CN114827191A - 一种车路协同系统中融合noma的动态任务卸载方法 - Google Patents

Abstract

本发明公开了一种车路协同系统中融合NOMA的动态任务卸载方法。所述方法包括以下步骤：构建动态的车路协同场景；将优化问题建模为时延和能耗优化效益之和最大化问题；将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题进行求解；优化信道资源分配与车辆发射功率，进行动态NOMA分簇，在满足通信可靠性的要求下最大化频带利用率，采用基于图论的启发式算法，求解信道资源分配与功率控制子问题；优化任务卸载决策，进行动态场景下的任务卸载决策，场景中车辆持续行驶，在满足车辆移动性的要求下，采用基于博弈论的启发式算法，求解任务卸载决策优化子问题。本发明具有实际场景的适用性，优化效果更好。

Description

一种车路协同系统中融合NOMA的动态任务卸载方法

技术领域

本发明涉及无线通信与车联网技术领域，具体涉及一种车路协同系统中融合NOMA的动态任务卸载方法。

背景技术

近年来，车联网快速发展，车路协同系统作为一种极具前景的车联网环境受到了广泛关注。同时，新型的车联网应用对车辆的处理能力和任务计算能力都带来了更高要求。

移动边缘计算(Mobile Edge Computing,MEC)通过将计算资源和存储资源下沉到网络边缘，利用无线网络通信实现了更低时延和更低能耗，成为一种备受关注的技术。

任务卸载是MEC重要应用场景之一，通过将移动端的应用任务上传至边缘端的服务器上进行计算，从而满足低时延、低能耗的用户需求，实现更好的用户体验。任务卸载的过程关键在于任务卸载决策，根据任务卸载决策，用户对进行任务卸载的收益结果进行分析，进而选择本地计算或者任务卸载。

在现有的大多数研究中，车联网环境下的任务卸载通常考虑静态场景，即车辆在任务卸载过程中位置不变，没有考虑车辆的移动性。此外，现有的研究也没有考虑车联网环境下车辆通信可靠性的约束要求。车辆移动性和车辆通信可靠性是车联网系统中必须考虑的关键因素，需要在系统模型中同时优化。另外，传统的任务卸载优化算法解决混合整数非线性问题的计算复杂度较高，且集中式优化不适用于车路协同系统的分布式环境。

现有技术文献中，现有专利一种车联网中车辆任务卸载方法及装置的不足具体如下：

1.没有考虑车辆移动性；

2.没有考虑车联网环境下对通信可靠性的要求；

3.使用正交频分多址接入(OFDMA)，信道资源利用率低。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于移动边缘计算的动态车路协同系统任务卸载方法，融合任务卸载、非正交多址接入(Non-Orthogonal MultipleAccess,NOMA)、资源分配和功率控制，对时延和能耗进行低复杂度的分布式优化。

本发明的目的至少通过如下技术方案之一实现。

一种车路协同系统中融合NOMA的动态任务卸载方法，包括以下步骤：

S1、构建动态的车路协同场景；

S2、将优化问题建模为时延和能耗优化效益之和最大化问题；

S3、将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题进行求解；

S4、优化信道资源分配与车辆发射功率，进行动态NOMA分簇，NOMA聚簇内车辆数不固定，在满足通信可靠性的要求下最大化频带利用率，采用基于图论的启发式算法，求解信道资源分配与功率控制子问题；

S5、优化任务卸载决策，进行动态场景下的任务卸载决策，场景中车辆持续行驶，在满足车辆移动性的要求下，采用基于博弈论的启发式算法，求解任务卸载决策优化子问题。

进一步地，步骤S1中，所述动态的车路协同场景为配有路侧单元RSU的路段，路段上有不断行驶的车辆；

路段上车辆的计算任务由本地计算或者进行任务卸载实现；

车路协同场景考虑车辆移动性，在任务卸载过程中车辆持续动态移动，同时每个路侧单元RSU与车辆进行NOMA通信，根据通信可靠性要求进行动态NOMA分簇，保证通信可靠性的同时提升频带利用率。

进一步地，步骤S1中，建立动态车路协同系统模型，具体如下：

考虑如下的物理场景，N个车辆行驶在车路协同系统的路段上，路段为单向三车道，道路旁装有S个路侧单元RSU；车辆集合为

N为车辆总数，路侧单元RSU集合为

S为路侧单元RSU总数，路段总长度为L，第s个路侧单元RSU覆盖的路段的长度为L_s，以第一车道的起始线上距离第二车道的最远端位置为原点，以三车道的起始线为y轴，以第一车道距离第二车道的最远平行线为x轴，建立几何坐标系；因此第n个车辆的位置可以表示为(x_n,y_n)，其中x_n表示车辆在x轴的位置，y_n表示车辆在y轴的位置，第n个车辆的所在位置对应的路侧单元RSU用s_n表示，第n个车辆的速度为v_n，s＝1～S，n＝1～N；

第n个车辆的发射功率为p_n，第n个车辆的计算任务Tn，用二元组表示为：

T_n＝{D_n,C_n}；

其中，D_n为第n个车辆的计算任务的数据量，C_n为第n个车辆的计算任务的计算复杂度；

定义车路协同系统中车辆驻留时间和车辆离开时间，车辆驻留时间指车辆行驶出当前路侧单元RSU覆盖范围的时间，车辆离开时间指车辆行驶出最后一个路侧单元RSU覆盖范围的时间；第n个车辆的车辆驻留时间

表示为：

第n个车辆的车辆离开时间

表示为：

进一步地，步骤S1中，建立车辆与路侧单元RSU的通信模型，其中通信模型采用非正交多址接入NOMA，具体如下：

车路协同系统采用NOMA方式提高频带利用率；每个路侧单元RSU将接入车辆划分为多个NOMA聚簇；由于NOMA接入方式复用了通信信道，同一个NOMA聚簇内的车辆相互之间造成干扰；第s个路侧单元RSU将接入车辆划分为K_s个NOMA聚簇，车路协同系统的总聚簇数量K表示为：

