CN115174481A - 一种无人机辅助边缘车联网服务和内容混合缓存的方法 - Google Patents

Abstract

本发明公开了一种无人机辅助边缘车联网服务和内容混合缓存的方法，利用布置在路口处的RSU根据其历史记录和当前访问情况，建立一个针对于服务和内容的初始顺序表；建立目标函数时，考虑在车辆边缘计算网络中车辆的计算任务卸载有三种方式；确定边缘计算网络中为所有车辆用户提供服务类型、内容类型的总时延，以此构建目标函数，并设定缓存容量约束、服务时延约束、决策约束以及配比约束；利用遗传算法对目标函数求解，得到缓存及卸载决策变量以及缓存配比参数；通过得到的缓存及卸载决策变量和配比参数决定从所述初始顺序表中选取哪些服务和内容进行缓存在UAV上，以此来缓存最为符合当前交叉路口车辆服务访问的需求。

Description

一种无人机辅助边缘车联网服务和内容混合缓存的方法

技术领域

本发明涉及无人机缓存与车辆边缘计算技术领域，具体涉及一种无人机辅助边缘车联网服务和内容混合缓存的方法。

背景技术

在用户端，随着5G通信技术的大范围应用和人工智能技术的发展，车辆与车内乘客的各项应用需求大幅度增长，出现了各种类别的计算任务，急需要一个较好的边缘计算网络技术来解决这一显著的问题。例如，当道路口发生拥堵而导致该路口路面车辆对于计算资源的需求增大时，若只是依赖车辆自身的资源是远远不够去处理此类任务的，导致较大的时延并影响车联网的服务质量(Quality of Service,QoS)。移动边缘计算可以将云计算功能推向网络边缘，有利于减少服务响应时间和核心网络流量。路侧RSU或者路面车辆等可以作为边缘节点，具有一定的存储和计算能力，可以预先缓存资源密集型、延迟敏感的移动应用服务，并处理相应的计算任务，无需外包或尽量少外包给中心云，以此来提高网络系统的性能并降低其服务所需要的总时延。

目前，大多数文献中只考虑了服务或者内容的单一缓存，没有较好的利用服务和内容之间的相互联系以及对两者进行共同缓存，这会导致边缘节点只能针对某一类应用或者任务进行响应。此外，现有文献只是考虑了在路边单元(Road Side Unit,RSU)和无人机(Unmanned Aerial Vehicle,UAV)中缓存的服务或者内容都是不重叠的，而这样就会导致当某一服务在被大量请求访问时只有RSU或者UAV的其中一个边缘服务器为车辆提供服务而不能同时充分利用RSU和UAV上的计算资源为车辆用户提供服务，会导致在车辆请求某一服务时其中一个边缘服务器相对于该服务来说处于一个空闲的状态，进而导致服务时延较高，且系统的总体性能下降。

随着道路上的车辆越来越多，出现交通事故或发生拥堵的情况也逐渐增加，当大量的车辆因某些原因而堵塞在某一高速或相较偏远的路口时，众多车辆在同一时间段内对资源的需求大幅增加，将会对该地区的RSU造成非常大的工作负担。当RSU上没有缓存处理该对应任务的服务或内容(处理任务的数据库或计算结果)时则需要将任务进一步发送到远程云中去进行处理，这将会导致较大的传输时延，同时RSU中有限的资源(包括计算、通信和存储资源)很难在时延要求的条件下及时的高效的处理这里任务，这将对QoS造成较大的影响，给人们的出行带来不好的体验。然而通过对于车辆等移动用户需求的预测在RSU上进行服务和内容的提前缓存将会极大的降低时延，同时增加UAV的协助，缓存更多类型的服务和内容来挺高请求访问命中率以及增加边缘网络中的计算资源来进一步减小因处理任务所带来的计算时延，来提供边缘网络的整体性能，尽量满足车辆用户的服务需求。

在高速公路两侧，RSU的部署较为稀疏，且覆盖范围较大。在节假日期间或者道路发生交通事故，导致路面车辆的激增，此时单纯的依赖路侧RSU难以满足路面车辆的计算通信需求。UAV以其灵活移动部署、可提供可视距通信等特点，可以作为一个临时的空中基站，辅助路侧RSU对路面车辆进行信号覆盖。在用户端，随着5G通信技术的大范围应用和人工智能技术的发展，车辆与车内乘客的各项应用需求大幅度增长，出现了各种类别的计算任务，急需要一个较好的边缘计算网络技术来解决这一显著的问题。

发明内容

本发明的目的是提供一种无人机辅助边缘车联网服务和内容混合缓存的方法，利用UAV来缓解因路面交通拥堵导致的地区的车辆用户的服务访问量激增而使得RSU遭受巨大的计算和通信负担，同时减小服务所带来的时延和能耗。

