CN113709249B - 辅助驾驶业务安全均衡卸载方法及系统 - Google Patents

辅助驾驶业务安全均衡卸载方法及系统 Download PDF

Info

Publication number
CN113709249B
CN113709249B CN202111007441.0A CN202111007441A CN113709249B CN 113709249 B CN113709249 B CN 113709249B CN 202111007441 A CN202111007441 A CN 202111007441A CN 113709249 B CN113709249 B CN 113709249B
Authority
CN
China
Prior art keywords
time delay
task
local
unloading
mec server
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
CN202111007441.0A
Other languages
English (en)
Other versions
CN113709249A (zh
Inventor
徐思雅
邵苏杰
郭少勇
廖博娴
钟雨轩
贺文晨
迟靖烨
王实
雷承昊
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
Priority to CN202111007441.0A priority Critical patent/CN113709249B/zh
Publication of CN113709249A publication Critical patent/CN113709249A/zh
Application granted granted Critical
Publication of CN113709249B publication Critical patent/CN113709249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/101—Server selection for load balancing based on network conditions
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
    • 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
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种辅助驾驶业务安全均衡卸载方法及系统，方法包括：获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；基于深度学习算法对优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；根据目标卸载模式决策和目标卸载率决策，卸载计算任务。所述系统执行所述方法。本发明基于辅助驾驶业务服务阶段执行计算任务的总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，能够降低例如车联网系统中卸载计算任务的总时延。

