CN114973673B - 车路协同系统中结合noma和内容缓存的任务卸载方法 - Google Patents

车路协同系统中结合noma和内容缓存的任务卸载方法 Download PDF

Info

Publication number
CN114973673B
CN114973673B CN202210571307.1A CN202210571307A CN114973673B CN 114973673 B CN114973673 B CN 114973673B CN 202210571307 A CN202210571307 A CN 202210571307A CN 114973673 B CN114973673 B CN 114973673B
Authority
CN
China
Prior art keywords
vehicle
task
noma
nth
rsu
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
CN202210571307.1A
Other languages
English (en)
Other versions
CN114973673A (zh
Inventor
胡斌杰
方越
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210571307.1A priority Critical patent/CN114973673B/zh
Publication of CN114973673A publication Critical patent/CN114973673A/zh
Application granted granted Critical
Publication of CN114973673B publication Critical patent/CN114973673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车路协同系统中结合NOMA和内容缓存的任务卸载方法，具体步骤如下：建立移动车辆与路侧单元RSU通信的动态场景；建立车辆任务计算时延和能耗效益之和最大化的优化目标；将原问题分解为车辆分簇与发射功率优化子问题和卸载决策与缓存策略优化子问题；优化车辆分簇与车辆发射功率，在通信可靠性的约束下进行车辆分簇，采用基于图论的启发式算法，求解车辆分簇与发射功率优化子问题；优化任务卸载决策与缓存策略，进行动态场景的卸载决策与缓存策略联合优化，求解卸载决策与缓存策略优化子问题；最终实现车辆任务开销最小，系统优化效益最大化。本发明具有实际场景的适用性，并且相较于传统任务卸载方法的优化效果更好。

