CN115202863A - 任务卸载方法、电子设备及存储介质 - Google Patents
任务卸载方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115202863A CN115202863A CN202210531500.2A CN202210531500A CN115202863A CN 115202863 A CN115202863 A CN 115202863A CN 202210531500 A CN202210531500 A CN 202210531500A CN 115202863 A CN115202863 A CN 115202863A
- Authority
- CN
- China
- Prior art keywords
- task
- unloading
- target
- determining
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000012795 verification Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 163
- 238000005457 optimization Methods 0.000 claims description 55
- 238000004364 calculation method Methods 0.000 claims description 47
- 230000005540 biological transmission Effects 0.000 claims description 30
- 230000006854 communication Effects 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000011068 loading method Methods 0.000 claims 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06F9/5088—Techniques for rebalancing the load in a distributed system involving task migration
-
- 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
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种任务卸载方法、电子设备及存储介质，该方法包括：根据任务资源需求、空余计算资源和单位资源成本确定第一层卸载率，并且确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率；根据第一层卸载率和第二层卸载率引导任务车辆将区块生成任务卸载至路侧单元以及各个目标卸载车辆中进行处理；接收路侧单元以及各个目标卸载车辆的任务处理结果，形成目标任务结果；生成目标区块，并对目标区块进行验证，若目标区块验证通过，则将目标区块添加至主侧区块链中存储辅助驾驶数据。本申请提供的方案能够提升区块的生成效率，提升辅助驾驶数据的可信存储效率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种任务卸载方法、电子设备及存储介质。
背景技术
随着城市道路交通流量的增加，驾驶员不可避免地会遇到拥堵区域，这将显著增加出行时间、燃油消耗和额外的气体排放，为了预防拥堵和提高驾驶质量，需要通过辅助驾驶来计算适当的速度，并为驾驶员规划合理的驾驶路线。为了确保辅助驾驶数据的安全，一般会采用区块链技术来为辅助驾驶数据提供存储空间，但由于辅助驾驶数据必须存储在所有区块链节点上，这将增加通信开销，导致存储空间和处理能力的浪费，而且若所有车辆都访问区块链，则不同类型车辆的数据将被泄漏，且区块链节点在共识过程中产生大量计算密集型任务，导致区块链无法满足辅助驾驶的低延迟和高吞吐量要求。
现有技术中，通过服务提供车辆向路侧边缘计算节点上传自身服务能力信息，路侧边缘节点收集车辆能力信息，并利用区块链技术将其上链发布共享，向覆盖范围内车辆下发区块中的服务能力信息，用户车辆基于边缘节点和周边服务车辆的服务能力信息进行计算卸载决策，服务提供车辆上传正在进行的服务信息，边缘节点更新服务链。
上述现有技术存在以下缺点：
该方案无法通过双层卸载来优化卸载位置和卸载率，无法进一步提高交通系统资源的利用率来提升区块的生成效率，影响辅助驾驶数据的可信存储效率。
发明内容
本申请提供一种任务卸载方法、电子设备及存储介质，用以解决现有技术中无法通过双层卸载来优化卸载位置和卸载率，无法进一步提高交通系统资源的利用率来提升区块的生成效率的问题，提升辅助驾驶数据的可信存储效率。
本申请第一方面提供一种任务卸载方法，包括：
获取任务车辆的区块生成任务的任务资源需求，并获取服务车辆的空余计算资源以及单位资源成本；
根据任务资源需求、空余计算资源和单位资源成本确定第一层卸载率，并且确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率；
根据第一层卸载率引导任务车辆将区块生成任务中的第一部分任务卸载至路侧单元中进行处理，根据各个目标卸载车辆对应的第二层卸载率引导路侧单元将第一部分任务中的第二部分任务分别卸载至各个目标卸载车辆中进行处理；
接收路侧单元以及各个目标卸载车辆的任务处理结果，形成卸载任务结果，将卸载任务结果发送至任务车辆中，形成区块生成任务对应的目标任务结果；
根据目标任务结果确定区块生成任务是否完成，若完成，则生成目标区块，并对目标区块进行验证，若目标区块验证通过，则将目标区块添加至主侧区块链中存储辅助驾驶数据。
在一种实施例中，区块生成任务的任务信息包括任务数据量、任务计算强度、数据量比例以及任务最大容忍时延，数据量比例为输出结果数据量与输入数据量的比例；
根据任务资源需求、空余计算资源和单位资源成本确定第一层卸载率，包括：
根据路侧单元与任务车辆以及服务车辆之间的信道带宽、信道增益、传输功率、路径损耗指数、背景噪声功率以及距离信息确定路侧单元与任务车辆以及服务车辆之间的数据传输速率；
获取任务车辆以及服务车辆的第一CPU频率，获取路侧单元的第二CPU频率；
根据任务数据量、任务计算强度以及第一CPU频率确定任务车辆完成区块生成任务对应的第一完成时长；
根据任务数据量、任务计算强度、数据量比例、数据传输速率、第一CPU频率以及第二CPU频率确定总时延函数，总时延函数用于确定第一层卸载率、第二层卸载率与第二完成时长之间的函数关系，第二完成时长为区块生成任务卸载至路侧单元以及各个目标卸载车辆进行处理的时长；
基于单位资源成本、任务最大容忍时延以及第一完成时长确定任务车辆效用函数，并且基于单位资源成本、任务最大容忍时延以及总时延函数确定分层卸载效用函数；
根据任务车辆效用函数以及分层卸载效用函数构建卸载优化模型；
基于卸载优化模型确定第一层卸载率。
