CN117939534A - 一种面向车联网的空地协同移动边缘计算方法及系统 - Google Patents

Abstract

本发明涉及车联网的技术领域，提出一种面向车联网的空地协同移动边缘计算方法及系统，包括以下步骤：构建空地协同移动边缘计算系统，包括：车辆移动用户、基站、若干个地面边缘服务器、无人机及一个空中边缘服务器；获取车辆移动用户分配给无人机的边缘服务器的带宽分配约束、车辆移动用户分配给基站的地面服务器的带宽分配约束、无人机轨迹约束、最大可用CPU频率约束和卸载比例分配约束，获取并根据移动边缘计算系统的总时延计算得到最大用户的最大系统时延；以最小化最大用户的最大平均系统时延为目标函数，考虑获取的约束，构建移动边缘计算优化模型；利用交替迭代法求解移动边缘计算优化模型，得到最大用户系统时延的最优值。

Description

一种面向车联网的空地协同移动边缘计算方法及系统

技术领域

本发明涉及车联网的技术领域，更具体地，涉及一种面向车联网的空地协同移动边缘计算方法及系统。

背景技术

随着物联网的发展以及新一代无线通信技术的出现，智能化和网络连接已成为汽车行业的发展趋势。信息传输和数据计算处理能力的急剧提升，加速了车联网(Internet ofVehicles,IoV)的范式转变。因此，车联网已成为一种新的网络范式，促进了智能交通系统的发展。在这种新范式中，车辆可以实时通信，实现车对车(Vehicle-to-Vehiclecommunication,V2V)和车对基站(vehicle-to-base station,V2B)的数据和信息共享。车联网应用不断涌现，需要实时车辆导航、车辆辅助驾驶、行驶目标监测、感知信息以及车载多媒体等时延敏感型数据密集型计算任务，需要大量的计算资源来处理。为了提高未来交通运输系统的可靠性，车联网可以根据固定的地面通信设施传输准确的实时信息，如基站(BSs)。然而，由于车辆的计算资源有限和一些密集用户的地点，比如十字路口交汇处等，导致处理计算密集型任务会产生过多的能耗和延迟。

针对这一问题，现有技术提出一种车联网中移动边缘计算方法，包括步骤：步骤1，车载终端经由基站将数据包发送到移动边缘计算服务器；步骤2，所述移动边缘计算服务器判断所述数据包是否为车联网数据，如果是非车联网数据则将所述数据包发送到核心网进行处理，如果是车联网数据则通过移动边缘计算服务器对所述数据包进行处理后通过基站发送至特定的车载终端。利用本发明可解决车联网中网络时延过高和网络负荷过大等问题，通过把移动边缘计算服务器部署到汇聚机房，利用服务器上的流量分流网关针对不同类型的数据进行不同目的地址的转发，使得车联网信息在网络边缘处理，从而提升网络质量。

现有技术利用移动边缘计算(Mobile Edge Computing,MEC)技术提升网络质量，使得车辆移动用户的计算密集型任务可以被卸载到MEC服务器上进行处理，MEC服务器通常被放置在网络中更靠近移动用户的边缘，通过将计算密集型任务转移给MEC服务器，可以有效地提升移动用户与MEC服务器之间的传输能效。

无人机作为一种高度移动性和易于部署的设施，适用于车联网或者移动物联网用户的通信。例如，车辆将频繁地与固定地面基站进行信息共享，从而在远离基站时产生巨大的信道衰落，或固定地面基站在处理计算大量用户的密集型任务时产生计算资源的争夺。然而，无人机可以飞向车辆或移动用户，以提供更好的数据传输，同时也填补了地面服务器在部署时的不足。为了能进一步提高车辆的通信计算性能，我们考虑了部分卸载方案，在每个时隙中，任务分成三部分，分别在本地进行计算，卸载到无人机服务器计算和卸载到固定地面的基站服务器计算。

当前，基于移动边缘计算的车联网技术未考虑过使用配备接收发射传感器的无人机作为不同类型的空中通信平台(空中移动基站或移动中继)为地面终端用户提供必要的通信支持的空地协同策略，仅仅依靠基于用户与基站的移动边缘计算，使得用户频繁地与固定地面的基站进行信息共享，从而在远离基站时产生巨大的信道衰落，或固定地面的基站在处理计算大量用户的密集型任务时产生计算资源的争夺，仍然存在计算压力大和计算延迟长的问题。