为了实现上述任务，本发明采用以下技术方案：

一种无人机辅助边缘车联网服务和内容混合缓存的方法，所述方法应用于部署有RSU的路口，且该路口可通过UAV为车辆提供临时的服务；

利用布置在路口处的RSU提供一个它长期在该路口为车辆提供服务所形成的按照流行度排序的服务和内容的类型经验表；同时结合当前时间段在该路口车辆对服务和内容的请求访问量，按流行度和访问量大小两个指标合并成一个初始顺序表；

然后根据遗传算法对车辆任务卸载的目标进行优化：在车辆边缘计算网络中车辆的计算任务卸载有三种方式，包括RSU和UAV中都没有缓存相对应的服务或内容、RSU和UAV其中之一缓存了处理任务相对应的服务或内容、RSU和UAV中同时缓存了相对应的服务；

结合所述三种情况，确定边缘计算网络中为所有车辆用户提供服务类型、内容类型的总时延，以此构建目标函数，并设定缓存容量约束、服务时延约束、决策约束以及配比约束；

利用遗传算法对目标函数求解，得到缓存及卸载决策变量以及缓存配比参数；通过得到的缓存及卸载决策变量和配比参数决定从所述初始顺序表中选取哪些服务和内容进行缓存在UAV上，以此来缓存最为符合当前交叉路口车辆服务访问的需求。

进一步地，对于三种任务卸载处理方式，定义

C_S2m∈{0，1}；n∈N，m∈M}表示卸载方案的卸载决策，同时也是缓存决策；其中N表示缓存的服务数量，M表示缓存的内容数量；

表示为RSU中是否缓存了服务S_1n的缓存决策参数以及车辆任务是否卸载到RSU上去处理的参数，同样的，

表示为UAV中是否缓存了服务S_1n的缓存决策参数以及车辆任务是否卸载到UAV上去处理的参数，C_S2m表示RSU或UAV上是否缓存了内容S_2m的缓存决策参数，以上的参数为0时都统一表示为没有缓存相对应的服务或内容，为1时都统一表示缓存了相对应的服务或内容；定义UAV上缓存的内容与缓存的服务之比为α。

进一步地，所述边缘计算网络中为所有车辆用户提供服务类型的总时延如下：

其中N表示服务数量；L表示当前时段内有L个车辆用户在请求访问同一类型的服务；μ_n＝(1-μ_m)，μ_m∈{0,1}；定义μ_O为0则表示RSU和UAV中都没有缓存相对应的内容结果，μ_O为1则表示RSU或UAV其中之一缓存了相对应的内容结果，则μ_n表示与服务相关的μ_O，μ_m表示与内容相关的μ_O；

表示任务卸载到RSU或UAV中的最小值，

表示任务由RSU到中心云的传输时延，

表示任务由UAV到中心云的传输时延；θ∈{0,1}，当车辆选择通过RSU将任务卸载到中心云时θ＝0，车辆选择通过UAV将任务卸载到中心云时θ＝1；

其中

分别示任务在中心云中计算得到的结果返回给RSU、UAV的回程时延；

表示计算结果通过RSU或UAV返回给车辆的回程时延；

表示只有UAV中缓存了服务时，服务从车辆到RSU的传输时延；

表示只有RSU中缓存了服务时，服务从车辆到RSU的传输时延；

表示任务在UVA上的计算时延，

为在RSU上的计算时延，

表示任务计算结果返回给车辆的回程时延；β为某种类型服务S_1n任务的卸载决策，其中β∈{0，1}。

进一步地，

其中，β为0表示任务将会卸载到RSU，β为1表示任务将会卸载到UAV。

进一步地，所述边缘计算网络中为所有车辆用户提供内容类型的总时延如下：

其中，K表示请求访问某一内容的车辆的集合，M表示内容的数量；

表示只有UAV中缓存了内容时，内容从车辆到UAV的传输时延；

表示只有RSU中缓存了内容时，内容从车辆到UAV的传输时延；

表示内容计算结果返回给车辆的回程时延；

目标函数为：

进一步地，所述约束条件如下：

1)缓存容量约束：服务和内容的缓存容量必须满足各自的容量条件以及总的容量条件：

P_S1+P_S2≤P_U

P_S2＝αP_S1

0<P_S2<P_S1<P_U

其中，p_S1n表示服务S1n需要的缓存容量，p_S2m表示内容S2m需要的缓存容量，S1为在UAV上缓存的服务集合，S2为UAV上缓存的内容集合；P_S1表示UAV分配用于缓存服务的总容量，P_S2表示UAV分配用于缓存内容的总容量，P_U表示UAV总的缓存容量；

2)服务时延约束：车辆请求访问的每种服务都是有一定的时延要求的，都需要满足其时延约束才能达到较好的QoS，其公式如下所示：

其中

和

分别表示车辆l是将服务类型的任务卸载到RSU和UAV上去处理或者是通过RSU和UAV传输到中心云中去处理的总时延；R_S表示RSU和UAV把计算结果返回给车辆的传输速率；