在一种实施例中，根据任务数据量、任务计算强度、数据量比例、数据传输速率、第一CPU频率以及第二CPU频率确定总时延函数，包括：
根据任务数据量、任务计算强度以及第一CPU频率确定第一时长函数，第一时长函数用于确定第一留存任务的处理时长与第一层卸载率之间的函数关系，第一留存任务为区块生成任务中留存在任务车辆中进行处理的任务；
根据任务数据量、任务计算强度以及第二CPU频率确定第二时长函数，第二时长函数用于确定第二留存任务的处理时长、第一层卸载率以及第二层卸载率之间的函数关系，第二留存任务为区块生成任务中留存在路侧单元中进行处理的任务；
根据任务数据量、任务计算强度以及第一CPU频率确定第三时长函数，第三时长函数用于确定各个目标卸载车辆的任务处理时长与第二层卸载率之间的函数关系；
根据数据传输速率、任务数据量以及数据量比例确定通信时延函数，通信时延函数用于确定各个目标卸载车辆与路侧单元之间的通信时延与第二层卸载率之间的函数关系；
将各个目标卸载车辆对应的第三时长函数与各个目标卸载车辆对应的通信时延函数对应求和，得到若干个目标车辆处理时延函数；
根据若干个目标车辆处理时延函数以及第二时长函数确定各个目标卸载车辆的任务以及第二留存任务之中的最大处理时延，将各个目标卸载车辆以及路侧单元之中的最大处理时延对应的函数确定为卸载任务处理时延函数；
根据任务数据量以及数据传输速率确定卸载时延函数，卸载时延函数用于确定任务车辆与路侧单元之间的卸载通讯时延与第一层卸载率之间的函数关系；
根据任务数据量、数据量比例以及数据传输速率确定接收时延函数，接收时延函数用于确定任务车辆与路侧单元之间的接收通讯时延与第一层卸载率之间的函数关系；
将卸载任务处理时延函数、卸载时延函数以及接收时延函数求和，得到卸载任务完成时延函数；
根据卸载任务完成时延函数以及第一时长函数确定卸载任务和第一留存任务之中的最大处理时延，将卸载任务和第一留存任务之中的最大处理时延对应的函数确定为总时延函数。
在一种实施例中，基于卸载优化模型确定第一层卸载率，包括：
将A3C算法的奖励函数确定为卸载优化模型；
通过A3C算法确定卸载优化模型的最大值；
将目标动作空间中的卸载率确定为第一层卸载率，目标动作空间为卸载优化模型达到最大值时对应的动作空间。
在一种实施例中，确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率，包括：
确定区块生成任务的单位资源期望成本，并且确定服务车辆的单位资源加权成本；
根据单位资源期望成本以及单位资源加权成本确定若干个目标卸载车辆，将区块生成任务分别与各个目标卸载车辆进行匹配并确定各个目标卸载车辆对应的第二层卸载率。
在一种实施例中，根据单位资源期望成本以及单位资源加权成本确定若干个目标卸载车辆，将区块生成任务分别与各个目标卸载车辆进行匹配并确定各个目标卸载车辆对应的第二层卸载率，包括：
若区块生成任务具有n个，服务车辆具有m个，则将n个区块生成任务对应的n个单位资源期望成本进行降序排列，并将m个服务车辆对应的m个单位资源加权成本进行升序排列；
若第y个单位资源期望成本大于或等于第y个单位资源加权成本，且第y+1个单位资源期望成本小于或等于第y+1个单位资源加权成本，则将m个单位资源加权成本之中小于第y个单位资源加权成本的其余m-y个单位资源加权成本对应的服务车辆进行空余计算资源升序排列，得到目标卸载车辆序列；
将目标卸载车辆序列中空余计算资源最大的服务车辆作为当前目标卸载车辆，将当前目标卸载车辆与当前第y个单位资源期望成本对应的区块生成任务进行匹配；
根据任务资源需求以及第一层卸载率确定第二层卸载过程对应的空余资源需求量，第二层卸载过程为路侧单元将区块生成任务卸载至目标卸载车辆的过程；
若空余资源需求量小于当前目标卸载车辆对应的空余计算资源，则在由n个区块生成任务组成的任务列表中剔除当前第y个单位资源期望成本对应的区块生成任务，并且更新当前目标卸载车辆对应的空余计算资源以及更新目标卸载车辆序列，并且确定当前目标卸载车辆的第二层卸载率为空余资源需求量与任务资源需求的比值；
若空余资源需求量大于当前目标卸载车辆对应的空余计算资源，则在目标卸载车辆序列中剔除当前目标卸载车辆，并且更新空余资源需求量，并且确定当前目标卸载车辆的第二层卸载率为当前目标卸载车辆对应的空余计算资源与任务资源需求的比值；
若空余资源需求量等于当前目标卸载车辆对应的空余计算资源，则在任务列表中剔除当前第y个单位资源期望成本对应的区块生成任务，以及在目标卸载车辆序列中剔除当前目标卸载车辆，并且确定当前目标卸载车辆的第二层卸载率为空余资源需求量与任务资源需求的比值；
直至任务列表为空列表，则停止将区块生成任务分别与各个目标卸载车辆进行匹配；
或
直至目标卸载车辆序列为空序列，则停止将区块生成任务分别与各个目标卸载车辆进行匹配，并确定当前空余资源需求量是否大于零，若当前空余资源需求量大于零，则将当前空余资源需求量对应的任务作为第二留存任务。
在一种实施例中，确定区块生成任务的单位资源期望成本，并且确定服务车辆的单位资源加权成本，包括：
构建第一匹配效用优化函数以及第二匹配效用优化函数，第一匹配效用优化函数用于确定任务效益参数、第一任务匹配成功概率以及单位资源期望成本之间的函数关系，单位资源期望成本用于实现区块生成任务的效益最大化；第二匹配效用优化函数用于确定单位资源成本、第二任务匹配成功概率以及单位资源加权成本之间的函数关系，单位资源加权成本用于实现服务车辆的服务效益最大化；
根据第一匹配效用优化函数以及第二匹配效用优化函数确定单位资源期望成本以及单位资源加权成本。
在一种实施例中，对目标区块进行验证，包括：
若主侧区块链中超过三分之二的节点确定通过验证，则目标区块通过验证；
若目标区块的验证处理时长大于验证限制时长，则目标区块不能够通过验证，验证处理时长为目标区块传播时延与验证时延的和，其中，目标区块传播时延根据目标区块的事务数量、单位事务数据量、区块传输速率、节点间距以及光速进行确定，验证时延根据预设平均验证速度参数以及事务数量进行确定。
本申请第二方面提供一种电子设备，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任务卸载方法。
本申请第三方面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任务卸载方法。
本申请提供的任务卸载方法、电子设备及存储介质，通过获取任务车辆的区块生成任务的任务资源需求，并获取服务车辆的空余计算资源以及单位资源成本，根据任务资源需求、空余计算资源和单位资源成本确定第一层卸载率，并且确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率，根据第一层卸载率引导任务车辆将区块生成任务中的第一部分任务卸载至路侧单元中进行处理，根据各个目标卸载车辆对应的第二层卸载率引导路侧单元将第一部分任务中的第二部分任务分别卸载至各个目标卸载车辆中进行处理，从而能够通过双层卸载来达到优化卸载位置和卸载率的目的，进而提高交通系统资源的利用率以能够提升区块生成任务的处理效率；接收路侧单元以及各个目标卸载车辆的任务处理结果，形成卸载任务结果，将卸载任务结果发送至任务车辆中，形成区块生成任务对应的目标任务结果，根据目标任务结果确定区块生成任务是否完成，若完成，则生成目标区块，并对目标区块进行验证，若目标区块验证通过，则将目标区块添加至主侧区块链中存储辅助驾驶数据，从而能够高效生成目标区块来存储辅助驾驶数据，从而提升主侧区块链中区块之间的信息同步效率，提升辅助驾驶数据的可信存储效率，提高辅助驾驶的可靠性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的任务卸载方法的流程示意图之一；