Description

车路协同系统中结合NOMA和内容缓存的任务卸载方法
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结合NOMA和内容缓存的任务卸载方法。
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。
现有技术一种车联网中车辆任务卸载方法及装置(202110915535.1)有以下不足：
1.没有考虑车辆移动性，本方法考虑车辆在任务卸载过程中持续移动的动态场景，更符合实际场景。
2.没有考虑车联网环境下对通信可靠性的要求。本方法引入通信中断概率p0和信噪比阈值γth，满足车联网对车辆通信可靠性的要求。
3.使用正交频分多址接入(OFDMA)，信道资源利用率低，本方法使用非正交多址接入(NOMA)，提升了频带利用率从而提升优化效果。
4.没有结合内容缓存技术。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种车路协同系统中结合NOMA和内容缓存的任务卸载方法，本方法通过结合内容缓存技术提升了车路协同系统的优化效益。
为了达到上述目的，本发明采用以下技术方案：
车路协同系统中结合NOMA和内容缓存的任务卸载方法，包括以下步骤：
S1、根据动态的车路协同场景，建立动态车路协同系统模型；
S2、将优化问题建模为任务时延和任务能耗优化效益之和最大化问题；
S3、将优化问题分解为NOMA车辆分簇与发射功率优化子问题、卸载决策与缓存策略优化子问题进行求解；
S4、求解车辆分簇与发射功率优化子问题，得到最佳车辆发射功率；
S5、优化卸载决策与缓存策略，求解卸载决策与缓存策略优化子问题，得到最优的卸载策略和服务器缓存策略。
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在本地计算或者通过任务卸载进行计算；
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车辆分簇，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：
设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Ls，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；第n个车辆的位置表示为(in,jn)，其中in表示车辆在x轴的位置，jn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sn表示，第n个车辆的速度为vn，s＝1～S，n＝1～N；
构建如下的任务模型，具体包括以下步骤：
首先，道路上的车辆向RSU上传任务类型标志消息，RSU收集所有车辆的任务类型进行排序；
其次，RSU结合车辆卸载决策、NOMA车辆分簇和发射功率信息，对收集到的车辆任务类型进行缓存策略优化，从而确定在有限资源下缓存哪些车辆任务；
最后，待RSU确定缓存策略后，若该任务已被缓存，则RSU通知车辆无需再上传已缓存任务，RSU直接进行边缘计算并将任务结果回传给车辆；
RSU缓存策略同时考虑任务流行度、缓存容量限制和任务数据量因素，以任务被请求的概率作为任务流行度，采用Zipf模型进行车辆任务的流行度建模；车辆任务类型按任务被请求频率降序排列，记为任务类型集合其中T为任务类型总数，记任务类型为t的车辆任务流行度为pt，表示为：
其中ε为流行度偏差系数，定义缓存策略矩阵来记录所有车辆任务的缓存情况，记为B＝(β1,β2,...,βn)，其中βn为0-1二进制的缓存决策指示变量，车辆n的任务已被服务器缓存则βn＝1，反之则βn＝0；当车辆n的任务被缓存时，无需上传任务且忽略结果回传时延，车辆n选择RSU任务卸载的总时延仅有边缘计算时延；
每个车辆都有待计算的车载任务Fn，选择本地计算或者卸载至RSU进行边缘计算，定义三元组Fn＝{Dn,Cn,Zn}代表车辆n的任务，其中Dn为任务输入数据量，Cn为任务复杂度，即完成任务所需的CPU周期数，Zn为任务类型，即车辆任务Fn对应任务集合中的哪个任务；
定义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：
其中Lm表示第m个RSU通信覆盖的路段范围；
第n个车辆的车辆离开时间表示为：
进一步地，步骤S1中包括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将接入的车辆划分为多个NOMA聚簇；第s个路侧单元RSU将接入车辆划分为Ks个聚簇，车总聚簇数量K表示为：
其中表示路侧单元RSU集合，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Nk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γth；
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，an,k表示一位二进制的NOMA分簇变量，an,k＝1表示第n个车辆被分配到第k个NOMA聚簇内，反之an,k＝0，n＝1～N，k＝1～K；N为车辆总数；
第n个车辆与所在范围内的路侧单元RSU通信的信道增益hn考虑大尺度和小尺度衰落，表示为：
其中，η为路径衰落参数；μn为第n个车辆的衰落系数，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；βn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；Ln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：
其中，表示车辆集合，/>表示NOMA聚簇的集合，αn',k为第n’个车辆的NOMA分簇变量，pn'为第n’个车辆的发射功率，hn'表示第n’个车辆的信道增益；
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，αn,k为分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则αn,k＝1，反之则αn,k＝0；
