点特征映射更新训练集，然后使用所有收集的数据集的聚合来训练新的修剪策略。
优选的，根据所述卸载参数构建任务卸载效用模型为：
Figure GDA0003561292240000111
Figure GDA0003561292240000112
其中，Ui表示任务型车辆i的卸载效用函数，x和y卸载选择变量,x表示是否将任务卸载到边缘服务器；y表示是否将任务卸载到服务型车辆，fm,i表示任务型车辆i通过竞价所得到的边缘服务器m的计算资源，fj,i表示任务型车辆i通过竞价所得到的服务型车辆j的计算资源，Li表示任务型车辆i完成任务卸载需要的时延，Ti max表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束，I表示任务型车辆集合，J表示服务型车辆集合；
xi,m和yi,j表示选择变量，当任务型车辆i选择将任务卸载到边缘服务器时，xi,m＝1；当任务型车辆i选择将任务卸载到服务型车辆j时，yi,j＝1；
Figure GDA0003561292240000121
表示边缘服务器m的最大计算资源数量，
Figure GDA0003561292240000122
表示服务型车辆j的最大计算资源数量；
C1表示任务型车辆i任务卸载时延上限；C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件；C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量；C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量。
当任务型车辆将任务卸载在边缘服务器m时，进入两个相邻边缘服务器的服务交叉范围时，进行任务卸载的切换；
边缘服务器覆盖范围半径为R，交叉范围为R/4，边缘服务器处于覆盖范围的圆心，两个相邻边缘服务器的距离为d＝7R/4，
Figure GDA0003561292240000123
其中，
Figure GDA0003561292240000124
表示任务型车辆i的初始位置，
Figure GDA0003561292240000125
表示任务型车辆i在车道k上的行驶速度；
如果Li＜tlimit，则任务型车辆i在进入交叉范围内之前将任务执行完毕，否则，任务在执行过程中进入交叉范围内；
若
Figure GDA0003561292240000126
则任务型车辆i在任务上传阶段进入交叉范围，所以
Figure GDA0003561292240000127
其中，
Figure GDA0003561292240000128
表示任务上传到边缘服务器m时上行链路的传输时间，di表示是任务型车辆i需要上传到边缘服务器m的任务的数据量；反之，则任务型车辆i是在计算阶段和回传阶段进入交叉范围；
在进入交叉范围时，若任务处于计算或者回传阶段，则直接通过回程链路进行任务结果反馈，不进行服务器的切换，若任务处于上传阶段，则已上传的部分dh＜di由旧边缘服务器传输至新边缘服务器，车辆选择新边缘服务器作为目标边缘服务器进行任务卸载与计算。
任务型车辆i的卸载效用函数为：
Figure GDA0003561292240000131
其中，ωl、ωe分别表示时延和能耗的权重，ωl+ωe＝1；Ei表示任务型车辆i完成任务卸载需要的能耗；Costi表示任务型车辆i完成当前时刻t任务卸载需要的花销；tu、td表示
Figure GDA0003561292240000132
的持续时间的上下限，ri,j(t)表示t时刻上行链路数据传输速率，
Figure GDA0003561292240000133
表示上行链路数据平均传输速率，θ表示正常数；
Figure GDA0003561292240000134
表示当任务型车辆i将任务卸载在异向行驶的服务型车辆j时数据传输增益。
如图1所示，车联网移动边缘计算场景包括：
定义初始状态车联网，考虑车载边缘计算网络，沿着双向道路放置M个路边单元RSU，每个RSU配备一个边缘服务器，RSU间的距离相等；同车道车辆以相同速度从0时刻开始行使，不同车道速度不同，同车道的车辆速度恒定；车辆包括任务型车辆和服务型车辆，任务型车辆产生任务，服务型车辆充当边缘服务器为任务型车辆提供计算服务；以坐标形式表示车辆和边缘服务器的位置，利用时隙和加速度描述当前时隙的速度；每辆车都占用一个正交信道。
实施例2
本发明实施例2提供一种基于学习剪枝的车联网移动边缘计算任务卸载方法，实现在车辆边缘计算网络中的基于学习剪枝策略的移动感知协同卸载。
本实施例2中，基于学习剪枝的车联网移动边缘计算任务卸载方法更加灵活，在车联网移动边缘计算网络中将车辆分为任务型车辆和服务型车辆，任务型车辆生成计算任务，服务型车辆可以作充当移动边缘服务器为附近的任务型车辆提供计算服务。
任务型车辆的任务卸载有两种选择，一是V2R，即，在路边基础单元RSU匹配的边缘服务器覆盖范围内可以选择将任务全部卸载到边缘服务器上；二是V2V，即，在任务型车辆通信范围内，可以选择将任务全部卸载到附近的一辆服务型车辆上。
车辆通过竞价来确定所需要的计算资源。通过优化如何卸载以及竞价所得的计算资源的数量来最小化车辆任务卸载的效用，该效用由三部分组成，第一部分是时延和能耗的加权和，第二部分是竞价计算资源时所需要的花销，第三部分是当选择V2V模式进行任务卸载时，异向行驶的车辆所带来的增益。如果选择V2R模式，在车辆进入两个RSU的交叉范围，需要根据任务此时进行的阶段来考虑RSU的切换问题。
通过分支定界法来求解变量，但是传统的分支定界法其复杂度会随着变量的增多而呈现指数型增长，因此，在本实施例2中利用基于学习剪枝的方法加速分支剪枝过程，降低复杂度和计算时间。