发明内容

本发明为克服上述现有技术存在的计算压力大和计算延迟长的缺陷，提供一种利用无人机作为空中通信平台的面向车联网的空地协同移动边缘计算方法及系统。

为解决上述技术问题，本发明的技术方案如下：

构建空地协同移动边缘计算系统，所述系统包括：车辆移动用户、基站、基站上的若干个地面边缘服务器、无人机及无人机携带的一个空中边缘服务器；

获取无人机轨迹约束，以及车辆移动用户分配给无人机的边缘服务器的带宽分配约束，车辆移动用户分配给基站的边缘服务器的带宽分配约束；

将计算任务中的部分任务卸载到无人机和基站边缘服务器上，其余的任务在本地计算，获取车辆移动用户、无人机的边缘服务器和基站边缘服务器计算时的CPU频率约束，以及卸载比例分配约束；

获取空地协同移动边缘计算系统的总时延，包括：车辆移动用户的本地计算和卸载计算任务的时延，无人机的边缘服务器计算和下载结果的时延，以及基站边缘服务器计算和下载结果的时延；

根据移动边缘计算系统的总时延，计算得到完成每个时隙期间上传的所有任务所需时间，所述完成每个时隙期间上传的所有任务所需时间为最大用户的最大系统时延；

以最小化最大用户的最大平均系统时延为目标函数，考虑车辆移动用户分配给无人机的边缘服务器的带宽分配约束、车辆移动用户分配给基站的地面服务器的带宽分配约束、无人机轨迹约束、最大可用CPU频率约束、卸载比例分配约束，构建移动边缘计算优化模型；

利用交替迭代法求解移动边缘计算优化模型，得到最大用户系统时延的最优值。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过构建空地协同移动边缘计算系统，利用无人机为地面终端用户提供必要的通信支持，并以最小化最大用户的最大平均系统时延为目标函数，考虑车辆移动用户分配给无人机的边缘服务器的带宽分配约束、车辆移动用户分配给基站的地面服务器的带宽分配约束、无人机轨迹约束、最大可用CPU频率约束、卸载比例分配约束，构建移动边缘计算优化模型，利用交替迭代法求解移动边缘计算优化模型，得到最大用户系统时延的最优值，通过缩短最大用户系统时延，有效降低了计算压力和计算延迟。

附图说明

图1为实施例1提出的面向车联网的空地协同移动边缘计算方法的流程示意图；

图2为实施例1提出的空地协同移动边缘计算系统示意图；

图3为实施例2提出的无人机的二维轨迹图；

图4为实施例2提出的无人机在用户不同任务量的二维轨迹图；

图5为实施例3提出的系统时延的方案对比的第一种示意图；

图6为实施例3提出的系统时延的方案对比的第二种示意图；

图7为实施例3提出的用户的各部分卸载比例的第一种示意图；

图8为实施例3提出的用户的各部分卸载比例的第二种示意图；

图9为实施例3提出的不同基站CPU频率的时延的第一种示意图；

图10为实施例3提出的不同基站CPU频率的时延的第二种示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本实施例的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提出面向车联网的空地协同移动边缘计算方法，图1为本实施例的面向车联网的空地协同移动边缘计算的流程示意图；

在本实施例提出的面向车联网的空地协同移动边缘计算方法，包括以下步骤：

S1:构建空地协同移动边缘计算系统，所述系统包括：车辆移动用户、基站、基站上的若干个地面边缘服务器、无人机及无人机携带的一个空中边缘服务器；

S2:获取无人机轨迹约束，以及车辆移动用户分配给无人机的边缘服务器的带宽分配约束，车辆移动用户分配给基站的边缘服务器的带宽分配约束；

S3:将计算任务中的部分任务卸载到无人机和基站边缘服务器上，其余的任务在本地计算，获取车辆移动用户、无人机的边缘服务器和基站边缘服务器计算时的CPU频率约束，以及卸载比例分配约束；

S4:获取空地协同移动边缘计算系统的总时延，包括：车辆移动用户本地计算时延，无人机通信计算时延和基站的通信计算时延；

S5:根据移动边缘计算系统的总时延，计算得到完成每个时隙期间上传的所有任务所需时间，所述完成每个时隙期间上传的所有任务所需时间为最大用户的最大系统时延；

S6:以最小化最大用户的最大平均系统时延为目标函数，考虑车辆移动用户分配给无人机的边缘服务器的带宽分配约束、车辆移动用户分配给基站的地面服务器的带宽分配约束、无人机轨迹约束、最大可用CPU频率约束、卸载比例分配约束，构建移动边缘计算优化模型；

S7:利用交替迭代法求解移动边缘计算优化模型，得到最大用户系统时延的最优值。

在具体实施过程中，通过构建空地协同移动边缘计算系统，利用无人机为地面终端用户提供必要的通信支持，并以最小化最大用户的最大平均系统时延为目标函数，考虑车辆移动用户分配给无人机的边缘服务器的带宽分配约束、车辆移动用户分配给基站的地面服务器的带宽分配约束、无人机轨迹约束、最大可用CPU频率约束、卸载比例分配约束，构建移动边缘计算优化模型，利用交替迭代法求解移动边缘计算优化模型，得到最大用户系统时延的最优值，通过缩短最大用户系统时延来有效降低计算压力和缩短计算延迟；