图2是本申请实施例提供的任务卸载方法的流程示意图之二；
图3是本申请实施例提供的任务卸载方法的流程示意图之三；
图4是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1是本申请实施例提供的任务卸载方法的流程示意图之一。请参照图1，本申请实施例提供的任务卸载方法，可以包括：
步骤101、获取任务车辆的区块生成任务的任务资源需求，并获取服务车辆的空余计算资源以及单位资源成本。
区块链是一个分散的数据库，并通过共识在所有节点之间建立信任关系。在本申请实施例中，并没有采用典型区块链框架，这是由于该典型区块链框架的可扩展性和共识效率较低，而是采用主侧区块链，即是1+n主侧区块链，由一个主链和多个侧链组成的区块链，通常在主链上存储索引信息，并在侧链上存储完整数据信息。通过应用该主侧区块链，属于不同车型的辅助驾驶数据信息存储在不同的侧链上，从而减少存储在区块链节点上的账本大小，减少每个侧链上的共识节点数量，从而提高共识速度，减少通信开销，扩大存储空间，主链允许所有节点访问，而侧链只允许某些类型的车辆和受信任的机构访问，避免不同侧链，即不同类型的车辆之间的数据泄漏。
在本申请实施例中，基于1+n主侧区块链所建立的系统包括但不限于路侧单元、可信机构，即提供辅助驾驶服务的机构，以及救护车、政府车辆、警车和私家车等车辆。该系统包含有关访问数据的实体的信息、车辆的类型和驾驶信息以及访问此数据的协议。以警车作为任务车辆为例，当警车需要辅助驾驶服务时，警车的OBU，即车载单元实时获取车辆的驾驶数据，并将数据传递给可信机构进行处理，当辅助驾驶分析完成时，需要在相应的侧链上生成区块来存储辅助驾驶数据，包括正确的速度、行驶路线等驾驶信息，以及其他车辆信息。同时，与该警车距离最近的路侧单元对辅助驾驶数据的索引信息进行打包，以生成主链块。
因此，为了更高效地对辅助驾驶数据进行可信存储，则需要更高效地生成区块，以能够满足辅助驾驶的低延迟和高吞吐量要求。在完成任务车辆的区块生成任务，则需要获取任务资源需求，并获取服务车辆的空余计算资源以及单位资源成本来进行分析，任务资源需求即是要完成区块生成任务所需要的计算资源，空余计算资源即是服务车辆的处理器中的处于空闲状态的计算资源，单位资源成本即是任务车辆在请求服务车辆辅助完成区块生成任务时占用单位空闲计算资源所要付出的成本。
步骤102、根据任务资源需求、空余计算资源和单位资源成本确定第一层卸载率，并且确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率。
在本申请实施例中，任务车辆、服务车辆和路侧单元会组成协作任务处理网络，MEC服务器部署在路侧单元上，MEC即是移动边缘计算技术，将计算、通信和存储资源放置在更靠近车辆的位置，能够有效提高区块链系统的服务质量。
城市环境中因红绿灯或收费站停车会导致车辆聚集，这些缓慢行驶的服务车辆将在短时间内形成协作任务处理网络，而这些服务车辆可能有丰富的空余计算资源，因此可以通过车辆聚集地旁的路侧单元将任务车辆的区块生成任务卸载到这些服务车辆，使任务车辆和周边服务车辆协同完成区块生成任务，以减少区块生成任务的完成时间，提高区块生成效率，因此，为了更好地利用这些服务车辆去完成区块生成任务，在本申请实施例中采用了双层卸载方式，即任务车辆通过第一层卸载率先卸载一部分任务到路侧单元，路侧单元再通过第二层卸载率又将一部分任务卸载到服务车辆中，达到卸载位置以及卸载率的优化，提高服务车辆的空余计算资源的利用率。
步骤103、根据第一层卸载率引导任务车辆将区块生成任务中的第一部分任务卸载至路侧单元中进行处理，根据各个目标卸载车辆对应的第二层卸载率引导路侧单元将第一部分任务中的第二部分任务分别卸载至各个目标卸载车辆中进行处理。
可以理解的是，除了服务车辆以外，路侧单元也可以进行一部分任务的处理，充分利用任务车辆、服务车辆和路侧单元的计算资源，更好平衡占用资源的成本和任务完成时延。
步骤104、接收路侧单元以及各个目标卸载车辆的任务处理结果，形成卸载任务结果，将卸载任务结果发送至任务车辆中，形成区块生成任务对应的目标任务结果。
在本申请实施例中，各个目标卸载车辆的任务处理结果会在路侧单元中与路侧单元的任务处理结果进行合并，从而得到卸载至路侧单元和各个目标卸载车辆的任务的处理结果，即卸载任务结果，在接收到任务车辆的下载指令时，将卸载任务结果发送至任务车辆中，与在任务车辆中执行的任务的处理结果进行合并，从而得到完整的区块生成任务对应的目标任务结果。
步骤105、根据目标任务结果确定区块生成任务是否完成，若完成，则生成目标区块，并对目标区块进行验证，若目标区块验证通过，则将目标区块添加至主侧区块链中存储辅助驾驶数据。
在主侧区块链中会采用工作证明共识算法，在共识过程中，计算密集型任务将在主链和侧链上的区块生成节点上形成其中，路侧单元和任务车辆分别充当主链和侧链的共识节点。在工作证明共识算法中，生成目标块的成功率取决于区块生成任务的执行处理者的散列率，即每秒查询数与整个网络的总散列率之间的比率。因此，在确定区块生成任务确定完成后，则立即将该生成的目标区块传播至区块链网络上进行验证，若主侧区块链中超过三分之二的节点确定通过验证，则目标区块通过验证，则将目标区块添加至主侧区块链中存储辅助驾驶数据；若目标区块的验证处理时长大于验证限制时长，说明传播时延和验证时延过长，该目标区块将成为孤立的区块，并被区块链放弃，则目标区块不能够通过验证，验证处理时长为目标区块传播时延与验证时延的和，其中，目标区块传播时延根据目标区块的事务数量、单位事务数据量、区块传输速率、节点间距以及光速进行确定，验证时延根据预设平均验证速度参数以及事务数量进行确定。
具体地，目标区块传播时延可以通过以下公式(1)进行确定：
公式(1)：
其中，
为目标区块传播时延，tblock是目标区块的事务数量，Hdata是单位事务数据量，R是区块传输速率，dn是节点间距，c是光速。
具体地，由于事务验证和工作证明共识算法计算过程消耗固定数量的计算能力，因此可以设定验证时间与目标区块的事务数量呈线性关系，则验证时延可以确定为l·tblock，其中，l为预设平均验证速度参数，即是由网络大小和区块链节点的平均验证速度确定的参数。
综上，验证处理时长可以通过以下公式(2)进行确定：
公式(2)：
可以理解的是，以上对于目标区块的验证方式仅为示例性的，在实际应用中，目标区块的验证方式是多样的，需根据实际应用情况确定合适的验证方式，此处不作唯一限定。
从上述实施例中可以看出以下有益效果：