如图1所示，网络场景：考虑车载边缘计算网络，沿着双向道路放置M个路边单元(RSU)，每个RSU配备一个边缘服务器，M个服务器，每个RSU之间的距离是d，并且，每个RSU的覆盖范围区域大小相同。双车道，同车道车辆以相同速度行驶。车辆存在两种类型，任务型车辆和服务型车辆任务型车辆产生任务，服务型车辆可以充当边缘服务器为任务型车辆提供计算服务，I辆任务型车辆，J个服务型车辆，每辆车可以被表述为(pi,vi)，pi表示任务型车辆i的初始位置，vi表示任务型车辆i的速度。
任务型车辆计算任务可以表示为
Figure GDA0003561292240000141
不同车道速度不同V＝{v1,v2}，一个车道的车辆速度恒定。以坐标形式表示车辆和边缘服务器的位置利用时隙和加速度描述当前时隙的速度。每辆车都占用一个正交信道，车辆之间不存在干扰，V2V通信单独占用一条正交信道。
在本实施例2中，在构建的车联网边缘网络中，存在多个RSU，每个RSU配备一个固定的边缘服务器，同时存在两种类型的车辆，任务型车辆和服务型车辆，任务型车辆产生计算任务，可以选择将任务卸载到边缘服务器或者是该任务型车辆通信范围内的一辆服务型车辆上进行计算。而固定的边缘服务器或是服务型车辆(移动的边缘服务器)分配给该任务型车辆的计算资源则由车辆竞价获取。通过优化卸载变量和竞价所得到的计算资源来最小化车辆的效用。利用分支定界法来求解变量，同时利用基于学习剪枝策略来加速分支过程，更加快速的获取最优解。
根据初始的车辆位置，计算车辆i的一系列参数(位置、速度、车辆之间的距离、车辆与RSU之间的距离等)。
车辆i的初始位置：
Figure GDA0003561292240000151
表示车辆i的初始位置的横坐标，ki表示，任务型车辆i所在的第k个车道，dK表示第k车道的宽度，k(1,2)，K＝2。
RSU(边缘服务器)m的位置：Lm＝(m*d,0)，RSU天线的高度为h；则：
t时刻车辆i在车道k的位置：
Figure GDA0003561292240000152
表示任务型车辆i的在车道k的速度；
t时刻车辆i距离边缘服务器m的距离为：
Figure GDA0003561292240000153
t时刻车辆i和车辆j之间的距离为：
Figure GDA0003561292240000154
xi,m和yi,j是选择变量，当车辆i选择将任务卸载到边缘服务器m时，即选择V2R模式时，xi,m＝1，当车辆i选择将任务卸载到车辆j，即选择V2V模式时，yi,j＝1。但是，一辆车只能选择将任务卸载到一个RSU或者一辆服务型车辆上，所以
Figure GDA0003561292240000155
并且
Figure GDA0003561292240000156
下面将分别计算车辆i将任务卸载到边缘服务器m与卸载到服务型车辆j所需要的时延和能耗。
车辆通过竞价获取计算资源：
当任务型车辆i选择将任务卸载至边缘服务器m时：
(1)当车辆i将任务卸载到边缘服务器m时，所需要的时延是：
Figure GDA0003561292240000161
Figure GDA0003561292240000162
是任务上传到边缘服务器m时，上行链路的传输时间，di是车辆i需要上传的输入的任务的数据量；ri,m(t)是t时刻上行链路数据传输速率；
Figure GDA0003561292240000163
其中，B是信道带宽，Nm是选择边缘服务器m的车辆数，ρ0是参考距离下的信道功率增益，Pi是车辆i的发送功率，dim(t)是t时刻车辆i和边缘服务器m之间的距离，α是路径损耗指数，N0是噪声。
Figure GDA0003561292240000164
是车辆i的任务在边缘服务器m中的计算时间。其中，ci是处理任务所需的CPU周期，fm,i是车辆i通过竞价所得到的边缘服务器m的计算资源。
Figure GDA0003561292240000165
是任务回传时下行链路的传输时间，rm,i(t)是下行链路的传输功率，oi是边缘服务器计算后输出的任务数据量。
(2)当车辆i将任务卸载到边缘服务器m时，能耗是：
Figure GDA0003561292240000166
其中，γm是有效开关电容，Pm是与边缘服务器m关联的RSU的发射功率。
(3)车辆i通过竞价获得边缘服务器m计算资源，所需要的花销为：
Costi,m＝xi,mφmfm,i (5)
φm是边缘服务器m计算资源的单价，fm,i是车辆i通过竞价所得到的边缘服务器m的计算资源。其中，
Figure GDA0003561292240000171
当车辆i选择V2R模式时，需要考虑进入两个相邻RSU的服务交叉范围时，车辆任务的切换。
RSU覆盖范围半径为R，交叉范围以
Figure GDA0003561292240000172
来算，RSU处于覆盖范围的圆心，两个相邻RSU的距离为d，所以
Figure GDA0003561292240000173
如果Li＜tlimit，说明车辆可以在进入交叉范围内将任务执行完毕，否则，任务在执行过程中进入交叉范围。
Figure GDA0003561292240000174
说明是在上传阶段进入交叉范围，所以
Figure GDA0003561292240000175
反之，是在计算阶段和回传阶段进入交叉范围。
在进入交叉范围时，若任务处于计算或者回传阶段，则直接通过回程链路进行任务结果反馈，不进行服务器的切换，若任务处于上传阶段，则已上传的部分dh＜di由旧RSU传输至新的RSU，车辆选择新的RSU作为目标RSU进行任务卸载与计算，RSU之间的任务传输和车辆向新RSU任务传输同时进行。且RSU之间采用光纤通信，传输时间忽略不计。
当任务型车辆i选择将任务卸载至服务型车辆j时：
(1)当车辆i将任务卸载到服务型车辆j，所需要的时延为：
Figure GDA0003561292240000176
Figure GDA0003561292240000177