表示与第k个车辆用户所请求访问的内容S_2m相关任务的结果大小；

表示车辆所请求访问的每种类型的服务对于时延的要求阈值；

3)决策约束：

C_S2m∈{0，1}

μ_O∈{0，1}

β∈{0，1}

θ∈{0，1}

4)配比约束：UAV中服务缓存和内容缓存的配比要服从配比约束：

α∈(0，1)

进一步地：

式中，

和

分别表示RSU或UAV中已经缓存了相对应的内容时，为车辆提供相应内容服务结果所需要的时延；

表示车辆所请求访问的每种类型的服务对于时延的要求为不高于

进一步地，所述利用遗传算法对目标函数求解，得到缓存及卸载决策变量以及缓存配比参数，包括：

将优化缓存及卸载决策变量以及缓存配比参数的问题的候选解用染色体来表示，从而实现解空间向编码空间的映射过程；

首先对缓存及卸载决策变量

C_S2m以及缓存配比参数α进行随机选取并进行DNA基因编码，得到一个可能解的编码集合，并把该编码集合输入到遗传算法模型中；

再构建一个适应度函数并利用其来计算缓存在UAV上的服务和内容的适应度情况，即看是否是最为适合缓存并能够相对较全面的为当前路口车辆提供较好的服务，即看其为车辆提供服务的总服务时延是否小于设定的阈值从而满足用户的服务质量，同时优化编码后的卸载和缓存决策以及配比参数，具体如下：

将编码后得到的决策变量

C_S2m和缓存配比参数α的DNA基因编码数据进行交叉得到新的DNA基因数据，之后再以预设的小概率的扰动对该产生的新的DNA基因数据进行变异从而产生一种全新的后代DNA基因，最后利用该产生的后代DNA基因数据去决定服务和内容的卸载和缓存以及服务与内容之间的配比，以最小化服务时延为奖励来优化目标函数；

经过预设次数的遗传算法迭代后，将最后得到的缓存及卸载决策变量以及缓存配比参数的解经过解码实现从编码空间向解空间的映射，得到可以作为目标函数问题的近似最优解，包括最优缓存及卸载决策变量

C_S2m以及缓存配比参数α。

与现有技术相比，本发明具有以下技术特点：

1.目前大多数的缓存方案都是对服务或者内容进行单一的缓存，本方案所提出的服务和内容混合缓存策略考虑了服务和内容之间的相互联系、服务对于时延的要求程度以及所能为车辆用户提供更加相对全面的服务类型，同时优化了服务与内容缓存的配比问题，得以来最大化用户的请求命中率。

2.同时本方案考虑到了车辆任务卸载到RSU或UAV上有三种不同的情况，对每个车辆中的每个任务进行卸载时都会考虑来优化它的卸载目标以达到最小化其服务时延(通信时延、计算时延)。

3.本方案考虑可以在UAV上缓存RSU上已经缓存的服务，这样当路口车辆的请求访问量较大时可以对任务卸载进行优化分流，缓解造成卸载到某单一边缘服务器上而导致的信道堵塞和工作负担过度不平衡的问题。

附图说明

图1为本发明方法的系统模型图。

具体实施方式

本发明提出了一种无人机辅助边缘车联网服务和内容混合缓存的方法，在RSU和UAV上同时缓存相同的服务和不同的内容来同时利用RSU和UAV上的资源以及最大化车辆请求访问的命中率。并且由于UAV的移动灵活性，可以在一个较大的拥堵区域内为车辆提供较近距离的服务，再结合服务和内容的混合缓存以及考虑服务对时延的要求程度来大大挺高系统的总体性能。本发明能在车辆大量拥堵在路口时为车辆等移动用户提供合适的任务卸载和处理方案的条件下为UAV的缓存进行优化和筛选，以此来获得最优的QoS：

利用布置在路口处的RSU提供一个它长期在该路口为车辆提供服务所形成的服务和内容(例如像是一些车辆导航、路径规划、自动驾驶等服务和内容)的类型经验表，并且该表是按服务和内容的流行度来进行排序的。同时获取当前时间段在该路口车辆对某些服务和内容的请求访问频率，并结合RSU所提供的经验表来对UAV的缓存进行一个优化和筛选。

然后根据遗传算法对车辆任务卸载的目标进行优化；在车辆边缘计算网络中车辆的计算任务卸载有三种情况，在RSU或UAV其中一个缓存了处理该任务相对应的服务数据和内容时，该计算任务可以卸载到RSU或UAV上去。而当RSU和UAV上都缓存了处理该任务相对应的服务数据时，则需要考虑任务的传输时延和任务在边缘服务器上的计算时延的总和，进而来优化哪些车辆的任务应该卸载到RSU上去，哪些车辆的任务应该卸载到UAV上去，以此来优化车辆的服务总时延。在本方案中，车辆需要对请求访问服务或内容的时延分别进行分析，然后结合起来确定优化的目标函数。