第n个车辆的传输速率Rn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，车辆选择本地计算任务或RSU任务卸载，其中RSU任务卸载分为卸载已缓存任务和卸载未缓存任务两种情况，上述三种情况下车辆完成任务所需的时延和能耗有所不同；
当车辆n选择本地计算任务时，任务时延和能耗/>分别表示为：
其中к为车辆芯片能耗系数，Cn表示第n个车辆的任务复杂度，表示第n个车辆的本地计算能力；
当车辆n选择RSU任务卸载且任务已被缓存时，RSU直接进行边缘计算，此时车辆n的任务能耗为0，任务时延/>表示为：
表示第n个车辆的边缘计算时延，/>表示第n个车辆分配到的边缘计算能力；
当车辆n选择RSU任务卸载且任务未被缓存时，此时车辆n的任务时延和能耗分别表示为：
其中pn表示车辆发射功率，表示第n个车辆的任务上传时延，Dn表示第n个车辆的任务输入数据量，Rn表示第n个车辆的传输速率；
记车辆n完成应用任务的开销为Ψn，开销Ψn包括任务时延tn和能耗En，结合卸载决策指示变量xn；和缓存策略指示变量βn，可得车辆n完成任务时延tn、任务能耗En和任务开销分别表示如下：
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：
其中为第n个车辆的车辆驻留时间，/>表示车辆集合，/>表示NOMA聚簇的集合；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：
其中为第n个车辆的车辆离开时间。
进一步地，步骤S2中，所述能耗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Vn表示为：
其中，xn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xn＝1，反之则xn＝0；为车辆n选择本地计算任务时的任务时延，/>为车辆n选择RSU任务卸载且任务未被缓存时的任务时延，/>为车辆n选择RSU任务卸载且任务已被缓存时的任务时延；βn为缓存策略指示变量；
P1:
s.t.
第一约束条件C1和第二约束条件C2为车辆移动性约束，第三约束条件C3、第四约束条件C4和第五约束条件C5代表任务卸载决策指示变量xn、车辆分簇指示变量αn,k和缓存策略指示变量βn为0-1二进制的离散整数变量；第六约束条件C6代表每个车辆在NOMA通信中只能被分配到一个聚簇内；第七约束条件C7代表满足通信可靠性约束的车辆发射功率限制，其中为满足可靠性的车辆最小发射功率，/>为车辆最大发射功率；第八约束条件C8代表RSU服务器缓存容量有限，选择缓存的车辆任务数据量不能超出上限，C为服务器缓存容量上限；/>表示车辆集合，/>表示NOMA聚簇的集合，A表示NOMA分簇矩阵，B表示分给每个NOMA聚簇的子带宽，/>为第n个车辆的车辆驻留时间，/>为第n个车辆的车辆离开时间；P为车辆发射功率矩阵，X为任务卸载决策矩阵，pn表示车辆发射功率，P1代表优化问题，s.t.代表优化问题的约束条件，/>表示第n个车辆的任务上传时延，Dn表示第n个车辆的任务输入数据量，Vn表示第n个车辆的优化效益。
进一步地，车辆分簇与发射功率优化子问题记为P1.1，表示如下：
P1.1:
s.t.
其中B表示分给每个NOMA聚簇的子带宽，表示车辆集合，/>表示NOMA聚簇的集合，A表示NOMA分簇矩阵，αn,k表示车辆分簇指示变量，/>为满足可靠性的车辆最小发射功率，/>为车辆最大发射功率，P为车辆发射功率矩阵，X为任务卸载决策矩阵，第一约束条件C1和第二约束条件C2为车辆移动性约束，第三约束条件C3代表任务卸载决策指示变量xn；pn表示车辆发射功率；V*(X,B)为车辆分簇与发射功率分配优化子问题的优化目标，Vn(X0,A,P,B0)为给定卸载决策X0和缓存策略B0下的原优化问题的优化目标，其中X0表示车辆全部本地计算时的卸载决策矩阵，缓存策略B0表示RSU选择0个车辆任务进行缓存的策略矩阵。
进一步地，卸载决策与缓存策略优化子问题记为子问题P1.2，表示如下：
P1.2:
s.t.
其中，B表示分给每个NOMA聚簇的子带宽，表示车辆集合，/>为第n个车辆的车辆驻留时间，/>为第n个车辆的车辆离开时间；第一约束条件C1和第二约束条件C2为车辆移动性约束，第三约束条件C3、第四约束条件C4和第五约束条件C5代表任务卸载决策指示变量xn、车辆分簇指示变量αn,k和缓存策略指示变量βn为0-1二进制的离散整数变量；C为服务器缓存容量上限；P*为最佳车辆发射功率矩阵，A*为最佳NOMA分簇矩阵；pn表示车辆发射功率；V*(X,B)为车辆分簇与发射功率分配优化子问题的优化目标，/>表示第n个车辆的任务上传时延，Dn表示第n个车辆的任务输入数据量，Vn(X,A*,P*,B)为任务卸载决策矩阵X和分给每个NOMA聚簇的子带宽B的原优化问题的优化目标，/>表示车辆进行任务卸载的边缘计算时延；X为任务卸载决策矩阵，表示为：
X＝(x1,…,xn,…,xN)；
车辆发射功率矩阵P表示为：
P＝(p1,…,pn,…,pN)；
其中A为NOMA分簇矩阵，xN表示第N个车辆的卸载决策，pN表示第N个车辆的发射功率。
进一步地，利用图论优化理论，采用基于图论的启发式算法求解求解车辆分簇与发射功率优化子问题。
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，利用粒子群优化理论，采用基于BPSO的启发式算法求解卸载决策与缓存策略优化子问题。
本发明与现有技术相比，具有如下优点和有益效果：
(1)同时关注和研究车路协同系统中的车辆移动性和通信可靠性；
(2)在任务卸载过程中同时结合非正交多址接入技术(Non-Orthogonal MultipleAccess,NOMA)和内容缓存技术；
(3)在NOMA车辆分簇过程中考虑通信干扰对可靠性的影响。
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速度与优化目标关系示意图；
图4为本发明实施例中RSU缓存容量与优化目标关系示意图；
图5为本发明实施例中车辆速度与卸载车辆数比重关系示意图。
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结合NOMA和内容缓存的任务卸载方法，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Ls，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；第n个车辆的位置表示为(in,jn)，其中in表示车辆在x轴的位置，jn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sn表示，第n个车辆的速度为vn，s＝1～S，n＝1～N；