Description

辅助驾驶业务安全均衡卸载方法及系统
技术领域
本发明涉及移动边缘计算技术领域，尤其涉及一种辅助驾驶业务安全均衡卸载方法及系统。
背景技术
车联网是近年来新兴的一种移动自组网络，为提髙道路安全提供了保障，也改善了人们的驾驶体验。随着城市道路网络的交通流量日益提高，驾驶员在行驶过程中难免遇到拥堵区域，这大大增多了行程时间、油耗以及额外的气体排放，针对这一问题，引入辅助驾驶技术来降低发生事故的概率，并在发生事故后及时纠正其他车辆驾驶路线，以提升交通运行效率。通过车载单元(On board Unit，OBU)可以获取当前车辆的位置、方向、速度等行驶数据，并推断驾驶员的危险驾驶强度，以此对驾驶员行为进行验证，从源头遏制事故的发生，综合考虑当前车辆信息(如车辆ID、位置、速度、加速度、目的地)与路况信息，计算出合适的车速并规划合理的行车路线后对驾驶员做出提示。
然而，随着辅助驾驶方式的推广，新的问题也随之产生：车辆不能独自处理过程中产生的海量图像数据，需要将其采集到的数据卸载到服务器上进行处理。在车联网的应用中，车辆的高机动性和复杂的驾驶操作使得数据的就近处理和严格的时延要求变得极为重要。
发明内容
本发明提供的辅助驾驶业务安全均衡卸载方法及系统，用于现有技术中存在的上述问题，基于辅助驾驶业务服务阶段执行计算任务的总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，能够降低例如车联网系统中卸载计算任务的总时延。
本发明提供的一种辅助驾驶业务安全均衡卸载方法，包括：
获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据所述总时延，确定待求解的优化问题；
基于深度学习算法对所述优化问题中的所述计算任务的卸载模式决策和卸载率决策进行优化，并在所述深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
根据所述目标卸载模式决策和所述目标卸载率决策，卸载所述计算任务。
根据本发明提供的一种辅助驾驶业务安全均衡卸载方法，所述获取在辅助驾驶业务服务阶段执行计算任务的总时延，包括：
获取本地计算模式下执行所述计算任务的第一时延；
获取协同计算模式下执行所述计算任务的第二时延；
根据所述第一时延和所述第二时延，确定所述总时延；
其中，所述计算任务是根据车辆的目标速度和目标路线确定的；
所述目标速度和所述目标路线是通过对存储在区块链的区块中的车辆侧的信息进行处理后得到的；
所述车辆侧的信息至少包括车辆ID、车辆位置、车辆速度、车辆加速度及车辆目的地；
所述卸载模式包括所述本地计算模式和所述协同计算模式。
根据本发明提供的一种辅助驾驶业务安全均衡卸载方法，所述获取本地计算模式下执行所述计算任务的第一时延，包括：
根据所述本地模式下的第一本地移动边缘计算MEC服务器执行所述计算任务的第一本地时间和第一到达率，确定所述第一本地MEC服务器完成所述计算任务的第一时延；
其中，所述第一本地时间是根据所述计算任务的总数据量、计算强度和所述第一本地MEC服务器的CPU频率确定的；
所述第一到达率是根据所述第一本地MEC服务器上执行的计算任务的数据量与所述计算任务的总数据量的比值确定的。
根据本发明提供的一种辅助驾驶业务安全均衡卸载方法，所述获取协同计算模式下执行所述计算任务的第二时延，包括：
根据所述协同模式下的第二本地MEC服务器执行所述计算任务的第二本地时间和第二到达率，确定所述第二本地MEC服务器完成所述计算任务的第一平均时延；
根据所述协同模式下与所述第二本地MEC服务器相邻的相邻MEC服务器执行所述计算任务的第三本地时间和第三到达率，确定所述相邻MEC服务器完成所述计算任务的第二平均时延；
根据所述第一平均时延、所述第二平均时延、所述第二本地MEC服务器到所述相邻MEC服务器的第一通信时延和所述相邻MEC服务器到所述第二本地MEC服务器的第二通信时延，确定所述第二时延；
其中，所述第二本地时间是根据所述计算任务的总数据量、计算强度、所述第二本地MEC服务器的CPU频率和卸载率确定的；
所述第二到达率是根据所述第二本地MEC服务器的负载因子以及所述第二本地MEC服务器上执行的计算任务的数据量与所述计算任务的总数据量的比值确定的；
所述第三本地时间是根据所述计算任务的总数据量、计算强度、所述相邻MEC服务器的CPU频率和卸载率确定的。
根据本发明提供的一种辅助驾驶业务安全均衡卸载方法，所述第二本地MEC服务器的负载因子通过如下方式获取：
根据所述第二本地MEC服务器的存储资源利用率和计算资源利用率，确定所述第二本地MEC服务器的负载率；
根据所述负载率，确定用于处理所述计算任务的MEC服务集群的平均负载率；
根据所述平均负载率的标准差、所述负载率和所述平均负载率，确定所述负载因子。
根据本发明提供的一种辅助驾驶业务安全均衡卸载方法，所述根据所述总时延，确定待求解的优化问题，包括：
根据所述总时延、所述卸载模式决策和所述卸载率决策的有效约束条件、用于执行所述计算任务的MEC服务器的CPU频率的阈值约束条件、所述总时延的最大值约束条件以及执行所述计算任务的MEC服务器的计算资源和存储资源约束条件，确定所述优化问题。
根据本发明提供的一种辅助驾驶业务安全均衡卸载方法，所述基于深度学习算法对所述优化问题中的所述计算任务的卸载模式决策和卸载率决策进行优化，并在所述深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策，包括：
根据执行所述计算任务的MEC服务器的可用计算资源和可用存储资源以及执行所述计算任务的MEC服务器之间的信道条件，确定所述深度学习A3C算法的状态空间和状态转移概率；
根据所述卸载模式决策以及所述卸载率决策，确定所述A3C算法的动作空间；
根据所述总时延，确定所述A3C算法的奖励函数；
根据所述状态空间、所述状态转移概率、所述动作空间和所述奖励函数对所述卸载模式决策和所述卸载率决策进行优化，并在所述A3C算法收敛后，确定所述目标卸载模式和所述目标卸载率决策。
本发明还提供一种辅助驾驶业务安全均衡卸载系统，包括：问题确定模块、问题求解模块以及任务卸载模块；
所述问题确定模块，用于获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据所述总时延，确定待求解的优化问题；
所述问题求解模块，用于基于深度学习算法对所述优化问题中的所述计算任务的卸载模式决策和卸载率决策进行优化，并在所述深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
所述任务卸载模块，用于根据所述目标卸载模式决策和所述目标卸载率决策，卸载所述计算任务。
本发明还提供一种电子设备，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程序时实现如上述任一种所述辅助驾驶业务安全均衡卸载方法的步骤。
本发明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如上述任一种所述辅助驾驶业务安全均衡卸载方法的步骤。