参见附图，本发明的一种无人机辅助边缘车联网服务和内容混合缓存的方法，详细实现方案如下：

1.系统整体模型规划

如图1所示，假设某一交叉路口旁部署了一个RSU，该RSU为经过该路口的车辆提供某些服务，例如车辆导航、路径规划和自动驾驶等等。可能因为某些原因导致该交叉路口交通非常拥堵，此时由于大量的车辆拥堵在该RSU覆盖地区，由于车辆自身的计算资源是极其有限的，所以其难以满足用户对于大量车载服务的需求，于是该车辆将会把它处理不了的计算任务卸载到该区域的RSU上去进行处理，于是就会对RSU进行大量的服务访问，进一步导致RSU较大的工作负担，使得难以为车辆用户提供较好的QoS。为了缓解RSU的工作负担，利用UAV的灵活性，派遣一台UAV过来盘旋在该交叉路口的上空辅助RSU为车辆提供服务，此时该UAV也是相当于一个临时的RSU，这将是一个较好的解决办法。

于是该UAV在部署到该地区前需要缓存一些适合该区域车辆服务需求的服务和内容，这样将能更好的为车辆提供服务，最终能降低为车辆提供服务的整体服务时延，为车辆提供更好的QoS。

所以本方案最终就是要利用最小化系统整体的服务时延来决定UAV上应该提前缓存哪些服务和内容才能更适合当前时间段内该交叉路口区域内车辆的服务需求。

2.车辆任务卸载方案

由前一部分的系统模型规划可知，需要通过该交叉路口的RSU所获取的服务和内容的流行度以及当前时间段内的访问量大小来为UAV的缓存优化和筛选提供一定的参考，并结合车辆任务卸载方案的优化来最小化整体网络的服务时延来得到最优的卸载和缓存决策变量

C_S2m以及缓存配比参数α，从而得到UAV最优的缓存服务和内容的类型，来为车辆提供更好的服务，进一步降低服务时延，提高QoS。

本方案假设服务和内容是按照配比α来缓存的，即UAV上缓存的内容与缓存的服务之比为α，α∈(0，1)。同时假设当前时间段内大量车辆因某些原因堵塞在该路口，并大量的对RSU进行服务或内容的请求访问。假设车辆卸载任务到RSU和UAV的传输速率为

RSU或UAV卸载任务到中心云的传输速率为

而RSU和UAV把计算结果返回给车辆的传输速率为一个定值R_S。

由于任务车辆请求访问服务S₁和内容S₂的数量可能各不相同，所以假设UAV上的缓存容量为P_U，在UAV上缓存的服务集合为S₁＝{S₁₁，S₁₂，...，S_1n，...S_1N}，缓存的内容集合为S₂＝{S₁₁，S₁₂，...，S_1m，...S_1M}，其中n∈N，m∈M，N为服务的数量，M为内容的数量；且同一时间段内请求访问某一服务的车辆集合为L，其中车辆l∈L，请求访问某一内容的车辆集合为K，其中车辆k∈K。车辆以一定的概率生成任务，并且服从泊松分布，

表示车辆所产生的任务大小，假设在某一时间段内或同时产生某一类型的服务请求表示为

其中L表示在该时间段内有L个车辆用户在请求访问同一类型的服务S_1n，l表示第l个请求访问该服务S_1n的车辆用户。同样的，在某一时间段内或同时产生的某一类型的内容请求表示为

其中K表示在该时间段内有K个车辆用户一起请求访问该类型的内容S_2m，k表示第k个请求访问该内容S_2m的车辆用户。

假设任务只能卸载到RSU、UAV和中心云中去进行处理，f_S1n表示服务S_1n计算所需要的计算资源，p_S1n表示服务S_1n需要的缓存容量，n∈{1，2，3......N}，p_S2m表示内容S_2m需要的缓存容量，m∈{1，2，3......M}。车辆可以将任务传输给RSU或者UAV，或者通过两者再将任务卸载到中心云中去。处理任务时，RSU处理任务的CPU频率为f_R，UAV处理任务的CPU频率为f_U，而在中心云中由于计算资源充足，所以本方案不考虑其计算时延，只考虑任务到云端的传输时延。当在RSU、UAV和中心云中得到计算结果后再传回给相对应的车辆。并且由于UAV的运行能耗远大于其为车辆提供服务的能耗(计算能耗和传输能耗)，所以服务耗能可以忽略不计。