考虑如下的任务模型。RSU配备具有一定缓存容量的缓存服务器，能够将流行度较高的应用任务及其相关数据缓存在边缘端。结合缓存的任务卸载过程如下：首先，道路上的车辆向RSU上传任务类型标志消息，RSU收集所有车辆的任务类型进行排序。其次，RSU结合车辆卸载决策、NOMA车辆分簇和发射功率信息，对收集到的车辆任务类型进行缓存策略优化，从而确定在有限资源下缓存哪些车辆任务。最后，待RSU确定缓存策略后，若该任务已被缓存，则RSU通知车辆无需再上传已缓存任务。RSU直接进行边缘计算并将任务结果回传给车辆。
RSU缓存策略需要同时考虑任务流行度、缓存容量限制和任务数据量等因素。与现有研究相同，本发明以任务被请求的概率作为任务流行度，采用Zipf模型进行车辆任务的流行度建模。车辆任务类型按任务被请求频率降序排列，记为任务类型集合其中T为任务类型总数。记任务类型为t的车辆任务流行度为pt，表示为：
其中ε为流行度偏差系数。为了使制定缓存策略的过程更加清晰，定义缓存策略矩阵来记录所有车辆任务的缓存情况，记为B＝(β1,β2,...,βn)，其中βn为0-1二进制的缓存决策指示变量。车辆n的任务已被服务器缓存则βn＝1，反之则βn＝0。当车辆n的任务被缓存时，由于无需上传任务且忽略结果回传时延，因此车辆选择RSU任务卸载的总时延仅有边缘计算时延。
每个车辆都有一个待计算的车载任务Fn，可以选择本地计算或者卸载至RSU进行边缘计算。定义三元组Fn＝{Dn,Cn,Zn}代表车辆n的任务，其中Dn为任务输入数据量，Cn为任务复杂度，即完成任务所需的CPU周期数，Zn为任务类型，即车辆任务Fn对应任务集合中的哪个任务。
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：
其中Lm表示第m个RSU通信覆盖的路段范围。
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Ks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Nk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γth；
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，an,k表示一位二进制的NOMA分簇变量，an,k＝1表示第n个车辆被分配到第k个NOMA聚簇内，反之an,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hn考虑大尺度和小尺度衰落，表示为：
其中，η为路径衰落参数；μn为第n个车辆的衰落系数，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；βn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；Ln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：
其中，表示车辆集合，/>表示NOMA聚簇的集合，αn',k为第n’个车辆的NOMA分簇变量pn'为第n’个车辆的发射功率，hn'表示第n’个车辆的信道增益；
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，αn,k为分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则αn,k＝1，反之则αn,k＝0；
第n个车辆的传输速率Rn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，车辆可以选择本地计算任务或RSU任务卸载，其中RSU任务卸载又分为卸载已缓存任务和卸载未缓存任务两种情况。上述三种情况下车辆完成任务所需的时延和能耗有所不同。
当车辆n选择本地计算任务时，任务时延和能耗/>分别表示为：
其中к为车辆芯片能耗系数，由车辆配备的车载处理器芯片工艺决定，表示第n个车辆的本地计算能力。
当车辆n选择RSU任务卸载且任务已被缓存时，由于无需重复上传任务，RSU直接进行边缘计算，此时车辆n的任务能耗为0，任务时延/>表示为：
当车辆n选择RSU任务卸载且任务未被缓存时，此时车辆n的任务时延和能耗分别表示为：
表示第n个车辆的边缘计算时延，/>表示第n个车辆分配到的边缘计算能力，表示第n个车辆的任务上传时延，pn表示车辆发射功率；
记车辆n完成应用任务的开销为Ψn，由任务时延tn和能耗En两部分组成。结合卸载决策指示变量xn和缓存策略指示变量βn，可得车辆n完成任务时延tn、任务能耗En和任务开销分别表示如下：
/>
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Vn表示为：
其中，xn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xn＝1，反之则xn＝0；
P1:/>
s.t.
约束条件C1和C2为车辆移动性约束。约束条件C3、C4和C5代表任务卸载决策指示变量xn、车辆分簇指示变量αn,k和缓存策略指示变量βn为0-1二进制的离散整数变量。约束条件C6代表每个车辆在NOMA通信中只能被分配到一个聚簇内。约束条件C7代表满足通信可靠性约束的车辆发射功率限制，其中为满足可靠性的车辆最小发射功率，/>为车辆最大发射功率。约束条件C8代表RSU服务器缓存容量有限，选择缓存的车辆任务数据量不能超出上限，其中C为服务器缓存容量上限。
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：
优化效益中由于问题P1中的卸载决策指示变量xn、车辆分簇指示变量αn,k和缓存策略指示变量βn是相互耦合的0-1二进制离散变量，车辆发射功率pn和服务器分配算力fn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；
将原问题分解为两个子问题，即车辆分簇与发射功率优化子问题和卸载决策与缓存策略优化子问题。
车辆分簇与发射功率优化子问题记为P1.1，表示如下：