K个NOMA聚簇的集合表示为

每个NOMA聚簇内车辆数目不固定，用N_k表示，由通信可靠性决定，取决于通信中断概率p₀和信噪比阈值γ_th；

车路协同系统的总带宽为W，每个聚簇分配到一个带宽为W/K的正交子载波；

为了使NOMA分簇和信道资源分配的过程更加清晰，定义NOMA分簇矩阵A如下：

其中，a_n,k表示一位二进制的NOMA分簇变量，a_n,k＝1表示第n个车辆被分配到第k个NOMA聚簇内，反之a_n,k＝0，n＝1～N，k＝1～K；

第n个车辆与所在范围内的路侧单元RSU通信的信道增益h_n考虑大尺度和小尺度衰落，表示为：

其中，A为路径衰落参数；μ_n为第n个车辆的小规模衰落系数，服从均值为1的独立复指数分布，并采用瑞利衰落进行仿真；β_n为第n个车辆的阴影衰落，服从具有标准偏差的对数正态分布；L_n表示第n个车辆与所在范围内的路侧单元RSU的距离，γ为衰减指数；

同一聚簇内车辆互相干扰，第n个车辆在第k个NOMA聚簇中受到同个聚簇内其他车辆的干扰之和

表示为：

第n个车辆与所在范围内的路侧单元RSU的信噪比表示为

其中，σ²为噪声功率，α_n,k为分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则α_n,k＝1，反之则α_n,k＝0；

第n个车辆的传输速率R_n表示为：

Rn＝Blog2(1+γn)；

其中，B＝W/K为分给每个NOMA聚簇的子带宽。

进一步地，第n个车辆的本地时延

表示为：

第n个车辆的本地能耗

表示为：

其中，

为第n个车辆的本地计算速率，κ为车辆芯片能耗系数；

若第n个车辆选择任务卸载，则第n个车辆的信噪比为：

根据香农公式，第n个车辆的传输速率R_n为：

则第n个车辆的卸载上传时延

表示为：

第n个车辆的卸载计算时延

表示为：

其中，f_n为边缘服务器分配给第n个车辆的计算资源，所有选择任务卸载的车辆平分边缘服务器中的计算资源，第n个车辆的卸载总时延

表示为：

第n个车辆的卸载能耗

表示为：

因此，第n个车辆的计算任务的开销ψ_n表示为

考虑动态的车路协同场景，场景中中路段内的车辆不断行驶，因此对车辆移动性约束进行建模。进行任务卸载的车辆必须在驻留时间内上传任务，表示为：

进行任务卸载的车辆必须在停留时间内完成任务卸载，表示为：

进一步地，步骤S2中，所述优化效益指本地计算开销与实际开销之差比上本地计算开销；所述开销指时延或能耗，优化问题等价于时延和能耗之和最小化问题，具体如下：

将时延和能耗进行归一化处理，得到优化效益的表达式，第n个车辆的优化效益U_n表示为：

其中，x_n为任务卸载决策变量，若第n个车辆选择边缘计算任务卸载，则x_n＝1，反之则x_n＝0；

优化问题表示为最大化车路协同系统的总效益：

C6:Pr{γ_n≤γ_th}≤p₀

限制条件C1表示车辆在移动出当前路侧单元RSU通信范围内上传任务；

限制条件C2表示车辆在离开路段最后一个路侧单元RSU通信范围内完成任务卸载；

限制条件C3表示车辆进行0-1二进制卸载，即任务选择本地计算或卸载；

限制条件C4表示车辆与路侧单元RSU通信采用NOMA接入，其中α_n,k表示车辆分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则α_n,k＝1，反之则α_n,k＝0；

限制条件C5表示车辆每个车辆只能被分配到一个NOMA聚簇内；

限制条件C6表示车辆通信的可靠性保证，γ_th为信噪比门限值，p₀为车辆通信最大允许中断概率；

限制条件C7表示车辆天线发射功率不能超过发射功率最大值P_max；

限制条件C8表示车辆分配到的边缘服务器算力大于0；

限制条件C9表示所有车辆分配到的计算资源不能超过边缘服务器的总计算资源F。

进一步地，步骤S3具体如下：

由于原优化问题为混合整数非线性问题，是NP难的，因此对原优化问题进行分解，在多项式时间内求解次优解；

将优化问题进行分解：

其中，X为任务卸载决策矩阵，表示为：

X＝(x₁,…,x_n,…,x_N)；

P为车辆发射功率矩阵，表示为：

P＝(p₁,…,p_n,…,p_N)；

A为NOMA分簇矩阵，

将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题，信道资源分配与功率控制子问题表示为：

C6:Pr{γ_n≤γ_th}≤p₀

任务卸载决策子问题表示为：

进一步地，步骤S4具体如下：

信道资源分配与功率控制子问题表示为：

C6:Pr{γ_n≤γ_th}≤p₀

在卸载决策下，信道资源分配与功率控制子问题由NOMA分簇矩阵A和车辆发射功率矩阵P决定，减小簇内干扰可以优化信道资源分配与功率控制子问题U_n ^*(X)，簇内干扰与同簇内车辆的信道增益相关；