根据香农定理，本方案可以得到从车辆到RSU和UAV的数据传输速率：

车辆到RSU的数据传输速率

为：

车辆到UAV的数据传输速率

为：

其中N为多传输之间的干扰，σ²为白噪声，B为RSU或UAV分配给车辆的带宽，

为车辆的发射功率，r为传播参数，d_VR,d_VU分别为车辆到RSU和UAV之间的距离。

类似的，由RSU或UAV到中心云的数据传输速率为：

RSU到中心云的数据传输速率为：

UAV到中心云的数据传输速率为：

其中N为多传输之间的干扰，σ²为白噪声，B_cloud为中心云分配给RSU和UAV的带宽，

为车辆的发射功率，r为传播参数，P_O为RSU或UAV中的发射功率增益以及中心云中的回程发射增益，d_RO,d_UO分别为中心云到RSU和UAV之间的距离。

由图1中可知，因为缓存在RSU和UAV上的服务所得到的结果类型一定不会与缓存在RSU或UAV上的内容的类型一样，否则缓存服务就没有任何意义了。并且可以在RSU和UAV上缓存相同类型的服务，但只能缓存不同类型的内容。所以车辆在当前路口卸载任务时有三种卸载处理方式：

第一种，UAV和RSU中都没有缓存处理该任务相对应的服务或内容：此时，任务车辆就按照最小化传输时延来把任务卸载到离他最近的RSU或UAV上去，再通过RSU或UAV中转任务到中心云去处理，此时的时延主要是由两部分的传输时延组成。

第二种，UAV或RSU其中之一缓存了处理任务相对应的服务或内容(相同类型的内容只能在RSU或UAV其中之一上缓存)：此时，任务车辆只能将任务卸载到缓存了相对应的服务或内容的RSU或UAV中去。

第三种，UAV和RSU中都缓存了处理相对应任务的服务(不可能同时缓存内容)：此时，任务车辆可以由任务的传输时延与计算时延之和来考虑将任务卸载到RSU还是UAV中去。

其中，

C_S2m∈{0，1}；n∈N，m∈M}表示上面卸载方案的卸载决策，同时也是缓存决策；

表示为RSU中是否缓存了服务S_1n的缓存决策参数以及车辆任务是否卸载到RSU上去处理的参数，同样的，

表示为UAV中是否缓存了服务S_1n的缓存决策参数以及车辆任务是否卸载到UAV上去处理的参数，C_S2m表示RSU或UAV上是否缓存了内容S_2m的缓存决策参数，以上的参数为0时都统一表示为没有缓存相对应的服务或内容，为1时都统一表示缓存了相对应的服务或内容。

下面把服务和内容分开来进行考虑，并加入到以上三种方案中去进行分析。

a.考虑RSU和UAV中都没有缓存相对应的服务或内容：

当RSU和UAV中都没有缓存相对应的服务或者内容时，此时车辆的计算任务就只能通过离他最近的边缘服务器中转后传输到中心云中去，其中包含两部分的传输时延，即车辆卸载到RSU或UAV上的传输时延为：

其中

表示任务卸载到RSU或UAV中的最小值。由RSU或UAV再卸载到中心云去的传输时延表示为：

RSU到中心云的传输时延：

UAV到中心云的传输时延：

在中心云中计算得到的结果返回给RSU或UAV的回程时延为：

中心云到RSU的回程时延为：

中心云到UAV的回程时延为：

计算结果通过RSU或UAV返回给车辆的回程时延为：

其中，

表示第l个车辆用户请求访问的服务S_1n相关的任务在计算处理后得到的结果大小。假设

θ∈{0,1}，当车辆选择通过RSU将任务卸载到中心云时θ＝0，车辆选择通过UAV将任务卸载到中心云时θ＝1。

所以令

所以该卸载方案下的时延可以表示为：

b.考虑RSU和UAV其中之一缓存了处理任务相对应的服务或内容时：

1)假设只有RSU中缓存了相对应的服务或内容：

此时车辆只能请求访问RSU并将任务传输给它进行处理，其产生的服务时延主要包含车辆到RSU的传输时延、任务在RSU上进行计算处理的以及计算得到的结果返回给车辆的回程时延三部分，分别表示为：

车辆到RSU的传输时延：

服务：

内容：

任务在RSU上的计算时延：

服务：

其中f_R为RSU上CPU的计算频率。

结果返回给车辆的回程时延：

服务：

内容：

其中，

表示与第k个车辆用户所请求访问的内容S_2m相关任务的结果大小。所以在RSU中缓存了相对应服务时的时延为：

缓存了相对应的内容时的时延为：

2)假设只有UAV中缓存了相对应的服务或内容：

该部分跟以上部分大致相同，服务时延也主要分为同样的三部分，分别表示为：

车辆到UAV的传输时延：

服务：

内容：

任务在UAV上的计算时延：

服务：

其中f_U为UAV上CPU的计算频率。

结果返回给车辆的回程时延：

服务：

内容：

所以在UAV中缓存了相对应服务时的时延为：

缓存了相对应的内容时的时延为：

c.考虑RSU和UAV中同时缓存了相对应的服务：

当RSU和UAV中都缓存了可以处理相同类型任务的服务时，就要考虑在同一时间内请求访问的车辆用户中哪些用户把任务卸载到RSU，哪些用户把任务卸载到UAV去处理。假设β为某种类型服务S_1n任务的卸载决策，其中β∈{0，1}；

