用于无路边单元车联网的车辆任务卸载方法

本发明涉及无线通信和计算机，具体来说，特别涉及一种用于无路边单元车联网的车辆任务卸载方法、计算机程序产品以及分布式系统中的车辆节点设备。

背景技术：

1、人工智能和第六代移动通信技术的创新推动了车联网的发展，大量提升自动驾驶体验的车载应用不断出现，如群智感知、增强现实、智能导航、视频分析等。这些任务依赖于对环境信息的多维感知，车辆需要分析和融合来自传感器的大量数据，但车辆有限的计算资源无法满足车载任务的需求，为了应对这一挑战，人们开始考虑将计算任务卸载到云进行处理。虽然云计算拥有强大的计算和存储能力，但远距离的计算卸载无法满足任务实时性的要求。对于需要实时性响应的车联网应用来说，结合移动边缘计算的车联网架构是一种灵活、高效且能够降低车载任务时延的可行方案，即车载边缘计算(vehicular edgecomputing,vec)。通过在路边单元(road side unit,rsu)部署具备一定计算和存储能力的vec服务器，为车辆提供计算服务以降低任务的传输和计算时延。但在车辆密集的十字路口或者高峰时段，一方面，同时请求计算卸载的车辆较多，另一方面，车辆需要卸载的数据量庞大，很容易导致rsu过载，进而导致通信网络拥塞甚至不可用，使得任务超时。此外，在一些缺乏通信基础设施覆盖的偏僻地区，比如极端环境或受灾区域等，没有rsu等边缘服务器提供计算服务。

技术实现思路

1、本发明的目的是通过以下技术方案实现的：

2、根据本发明的第一个方面，提供一种用于无路边单元车联网的车辆任务卸载方法，包括：根据车辆广播的信息将车辆作为车辆网络的节点、将所述车辆之间的通信与协作关系作为所述车辆网络的边，基于图神经网络构建所述车辆网络；其中，对于每个所述车辆网络的节点，将其状态信息作为观测向量；根据所述观测向量，确定所述车辆网络的中心车辆和环境状态信息；将所述中心车辆作为a3c网络的全局网络，并将所述环境状态信息输入到所述a3c网络；根据所述全局网络输出车辆任务的卸载决策与计算资源分配方案。

3、优选的，根据所述观测向量，确定所述车辆网络的中心车辆，包括：将由所述观测向量组成的节点信息映射到更高维度的表示空间，生成编码后的节点特征；根据所述车辆之间的相对位置和动态变化的连接关系，对所述编码后的节点特征进行信息传递和聚合，生成车辆网络的图结构特征；根据所述图结构特征中的所述车辆的位置和所述车辆拥有的空闲计算资源确定所述中心车辆。

4、优选的，根据所述观测向量，确定所述车辆网络的环境状态信息，包括：根据所有车辆的所述编码后的节点特征，生成所述车辆网络的全局环境信息；根据任务时效性和车辆服务概率的乘积确定任务卸载优势；将所述全局环境信息和所述任务卸载优势作为所述环境状态信息；其中，所述任务时效性根据所述车辆之间的链路连接时间和任务能容忍的最大时延确定；所述链路连接时间根据所述车辆之间的相对距离和速度确定；所述车辆服务概率根据距离对设备服务概率的影响程度、所述车辆可用计算资源比例以及所述车辆之间的距离确定。

5、优选的，将所述中心车辆作为a3c网络的全局网络，并将所述环境状态信息输入到所述a3c网络，包括：将所述中心车辆作为全局网络，将除中心车辆外的其他车辆分别作为一个工人网络；将所述环境状态信息输入到所述a3c网络的所述全局网络和所述工人网络；其中，所述全局网络和所述工人网络具有相同的网络结构，所述工人网络和所述全局网络中都输入相同的环境状态信息。

6、优选的，根据所述全局网络输出任务的卸载决策与计算资源分配方案，包括：所述全局网络和所述工人网络基于共享的环境状态信息并行训练与梯度更新；达到设定的迭代次数后，由最终更新的全局网络输出任务的卸载决策与计算资源分配方案。

