[发明专利]车联网环境下基于长短期记忆神经网络的边缘计算卸载决策

说明书

现有的边缘计算卸载研究重点在于如何缩短执行延迟和能耗，而在车联网环境中的高速动态的特殊性，则需要单独考虑。在高速流动的车流情况下，会随着时间产生大量数据，其较早的信息会影响对现在的决策产生影响导致现在的决策不符合当前情况，产生对当前情况的判断失真。考虑到随时间变化的因素，我们提出了一种基于长短期记忆神经网络训练的模型进行卸载决策其中包括：模型训练、特征处理、调参优化三个部分。所述方法通过对车载计算任务的时间序列特征进行数据分析，得到3维训练数据集，使用长短期记忆神经网络对信息的进行筛查和部分遗忘，通过输入门、输出门和遗忘门三个门的限制对各部分信息进行处理。最终进行分类得到可能所属类别的概率进行卸载决策。

技术领域

本发明涉及边缘计算领域，是利用基于长短时记忆神经网络进行的边缘计算卸载决策的设计。

背景技术

随着移动用户设备技术的不断发展，计算机的运行在工业用途上的高要求受到很多因素的限制，常见于其有限的电池容量和用户的能源消耗。集中式云平台的出现为电池的使用寿命提供了合理的解决思路，将应用程序卸载给传统的集中式云，能够减轻移动设备的运行和计算压力，但是在不断的本地和云平台之间上传和下载过程，带来了大量延迟，加上云计算的时间，极大的降低了用户的体验质量。为了处理这种延迟问题，提出了一个新兴概念即移动边缘计算(Mobile Edge Computing)，MEC将计算和存储资源带到移动网络的边缘，将部分的计算和存储任务放在边缘设备中来代替传统的集中式云计算。通过边缘计算的辅助，能够支持运行限制高的应用程序同时满足严格的延迟要求。与此同时，MEC的计算资源也可以被运营商和第三方利用。

在边缘计算中最常见的是MEC面向用户的用例即：计算卸载。计算卸载可以将资源消耗难以满足延迟限制或本地难以完成的计算卸载到边缘设备，在车联网环境中，担任边缘节点的设备更多地使用路边单元(Roadside Unite，简称： RSU)。借助着人、路、云、和路边单元等，进行全方位互联的信息交互，车联网技术得到了良好的发展。车辆的信息交互可以与其他车辆(V2V)，周围的基础设施(V2I)，互联网(V2N)，路边的行人(V2P)以及后端的云服务器，换言之即车辆可以利用任何可利用的交换信息。这样完整的信息交互极大促进了边缘计算在车联网的应用发展。

深度学习是当前在车联网环境中进行卸载决策的重要研究领域，其数据处理能力在卸载决策中带来了较为可观的表现。对于其中的神经网络，其思想就是堆叠多个层，利用上一层的输出作为下一层的输入，通过交叉处理数据特征得到其之间的联系。常见的神经网络有卷积神经网络，递归神经网络等，都能够将信号或特征进行较好的处理。

但现有的边缘计算卸载研究重点在于如何缩短执行延迟和能耗，而在车联网环境中的高速动态的特殊性，则需要单独考虑。在高速流动的车流情况下，会随着时间产生大量数据，其较早的信息会影响对现在的决策产生影响导致现在的决策不符合当前情况，产生对当前情况的判断失真。

因此本发明将考虑到数据随时间的变化进行卸载决策设计。

发明内容

考虑到随时间变化的因素，我们提出了一种基于长短期记忆神经网络训练的模型进行卸载决策。

基于长短期记忆神经网络的卸载决策，包括：模型训练、特征处理、调参优化三个部分。

所述方法通过对车载计算任务的时间序列特征进行数据分析，得到3维训练数据集，使用长短期记忆神经网络对信息的进行筛查和部分遗忘，通过输入门、输出门和遗忘门三个门的限制对各部分信息进行处理。根据LSTM网络的结构，每个LSTM单元的建模表示如下，其中h_t表示当前时刻当前单元的输出h_t-1表示前一时刻单元的输出：