在本可选实施例中，提出了一种多个地面服务器和一个无人机服务器协同合作最小化最大用户系统时延的空地协同移动边缘计算系统；使用了一种三层无人机辅助计算网络架构，包括车辆用户层，无人机移动层，基站固定地面层，进一步提高系统通信计算效率。

在一可选实施例中，设无人机以最大速度V_max进行飞行，基站处于道路交汇处和道路两侧的固定位置，则所述无人机轨迹约束的表达式为：

q_u[n]＝(x_u[n],y_u[n],H)

ε＝V_maxδ_t

δ_t＝T/N

q_u[1]＝q₀,q_u[N+1]＝q_F

式中，表示将无人机的飞行时间T均分为N个时隙后，由N个时隙组成的集合，q_u[n]表示无人机轨迹，ε表示无人机在一个时隙中的位移，δ_t表示时隙，x_u[n]表示无人机在水平面的横坐标值，y_u[n]表示无人机在水平面的纵坐标值，H表示无人机的高度值，q₀表示无人机的初始点，q_F表示无人机的终点。

作为示例性说明，图2为本实施例的空地协同移动边缘计算系统示意图，图2中的BS表示基站(Base Station)，V2B通信表示车对基站的通信，MEC(Multi-access EdgeComputing,多接入移动边缘计算)服务器部署在基站上，表示用于为车辆提供通信和计算服务的边缘服务器，UAV(Unmanned Aerial Vehicles,无人驾驶飞行器)表示无人机，V2U(vehicle-to-uav)通信表示车对无人机的通信，图2的车辆移动用户、无人机的边缘服务器和基站的边缘服务器均配备单个天线，每个车辆移动用户以恒定的速度和固定的方向驾驶，无人机以最大速度进行飞行，基站处于道路交汇处以及道路的两侧，每个移动用户在一个时间范围的每个时隙中都会有一个计算任务，边缘服务器以部分卸载的方式协同移动用户计算卸载的任务；

作为示例性说明， 表示时隙的集合，无人机的飞行时间T被划分为N个等长的时隙，N的值要使划分的时隙δ_t＝T/N非常小，以保证无人机和用户的位置在一个时隙内相对于地面和基站的位置是近似保持不变的；

作为示例性说明，x_u[n]、y_u[n]和H分别为笛卡尔三维坐标系的x轴、y轴和z轴的坐标值，无人机的高度H为固定值，单位为米(m)，将无人机的高度固定在H，能够避免无人机在垂直高度上产生额外的功耗；

作为示例性说明，无人机的初始点q₀和终点q_F皆为预设值，且q₀和q_F设置在同一个点上，以方便无人机的回收或充电；

在本可选实施例中，提出一种适用于无人机辅助MEC的面向车联网系统的飞行路线设计方法。

在一可选实施例中，车辆移动用户、无人机的边缘服务器和基站的边缘服务器均配备单个天线，设无人机和基站利用正交频分多址方案进行数据传输，则所述车辆移动用户分配给无人机的边缘服务器的带宽分配约束的表达式为：

式中，B_k[n]表示每个车辆移动用户在每一时隙分配给无人机的边缘服务器的带宽，B₀表示可实现的无人机的边缘服务器的总传输带宽。

所述车辆移动用户分配给基站的地面服务器的带宽分配约束的表达式为：

式中，B_m,k[n]表示车辆移动用户k在每一时隙分配给基站m的边缘服务器的带宽，B表示可实现的基站m的边缘服务器的总传输带宽，M表示由所有基站组成的集合，表示由所有车辆移动用户组成的集合。

作为示例性说明，正交频分多址(Orthogonal Frequency Division MultipleAccess,OFDMA)方案是一种基于频分多址的调度方式,它将一个频率带宽分成多个子载波,每个子载波传输不同的数据；这些子载波之间互相正交,即相互之间没有干扰；利用正交频分多址方案进行数据传输能够避免相互干扰，而且OFDMA技术能够在频谱上同时传输多个用户的数据，有效提高了频谱利用率；因为利用正交频分多址方案进行数据传输，所以每个边缘服务器和用户k在每个时隙中的正交频带上工作；

作为示例性说明，与用户k到基站的信道不同，用户k到无人机的信道主要是视距链路。

在一可选实施例中，所述车辆移动用户计算时的CPU频率约束的表达式为：

式中，f_k[n]表示车辆移动用户用于本地计算的CPU频率，F_k,max表示车辆移动用户计算时的最大可用CPU频率；

所述无人机的边缘服务器计算时的CPU频率约束的表达式为：

式中，f_u，k[n]表示无人机的边缘服务器计算从车辆移动用户k分配到的计算任务时的CPU频率，F_uav,max表示无人机的边缘服务器计算时的最大可用CPU频率；