其中，β为0表示任务将会卸载到RSU，β为1表示任务将会卸载到UAV。

所以任务卸载到RSU或卸载到UAV的服务时延可以由以下公式表示：

卸载到RSU中：

由上部分可知

为车辆到RSU的传输时延，

为在RSU上的计算时延，

为计算结果返回给车辆的回程时延。

卸载到UAV中：

同样由上部分可知

为车辆到UAV的传输时延，

为在UAV上的计算时延，

为计算结果返回给车辆的回程时延。

所以，可知在该部分的卸载方案中每辆车的服务时延为：

因为缓存在RSU和UAV上的服务所得到的结果类型一定不会与缓存在RSU或UAV上的内容的类型一样，否则缓存服务就没有任何意义了。所以假设μ_o表示RSU或UAV上是否缓存了相对应任务所需要的内容结果：

μ_O∈{0，1}，O∈{n，m}；

其中μ_n＝(1-μ_m)，μ_m∈{0,1}，μ_O为0则表示RSU和UAV中都没有缓存相对应的内容结果，μ_O为1则表示RSU或UAV其中之一缓存了相对应的内容结果，μ_n表示与服务相关的μ_O，μ_m表示与内容相关的μ_O。

3.根据三种卸载方案形成总的一个方案选择问题：

由以上分析可知，最终本方案能得到系统网络中为所有车辆用户提供服务类型的总时延为如下公式计算：

其中

同理，系统中网络中为所有车辆用户提供内容类型的总时延为：

所以最终本方案定义的目标函数为：

约束条件为：

1)缓存容量约束：服务和内容的缓存容量必须满足各自的容量条件以及总的容量条件。

P_S1+P_S2≤P_U

P_S2＝αP_S1

0<P_S2<P_S1<P_U

其中，P_S1表示UAV分配用于缓存服务的总容量，P_S2表示UAV分配用于缓存内容的总容量，P_U表示UAV总的缓存容量。

2)服务时延约束：车辆请求访问的每种服务都是有一定的时延要求的，都需要满足其时延约束才能达到较好的QoS，其公式如下所示：

其中

和

分别表示车辆l是将服务类型的任务卸载到RSU和UAV上去处理或者是通过RSU和UAV传输到中心云中去处理的总时延，它们分别表示为：

式中，

和

分别表示RSU或UAV中已经缓存了相对应的内容时，为车辆提供相应内容服务结果所需要的时延。

表示车辆所请求访问的每种类型的服务对于时延的要求为不高于

3)决策约束：只能选择其中一种缓存或卸载决策方案。

C_S2m∈{0，1}

μ_O∈{0，1}

β∈{0，1}

θ∈{0，1}

4)配比约束：UAV中服务缓存和内容缓存的配比要服从配比约束。

α∈(0，1)

4.利用遗传算法模型来对目标函数进行求解：

路口的RSU为经过车辆提供的长期服务中，将形成服务和内容的类型经验表，并且类型经验表中的服务和内容是按照其流行度来进行排序的，流行度由Zipf分布得到。

RSU将获取当前时间段内在该路口车辆对服务和内容的访问量，看哪些类型的服务或内容被最多或较多车辆请求访问的，并将该访问量数据相关的服务和内容按访问量的大小来进行排序得到一个访问量排序表。

将前面的类型经验表、访问量排序表按流行度和当前访问量大小两个指标合并成一个初始顺序表，再将优化缓存及卸载决策变量以及缓存配比参数的问题的候选解用染色体来表示，从而实现解空间向编码空间的映射过程，根据要最小化整个网络中为车辆提供服务的时延为目标。

首先对缓存及卸载决策变量

C_S2m以及缓存配比参数α进行随机选取并进行编码(即DNA基因编码)，得到一个可能解的编码集合，并把该编码集合输入到遗传算法模型中。该编码集合可以根据前面得到的初始顺序表中的先验知识来设定一组满足条件的初始种群样本；例如一些流行度比较高或者在当前时间段内访问量比较大的服务和内容可以进行优先决策来获得相关决策变量和配比参数。

再构建一个适应度函数并利用其来计算缓存在UAV上的服务和内容的适应度情况，即看是否是最为适合缓存并能够相对较全面的为当前路口车辆提供较好的服务，即看其为车辆提供服务的总服务时延是否小于设定的阈值从而满足用户的服务质量，同时优化编码后的卸载和缓存决策以及配比参数，具体如下：

