1.一种基于学习剪枝的车联网移动边缘计算任务卸载方法,其特征在于,包括如下步骤:计算车联网移动边缘计算场景中车辆参数;其中,车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离;
根据车辆参数计算卸载参数;其中,卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销;
根据所述卸载参数构建任务卸载效用模型,包括:
其中,Ui表示任务型车辆i的卸载效用函数,x表示是否将任务卸载到边缘服务器,y表示是否将任务卸载到服务型车辆,fm,i表示任务型车辆i通过竞价所得到的边缘服务器m的计算资源,fj,i表示任务型车辆i通过竞价所得到的服务型车辆j的计算资源,Li表示任务型车max辆i完成任务卸载需要的时延,Ti 表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束,I表示任务型车辆集合,J表示服务型车辆集合;
xi,m和yi,j表示选择变量,当任务型车辆i选择将任务卸载到边缘服务器时,xi,m=1;当任务型车辆i选择将任务卸载到服务型车辆j时,yi,j=1;
表示边缘服务器m的最大计算资源数量, 表示服务型车辆j的最大计算资源数量;
C1表示任务型车辆i任务卸载时延上限;C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件;C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量;C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量;
任务型车辆i的卸载效用函数为:
其中,ωl、ωe分别表示时延和能耗
的权重,ωl+ωe=1;Ei表示任务型车辆i完成任务卸载需要的能耗;Costi表示任务型车辆i完成当前时刻t任务卸载需要的花销;tu、td表示 的持续时间的上下限,ri,j(t)表示t时刻上行链路数据传输速率, 表示上行链路数据平均传输速率,θ表示正常数;
表示当任务型车辆i将任务卸载在异向行驶的服务型车辆j时数据传输增
益;
利用分支定界算法结合模仿学习方法,求解任务卸载效用模型最优解,从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源;
利用分支定界算法结合模仿学习方法,求解任务卸载效用模型最优解包括:
步骤1:随机设置时延和能耗的权重值,松弛任务卸载效用模型优化的变量,用内点法求得放松最优解,作为全局上界,将负无穷设为全局下界;
步骤2:若放松最优解不是整数解,则从放松最优解出发,进行分支,划分子定义域,在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界,定为全局下界;每个子定义域中得到的放松最优解对应的目标函数值为局部上界,将所有放松最优解中目标函数值最优的设为全局上界;
步骤3:若分支后得到的放松最优解对应的函数值小于全局下界,则剪枝;若分支后求得的非整数解对应的函数值优于全局下界,则根据得到的非整数解继续分支;
步骤4:利用模仿学习方法来学习最优的辅助修剪策略,在学习过程中利用数据集聚合迭代训练新策略;
步骤5:重复步骤2至步骤4更新全局上界和全局下界,直至得到全局上界与全局下界的差值为0,得到最优整数解。
2.根据权利要求1所述的基于学习剪枝的车联网移动边缘计算任务卸载方法,其特征在于,利用模仿学习方法学习辅助修剪策略转换成具有适当特征映射的二进制分类任务:寻找特征映射和利用SVM训练二值分类器。
3.根据权利要求2所述的基于学习剪枝的车联网移动边缘计算任务卸载方法,其特征在于,利用数据集聚合迭代训练包括:在每次迭代中收集数据集,用当前的修剪策略和节点特征映射更新训练集,然后使用所有收集的数据集的聚合来训练新的修剪策略。
4.根据权利要求1‑3任一项所述的基于学习剪枝的车联网移动边缘计算任务卸载方法,其特征在于,当任务型车辆将任务卸载在边缘服务器m时,进入两个相邻边缘服务器的服务交叉范围时,进行任务卸载的切换;
边缘服务器覆盖范围半径为R,交叉范围为R/4,边缘服务器处于覆盖范围的圆心,两个相邻边缘服务器的距离为d=7R/4, 其中, 表示任务型车辆i的初始位置, 表示任务型车辆i在车道k上的行驶速度;
如果Li<tlimit,则任务型车辆i在进入交叉范围内之前将任务执行完毕,否则,任务在执行过程中进入交叉范围内;
