[发明专利]基于动态资源需求的车路协同在线任务调度方法及系统

说明书

本发明公开了一种基于动态资源需求的车路协同在线任务调度方法及系统。所述方法包括：采集信息建立不同任务的请求配置文件数据；利用生成对抗网络编解码器GAN‑EN提取任务的资源需求特征；通过线性回归建立不同资源需求行为和资源需求特征的关系，得到资源需求行为指数；基于车路系统中任务在本地、边缘以及云上计算的时延和需要满足的资源限制条件，建立调度优化问题方程，优化目标为满足任务需求指数条件下最大化边缘服务提供商的利益；利用随机马尔可夫博弈对优化问题进行转化，根据离线生成的专家轨迹训练模仿学习网络；根据实时输入的状态利用训练好的网络获得调度决策，实现分布式在线任务协同调度。本发明有效利用边缘资源，提高调度性能。

技术领域

本发明涉及一种基于动态资源需求的车路协同在线任务调度方法及系统，属于边缘计算中车路协同调度领域。

背景技术

随着车联网和智能交通系统的快速发展，一大批涵盖信息服务、行车安全和交通效率的车载应用涌现出来。不同的车载服务、路边传感器、交通监控设备产生的海量数据给网络带宽带来了巨大的压力。计算密集型、延迟敏感的服务对网络的计算、通信和存储能力提出了严峻的挑战。通过将边缘计算和车联网技术相结合，车辆边缘计算(Vehicular edgecomputing,VEC)能够处理复杂、异构、动态的车路环境。VEC将不同的任务分配到合适的边缘进行处理，以保证不同用户的服务质量(Quality of Service,QoS)，为用户提供低延迟、高带宽、高可靠性的服务。任务调度是VEC中的一个重要问题，已经引起了研究者的广泛关注。现有的工作大多是针对资源有限的车辆进行任务卸载和资源分配。利用配备边缘服务器的路边计算单元(Roadside units,RSU)的低延迟优势，任务调度可以为车辆提供更好的服务质量。目前，车路协同系统下的道路传感设备和交通监控设备产生了大量的计算需求，不可避免地会与车辆在RSU上争夺计算资源。因此，一个RSU区域内的任务卸载请求过载可能会显著降低用户的QoS。此外，许多新的车载应用和交通应用也在不断出现，如增强现实、驾驶行为检测、车牌识别等。

边缘之间的协作可以有效地解决计算任务过载、任务请求的服务缺失等问题。在边缘计算研究中，协同任务调度方面已经有一些研究成果。现有的研究技术针对车辆边缘计算设计的协同在线任务调度方法，重点解决车辆移动性带来的网络切换影响下的任务划分和调度问题，以最小化任务延迟为目标。大规模5G基建为车路协同提供了发展的基石，但5G基站和边缘服务器的部署、维护和运行所带来的巨额成本也成为车路协同实际落地的一大阻碍。因此，如何合理地将边缘资源服务转化为服务商的实际收益是车路协同下任务调度研究的重要挑战。车路环境中的计算任务种类繁多，不同任务对资源的需求也不一样。从服务提供商利益角度出发，无法满足任务需求的任务调度将减少提供商利益。例如，某些任务可能由于对通信资源的高需求导致其它任务数据无法正常传输，或者某些任务对延迟极度敏感，车辆的高度移动使卸载行为无法在截止时间内完成任务。因此，未考虑任务资源需求的调度策略可能导致任务失败，造成资源浪费，损害服务提供商的利益。

此外，近年来由于机器学习的发展，先进的人工智能(Artificial Intelligence,AI)技术被应用到各个领域。一般情况下，计算卸载过程与边缘环境的交互可以建模为马尔可夫决策过程(Markov Decision Process,MDP)问题，深度强化学习(DeepReinforcementLearning,DRL)技术可以有效地解决该问题。但现有的基于DRL技术的任务调度方案大多为集中式离线调度策略，需要基于全局信息进行调度控制，分散在不同位置的边缘节点无法独立作出调度决策，导致此类方法的可拓展性差，无法适用于大规模车路边缘计算场景。

发明内容

发明目的：本发明提出一种基于动态资源需求的车路协同在线任务调度方法及系统，旨在解决大规模车路环境中具有多样需求任务的协同调度问题。所提方法可在不同资源需求下进行合理调度以达到最大化服务提供商利益的目标，同时支持不同异构边缘进行独立在线调度决策，实现方法的大规模拓展应用。

技术方案：为了实现以上发明目的，本发明的技术方案如下：