是任务卸载到服务型车辆j时，上行链路的传输时间，di是车辆i需要上传的输入的任务的数据量；ri,j(t)是t时刻上行链路数据传输速率。
Figure GDA0003561292240000181
其中，B是信道带宽，Nm是需要平分信道的车辆数，ρ0是参考距离下的信道功率增益，Pi是车辆i的发送功率，dij是车辆i和车辆j之间的距离，α是路径损耗指数，N0是噪声。
Figure GDA0003561292240000182
是车辆i的任务在服务型车辆j中的计算时间。其中，ci是处理任务所需的CPU周期，fj,i是车辆i通过竞价所得到的服务型车辆j的计算资源。
Figure GDA0003561292240000183
Figure GDA0003561292240000184
是任务回传时下行链路的传输时间，rj,i(t)是t时刻下行链路的传输速率，oi是服务型车辆j计算后输出的任务数据量。
(2)当车辆i将任务卸载到服务型车辆j时，能耗是：
Figure GDA0003561292240000185
其中，Pj是服务型车辆j的发射功率，γj是有效开关电容；
(3)车辆i通过竞价获得服务型车辆j的计算资源，所需要的花销为：
Costi,j＝∑j∈Jyi,jφjfj,i (8)
φj是服务型车辆j计算资源的单价，fj,i是车辆i通过竞价所得到的服务型车辆j的计算资源，其中，
Figure GDA0003561292240000186
由于边缘服务器由运营商支持，V2V通信则是车辆自发组织，V2V模式的cost要远远V2R通信模式，所以φm＞φj。
综上所述，车辆i完成任务需要的时延为：
Li＝xi,mti,m+∑j∈Jyi,jti,j (9)
车辆i完成当前时刻的任务需要的能耗为：
Ei＝xi,mEi,m+∑j∈Jyi,jEi,j (10)
车辆i完成当前时刻的任务需要的花销为：
Costi＝xi,mφmfm,i+∑j∈Jyi,jφjfj,i (11)
如果选择V2V模式进行任务卸载时，选择异向行驶的车辆由于距离的减小，会给数据传输过程带来增益。增益为：
Figure GDA0003561292240000191
其中，θ是正常数，持续时间的tu、td是
Figure GDA0003561292240000192
上下限，
Figure GDA0003561292240000193
是任务传输过程的平均速率。
车辆i的效用函数包括三部分：第一部分是时延和能耗的加权和，第二部分是竞价计算资源时所需要的花销，第三部分是当选择V2V模式进行任务卸载时，异向行驶的车辆所带来的增益。车辆i的效用函数如下：
Figure GDA0003561292240000194
其中，ωl、ωe分别是时延和能耗的权重，ωl+ωe＝1。
本实施例2中，通过优化车辆的选择以及竞价获取的计算资源将网络范围内延迟和能耗加权和与花销最小化；在本实施例2中，在考虑车辆移动性的前提下，设计更加灵活的卸载方法；在车联网场景中，建立了车辆效用函数，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，实现车辆效用的最优化，从而以效用最优化的方式进行车辆对卸载模式的选择以及竞价所得的计算资源。考虑在选择V2V模式时，选择异向行驶的车辆时，传输速率由于距离的减小而增大所产生的增益。利用分支定界的方法，但传统的分支定界复杂度高，所以利用基于学习剪枝剪枝策略来加速分支剪枝过程，降低复杂度。
在本实施例2中，为了求解多个约束条件下的车辆i的优化问题，利用车辆i的优化问题，如下所示：
(1)根据设定的网络场景，初始化所有车辆的位置并计算车辆的一系列参数(位置、速度、车辆之间的距离、车辆与RSU之间的距离等)。分别计算车辆i通过V2V模式和V2R模式进行任务卸载时的时延和能耗。建立车辆的效用函数模型。
(2)根据步骤(1)建立的效用函数模型，对车辆进行优化问题的建模，得到车辆的优化问题；
(3)随机设置时延和能耗的权重值，将全局上界和全局下界定为正无穷和负无穷。松弛上述优化问题的变量，用内点法求得临时解，也就是放松最优解，其目标函数值定为全局上界，全局下界记为负无穷。
(4)若放松最优解恰好是整数解，则就是原问题的最优解。若该放松解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索以得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界。每个子定义域中得到的放松最优解对应的目标函数值为局部上界，在所有放松最优解中将其中对应的目标函数值最优的设为全局上界。
(5)观察分支后的结果，若分支后得到的解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优全局下界，则可以根据得到的解继续分支。
(6)利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用DAgger(数据集聚合)迭代训练新策略。
(7)重复(4)(5)(6)更新全局上界和全局下界，直至得到全局上界与全局下界的差值趋于0，得到最优整数解。
在上述提到的模仿学习方法学习辅助修剪策略，如下所示：
利用模仿学习方法学习辅助修剪策略，可以转换成具有适当特征映射的二进制分类任务，分为两部分：一是寻找特征映射，二是利用SVM训练二值分类器。
利用DAgger(数据集聚合)迭代训练，如下所述：
在每次迭代中收集数据集来进行，用当前的修剪策略和节点特征映射来解决问题，更新训练集，然后使用所有收集的数据集的聚合来训练新的修剪策略。
实施例3
本实施例3提供一种车辆边缘计算网络中的基于学习剪枝策略的移动感知协同卸载方法主要包括以下几个过程：