优化信道资源分配与功率控制子问题U_n ^*(X)具体包括以下步骤：

S4.1、假设最佳车辆发射功率矩阵为P*，最佳NOMA分簇矩阵为A*；初始化最佳车辆发射功率矩阵P*为车辆最大发射功率Pmax，初始化分簇个数K_s；

S4.2、求解最佳NOMA分簇矩阵A*进行优化，具体如下：

将每个车辆视为图中的顶点，将不同车辆之间的相互干扰视为图中的边，相互干扰的大小视为图中边的权重，则第n’个车辆对第n个车辆的干扰表示为：

第s个路侧单元RSU的范围有N_s个车辆，将N_s个车辆分成K_s个聚簇，使得每个聚簇内的干扰之和是最小的；这可以转化为最大化K_s边分割问题，采用基于图论的启发式分簇算法进行求解，得到当前最佳NOMA分簇矩阵A*；

S4.3、得到最佳NOMA分簇矩阵A*后，再对最佳车辆发射功率矩阵P*进行优化，具体如下：

根据通信可靠性条件C6，得到车辆发射功率满足：

其中，γ_th为信噪比门限值，p₀为车辆通信最大允许中断概率，将上式结合限制条件C7，得到车辆发射功率的可行域，得到最佳车辆发射功率矩阵P*；

S4.4、判断最佳车辆发射功率矩阵P*中所有车辆的发射功率是否满足可行域要求，若是，则跳至步骤S4.5，否则即表示有任一车辆的发射功率不满足功率可行域，则Ks＝Ks+1，返回步骤S4.2；

S4.5、迭代完成，得出最佳NOMA分簇矩阵A^*和最佳车辆发射功率矩阵P^*。

进一步地，步骤S5中，在求解得到的最佳NOMA分簇矩阵A^*和最佳车辆发射功率矩阵P^*下，任务卸载决策优化子问题表示为：

将任务卸载过程建模为一个完全信息非合作博弈模型，用G＝{N,X,U_n}表示，采用基于博弈论的分布式卸载决策优化算法进行求解，其中，N为车辆总数，X为车辆任务卸载决策集合，U_n为第n个车辆参与博弈的收益。

进一步地，由于任务卸载过程是完全信息非合作博弈，路侧单元RSU会在每个时隙向所有车辆公布信息，第n个车辆可以得知参与博弈的除自己外的其他车辆的卸载决策X_-n，X＝x_n+X_-n；N个车辆分别根据除自己外的其他车辆的卸载决策X_-n制定自身的卸载决策x_n，最终博弈达到纳什均衡，得到最优卸载决策；每个车辆分布式进行卸载决策，目的是使自身优化效益U_n最大化，首先每个车辆根据上个时隙t-1时其他车辆的卸载决策X_-n(t-1)计算自身选择任务卸载的上传时延

和边缘计算时延

判断是否满足车辆移动性要求；

接着对于满足移动性条件的车辆，根据上个时隙t-1时其他车辆的卸载决策X_-n(t-1)，假设当前时隙t车辆进行任务卸载，即x_n(t)＝1，计算当前时隙t车辆进行任务卸载的优化效益U_n，假如优化效益大于0，则当前时隙t车辆选择任务卸载即

反之则选择本地计算，即

具体如下：

若x^* _n(t)≠x_n(t-1)，则车辆向路侧单元RSU发送更新请求，请求更新卸载决策；在每个时隙，所有车辆进行本轮卸载决策完毕后，服务器随机选择一个车辆允许更新，并更新当前时隙t的卸载决策信息，用于下一个时隙；被允许更新决策的车辆更新自己的卸载决策，其他车辆的卸载决策保持不变；最终，当前时隙结束，发送给各个用户用于下个时隙的卸载决策；

当博弈达到纳什均衡时，即根据除自己外的其他车辆的卸载决策X_-n，没有车辆再改变自身卸载决策x_n，此时服务器不再收到更新请求；至此服务器向所有车辆下发博弈终止信令，得到最优卸载决策集合X^*。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明公开的一种车路协同系统中融合NOMA的动态任务卸载方法，解决了车辆移动的动态场景下的任务卸载优化问题，达到了高可靠性、低时延、低能耗的技术效果；

(2)本发明公开的一种车路协同系统中融合NOMA的动态任务卸载方法，考虑了实际场景中车辆的移动性，通过计算车辆驻留时间和停留时间，满足了不同车辆速度下的任务卸载要求；

(3)本发明公开的一种车路协同系统中融合NOMA的动态任务卸载方法，考虑了车联网环境对高通信可靠性的要求，通过车辆通信中断概率的设置，满足了车辆通信可靠性的要求；

(4)本发明公开的一种车路协同系统中融合NOMA的动态任务卸载方法，对比传统算法等任务卸载优化算法，具有分布式并行运算的优点，优化效果更好。

附图说明

图1为本发明实施例中公开的车路协同场景示意图；

图2为本发明实施例中公开的基于移动边缘计算的动态车路协同系统任务卸载方法流程图；

图3为本发明实施例中车辆任务数据量与优化目标关系示意图；

图4为本发明实施例中车辆任务复杂度与优化目标关系示意图；

图5为本发明实施例中边缘服务器计算资源与优化目标关系示意图；

图6为本发明实施例中车辆通信中断概率与优化目标关系示意图；

图7为本发明实施例中车辆速度与优化目标关系示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1：

本实施例中，如图1所示，应用场景为2km的单向三车道路段，路段上有不断行驶的车辆，路侧等距装配4个RSU边缘服务器，每个路侧单元RSU与车辆的通信采用非正交多址接入NOMA，通信覆盖范围为500m路段，路侧单元RSU之间计算资源共享，配有SDN控制器统一管理，每个车辆都有一个计算任务，可以选择本地计算或者上传到路侧单元RSU进行任务卸载，车辆只能与当前路段内的路侧单元RSU进行无线通信，由于采用NOMA通信，接入同一路侧单元RSU的车辆间互相造成通信干扰。

