一种车联网中车辆任务卸载方法及装置制造方法及图纸

本发明专利技术公开了一种车联网中车辆任务卸载方法及装置，该方法包括：将移动边缘计算引入车辆任务卸载场景，建立包括计算节点和待卸载任务车辆的交通环境；其中，计算节点作为边缘计算中的边缘节点，用于供车辆卸载任务，并对车辆所卸载的任务进行处理；基于交通环境，以降低系统时延为目标，采用深度强化学习算法建立车辆任务卸载模型，实现通信与计算资源的协同优化；利用车辆任务卸载模型，实现车联网中的车辆任务卸载。本发明专利技术在车联网领域引进了边缘计算，并基于深度强化学习算法改进了传统车联网中车辆任务卸载方式，从而为车辆任务卸载提供了低时延的卸载方案。提供了低时延的卸载方案。提供了低时延的卸载方案。

【技术实现步骤摘要】
一种车联网中车辆任务卸载方法及装置


[0001]本专利技术涉及车联网
，特别涉及一种车联网中车辆任务卸载方法及装置。

技术介绍

[0002]车辆互联网是一种典型的工业物联网技术，在这种技术中，无需人工干预，车辆之间可以交换和共享无处不在的信息。在车联网环境下，行驶中的车辆每秒产生海量的传感器数据，为了拥有复杂驾驶环境下的智能视野，需要在较短时间内完成大量的数据传输、存储和处理等操作。车辆处理这些操作的时延直接影响着用户的体验。车载网络应用性能的提高主要依赖于高效的任务卸载决策，选择合适的卸载方案可以更好地降低车联网场景下任务处理的时延。
[0003]在使用传统的车辆任务卸载中，随着车辆数据的日益复杂和庞大，使得降低车辆任务处理时延变得越来越困难。
[0004]目前，车辆的本地计算、车联网与远端云计算平台的结合是实现数据处理分析的主要计算模式。然而将车辆任务卸载至终端时，由于终端处理数据量大且传输信道不足，车辆有限的计算能力以及车辆与云计算平台不稳定的回程链路将显著增加业务的处理时延，数据传输时延过大从而影响服务质量，这就限制了车辆任务的卸载时延，无法满足低时延要求的车联网应用需求。