过程1：网络场景的描述和基本数据(车辆与RSU之间的距离，车辆之间的距离，任务卸载的时延和能耗)的计算；过程2：效用函数的建模；过程3：问题建模；过程4：具体算法实施过程。
以下详细介绍本方法的几个过程。
过程1：网络场景的实现和基本数据(车辆与RSU之间的距离，车辆之间的距离，任务卸载的时延和能耗)的计算。实现网络场景并计算基础参数(车辆与RSU之间的距离，车辆之间的距离，任务卸载的时延和能耗)；
第一步：考虑车载边缘计算网络，沿着双向道路放置M个路边单元(RSU)，每个RSU配备一个边缘服务器，M个服务器M＝(1,2，...,m)，每个RSU之间的距离是d，并且，每个RSU的覆盖范围区域大小相同。双车道有N+J辆车，同车道车辆以相同速度从0时刻开始行使。车辆存在两种类型，任务型车辆和服务型车辆，任务型车辆产生任务，服务型车辆可以充当边缘服务器为任务型车辆提供计算服务，I辆任务型车辆集合I＝(1,2，...,i)，J个服务型车辆集合J＝(1,2，...,j)，每辆车可以被表述为(pi,vi)，pi表示任务型车辆i的初始位置，vi表示任务型车辆i的速度。
任务型车辆计算任务可以表示为
Figure GDA0003561292240000211
不同车道速度不同V＝{v1,v2}，一个车道的车辆速度恒定。以坐标形式表示车辆和边缘服务器的位置利用时隙和加速度描述当前时隙的速度。每辆车都占用一个正交信道，车辆之间不存在干扰，V2V通信单独占用一条正交信道。
第二步：关于基础参数的计算：
根据初始的车辆位置，计算车辆i的一系列参数(位置、速度、车辆之间的距离、车辆与RSU之间的距离等)。
车辆i的初始位置：
Figure GDA0003561292240000221
RSU(边缘服务器)m的位置：Lm＝(m*d,0)，RSU天线的高度为h；则：
t时刻车辆i在车道k的位置：
Figure GDA0003561292240000222
t时刻车辆i距离边缘服务器m的距离为：
Figure GDA0003561292240000223
t时刻车辆i和车辆j之间的距离为：
Figure GDA0003561292240000224
xi,m和yi,j是选择变量，当车辆i选择将任务卸载到边缘服务器m时，即选择V2R模式时，xi,m＝1，当车辆i选择将任务卸载到车辆j，即选择V2V模式时，yi,j＝1。但是，一辆车只能选择将任务卸载到一个RSU或者一辆服务型车辆上，所以
Figure GDA0003561292240000225
并且
Figure GDA0003561292240000226
第三步：关于分别计算车辆i将任务卸载到边缘服务器m与卸载到服务型车辆j所需要的时延和能耗。
(1)当车辆i将任务卸载到边缘服务器m时，所需要的时延是
Figure GDA0003561292240000227
Figure GDA0003561292240000228
是任务上传到边缘服务器m时，上行链路的传输时间，di是车辆i需要上传的输入的任务的数据量；ri,m(t)是t时刻上行链路数据传输速率。
Figure GDA0003561292240000229
其中，B是信道带宽，Nm是选择边缘服务器m的车辆数，ρ0是参考距离下的信道功率增益，Pi是车辆i的发送功率，dim(t)是t时刻车辆i和边缘服务器m之间的距离，α是路径损耗指数，N0是噪声。
Figure GDA0003561292240000231
是车辆i的任务在边缘服务器m中的计算时间。其中，ci是处理任务所需的CPU周期，fm,i是车辆i通过竞价所得到的边缘服务器m的计算资源。
Figure GDA0003561292240000232
是任务回传时下行链路的传输时间，rm,i(t)是下行链路的传输功率，oi是边缘服务器计算后输出的任务数据量。
(2)当车辆i将任务卸载到边缘服务器m时，能耗为：
Figure GDA0003561292240000233
其中，γm是有效开关电容，Pm是与边缘服务器m关联的RSU的发射功率。
(3)车辆i通过竞价获得边缘服务器m计算资源，所需要的花销cost为
Costi,m＝xi,mφmfm,i (18)
φm是边缘服务器m计算资源的单价，fm,i是车辆i通过竞价所得到的边缘服务器m的计算资源；其中，
Figure GDA0003561292240000234
(Ⅱ)(1)当车辆i将任务卸载到服务型车辆j，即选择V2V模式时，所需要的时延是
Figure GDA0003561292240000235
Figure GDA0003561292240000236
是任务卸载到服务型车辆j时，上行链路的传输时间，di是车辆i需要上传的输入的任务的数据量；ri,j(t)是t时刻上行链路数据传输速率。
Figure GDA0003561292240000237
其中，B是信道带宽，Nm是需要平分信道的车辆数，ρ0是参考距离下的信道功率增益，Pi是车辆i的发送功率，dij是车辆i和车辆j之间的距离，α是路径损耗指数，N0是噪声。
Figure GDA0003561292240000238
是车辆i的任务在服务型车辆j中的计算时间。其中，ci是处理任务所需的CPU周期，fj,i是车辆i通过竞价所得到的服务型车辆j的计算资源。
Figure GDA0003561292240000241
Figure GDA0003561292240000242
是任务回传时下行链路的传输时间，rj,i(t)是t时刻下行链路的传输速率，oi是服务型车辆j计算后输出的任务数据量。
(2)当车辆i将任务卸载到服务型车辆j时，能耗是
Figure GDA0003561292240000243
其中，Pj是服务型车辆j的发射功率，γj是有效开关电容。
(3)车辆i通过竞价获得服务型车辆j的计算资源，所需要的花销为：
Costi,j＝∑j∈Jyi,jφjfj,i (21)
φj是服务型车辆j计算资源的单价，fj,i是车辆i通过竞价所得到的服务型车辆j的计算资源，其中，