一种车路协同系统中融合NOMA的动态任务卸载方法，如图2所示，包括以下步骤：

S1、构建动态的车路协同场景，如图1所示；

所述动态的车路协同场景为配有路侧单元RSU的路段，路段上有不断行驶的车辆；

路段上车辆的计算任务由本地计算或者进行任务卸载实现；

车路协同场景考虑车辆移动性，在任务卸载过程中车辆持续动态移动，同时每个路侧单元RSU与车辆进行NOMA通信，根据通信可靠性要求进行动态NOMA分簇，保证通信可靠性的同时提升频带利用率。

建立动态车路协同系统模型，具体如下：

考虑如下的物理场景，N个车辆行驶在车路协同系统的路段上，路段为单向三车道，道路旁装有S个路侧单元RSU；车辆集合为

N为车辆总数，路侧单元RSU集合为

S为路侧单元RSU总数，路段总长度为L，第s个路侧单元RSU覆盖的路段的长度为L_s，以第一车道的起始线上距离第二车道的最远端位置为原点，以三车道的起始线为y轴，以第一车道距离第二车道的最远平行线为x轴，建立几何坐标系；因此第n个车辆的位置可以表示为(x_n,y_n)，其中x_n表示车辆在x轴的位置，y_n表示车辆在y轴的位置，第n个车辆的所在位置对应的路侧单元RSU用s_n表示，第n个车辆的速度为v_n，s＝1～S，n＝1～N；

第n个车辆的发射功率为p_n，第n个车辆的计算任务Tn，用二元组表示为：

T_n＝{D_n,C_n}；

其中，D_n为第n个车辆的计算任务的数据量，C_n为第n个车辆的计算任务的计算复杂度；

定义车路协同系统中车辆驻留时间和车辆离开时间，车辆驻留时间指车辆行驶出当前路侧单元RSU覆盖范围的时间，车辆离开时间指车辆行驶出最后一个路侧单元RSU覆盖范围的时间；第n个车辆的车辆驻留时间

表示为：

第n个车辆的车辆离开时间

表示为：

建立车辆与路侧单元RSU的通信模型，其中通信模型采用非正交多址接入NOMA，具体如下：

车路协同系统采用NOMA方式提高频带利用率；每个路侧单元RSU将接入车辆划分为多个NOMA聚簇；由于NOMA接入方式复用了通信信道，同一个NOMA聚簇内的车辆相互之间造成干扰；第s个路侧单元RSU将接入车辆划分为K_s个聚簇，车路协同系统的总聚簇数量K表示为：

K个NOMA聚簇的集合表示为

每个NOMA聚簇内车辆数目不固定，用N_k表示，由通信可靠性决定，取决于通信中断概率p₀和信噪比阈值γ_th；

车路协同系统的总带宽为W，每个聚簇分配到一个带宽为W/K的正交子载波；

为了使NOMA分簇和信道资源分配的过程更加清晰，定义NOMA分簇矩阵A如下：

其中，a_n,k表示一位二进制的NOMA分簇变量，a_n,k＝1表示第n个车辆被分配到第k个NOMA聚簇内，反之a_n,k＝0，n＝1～N，k＝1～K；

第n个车辆与所在范围内的路侧单元RSU通信的信道增益h_n考虑大尺度和小尺度衰落，表示为：

其中，A为路径衰落参数；μ_n为第n个车辆的小规模衰落系数，服从均值为1的独立复指数分布，并采用瑞利衰落进行仿真；β_n为第n个车辆的阴影衰落，服从具有标准偏差的对数正态分布；L_n表示第n个车辆与所在范围内的路侧单元RSU的距离，γ为衰减指数；

同一NOMA聚簇内车辆互相干扰，第n个车辆在第k个NOMA聚簇中受到同个聚簇内其他车辆的干扰之和表示为：

第n个车辆与所在范围内的路侧单元RSU的信噪比表示为

其中，σ²为噪声功率，α_n,k为分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则α_n,k＝1，反之则α_n,k＝0；

第n个车辆的传输速率R_n表示为：

R_n＝B log₂(1+γ_n)；

其中，B＝W/K为分给每个NOMA聚簇的子带宽。

进一步地，第n个车辆的本地时延

表示为：

第n个车辆的本地能耗

表示为：

其中，

为第n个车辆的本地计算速率，κ为车辆芯片能耗系数；

若第n个车辆选择任务卸载，则第n个车辆的信噪比为：

根据香农公式，第n个车辆的传输速率R_n为：

则第n个车辆的卸载上传时延

表示为：

第n个车辆的卸载计算时延

表示为：

其中，f_n为边缘服务器分配给第n个车辆的计算资源，所有选择任务卸载的车辆平分边缘服务器中的计算资源，第n个车辆的卸载总时延

表示为：

第n个车辆的卸载能耗

表示为：

因此，第n个车辆的计算任务的开销ψ_n表示为

考虑动态的车路协同场景，场景中中路段内的车辆不断行驶，因此对车辆移动性约束进行建模。进行任务卸载的车辆必须在驻留时间内上传任务，表示为：

进行任务卸载的车辆必须在停留时间内完成任务卸载，表示为：

S2、将优化问题建模为时延和能耗优化效益之和最大化问题；

传统方法在本领域应用中，直接将时延和能耗之和最小化作为优化目标，由于时延和能耗单位量级不同，会导致时延最小化的同时能耗没有达到最小化，或者能耗达到最小化的同时时延没有达到最小化。因此本实施例中，针对时延和能耗的单位进行归一化处理，并以减少量与原本量的比值保证时延达到最小化的同时，能耗也达到最小化。

由于每个RSU与覆盖范围内的车辆通信采用NOMA接入方式，同一个NOMA聚簇内的车辆互相造成通信干扰，引入通信中断概率门限和车辆发射功率控制，保障车辆与RSU之间的通信可靠性，由于车辆具有移动性，进行任务卸载的车辆需要在驻留时间内上传任务，以及在离开时间内完成任务卸载，从而满足车辆移动性要求。