若 则任务型 车辆i 在任务上 传阶段进 入交叉范 围 ,所以
其中, 表示任务上传到边缘服务器m时上行链路的传输时间,
di表示是任务型车辆i需要上传到边缘服务器m的任务的数据量;反之,则任务型车辆i是在计算阶段和回传阶段进入交叉范围;
在进入交叉范围时,若任务处于计算或者回传阶段,则直接通过回程链路进行任务结果反馈,不进行服务器的切换,若任务处于上传阶段,则已上传的部分dh<di由旧边缘服务器传输至新边缘服务器,车辆选择新边缘服务器作为目标边缘服务器进行任务卸载与计算。
5.根据权利要求4所述的基于学习剪枝的车联网移动边缘计算任务卸载方法,其特征在于,车联网移动边缘计算场景包括:定义初始状态车联网,考虑车载边缘计算网络,沿着双向道路放置M个路边单元RSU,每个RSU配备一个边缘服务器,RSU间的距离相等;同车道车辆以相同速度从0时刻开始行使,不同车道速度不同,同车道的车辆速度恒定;车辆包括任务型车辆和服务型车辆,任务型车辆产生任务,服务型车辆充当边缘服务器为任务型车辆提供计算服务;以坐标形式表示车辆和边缘服务器的位置,利用时隙和加速度描述当前时隙的速度;每辆车都占用一个正交信道。
6.一种实现如权利要求1‑5任一项所述的基于学习剪枝的车联网移动边缘计算任务卸载方法的基于学习剪枝的车联网移动边缘计算任务卸载系统,其特征在于,包括:车辆参数计算模块,用于计算车联网移动边缘计算场景中车辆参数;其中,车辆参数包括任务型车辆和服务型车辆的位置、任务型车辆与服务型车辆的距离以及任务型车辆与边缘服务器的距离;
卸载参数计算模块,用于根据车辆参数计算卸载参数;其中,卸载参数包括任务型车辆将任务卸载到边缘服务器所需要的时延、能耗以及任务型车辆从边缘服务器获取计算资源的花销和任务型车辆将任务卸载到服务型车辆所需要的时延、能耗以及任务型车辆从服务型车辆获取计算资源的花销;
效用模型构建模块,用于根据所述卸载参数构建任务卸载效用模型,包括:
其中,Ui表示任务型车辆i的卸载效用函数,x表示是否将任务卸载到边缘服务器,y表示是否将任务卸载到服务型车辆,fm,i表示任务型车辆i通过竞价所得到的边缘服务器m的计算资源,fj,i表示任务型车辆i通过竞价所得到的服务型车辆j的计算资源,Li表示任务型车max辆i完成任务卸载需要的时延,Ti 表示任务型车辆i允许任务卸载和计算所消耗的最高时延约束,I表示任务型车辆集合,J表示服务型车辆集合;
xi,m和yi,j表示选择变量,当任务型车辆i选择将任务卸载到边缘服务器时,xi,m=1;当任务型车辆i选择将任务卸载到服务型车辆j时,yi,j=1;
表示边缘服务器m的最大计算资源数量, 表示服务型车辆j的最大计算资源数量;
C1表示任务型车辆i任务卸载时延上限;C2、C3表示一辆车只能选择一个边缘服务器或者一个服务型车辆进行任务卸载的条件;C4表示选择边缘服务器的车辆所用的总计算资源不能超过边缘服务器本身的计算资源数量;C5表示选择服务型车辆的计算资源不能超过服务型车辆本身的计算资源数量;
任务型车辆i的卸载效用函数为:
dt;其中,ωl、ωe分别表示时延和能耗
的权重,ωl+ωe=1;Ei表示任务型车辆i完成任务卸载需要的能耗;Costi表示任务型车辆i完成当前时刻t任务卸载需要的花销;tu、td表示 的持续时间的上下限,ri,j(t)表示t时刻上行链路数据传输速率, 表示上行链路数据平均传输速率,θ表示正常数;
表示当任务型车辆i将任务卸载在异向行驶的服务型车辆j时数据传输增
益;
效用优化模块,用于利用分支定界算法结合模仿学习方法,求解任务卸载效用模型最优解,从而以效用最优化的方式进行任务卸载模式的选择以及确定竞价所得的计算资源;
所述效用优化模块被配置为:
随机设置时延和能耗的权重值,松弛任务卸载效用模型优化的变量,用内点法求得放松最优解,作为全局上界,将负无穷设为全局下界;
若放松最优解不是整数解,则从放松最优解出发,进行分支,划分子定义域,在子定义域中分别继续进行本地搜索得到原问题的一个最优可行解对应的函数值为局部下界,定为全局下界;每个子定义域中得到的放松最优解对应的目标函数值为局部上界,将所有放松最优解中目标函数值最优的设为全局上界;
若分支后得到的放松最优解对应的函数值小于全局下界,则剪枝;若分支后求得的非整数解对应的函数值优于全局下界,则根据得到的非整数解继续分支;
利用模仿学习方法来学习最优的辅助修剪策略,在学习过程中利用数据集聚合迭代训练新策略。