[发明专利]一种基于车路云协同的联合计算迁移和资源分配方法

说明书

本发明公开了一种基于车路云协同的联合计算迁移和资源分配方法，移动边缘设备部署在路侧，利用深度强化学习优化策略获得最优的车用户无线接入方式、信道分配和发射功率联合优化策略，车用户通过选择合适的无线接入方式、发射功率和信道，在满足计算迁移链路服务质量要求下，最小化系统时延。本发明使用深度确定性策略梯度算法可以有效解决车选择无线接入方式、用户信道分配和功率选择的联合优化问题，可以在一系列连续动作空间的优化中表现稳定。

技术领域

本发明涉及车联网的资源分配方法技术领域，尤其涉及一种基于车路云协同的联合计算迁移和资源分配方法。

背景技术

随着人工智能的发展，诸如增强现实，自动驾驶，语音识别和自然语言处理等计算密集型应用逐渐兴起。基于严格的延迟约束完成这些应用通常需要消耗大量的计算资源。因此，移动端(手机、车辆等)受限的计算能力通常很难满足应用程序的计算要求。为使移动端也能从这些应用中受益，将计算任务迁移到具有强大算力的计算节点已成为解决资源密集型应用程序与资源受限的移动端之间冲突的有效方法。如任务可从车辆上迁移到路侧或者远程云服务器。现有的迁移方案可分为三大类——云计算辅助的计算迁移，边缘/雾计算支持的迁移和云边/雾端协同的联合迁移方案。

随着车联网的快速发展，车载应用的大幅度增长数据计算量为有限的车辆计算资源带来了挑战，然而，由于云服务器的远程部署容易导致时延，无法满足车联网“低延时、高可靠性”的要求。移动边缘计算在靠近用户的位置提供计算服务，弥补了远程云计算所带来延迟波动，可以有效提高用户服务质量。有文献研究了由一个基站的MEC服务的多个用户之间的迁移决策和资源分配问题，以实现系统范围内的最佳用户效用，提出了一种启发式的移动性感知迁移算法来获得近似最优的迁移方案，目前有学者提出了一种基于MEC和云计算的协作方法，在车载网络中为汽车迁移服务，联合优化计算迁移决策和计算资源分配，并以博弈论的方式求解。

但是，边缘节点的计算资源和存储容量受到限制，而且将计算任务迁移到路边基础设施进行处理增加了通信链路的负担，给有限的通信资源带来极大的挑战。

因此，本发明提出一种基于车路云协同的联合计算迁移和资源分配方法，该方法针对移动边缘设备和中心云服务器协同计算迁移的场景，并以系统时延最大化作为计算迁移和资源分配的优化目标，同时在复杂度和性能之间取得了很好的平衡。

发明内容

本发明所要解决的技术问题是针对背景技术的缺陷，，提出一种基于车路云协同的联合计算迁移资源分配方法，移动边缘设备部署在路侧，可作为计算单元处理一些计算任务。该方法能在保证满足每条计算迁移链路满足服务质量要求的情况下，实现系统时延最小化的联合计算迁移和资源分配。

本发明为解决上述技术问题采用以下技术方案：

在考虑每条计算迁移链路的服务质量要求情况下，以合理高效计算迁移和资源分配达到系统时延最小化的目的。我们采用移动边缘计算，移动边缘设备部署在路侧，和中心云服务器作为两种无线接入方式协同，计算任务采用二进制的迁移方案。采用分布式的资源分配方法，将每辆车链路视为智能体，并且基于瞬时状态信息来选择无线接入方式、信道和发射功率。通过建立深度强化学习模型，利用深度确定性策略梯度算法(DeepDeterministic Policy Gradient,DDPG)优化深度强化学习模型。根据优化后的深度强化学习模型，得到最优的车无线接入方式、用户发射功率和信道分配策略。完成上述发明通过以下技术方案实现：一种基于车路云协同的联合计算迁移和资源分配方法，包括步骤如下：

步骤(1)构建基于车-路-云协同的车载网络模型，车辆可以接入云或者移动边缘设备；

步骤(2)建立包括N个用户迁移J个任务的联合计算迁移和资源分配模型；

步骤(3)每辆车迁移任务时获取周边移动边缘设备的资源集合μ_m，数据中心云服务器的资源集合σ_c，以及任务信息w_n,j；