技术实现思路

[0005]本专利技术提供了一种车联网中车辆任务卸载方法及装置，以解决现有的车辆任务卸载方法时延过长，无法满足时延敏感型应用需求的技术问题。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：
[0007]一方面，本专利技术提供了一种车联网中车辆任务卸载方法，该方法包括：
[0008]将移动边缘计算引入车辆任务卸载场景，建立包括计算节点和待卸载任务车辆的交通环境；其中，所述计算节点作为边缘计算中的边缘节点，用于供所述待卸载任务车辆卸载任务，并对所述待卸载任务车辆所卸载的任务进行处理；
[0009]基于所述交通环境，以降低系统时延为目标，采用深度强化学习算法建立车辆任务卸载模型，实现通信与计算资源的协同优化；
[0010]利用所述车辆任务卸载模型，实现车联网中的车辆任务卸载。
[0011]进一步地，在所述交通环境中，所述待卸载任务车辆与计算节点以正交频分多址的方式通信连接。
[0012]进一步地，所述计算节点包括宏基站、路边单元和闲置车辆；
[0013]其中，所述宏基站、路边单元和闲置车辆的任务处理能力依次递减。
[0014]进一步地，所述车联网中车辆任务卸载方法，还包括：
[0015]按照对任务卸载时延的容忍度，将车辆任务分为不同优先级；当任务卸载时，优先考虑最高级别的任务，在较高级别的任务处理完后再处理下一级任务。
[0016]进一步地，在实现车联网中的车辆任务卸载时，根据任务时延敏感度和计算量进行任务卸载；
[0017]所述根据任务时延敏感度和计算量进行任务卸载，包括：
[0018]根据预设的计算量阈值和时延阈值对任务进行划分；
[0019]当车辆卸载任务的计算量大于预设的计算量阈值且时延需求高于预设的时延阈值时，先将任务卸载到基站进行处理；当车辆卸载任务的时延要求低于预设的时延阈值时，对于任务的卸载采取就近原则，卸载到路边单元或闲置车辆。
[0020]进一步地，在计算车辆任务卸载时延时，对于路径损失的计算，采用对数正态阴影路径损耗模型。
[0021]进一步地，所述深度强化学习算法为融合了残差网络(Residual Network，ResNet)的深度循环Q学习(Deep Recurrent Q
‑
Network，DRQN)算法。
[0022]进一步地，在所述车辆任务卸载模型中，当前状态是待卸载任务车辆，动作是选择计算节点进行卸载，奖励则是环境对当前卸载的反馈值，下一状态是下一待卸载任务车辆。
[0023]进一步地，利用车辆任务卸载模型，实现车联网中的车辆任务卸载，包括：
[0024]初始化经验集，评估网络与目标网络，设置车辆任务卸载的状态空间为S，可用动作空间为A；在状态s选择动作a，执行动作，同时观测环境得到及时奖励以及新的状态s
’
，将当前的状态，选择的动作，得到的奖励及下一个状态，放入经验集中，从经验集中选取采样；判断当前是否为终止状态，若未达到终止要求，则通过损失函数来训练网络；损失函数是评估网络与目标网络的差值，并在一定次数后，将评估网络的参数更新给目标网络，直到终止状态。
[0025]另一方面，本专利技术还提供了一种车联网中车辆任务卸载装置，该装置包括：
[0026]交通环境建模模块，用于将移动边缘计算引入车辆任务卸载场景，建立包括计算节点和待卸载任务车辆的交通环境；其中，所述计算节点作为边缘计算中的边缘节点，用于供所述待卸载任务车辆卸载任务，并对所述待卸载任务车辆所卸载的任务进行处理；
[0027]车辆任务卸载模型建模模块，用于基于所述交通环境建模模块所构建的交通环境，以降低系统时延为目标，采用深度强化学习算法建立车辆任务卸载模型，实现通信与计算资源的协同优化；
[0028]车辆任务卸载模块，用于利用所述车辆任务卸载模型建模模块所构建的车辆任务卸载模型，实现车联网中的车辆任务卸载。
[0029]再一方面，本专利技术还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0030]又一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0031]本专利技术提供的技术方案带来的有益效果至少包括：
[0032]本专利技术基于当前车联网场景中车辆任务处理低时延的要求，提出了一种基于移动边缘计算的车辆计算卸载方案，将移动边缘计算引入车辆任务卸载，设置边缘节点进行任务卸载，使计算任务的处理更接近终端，降低任务卸载中基站与车辆的数据传输时延。本专利技术首先对现实地图进行了简易的模拟，并对数据进行预处理，设置车辆任务卸载仿真环境。在充分考虑现实车辆任务卸载条件下，将车辆任务进行等级划分，对于高优先级的任务进
行优先处理，并综合考虑了任务分配和计算延迟，提出了优化问题。由于深度强化学习在车联网中应用广泛，本专利技术将原问题建模为马尔科夫决策过程，并提出了一种基于深度强化学习的多访问协同计算卸载策略，随后采用Resnet对DRQN算法进行了改进，进一步降低任务卸载时延。本专利技术的基于深度强化学习的车辆任务卸载方案可以有效的降低车辆任务卸载的时延，满足车联网任务处理中低时延的要求。
[0033]与传统的任务卸载策略相比，本专利技术提出的计算任务卸载策略可以极大程度上减少车辆任务卸载时延。对于同一交通区域有任务卸载需求的车辆，本专利技术利用延迟约束将对任务进行进一步划分，根据需求分别卸载给不同的任务节点，从而减少延迟。当计算量较大且时延需求较低时，先将任务卸载到基站进行处理，降低了任务的整体处理时延；当车辆卸载任务的时延要求较高时，卸载任务采取就近原则卸载到路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车联网中车辆任务卸载方法，其特征在于，包括：将移动边缘计算引入车辆任务卸载场景，建立包括计算节点和待卸载任务车辆的交通环境；其中，所述计算节点作为边缘计算中的边缘节点，用于供所述待卸载任务车辆卸载任务，并对所述待卸载任务车辆所卸载的任务进行处理；基于所述交通环境，以降低系统时延为目标，采用深度强化学习算法建立车辆任务卸载模型，实现通信与计算资源的协同优化；利用所述车辆任务卸载模型，实现车联网中的车辆任务卸载。2.如权利要求1所述的车联网中车辆任务卸载方法，其特征在于，在所述交通环境中，所述待卸载任务车辆与计算节点以正交频分多址的方式通信连接。3.如权利要求1所述的车联网中车辆任务卸载方法，其特征在于，所述计算节点包括宏基站、路边单元和闲置车辆；其中，所述宏基站、路边单元和闲置车辆的任务处理能力依次递减。4.如权利要求3所述的车联网中车辆任务卸载方法，其特征在于，所述车联网中车辆任务卸载方法，还包括：按照对任务卸载时延的容忍度，将车辆任务分为不同优先级；当任务卸载时，优先考虑最高级别的任务，在较高级别的任务处理完后再处理下一级任务。5.如权利要求4所述的车联网中车辆任务卸载方法，其特征在于，在实现车联网中的车辆任务卸载时，根据任务时延敏感度和计算量进行任务卸载；所述根据任务时延敏感度和计算量进行任务卸载，包括：根据预设的计算量阈值和时延阈值对任务进行划分；当车辆卸载任务的计算量大于预设的计算量阈值且时延需求高于预设的时延阈值时，先将任务卸载到基站进行处理；当车辆卸载任务的时延要求低于预设的时延阈值时，对于任务的卸载采取就近原则，卸载到路边单元或闲置车辆。6.如权利要求5所述的车联网中车辆任务卸载方法，其特征在于，在计算车辆任务卸载时延时，对于路径损失的计算，采用对数正态阴影路径损耗模型。7.如权利要求1所述的车联网中车辆任务...

【专利技术属性】
技术研发人员：罗熊，王婷，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：