P1.1:
s.t.
卸载决策与缓存策略优化子问题记为子问题P1.2，表示如下：
P1.2:
s.t.
其中，X为任务卸载决策矩阵，表示为：
X＝(x1,…,xn,…,xN)；
P为车辆发射功率矩阵，表示为：
P＝(p1,…,pn,…,pN)；
其中A为NOMA分簇矩阵，xN表示第N个车辆的卸载决策，pN表示第N个车辆的发射功率。
S4、求解车辆分簇与发射功率优化子问题，得到最佳车辆发射功率；
S5、优化卸载决策与缓存策略，求解卸载决策与缓存策略优化子问题，得到最优的卸载策略和服务器缓存策略，最终实现车辆任务开销最小，系统优化效益最大化。
实施例2
本实施例使用采用基于图论的启发式算法求解车辆分簇与发射功率优化子问题。优化NOMA车辆分簇与车辆发射功率，进行动态NOMA车辆分簇，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，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Ks；
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Ns个车辆，将Ns个车辆分成Ks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Ks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*；pn'表示第n’个车辆的发射功率，hn'表示第n’个车辆的信道增益。
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，γth为信噪比门限值，p0为车辆通信最大允许中断概率，将上式结合车辆最大发射功率，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*。
实施例3
本实施例使用采用基于BPSO的启发式算法求解卸载决策与缓存策略优化子问题。进行动态场景下的卸载决策与缓存策略优化，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BPSO的启发式算法求解卸载决策与缓存策略优化子问题，包括以下步骤：
S5.1、车路协同系统中的RSU向车辆公布信息，车辆获悉分簇情况和发射功率控制。初始化粒子群模型，假设所有车辆随机进行卸载决策，服务器随机缓存车辆任务。每个粒子代表问题P1.2的一个解集，即粒子的d维位置集合代表车辆卸载决策和RSU缓存策略。初始化粒子群规模Smax以及最大迭代次数gmax。初始化粒子群中每个粒子Si(g)的位置集合/>和速度集合/>分别记为/>和/>初始化个体最优位置/>为si,η(0)；初始化全局最优位置/>为个体最优位置/>中的最优值；
S5.2、计算车辆任务时延、任务能耗以及优化效益，从而确定评估当前的车辆卸载决策和RSU缓存策略。
S5.3、将优化问题P1.2中C1、C2和C5三个约束条件的不等式进行移项变形。
接着在第i个粒子的适应度函数中引入惩罚函数Hj(Si(g))如下：
通过惩罚函数Hj(Si(g))可以判断算法第g次迭代时粒子群的第i个粒子Si(g)是否可行，从而得到可行粒子集合/>和不可行粒子集合/>如下：
同时对于不可行粒子，引入附加启发值φ(Si(g))以保证不可行粒子在当次迭代的适应度小于可行粒子集合的最小适应度，表示为：
/>
其中，V*(Si(g))为优化问题P1.2的优化目标函数，Ffit(g)为第g次迭代时可行粒子集合的最小适应度，表示为：
综上所述，粒子Si(g)的适应度函数表示为：
其中r为惩罚因子，代表惩罚项对适应度函数的影响权重。
根据上式计算每个粒子的适应度F(Si(g))，适应度的大小反映当前粒子的优劣，即当前卸载决策和缓存策略的优劣；
记录当前最优的车辆卸载决策和服务器缓存策略。在粒子群模型中，根据计算得到的粒子适应度，更新每个粒子的个体最优位置以及粒子群的全局最优位置/>
S5.4、更新车辆卸载决策和RSU缓存策略。在粒子群模型中，速度更新公式如下：
其中，i和η分别代表第i个粒子和第η维，ω为惯性权重，δ1和δ2为学习因子，和为[0,1]区间的随机数。/>表示第g次迭代中第i个粒子的个体最优位置。/>表示第g次迭代中粒子群的全局最优位置。d表示优化变量个数。即每个变量都是通过该公式迭代优化的。
记粒子速度vi,η(g)的Sigmoid函数值为sig(vi,η(g))，表示如下：
位置更新公式如下：
其中，rand函数表示一个[0,1]区间的随机数。粒子速度vi,η(g)越大，则粒子位置si,η(g)为1的概率越大；粒子速度vi,η(g)越小，则粒子位置si,η(g)为0的概率越大。
根据速度和位置更新公式，计算每个粒子在下一次迭代中的速度和位置/>
S5.5、检查优化算法的终止条件，判断是否完成卸载决策和缓存策略优化。在粒子群模型中，判断当前迭代次数g是否达到最大迭代次数gmax。如果满足则终止迭代，否则返回步骤S5.2继续迭代优化。
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。
车路协同系统为一个道路总长2km的单向三车道路段，道路旁等间距装有4个配备MEC服务器和缓存服务器的路侧单元RSU。车路协同系统配有SDN控制器。道路上存在一定数量的行驶车辆，服从泊松分布到达过程，车辆密度与车辆行驶速度有关，仿真参数图表1所示。
表1.仿真参数设置
本实施例中，图3为本发明方法与无缓存技术的传统任务卸载方法在不同车辆速度下的车路协同系统优化效益对比。由图可知，所提方法相比无缓存技术的传统任务卸载方法在不同车辆速度下的系统优化效益更大、优化效果更佳。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。
图4为本发明方法与全局粒子群方法即全局BPSO方法，在不同车辆速度下的车路协同系统优化效益对比。由图可知，所提方法相比全局BPSO方法在不同车辆速度下的系统优化效益更大、优化效果更佳。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。
图5为本发明方法与流行度缓存方法在不同车辆速度下的车路协同系统优化效益对比。由图可知，所提方法相比流行度缓存方法在不同车辆速度下的系统优化效益更大、优化效果更佳。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 (5)

