[发明专利]一种基于联邦学习的车联网时延敏感型应用卸载方法

说明书

本发明公开了一种基于联邦学习的车联网时延敏感型应用卸载方法，所述方法包括如下步骤：步骤一、确定基于MEC的车联网网络架构；步骤二、建立应用程序模型；步骤三：确定MEC节点协作方案；步骤四、建立系统模型并得到优化问题；步骤五、设计DDQN与FL相结合的算法并求解优化问题。该方法将时延敏感型应用划分为互相有依赖关系的子任务，提供了一种MEC节点协作方案，并将该问题建模为一个以运算资源为约束条件、最小化总计算时延为目标的优化问题，利用联邦学习与深度强化学习相结合的方式来求解该问题，在得到可以使总计算时延最小的卸载方法的基础上，还可以保障用户的隐私安全，避免用户私人数据泄露。

技术领域

本发明涉及一种车联网任务卸载方法，具体涉及一种基于深度强化学习和联邦学习(Federated Learning，FL)相结合的车联网时延敏感型应用的卸载方法。

背景技术

车联网是以车辆为基本信息单元，旨在建立改善交通状况、提高出行效率、拓展信息交互形式的智能综合网络体系。车联网的兴起不仅可以促进经济的发展，还具有巨大的社会潜在价值，例如可以减少交通拥堵，极大地节约交通成本等。目前在车联网环境中涌现出了许多具有低延迟要求的时延敏感型应用，如增强现实和视频流分析等。虽然在核心云部署不同的应用程序可以为用户提供便捷丰富的服务，但大量设备访问核心云会导致网络负载和数据传输延迟的大大增加，这不满足应用低时延、高可靠性的要求。为了解决这一问题，移动边缘计算(Mobile Edge Computing,MEC)应运而生。移动边缘计算将计算任务负载从远程的云转移到离用户更近的核心网络的边缘节点上，如路侧单元(Road Side Unit,RSU)上。通过将计算密集型任务卸载给周围车辆或边缘服务器，来满足自动驾驶等场景中对庞大数据量的处理需求，并且满足了一些娱乐等业务的时延敏感型。然而，边缘节点的计算资源和网络资源是有限的，因此，对于计算任务是在本地执行还是卸载到边缘节点或云端，移动设备应进行仔细的规划，以达到任务完成时延最短的目标。

针对移动边缘计算中的这类任务卸载问题，Wu等人提出了一种基于支持向量机的快速卸载算法，以满足车辆网络中的快速卸载需求；Sun等人提出了一种新的基于策略强化学习的计算迁移方案，它可以动态地学习动态环境中的最优策略；Ning等人基于深度强化学习开发了一个基于意图的流量控制系统，该系统可以动态协调边缘计算和内容缓存。然而，采用传统的机器学习方式进行任务卸载的决策，会面临各种安全和隐私威胁。边缘计算作为云计算的拓展，仍具有一些云计算中的安全问题，而由于边缘计算服务模式的复杂性、实时性，数据的多源异构性、感知性以及终端的资源受限特性，云计算环境下的数据安全和隐私保护机制不再适用于边缘设备产生的海量数据防护。针对数据安全和隐私无法得到保障这个问题，Lu等人利用同态加密为边缘计算中的异构物联网设备开发了一种轻量级数据聚合方案，保证了数据机密性和数据完整性，然而该方案带来了巨大的通信负担，且没有考虑边缘设备的移动性，无法应用至车联网场景。Lyu等人提出了一种基于差分隐私和秘密共享技术的隐私保护数据聚合方案，然而这种方式没有分布式的特点，而是依托于中心控制器对模型的训练和决策产生与发放，这会增加车辆与中心控制器的通信成本与时延。总而言之，目前多数对于车联网任务卸载的研究都集中在集中式的机器学习上，然而传统的机器学习方式无法保障用户的数据隐私安全，而多数对数据隐私安全问题的研究却没有很好地贴合车联网的实际环境，无法适应动态变化的网络。

发明内容

为了解决车辆在行驶过程中产生的时延敏感型任务的卸载决策问题，同时保障用户的隐私安全，本发明提供了一种基于联邦学习的车联网时延敏感型应用卸载方法。该方法将时延敏感型应用划分为互相有依赖关系的子任务，提供了一种MEC节点协作方案，并将该问题建模为一个以运算资源为约束条件、最小化总计算时延为目标的优化问题，利用联邦学习与深度强化学习相结合的方式来求解该问题，在得到可以使总计算时延最小的卸载方法的基础上，还可以保障用户的隐私安全，避免用户私人数据泄露。

本发明的目的是通过以下技术方案实现的：

一种基于联邦学习的车联网时延敏感型应用卸载方法，包括如下步骤：