[发明专利]空地一体化车联网中基于意图感知的任务卸载方法

权利要求书

1.空地一体化车联网中基于意图感知的任务卸载方法，其特征在于，包括五个步骤：

S1.构建系统模型；

S2.模型的细化；

S3.高可靠低时延约束与优化问题的提出；

S4.优化问题的转化与轨迹相似度估计；

S5.基于意图的任务卸载方法；

具体的包括以下步骤：

S1.构建系统模型

在一个空地一体化车联网中，作为边缘服务器的无人机s₁、s₂、s₃和配备有边缘计算基础设施的基站s₄、s₅、s₆、s₇组成了空基和地基两张网络，为用户车辆提供通信和计算资源；其中，N个无人机和M个基站可以作为N+M个边缘服务器，其集合被定义为

采用时隙模型，将整个优化时间划分为T个时隙，其集合定义为在每一个时隙内，信道状态信息CSI保持不变；而在不同的时隙之间，信道状态信息会发生改变；

S2.模型的细化

(1)任务数据传输

采用任务划分模型，将用户车辆产生的任务划分为大小为ρ的A(t)个子任务；这些子任务暂时存储在用户车辆的本地缓冲区，然后被卸载到边缘服务器中进行计算，用户车辆的本地缓冲区形成了一个数据队列，其公式为：

Q(t+1)＝max{Q(t)+ρA(t)-U(t),0}+Y(t+1) (1)

其中Q(t)表示第t个时隙存储在用户车辆本地缓冲区上的数据量，U(t)表示第t个时隙卸载到边缘服务器上的数据量，ρA(t)表示新产生的数据量，Y(t+1)表示由于任务卸载失败而需要在第(t+1)个时隙重传的数据量；

当用户车辆选择不同的边缘服务器时，路径损耗和信噪比是不同的：

1)若用户车辆在第t个时隙选择无人机s_n进行任务卸载，即则用户车辆与无人机通信链路的信噪比为：

其中δ²是噪声功率，是传输功率，L_n,t为用户车辆与无人机间的路径损耗；

2)若用户车辆选择基站作为边缘服务器进行任务卸载，其通信链路的信噪比为：

其中G_0,n,t代表用户车辆与基站通信链路的信道增益；

根据信噪比可以得出数据的传输速率R_n,t，从而进一步得到卸载到边缘服务器的数据量u_n,t，其公式如下：

R_n,t＝B₀log₂(1+γ_0,n,t) (5)

u_n,t＝min{Q(t)+ρA(t),τR_n,t} (6)

其中τ为固定的传输时间，则用户车辆的吞吐量为：

其中x_n,t表示用户车辆在第t个时隙对边缘服务器s_n的选择情况，当x_n,t＝1时，代表用户车辆在第t个时隙选择s_n进行任务卸载；传输时延为：

(2)任务数据计算

边缘服务器在第t个时隙的计算时延为：

其中λ表示计算复杂度，即处理1bit任务数据所需的CPU周期数，表示每秒可用于数据计算的CPU周期数；

(3)结果回传

选定的边缘服务器s_n在完成数据计算后，会将计算结果回传给用户车辆；根据比较s_n的通信半径与传输距离r′_n,t的大小，回传时延表示为：

其中w_n,t表示在第t个时隙结果数据大小与任务数据大小之间的比值，表示计算结果需要在其它基站或无人机的辅助下以多跳的方式回传给用户车辆的时延，比直接回传时延大；

(4)切换时延

当任务数据在两个连续的时隙中被卸载到不同的边缘服务器时，则产生切换时延：

其中是用户车辆切换一次边缘服务器的时延，ψ(t)表示用户车辆在第t个时隙选择的边缘服务器，ψ(t)＝s_n等价于x_n,t＝1；是一个示性函数，当事件x为真时，否则

(5)端到端时延

第t个时隙的端到端时延包含：切换时延、传输时延、计算时延和回传时延，表示为：

其中τ_max为特定的任务卸载时延需求；若无法在指定的时延需求内将结果回传给用户车辆，则任务卸载失败，因此，第(t+1)个时隙需要重传的数据量为：

(6)用户体验质量模型

用户体验质量由用户车辆在任务卸载过程中的端到端时延和吞吐量共同决定，具体模型如下：

其中α代表位移以及端到端时延与吞吐量的加权比值，即β代表函数的斜率，ζ是一个正数，用于调整数量级；

S 3.高可靠低时延约束与优化问题的提出

(1)高可靠低时延约束

根据里特定律，将平均数据队列积压与平均数据到达率之比定义为平均排队时延，则本地缓冲区的排队时延为：

其中是本地缓冲区的平均数据到达率，计算公式如下：

为了保证数据任务高可靠低时延的需求，除了考虑平均排队时延以外，同时还要考虑队列长度的尾部分布；定义极端事件的概念为用户车辆的本地缓冲区任务积压超过本地数据队列的长度，可以得出用户车辆本地缓冲区的队列超额积压为：