通过获取任务车辆的区块生成任务的任务资源需求，并获取服务车辆的空余计算资源以及单位资源成本，根据任务资源需求、空余计算资源和单位资源成本确定第一层卸载率，并且确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率，根据第一层卸载率引导任务车辆将区块生成任务中的第一部分任务卸载至路侧单元中进行处理，根据各个目标卸载车辆对应的第二层卸载率引导路侧单元将第一部分任务中的第二部分任务分别卸载至各个目标卸载车辆中进行处理，从而能够通过双层卸载来达到优化卸载位置和卸载率的目的，进而提高交通系统资源的利用率以能够提升区块生成任务的处理效率；接收路侧单元以及各个目标卸载车辆的任务处理结果，形成卸载任务结果，将卸载任务结果发送至任务车辆中，形成区块生成任务对应的目标任务结果，根据目标任务结果确定区块生成任务是否完成，若完成，则生成目标区块，并对目标区块进行验证，若目标区块验证通过，则将目标区块添加至主侧区块链中存储辅助驾驶数据，从而能够高效生成目标区块来存储辅助驾驶数据，从而提升主侧区块链中区块之间的信息同步效率，提升辅助驾驶数据的可信存储效率，提高辅助驾驶的可靠性。
在实际应用中，会通过构建卸载优化模型来确定第一层卸载率，从而能够优化任务车辆与路侧单元之间的卸载率。
请参照图2，本申请实施例提供的任务卸载方法，可以包括：
步骤201、根据路侧单元与任务车辆以及服务车辆之间的信道带宽、信道增益、传输功率、路径损耗指数、背景噪声功率以及距离信息确定路侧单元与任务车辆以及服务车辆之间的数据传输速率。
当任务车辆和服务车辆进入路侧单元的覆盖区域时，可以通过vehicular-to-infrastructure通信可以将被卸载的区块生成任务传输到MEC服务器中，也可以采用其他无线通信技术。当车辆由于红绿灯或收费站等原因缓慢行驶时，可以通过香农公式获得车辆和路侧单元之间的数据传输速率，可以表示为以下公式(3)：
公式(3)：
而当车辆以正常速度行驶时，车辆和路侧单元之间的数据传输速率，可以表示为以下公式(4)：
公式(4)：
其中，Ri,j(t)为车辆i与路侧单元j之间的数据传输速率，ωi,j为车辆i和路侧单元j之间的信道带宽，gi,j(t)为车辆i和路侧单元j之间的信道增益，pi,j(t)表示车辆i和路侧单元j之间的传输功率，χ表示路径损耗指数，σ2表示背景噪声功率，di(t)为车辆i与路侧单元j之间的距离，hj为路侧单元j的高度，li为车辆i的初始位置，dj为路侧单元j的范围长度，vi表示车辆i的平均行驶速度。
可以理解的是，在实际应用中，车辆和路侧单元之间的数据传输速率的确定方式是多样的，需根据实际应用情况确定合适的确定方式，此处不作唯一限定。
步骤202、根据任务数据量、任务计算强度以及第一CPU频率确定任务车辆完成区块生成任务对应的第一完成时长，根据任务数据量、任务计算强度、数据量比例、数据传输速率、第一CPU频率以及第二CPU频率确定总时延函数。
任务车辆的区块生成任务的任务信息包括但不限于任务数据量、任务计算强度、数据量比例以及任务最大容忍时延，数据量比例为输出结果数据量与输入数据量的比例，在区块生成任务形成的之时即可获取得到。
获取任务车辆以及服务车辆的第一CPU频率，在本申请实施例中，设定任务车辆和服务车辆的CPU频率一致，获取路侧单元的第二CPU频率，在本申请实施例中，设定路侧单元的CPU频率大于任务车辆和服务车辆的CPU频率。
当区块生成任务单独在任务车辆中完成处理时，可以根据任务数据量、任务计算强度以及第一CPU频率确定任务车辆完成区块生成任务对应的第一完成时长，而在此情况下，区块生成任务的完成时延仅取决于任务车辆的计算能力。具体地，通过Sa表示处理区块生成任务的总CPU周期，Sa可以通过公式(5)进行表示，第一完成时长可以通过公式(6)进行表示：
公式(5)：Sa＝DaXa
公式(6)：
其中，Da为任务数据量，Xa为任务计算强度，Tloc(t)为第一完成时长，fv为第一CPU频率。
而当区块生成任务由任务车辆和附近的路侧单元协同处理，则区块生成任务可以分为两部分，即(1-α)Da由任务车辆进行处理，αDa由路侧单元进行处理，其中，α为第一层卸载率。如果路侧单元范围之内有服务车辆，则可以进一步地通过第二层卸载率β将区块生成任务分别卸载到各个符合卸载要求的服务车辆中，即目标卸载车辆之中，可以理解的是，每个目标卸载车辆所对应的卸载率可以是不一致的，因此，β＝{β1,β2,β3…,βk}，且βk∈[0,α)。通过
表示所有目标卸载车辆负责处理的任务比例，该任务比例主要受到空余计算资源的影响。
根据任务数据量、任务计算强度、数据量比例、数据传输速率、第一CPU频率以及第二CPU频率确定总时延函数，总时延函数用于确定第一层卸载率、第二层卸载率与第二完成时长之间的函数关系，第二完成时长为区块生成任务卸载至路侧单元以及各个目标卸载车辆进行处理的时长，具体地：
根据任务数据量、任务计算强度以及第一CPU频率确定第一时长函数，第一时长函数用于确定第一留存任务的处理时长与第一层卸载率之间的函数关系，第一留存任务为区块生成任务中留存在任务车辆中进行处理的任务，第一时长函数可以通过以下公式(7)进行表示：
公式(7)：
根据任务数据量、任务计算强度以及第二CPU频率确定第二时长函数，第二时长函数用于确定第二留存任务的处理时长、第一层卸载率以及第二层卸载率之间的函数关系，第二留存任务为区块生成任务中留存在路侧单元中进行处理的任务，第二时长函数可以通过以下公式(8)进行表示：
公式(8)：
其中，fR为第二CPU频率。
根据任务数据量、任务计算强度以及第一CPU频率确定第三时长函数，第三时长函数用于确定各个目标卸载车辆的任务处理时长与第二层卸载率之间的函数关系，第三时长函数可以通过以下公式(9)进行表示：
公式(9)：
根据数据传输速率、任务数据量以及数据量比例确定通信时延函数，通信时延函数用于确定各个目标卸载车辆与路侧单元之间的通信时延与第二层卸载率之间的函数关系，以λa表示数据量比例，可以通过公式(10)表示各个目标卸载车辆与路侧单元之间的数据传输速率，通过公式(11)表示通信时延函数：
公式(10)：
公式(11)：
将各个目标卸载车辆对应的第三时长函数与各个目标卸载车辆对应的通信时延函数对应求和，得到若干个目标车辆处理时延函数，可以通过公式(12)进行表示：
公式(12)：
根据若干个目标车辆处理时延函数以及第二时长函数确定各个目标卸载车辆的任务以及第二留存任务之中的最大处理时延，将各个目标卸载车辆以及路侧单元之中的最大处理时延对应的函数确定为卸载任务处理时延函数，可以理解的是，由于目标卸载车辆和路侧单元是同时进行卸载任务的处理的，因此，假设是某一辆目标卸载车辆的处理时延最长，则最终整体的卸载任务的处理时延就定义为该目标卸载车辆的处理时延，因为其他目标卸载车辆或者路侧单元即使已经处理完各自的任务，但是需要等待所有卸载的任务完成之后才能回传至路测单元之中进行合并，因此，卸载任务处理时延函数可以通过公式(13)进行表示：
公式(13)：Texe(t)＝max{Texe,j(t),T1(t),T2(t)……,Tk(t)}
根据任务数据量以及数据传输速率确定卸载时延函数，卸载时延函数用于确定任务车辆与路侧单元之间的卸载通讯时延与第一层卸载率之间的函数关系，可以理解的是，在任务卸载过程中，在任务车辆与路测单元之间的通讯过程中会产生时延，因此卸载时延函数可以通过公式(14)进行表示：