本发明提供的辅助驾驶业务安全均衡卸载方法及系统，基于辅助驾驶业务服务阶段执行计算任务的总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，能够降低例如车联网系统中卸载计算任务的总时延。
附图说明
为了更清楚地说明本发明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一简单地介绍，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是本发明提供的辅助驾驶业务安全均衡卸载方法的流程示意图；
图2是本发明提供的MEC服务器的CPU频率对时延的影响；
图3是本发明提供的不同计算任务量大小下的平均奖励与卸载率的变化情况示意图；
图4是本发明提供的辅助驾驶业务安全均衡卸载系统的结构示意图；
图5是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作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。
移动边缘计算(Mobile Edge Computing，MEC)是一种具有高带宽低延时特点的新技术，可在各类移动网络边缘提供计算服务，进而减少网络长距离传输带来的时延，并以较低的成本换取较高的性能优势。因此，采用MEC技术，使数据和应用能够靠近车辆，实现辅助驾驶产生的计算密集型任务的实时化处理，减少业务的总时延。
受上述需求及技术的驱动，本发明提出辅助驾驶业务安全均衡卸载方法，在提升边缘服务器系统资源利用率的同时，减少辅助驾驶计算任务服务时延。针对辅助驾驶任务的实际场景，建立了一个基于区块链的车联网辅助驾驶业务安全高效处理框架，提出了基于边缘协作的车联网辅助驾驶业务均衡卸载算法。并将优化问题建模为马尔可夫决策过程(MDP)，利用深度学习算法例如A3C算法来解决MDP问题。本发明提出的辅助驾驶业务安全均衡卸载方法综合考虑MEC服务器的存储和计算资源使用情况，提出集群MEC服务器的负载均衡模型。基于负载均衡模型设计了负载因子，将接入点的MEC服务器建模为M/M/1队列，影响协同计算模式中任务的卸载率，优化系统总时延。最后，仿真结果表明，与JCCR和RAB算法相比，本发明提出的辅助驾驶业务安全均衡卸载方法可以有效降低卸载计算任务的总时延，具体实现如下：
图1是本发明提供的辅助驾驶业务安全均衡卸载方法的流程示意图，如图1所示，方法包括：
S1、获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；
S2、基于深度学习算法对优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
S3、根据目标卸载模式决策和目标卸载率决策，卸载计算任务。
需要说明的是，上述方法的执行主体可以是计算机设备。
可选地，对车联网系统辅助驾驶业务服务阶段产生的计算任务的总时延进行计算，以得到辅助驾驶业务服务阶段执行计算任务的总时延，并根据计算得到的该总时延，确定待求解的优化问题。
利用深度学习算法对待求解的优化问题中涉及到的卸载上述计算任务所采用的卸载模式决策和卸载率决策进行优化，并判断深度学习算法是否满足收敛条件，若满足，则确定深度学习算法收敛，并由此得到优化后的目标卸载模式决策以及目标卸载率决策。
根据上述得到的目标卸载模式决策以及目标卸载率决策对车联网系统辅助驾驶业务服务阶段产生的计算任务进行卸载。
本发明提供的辅助驾驶业务安全均衡卸载方法，基于辅助驾驶业务服务阶段执行计算任务的总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，能够降低例如车联网系统中卸载计算任务的总时延。
现有技术中提出的基于边缘计算的自动驾驶服务卸载方法，基于三层网络架构，使用边缘计算卸载自动驾驶服务，相比于VCC的计算模型，该方法保证了无人驾驶所需的低延迟性能，并有效地缩短了自动驾驶计算任务的响应时间；相较于多MEC多用户的任务卸载方法，该方案针对单车的无人驾驶服务质量提升，提出了可以在低廉的车载半导体计算平台上部署的轻量级任务卸载方法；该方案实现了基于边缘计算的LiDAR SLAM算法，相较于传统的GPS定位，可以达到分米范围内的定位精度以弥补GPS定位的不足；将分布式LiDARSLAM算法部署在现实的无人驾驶场景中，通过蜂窝网络和无线网络进行远程数据交换，并将传输的点云数据进行编解码，实现任务间的高效数据传输和并行运算。然而该方案没有考虑到自动驾驶业务的安全性，当多车辆的多类应用卸载在同一边缘环境下时，安全和隐私是计算卸载不得不考虑的问题，尤其对无人驾驶应用，这两个问题至关重要。
基于此，进一步地，在一个实施例中，步骤S1可以具体包括：
S11、获取本地计算模式下执行计算任务的第一时延；
S12、获取协同计算模式下执行计算任务的第二时延；
S13、根据第一时延和第二时延，确定总时延；
其中，计算任务是根据车辆的目标速度和目标路线确定的；
目标速度和目标路线是通过对存储在区块链的区块中的车辆侧的信息进行处理后得到的；
车辆侧的信息至少包括车辆ID、车辆位置、车辆速度、车辆加速度及车辆目的地；
卸载模式包括本地计算模式和协同计算模式。
可选地，本发明提出的辅助驾驶业务安全均衡卸载方法是基于区块链的车联网辅助驾驶框架实现的，该框架由MEC系统和区块链系统组成。在车联网系统中，M＝{1,2,...,m}表示移动终端的集合。车辆在移动层，负责数据的采集。车辆的OBU与路边单元(RoadSide Unit，RSU)之间采用正交频谱进行数据传输。车辆可以在终端层产生区块，此时区块链系统将产生计算密集型的计算任务。然后将数据(车辆ID、车辆位置、车辆速度、车辆加速度、车辆目的地等)存储到区块当中，保障车联网中的车辆信息可信。用于执行计算任务的MEC服务器部署在边缘层的RSU，N＝{1,2,...,n}表示RSU的集合。在车辆接入对应的RSU后，车辆将存在块中的参数传输至RSU，RSU需要对收集的信息进行进一步的处理和分析，产生辅助驾驶任务，并且在RSU上生成区块，将处理后的结果(目标车速和目标路线)存入区块链系统中。
路边单元RSU对从车辆侧收集的信息需要进行处理和分析，会产生计算任务Tk。Tk属于计算密集型的任务，因此，采用2种不同的计算模式来执行Tk：本地计算模式和协同计算模式。
采用an(t)∈{1,2}表示计算任务的卸载决策，an(t)＝1表示本地MEC服务器独立计算(模式1)，an(t)＝2表示相邻MEC服务器协同计算(模式2)。在任务处理中，首先要确定任务是否需要卸载。如果不在本地MEC服务器处理任务，则决定卸载该任务，将数据卸载到其他相邻MEC服务器进行协同计算，可以减轻本地计算压力，减少任务计算时间，提高计算任务执行的总体性能。
基于此，分别获取本地计算模式下执行计算任务的第一时延以及协同计算模式下执行计算任务的第二时延，并根据上述第一时延和第二时延确定执行计算任务的总时延。
本发明提供的辅助驾驶业务安全均衡卸载方法，充分考虑到辅助/自动驾驶业务的安全性，通过将多类计算任务卸载到不同设备进行执行，保障了辅助驾驶业务服务的安全性和隐私性，同时采用协同计算模式可以减轻本地设备的计算压力，提高计算任务执行的总体性能。
进一步地，在一个实施例中，步骤S11可以具体包括：
S111、根据本地模式下的第一本地移动边缘计算MEC服务器执行计算任务的第一本地时间和第一到达率，确定第一本地MEC服务器完成计算任务的第一时延；