1.车路协同系统中结合NOMA和内容缓存的任务卸载方法，其特征在于，包括以下步骤：
S1、根据动态的车路协同场景，建立动态车路协同系统模型；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在本地计算或者通过任务卸载进行计算；
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车辆分簇，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：
设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Ls，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；第n个车辆的位置表示为(in,jn)，其中in表示车辆在x轴的位置，jn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sn表示，第n个车辆的速度为vn，s＝1～S，n＝1～N；
构建如下的任务模型，具体包括以下步骤：
首先，道路上的车辆向RSU上传任务类型标志消息，RSU收集所有车辆的任务类型进行排序；
其次，RSU结合车辆卸载决策、NOMA车辆分簇和发射功率信息，对收集到的车辆任务类型进行缓存策略优化，从而确定在有限资源下缓存哪些车辆任务；
最后，待RSU确定缓存策略后，若该任务已被缓存，则RSU通知车辆无需再上传已缓存任务，RSU直接进行边缘计算并将任务结果回传给车辆；
RSU缓存策略同时考虑任务流行度、缓存容量限制和任务数据量因素，以任务被请求的概率作为任务流行度，采用Zipf模型进行车辆任务的流行度建模；车辆任务类型按任务被请求频率降序排列，记为任务类型集合其中T为任务类型总数，记任务类型为t的车辆任务流行度为pt，表示为：
其中ε为流行度偏差系数，定义缓存策略矩阵来记录所有车辆任务的缓存情况，记为B＝(β1,β2,...,βn)，其中βn为0-1二进制的缓存决策指示变量，车辆n的任务已被服务器缓存则βn＝1，反之则βn＝0；当车辆n的任务被缓存时，无需上传任务且忽略结果回传时延，车辆n选择RSU任务卸载的总时延仅有边缘计算时延；
每个车辆都有待计算的车载任务Fn，选择本地计算或者卸载至RSU进行边缘计算，定义三元组Fn＝{Dn,Cn,Zn}代表车辆n的任务，其中Dn为任务输入数据量，Cn为任务复杂度，即完成任务所需的CPU周期数，Zn为任务类型，即车辆任务Fn对应任务集合中的哪个任务；
定义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：
其中Lm表示第m个RSU通信覆盖的路段范围；
第n个车辆的车辆离开时间表示为：
包括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将接入的车辆划分为多个NOMA聚簇；第s个路侧单元RSU将接入车辆划分为Ks个聚簇，车总聚簇数量K表示为：
其中表示路侧单元RSU集合，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Nk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γth；
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，an,k表示一位二进制的NOMA分簇变量，an,k＝1表示第n个车辆被分配到第k个NOMA聚簇内，反之an,k＝0，n＝1～N，k＝1～K；N为车辆总数；
第n个车辆与所在范围内的路侧单元RSU通信的信道增益hn考虑大尺度和小尺度衰落，表示为：
其中，η为路径衰落参数；μn为第n个车辆的衰落系数，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；Ln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：
其中，表示车辆集合，/>表示NOMA聚簇的集合，αn',k为第n’个车辆的NOMA分簇变量，pn'为第n’个车辆的发射功率，hn'表示第n’个车辆的信道增益；
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，αn,k为分簇变量，若第n个车辆被分到第k个NOMA聚簇内，则αn,k＝1，反之则αn,k＝0；pn为第n个车辆的发射功率，hn表示第n个车辆的信道增益；
第n个车辆的传输速率Rn表示为：
Rn＝Blog2(1+γn)；
其中，B＝W/K为分给每个NOMA聚簇的子带宽；
车辆选择本地计算任务或RSU任务卸载，其中RSU任务卸载分为卸载已缓存任务和卸载未缓存任务两种情况，上述三种情况下车辆完成任务所需的时延和能耗有所不同；
当车辆n选择本地计算任务时，任务时延和能耗/>分别表示为：
其中к为车辆芯片能耗系数，Cn表示第n个车辆的任务复杂度，表示第n个车辆的本地计算能力；
当车辆n选择RSU任务卸载且任务已被缓存时，RSU直接进行边缘计算，此时车辆n的任务能耗为0，任务时延/>表示为：
表示第n个车辆进行任务卸载的边缘计算时延，/>表示第n个车辆分配到的边缘计算能力；
当车辆n选择RSU任务卸载且任务未被缓存时，此时车辆n的任务时延和能耗/>分别表示为：
其中pn表示第n个车辆的车辆发射功率，表示第n个车辆的任务上传时延，Dn表示第n个车辆的任务输入数据量，Rn表示第n个车辆的传输速率；
记车辆n完成应用任务的开销为Ψn，开销Ψn包括任务时延tn和能耗En，结合卸载决策指示变量xn；和缓存策略指示变量βn，可得车辆n完成任务时延tn、任务能耗En和任务开销Ψn，分别表示如下：
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：
其中为第n个车辆的车辆驻留时间，/>表示车辆集合，/>表示NOMA聚簇的集合；
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：
其中为第n个车辆的车辆离开时间，/>表示第n个车辆进行任务卸载的边缘计算时延；
S2、将优化问题建模为任务时延和任务能耗优化效益之和最大化问题；
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Vn表示为：
其中，xn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xn＝1，反之则xn＝0；为车辆n选择本地计算任务时的任务时延，/>为车辆n选择RSU任务卸载且任务未被缓存时的任务时延，/>为车辆n选择RSU任务卸载且任务已被缓存时的任务时延；βn为缓存策略指示变量；
第一约束条件C1和第二约束条件C2为车辆移动性约束，第三约束条件C3、第四约束条件C4和第五约束条件C5代表任务卸载决策指示变量xn、车辆分簇指示变量αn,k和缓存策略指示变量βn为0-1二进制的离散整数变量；第六约束条件C6代表每个车辆在NOMA通信中只能被分配到一个聚簇内；第七约束条件C7代表满足通信可靠性约束的车辆发射功率限制，其中为第n个车辆满足可靠性的车辆最小发射功率，/>为第n个车辆的车辆最大发射功率；第八约束条件C8代表RSU服务器缓存容量有限，选择缓存的车辆任务数据量不能超出上限，C为服务器缓存容量上限；/>表示车辆集合，/>表示NOMA聚簇的集合，A表示NOMA分簇矩阵，B表示分给每个NOMA聚簇的子带宽，/>为第n个车辆的车辆驻留时间，/>为第n个车辆的车辆离开时间；P为车辆发射功率矩阵，X为任务卸载决策矩阵，pn表示车辆发射功率，P1代表优化问题，s.t.代表优化问题的约束条件，/>表示第n个车辆的任务上传时延，Dn表示第n个车辆的任务输入数据量，Vn表示第n个车辆的优化效益；
S3、将优化问题分解为NOMA车辆分簇与发射功率优化子问题、卸载决策与缓存策略优化子问题进行求解；
S4、求解车辆分簇与发射功率优化子问题，得到最佳车辆发射功率；
S5、优化卸载决策与缓存策略，求解卸载决策与缓存策略优化子问题，得到最优的卸载策略和服务器缓存策略。
2.根据权利要求1所述的车路协同系统中结合NOMA和内容缓存的任务卸载方法，其特征在于，车辆分簇与发射功率优化子问题记为P1.1，表示如下：
其中B表示分给每个NOMA聚簇的子带宽，表示车辆集合，/>表示NOMA聚簇的集合，A表示NOMA分簇矩阵，αn,k表示车辆分簇指示变量，/>为满足可靠性的车辆最小发射功率，为车辆最大发射功率，P为车辆发射功率矩阵，X为任务卸载决策矩阵，第一约束条件C1和第二约束条件C2为车辆移动性约束，第三约束条件C3代表任务卸载决策指示变量xn；pn表示车辆发射功率；V*(X,B)为车辆分簇与发射功率分配优化子问题的优化目标，Vn(X0,A,P,B0)为给定卸载决策X0和缓存策略B0下的原优化问题的优化目标，其中X0表示车辆全部本地计算时的卸载决策矩阵，缓存策略B0表示RSU选择0个车辆任务进行缓存的策略矩阵。
3.根据权利要求1所述的车路协同系统中结合NOMA和内容缓存的任务卸载方法，其特征在于，卸载决策与缓存策略优化子问题记为子问题P1.2，表示如下：
其中，B表示分给每个NOMA聚簇的子带宽，表示车辆集合，/>为第n个车辆的车辆驻留时间，/>为第n个车辆的车辆离开时间；第一约束条件C1和第二约束条件C2为车辆移动性约束，第三约束条件C3、第四约束条件C4和第五约束条件C5代表任务卸载决策指示变量xn、车辆分簇指示变量αn,k和缓存策略指示变量βn为0-1二进制的离散整数变量；C为服务器缓存容量上限；P*为最佳车辆发射功率矩阵，A*为最佳NOMA分簇矩阵；pn表示车辆发射功率；V*(X,B)为车辆分簇与发射功率分配优化子问题的优化目标，/>表示第n个车辆的任务上传时延，Dn表示第n个车辆的任务输入数据量，Vn(X,A*,P*,B)为任务卸载决策矩阵X和分给每个NOMA聚簇的子带宽B的原优化问题的优化目标；/>表示第n个车辆进行任务卸载的边缘计算时延；X为任务卸载决策矩阵，表示为：
X＝(x1,…,xn,…,xN)；
车辆发射功率矩阵P表示为：
P＝(p1,…,pn,…,pN)；
其中A为NOMA分簇矩阵，xN表示第N个车辆的卸载决策，pN表示第N个车辆的发射功率。
4.根据权利要求1所述的车路协同系统中结合NOMA和内容缓存的任务卸载方法，其特征在于，利用图论优化理论，采用基于图论的启发式算法求解车辆分簇与发射功率优化子问题。
5.根据权利要求1所述的车路协同系统中结合NOMA和内容缓存的任务卸载方法，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，利用粒子群优化理论，采用基于BPSO的启发式算法求解卸载决策与缓存策略优化子问题。
CN202210571307.1A 2022-05-24 2022-05-24 车路协同系统中结合noma和内容缓存的任务卸载方法 Active CN114973673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210571307.1A CN114973673B (zh) 2022-05-24 2022-05-24 车路协同系统中结合noma和内容缓存的任务卸载方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210571307.1A CN114973673B (zh) 2022-05-24 2022-05-24 车路协同系统中结合noma和内容缓存的任务卸载方法

