车辆任务处理方法及装置与流程

本技术涉及边缘计算，具体而言，涉及一种车辆任务处理方法及装置。

背景技术：

1、车联网中，随着车辆数量和车载应用种类的增加，车辆产生的任务数据量呈爆炸式增长，车联网数据主要包括车辆状态信息、交通流量信息、路况信息和驾驶员行为信息等。大规模的数据将会超出传统数据处理和存储技术的极限，因此需要使用更先进的技术来实现车联网的高效运作和数据的有效利用。传统计算处理车辆产生的任务主要有两种方式：车辆本地计算和云服务器计算。车辆本地计算指的是将车辆任务数据放在车辆的车载单元上进行计算处理，但是这种方式存在一些缺点，如车辆计算能力有限、无法处理大数据量的任务以及任务计算时间较长。云服务器计算则是将需要计算处理的任务上传至云服务器进行计算处理，然后将结果回传给车辆，但这种方式也存在一些不足，如传输时延长、能量消耗大、安全性和私人性差等。为了弥补本地计算和云计算的不足，mec(mobile edgecomputing，移动边缘计算)技术被提出，mec是一种通过移动通信网络进行分布式计算的方式，通过在边缘侧部署计算和存储资源为移动用户提供类似云端计算功能和环境的服务，让用户享有超低时延、超高带宽、超强计算和超安全的服务体验，从而提高用户满意度、促进产业创新与发展。

2、目前，随着边缘计算任务卸载研究的深入，仍有两个问题普遍存在于已有的相关工作中：一是移动车辆速度快而路侧单元的通信覆盖范围有限，导致请求任务卸载的车辆未收到回传结果便驶出当前通信覆盖范围进而导致回传失败；二是在卸载过程中理想化地将车辆的任务按照任意百分比进行切割卸载，导致理论卸载与实际情况不符进而导致卸载失败。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种车辆任务处理方法及装置，以至少解决相关车辆任务卸载处理方案易因卸载比例不合理卸载失败或受环境影响回传失败的技术问题。

2、根据本技术实施例的一个方面，提供了一种车辆任务处理方法，包括：获取目标车辆生成的各个车辆任务的任务参数和目标车辆对应的环境参数，其中，任务参数中至少包括：任务数据量和任务类型，环境参数中至少包括：车辆速度和车辆所在区域的路侧单元信息；对于每个车辆任务，依据车辆任务的任务类型将车辆任务划分为多个子车辆任务，并确定每个子车辆任务的子任务数据量，将各个子车辆任务的子任务数据量依次组成车辆任务对应的任务数据序列；利用任务卸载决策模型对各个车辆任务对应的任务数据序列以及环境参数进行分析，得到各个子车辆任务对应的子卸载策略，其中，任务卸载决策模型基于双深度q学习算法训练得到，子卸载策略包括以下之一：本地处理子车辆任务、将子车辆任务卸载至边缘计算节点；对于每个子车辆任务，依据子车辆任务对应的子卸载策略对子车辆任务进行卸载，获取子车辆任务的本地处理结果，或接收边缘计算节点以目标传输方式反馈的处理结果，其中，目标传输方式包括以下至少之一：i2v传输方式、i2i和i2v组合传输方式、i2v和v2v组合传输方式。

3、可选地，依据车辆任务的任务类型将车辆任务划分为多个子车辆任务，包括：依据车辆任务的任务类型确定执行车辆任务的流程对应的有向无环图；依据有向无环图的各个节点将车辆任务划分为多个子车辆任务。

4、可选地，任务卸载决策模型的训练过程包括：构建用于求解卸载策略的q网络和目标网络，并初始化q网络和目标网络的网络权重参数，其中，卸载策略包括各个子车辆任务对应的子卸载策略；设置经验池，确定经验池容量并初始化经验池中各个样本的优先级；确定第一预设数量个迭代周期，通过以下步骤迭代求解卸载策略和网络权重参数：在每个迭代周期内，初始化车联网环境状态，并确定第二预设数量个计算周期，其中，车联网环境状态中至少包括：各个车辆任务对应的任务数据序列和车辆对应的环境参数；在每个计算周期内，将当前车联网环境状态输入q网络，计算不同卸载策略对应的q值，并基于贪心策略选择对应最大q值的目标卸载策略，执行目标卸载策略并计算奖励，获取车联网环境新状态，将当前车联网环境状态、目标卸载策略、奖励和车联网环境新状态作为一个样本，将样本存储至经验池；基于经验池中各个样本的优先级采样多个样本，输入包含有双向长短期记忆网络的神经网络，计算每个样本被采样的概率、均方误差损失函数和损失函数权重，依据计算结果确定目标q值并更新q网络的网络权重参数，计算经验池中所有样本的时序差分误差并更新所有样本的优先级；在第三预设数量个计算周期后依据q网络的网络权重参数更新目标网络的网络权重参数，其中，第三预设数量小于第二预设数量；在迭代完成后，将得到的目标网络作为任务卸载决策模型。

5、可选地，经验池为sumtree结构，经验池中的样本为sumtree中的叶节点，将样本存储至经验池，包括：确定经验池的容量是否已满；若经验池的容量未满，将样本存储至经验池；若经验池的容量已满，基于先进先出的原则，利用样本替换经验池中最早存入的样本。

6、可选地，将当前车联网环境状态输入q网络，计算不同卸载策略对应的q值，包括：确定多种卸载策略；对于每种卸载策略，利用各个车辆任务对应的任务数据序列、车辆对应的环境参数、卸载策略计算卸载策略对应的卸载总开销，其中，卸载总开销中包括：各个车辆任务的时间开销和能量开销，时间开销中包括传输时延和计算时延，能量开销中包括传输开销和计算开销；依据各个卸载策略对应的卸载总开销确定各个卸载策略对应的q值，其中，卸载总开销越大的卸载策略对应的q值越小。