其中，第一本地时间是根据计算任务的总数据量、计算强度和第一本地MEC服务器的CPU频率确定的；
第一到达率是根据第一本地MEC服务器上执行的计算任务的数据量与计算任务的总数据量的比值确定的。
可选地，在本地计算模式下，对于RSU，采用元组
Figure GDA0004011630950000101
表示计算任务Tk的总数据量大小Dt、计算强度Xt、结果数据量与输入数据量之比λt以及完成期限
Figure GDA0004011630950000102
假设移动车辆产生的计算任务服从泊松分布，任务以λi的速率到达本地MEC服务器ni的调度器，将接入点的MEC服务器建模为M/M/1队列，到达MEC服务器ni进行计算的任务遵循泊松过程，则到达率为λi(即第一到达率)。本地MEC服务器ni完成任务的平均时延(即第一时延)ΔTl(t)(包括排队和服务时间)可以表示为：
Figure GDA0004011630950000103
其中，μl＝1/Texe,l(t)代表本地MEC服务器ni执行计算任务Tk的第一本地时间，可以表示为：
Figure GDA0004011630950000104
其中，fR代表本地MEC服务器ni的CPU频率。
需要说明的是，为了便于说明本发明提出的本地计算模式中用于处理计算任务的第一本地MEC服务器以及协同计算模式中用于处理计算任务的第一本地MEC服务器均用本地MEC服务器ni代表。
本发明提供的辅助驾驶业务安全均衡卸载方法，通过计算本地计算模式下执行计算任务的第一时延，为确定辅助驾驶业务服务阶段的总时延奠定了基础，进而为后续利用该总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，降低车联网系统中卸载计算任务的总时延奠定了基础。
现有技术中提出的面向无人驾驶的边缘卸载方法，在无人车有卸载需求时，首先判断距离最近的边缘服务器是否满足卸载需求，如果满足就直接选取该边缘服务器进行计算卸载；如果不满足，就重新选取合适的边缘服务器进行计算卸载，选取的边缘服务器使用Docker容器虚拟化技术来提供应用所需运行环境，能够降低成本，隔离了应用运行环境，为无人驾驶提供了安全的卸载服务，并满足无人驾驶应用对响应延迟的严格要求。然而该方法没有考虑到车辆计算任务的不均衡分布的问题，不能高效利用系统中的计算资源，在车辆计算任务高密集区域不能保证服务区域内的车辆计算任务均能够在限制时间内准确地完成，难以满足移动车辆的服务需求。基于该问题，本发明提供的辅助驾驶业务安全均衡卸载方法提出协同计算方式合理利用计算资源，具体地：在一个实施例中，步骤S12可以具体包括：
S121、根据协同模式下的第二本地MEC服务器执行计算任务的第二本地时间和第二到达率，确定第二本地MEC服务器完成计算任务的第一平均时延；
S122、根据协同模式下与第二本地MEC服务器相邻的相邻MEC服务器执行计算任务的第三本地时间和第三到达率，确定相邻MEC服务器完成计算任务的第二平均时延；
S123、根据第一平均时延、第二平均时延、第二本地MEC服务器到相邻MEC服务器的第一通信时延和相邻MEC服务器到第二本地MEC服务器的第二通信时延，确定第二时延；
其中，第二本地时间是根据计算任务的总数据量、计算强度、第二本地MEC服务器的CPU频率和卸载率确定的；
第二到达率是根据第二本地MEC服务器的负载因子以及第二本地MEC服务器上执行的计算任务的数据量与计算任务的总数据量的比值确定的；
第三本地时间是根据计算任务的总数据量、计算强度、相邻MEC服务器的CPU频率和卸载率确定的。
可选地，与云中心相比，边缘节点的资源仍然非常有限。随着业务终端数量的增长，单个MEC服务器很难同时满足车联网业务的不同需求。同时，处理计算任务的MEC服务集群中MEC服务器的负载状态各不相同。比如突发情况下，会有大量的信息采集终端上传数据进行处理，导致一些MEC服务器需要处理大量业务请求，负载率较高，而部分MEC服务器则相对空闲，处于低负载状态。因此，本发明提出将单个业务终端的计算任务分散到相邻MEC服务器进行协同计算的模式，以优化资源利用率，进一步降低系统的时延。
在协同计算模式下，计算任务Tk可以分为两部分：(1-α)Dt用于本地MEC服务器ni计算，αDt用于相邻MEC服务器nj计算，其中α是卸载率，处理后的结果最终合并到本地MEC服务器ni中。假设到达本地MEC服务器ni的计算任务遵循泊松过程，本地MEC服务器ni上的任务调度器由负载因子δi的值来决定，且到达率(即第二到达率)为(1-δi)λi，执行计算任务所需的第二本地时间为Texe,i(t)。然后，本地MEC服务器ni完成计算任务的第一平均时延ΔTi(t)可以表示为：
Figure GDA0004011630950000121
其中，μi＝1/Texe,i(t)，Texe,i(t)可以表示为：
Figure GDA0004011630950000122
其中，为了便于计算，假设协同计算模式下的本地MEC服务器的CPU频率与本地计算模式下的本地MEC服务器的CPU频率相同，均为fR。
并且，到达相邻MEC服务器nj的卸载任务同样遵循泊松过程，到达率(即第三到达率)为δiλi。这是因为以固定概率细化泊松过程会导致另一泊松过程。类似地，相邻MEC服务器nj完成计算任务的第二平均时延ΔTj(t)可以表示为：
Figure GDA0004011630950000131
其中，μj＝1/Texe,j(t)，Texe,j(t)可以表示为：
Figure GDA0004011630950000132
为了便于计算，将协同计算模式下的相邻MEC服务器的CPU频率设置与本地计算模式下的本地MEC服务器的CPU频率相同，均为fR。当在时隙t中选择相邻MEC服务器nj时，本地MEC服务器ni到相邻MEC服务器nj的传输速率可以表示为：
Figure GDA0004011630950000133
其中Pi,j(t)是时隙t中本地MEC服务器ni到相邻MEC服务器nj的传输功率，gi,j(t)是时隙t中ni到nj之间的信道增益，σi,j(t)是时隙t中ni到nj的噪声方差。因此在模式2(协同计算模式)中，卸载部分计算任务的第一通信时延Ti,j(t)可以表示为：
Figure GDA0004011630950000134
由于相邻MEC服务器nj执行部分计算任务后需要将结果合并到本地MEC服务器ni中，因此，相邻MEC服务器nj将部分计算结果传输到本地MEC服务器ni的第二通信时延Tj,i(t)可以表示为：
Figure GDA0004011630950000135
在模式2中，只有在卸载并完成所有的计算任务Tk后，才能测量协同计算模式下执行计算任务的第二时延Ttot,ij(t)，Ttot,ij(t)可以表示为：
Figure GDA0004011630950000136
综合上述分析，系统在辅助驾驶服务阶段执行计算任务的总时延Ttot,n可以表示为：
Ttot,n(t)＝(2-an(t))ΔTl(t)+(an(t)-1)Ttot,ij(t)
本发明提供的辅助驾驶业务安全均衡卸载方法，通过计算协同计算模式下执行计算任务的第二时延，为确定辅助驾驶业务服务阶段的总时延奠定了基础，进而为后续利用该总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，降低车联网系统中卸载计算任务的总时延奠定了基础。