所述基站的边缘服务器计算时的CPU频率约束的表达式为：

式中，f_m，k[n]表示计算任务从车辆移动用户k分配给基站m的边缘服务器处的CPU频率，F_bs,max表示基站m的边缘服务器计算时的最大可用CPU频率。

作为示例性说明，为了充分利用系统中通信性能和计算资源，考虑了部分卸载的调度方案，将计算任务分为任意大小的任务，部分任务被卸载到无人机和基站的边缘计算服务器上，其余的任务则在本地计算；

作为示例性说明，通过执行DVFS(DVFS，Dynamic voltage and frequencyscalin,动态电压频率调整)，用户k和边缘计算服务器能够根据所到达的任务类型或数量动态地分配其计算资源；

DVFS是一种重要的电源管理方法，能让系统在低负载或者高度受内存限制的工作负载下，以较低的频率和相应较低电压工作，在几乎不损失性能需求的情况下节约了能耗。

在一可选实施例中，所述卸载比例分配约束的表达式为：

式中，θ_k表示部分计算任务在车辆移动用户k本地进行计算的卸载比例；θ_u，k表示计算任务直接从车辆移动用户k卸载到无人机的边缘服务器的卸载比例，θ_m，k表示计算任务直接从车辆移动用户k卸载到基站m的边缘服务器的卸载比例；

作为示例性说明，通过部分卸载方案，使得用户k卸载的计算任务能够任意划分，以方便在本地计算和卸载到无人机或基站之间进行权衡；

本可选实施例提出的三层用户计算任务部分卸载方案，有效的降低了系统的通信和计算时延。

实施例2

本实施例在实施例1提出的面向车联网的空地协同移动边缘计算方法的基础上作出改进；

所述车辆移动用户本地计算时延的表达式为：

式中，表示每个时隙中车辆移动用户k本地计算的时延，D_k[n]表示车辆移动用户k在第n个时隙的计算任务大小，C_k表示车辆移动用户k计算每个任务所需的CPU周期。

作为示例性说明，设第n个时隙中用户k的计算任务I_k[n]的表达式为：I_k[n]＝{D_k[n],C_k,A_k[n]}，其中，D_k[n]的单位为bits，A_k[n]表示车辆移动用户k在第n个时隙的任务计算结果大小。

在一可选实施例中，所述无人机通信计算时延的表达式为：

式中，T_UAV[n]表示每个时隙中的无人机通信计算时延，表示每个时隙中无人机的边缘服务器计算和下载结果的时延，/>表示每个时隙的无人机的计算时延，r_u,k[n]表示每一时隙中从车辆移动用户k到无人机的最大可实现传输速率。

在一可选实施例中，所述基站的通信计算时延的表达式为：

式中，T_BS[n]表示每个时隙中的基站的通信计算时延，表示车辆移动用户k将每个时隙的计算任务卸载到无人机的传输时延，/>表示每个时隙中基站m的计算时延，r_m,k[n]表示每一时隙中从车辆移动用户k到基站m的最大可实现传输速率。

作为示例性说明，设每一车辆以恒定的速度和固定的方向驾驶，则，车辆移动用户k的轨迹w_k[n]的表达式为：

w_k[n]＝(x_k[n],y_k[n],0)

式中，x_k[n]和y_k[n]分别表示车辆移动用户k在水平面的横坐标值和纵坐标值，也分别表示笛卡尔三维坐标系中的x轴坐标值和y轴坐标值；

因为用户k到无人机的信道主要是视距链路，所以用户k到无人机之间的信道功率增益为：

式中，β₀表示在视距状态下的参考距离d₀＝1m时的平均信道功率增益，d_u,k[n]表示无人机和用户k之间的距离；

设P表示用户k卸载任务时的发射功率，N₀表示噪声功率谱密度，则每一时隙中从车辆移动用户k到无人机的最大可实现传输速率r_u,k[n]的表达式为：

式中，r_u,k[n]的单位为bits/second/Hertz(bps/Hz)；

作为示例性说明，设基站位于道路交汇处以及道路两侧的固定位置，则基站的水平坐标w_m的表达式为：

式中，x_m和y_m分别表示基站在水平面的横坐标值和纵坐标值，也分别表示T表示笛卡尔三维坐标系中的x轴坐标值和y轴坐标值；

考虑到城市中存在障碍阻塞等复杂环境，移动用户k和基站m在每个时隙的信道功率增益遵循独立瑞利衰落模型，公式如下：

式中，β₀是在视距状态下参考距离d₀＝1m时的平均信道功率增益，表示路径损失指数，ξ_m,k[n]为符合单位均值指数分布的瑞利衰落系数，和d_m,k[n]表示基站m和用户k之间的距离；

