一种道路网络临近检测时延优化方法、装置和系统制造方法及图纸

本发明专利技术实施例提供了一种道路网络临近检测时延优化方法、装置和系统，上述方法包括：获取道路网络临近检测系统中各个移动用户的用户信息以及与用户设备相距最近的目标边缘服务器的服务器计算资源信息；基于用户信息和服务器计算资源信息生成临近检测任务；基于自身的运动状态信息、计算资源信息以及服务器计算资源信息，确定用户设备对应的运动状态向量；确定用户设备对应的任务状态向量；将运动状态向量和任务状态向量输入预先训练的任务分配模型，确定任务分配占比向量；其中，任务分配占比向量用于标识所述用户设备向所述目标边缘服务器卸载的临近检测任务中各个子任务的占比。采用上述方法，使得计算耗时更少，时延更低。低。低。

【技术实现步骤摘要】
一种道路网络临近检测时延优化方法、装置和系统


[0001]本专利技术应用于自动驾驶
，特别是涉及一种道路网络临近检测时 延优化方法、装置和系统。

技术介绍

[0002]5G和人工智能技术的不断突破推动了自动驾驶技术的发展，在自动驾驶 道路网络中，检测移动用户之间的临近关系被称为道路网络中的临近检测。 临近检测对于移动用户的安全有着很重要的作用，例如，对道路网络中的移 动用户进行临近检测可以帮助移动用户获取临近车辆的信息，避免发生交通 事故。因此，在自动驾驶
中，如何准确有效地检测移动用户之间的 临近关系十分重要。
[0003]目前，主要是利用P2P(Peer
‑
to
‑
Peer，对等网络)或C/S(Client
‑
Server， 客户端
‑
服务器)等传统网络进行临近检测。然而，利用传统网络进行临近检 测存在时延长的缺点。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种道路网络临近检测时延优化方法、装 置和系统，以减小道路网络临近检测的时延。
[0005]为了达到上述目的，本专利技术实施例提供了一种道路网络临近检测时延优 化方法，应用于道路网络临近检测系统中的移动用户的用户设备，所述道路 网络临近检测系统还包括至少一个边缘服务器；所述方法包括：
[0006]获取所述道路网络临近检测系统中各个移动用户的用户信息以及与所述 用户设备相距最近的目标边缘服务器的服务器计算资源信息，其中，所述用 户信息包括运动状态信息和计算资源信息；
[0007]基于所述用户信息和所述服务器计算资源信息，生成临近检测任务，其 中，所述临近检测任务包括多个子任务；
[0008]基于所述用户设备自身的运动状态信息、计算资源信息以及所述服务器 计算资源信息，确定所述用户设备对应的运动状态向量；
[0009]基于所述临近检测任务和预设的任务比例约束函数，确定所述用户设备 对应的任务状态向量；
[0010]将所述运动状态向量和所述任务状态向量输入预先训练的任务分配模型， 分别对所述运动状态向量和所述任务状态向量进行特征提取，并基于提取的 特征输出任务分配占比向量；其中，所述任务分配占比向量用于标识所述用 户设备向所述目标边缘服务器卸载的所述临近检测任务中各个子任务的占比， 基于所述任务分配占比向量完成所述临近检测任务的计算所对应的时延满足 预设的时延约束条件；所述任务分配模型为基于训练样本及预设的时延约束 条件训练得到的。
[0011]进一步的，所述任务分配模型包括：第一特征提取层、第二特征提取层、 特征拼接层和输出层；
[0012]所述将所述运动状态向量和所述任务状态向量输入预先训练的任务分配 模型，分别对所述运动状态向量和所述任务状态向量进行特征提取，并基于 提取的特征输出任务分配占比向量，包括：
[0013]所述第一特征提取层，对输入的所述运动状态向量进行特征提取，得到 运动状态特征；
[0014]所述第二特征提取层，对输入的所述任务状态向量进行特征提取，得到 任务状态特征；
[0015]所述特征拼接层，对所述运动状态特征和所述任务状态特征进行拼接， 得到拼接特征；
[0016]所述输出层，对所述拼接特征进行特征映射处理后输出任务分配占比向 量。
[0017]进一步的，所述道路网络临近检测系统还包括中心服务器；
[0018]在所述基于提取的特征输出任务分配占比向量之后，还包括：