现有技术中提出的基于博弈理论的5G异构网络中协同车辆计算任务卸载的方法，以方便5G异构网络为移动车辆提供计算服务。具体来说，通过建立一个边缘计算和5G异构网络集成的系统，并提出了一个两阶段的车载任务卸载机制，该机制以提高任务完成率和参与者的效用为目标，考虑并解决车辆分布不均的问题；将常用的任务结果重复使用，以提高计算资源的利用率；通过任务分配策略和两轮博弈的方法，促进参与者之间的交流与协作。在第一阶段，设计任务分配策略帮助宏蜂窝基站选择最佳的小型蜂窝基站，后者根据任务的要求和可用计算资源执行卸载的任务。在第二阶段，根据完成任务的成本，宏蜂窝基站与移动车辆通过两轮博弈的方法，达成任务卸载服务的协议，最大限度地提高两者的效用。该方法在考虑多设备协同卸载时计算任务按照二进制方式卸载，不能灵活的调整计算任务的卸载量。
基于此，进一步地，在一个实施例中，协同计算模式中的第二本地MEC服务器的负载因子通过如下方式获取：
根据第二本地MEC服务器的存储资源利用率和计算资源利用率，确定第二本地MEC服务器的负载率；
根据负载率，确定用于处理计算任务的MEC服务集群的平均负载率；
根据平均负载率的标准差、负载率和平均负载率，确定负载因子。
可选地，车联网环境中，通常MEC服务器负载差异大、集群计算资源分配不均。因此在进行计算任务卸载时需要考虑MEC服务器的资源使用情况，使MEC服务器的计算资源能被合理的使用，确保MEC服务器处于负载均衡状态。
本发明提供的辅助驾驶业务安全均衡卸载方法将网络中第二本地MEC服务器ni的性能定义为Wcap,i(t)＝{Ecap,i(t),Ccap,i(t)}，其中Ecap,i(t)和Ccap,i(t)分别表示第二MEC服务器ni的存储资源和计算资源。第二本地MEC服务器ni的负载状况为Fcur,i(t)＝{Ecur,i(t),Ccur,i(t)}，其中Ecur,i(t)和Ccur,i(t)分别表示第二本地MEC服务器ni当前的存储资源使用量和计算资源占用量。因此，第二本地MEC服务器ni的存储资源利用率Ei(t)和计算资源利用率Ci(t)可以表示为：
Figure GDA0004011630950000151
Figure GDA0004011630950000152
进而，第二本地MEC服务器ni的负载率Fload,i(t)可以定义为：
Fload,i(t)＝γEi(t)+ηCi(t)
其中γ+η＝1，γ和η表示其指标所占权重，权重值越高表示其对应资源所占比例越大，依赖性越强。
设Fs＝{Fload,1(t),Fload,2(t),…,Fload,n(t)}为用于处理计算任务的MEC服务集群中MEC服务器负载率的集合。平均负载率体现了整个集群的负载状态，负载率均值越低说明集群整体负载越低、负载状态越好。MEC服务集群的平均负载率Fave(t)可以表示为：
Figure GDA0004011630950000153
设σF为MEC服务集群负载率的标准差，标准差体现了整个集群的负载稳定性，其值越低，说明集群负载越均衡、稳定性越强。σF可以定义为：
Figure GDA0004011630950000161
负载因子δi用于表示第二本地MEC服务器的负载情况，可以表示为：
Figure GDA0004011630950000162
本发明提供的辅助驾驶业务安全均衡卸载方法，综合考虑MEC服务器的存储和计算资源使用情况的MEC服务器集群的负载均衡模型，解决了车联网系统中MEC服务器负载差异大以及MEC服务器集群计算资源分配不均的问题。
进一步地，在一个实施例中，步骤S1还可以具体包括：
S14、根据总时延、卸载模式决策和卸载率决策的有效约束条件、用于执行计算任务的MEC服务器的CPU频率的阈值约束条件、总时延的最大值约束条件以及执行计算任务的MEC服务器的计算资源和存储资源约束条件，确定优化问题。
可选地，为了优化车联网系统的资源分配，实现辅助驾驶业务的均衡卸载，本发明提出了一个优化问题，使执行计算任务的总时延最小化。同时对卸载模式和卸载率进行联合优化。优化问题为P1：
P1:
Figure GDA0004011630950000163
s.t.an(t)∈{1,2} C1
α(t)∈[0,1] C2
0≤fR≤fmax C3
Figure GDA0004011630950000164
cj≤Ccap,j(t),j∈N C5
ej≤Ecap,j(t),j∈N C6
其中，C1和C2代表卸载模式决策和卸载率决策的有效约束条件；约束C3表示用于处理计算任务的MEC服务器的CPU频率的阈值约束条件，fmax代表阈值约束的最大值；C4代表总时延的最大值约束条件；约束C5和C6表明执行计算任务的MEC服务器的计算资源和存储资源约束条件MEC服务器，其中，计算资源需求cj，存储资源需求ej。
本发明提供的辅助驾驶业务安全均衡卸载方法，通过对车联网辅助驾驶业务服务阶段产生的计算任务的卸载决策、卸载率决策进行联合优化，将优化问题建模为马尔可夫决策过程(MDP)，利用深度学习算法来解决MDP问题，在保障资源均衡分配的同时降低系统的总时延。
进一步地，在一个实施例中，步骤S2可以具体包括：
S21、根据执行计算任务的MEC服务器的可用计算资源和可用存储资源以及执行计算任务的MEC服务器之间的信道条件，确定深度学习A3C(Asynchronous Advantage Actor-Critic)算法的状态空间和状态转移概率；
S32、根据卸载模式决策以及卸载率决策，确定A3C算法的动作空间；
S33、根据总时延，确定A3C算法的奖励函数；
S34、根据状态空间、状态转移概率、动作空间和奖励函数对卸载模式决策和卸载率决策进行优化，并在A3C算法收敛后，确定目标卸载模式和目标卸载率决策。
可选地，将深度学习A3C算法当前的状态空间Ss(t)表示为执行计算任务的MEC服务器的可用计算资源Cs(t)＝{C1(t),C2(t),...,Cn(t)}、可用存储资源Es(t)＝{E1(t),E2(t),...,En(t)}以及执行计算任务的MEC服务器之间的信道条件G2(t)＝{gi,j(t)}的联合：
Figure GDA0004011630950000171
在执行一个动作后，离开当前状态ss(t)到下一个状态ss(t+1)的概率可以定义为：
Figure GDA0004011630950000172
其中，Pr(ss(t+1)|ss(t),as(t))代表从当前状态ss(t)到下一个状态ss(t+1)的状态转移概率。
动作空间包括卸载模式决策a(t)以及卸载率决策α(t)。采用Αs(t)来定义动作集：
Figure GDA0004011630950000181
其中，α(t)∈[0,1]，并且卸载模式决策a(t)可以进一步表示为：
Figure GDA0004011630950000182
为了优化执行计算任务的总时延，可以将A3C算法的奖励函数rs表示为：
Figure GDA0004011630950000183
其中，
Figure GDA0004011630950000184
本发明提供的辅助驾驶业务安全均衡卸载方法，针对集群MEC服务器负载不均衡，资源利用率低的问题，提出了基于边缘协作的车联网辅助驾驶业务均衡卸载算法，并采用深度强化学习算法A3C来优化系统的总时延。