Figure GDA0003561292240000244
由于边缘服务器由运营商支持，V2V通信则是车辆自发组织，V2V模式的cost要远远小于V2R模式，所以φm＞φj。
综上所述，车辆i完成任务需要的时延为：
Li＝xi,mti,m+∑j∈Jyi,jti,j (22)
车辆i完成当前时刻的任务需要的能耗为：
Ei＝xi,mEi,m+∑j∈Jyi,jEi,j (22)
车辆i完成当前时刻的任务需要的花销为：
Costi＝xi,mφmfm,i+∑j∈Jyi,jφjfj,i (24)
当车辆i选择V2R模式时，需要考虑进入两个相邻RSU的服务交叉范围时，车辆任务的切换。
过程2：效用函数的建模：车辆i的效用函数包括三部分：第一部分是时延和能耗的加权和，第二部分是竞价计算资源时所需要的花销，第三部分是当选择V2V模式进行任务卸载时，异向行驶的车辆所带来的增益。车辆i的效用函数如下：
Figure GDA0003561292240000245
其中，ωl、ωe分别是时延和能耗的权重，ωl+ωe＝1。
过程3：问题建模：在车辆网场景中，考虑在满足时延约束的情况下，实现车辆i效用最优化。最小化车辆i效用的优化问题建模如下：
Figure GDA0003561292240000251
Figure GDA0003561292240000252
其中，Ti max表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束；
Figure GDA0003561292240000253
表示边缘服务器m的最大计算资源数量，
Figure GDA0003561292240000254
表示服务型车辆j的最大计算资源数量；C1表示任务型车辆i任务卸载时延上限；C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件；C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量；C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量。
过程4：具体算法实施过程如下：
1)：生成固定位置的RSU，每个RSU匹配一个边缘服务器；随机生成各个任务型车辆和服务型车辆的位置；
2)：初始化卸载选择矩阵和计算资源分配矩阵；
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；
4)：初始化车辆和服务器的基本参数，并计算车辆之间的距离和车辆与RSU之间的距离等基本参数；计算初始卸载情况下，所需要的时延和能耗。
5)：对效用函数和优化问题进行建模；
6)：将全局上界和全局下界设为正无穷和负无穷，松弛上述优化问题的变量，进行分支，用内点法求得临时解，其目标函数值设为全局上界；
7)：若放松最优解恰好是整数解，则就是原问题的最优解。若该放松解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索以得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界。每个子定义域中得到的放松最优解对应的目标函数值为局部上界，在所有放松最优解中将其中对应的目标函数值最优的设为全局上界。
8)：观察分支后的结果，若分支后得到的解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优全局下界，则可以根据得到的解继续分支。
9)：保持原本的修剪策略，利用模仿学习方法来学习最优的辅助修剪策略。在剪枝过程中，我们利用DAgger进行迭代训练。初始化训练集和修剪策略，通过使用当前策略在每次迭代中收集数据集来进行，用当前的修剪策略和节点特征映射来解决问题，更新训练集，然后使用所有收集的数据集的聚合来训练新的修剪策略。
11)：重复7)-9)更新全局上界和全局下界，直至得到全局上界与全局下界的差值趋于0，得到最优整数解。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于学习剪枝的车联网移动边缘计算任务卸载方法，其特征在于，包括如下步骤：
计算车联网移动边缘计算场景中车辆参数；其中，车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离；
根据车辆参数计算卸载参数；其中，卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销；
根据所述卸载参数构建任务卸载效用模型，包括：
Figure FDA0003561292230000011
Figure FDA0003561292230000012
其中，Ui表示任务型车辆i的卸载效用函数，x表示是否将任务卸载到边缘服务器，y表示是否将任务卸载到服务型车辆，fm,i表示任务型车辆i通过竞价所得到的边缘服务器m的计算资源，fj,i表示任务型车辆i通过竞价所得到的服务型车辆j的计算资源，Li表示任务型车辆i完成任务卸载需要的时延，Ti max表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束，I表示任务型车辆集合，J表示服务型车辆集合；
xi,m和yi,j表示选择变量，当任务型车辆i选择将任务卸载到边缘服务器时，xi,m＝1；当任务型车辆i选择将任务卸载到服务型车辆j时，yi,j＝1；
Figure FDA0003561292230000013
表示边缘服务器m的最大计算资源数量，
Figure FDA0003561292230000014
表示服务型车辆j的最大计算资源数量；