所述优化效益指本地计算开销与实际开销之差比上本地计算开销；所述开销指时延或能耗，优化问题等价于时延和能耗之和最小化问题，具体如下：

将时延和能耗进行归一化处理，得到优化效益的表达式，第n个车辆的优化效益U_n表示为：

其中，x_n为任务卸载决策变量，若第n个车辆选择边缘计算任务卸载，则x_n＝1，反之则x_n＝0；

优化问题表示为最大化车路协同系统的总效益：

C6:Pr{γ_n≤γ_th}≤p₀

限制条件C1表示车辆在移动出当前路侧单元RSU通信范围内上传任务；

限制条件C2表示车辆在离开路段最后一个路侧单元RSU通信范围内完成任务卸载；

限制条件C3表示车辆进行0-1二进制卸载，即任务选择本地计算或卸载；

限制条件C4表示车辆与路侧单元RSU通信采用NOMA接入，其中α_n,k表示车辆分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则α_n,k＝1，反之则α_n,k＝0；

限制条件C5表示车辆每个车辆只能被分配到一个NOMA聚簇内；

限制条件C6表示车辆通信的可靠性保证，γ_th为信噪比门限值，p₀为车辆通信最大允许中断概率；

限制条件C7表示车辆天线发射功率不能超过发射功率最大值P_max；

限制条件C8表示车辆分配到的边缘服务器算力大于0；

限制条件C9表示所有车辆分配到的计算资源不能超过边缘服务器的总计算资源F。

S3、将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题进行求解；

传统方法在本领域应用中，针对时延和能耗最小化问题直接采用时间复杂度高的启发式算法对混合整数非线性问题进行求解，而在实施例中，充分利用分簇与功率优化子问题和任务卸载决策优化子问题相互独立的特性，将优化问题分解为两个子优化问题：分簇与功率优化子问题和任务卸载决策优化子问题，降低了算法复杂度，具体如下：

优化效益中任务卸载策略x_n和分簇变量a_n,k是一个0-1变量，车辆发射功率p_n和服务器分配算力f_n是连续变量，因此原优化问题为混合整数非线性规划问题，是NP难问题，因此对原优化问题进行分解，在多项式时间内求解次优解；

将优化问题进行分解：

其中，X为任务卸载决策矩阵，表示为：

X＝(x₁,…,x_n,…,x_N)；

P为车辆发射功率矩阵，表示为：

P＝(p₁,…,p_n,…,p_N)；

A为NOMA分簇矩阵，

将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题，信道资源分配与功率控制子问题表示为：

C6:Pr{γ_n≤γ_th}≤p₀

任务卸载决策子问题表示为：

S4、优化信道资源分配与车辆发射功率，进行动态NOMA分簇，簇内车辆数不固定，在满足通信可靠性的要求下最大化频带利用率，采用基于图论的启发式算法，求解信道资源分配与功率控制子问题，具体如下：

信道资源分配与功率控制子问题表示为：

C6:Pr{γ_n≤γ_th}≤p₀

在卸载决策下，信道资源分配与功率控制子问题由NOMA分簇矩阵A和车辆发射功率矩阵P决定，减小簇内干扰可以优化信道资源分配与功率控制子问题U_n ^*(X)，簇内干扰与同簇内车辆的信道增益相关；

优化信道资源分配与功率控制子问题U_n ^*(X)具体包括以下步骤：

S4.1、假设最佳车辆发射功率矩阵为P*，最佳NOMA分簇矩阵为A*；初始化最佳车辆发射功率矩阵P*为车辆最大发射功率Pmax，初始化分簇个数K_s；

S4.2、求解最佳NOMA分簇矩阵A*进行优化，具体如下：

将每个车辆视为图中的顶点，将不同车辆之间的相互干扰视为图中的边，相互干扰的大小视为图中边的权重，则第n’个车辆对第n个车辆的干扰表示为：

第s个路侧单元RSU的范围有N_s个车辆，将N_s个车辆分成K_s个聚簇，使得每个聚簇内的干扰之和是最小的；这可以转化为最大化K_s边分割问题，采用基于图论的启发式分簇算法进行求解，得到当前最佳NOMA分簇矩阵A*；

S4.3、得到最佳NOMA分簇矩阵A*后，再对最佳车辆发射功率矩阵P*进行优化，具体如下：

根据通信可靠性条件C6，得到车辆发射功率满足：

其中，γ_th为信噪比门限值，p₀为车辆通信最大允许中断概率，将上式结合限制条件C7，得到车辆发射功率的可行域，得到最佳车辆发射功率矩阵P*；

S4.4、判断最佳车辆发射功率矩阵P*中所有车辆的发射功率是否满足可行域要求，若是，则跳至步骤S4.5，否则即表示有任一车辆的发射功率不满足功率可行域，则Ks＝Ks+1，返回步骤S4.2；

S4.5、迭代完成，得出最佳NOMA分簇矩阵A^*和最佳车辆发射功率矩阵P^*。

S5、优化任务卸载决策，进行动态场景下的任务卸载决策，场景中车辆持续行驶，在满足车辆移动性的要求下，采用基于博弈论的启发式算法，求解任务卸载决策优化子问题；

在求解得到的最佳NOMA分簇矩阵A^*和最佳车辆发射功率矩阵P^*下，任务卸载决策优化子问题表示为：

将任务卸载过程建模为一个完全信息非合作博弈模型，用G＝{N,X,U_n}表示，采用基于博弈论的分布式卸载决策优化算法进行求解，其中，N为车辆总数，X为车辆任务卸载决策集合，U_n为第n个车辆参与博弈的收益。