7、可选地，环境参数中还包括网络传输参数，利用各个车辆任务对应的任务数据序列、车辆对应的环境参数、卸载策略计算卸载策略对应的卸载总开销，包括：对于每个车辆任务中的每个子车辆任务，依据车辆任务对应的任务数据序列确定子车辆任务的子任务数据量以及子车辆任务对应的所有上游子车辆任务，并确定子车辆任务对应的子卸载策略；若子卸载策略为本地处理子车辆任务，依据子任务数据量计算本地处理子车辆任务的第一计算开销和第一计算时延，确定子车辆任务对应的所有上游子车辆任务对应的第一目标时间开销中的最大时间开销，将第一计算开销作为子车辆任务的第一目标计算开销，将第一计算时延与最大时间开销之和作为子车辆任务的第一目标时间开销；若子卸载策略为将子车辆任务卸载至边缘计算节点，依据子任务数据量计算边缘计算节点处理子车辆任务的第二计算开销和第二计算时延，依据网络传输参数计算通过车辆至基础设施v2i方式将子车辆任务由车辆传输至边缘计算节点的第一传输时延和第一传输开销，依据环境参数确定数据回传方式，并依据网络传输参数计算通过数据回传方式将处理结果由边缘计算节点传输至车辆的第二传输时延和第二传输开销，确定子车辆任务对应的所有上游子车辆任务对应的第一目标时间开销中的最大时间开销，将第二计算开销作为子车辆任务的第一目标计算开销，将第一传输开销与第二传输开销之和作为子车辆任务的第一目标传输开销，将第二计算时延、第一传输时延、第二传输时延与最大时间开销之和作为子车辆任务的第一目标时间开销；对于每个车辆任务，将车辆任务对应的每个子车辆任务的第一目标计算开销之和作为车辆任务的第二目标计算开销，将车辆任务对应的每个子车辆任务的第一目标传输开销之和作为车辆任务的第二目标传输开销，将车辆任务对应的最下游子车辆任务的第一目标时间开销作为车辆任务的第二目标时间开销，将第二目标传输开销与第二目标计算开销作为车辆任务的第二目标能量开销；对所有车辆任务的第二目标计算开销与第二目标能量开销进行加权求和，得到卸载策略对应的卸载总开销。

8、可选地，环境参数中还包括车辆当前位置，依据环境参数确定数据回传方式，包括：依据车辆速度、第一传输时延、第二计算时延、车辆当前位置、路侧单元的通信覆盖范围确定子车辆任务处理完成时，车辆是否仍位于车辆当前位置对应的路侧单元的通信覆盖范围内；若车辆仍位于车辆当前位置对应的路侧单元的通信覆盖范围内，确定数据回传方式为i2v传输方式；若车辆不位于车辆当前位置对应的路侧单元的通信覆盖范围内，确定数据回传方式为i2i和i2v组合传输方式或i2v和v2v组合传输方式。

9、根据本技术实施例的另一方面，还提供了一种车辆任务处理装置，包括：获取模块，用于获取目标车辆生成的各个车辆任务的任务参数和目标车辆对应的环境参数，其中，任务参数中至少包括：任务数据量和任务类型，环境参数中至少包括：车辆速度和车辆所在区域的路侧单元信息；划分模块，用于对于每个车辆任务，依据车辆任务的任务类型将车辆任务划分为多个子车辆任务，并确定每个子车辆任务的子任务数据量，将各个子车辆任务的子任务数据量依次组成车辆任务对应的任务数据序列；决策模块，用于利用任务卸载决策模型对各个车辆任务对应的任务数据序列以及环境参数进行分析，得到各个子车辆任务对应的子卸载策略，其中，任务卸载决策模型基于双深度q学习算法训练得到，子卸载策略包括以下之一：本地处理子车辆任务、将子车辆任务卸载至边缘计算节点；处理模块，用于对于每个子车辆任务，依据子车辆任务对应的子卸载策略对子车辆任务进行卸载，获取子车辆任务的本地处理结果，或接收边缘计算节点以目标传输方式反馈的处理结果，其中，目标传输方式包括以下至少之一：i2v传输方式、i2i和i2v组合传输方式、i2v和v2v组合传输方式。

10、根据本技术实施例的另一方面，还提供了一种计算机程序产品，该计算机程序产品包括：计算机程序，其中，计算机程序被处理器执行时实现上述的车辆任务处理方法。

11、根据本技术实施例的另一方面，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的车辆任务处理方法。

12、本技术实施例在进行车辆任务卸载时，首先获取目标车辆生成的各个车辆任务的任务参数和目标车辆对应的环境参数；对于每个车辆任务，依据其任务类型将车辆任务划分为多个子车辆任务，并确定每个子车辆任务的子任务数据量，将各个子任务数据量依次组成该车辆任务对应的任务数据序列；利用任务卸载决策模型对各个车辆任务对应的任务数据序列以及环境参数进行分析，得到各个子车辆任务对应的子卸载策略，包括本地处理子车辆任务或将子车辆任务卸载至边缘计算节点；对于每个子车辆任务，依据对应子卸载策略进行卸载并获取处理结果。其中，依据任务类型将任务拆分为子任务进行卸载，可以避免确定的不合理的卸载比例导致任务卸载失败；任务卸载决策模型基于双深度q学习算法训练得到，能够保证最终决策得到的卸载策略尽可能地减少系统开销；在任务处理结果回传阶段，通过灵活选用i2v传输方式、i2i和i2v组合传输方式、i2v和v2v组合传输方式，能够有效保证数据回传的可靠性。