公式(14)：
根据任务数据量、数据量比例以及数据传输速率确定接收时延函数，接收时延函数用于确定任务车辆与路侧单元之间的接收通讯时延与第一层卸载率之间的函数关系，可以理解的是，在任务回传过程中，在任务车辆与路测单元之间的通讯过程中会产生时延，因此接收时延函数可以通过公式(15)进行表示：
公式(15)：
将卸载任务处理时延函数、卸载时延函数以及接收时延函数求和，得到卸载任务完成时延函数；
根据卸载任务完成时延函数以及第一时长函数确定卸载任务和第一留存任务之中的最大处理时延，将卸载任务和第一留存任务之中的最大处理时延对应的函数确定为总时延函数，可以理解的是，在任务车辆中的任务和卸载任务是同时处理的，因此，假设是任务车辆的处理时延最长，则最终整体的区块生成任务的处理时延就定义为任务车辆的处理时延，因为卸载任务即使已经处理完毕，但是也需要等待任务车辆的任务完成之后才能进行合并，形成目标任务结果，因此，总时延函数可以通过公式(16)进行表示：
公式(16)：
步骤203、基于单位资源成本、任务最大容忍时延以及第一完成时长确定任务车辆效用函数，并且基于单位资源成本、任务最大容忍时延以及总时延函数确定分层卸载效用函数。
在本申请实施例中，任务车辆效用函数以及分层卸载效用函数均为逻辑效用函数，用于量化资源效益满意度的水平，主要通过任务处理延迟和资源成本来进行衡量，效用函数应该随着任务处理延迟的增加而单调递减，而由于任务处理延迟较短，车辆的效用可以获得更高的满意度。此外，车辆在任务处理延迟方面的满意度应该是非负的。而将计算任务卸载到路侧单元或其他车辆需要付出相应成本，成本的形式可以是给予相应的费用或者是资源的交换等等，不作唯一限定。
具体地，任务车辆效用函数可以通过以下公式(17)进行表示：
公式(17)：
分层卸载效用函数可以通过以下公式(18)进行表示：
公式(18)：
其中，θ为权重系数，I(x)是一个指示函数，当x为真时，它等于1，否则它等于0，Tloc为任务车辆单独处理区块生成任务的总时延，Ttot为区块生成任务由任务车辆和附近的路侧单元协同处理的总时延，
为用于标准化
的参数，Bi为车辆i的单位资源成本，
是协作任务处理网络中的平均单位资源成本，τa为任务最大容忍时延。
步骤204、根据任务车辆效用函数以及分层卸载效用函数构建卸载优化模型。
为了提高主侧区块链系统的资源利用率，设计了一个计算卸载率和资源分配的优化模型，即卸载优化模型，具体地，卸载优化模型可以表示为公式(19)：
公式(19)：
其中，
是卸载决策，x∈{loc,mec}为卸载位置，包括任务车辆单独处理任务和由任务车辆和附近的路侧单元协同分层卸载处理任务，约束条件C1和C2确保任务卸载位置有效，约束条件C3确保卸载任务的数据量不能超过链路容量，约束条件C4表明，任务的总处理延迟不能超过任务最大容忍时延。约束条件C5确保任务的卸载率是有效的，约束条件C6是协作任务处理网络的总计算资源约束。
步骤205、基于卸载优化模型确定第一层卸载率。
将A3C算法的奖励函数确定为卸载优化模型，通过A3C算法确定卸载优化模型的最大值，将目标动作空间中的卸载率确定为第一层卸载率，目标动作空间为卸载优化模型达到最大值时对应的动作空间。具体地，在A3C算法中，状态值函数V(st；θv)和相应的策略π(a(t)|s(t)；θ)可以根据输入状态进行计算，然后，A3C算法通过使用奖励函数的梯度来更新参数θ，从而获得再奖励函数的最大值。从而采用A3C算法解决计算卸载决策与第一层卸载率的问题。
将当前的状态空间表示为服务车辆的可用计算资源，可以通过公式(20)来进行表示服务车辆的可用计算资源，也可以用公式(21)来表示当前的空间状态：
公式(20)：Cs(t)＝{C1(t),C2(t),...,Ck(t)}
公式(21)：S(t)@{Cs(t)}
动作空间包括卸载决策
和第一层卸载率α，通过As(t)定义动作集，用公式(22)来表示动作集，通过公式(23)来表示卸载决策：
公式(22)：
公式(23)：
从而在执行一个动作后，离开当前状态s(t)到下一个状态s(t+1)的概率可以定义为公式(24)：
公式(24)：
进一步地，可以将A3C算法的奖励函数确定为卸载优化模型，A3C算法的奖励函数可以通过公式(25)进行表示：
公式(25)：
可以理解的是，A3C算法有一个初始状态，一组动作集合，一个奖励函数，算法会基于某些策略选择动作，随着动作的进行，会得到奖励值与新状态，直到达到了终止状态，或者迭代轮数达到了设置的最大轮数，算法结束。A3C算法的奖励函数可以视为卸载决策和卸载率的优化目标，整个算法过程就是在找出使奖励函数最大的动作，从而通过A3C算法的奖励函数可以求解得到目标动作空间，从而在目标动作空间中得到第一层卸载率。
通过确定路侧单元与任务车辆以及服务车辆之间的数据传输速率，确定任务车辆完成区块生成任务对应的第一完成时长，确定总时延函数，基于单位资源成本、任务最大容忍时延以及第一完成时长确定任务车辆效用函数，并且基于单位资源成本、任务最大容忍时延以及总时延函数确定分层卸载效用函数，根据任务车辆效用函数以及分层卸载效用函数构建卸载优化模型，基于卸载优化模型确定第一层卸载率，提高资源利用率，更好地平衡资源成本和区块生成任务的处理时延。
在实际应用中，还会进一步确定第二层卸载率，使得路侧单元能够依据第二层卸载率将任务卸载至目标卸载车辆中进行处理，进一步提升空域资源利用率。
请参照图3，本申请实施例提供的任务卸载方法，可以包括：
步骤301、构建第一匹配效用优化函数以及第二匹配效用优化函数。
设置初始效用公式，可以通过公式(26)进行表示：
公式(26)：E(u)＝(vi-bpi)P(bpi)
其中，vi表示任务效益参数，bpi表示单位资源期望成本，P(bpi)表示任务列表中的第i个区块生成任务的匹配成功率，即第一任务匹配成功概率。可以理解的是，在主侧区块链系统中有多个处于正在执行区块生成任务的任务车辆与多个路侧单元，多个路侧单元之下覆盖有多个服务车辆。而正在处理的区块生成任务可以组成任务列表。
在本申请实施例中，路侧单元和服务车辆都以线性策略给出期望成本与加权成本，设最大资源成本为Pmax，最小资源成本为Pmin，因此bpi与apk服从均匀分布，可以通过公式(27)和公式(28)表示均匀分布状态：
公式(27)：
公式(28)：
其中，
μb，
μs为固定参数。
因此，可以将第二层卸载率的优化问题制定为第一匹配效用优化函数P1和第二匹配效用优化函数P2，其中，P1可以通过公式(29)进行表示，P2可以通过公式(30)进行表示：
公式(29)：P1：
公式(30)：P2：
其中，Bk为单位资源成本，apk为单位资源加权成本，P(apk)为任务与第k辆目标卸载车辆的匹配成功率，即第二任务匹配成功概率，ubp(vi,bpi)表示第一匹配效用优化函数中的第一匹配效用，
表示求解使得第一匹配效用最大的单位资源期望成本，uap(Bk,apk)表示第二匹配效用优化函数中的第二匹配效用，
表示求解使得第二匹配效用最大的单位资源加权成本。