则每一时隙中从车辆移动用户k到基站m的最大可实现传输速率r_m,k[n]的表达式为：

γ₀＝β₀/δ²

式中，γ₀表示参考信噪比(SNR)，E_ξ[·]表示对瑞利分布的随机变量的数学期望，不等式(2)是由Jensen不等式得到的，等式(3)能够获得该传输速率r_m,k[n]的一个上界，由于原表达式中随机变量造成的波动，没有合适的处理方法，这里使用了一种近似的方法，假设用户k到基站m的传输速率能够达到这个上限；

本可选实施例提出的无人机辅助地面基站服务器协同合作，根据车辆的移动和信息进行跟踪，可以提高系统的通信和计算性能；

图3为本实施例的无人机的二维轨迹图，图3显示了用户1和用户2自左向右行驶，用户3和用户4自下向上行驶，无人机在飞行时间T内的实时水平轨迹。很明显，因为用户3和用户4一开始与基站服务器相距比较远，无人机会往二者方向飞行，协助二者卸载计算任务，从而达到一个较好的通信计算状态。当用户行驶到道路的交汇处时，基站3服务器分配给用户的计算资源会造成拥堵，无人机则会靠近基站3协助全部用户卸载计算任务。最后，用户1和用户2驶出交汇处时，会逐渐远离各服务器，无人机会在最远离基站的用户2上方跟踪，为这个方向的用户服务，此时，无人机可以通过保持与这个方向的用户更短的通信距离实现更大的卸载量；

图4为本实施例的无人机在用户不同任务量的二维轨迹图，结合图3和图4的无人机二维轨迹图，当用户1前10个时隙的任务量大于其他用户的任务量时，左侧基站服务器无法承担，无人机一开始会向用户1的方向飞行，以协助用户1和用户2在左侧卸载计算任务，后半段时间，与图3一样，无人机跟踪在最远离基站的用户2，保证了较好的通信效率。

可以理解，本实施例的面向车联网的空地协同移动边缘计算方法对实施例1的方法作出改进，上述实施例1中的可选项同样适用于本实施例，故在此不再重复描述。

实施例3

本实施例在实施例1和实施例2提出的面向车联网的空地协同移动边缘计算方法的基础上作出改进；

所述移动边缘计算优化模型(P1)的表达式为：

O_a：

q_u[1]＝q₀,q_u[N+1]＝q_F……(10)

||q_u[n+1]-q_u[n]||²≤ε²,n＝1,2,...,N……(11)

式中，O_a表示用于最小化最大用户的最大平均系统时延的目标函数，T_K[n]表示每个时隙期间上传的所有任务所需时间，也表示每个时隙的最大用户的最大系统时延，表示最大用户的最大平均系统时延，T_result[n]表示边缘服务器下载结果回传的时延。

在本可选实施例中，空地协同移动边缘计算系统总时延主要由三大部分构成，分别为用户k的本地计算和卸载(上行传输)部分的时延，无人机边缘服务器计算和下载结果(下行传输)的时延和基站m边缘服务器计算和下载结果(下行传输)的时延。

在一可选实施例中，所述目标函数为非凸目标函数，利用交替迭代法求解移动边缘计算优化模型时，交替优化的对象为通信带宽分配值B_a、无人机的轨迹集合Q、计算任务的卸载比例值θ和计算资源分配值F；

所述通信带宽分配值的表达式为：B_a＝{B_k[n],B₀,B_m,k[n],B}

所述无人机的轨迹集合的表达式为：Q＝{q_u[n]}

所述计算任务的卸载比例值的表达式为：θ＝{θ_k,θ_u，k,θ_m，k}

所述计算资源分配值的表达式为：F＝{f_k[n],f_u,k[n],f_m,k[n]}

作为示例性说明，利用交替迭代法求解移动边缘计算优化模型时，通过引入松弛变量η[n]将公式(4)转化为凸形式，并将移动边缘计算优化模型(P1)转化为如下问题(P2)：

(5)～(14)

即使将移动边缘计算优化模型(P1)转化为问题(P2)，也很难求解出问题(P2)的结果，因为约束(15)和(16)是非凸的；

而当x>0时，已知f(x)＝log₂(1+x)为凹函数，又由于透视运算是保凸运算，保持了函数的凸性，它的透视函数也是凹函数，因此利用松弛变量s_k1将非凸约束(15)转换为凸形式，将问题(P2)转化为问题(P3)，问题(P3)的表达式为：

(5)～(17)

同理，通过引入松弛变量s_k2将非凸约束(16)转换为凸形式，将问题(P3)为问题(P4)，问题(P4)的表达式为：

(5)～(17)