将编码后得到的决策变量

C_S2m和缓存配比参数α的DNA基因编码数据进行交叉得到新的DNA基因数据，之后再以预设的小概率的扰动(例如为0.0001的概率)对该产生的新的DNA基因数据进行变异从而产生一种全新的后代DNA基因，最后利用该产生的后代DNA基因数据去决定服务和内容的卸载和缓存以及服务与内容之间的配比，以最小化服务时延为奖励来优化目标函数

其中，最后得到的后代DNA基因就是决策变量和缓存配比参数的最优解的编码后的形式，通过反向编码来得到十进制的决策变量和缓存配比参数的最优解，通过得到的最优决策变量和缓存配比参数来决定服务和内容的缓存和卸载以及服务和内容之间的配比。

经过预设次数的遗传算法迭代后，将最后得到的缓存及卸载决策变量以及缓存配比参数的解经过解码实现从编码空间向解空间的映射，得到可以作为目标函数问题的近似最优解。训练完毕后得到的最优缓存及卸载决策变量

C_S2m以及缓存配比参数α就可以用来为UAV进行提前缓存服务和内容的类型进行优化筛选，通过得到的缓存及卸载决策变量和配比参数决定从所述初始顺序表中选取哪些服务和内容进行缓存在UAV上，以此来缓存最为符合当前交叉路口车辆服务访问的需求。

本方案最终的目标就是要利用RSU过去以及当前时间段内缓存过的服务和内容的流行度和访问量的大小来优化并得到一个最适合当前交叉路口内车辆的服务访问需求的卸载和缓存决策以及配比参数，从而来优化和筛选得到UAV混合缓存服务和内容的类型。当UAV进行了合适的服务和内容的缓存后将会被派遣到该交叉路口去协助该路口的RSU，缓解其工作负担，充当一个临时的RSU，与车辆之间进行连接来为车辆提供卸载任务的处理服务，降低网络中的整体服务时延，进一步提高车辆的QoS。

本方案的创新点主要是在整体的系统建模和构成上，即针对UAV的服务和内容进行混合缓存，利用车辆选择合适的任务卸载方案使得UAV上缓存的服务和内容是最为符合当前时间段内交叉路口范围内的车辆请求服务访问需求，优化和筛选缓存在UAV上的服务和内容，从而最小化网络的整体时延。于是本方案通过遗传算法这一工具来对构建的数学模型进行求解，从而得出系统最优的卸载和缓存决策变量

C_S2m以及缓存配比参数α，从而使得在UAV中缓存最合适当前车辆服务需求的服务和内容，进一步去提高车辆的QoS。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (8)

1.一种无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，所述方法应用于部署有RSU的路口，且该路口可通过UAV为车辆提供临时的服务；

利用布置在路口处的RSU提供一个它长期在该路口为车辆提供服务所形成的按照流行度排序的服务和内容的类型经验表；同时结合当前时间段在该路口车辆对服务和内容的请求访问量，按流行度和访问量大小两个指标合并成一个初始顺序表；

然后根据遗传算法对车辆任务卸载的目标进行优化：在车辆边缘计算网络中车辆的计算任务卸载有三种方式，包括RSU和UAV中都没有缓存相对应的服务或内容、RSU和UAV其中之一缓存了处理任务相对应的服务或内容、RSU和UAV中同时缓存了相对应的服务；

结合所述三种情况，确定边缘计算网络中为所有车辆用户提供服务类型、内容类型的总时延，以此构建目标函数，并设定缓存容量约束、服务时延约束、决策约束以及配比约束；

利用遗传算法对目标函数求解，得到缓存及卸载决策变量以及缓存配比参数；通过得到的缓存及卸载决策变量和配比参数决定从所述初始顺序表中选取哪些服务和内容进行缓存在UAV上，以此来缓存最为符合当前交叉路口车辆服务访问的需求。

2.根据权利要求1所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，对于三种任务卸载处理方式，定义

C_S2m∈{0，1}；n∈N，m∈M}表示卸载方案的卸载决策，同时也是缓存决策；其中N表示缓存的服务数量，M表示缓存的内容数量；

表示为RSU中是否缓存了服务S_1n的缓存决策参数以及车辆任务是否卸载到RSU上去处理的参数，同样的，

表示为UAV中是否缓存了服务S_1n的缓存决策参数以及车辆任务是否卸载到UAV上去处理的参数，C_S2m表示RSU或UAV上是否缓存了内容S_2m的缓存决策参数，以上的参数为0时都统一表示为没有缓存相对应的服务或内容，为1时都统一表示缓存了相对应的服务或内容；定义UAV上缓存的内容与缓存的服务之比为α。

3.根据权利要求2所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，所述边缘计算网络中为所有车辆用户提供服务类型的总时延如下：

其中N表示服务数量；L表示当前时段内有L个车辆用户在请求访问同一类型的服务；μ_n＝(1-μ_m)，μ_m∈{0,1}；定义μ_O为0则表示RSU和UAV中都没有缓存相对应的内容结果，μ_O为1则表示RSU或UAV其中之一缓存了相对应的内容结果，则μ_n表示与服务相关的μ_O，μ_m表示与内容相关的μ_O；