本发明在基于Python3.7的模拟器上使用TensorFlow2.0进行仿真。假设单个RSU覆盖区域内的移动车辆数为20，MEC服务器位于RSU覆盖区域的中心。
为了验证本发明所提算法的性能，本发明考虑了以下对比方案：
1、Joint optimization algorithm for the computation and communicationresources’allocation(JCCR)算法:通过在计算卸载过程中优化卸载率的一种计算和通信资源的联合分配方案，但不考虑集群MEC服务器的负载差异。
2、Resource allocation method based on binary offloading(RAB)算法:一种边端协同卸载的资源分配方案，但采用二进制卸载方式。
3、Simulated Annealing algorithm(SA)算法:源于对热力学中退火过程的模拟，在某一给定的初温下，通过缓慢下降温度参数，使算法能够在多项式时间内给出一个近似最优解
图2展示了不同CPU周期频率fR下的执行计算任务所需总时延变化情况。从图2中可以看到，随着fR的增加，所有方案的总时延也相应的减少。这是因为MEC服务器的CPU频率增加会提升执行任务的计算速率，缩短了任务的执行时间，从而降低了系统的总时延。其中对比的SA算法是启发示算法的一种，也是一种贪心算法，但是它的搜索过程引入了随机因素。可以看出，基于启发式的算法收敛速度快，可以较快地解决问题，但是容易过早地陷入局部最优解。A3C算法属于DRL算法，能从复杂的环境状态中不断学习，最终训练出一个网络模型，并可以自主根据环境做出动作决策。相比之下，SA算法求解质量将远低于A3C算法。
图3展示了不同任务量大小对系统平均奖励和Proposed方案中卸载率的影响。从图中可以看出，随着任务量的增加，系统平均奖励降低，卸载率逐渐升高。这是由于当前业务量的大小增加时，对MEC服务器的存储和计算资源的要求更高，更多的计算任务将会卸载到负载状态较低的设备进行协同计算，将对卸载率产生影响，同时计算任务量的大小直接影响执行任务的时延，进而导致系统的平均奖励降低。同时，我们还可以观察到，在所有的对比方案中，本发明所提的A3C算法性能总是表现最佳，其次是JCCR和RAB。这是因为在相同任务量的情况下，本发明提出的方案同时考虑了集群MEC服务器的资源使用情况，并且将更多的计算任务卸载到低负载率的MEC服务器当中，使MEC服务器处于负载均衡状态，可以很好的提升负载均衡度。而JCCR方案中并不考虑负载均衡，并且RAB方案在卸载过程中采用的是二进制卸载方式，导致集群的资源分配不均。
综上所述，本发明提出一种基于深度强化学习的辅助驾驶业务安全均衡卸载方法，在提升边缘服务器系统资源利用率的同时，减少辅助驾驶计算任务服务时延。首先，面向车联网提出了一个基于区块链的车联网辅助驾驶业务安全高效处理框架，包括两个阶段：区块链生成阶段和辅助驾驶服务阶段。在第一阶段中移动车辆可将数据(车辆ID、车辆位置、车辆速度、车辆目的地等)卸载到边缘层，存储到边缘层的区块链系统当中，保障车联网中的车辆信息可信，第二阶段中提出了基于边缘协作的车联网辅助驾驶业务均衡卸载算法，综合考虑MEC服务器的存储和计算资源使用情况，提出集群MEC服务器的负载均衡模型，基于该负载均衡模型设计了负载因子，将接入点的MEC服务器建模为M/M/1队列，影响协同计算模式中任务的卸载率，并采用深度学习算法A3C来优化系统的总时延，最后，仿真结果表明，本发明可以更有效地支撑车联网的应用服务。
下面对本发明提供的辅助驾驶业务安全均衡卸载系统进行描述，下文描述的辅助驾驶业务安全均衡卸载系统与上文描述的辅助驾驶业务安全均衡卸载方法可相互对应参照。
图4是本发明提供的辅助驾驶业务安全均衡卸载系统的结构示意图，如图4所示，包括：问题确定模块410、问题求解模块411以及任务卸载模块412；
问题确定模块410，用于获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；
问题求解模块411，用于基于深度学习算法对优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
任务卸载模块412，用于根据目标卸载模式决策和目标卸载率决策，卸载计算任务。
本发明提供的辅助驾驶业务安全均衡卸载系统，基于辅助驾驶业务服务阶段执行计算任务的总时延确定优化问题，并利用深度学习算法对计算任务的卸载模式和卸载率联合优化，实现对辅助驾驶产生的计算任务的实时处理，能够降低例如车联网系统中卸载计算任务的总时延。
图5是本发明提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communication interface)511、存储器(memory)512和总线(bus)513，其中，处理器510，通信接口511，存储器512通过总线513完成相互间的通信。处理器510可以调用存储器512中的逻辑指令，以执行如下方法：
获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；
基于深度学习算法对所述优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
根据目标卸载模式决策和目标卸载率决策，卸载计算任务。
此外，上述的存储器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电源屏(可以是个人计算机，服务器，或者网络电源屏等)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。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的辅助驾驶业务安全均衡卸载方法，例如包括：
获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；
基于深度学习算法对所述优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
根据目标卸载模式决策和目标卸载率决策，卸载计算任务。
另一方面，本发明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辅助驾驶业务安全均衡卸载方法，例如包括：
获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据总时延，确定待求解的优化问题；
基于深度学习算法对所述优化问题中的计算任务的卸载模式决策和卸载率决策进行优化，并在深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
根据目标卸载模式决策和目标卸载率决策，卸载计算任务。
以上所描述的系统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电源屏(可以是个人计算机，服务器，或者网络电源屏等)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 (8)