然而，问题(P4)仍然难以求得最优解，因此，本可选实施例提出一种基于块坐标下降(Block Coodinate Descent，BCD)和连续凸优化(successive convex approximation，SCA)方法的有效交替迭代算法，算法考虑了带宽分配调度优化、卸载比例分配优化、无人机轨迹优化，以及计算资源分配优化；

带宽分配调度优化：给定任意一条可行域内的无人机轨迹，系统中计算任务的卸载比例和计算资源分配{Q,θ,F}，将问题(P4)改写成问题(P5)，问题(P5)的表达式为：

s.t.(5)，(6)，(15)，(17)，(19)，(20)

问题(P5)是一个标准的凸问题，能够通过标准的凸优化工具来解决，作为示例性说明，使用现有求解器(CVX)有效地求解问题(P5)；

卸载比例分配优化：给定可行域内的通信带宽调度、无人机轨迹和计算资源分配{B,Q,F}，问题(P4)能够改写为问题(P6)，问题(P6)的表达式为：

s.t.(7)～(9)，(15)～(17)

问题(P6)是一个标准的线性规划问题，能够使用现有求解器有效地求解，作为示例性说明，使用现有求解器(CVX)求解问题(P6)；

无人机轨迹优化：给定可行域内的通信调度、卸载比例分配和计算资源分配{B,θ,F}，问题(P4)能够改写为问题(P7)，问题(P7)的表达式为：

(10)，(11)，(15)，(17)

其中，约束(21)中引入了一个辅助变量t_k[n]，它满足

显然，约束 中的(||q_u[n]-w_k[n]||²+H²)和约束(22)仍然导致了问题(P7)的非凸性，作为示例性说明，通过使用SCA算法将约束(22)转化为凸约束，其中，利用SCA算法引入定理1，定理1的内容如下：

设其中a和b为正常数，因为f(c)是关于c(c≥0)是凸函数，所以在c₀上应用一阶泰勒展开式，得到以下不等式：

式中，是函数f(c)在/>处的导数；

利用定理1，能够证明r_u,k[n]是关于(||q_u[n]-w_k[n]||²+H²)的凸函数，因此对r_u,k[n]进行一阶泰勒展开得到它的下界，然后利用连续凸近似技术把r_u,k[n]近似为它的下界：

/>

其中， 是给定的初始可行值；

因此，我们能够通过定理1，将约束(22)重新表示为：

问题(P7)通过引入松弛变量和部分一阶泰勒展开近似，问题(P7)的目标函数和约束条件相对于Q、t、η是凸的，能够将问题(P7)重构成问题(P8)，问题(P8)的表达式为：

(10)，(11)，(15)，(17)

其中，Q＝{q_u[n]}，上式中均为线性或者凸约束，问题(P8)是一个凸优化问题，能够通过现有求解器直接有效地求解，作为示例性说明，使用求解器CVX进行求解；

计算资源分配优化：给定可行域内的通信带宽调度、卸载比例分配和无人机轨迹{B,θ,Q}，可以将边缘服务器的计算资源分配优化问题(P4)表示为问题(P9)，问题(P9)的表达式为：

s.t.(12)～(17)

如上所述，问题(P9)的目标约束和约束条件相对于F＝{f_k[n],f_u,k[n],f_m,k[n]}是凸的，问题(P9)是一个标准的线性规划问题，能够通过现有求解器直接有效地求解，作为示例性说明，使用求解器CVX求解问题(P9)得到最优的计算资源分配；

使用了交替优化带宽分配调度，卸载比例分配调度，无人机轨迹和计算资源分配的方法最小化最大用户的最大系统时延的具体步骤包括：

令B、θ、Q、F和目标函数O_a的初始值分别为B⁽⁰⁾、θ⁽⁰⁾、Q⁽⁰⁾、F⁽⁰⁾和T⁽⁰⁾，令迭代次数的初始值为零，阈值ε₀＝1×10^-3，循环次数l的初始值为1；