其中为队列时延约束；极端事件的发生概率、长期平均时间的条件均值和方差应该被限定在一定的范围内；

根据Pickands-Balkema-de Haan定理，超额数据积压的条件互补累积分布函数可以近似为广义帕累托分布G(h；σ,ξ)，其公式如下：

其中σ0和ξ∈R分别是相应的尺度参数和形状参数；由于超额数据积压的均值和方差均随着σ和ξ的增加而增加，因此通过两个约束σ≤σ^th和ξ≤ξ^th可以限制超额数据积压的均值和方差；根据阈值与广义帕累托分布统计特性之间的关系，长期平均时间下超额积压的条件均值和方差的约束为：

其中W(t)＝[H(t)]²，σ^th与ξ^th为设定的阈值，取值取决于广义帕累托分布的性质和特定的高可靠低时延通信要求；

(2)优化问题的提出

基于上述建立的模型与约束，解决的优化问题为：在高可靠低时延通信约束下最大化用户体验质量QoE_n,t；因此，优化问题P1定义为：

其中约束条件C₁表示选择边缘服务器的约束，即用户车辆在每个时隙只能选择一个边缘服务器进行任务卸载；约束条件C₂是高可靠低时延通信约束，该约束是根据极端事件的发生概率约束、长期平均时间下超额积压的条件均值和方差约束定义的；

S 4.优化问题的转化与轨迹相似度估计

(1)优化问题的转化

首先基于Lyapunov优化理论中的虚拟队列概念，将上述约束C₂转换为虚拟队列，其公式如下：

这三个虚拟队列分别表示当前极端事件发生的概率偏差、长期平均时间下超额积压的条件均值以及方差的偏差；

结合前面建立的虚拟队列，把长期的用户体验质量最大化问题转化为在每一个时隙最大化用户车辆的用户体验质量，同时保证高可靠低时延通信约束；因此，优化问题P1可以转化为P2：

其中θ_n,t表示用户体验质量和高可靠低时延通信约束偏差的加权和，计算公式为：

其中V_Q和V_C分别是用户体验质量和高可靠低时延约束偏差的正权重，和是用来统一数量级的参数；将P1中的约束C₂转化到了P2的优化目标之中，从而保证了数据任务高可靠低时延的需求；

(2)轨迹相似度估计

将J个连续的时隙定义为一个时间段，在每个时间段内对用户车辆和边缘服务器进行轨迹相似度估计，其包括三种因素：速度、位置和方向；具体模型如下：

其中μ₁、μ₂和μ₃分别对应速度、位置和方向系数的权重，且μ₁+μ₂+μ₃＝1；

速度系数被定义为归一化的速度差异，其公式如下：

其中和分别表示第k个时间段用户车辆和边缘服务器s_n的平均速度；

当用户车辆与边缘服务器之间的水平距离越大时，任务卸载失败的可能性越大，设置r^b为水平距离界限，则在第k个时间段用户车辆和s_n之间水平距离大于r^b的时隙数Λ_n,k为：

位置系数定义为第k个时间段中用户车辆和s_n之间水平距离大于r^b的时隙数与每个时间段的时隙数之比：

方向差异性被定义为第k个时间段末用户车辆的移动方向与用户车辆和s_n链路之间的角度差异；越大，表示用户车辆离开s_n通信范围的可能性越大；方向系数与之间的关系为：

S5.基于意图的任务卸载方法

采用IUCB任务卸载方法，具体步骤如下：

(1)初始化阶段：将存储在用户车辆本地缓冲区中的初始数据队列积压Q(0)，所有虚拟队列的积压Z^Q(0)、Z^H(0)和Z^W(0)，选择指示符x_n,t、以及θ_n,t的经验估计值都初始化为0，并将轨迹相似度估计值P_n,1设为1；

(2)决策阶段：如果存在新的可用边缘服务器s_n，且s_n从未被选择过，则用户车辆必须选择一次s_n；根据以下公式估计用户车辆对s_n的偏好程度：

用户车辆在获得对s_n的偏好程度后，选择具有最大偏好值的边缘服务器ψ(t)：

(3)学习阶段：用户车辆观察选择ψ(t)后得到的吞吐量u_n,t、端到端时延和用户体验质量QoE_n,t；然后，更新Q(t+1)与θ_n,t；若任务卸载成功，即则和Γ_t更新为：

否则，和Γ_t保持不变；接下来，更新Z^Q(t+1)、Z^H(t+1)和Z^W(t+1)；在每个时间段的最后一个时隙执行轨迹相似性估计；具体地说，如果第t个时隙是第(k-1)个时间段的最后一个时隙，即t＝(k-1)J，k＝1,...,K，则更新轨迹相似度P_n,t+1，否则，P_n,t+1保持不变；当t＞T时，决策和学习阶段之间的迭代终止。