[0019]在所述目标边缘服务器根据所述任务分配占比向量所标识的被卸载于自 身的各个子任务的占比，计算所卸载的临近检测任务得到第一执行结果的同 时，所述用户设备根据所述任务分配占比向量所标识的该用户设备应计算的 各个子任务的占比，执行所述各个子任务，得到第二执行结果；
[0020]若所述用户设备在所述目标边缘服务器的覆盖范围内，则接收所述目标 边缘服务器发送的所述第一执行结果；
[0021]若所述用户设备不在所述目标边缘服务器的覆盖范围内，接收当前与所 述用户设备相距最近的边缘服务器发送的所述第一执行结果；其中，所述第 一执行结果为所述中心服务器在接收到所述目标边缘服务器发送的所述第一 执行结果后转发至当前与所述用户设备相距最近的边缘服务器的。
[0022]进一步的，所述基于所述用户设备自身的运动状态信息、计算资源信息 以及所述服务器计算资源信息，确定所述用户设备对应的运动状态向量，包 括：
[0023]基于所述用户设备自身的运动状态信息、计算资源信息以及所述服务器 计算资源信息，采用如下公式确定所述用户设备对应的运动状态向量：
[0024][0025]其中，为所述用户设备对应的运动状态向量；为所述用户设备在t时 刻的计算速率，为所述用户设备在t时刻的可用内存值；为所述用户设备 在t时刻的速度x分量，为所述用户设备在t时刻的速度y分量；为所述用 户设备在t时刻的位置的横坐标，为所述用户设备在t时刻的位置的纵坐标； 为所述目标边缘服务器在t时刻的计算速率，为所述目标边缘服务器在t 时刻的可用内存。
[0026]进一步的，所述基于所述临近检测任务和预设的任务比例约束函数，确 定所述用户设备对应的任务状态向量，包括：
[0027]基于所述临近检测任务和预设的任务比例约束函数，采用如下公式确定 所述用户设备对应的任务状态向量：
[0028][0029][0030][0031]其中，为所述用户设备对应的任务状态向量；N
Thm
为所述目标边缘服 务器的最大线程数量；所述用户设备在t时刻生成的临近检测任务为分别为所述用户设备在t时刻生成 的临近检测任务所包括的N
Thm
子任务；为预设的任务比例约束函数，为使用预先定义 函数f(x)＝min{1，max{0，x}}对t时刻的所述用户设备对应的任务分配占比向量 进行约束后对应的约束结果，a
t
为t时刻的所述用户设备对应的任务分配占比 向量，∈
t
为探索因子， ∈
t
值满足标准正态分布，为t时刻的所述用户设备对应的任务 分配占比向量的各个分量，为t时刻的所述用户设备对应的任务分配占比向 量的第i个分量。
[0032]进一步的，采用如下公式确定，所述基于任务分配占比向量完成所述临 近检测任务的计算所对应的时延：
[0033]T＝max{t
m1
+t
m2
，t
local
}
[0034]其中，T为基于所述任务分配占比向量完成所述临近检测任务的计算所对 应的时延；t
m1
为所述用户设备卸载临近检测任务至所述目标边缘服务器的卸 载时延，t
m2
为计算时延，t
local
为所述用户设备在本地计算临近检测任务的计 算时延。
[0035]进一步的，所述预设的时延约束条件包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路网络临近检测时延优化方法，其特征在于，应用于道路网络临近检测系统中的移动用户的用户设备，所述道路网络临近检测系统还包括至少一个边缘服务器；所述方法包括：获取所述道路网络临近检测系统中各个移动用户的用户信息以及与所述用户设备相距最近的目标边缘服务器的服务器计算资源信息，其中，所述用户信息包括运动状态信息和计算资源信息；基于所述用户信息和所述服务器计算资源信息，生成临近检测任务，其中，所述临近检测任务包括多个子任务；基于所述用户设备自身的运动状态信息、计算资源信息以及所述服务器计算资源信息，确定所述用户设备对应的运动状态向量；基于所述临近检测任务和预设的任务比例约束函数，确定所述用户设备对应的任务状态向量；将所述运动状态向量和所述任务状态向量输入预先训练的任务分配模型，分别对所述运动状态向量和所述任务状态向量进行特征提取，并基于提取的特征输出任务分配占比向量；其中，所述任务分配占比向量用于标识所述用户设备向所述目标边缘服务器卸载的所述临近检测任务中各个子任务的占比，基于所述任务分配占比向量完成所述临近检测任务的计算所对应的时延满足预设的时延约束条件；所述任务分配模型为基于训练样本及预设的时延约束条件训练得到的。