1.一种辅助驾驶业务安全均衡卸载方法，其特征在于，包括：
获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据所述总时延，确定待求解的优化问题；
基于深度学习算法对所述优化问题中的所述计算任务的卸载模式决策和卸载率决策进行优化，并在所述深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
根据所述目标卸载模式决策和所述目标卸载率决策，卸载所述计算任务；
所述获取在辅助驾驶业务服务阶段执行计算任务的总时延，包括：
获取本地计算模式下执行所述计算任务的第一时延；
获取协同计算模式下执行所述计算任务的第二时延；
根据所述第一时延和所述第二时延，确定所述总时延；
其中，所述计算任务是根据车辆的目标速度和目标路线确定的；
所述目标速度和所述目标路线是通过对存储在区块链的区块中的车辆侧的信息进行处理后得到的；
所述车辆侧的信息至少包括车辆ID、车辆位置、车辆速度、车辆加速度及车辆目的地；
所述卸载模式包括所述本地计算模式和所述协同计算模式；
所述获取协同计算模式下执行所述计算任务的第二时延，包括：
根据所述协同计算模式下的第二本地移动边缘计算MEC服务器执行所述计算任务的第二本地时间和第二到达率，确定所述第二本地MEC服务器完成所述计算任务的第一平均时延；
根据所述协同计算模式下与所述第二本地MEC服务器相邻的相邻MEC服务器执行所述计算任务的第三本地时间和第三到达率，确定所述相邻MEC服务器完成所述计算任务的第二平均时延；
根据所述第一平均时延、所述第二平均时延、所述第二本地MEC服务器到所述相邻MEC服务器的第一通信时延和所述相邻MEC服务器到所述第二本地MEC服务器的第二通信时延，确定所述第二时延；
其中，所述第二本地时间是根据所述计算任务的总数据量、计算强度、所述第二本地MEC服务器的CPU频率和卸载率确定的；
所述第二到达率是根据所述第二本地MEC服务器的负载因子以及所述第二本地MEC服务器上执行的计算任务的数据量与所述计算任务的总数据量的比值确定的；
所述第三本地时间是根据所述计算任务的总数据量、计算强度、所述相邻MEC服务器的CPU频率和卸载率确定的。
2.根据权利要求1所述的辅助驾驶业务安全均衡卸载方法，其特征在于，所述获取本地计算模式下执行所述计算任务的第一时延，包括：
根据所述本地计算模式下的第一本地移动边缘计算MEC服务器执行所述计算任务的第一本地时间和第一到达率，确定所述第一本地MEC服务器完成所述计算任务的第一时延；
其中，所述第一本地时间是根据所述计算任务的总数据量、计算强度和所述第一本地MEC服务器的CPU频率确定的；
所述第一到达率是根据所述第一本地MEC服务器上执行的计算任务的数据量与所述计算任务的总数据量的比值确定的。
3.根据权利要求1所述的辅助驾驶业务安全均衡卸载方法，其特征在于，所述第二本地MEC服务器的负载因子通过如下方式获取：
根据所述第二本地MEC服务器的存储资源利用率和计算资源利用率，确定所述第二本地MEC服务器的负载率；
根据所述负载率，确定用于处理所述计算任务的MEC服务集群的平均负载率；
根据所述平均负载率的标准差、所述负载率和所述平均负载率，确定所述负载因子。
4.根据权利要求1所述的辅助驾驶业务安全均衡卸载方法，其特征在于，所述根据所述总时延，确定待求解的优化问题，包括：
根据所述总时延、所述卸载模式决策和所述卸载率决策的有效约束条件、用于执行所述计算任务的MEC服务器的CPU频率的阈值约束条件、所述总时延的最大值约束条件以及执行所述计算任务的MEC服务器的计算资源和存储资源约束条件，确定所述优化问题。
5.根据权利要求4所述的辅助驾驶业务安全均衡卸载方法，其特征在于，所述基于深度学习算法对所述优化问题中的所述计算任务的卸载模式决策和卸载率决策进行优化，并在所述深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策，包括：
根据执行所述计算任务的MEC服务器的可用计算资源和可用存储资源以及执行所述计算任务的MEC服务器之间的信道条件，确定深度学习A3C算法的状态空间和状态转移概率；
根据所述卸载模式决策以及所述卸载率决策，确定A3C算法的动作空间；
根据所述总时延，确定所述A3C算法的奖励函数；
根据所述状态空间、所述状态转移概率、所述动作空间和所述奖励函数对所述卸载模式决策和所述卸载率决策进行优化，并在所述A3C算法收敛后，确定所述目标卸载模式和所述目标卸载率决策。
6.一种辅助驾驶业务安全均衡卸载系统，其特征在于，包括：问题确定模块、问题求解模块以及任务卸载模块；
所述问题确定模块，用于获取在辅助驾驶业务服务阶段执行计算任务的总时延，并根据所述总时延，确定待求解的优化问题；
所述问题求解模块，用于基于深度学习算法对所述优化问题中的所述计算任务的卸载模式决策和卸载率决策进行优化，并在所述深度学习算法收敛后，确定目标卸载模式决策和目标卸载率决策；
所述任务卸载模块，用于根据所述目标卸载模式决策和所述目标卸载率决策，卸载所述计算任务；
所述获取在辅助驾驶业务服务阶段执行计算任务的总时延，包括：
获取本地计算模式下执行所述计算任务的第一时延；
获取协同计算模式下执行所述计算任务的第二时延；
根据所述第一时延和所述第二时延，确定所述总时延；
其中，所述计算任务是根据车辆的目标速度和目标路线确定的；
所述目标速度和所述目标路线是通过对存储在区块链的区块中的车辆侧的信息进行处理后得到的；
所述车辆侧的信息至少包括车辆ID、车辆位置、车辆速度、车辆加速度及车辆目的地；
所述卸载模式包括所述本地计算模式和所述协同计算模式；
所述获取协同计算模式下执行所述计算任务的第二时延，包括：
根据所述协同计算模式下的第二本地MEC服务器执行所述计算任务的第二本地时间和第二到达率，确定所述第二本地MEC服务器完成所述计算任务的第一平均时延；
根据所述协同计算模式下与所述第二本地MEC服务器相邻的相邻MEC服务器执行所述计算任务的第三本地时间和第三到达率，确定所述相邻MEC服务器完成所述计算任务的第二平均时延；
根据所述第一平均时延、所述第二平均时延、所述第二本地MEC服务器到所述相邻MEC服务器的第一通信时延和所述相邻MEC服务器到所述第二本地MEC服务器的第二通信时延，确定所述第二时延；
其中，所述第二本地时间是根据所述计算任务的总数据量、计算强度、所述第二本地MEC服务器的CPU频率和卸载率确定的；
所述第二到达率是根据所述第二本地MEC服务器的负载因子以及所述第二本地MEC服务器上执行的计算任务的数据量与所述计算任务的总数据量的比值确定的；
所述第三本地时间是根据所述计算任务的总数据量、计算强度、所述相邻MEC服务器的CPU频率和卸载率确定的。
7.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述辅助驾驶业务安全均衡卸载方法的步骤。
8.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至5任一项所述辅助驾驶业务安全均衡卸载方法的步骤。
CN202111007441.0A 2021-08-30 2021-08-30 辅助驾驶业务安全均衡卸载方法及系统 Active CN113709249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111007441.0A CN113709249B (zh) 2021-08-30 2021-08-30 辅助驾驶业务安全均衡卸载方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111007441.0A CN113709249B (zh) 2021-08-30 2021-08-30 辅助驾驶业务安全均衡卸载方法及系统