第一匹配效用优化函数用于确定任务效益参数、第一任务匹配成功概率以及单位资源期望成本之间的函数关系，单位资源期望成本用于实现区块生成任务的效益最大化；第二匹配效用优化函数用于确定单位资源成本、第二任务匹配成功概率以及单位资源加权成本之间的函数关系，单位资源加权成本用于实现服务车辆的服务效益最大化。
步骤302、根据第一匹配效用优化函数以及第二匹配效用优化函数确定单位资源期望成本以及单位资源加权成本。
进一步地，vi-bpi与P(bpi)计算分别可得公式(31)和公式(32)：
公式(31)：
公式(32)：
apk-Bk与P(apk)计算分别可得公式(33)和公式(34)：
公式(33)：
公式(34)：
进一步地，将公式(31)至公式(34)代入公式(29)和公式(30)，并设置一阶导数为零，则可以得到公式(35)、公式(36)和公式(37)：
公式(35)：
公式(36)：
公式(37)：
步骤303、根据单位资源期望成本以及单位资源加权成本确定若干个目标卸载车辆，将区块生成任务分别与各个目标卸载车辆进行匹配并确定各个目标卸载车辆对应的第二层卸载率。
若区块生成任务具有n个，服务车辆具有m个，则将n个区块生成任务对应的n个单位资源期望成本进行降序排列，并将m个服务车辆对应的m个单位资源加权成本进行升序排列。
若第y个单位资源期望成本大于或等于第y个单位资源加权成本，且第y+1个单位资源期望成本小于或等于第y+1个单位资源加权成本，即bpy≥apy且bpy+1≤apy+1，则将m个单位资源加权成本之中小于第y个单位资源加权成本的其余m-y个单位资源加权成本对应的服务车辆进行空余计算资源升序排列，得到目标卸载车辆序列。
将目标卸载车辆序列中空余计算资源最大的服务车辆作为当前目标卸载车辆，将当前目标卸载车辆与当前第y个单位资源期望成本对应的区块生成任务进行匹配。
根据任务资源需求以及第一层卸载率确定第二层卸载过程对应的空余资源需求量，第二层卸载过程为路侧单元将区块生成任务卸载至目标卸载车辆的过程，空余资源需求量即是第一层卸载率与任务资源需求的乘积。
若空余资源需求量小于当前目标卸载车辆对应的空余计算资源，则在由n个区块生成任务组成的任务列表中剔除当前第y个单位资源期望成本对应的区块生成任务，因为该任务已经匹配完成并准备开展后续处理，之后不再参与匹配，并且更新当前目标卸载车辆对应的空余计算资源以及更新目标卸载车辆序列，可以理解的是，目标卸载车辆由于匹配了该任务，该任务占用了目标卸载车辆的空余计算资源，因此在匹配该任务后目标卸载车辆的空余计算资源应该减少空余资源需求量，得到更新后的空余计算资源，由于该目标卸载车辆的空余计算资源发生减少，因此其在目标卸载车辆序列中的排序位置相应发生了变化，因此需要更新目标卸载车辆序列。并且确定当前目标卸载车辆的第二层卸载率为空余资源需求量与任务资源需求的比值，示例性的，假设空余资源需求量为5，任务资源需求为10，则当前目标卸载车辆的第二层卸载率为0.5。
若空余资源需求量大于当前目标卸载车辆对应的空余计算资源，则在目标卸载车辆序列中剔除当前目标卸载车辆，因为当前目标卸载车辆的空余计算资源已被完全占用，无法继续匹配任务，并且更新空余资源需求量，并且确定当前目标卸载车辆的第二层卸载率为当前目标卸载车辆对应的空余计算资源与任务资源需求的比值。示例性的，假设当前空余资源需求量为5，任务资源需求为10，当前目标卸载车辆对应的空余计算资源为2，则与当前目标卸载车辆匹配完成后空余资源需求量更新为3，当前目标卸载车辆的第二层卸载率为0.2。而该任务需要寻找另一目标卸载车辆进行匹配，使得余下的空余资源需求量能够得到处理。
若空余资源需求量等于当前目标卸载车辆对应的空余计算资源，则在任务列表中剔除当前第y个单位资源期望成本对应的区块生成任务，以及在目标卸载车辆序列中剔除当前目标卸载车辆，并且确定当前目标卸载车辆的第二层卸载率为空余资源需求量与任务资源需求的比值。
直至任务列表为空列表，说明没有需要进行处理的区块生成任务，则停止将区块生成任务分别与各个目标卸载车辆进行匹配；或者直至目标卸载车辆序列为空序列，则停止将区块生成任务分别与各个目标卸载车辆进行匹配，并确定当前空余资源需求量是否大于零，若当前空余资源需求量大于零，则将当前空余资源需求量对应的任务作为第二留存任务。
通过构建第一匹配效用优化函数以及第二匹配效用优化函数，根据第一匹配效用优化函数以及第二匹配效用优化函数确定单位资源期望成本以及单位资源加权成本，根据单位资源期望成本以及单位资源加权成本确定若干个目标卸载车辆，将区块生成任务分别与各个目标卸载车辆进行匹配并确定各个目标卸载车辆对应的第二层卸载率，使得卸载位置和卸载率得到优化，充分利用任务车辆、服务车辆和路边单元的资源，提高资源利用率，更好地平衡资源成本和区块生成任务的处理时延，提升区块生成任务的处理效率。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行任务卸载方法。
此外，上述的存储器430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，本申请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设备(可以是个人计算机，服务器，或者网络设备等)执行本申请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。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的任务卸载方法。
又一方面，本申请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方法提供的任务卸载方法。
以上所描述的装置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设备(可以是个人计算机，服务器，或者网络设备等)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。
Claims (10)
1.一种任务卸载方法，其特征在于，包括：
获取任务车辆的区块生成任务的任务资源需求，并获取服务车辆的空余计算资源以及单位资源成本；
根据所述任务资源需求、所述空余计算资源和所述单位资源成本确定第一层卸载率，并且确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率；
根据所述第一层卸载率引导所述任务车辆将所述区块生成任务中的第一部分任务卸载至路侧单元中进行处理，根据各个目标卸载车辆对应的第二层卸载率引导所述路侧单元将所述第一部分任务中的第二部分任务分别卸载至各个目标卸载车辆中进行处理；
接收所述路侧单元以及各个目标卸载车辆的任务处理结果，形成卸载任务结果，将所述卸载任务结果发送至所述任务车辆中，形成所述区块生成任务对应的目标任务结果；
根据所述目标任务结果确定所述区块生成任务是否完成，若完成，则生成目标区块，并对所述目标区块进行验证，若所述目标区块验证通过，则将所述目标区块添加至主侧区块链中存储辅助驾驶数据。
2.根据权利要求1所述的任务卸载方法，其特征在于，