循环更新B、θ、Q、F和T的值，循环更新的步骤包括：

给定θ^(l-1)，Q^(l-1)，F^(l-1)通过解决问题(P5)获得B^(l)，其中，B^(l)表示第l次更新的B的值；

给定B^(l)，Q^(l-1)，F^(l-1)通过解决问题(P6)获得θ^(l)，其中，θ^(l)表示第l次更新的θ的值；

给定B^(l)，θ^(l)，F^(l-1)通过解决问题(P8)获得Q^(l)，其中，Q^(l)表示第l次更新的Q的值；

给定B^(l)，θ^(l)，Q^(l)通过解决问题(P9)获得F^(l)，其中，F^(l)表示第l次更新的F的值；

将B^(l)，θ^(l)，Q^(l)，F^(l)代入目标函数获得T^(l)，其中，T^(l)表示第l次更新的T的值；

若则跳出循环，获得最小的系统时延，否则循环更新B、θ、Q、F和T的值；

其中，B、θ、Q、F和T的值完成一次更新时，便令l＝l+1；

本可选实施例提出了一种通过交替优化通信带宽分配、计算任务卸载比例、无人机轨迹和计算资源分配，来最小化最大用户系统时延的优化算法；

图5为本可选实施例的系统时延的方案对比的第一种示意图，图6为本可选实施例的系统时延的方案对比的第二种示意图；图5和图6是最小的系统通信计算时延与迭代次数的关系，图6除去卸载比例方案，以便清晰看出其他方案的趋势。图中的七条线分别是提出的算法、只有无人机和本地计算条件下、只有基站和本地计算条件下、固定轨迹、相同卸载比例条件下、平均计算资源分配和平均带宽分配下的系统时延；从图5和图6中我们可以看出，相同卸载比例下的系统时延几乎保持不变在较高的值上；只有无人机和本地计算条件下和只有基站和本地计算条件下的系统时延总体比其他情况下的高；在提出的方案中的系统时延一直都保持最小，说明本实施例申请提出的优化方法的有效性；

图7为本实施例的用户的各部分卸载比例的第一种示意图；图7展示了图3和图4的用户1的各部分的卸载比例，从图7可以很清楚看出，因为车辆本地的计算资源很小，所以被分配到比较小的比例；结合图3和图4的轨迹图，由于无人机一开始飞向用户3和用户4，后重新飞向用户1和用户2，与分配给无人机的比例一直有上升趋势相符合。从车辆的行驶轨迹得知，基站1一开始靠近用户1，从而占据大部分计算任务比例，基站2则是承担中间交汇处大部分计算任务，基站3由于离用户太远导致分配较小的任务比例；

图8为本实施例的用户的各部分卸载比例的第二种示意图，图8展示了图3和图4的用户3各部分的卸载比例，用户3则是无人机和本地占据了前半部分的大部分卸载计算任务比例，后面的占比成逐渐减少趋势；基站1和基站2的卸载计算任务比例与上述用户1的情况相反，基站3的卸载比例与用户1的情况大致相同；

图9为本实施例的不同基站CPU频率的时延的第一种示意图，图10为本实施例的不同基站CPU频率的时延的第二种示意图，图9和图10展示了最小的系统通信计算时延与不同基站CPU频率的关系，图10为除去卸载比例方案，以便清晰看出其他方案的趋势；可以看出，本实施例提出的方案都优于其他基准方案；众所周知，只有无人机和本地计算的方案会保持不变；其他方案基本都随着基站CPU频率的增加，显著地减少系统时延，但基本都在60GHz后只有极小幅度的下降趋势。这一现象也验证了无人机协同地面服务器辅助MEC系统有显著的性能提升。

可以理解，本实施例的面向车联网的空地协同移动边缘计算方法对实施例1和实施例2的方法作出改进，上述实施例1和实施例2中的可选项同样适用于本实施例，故在此不再重复描述。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本实施例的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种面向车联网的空地协同移动边缘计算方法，其特征在于，包括以下步骤：

构建空地协同移动边缘计算系统，所述系统包括：车辆移动用户、基站、基站上的若干个地面边缘服务器、无人机及无人机携带的一个空中边缘服务器；

获取无人机轨迹约束，以及车辆移动用户分配给无人机的边缘服务器的带宽分配约束，车辆移动用户分配给基站的边缘服务器的带宽分配约束；

将计算任务中的部分任务卸载到无人机和基站边缘服务器上，其余的任务在本地计算，获取车辆移动用户、无人机的边缘服务器和基站边缘服务器计算时的CPU频率约束，以及卸载比例分配约束；

获取空地协同移动边缘计算系统的总时延，包括：车辆移动用户本地计算时延，无人机通信计算时延和基站的通信计算时延；

根据移动边缘计算系统的总时延，计算得到完成每个时隙期间上传的所有任务所需时间，所述完成每个时隙期间上传的所有任务所需时间为最大用户的最大系统时延；

以最小化最大用户的最大平均系统时延为目标函数，考虑车辆移动用户分配给无人机的边缘服务器的带宽分配约束、车辆移动用户分配给基站的地面服务器的带宽分配约束、无人机轨迹约束、最大可用CPU频率约束、卸载比例分配约束，构建移动边缘计算优化模型；

利用交替迭代法求解移动边缘计算优化模型，得到最大用户系统时延的最优值。

2.根据权利要求1所述的面向车联网的空地协同移动边缘计算方法，其特征在于，设无人机以最大速度V_max进行飞行，则所述无人机轨迹约束的表达式为：

q_u[n]＝(x_u[n],y_u[n],H)