C1表示任务型车辆i任务卸载时延上限；C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件；C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量；C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量；
任务型车辆i的卸载效用函数为：
Figure FDA0003561292230000021
其中，ωl、ωe分别表示时延和能耗的权重，ωl+ωe＝1；Ei表示任务型车辆i完成任务卸载需要的能耗；Costi表示任务型车辆i完成当前时刻t任务卸载需要的花销；tu、td表示
Figure FDA0003561292230000022
的持续时间的上下限，ri,j(t)表示t时刻上行链路数据传输速率，
Figure FDA0003561292230000023
表示上行链路数据平均传输速率，θ表示正常数；
Figure FDA0003561292230000024
表示当任务型车辆i将任务卸载在异向行驶的服务型车辆j时数据传输增益；
利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源；
利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解包括：
步骤1：随机设置时延和能耗的权重值，松弛任务卸载效用模型优化的变量，用内点法求得放松最优解，作为全局上界，将负无穷设为全局下界；
步骤2：若放松最优解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界；每个子定义域中得到的放松最优解对应的目标函数值为局部上界，将所有放松最优解中目标函数值最优的设为全局上界；
步骤3：若分支后得到的放松最优解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优于全局下界，则根据得到的非整数解继续分支；
步骤4：利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用数据集聚合迭代训练新策略；
步骤5：重复步骤2至步骤4更新全局上界和全局下界，直至得到全局上界与全局下界的差值为0，得到最优整数解。
2.根据权利要求1所述的基于学习剪枝的车联网移动边缘计算任务卸载方法，其特征在于，利用模仿学习方法学习辅助修剪策略转换成具有适当特征映射的二进制分类任务：寻找特征映射和利用SVM训练二值分类器。
3.根据权利要求2所述的基于学习剪枝的车联网移动边缘计算任务卸载方法，其特征在于，利用数据集聚合迭代训练包括：
在每次迭代中收集数据集，用当前的修剪策略和节点特征映射更新训练集，然后使用所有收集的数据集的聚合来训练新的修剪策略。
4.根据权利要求1-3任一项所述的基于学习剪枝的车联网移动边缘计算任务卸载方法，其特征在于，当任务型车辆将任务卸载在边缘服务器m时，进入两个相邻边缘服务器的服务交叉范围时，进行任务卸载的切换；
边缘服务器覆盖范围半径为R，交叉范围为R/4，边缘服务器处于覆盖范围的圆心，两个相邻边缘服务器的距离为d＝7R/4，
Figure FDA0003561292230000031
其中，
Figure FDA0003561292230000032
表示任务型车辆i的初始位置，
Figure FDA0003561292230000033
表示任务型车辆i在车道k上的行驶速度；
如果Li＜tlimit，则任务型车辆i在进入交叉范围内之前将任务执行完毕，否则，任务在执行过程中进入交叉范围内；
若
Figure FDA0003561292230000034
则任务型车辆i在任务上传阶段进入交叉范围，所以
Figure FDA0003561292230000035
其中，
Figure FDA0003561292230000036
表示任务上传到边缘服务器m时上行链路的传输时间，di表示是任务型车辆i需要上传到边缘服务器m的任务的数据量；反之，则任务型车辆i是在计算阶段和回传阶段进入交叉范围；
在进入交叉范围时，若任务处于计算或者回传阶段，则直接通过回程链路进行任务结果反馈，不进行服务器的切换，若任务处于上传阶段，则已上传的部分dh＜di由旧边缘服务器传输至新边缘服务器，车辆选择新边缘服务器作为目标边缘服务器进行任务卸载与计算。
5.根据权利要求4所述的基于学习剪枝的车联网移动边缘计算任务卸载方法，其特征在于，车联网移动边缘计算场景包括：
定义初始状态车联网，考虑车载边缘计算网络，沿着双向道路放置M个路边单元RSU，每个RSU配备一个边缘服务器，RSU间的距离相等；同车道车辆以相同速度从0时刻开始行使，不同车道速度不同，同车道的车辆速度恒定；车辆包括任务型车辆和服务型车辆，任务型车辆产生任务，服务型车辆充当边缘服务器为任务型车辆提供计算服务；以坐标形式表示车辆和边缘服务器的位置，利用时隙和加速度描述当前时隙的速度；每辆车都占用一个正交信道。
6.一种实现如权利要求1-5任一项所述的基于学习剪枝的车联网移动边缘计算任务卸载方法的基于学习剪枝的车联网移动边缘计算任务卸载系统，其特征在于，包括：
车辆参数计算模块，用于计算车联网移动边缘计算场景中车辆参数；其中，车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离；
卸载参数计算模块，用于根据车辆参数计算卸载参数；其中，卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销；
效用模型构建模块，用于根据所述卸载参数构建任务卸载效用模型，包括：
Figure FDA0003561292230000051
Figure FDA0003561292230000052