Publications (2)

Publication Number Publication Date
CN113709249A CN113709249A (zh) 2021-11-26
CN113709249B true CN113709249B (zh) 2023-04-18

Family

ID=78657093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111007441.0A Active CN113709249B (zh) 2021-08-30 2021-08-30 辅助驾驶业务安全均衡卸载方法及系统

Country Status (1)

Country Link
CN (1) CN113709249B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114679748A (zh) * 2022-02-28 2022-06-28 国网江苏省电力有限公司信息通信分公司 一种mec服务器间协同优化方法
CN114866612B (zh) * 2022-03-30 2024-05-31 中国电力科学研究院有限公司 一种电力微服务卸载方法及装置
CN117240875A (zh) * 2022-06-08 2023-12-15 厦门雅迅网络股份有限公司 一种车内计算任务卸载方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110928691A (zh) * 2019-12-26 2020-03-27 广东工业大学 一种面向交通数据的端边协同计算卸载方法
CN111132175A (zh) * 2019-12-18 2020-05-08 西安电子科技大学 一种协同计算卸载和资源分配方法及应用
CN112272390A (zh) * 2020-10-20 2021-01-26 广州大学 基于物理层的任务卸载及带宽分配的处理方法和系统
CN113179331A (zh) * 2021-06-11 2021-07-27 苏州大学 面向移动边缘计算的分布式专用保护业务调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11469954B2 (en) * 2019-05-16 2022-10-11 Verizon Patent And Licensing Inc. System and methods for service policy optimization for multi-access edge computing services

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111132175A (zh) * 2019-12-18 2020-05-08 西安电子科技大学 一种协同计算卸载和资源分配方法及应用
CN110928691A (zh) * 2019-12-26 2020-03-27 广东工业大学 一种面向交通数据的端边协同计算卸载方法
CN112272390A (zh) * 2020-10-20 2021-01-26 广州大学 基于物理层的任务卸载及带宽分配的处理方法和系统
CN113179331A (zh) * 2021-06-11 2021-07-27 苏州大学 面向移动边缘计算的分布式专用保护业务调度方法

Also Published As

Publication number Publication date
CN113709249A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN113709249B (zh) 辅助驾驶业务安全均衡卸载方法及系统
CN109391681B (zh) 基于mec的v2x移动性预测与内容缓存卸载方案
CN107766135B (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
Chen et al. Efficiency and fairness oriented dynamic task offloading in internet of vehicles
CN112367640B (zh) 基于移动边缘计算的v2v模式多任务卸载方法及系统
CN112995289B (zh) 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法
CN114189892A (zh) 一种基于区块链和集体强化学习的云边协同物联网系统资源分配方法
CN110928658A (zh) 一种车边云协同架构的协同任务迁移系统及算法
CN114143346B (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
Wu et al. Load balance guaranteed vehicle-to-vehicle computation offloading for min-max fairness in VANETs
CN112188627B (zh) 一种基于状态预测的动态资源分配策略
Zhang et al. Efficient task allocation for computation offloading in vehicular edge computing
CN115134242B (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
Wang et al. Dynamic offloading scheduling scheme for MEC-enabled vehicular networks
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
CN115065683B (zh) 基于车辆聚类的车辆边缘网络任务分配卸载方法
CN115209426A (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN117221951A (zh) 车载边缘环境下基于深度强化学习的任务卸载方法
CN116204315A (zh) 一种车联网中基于轨迹的车辆资源池动态任务卸载方法
CN114928611A (zh) 一种基于IEEE802.11p协议的车联网节能计算卸载优化方法
Wang et al. Joint offloading decision and resource allocation in vehicular edge computing networks
CN115964178B (zh) 一种车联网用户计算任务调度方法、装置及边缘服务网络
CN115988462A (zh) 一种基于车路协同的边缘计算模块的调试方法
Alghamdi et al. Optimized Contextual Data Offloading in Mobile Edge Computing
CN113448707A (zh) 在边缘计算中在线批并行任务调度方法

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