由于任务卸载过程是完全信息非合作博弈，路侧单元RSU会在每个时隙向所有车辆公布信息，第n个车辆可以得知参与博弈的除自己外的其他车辆的卸载决策X_-n，X＝x_n+X_-n；N个车辆分别根据除自己外的其他车辆的卸载决策X_-n制定自身的卸载决策x_n，最终博弈达到纳什均衡，得到最优卸载决策；每个车辆分布式进行卸载决策，目的是使自身优化效益U_n最大化，首先每个车辆根据上个时隙t-1时其他车辆的卸载决策X_-n(t-1)计算自身选择任务卸载的上传时延

和边缘计算时延

判断是否满足车辆移动性要求；

接着对于满足移动性条件的车辆，根据上个时隙t-1时其他车辆的卸载决策X_-n(t-1)，假设当前时隙t车辆进行任务卸载，即x_n(t)＝1，计算当前时隙t车辆进行任务卸载的优化效益U_n，假如优化效益大于0，则当前时隙t车辆选择任务卸载即

反之则选择本地计算，即

具体如下：

若x^* _n(t)≠x_n(t-1)，则车辆向路侧单元RSU发送更新请求，请求更新卸载决策；在每个时隙，所有车辆进行本轮卸载决策完毕后，服务器随机选择一个车辆允许更新，并更新当前时隙t的卸载决策信息，用于下一个时隙；被允许更新决策的车辆更新自己的卸载决策，其他车辆的卸载决策保持不变；最终，当前时隙结束，发送给各个用户用于下个时隙的卸载决策；

当博弈达到纳什均衡时，即根据除自己外的其他车辆的卸载决策X_-n，没有车辆再改变自身卸载决策x_n，此时服务器不再收到更新请求；至此服务器向所有车辆下发博弈终止信令，得到最优卸载决策集合X^*。

S6、在满足车辆移动性和车辆通信可靠性的条件下，降低车辆完成任务的平均开销。

表1.仿真参数设置表

系统带宽B	10MHz
		车辆算力f<sub>n</sub>	[0.8,1.2]Gcycles
服务器算力f<sub>s</sub>	60Gcycles
		芯片能耗系数k	5×10<sup>-27</sup>
车辆通信SINR阈值γth	-10dB
		白噪声功率N<sub>0</sub>	-100dbm
车辆最大发射功率P<sub>max</sub>	20dbm
		车道数	3
车道宽度	4m
		路段长度	2000m
路段RSU个数	4
		RSU覆盖范围半径	250m
信道模型	3GPP TR 36.885
		最大通信中断概率P<sub>0</sub>	0.01
车辆速度	80km/h

本实施例中，图3、图4、图5为本发明与固定NOMA分簇的对比算法1、使用OFDMA通信方式的对比算法2、所有车辆进行本地计算的方法三种对比算法进行比较的示意图。

图3为车辆任务数据量与车辆平均开销的关系图。由图可知，随着车辆任务的数据量增加，本地计算的平均开销与任务数据量无关，保持不变，其他三种算法的车辆平均开销增加。同时，所提方法相比对比算法1和对比算法2的平均开销更小，优化效果更佳。

图4为车辆任务复杂度与车辆平均开销的关系图。由图可知，车辆任务的复杂度越大，车辆平均开销越大。同时，所提方法相比对比算法1、对比算法2和本地计算，平均开销更小，优化效果更佳。

图5为服务器算力资源与车辆平均开销的关系图。由图可知，随着服务器算力资源增加，本地计算的平均开销与服务器算力无关，保持不变，其他三种算法的平均开销减少。同时，所提方法相比对比算法1和对比算法2的平均开销更小，优化效果更佳。

实施例2：

本实施例中，图6为车辆通信中断概率P0与系统优化效益和卸载车辆数比重的关系图。由图可知，P0较小时，随着车辆通信中断概率P0增加，优化效益和卸载车辆数比重增加。当P0增加到0.02左右后，优化效益基本稳定不变。与现有技术对比，现有技术没有考虑中断概率对优化效益的影响。而由图6可以看到本方法在提升车路协同系统优化效益的同时，满足不同车辆通信中断概率，从而保证了车辆通信可靠性。

实施例3：

本实施例中，图7为车辆行驶速度与系统优化效益和卸载车辆数比重的关系图。由图可知，随着车辆行驶速度增加，路段上的车辆数增加，优化效益和卸载车辆数比重也增加。当车速较低时，受限于有限的服务器算力，车辆在高密度环境下选择卸载的比重较小，当车速增加到100km/h左右后，车辆在低密度环境下选择卸载的比重较高，优化效益较大。与现有技术对比，现有技术没有考虑车辆速度，本方法为考虑车辆速度的动态场景，更符合实际场景。并且，由图7可以看到本方法在不同车速环境下都能提升车路协同系统优化效益，从而保证了车联网服务质量。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，包括以下步骤：

S1、构建动态的车路协同场景；

S2、将优化问题建模为时延和能耗优化效益之和最大化问题；

S3、将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题进行求解；

S4、优化信道资源分配与车辆发射功率，进行动态NOMA分簇，在满足通信可靠性的要求下最大化频带利用率，采用基于图论的启发式算法，求解信道资源分配与功率控制子问题；

S5、优化任务卸载决策，进行动态场景下的任务卸载决策，场景中车辆持续行驶，在满足车辆移动性的要求下，采用基于博弈论的启发式算法，求解任务卸载决策优化子问题。

2.根据权利要求1所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S1中，所述动态的车路协同场景为配有路侧单元RSU的路段，路段上有不断行驶的车辆；

路段上车辆的计算任务由本地计算或者进行任务卸载实现；

车路协同场景考虑车辆移动性，在任务卸载过程中车辆持续动态移动，同时每个路侧单元RSU与车辆进行NOMA通信，根据通信可靠性要求进行动态NOMA分簇，保证通信可靠性的同时提升频带利用率。