其中，Ui表示任务型车辆i的卸载效用函数，x表示是否将任务卸载到边缘服务器，y表示是否将任务卸载到服务型车辆，fm,i表示任务型车辆i通过竞价所得到的边缘服务器m的计算资源，fj,i表示任务型车辆i通过竞价所得到的服务型车辆j的计算资源，Li表示任务型车辆i完成任务卸载需要的时延，Ti max表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束，I表示任务型车辆集合，J表示服务型车辆集合；
xi,m和yi,j表示选择变量，当任务型车辆i选择将任务卸载到边缘服务器时，xi,m＝1；当任务型车辆i选择将任务卸载到服务型车辆j时，yi,j＝1；
Figure FDA0003561292230000053
表示边缘服务器m的最大计算资源数量，
Figure FDA0003561292230000054
表示服务型车辆j的最大计算资源数量；
C1表示任务型车辆i任务卸载时延上限；C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件；C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量；C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量；
任务型车辆i的卸载效用函数为：
Figure FDA0003561292230000055
dt；其中，ωl、ωe分别表示时延和能耗的权重，ωl+ωe＝1；Ei表示任务型车辆i完成任务卸载需要的能耗；Costi表示任务型车辆i完成当前时刻t任务卸载需要的花销；tu、td表示
Figure FDA0003561292230000061
的持续时间的上下限，ri,j(t)表示t时刻上行链路数据传输速率，
Figure FDA0003561292230000062
表示上行链路数据平均传输速率，θ表示正常数；
Figure FDA0003561292230000063
表示当任务型车辆i将任务卸载在异向行驶的服务型车辆j时数据传输增益；
效用优化模块，用于利用分支定界算法结合模仿学习方法，求解任务卸载效用模型最优解，从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源；
所述效用优化模块被配置为：
随机设置时延和能耗的权重值，松弛任务卸载效用模型优化的变量，用内点法求得放松最优解，作为全局上界，将负无穷设为全局下界；
若放松最优解不是整数解，则从放松最优解出发，进行分支，划分子定义域，在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界，定为全局下界；每个子定义域中得到的放松最优解对应的目标函数值为局部上界，将所有放松最优解中目标函数值最优的设为全局上界；
若分支后得到的放松最优解对应的函数值小于全局下界，则剪枝；若分支后求得的非整数解对应的函数值优于全局下界，则根据得到的非整数解继续分支；
利用模仿学习方法来学习最优的辅助修剪策略，在学习过程中利用数据集聚合迭代训练新策略。
CN202011357078.0A 2020-11-27 2020-11-27 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统 Active CN112512013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357078.0A CN112512013B (zh) 2020-11-27 2020-11-27 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357078.0A CN112512013B (zh) 2020-11-27 2020-11-27 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统

Publications (2)

Publication Number Publication Date
CN112512013A CN112512013A (zh) 2021-03-16
CN112512013B true CN112512013B (zh) 2022-06-24

Family

ID=74966783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357078.0A Active CN112512013B (zh) 2020-11-27 2020-11-27 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统

Country Status (1)

Country Link
CN (1) CN112512013B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113114738B (zh) * 2021-03-25 2022-03-25 华南理工大学 基于sdn的车联网任务卸载的优化方法
CN113490181B (zh) * 2021-05-20 2023-07-28 南京邮电大学 一种基于lstm神经网络的车辆传输时延优化方法
CN114390624B (zh) * 2022-01-24 2023-05-30 重庆邮电大学 一种应对小区切换问题的非匀速车辆任务卸载方法
CN114363857B (zh) * 2022-03-21 2022-06-24 山东科技大学 一种车联网中边缘计算任务卸载方法
CN115801820A (zh) * 2022-10-06 2023-03-14 华北电力大学 一种基于强化学习的时延-能耗感知车联网任务卸载方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240818A (zh) * 2018-09-04 2019-01-18 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110753319A (zh) * 2019-10-12 2020-02-04 山东师范大学 异构车联网中面向异质业务的分布式资源分配方法及系统
CN111124647A (zh) * 2019-12-25 2020-05-08 大连理工大学 一种车联网中的智能边缘计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8396730B2 (en) * 2011-02-14 2013-03-12 Raytheon Company System and method for resource allocation and management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240818A (zh) * 2018-09-04 2019-01-18 中南大学 一种边缘计算网络中基于用户体验的任务卸载方法
CN109814951A (zh) * 2019-01-22 2019-05-28 南京邮电大学 移动边缘计算网络中任务卸载及资源分配的联合优化方法
CN110753319A (zh) * 2019-10-12 2020-02-04 山东师范大学 异构车联网中面向异质业务的分布式资源分配方法及系统
CN111124647A (zh) * 2019-12-25 2020-05-08 大连理工大学 一种车联网中的智能边缘计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向多用户移动边缘计算轻量任务卸载优化;张文献等;《小型微型计算机系统》;20201015(第10期);全文 *

Also Published As

Publication number Publication date
CN112512013A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112512013B (zh) 基于学习剪枝的车联网移动边缘计算任务卸载方法及系统
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
WO2020147456A1 (zh) 无人机路径优化方法、设备及存储介质
CN111586696B (zh) 一种基于多智能体架构强化学习的资源分配及卸载决策方法
CN113296845B (zh) 一种边缘计算环境下基于深度强化学习的多小区任务卸载算法
Yang et al. A parallel intelligence-driven resource scheduling scheme for digital twins-based intelligent vehicular systems
CN110650457B (zh) 一种车联网中任务卸载计算成本与时延的联合优化方法
Zhang et al. Computing resource allocation scheme of IOV using deep reinforcement learning in edge computing environment
CN113132943A (zh) 一种车联网中车边协同的任务卸载调度及资源分配方法
CN115297171B (zh) 一种蜂窝车联网分级决策的边缘计算卸载方法及系统
Li A computing offloading resource allocation scheme using deep reinforcement learning in mobile edge computing systems
CN114205782B (zh) 基于云边协同的时延最优缓存和路由方法、装置及系统
CN111539534B (zh) 一种基于强化学习的通用分布式图处理方法及系统
CN117221951A (zh) 车载边缘环境下基于深度强化学习的任务卸载方法
CN104348695A (zh) 一种基于人工免疫系统的虚拟网络映射方法及其系统
CN116781144A (zh) 无人机搭载边缘服务器的方法、装置及存储介质
CN114928893B (zh) 一种基于智能反射面的架构及任务卸载方法
CN116489668A (zh) 一种基于高空通信平台辅助的边缘计算任务卸载方法
Midya et al. Pso based optimized resource allocation in three tier cloud architecture for vanet
CN112261628B (zh) 一种应用于d2d设备的内容边缘缓存架构方法
CN114741191A (zh) 一种面向计算密集型任务关联性的多资源分配方法
CN114449530A (zh) 一种基于多目标优化策略的边缘计算服务迁移方法
CN114928826A (zh) 一种软件定义车载任务卸载与资源分配的二阶段优化方法、控制器及决策方法
CN115065683B (zh) 基于车辆聚类的车辆边缘网络任务分配卸载方法
Xi et al. Resource Allocation Strategy of Internet of Vehicles Using Reinforcement Learning.

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