所述区块生成任务的任务信息包括任务数据量、任务计算强度、数据量比例以及任务最大容忍时延，所述数据量比例为输出结果数据量与输入数据量的比例；
所述根据所述任务资源需求、所述空余计算资源和所述单位资源成本确定第一层卸载率，包括：
根据所述路侧单元与所述任务车辆以及所述服务车辆之间的信道带宽、信道增益、传输功率、路径损耗指数、背景噪声功率以及距离信息确定所述路侧单元与所述任务车辆以及所述服务车辆之间的数据传输速率；
获取所述任务车辆以及所述服务车辆的第一CPU频率，获取路侧单元的第二CPU频率；
根据所述任务数据量、所述任务计算强度以及所述第一CPU频率确定所述任务车辆完成所述区块生成任务对应的第一完成时长；
根据所述任务数据量、所述任务计算强度、所述数据量比例、所述数据传输速率、所述第一CPU频率以及所述第二CPU频率确定总时延函数，所述总时延函数用于确定所述第一层卸载率、所述第二层卸载率与第二完成时长之间的函数关系，所述第二完成时长为所述区块生成任务卸载至所述路侧单元以及各个目标卸载车辆进行处理的时长；
基于所述单位资源成本、所述任务最大容忍时延以及所述第一完成时长确定任务车辆效用函数，并且基于所述单位资源成本、所述任务最大容忍时延以及所述总时延函数确定分层卸载效用函数；
根据所述任务车辆效用函数以及所述分层卸载效用函数构建卸载优化模型；
基于所述卸载优化模型确定所述第一层卸载率。
3.根据权利要求2所述的任务卸载方法，其特征在于，
所述根据所述任务数据量、所述任务计算强度、所述数据量比例、所述数据传输速率、所述第一CPU频率以及所述第二CPU频率确定总时延函数，包括：
根据所述任务数据量、所述任务计算强度以及所述第一CPU频率确定第一时长函数，所述第一时长函数用于确定第一留存任务的处理时长与所述第一层卸载率之间的函数关系，所述第一留存任务为所述区块生成任务中留存在所述任务车辆中进行处理的任务；
根据所述任务数据量、所述任务计算强度以及所述第二CPU频率确定第二时长函数，所述第二时长函数用于确定第二留存任务的处理时长、所述第一层卸载率以及所述第二层卸载率之间的函数关系，所述第二留存任务为所述区块生成任务中留存在所述路侧单元中进行处理的任务；
根据所述任务数据量、所述任务计算强度以及所述第一CPU频率确定第三时长函数，所述第三时长函数用于确定各个目标卸载车辆的任务处理时长与第二层卸载率之间的函数关系；
根据所述数据传输速率、所述任务数据量以及所述数据量比例确定通信时延函数，所述通信时延函数用于确定各个目标卸载车辆与所述路侧单元之间的通信时延与所述第二层卸载率之间的函数关系；
将各个目标卸载车辆对应的第三时长函数与各个目标卸载车辆对应的通信时延函数对应求和，得到若干个目标车辆处理时延函数；
根据若干个目标车辆处理时延函数以及第二时长函数确定各个目标卸载车辆的任务以及所述第二留存任务之中的最大处理时延，将各个目标卸载车辆以及所述路侧单元之中的最大处理时延对应的函数确定为卸载任务处理时延函数；
根据所述任务数据量以及所述数据传输速率确定卸载时延函数，所述卸载时延函数用于确定所述任务车辆与所述路侧单元之间的卸载通讯时延与所述第一层卸载率之间的函数关系；
根据所述任务数据量、所述数据量比例以及所述数据传输速率确定接收时延函数，所述接收时延函数用于确定所述任务车辆与所述路侧单元之间的接收通讯时延与所述第一层卸载率之间的函数关系；
将所述卸载任务处理时延函数、所述卸载时延函数以及所述接收时延函数求和，得到卸载任务完成时延函数；
根据所述卸载任务完成时延函数以及所述第一时长函数确定卸载任务和所述第一留存任务之中的最大处理时延，将所述卸载任务和所述第一留存任务之中的最大处理时延对应的函数确定为所述总时延函数。
4.根据权利要求2所述的任务卸载方法，其特征在于，
所述基于所述卸载优化模型确定所述第一层卸载率，包括：
将A3C算法的奖励函数确定为所述卸载优化模型；
通过所述A3C算法确定所述卸载优化模型的最大值；
将目标动作空间中的卸载率确定为所述第一层卸载率，所述目标动作空间为所述卸载优化模型达到所述最大值时对应的动作空间。
5.根据权利要求3所述的任务卸载方法，其特征在于，
所述确定若干个目标卸载车辆和各个目标卸载车辆对应的第二层卸载率，包括：
确定所述区块生成任务的单位资源期望成本，并且确定所述服务车辆的单位资源加权成本；
根据所述单位资源期望成本以及所述单位资源加权成本确定若干个目标卸载车辆，将所述区块生成任务分别与各个目标卸载车辆进行匹配并确定各个目标卸载车辆对应的第二层卸载率。
6.根据权利要求5所述的任务卸载方法，其特征在于，
所述根据所述单位资源期望成本以及所述单位资源加权成本确定若干个目标卸载车辆，将所述区块生成任务分别与各个目标卸载车辆进行匹配并确定各个目标卸载车辆对应的第二层卸载率，包括：
若所述区块生成任务具有n个，所述服务车辆具有m个，则将n个区块生成任务对应的n个单位资源期望成本进行降序排列，并将m个服务车辆对应的m个单位资源加权成本进行升序排列；
若第y个单位资源期望成本大于或等于第y个单位资源加权成本，且第y+1个单位资源期望成本小于或等于第y+1个单位资源加权成本，则将m个单位资源加权成本之中小于所述第y个单位资源加权成本的其余m-y个单位资源加权成本对应的服务车辆进行空余计算资源升序排列，得到目标卸载车辆序列；
将所述目标卸载车辆序列中空余计算资源最大的服务车辆作为当前目标卸载车辆，将当前目标卸载车辆与当前第y个单位资源期望成本对应的区块生成任务进行匹配；
根据所述任务资源需求以及所述第一层卸载率确定第二层卸载过程对应的空余资源需求量，所述第二层卸载过程为所述路侧单元将所述区块生成任务卸载至目标卸载车辆的过程；
若所述空余资源需求量小于当前目标卸载车辆对应的空余计算资源，则在由n个区块生成任务组成的任务列表中剔除当前第y个单位资源期望成本对应的区块生成任务，并且更新当前目标卸载车辆对应的空余计算资源以及更新所述目标卸载车辆序列，并且确定当前目标卸载车辆的第二层卸载率为所述空余资源需求量与所述任务资源需求的比值；
若所述空余资源需求量大于当前目标卸载车辆对应的空余计算资源，则在所述目标卸载车辆序列中剔除当前目标卸载车辆，并且更新所述空余资源需求量，并且确定当前目标卸载车辆的第二层卸载率为当前目标卸载车辆对应的空余计算资源与所述任务资源需求的比值；
若所述空余资源需求量等于当前目标卸载车辆对应的空余计算资源，则在所述任务列表中剔除当前第y个单位资源期望成本对应的区块生成任务，以及在所述目标卸载车辆序列中剔除当前目标卸载车辆，并且确定当前目标卸载车辆的第二层卸载率为所述空余资源需求量与所述任务资源需求的比值；
直至所述任务列表为空列表，则停止将所述区块生成任务分别与各个目标卸载车辆进行匹配；
或
直至所述目标卸载车辆序列为空序列，则停止将所述区块生成任务分别与各个目标卸载车辆进行匹配，并确定当前空余资源需求量是否大于零，若当前空余资源需求量大于零，则将当前空余资源需求量对应的任务作为所述第二留存任务。
7.根据权利要求5所述的任务卸载方法，其特征在于，
所述确定所述区块生成任务的单位资源期望成本，并且确定所述服务车辆的单位资源加权成本，包括：