ε＝V_maxδ_t

δ_t＝T/N

q_u[1]＝q₀,q_u[N+1]＝q_F

式中，表示将无人机的飞行时间T均分为N个时隙后，由N个时隙组成的集合，q_u[n]表示无人机轨迹，ε表示无人机在一个时隙中的位移，δ_t表示时隙，x_u[n]表示无人机在水平面的横坐标值，y_u[n]表示无人机在水平面的纵坐标值，H表示无人机的高度值，q₀表示无人机的初始点，q_F表示无人机的终点。

3.根据权利要求2所述的面向车联网的空地协同移动边缘计算方法，其特征在于，车辆移动用户、无人机的边缘服务器和基站的边缘服务器均配备单个天线，设无人机和基站利用正交频分多址方案进行数据传输，则所述车辆移动用户分配给无人机的边缘服务器的带宽分配约束的表达式为：

式中，B_k[n]表示每个车辆移动用户在每一时隙分配给无人机的边缘服务器的带宽，B₀表示可实现的无人机的边缘服务器的总传输带宽；

所述车辆移动用户分配给基站的地面服务器的带宽分配约束的表达式为：

式中，B_m,k[n]表示车辆移动用户k在每一时隙分配给基站m的边缘服务器的带宽，B表示可实现的基站m的边缘服务器的总传输带宽，M表示由所有基站组成的集合，表示由所有车辆移动用户组成的集合。

4.根据权利要求3所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述车辆移动用户计算时的CPU频率约束的表达式为：

式中，f_k[n]表示车辆移动用户用于本地计算的CPU频率，F_k,max表示车辆移动用户计算时的最大可用CPU频率；

所述无人机的边缘服务器计算时的CPU频率约束的表达式为：

式中，f_u，k[n]表示无人机的边缘服务器计算从车辆移动用户k分配到的计算任务时的CPU频率，F_uav,max表示无人机的边缘服务器计算时的最大可用CPU频率；

所述基站的边缘服务器计算时的CPU频率约束的表达式为：

式中，f_m，k[n]表示计算任务从车辆移动用户k分配给基站m的边缘服务器处的CPU频率，F_bs,max表示基站m的边缘服务器计算时的最大可用CPU频率。

5.根据权利要求4所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述卸载比例分配约束的表达式为：

式中，θ_k表示部分计算任务在车辆移动用户k本地进行计算的卸载比例；θ_u，k表示计算任务直接从车辆移动用户k卸载到无人机的边缘服务器的卸载比例，θ_m，k表示计算任务直接从车辆移动用户k卸载到基站m的边缘服务器的卸载比例。

6.根据权利要求5所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述车辆移动用户本地计算时延的表达式为：

式中，表示每个时隙中车辆移动用户k本地计算的时延，D_k[n]表示车辆移动用户k在第n个时隙的计算任务大小，C_k表示车辆移动用户k计算每个任务所需的CPU周期。

7.根据权利要求6所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述无人机通信计算时延的表达式为：

式中，T_UAV[n]表示每个时隙中的无人机通信计算时延，表示每个时隙中无人机的边缘服务器计算和下载结果的时延，/>表示每个时隙的无人机的计算时延，r_u,k[n]表示每一时隙中从车辆移动用户k到无人机的最大可实现传输速率。

8.根据权利要求7所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述基站的通信计算时延的表达式为：

式中，T_BS[n]表示每个时隙中的基站的通信计算时延，表示车辆移动用户k将每个时隙的计算任务卸载到无人机的传输时延，/>表示每个时隙中基站m的计算时延，r_m,k[n]表示每一时隙中从车辆移动用户k到基站m的最大可实现传输速率。

9.根据权利要求8所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述移动边缘计算优化模型的表达式为：

O_a：

q_u[1]＝q₀,q_u[N+1]＝q_F

||q_u[n+1]-q_u[n]||²≤ε²,n＝1,2,...,N

式中，O_a表示用于最小化最大用户的最大平均系统时延的目标函数，T_K[n]表示每个时隙期间上传的所有任务所需时间，也表示每个时隙的最大用户的最大系统时延，表示最大用户的最大平均系统时延，T_result[n]表示边缘服务器下载结果回传的时延。

10.根据权利要求9所述的面向车联网的空地协同移动边缘计算方法，其特征在于，所述目标函数为非凸目标函数，利用交替迭代法求解移动边缘计算优化模型时，交替优化的对象为通信带宽分配值B_a、无人机的轨迹集合Q、计算任务的卸载比例值θ和计算资源分配值F；

所述通信带宽分配值的表达式为：B_a＝{B_k[n],B₀,B_m,k[n],B}

所述无人机的轨迹集合的表达式为：Q＝{q_u[n]}

所述计算任务的卸载比例值的表达式为：θ＝{θ_k,θ_u，k,θ_m，k}

所述计算资源分配值的表达式为：F＝{f_k[n],f_u,k[n],f_m,k[n]}。