[发明专利]车联网任务卸载调度方法和系统

说明书

本发明提供了一种车联网任务卸载调度方法和系统，该系统包括路边单元(RSU)和终端车辆。本发明方法包括考虑车联网中的通信模型和计算模型，设计每个车辆的队列模型；考虑能耗约束和时延约束的限制，设计系统目标函数；将任务卸载调度建模成一个马尔科夫链决策过程；基于双深度Q网络求解最优任务卸载调度；基于联邦学习进行深度强化学习训练。本发明充分考虑了计算任务在车辆中的计算和缓存过程，利用人工智能中的联邦学习，找到了有效的任务调度策略，保证了时延敏感型任务的要求，最小化了系统的时延损耗、能量损耗和服务收费，同时采用了分布式训练的方法保护了用户车辆的隐私。

技术领域

本发明涉及车联网任务卸载调度方法和系统，尤其涉及基于联邦学习的智能车联网任务卸载调度方法和系统。

背景技术

近年来，物联网和自动驾驶汽车受到广泛关注。在智能车联网中不但需要考虑终端车辆的计算、通信和缓存功能，还要考虑任务的时延要求，这些功能要求在很大程度上依赖于系统的通信和计算能力。通过计算卸载来保证计算和通信资源的合理分配是实现车联网智能化的必要条件。车辆边缘计算将计算任务迁移到网络边缘可以有效地降低端对端延迟，从而满足了车联网应用低时延高可靠性的需求。

由于车辆的高移动性导致网络的拓扑结构不断地在发生变化，车联网系统的动态变化也带来了存储和通信的复杂性。动态多变的车联网环境使资源分配通常是具有复杂目标函数和约束的非凸优化问题，传统优化算法难以解决，而深度强化学习可以很好的解决这类复杂优化问题。随着5G网络的发展，终端车辆已具备进行人工智能模型训练的各项条件，在车辆上进行模型的训练成为可能。同时联邦学习为一种分布式机器学习方法，可以进一步降低通信时延并且保证终端用户的隐私。与传统车联网计算卸载相比，基于联邦学习的智能车联网任务卸载调度方法，综合考虑了通信、缓存和计算资源的联合优化问题。

有鉴于此，有必要设计一种基于联邦学习的车联网任务卸载调度方法和系统，以解决上述问题。

发明内容

本发明的目的是解决车联网环境中的通信和计算联合优化问题，为每个车辆设计对应的任务队列和能量队列，利用人工智能中的联邦学习，找到有效的任务调度策略，保证时延敏感性要求，最小化系统的时延损耗、能量损耗和服务收费，同时保护用户车辆的隐私。

为实现以上目的，本发明提供了一种车联网任务卸载调度方法，在车联网中，根据路边单元的覆盖范围，将整个道路划分为M个互不相交的路段，在一个路边单元的覆盖范围内会有多个车辆，车辆和路边单元通过无线链路完成任务的计算卸载，所述方法包括以下步骤：

步骤1：考虑车联网中的通信模型和计算模型，设计每个车辆的队列模型；

步骤2：考虑能耗约束和时延约束的限制，设计系统目标函数；

步骤3：将任务卸载调度建模成一个马尔科夫链决策过程；

步骤4：基于双深度Q网络求解最优任务卸载调度；

步骤5：基于联邦学习进行深度强化学习训练。

本发明的进一步改进在于，所述步骤1包括以下步骤：

步骤1.1：计算车辆和路边单元之间的无线通信速率当任务k卸载到路边单元计算时，车辆和RSU之间的上行链路传输时延为其中，其中L₀为路径损失、P_i为车辆v_i的功率、P_w为高斯白噪音功率、α为路径损失指数、d_i,m为车辆和RSU之间的距离、B为信道带宽；