7、优选的，所述全局网络和所述工人网络基于共享的环境状态信息并行训练与梯度更新，包括：每个所述全局网络和所述工人网络分别包括行动者网络和评论家网络；所述行动者网络基于所述工人网络的当前时间步的状态和策略函数执行概率最大的动作，执行完所述动作后所述工人网络的状态转移到下一时间步的状态；所述评论家网络利用价值函数根据时间步收益奖励，对执行所述动作的奖励值进行评估，得到经验数据；根据所述经验数据，计算更新所述工人网络参数的梯度，并将所述梯度上传到所述全局网络用于更新全局网络的参数；其中，所述策略函数表示每个动作在该状态下被执行的概率。

8、优选的，所述时间步收益奖励为完成任务的收益减去任务卸载的成本得到的差值；其中，所述任务卸载的成本表示服务车辆计算资源的单价与计算资源数量的乘积；所述完成任务的收益ur的计算方式为：

9、

10、其中，η表示任务的优先级，其数值越大任务的优先级越高；τ为任务能容忍的最大时延；t为实际完成任务的时延；δ为正常数，表示未按时完成任务带来的惩罚。

11、优选的，用于无路边单元车联网的车辆任务卸载方法，还包括：在每个时间步结束后，将更新所述车辆网络中的观测向量，并根据更新后的观测向量动态调整全局网络对应的中心车辆。

12、根据第二方面，本发明提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面中的方法。

13、根据第三方面，本发明提供了一种分布式系统中的车辆节点设备，用于无路边单元车联网的车辆任务卸载，该设备包括：处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述处理器执行时，使得所述车辆节点设备实现第一方面中的方法。

14、与现有技术相比，本发明的优点在于：在没有rsu的车联网场景中，利用图神经网络构建车辆网络，并利用a3c算法的网络输出任务卸载和资源分配的决策，在提升系统卸载效用的同时极大地提高了系统决策效率。

技术特征：

1.一种用于无路边单元车联网的车辆任务卸载方法，其中，

2.根据权利要求1所述的方法，其中，根据所述观测向量，确定所述车辆网络的中心车辆，包括：

3.根据权利要求2所述的方法，其中，根据所述观测向量，确定所述车辆网络的环境状态信息，包括：

4.根据权利要求3所述的方法，其中，将所述中心车辆作为a3c网络的全局网络，并将所述环境状态信息输入到所述a3c网络，包括：

5.根据权利要求4所述的方法，其中，根据所述全局网络输出任务的卸载决策与计算资源分配方案，包括：

6.根据权利要求5所述的方法，其中，所述全局网络和所述工人网络基于共享的环境状态信息并行训练与梯度更新，包括：

7.根据权利要求6所述的方法，其中，所述时间步收益奖励为完成任务的收益减去任务卸载的成本得到的差值；

8.根据权利要求1所述的方法，其中，还包括：

9.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一所述方法的步骤。

10.一种分布式系统中的车辆节点设备，用于无路边单元车联网的车辆任务卸载，其特征在于，包括：

技术总结本发明提供了一种用于无路边单元车联网的车辆任务卸载方法，包括：根据车辆广播的信息将车辆作为车辆网络的节点、将车辆之间的通信与协作关系作为车辆网络的边，基于图神经网络构建车辆网络；其中，对于每个车辆网络的节点，将其状态信息作为观测向量；根据观测向量，确定车辆网络的中心车辆和环境状态信息；将中心车辆作为A3C网络的全局网络，并将环境状态信息输入到A3C网络；根据全局网络输出车辆任务的卸载决策与计算资源分配方案。本发明在没有RSU的车联网场景中，利用图神经网络构建车辆网络，并利用A3C算法的网络输出任务卸载和资源分配的决策，在提升系统卸载效用的同时极大地提高了系统决策效率。技术研发人员：吴义豪,齐彦丽,周一青,于成龙,蔡青,石晶林受保护的技术使用者：中国科学院计算技术研究所技术研发日：技术公布日：2024/9/29