构建第一匹配效用优化函数以及第二匹配效用优化函数，所述第一匹配效用优化函数用于确定任务效益参数、第一任务匹配成功概率以及所述单位资源期望成本之间的函数关系，所述单位资源期望成本用于实现所述区块生成任务的效益最大化；所述第二匹配效用优化函数用于确定所述单位资源成本、第二任务匹配成功概率以及所述单位资源加权成本之间的函数关系，所述单位资源加权成本用于实现所述服务车辆的服务效益最大化；
根据所述第一匹配效用优化函数以及所述第二匹配效用优化函数确定所述单位资源期望成本以及所述单位资源加权成本。
8.根据权利要求1所述的任务卸载方法，其特征在于，
所述对所述目标区块进行验证，包括：
若所述主侧区块链中超过三分之二的节点确定通过验证，则所述目标区块通过验证；
若所述目标区块的验证处理时长大于验证限制时长，则所述目标区块不能够通过验证，所述验证处理时长为目标区块传播时延与验证时延的和，其中，所述目标区块传播时延根据所述目标区块的事务数量、单位事务数据量、区块传输速率、节点间距以及光速进行确定，所述验证时延根据预设平均验证速度参数以及所述事务数量进行确定。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述任务卸载方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述任务卸载方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210531500.2A CN115202863A (zh) | 2022-05-16 | 2022-05-16 | 任务卸载方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210531500.2A CN115202863A (zh) | 2022-05-16 | 2022-05-16 | 任务卸载方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115202863A true CN115202863A (zh) | 2022-10-18 |
Family
ID=83574347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210531500.2A Pending CN115202863A (zh) | 2022-05-16 | 2022-05-16 | 任务卸载方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115202863A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291273A (zh) * | 2023-11-24 | 2023-12-26 | 合肥微观纪元数字科技有限公司 | 量子计算区块链系统 |
-
2022
- 2022-05-16 CN CN202210531500.2A patent/CN115202863A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291273A (zh) * | 2023-11-24 | 2023-12-26 | 合肥微观纪元数字科技有限公司 | 量子计算区块链系统 |
| CN117291273B (zh) * | 2023-11-24 | 2024-02-13 | 合肥微观纪元数字科技有限公司 | 量子计算区块链系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111262940B (zh) | 一种车载边缘计算应用缓存方法、装置及系统 | |
| CN113918240B (zh) | 任务卸载方法及装置 | |
| CN109831522A (zh) | 一种基于smdp的车联云雾系统动态资源优化管理系统和方法 | |
| CN113364831B (zh) | 基于区块链的多域异构算网资源可信协同方法 | |
| CN111614754B (zh) | 面向雾计算的成本效率优化的动态自适应任务调度方法 | |
| CN113709249B (zh) | 辅助驾驶业务安全均衡卸载方法及系统 | |
| CN113641417B (zh) | 一种基于分支定界法的车辆安全任务卸载方法 | |
| CN114143346A (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 | |
| CN112329965B (zh) | 乘车服务调度方法、装置、电子设备及存储介质 | |
| Kovalenko et al. | Robust resource allocation using edge computing for vehicle to infrastructure (v2i) networks | |
| CN115202863A (zh) | 任务卸载方法、电子设备及存储介质 | |
| CN115297171A (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
| CN113518326A (zh) | 车载边缘网络计算资源和通信资源的联合分配优化方法 | |
| CN114641041A (zh) | 一种面向边缘智能的车联网切片方法及装置 | |
| CN114173301B (zh) | 一种基于dag区块链的车联网安全、高效数据共享方法 | |
| CN114980029A (zh) | 车联网中基于任务关联性的卸载方法 | |
| CN112511619B (zh) | 无线边缘区块链场景中的资源节点间交易匹配方法 | |
| CN117061553A (zh) | 边缘计算资源受限环境下的车边云协同任务卸载方法 | |
| Gupta et al. | Global edge bandwidth cost gradient-based heuristic for fast data delivery to connected vehicles under vehicle overlaps | |
| CN115080249B (zh) | 一种基于联邦学习的车联网多维资源分配方法及系统 | |
| CN115988462A (zh) | 一种基于车路协同的边缘计算模块的调试方法 | |
| Wang et al. | Trusted and collaborative data sharing with quality awareness in autonomous driving | |
| CN115134829A (zh) | 移动业务边缘协作卸载方法、装置、设备及介质 | |
| CN114884953A (zh) | 一种基于mec协作的车联网资源分配方法 | |
| CN116599966B (zh) | 基于区块链共享的边缘云服务并行资源分配方法 |
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 |