Publications (2)

Publication Number Publication Date
CN114973673A CN114973673A (zh) 2022-08-30
CN114973673B true CN114973673B (zh) 2023-07-18

Family

ID=82954925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210571307.1A Active CN114973673B (zh) 2022-05-24 2022-05-24 车路协同系统中结合noma和内容缓存的任务卸载方法

Country Status (1)

Country Link
CN (1) CN114973673B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115348560B (zh) * 2022-10-18 2023-04-28 合肥本源物联网科技有限公司 车联网场景下基于noma通信的任务处理方法
CN116744332B (zh) * 2023-02-03 2024-03-26 香港科技大学(广州) 多用户移动边缘计算系统的联合优化方法
CN117042051B (zh) * 2023-08-29 2024-03-08 燕山大学 一种车联网中任务卸载策略生成方法、系统、设备及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108449149A (zh) * 2018-03-26 2018-08-24 南京邮电大学 一种基于匹配博弈的能量采集小基站资源分配方法
CN109302709A (zh) * 2018-09-14 2019-02-01 重庆邮电大学 面向移动边缘计算的车联网任务卸载与资源分配策略
CN109391681A (zh) * 2018-09-14 2019-02-26 重庆邮电大学 基于mec的v2x移动性预测与内容缓存卸载方案
CN110958625A (zh) * 2019-12-05 2020-04-03 湖南师范大学 一种基于移动边缘智能的实时多模态语言分析系统和方法
CN111132077A (zh) * 2020-02-25 2020-05-08 华南理工大学 车联网环境下基于d2d的多接入边缘计算任务卸载方法
CN111565380A (zh) * 2020-04-21 2020-08-21 重庆邮电大学 车联网中基于noma-mec混合卸载方法
CN112512065A (zh) * 2020-12-02 2021-03-16 中国刑事警察学院 支持mec的小小区网络中在移动感知下的卸载和迁移算法
CN112601197A (zh) * 2020-12-18 2021-04-02 重庆邮电大学 一种基于非正交多址的车联网络中资源优化方法
CN112911613A (zh) * 2020-11-26 2021-06-04 北邮感知技术研究院(江苏)有限公司 一种用于noma-mec网络的基于drl的流量卸载算法及实现装置
KR102371534B1 (ko) * 2020-11-30 2022-03-04 부산대학교 산학협력단 비직교 다중접속(noma) 방식을 지원하는 다중접속 에지 컴퓨팅(mec)에서 심층 강화학습 기반 컴퓨팅 오프로딩 최적화 방법
CN114143346A (zh) * 2021-11-29 2022-03-04 广东工业大学 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114189521A (zh) * 2021-12-15 2022-03-15 福州大学 在f-ran架构中协作计算卸载的方法
CN114449584A (zh) * 2022-02-09 2022-05-06 湖南大学 基于深度强化学习的分布式计算卸载方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10511353B2 (en) * 2017-07-12 2019-12-17 Micron Technology, Inc. System for optimizing routing of communication between devices and resource reallocation in a network