3.根据权利要求2所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S1中，建立动态车路协同系统模型，具体如下：

考虑如下的物理场景，N个车辆行驶在车路协同系统的路段上，路段为单向三车道，道路旁装有S个路侧单元RSU；车辆集合为

N为车辆总数，路侧单元RSU集合为

S为路侧单元RSU总数，路段总长度为L，第s个路侧单元RSU覆盖的路段的长度为L_s，以第一车道的起始线上距离第二车道的最远端位置为原点，以三车道的起始线为y轴，以第一车道距离第二车道的最远平行线为x轴，建立几何坐标系；因此第n个车辆的位置可以表示为(x_n,y_n)，其中x_n表示车辆在x轴的位置，y_n表示车辆在y轴的位置，第n个车辆的所在位置对应的路侧单元RSU用s_n表示，第n个车辆的速度为v_n，s＝1～S，n＝1～N；

第n个车辆的发射功率为p_n，第n个车辆的计算任务Tn，用二元组表示为：

T_n＝{D_n,C_n}；

其中，D_n为第n个车辆的计算任务的数据量，C_n为第n个车辆的计算任务的计算复杂度；

定义车路协同系统中车辆驻留时间和车辆离开时间，车辆驻留时间指车辆行驶出当前路侧单元RSU覆盖范围的时间，车辆离开时间指车辆行驶出最后一个路侧单元RSU覆盖范围的时间；第n个车辆的车辆驻留时间

表示为：

第n个车辆的车辆离开时间

表示为：

4.根据权利要求3所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S1中，建立车辆与路侧单元RSU的通信模型，其中通信模型采用非正交多址接入NOMA，具体如下：

车路协同系统采用NOMA方式提高频带利用率；每个路侧单元RSU将接入车辆划分为多个NOMA聚簇；由于NOMA接入方式复用了通信信道，同一个NOMA聚簇内的车辆相互之间造成干扰；第s个路侧单元RSU将接入车辆划分为K_s个聚簇，车路协同系统的总聚簇数量K表示为：

K个NOMA聚簇的集合表示为

每个NOMA聚簇内车辆数目不固定，用N_k表示，由通信可靠性决定，取决于通信中断概率p₀和信噪比阈值γ_th；

车路协同系统的总带宽为W，每个聚簇分配到一个带宽为W/K的正交子载波；

定义NOMA分簇矩阵A如下：

其中，a_n,k表示一位二进制的NOMA分簇变量，a_n,k＝1表示第n个车辆被分配到第k个NOMA聚簇内，反之a_n,k＝0，n＝1～N，k＝1～K；

第n个车辆与所在范围内的路侧单元RSU通信的信道增益h_n考虑大尺度和小尺度衰落，表示为：

其中，A为路径衰落参数；μ_n为第n个车辆的小规模衰落系数，服从均值为1的独立复指数分布，并采用瑞利衰落进行仿真；β_n为第n个车辆的阴影衰落，服从具有标准偏差的对数正态分布；L_n表示第n个车辆与所在范围内的路侧单元RSU的距离，γ为衰减指数；

同一聚簇内车辆互相干扰，第n个车辆在第k个聚簇中受到同个聚簇其他车辆的干扰之和

表示为：

第n个车辆与所在范围内的路侧单元RSU的信噪比表示为

其中，σ²为噪声功率，α_n,k为分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则α_n,k＝1，反之则α_n,k＝0；

第n个车辆的传输速率R_n表示为：

R_n＝Blog₂(1+γ_n)；

其中，B＝W/K为分给每个NOMA聚簇的子带宽。

5.根据权利要求4所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，第n个车辆的本地时延

表示为：

第n个车辆的本地能耗

表示为：

其中，

为第n个车辆的本地计算速率，κ为车辆芯片能耗系数；

若第n个车辆选择任务卸载，则第n个车辆的信噪比为：

根据香农公式，第n个车辆的传输速率R_n为：

则第n个车辆的卸载上传时延

表示为：

第n个车辆的卸载计算时延

表示为：

其中，f_n为边缘服务器分配给第n个车辆的计算资源，所有选择任务卸载的车辆平分边缘服务器中的计算资源，第n个车辆的卸载总时延

表示为：

第n个车辆的卸载能耗

表示为：

因此，第n个车辆的计算任务的开销ψ_n表示为

考虑动态的车路协同场景，场景中中路段内的车辆不断行驶，因此对车辆移动性约束进行建模。进行任务卸载的车辆必须在驻留时间内上传任务，表示为：

进行任务卸载的车辆必须在停留时间内完成任务卸载，表示为：

6.根据权利要求1～5任一项所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S2中，所述优化效益指本地计算开销与实际开销之差比上本地计算开销；所述开销指时延或能耗，优化问题等价于时延和能耗之和最小化问题，具体如下：

将时延和能耗进行归一化处理，得到优化效益的表达式，第n个车辆的优化效益U_n表示为：

其中，x_n为任务卸载决策变量，若第n个车辆选择边缘计算任务卸载，则x_n＝1，反之则x_n＝0；

优化问题表示为最大化车路协同系统的总效益：

s.t.C1:

C2:

C3:

C4:

C5:

C6:Pr{γ_n≤γ_th}≤p₀

C7:

C8:

C9:

限制条件C1表示车辆在移动出当前路侧单元RSU通信范围内上传任务；

限制条件C2表示车辆在离开路段最后一个路侧单元RSU通信范围内完成任务卸载；

限制条件C3表示车辆进行0-1二进制卸载，即任务选择本地计算或卸载；

限制条件C4表示车辆与路侧单元RSU通信采用NOMA接入，其中α_n,k表示车辆分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则α_n,k＝1，反之则α_n,k＝0；

