[发明专利]一种基于车辆位置预测的边缘计算卸载优化方法

权利要求书

1.一种基于车辆位置预测的边缘计算卸载优化方法，其特征在于，包括如下步骤：

1)构建基于SDN的VMEC计算卸载模型：引入SDN技术，将控制平面与数据转发平面分离，在数据平面中，车辆沿道路行驶，部署在道路两侧的路边单元RSU都配备有MEC服务器，在控制平面，嵌入在宏基站内的SDN控制器收集MD和MEC服务器的信息，从全局角度感知网络状态，按需优化网络配置，设MEC服务器的索引为MD的集合表示为令任务模型Q_i＝(w_i,s_i)，w_i表示任务Q_i的计算量，s_i表示计算任务Q_i的大小，假设任务是可分离的，每个任务的一部分在本地执行，另一部分通过卸载到边缘云执行，用k_i,j表示第i个MD卸载到MEC服务器j的计算量比例，其中表示为MD_i提供服务的一组RSU；

2)计算MD和MEC服务器之间的连接中断概率即估计MD和MEC之间的连接度：MD和MEC服务器之间的连接性由连接中断概率OP(d_i,j)确定，连接中断概率通过MD和MEC服务器之间的距离d_i,j来估算，假设MD到MEC服务器的发射功率为接收功率为L(d_i,j)为路径损耗，ζ为阴影衰落，且服从正态分布，标准差为σ，信噪比n₀为噪声功率，则连接中断概率即接收信噪比低于所需信噪比的概率，如公式(1)所示：

3)预测MD下一时刻的位置：假设MD的移动是具有加速度的非线性运动，建立非线性系统数学模型，系统在n时刻的真实状态向量表示为s_i,n＝[l_i,x,v_i,x,a_i,x,l_i,y,v_i,y,a_i,y]，其中l_i,x表示MD_i在二维平面上的横坐标位置，v_i,x表示MD_i在二维平面横坐标方向上的速度，a_i,x表示MD_i在二维平面横坐标方向上的加速度，l_i,y表示MD_i在二维平面上的纵坐标位置，v_i,y表示MD_i在二维平面纵坐标方向上的速度，a_i,y表示MD_i在二维平面纵坐标方向上的加速度，经过一段时间Δt后，MD_i移动到新的位置，此时MD_i的运动状态如公式(2)、公式(3)所示：

v_i＝v_i,0+a_i·Δt (3)，

其中l_i,0为MD_i的初始位置，v_i,0为MD_i初始速度，a_i为MD_i的加速度，并假设其加速度恒定，采用扩展卡尔曼滤波算法对移动车辆MD_i的位置进行预测，具体为：

1-3)对数据进行准备工作：计算n-1时刻估计状态下预测n时刻估计值的预测值和真实值与预测值间的误差协方差矩阵P_i,n|n-1：

s_i,n＝f(s_i,n-1)+q_i,t (4a)，

其中，s_i,n是系统状态转移方程，是s_i,n在n-1时刻的估计值的泰勒展开，s_i,n-1是n-1时刻MD_i的真实状态向量，f(·)是非线性系统中的状态转移函数，q_i,n是状态噪声，并假定均值为0，协方差矩阵为Q_i,n＝cov(q_i,n)，服从正态分布，记作q_i,n～N(0,Q_i,n)；

2-3)对数据进行滤波并做出估计：计算n时刻最优卡尔曼增益K_i,n和更新估计

z_i,n＝h(s_i,n)+r_i,n (6a)，

其中，H_i,n是函数h(·)在的雅克比矩阵，测量值z_i,n是状态值的映射，h(·)是测量函数，r_i,n是状态噪声，并假定均值为0，协方差矩阵为R_i,n＝cov(r_i,n)，服从正态分布，记作r_i,n～N(0,R_i,n)；

3-3)对参数进行修正更新：计算真实值与估计值间的误差协方差矩阵P_i,n，返回步骤3-1)：

4-3)达到设定的迭代次数后获得最优预测位置，根据预测的MD_i位置，估计该时刻MD_i和MEC服务器之间的连接性OP(d_i)，获得可进行任务卸载的MEC服务器集合；

4)对MD提供智能的边缘计算任务卸载：在VMEC场景中，每个MD与附近的多个MEC服务器连接，根据MD下一时刻的预测位置，采用强化学习对MD提供智能的边缘计算任务卸载策略，假设迭代次数t∈{1,2,...,T}，任务卸载步骤如下：

1-4)初始化MD_i在t次迭代中的状态空间s_t、动作空间a_t以及Q(s_t,a_t)函数：根据预测的车辆位置，初始化Q(s_t,a_t)函数，将任务卸载的状态空间s_t定义为MD_i在t次迭代中的能量、任务卸载的动作空间a_t定义为MD_i在t次迭代中本地处理部分和MEC服务器上处理部分的比例，如公式(9)、公式(10)所示：

其中，是MD_i在第t次迭代中的本地处理的能耗，是MD_i在第t次迭代中MEC服务器处理任务时的能耗，表示在本地处理部分，并且表示在MEC服务器上处理部分；

2-4)计算MD_i在本地进行任务计算的持续时间和能耗以及MD_i将任务卸载到边缘云的总持续时间和总能耗定义f_i^l为MD_i的CPU计算能力，为MEC服务器j分配给MD_i的计算资源，MEC服务器中的总任务持续时间由两个过程消耗的时间组成，即：MD_i卸载任务时消耗的时间和在MEC服务器处理计算任务时消耗的时间任务Q_i的任务持续时间和总能量消耗任务Q_i的本地执行时间和本地处理的能耗分别为：

其中，ρ是每个CPU周期消耗的能量的功率系数，ρ＝10^-25，r_i,j表示MD_i上行链路的数据速率，h_i,j表示MD_i和MEC服务器之间的信道增益，p_i表示MD_i的传输功率，N₀是MD_i的噪声功率，B是信道带宽，I_i,j是其他V2I用户对MD_i的干扰；

3-4)采用ε-贪婪搜索策略，基于状态s_t选择动作a_t：采用无模型Q学习进行动态策略选择，对于a_t动作的选择，采用ε-贪婪搜索策略，以ε的概率在所有可能的动作中均匀随机地选择一个动作进行探索，而有1-ε的概率利用已知的最佳动作；

4-4)执行动作a_t后，观察奖励和新状态S_t+1：采用贝尔曼Bellman方程更新Q函数，执行行动的奖励和新状态S_t+1定义如下：

s_t←s_t+1 (16)；

5-4)重复步骤4-2)到4-4)，直到达到迭代次数T，获得最优的任务卸载策略；

5)获得最优的任务卸载策略后，根据计算任务卸载比例k_i,j求MD_i最终的最小总延迟：在MD_i获得计算任务卸载策略后，得到最佳的计算任务卸载比例k_i,j以最大限度地缩短任务的持续时间，最佳任务卸载比例的判定准则为: