[发明专利]车联网环境下多接入边缘计算卸载和帧时隙资源分配方法

权利要求书

1.一种车联网环境下多接入边缘计算卸载和帧时隙资源分配方法，该方法的应用场景为道路一侧部署基站，基站内部有边缘计算服务器，基站覆盖半径为R，基站覆盖范围内存在M个车辆节点均匀分布在车道两侧以速度V行驶，车辆节点选择本地计算或卸载到边缘服务器进行计算，对于卸载节点i，基站采用TDMA方式分配通信及计算时隙，TDMA单帧时隙长度为T，卸载节点i分配时隙比例因子为τ_i,0≤τ_i≤1，则其分配卸载时隙长度为τ_iT，其特征在于，该方法包括以下步骤：

S1、确定帧时隙资源分配和计算卸载模型的优化目标，根据本地计算模型、卸载计算模型，建立所有车辆节点的吞吐量之和最大化的系统目标函数；

S2、对各节点的信道进行预处理得到信道预处理向量h；

S3、将上述各节点预处理后的信道预处理向量h作为深度增强学习框架输入进行训练，得到多组备选卸载向量集{x₁,x₂,…,x_k,…}；

S4、将上述每个卸载向量x_k代入系统目标函数，计算得到时隙分配策略，将备选卸载策略和时隙分配策略代入系统目标函数，选出最大吞吐量解；

S5、建立有序卸载队列，按序进行卸载；

其中，所述的步骤S1过程如下：

S11、建立本地计算模型：

r_L,i表示本地执行速率，计算公式如下：

其中，f表示本地运算CPU频率，表示处理一比特所需要CPU数量，M₀表示本地计算的节点集合；

S12、建立卸载计算模型：

r_O，i表示节点i当前时隙卸载节点总吞吐量：

r_O，i＝r_up+r_mec+r_down

其中，r_up表示上传速率，由香农计算公式得到，r_mec表示边缘计算速率，r_down表示回传速率， 在本场景中有r_up＞＞r_mec+r_down，因此对于卸载用户，r_O，i＝r_up作为卸载节点的吞吐量；

b_i表示当前时隙传输的比特数，因此，对于节点i在时隙T内b_i计算公式如下：

其中，v_u＞1表示传输需要的通信传输开销，B表示系统传输带宽，E表示每个节点的发射耗能，N0表示系统内高斯白噪声，h_i表示节点i在第t时隙的信道，M₁表示卸载节点集合；

则节点i在当前时隙的通信速率为：

S13、系统总吞吐量Q(τ，x，h)计算公式如下：

/

其中，τ为当前时隙的时隙分配向量，τ＝{τ₁，τ₂，...，τ_i，...}，对于卸载节点所分配时隙τ_i有：τ_i≤1；

x为当前时隙的卸载向量，x＝{x₁，x₂，...，x_i，...}，x_i＝1表示节点i进行卸载，x_i＝0表示本地计算，i＝1，2，...，M；

h为当前时隙的信道预处理向量；

将r_L，i，r_O，i代入系统总吞吐量Q(τ，x，h)得：

其中，

建立多接入边缘计算系统目标函数的优化目标计算公式如下：

s.t.τ_i≤1，

τ_i≥0，

x_i∈{0，1}.

上述优化目标Q^*(h)为混合整数规划问题，是一个非凸问题；

其中，所述的步骤S2中预处理过程包括：

对各节点进行下一时隙的信道预测并计算本时隙的平均信道大小；

依据每一节点前序时隙h_t-L，...h_t-1，h_t，使用支持向量机对下一时隙信道h_t+1进行预测，其中L为边缘服务器缓存信道时隙的长度；

计算当前时隙节点i的信道平均值计算公式为：

本时隙信道预处理向量为：

其中，所述的步骤S3中，使用深度增强学习框架训练多接入边缘计算系统，将当前的状态作为输入数值，输入到神经网络量化得到动作和对应的系统总吞吐量Q(τ，x，h)值，通过更新神经网络里的参数来训练神经网络，从而优化模型得到最优解，具体如下：

S31、训练：

输入状态为信道预处理向量h，奖励函数为系统总吞吐量Q(τ，x，h)，输出动作为一组松弛解表示节点i的松弛解，/

S32、松弛解量化：

使用KNN(K-Neamest Neighbor)量化算法得到备选卸载向量集{x₁，x₂，...，x_k，...}，对于其中任意一个向量x_k＝{x₁，x₂，...，x_i，...}，x_i＝{0，1}，i＝1，2，3...，M；

S33、参数更新：

经验池batch存储增强学习不断更新的训练集样本h，x^*，在后续步骤S4求解得到最优解Q^*(τ^*，x^*，h)后，将样本h，x^*存入经验池batch中进行在线训练，不断更新参数，其中x^*＝argmax(Q^*(τ^*，x^*，h))，argmax表示对Q^*(τ^*，x^*，h)求参数x^*；

其中，所述的步骤S4中，使用拉格朗日法求解系统目标函数，具体如下：

代入备选卸载向量x_k，将多接入边缘计算系统目标函数转换为一个凸函数；

当时，满足对偶条件，使用对偶法求解问题，得到时隙分配策略τ＝{τ₁，τ₂，，...，τ_i，...}，i∈M₁；

代入每组备选卸载向量和对应的时隙分配策略，可求得Q(τ，x，h)；

取最大Q^*(τ^*，x^*，h)作为本次系统优化目标的解；

其中，所述的步骤S5中，使用一元线性回归法对各路节点信道前序时隙h_t-L...h_t-1，h_t进行线性拟合，求解其斜率k；

根据斜率大小从小到大排序构成卸载队列；

按照该入队顺序作为TDMA帧时隙的顺序，进行卸载。

2.根据权利要求1所述的一种车联网环境下多接入边缘计算卸载和帧时隙资源分配方法，其特征在于，该方法在执行过程中，迭代步骤S2-S5，随着环境的改变不断更新深度增强学习框架状态参数。