2.根据权利要求1所述的方法，其特征在于，所述任务分配模型包括：第一特征提取层、第二特征提取层、特征拼接层和输出层；所述将所述运动状态向量和所述任务状态向量输入预先训练的任务分配模型，分别对所述运动状态向量和所述任务状态向量进行特征提取，并基于提取的特征输出任务分配占比向量，包括：所述第一特征提取层，对输入的所述运动状态向量进行特征提取，得到运动状态特征；所述第二特征提取层，对输入的所述任务状态向量进行特征提取，得到任务状态特征；所述特征拼接层，对所述运动状态特征和所述任务状态特征进行拼接，得到拼接特征；所述输出层，对所述拼接特征进行特征映射处理后输出任务分配占比向量。3.根据权利要求1所述的方法，其特征在于，所述道路网络临近检测系统还包括中心服务器；在所述基于提取的特征输出任务分配占比向量之后，还包括：在所述目标边缘服务器根据所述任务分配占比向量所标识的被卸载于自身的各个子任务的占比，计算所卸载的临近检测任务得到第一执行结果的同时，所述用户设备根据所述任务分配占比向量所标识的该用户设备应计算的各个子任务的占比，执行所述各个子任务，得到第二执行结果；若所述用户设备在所述目标边缘服务器的覆盖范围内，则接收所述目标边缘服务器发送的所述第一执行结果；若所述用户设备不在所述目标边缘服务器的覆盖范围内，接收当前与所述用户设备相距最近的边缘服务器发送的所述第一执行结果；其中，所述第一执行结果为所述中心服务器在接收到所述目标边缘服务器发送的所述第一执行结果后转发至当前与所述用户设备
相距最近的边缘服务器的。4.根据权利要求1所述的方法，其特征在于，所述基于所述用户设备自身的运动状态信息、计算资源信息以及所述服务器计算资源信息，确定所述用户设备对应的运动状态向量，包括：基于所述用户设备自身的运动状态信息、计算资源信息以及所述服务器计算资源信息，采用如下公式确定所述用户设备对应的运动状态向量：其中，为所述用户设备对应的运动状态向量；为所述用户设备在t时刻的计算速率，为所述用户设备在t时刻的可用内存值；为所述用户设备在t时刻的速度x分量，为所述用户设备在t时刻的速度y分量；为所述用户设备在t时刻的位置的横坐标，为所述用户设备在t时刻的位置的纵坐标；为所述目标边缘服务器在t时刻的计算速率，为所述目标边缘服务器在t时刻的可用内存。5.根据权利要求1所述的方法，其特征在于，所述基于所述临近检测任务和预设的任务比例约束函数，确定所述用户设备对应的任务状态向量，包括：基于所述临近检测任务和预设的任务比例约束函数，采用如下公式确定所述用户设备对应的任务状态向量：对应的任务状态向量：对应的任务状态向量：其中，为所述用户设备对应的任务状态向量；N
Thm
为所述目标边缘服务器的最大线程数量；所述用户设备在t时刻生成的临近检测任务为所述用户设备在t时刻生成的临近检测任务为分别为所述用户设备在t时刻生成的临近检测任务所包括的N
Thm
子任务；为预设的任务比例约束函数，为使用预先定义函数f(x)＝min{1，max{0，x}}对t时刻的所述用户设备对应的任务分配占比向量进行约束后对应的约束结果，a
t
为t时刻的所述用户设备对应的任务分配占比向量，∈
t
为探索因子，∈
t
值满足标准正态分布，为t时刻的所述用户设备对应的任务分配占比向量的各个分量，为t时刻的所述用户设备对应的任务分配占比向量的第i个分量。6.根据权利要求1所述的方法，其特征在于，采用如下公式确定，所述基于任务分配占比向量完成所述临近检测任务的计算所对应的时延：T＝max{t
m1
+t
m2
，t
local
}
其中，T为基于所述任务分配占比向量完成所述临近检测任务的计算所对应的时延；t
m1
为所述用户设备卸载临近检测任务至所述目标边缘服务器的卸载时延，t
m2
为计算时延，t
local
为所述用户设备在本地计算临近检测任务的计算时延。7.根据权利要求1所述的方法，其特征在于，所述预设的时延约束条件包括：C1：0≤α
i
≤1，1≤i≤N
mc
‑
1；C2：t
m1
+t
m2
≤t
s
；C3：D
local
≤Q
c
；C4：D
mec
≤Q
m
；其中，所述预设的时延约束条件...

【专利技术属性】
技术研发人员：刘雅琼，宋云龙，寿国础，胡怡红，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：