限制条件C5表示车辆每个车辆只能被分配到一个NOMA聚簇内；

限制条件C6表示车辆通信的可靠性保证，γ_th为信噪比门限值，p₀为车辆通信最大允许中断概率；

限制条件C7表示车辆天线发射功率不能超过发射功率最大值P_max；

限制条件C8表示车辆分配到的边缘服务器算力大于0；

限制条件C9表示所有车辆分配到的计算资源不能超过边缘服务器的总计算资源F。

7.根据权利要求6所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S3具体如下：

由于原优化问题为混合整数非线性问题，是NP难的，因此对原优化问题进行分解，在多项式时间内求解次优解；

将优化问题进行分解：

其中，X为任务卸载决策矩阵，表示为：

X＝(x₁,…,x_n,…,x_N)；

P为车辆发射功率矩阵，表示为：

P＝(p₁,…,p_n,…,p_N)；

A为NOMA分簇矩阵，

将优化问题分解为信道资源分配与功率控制子问题和任务卸载决策优化子问题，信道资源分配与功率控制子问题表示为：

s.t.C4:

C5:

C6:Pr{γ_n≤γ_th}≤p₀

C7:

C8:

C9:

任务卸载决策子问题表示为：

s.t.C1:

C2:

C3:

。

8.根据权利要求7所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S4具体如下：

信道资源分配与功率控制子问题表示为：

s.t.C4:

C5:

C6:

C7:

C8:

C9:

在卸载决策下，信道资源分配与功率控制子问题由NOMA分簇矩阵A和车辆发射功率矩阵P决定，减小簇内干扰可以优化信道资源分配与功率控制子问题U_n ^*(X)，簇内干扰与同簇内车辆的信道增益相关；

优化信道资源分配与功率控制子问题U_n ^*(X)具体包括以下步骤：

S4.1、假设最佳车辆发射功率矩阵为P*，最佳NOMA分簇矩阵为A*；初始化最佳车辆发射功率矩阵P*为车辆最大发射功率Pmax，初始化分簇个数K_s；

S4.2、求解最佳NOMA分簇矩阵A*进行优化，具体如下：

将每个车辆视为图中的顶点，将不同车辆之间的相互干扰视为图中的边，相互干扰的大小视为图中边的权重，则第n’个车辆对第n个车辆的干扰表示为：

第s个路侧单元RSU的范围有N_s个车辆，将N_s个车辆分成K_s个NOMA聚簇，使得每个NOMA聚簇内的干扰之和是最小的；这可以转化为最大化K_s边分割问题，采用基于图论的启发式分簇算法进行求解，得到当前最佳NOMA分簇矩阵A*；

S4.3、得到最佳NOMA分簇矩阵A*后，再对最佳车辆发射功率矩阵P*进行优化，具体如下：

根据通信可靠性条件C6，得到车辆发射功率满足：

其中，γ_th为信噪比门限值，p₀为车辆通信最大允许中断概率，将上式结合限制条件C7，得到车辆发射功率的可行域，得到最佳车辆发射功率矩阵P*；

S4.4、判断最佳车辆发射功率矩阵P*中所有车辆的发射功率是否满足可行域要求，若是，则跳至步骤S4.5，否则即表示有任一车辆的发射功率不满足功率可行域，则Ks＝Ks+1，返回步骤S4.2；

S4.5、迭代完成，得出最佳NOMA分簇矩阵A^*和最佳车辆发射功率矩阵P^*。

9.根据权利要求8所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，步骤S5中，在求解得到的最佳NOMA分簇矩阵A^*和最佳车辆发射功率矩阵P^*下，任务卸载决策优化子问题表示为：

s.t.C1:

C2:

C3:

将任务卸载过程建模为一个完全信息非合作博弈模型，用G＝{N,X,U_n}表示，采用基于博弈论的分布式卸载决策优化算法进行求解，其中，N为车辆总数，X为车辆任务卸载决策集合，U_n为第n个车辆参与博弈的收益。

10.根据权利要求9所述的一种车路协同系统中融合NOMA的动态任务卸载方法，其特征在于，由于任务卸载过程是完全信息非合作博弈，路侧单元RSU会在每个时隙向所有车辆公布信息，第n个车辆可以得知参与博弈的除自己外的其他车辆的卸载决策X_-n，X＝x_n+X_-n；N个车辆分别根据除自己外的其他车辆的卸载决策X_-n制定自身的卸载决策x_n，最终博弈达到纳什均衡，得到最优卸载决策；每个车辆分布式进行卸载决策，目的是使自身优化效益U_n最大化，首先每个车辆根据上个时隙t-1时其他车辆的卸载决策X_-n(t-1)计算自身选择任务卸载的上传时延

和边缘计算时延

判断是否满足车辆移动性要求；

接着对于满足移动性条件的车辆，根据上个时隙t-1时其他车辆的卸载决策X_-n(t-1)，假设当前时隙t车辆进行任务卸载，即x_n(t)＝1，计算当前时隙t车辆进行任务卸载的优化效益U_n，假如优化效益大于0，则当前时隙t车辆选择任务卸载即

反之则选择本地计算，即

具体如下：

若x^* _n(t)≠x_n(t-1)，则车辆向路侧单元RSU发送更新请求，请求更新卸载决策；在每个时隙，所有车辆进行本轮卸载决策完毕后，服务器随机选择一个车辆允许更新，并更新当前时隙t的卸载决策信息，用于下一个时隙；被允许更新决策的车辆更新自己的卸载决策，其他车辆的卸载决策保持不变；最终，当前时隙结束，发送给各个用户用于下个时隙的卸载决策；

当博弈达到纳什均衡时，即根据除自己外的其他车辆的卸载决策X_-n，没有车辆再改变自身卸载决策x_n，此时服务器不再收到更新请求；至此服务器向所有车辆下发博弈终止信令，得到最优卸载决策集合X^*。

Images