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108449149A (zh) * 2018-03-26 2018-08-24 南京邮电大学 一种基于匹配博弈的能量采集小基站资源分配方法
CN109302709A (zh) * 2018-09-14 2019-02-01 重庆邮电大学 面向移动边缘计算的车联网任务卸载与资源分配策略
CN109391681A (zh) * 2018-09-14 2019-02-26 重庆邮电大学 基于mec的v2x移动性预测与内容缓存卸载方案
CN110958625A (zh) * 2019-12-05 2020-04-03 湖南师范大学 一种基于移动边缘智能的实时多模态语言分析系统和方法
CN111132077A (zh) * 2020-02-25 2020-05-08 华南理工大学 车联网环境下基于d2d的多接入边缘计算任务卸载方法
CN111565380A (zh) * 2020-04-21 2020-08-21 重庆邮电大学 车联网中基于noma-mec混合卸载方法
CN112911613A (zh) * 2020-11-26 2021-06-04 北邮感知技术研究院(江苏)有限公司 一种用于noma-mec网络的基于drl的流量卸载算法及实现装置
KR102371534B1 (ko) * 2020-11-30 2022-03-04 부산대학교 산학협력단 비직교 다중접속(noma) 방식을 지원하는 다중접속 에지 컴퓨팅(mec)에서 심층 강화학습 기반 컴퓨팅 오프로딩 최적화 방법
CN112512065A (zh) * 2020-12-02 2021-03-16 中国刑事警察学院 支持mec的小小区网络中在移动感知下的卸载和迁移算法
CN112601197A (zh) * 2020-12-18 2021-04-02 重庆邮电大学 一种基于非正交多址的车联网络中资源优化方法
CN114143346A (zh) * 2021-11-29 2022-03-04 广东工业大学 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN114189521A (zh) * 2021-12-15 2022-03-15 福州大学 在f-ran架构中协作计算卸载的方法
CN114449584A (zh) * 2022-02-09 2022-05-06 湖南大学 基于深度强化学习的分布式计算卸载方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于NOMA的移动边缘计算任务卸载策略研究;李锦桂;《中国优秀硕士学位论文全文数据库信息科技辑》;I136-1615 *
非正交多址系统中下行链路预编码技术研究;除志勇;《中国博士学位论文全文数据库信息科技辑》;I136-46 *

Also Published As

Publication number Publication date
CN114973673A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114973673B (zh) 车路协同系统中结合noma和内容缓存的任务卸载方法
CN112601197B (zh) 一种基于非正交多址的车联网络中资源优化方法
CN111031102B (zh) 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111124647B (zh) 一种车联网中的智能边缘计算方法
CN110312231A (zh) 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法
CN114827191B (zh) 一种车路协同系统中融合noma的动态任务卸载方法
Xu et al. Cnn partitioning and offloading for vehicular edge networks in web3
CN111711666B (zh) 一种基于强化学习的车联网云计算资源优化方法
CN113188544B (zh) 一种基于缓存的无人机基站路径规划方法
CN115209426B (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN113283177A (zh) 一种基于异步联邦学习的移动感知缓存方法
Chen et al. A distributed game theoretical approach for credibility-guaranteed multimedia data offloading in MEC
CN113012013A (zh) 一种在车联网中基于深度强化学习的协同边缘缓存方法
CN116782296A (zh) 一种基于数字孪生的车联网边缘计算卸载多目标决策方法
CN114626298A (zh) 无人机辅助车联网中高效缓存和任务卸载的状态更新方法
CN116566838A (zh) 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法
CN115629873A (zh) 车路云协同任务卸载与任务队列稳定性控制系统和方法
CN116405569A (zh) 基于车辆和边缘计算服务器的任务卸载匹配方法及系统
Lv et al. Edge computing task offloading for environmental perception of autonomous vehicles in 6G networks
He et al. A DDPG hybrid of graph attention network and action branching for multi-scale end-edge-cloud vehicular orchestrated task offloading
Mao et al. On an intelligent task offloading model to jointly optimize latency and energy for electric connected vehicles
CN109818788B (zh) 一种基于次模优化的边缘缓存c-ran中计算资源分配方法
CN115208892B (zh) 基于动态资源需求的车路协同在线任务调度方法及系统
CN114916013B (zh) 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质
CN113423091B (zh) 一种车载算力网络的多维资源智能联合优化方法、系统

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