表示任务卸载到RSU或UAV中的最小值，

表示任务由RSU到中心云的传输时延，

表示任务由UAV到中心云的传输时延；θ∈{0,1}，当车辆选择通过RSU将任务卸载到中心云时θ＝0，车辆选择通过UAV将任务卸载到中心云时θ＝1；

其中

分别示任务在中心云中计算得到的结果返回给RSU、UAV的回程时延；

表示计算结果通过RSU或UAV返回给车辆的回程时延；

表示只有UAV中缓存了服务时，服务从车辆到RSU的传输时延；

表示只有RSU中缓存了服务时，服务从车辆到RSU的传输时延；

表示任务在UVA上的计算时延，

为在RSU上的计算时延，

表示任务计算结果返回给车辆的回程时延；β为某种类型服务S_1n任务的卸载决策，其中β∈{0，1}。

4.根据权利要求3所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，

其中，β为0表示任务将会卸载到RSU，β为1表示任务将会卸载到UAV。

5.根据权利要求3所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，所述边缘计算网络中为所有车辆用户提供内容类型的总时延如下：

其中，K表示请求访问某一内容的车辆的集合，M表示内容的数量；

表示只有UAV中缓存了内容时，内容从车辆到UAV的传输时延；

表示只有RSU中缓存了内容时，内容从车辆到UAV的传输时延；

表示内容计算结果返回给车辆的回程时延；

目标函数为：

6.根据权利要求5所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，所述约束条件如下：

1)缓存容量约束：服务和内容的缓存容量必须满足各自的容量条件以及总的容量条件：

P_S1+P_S2≤P_U

P_S2＝αP_S1

0<P_S2<P_S1<P_U

其中，p_S1n表示服务S1n需要的缓存容量，p_S2m表示内容S2m需要的缓存容量，S1为在UAV上缓存的服务集合，S2为UAV上缓存的内容集合；P_S1表示UAV分配用于缓存服务的总容量，P_S2表示UAV分配用于缓存内容的总容量，P_U表示UAV总的缓存容量；

2)服务时延约束：车辆请求访问的每种服务都是有一定的时延要求的，都需要满足其时延约束才能达到较好的QoS，其公式如下所示：

其中

和

分别表示车辆l是将服务类型的任务卸载到RSU和UAV上去处理或者是通过RSU和UAV传输到中心云中去处理的总时延；R_S表示RSU和UAV把计算结果返回给车辆的传输速率；

表示与第k个车辆用户所请求访问的内容S_2m相关任务的结果大小；

表示车辆所请求访问的每种类型的服务对于时延的要求阈值；

3)决策约束：

C_S2m∈{0，1}

μ_o∈{0，1}

β∈{0，1}

θ∈{0，1}

4)配比约束：UAV中服务缓存和内容缓存的配比要服从配比约束：

α∈(0，1)。

7.根据权利要求6所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于：

式中，

和

分别表示RSU或UAV中已经缓存了相对应的内容时，为车辆提供相应内容服务结果所需要的时延；

表示车辆所请求访问的每种类型的服务对于时延的要求为不高于

8.根据权利要求1所述的无人机辅助边缘车联网服务和内容混合缓存的方法，其特征在于，所述利用遗传算法对目标函数求解，得到缓存及卸载决策变量以及缓存配比参数，包括：

将优化缓存及卸载决策变量以及缓存配比参数的问题的候选解用染色体来表示，从而实现解空间向编码空间的映射过程；

首先对缓存及卸载决策变量

C_S2m以及缓存配比参数α进行随机选取并进行DNA基因编码，得到一个可能解的编码集合，并把该编码集合输入到遗传算法模型中；

再构建一个适应度函数并利用其来计算缓存在UAV上的服务和内容的适应度情况，即看是否是最为适合缓存并能够相对较全面的为当前路口车辆提供较好的服务，即看其为车辆提供服务的总服务时延是否小于设定的阈值从而满足用户的服务质量，同时优化编码后的卸载和缓存决策以及配比参数，具体如下：

将编码后得到的决策变量

C_S2m和缓存配比参数α的DNA基因编码数据进行交叉得到新的DNA基因数据，之后再以预设的小概率的扰动对该产生的新的DNA基因数据进行变异从而产生一种全新的后代DNA基因，最后利用该产生的后代DNA基因数据去决定服务和内容的卸载和缓存以及服务与内容之间的配比，以最小化服务时延为奖励来优化目标函数；

经过预设次数的遗传算法迭代后，将最后得到的缓存及卸载决策变量以及缓存配比参数的解经过解码实现从编码空间向解空间的映射，得到可以作为目标函数问题的近似最优解，包括最优缓存及卸载决策变量

C_S2m以及缓存配比参数α。

Images