一种车联网中基于MEC计算任务卸载的资源分配方法与流程

一种车联网中基于mec计算任务卸载的资源分配方法
技术领域
1.本发明涉及车联网络中的任务卸载和资源优化领域，特别涉及一种车联网中基于mec计算任务卸载的资源分配方法。


背景技术：

2.新一代无线技术和工业技术的不断进步为车联网发展带来了必要的技术支撑。不仅车辆的数量显著增加，车辆的性能也逐渐被优化变得更加智能。新兴汽车应用随之产生，如协同自动驾驶、智能交通控制、协同环境感知等，由此车联网将面临在资源限制、高时延要求和拓扑变化下处理大量数据的挑战。
3.移动边缘计算(mobile edge computing，mec)将计算平台从移动核心网络分发到移动接入网络的边缘，减少移动服务交付的端到端延迟并增强用户体验。蜂窝车联网(cellular
‑
vehicle to everything，c
‑
v2x)技术依靠蜂窝网络实现车辆与周围事物通信。结合mec技术与c
‑
v2x技术，将任务以车辆到基础设施(vehicle to infrastructure，v2i)通信方式卸载至路侧单元(road side unit，rsu)或车辆到车辆(vehicle to vehicle，v2v)方式卸载至其它车辆，可以有效地利用空闲资源减轻节点负担。
4.目前，现有技术中针对车联网中结合mec的任务卸载与资源分配问题已取得很多有价值的研究成果，但少有在v2x卸载下研究部分卸载。此外，大多数方案没有考虑rsu和不同车辆作为服务节点的差异，或只考虑了任务是否卸载，未研究具体的卸载对象，且部分方案未考虑车辆的移动性和通信距离的限制以及卸载后的资源分配。
5.因此，在现实场景的约束下，定制良好的卸载策略且结合合理的资源分配可以降低任务计算的时延，均衡系统中各节点的能量消耗。


技术实现要素：

6.为解决以上现有技术问题，本发明提出了一种车联网中基于mec计算任务卸载的资源分配方法，该方法在移动边缘计算技术的协助下，针对车联网在有限资源和动态拓扑下需要处理大量低时延任务的问题，以最小化系统开销为原则，确定车联网部分任务卸载及资源分配策略，以此完成车辆边缘计算系统中的任务卸载和资源优化问题，通过计算车联网系统中的最小总开销确定任务卸载策略，并根据任务卸载策略对系统资源进行分配，包括：
7.s1：构建基于mec计算任务卸载的资源分配框架；
8.s2：根据基于mec计算任务卸载的资源分配框架确定任务车辆的卸载模式，卸载模式包括任务车辆卸载到服务车辆和任务车辆卸载到路侧单元；
9.s3：根据卸载模式和任务车辆的初始卸载比确定卸载决策；
10.s4：根据卸载决策为选择的服务节点分配信道分配资源；根据卸载决策计算系统总开销；
11.s5：根据系统总开销更新卸载比；
12.s6：重复步骤s3
‑
s5，得到最优卸载比，根据最优卸载比在分配的信道分配资源上进行任务卸载和资源分配。
13.优选的，构建基于mec计算任务卸载的资源分配框架包括：
14.获取车辆信息，根据车辆信息将车辆划分为任务车辆tv和服务车辆sv；任务车辆tv为有任务需要卸载的车辆，服务车辆sv为有空闲资源的车辆；
15.将服务车辆sv和路侧单元rsu作为服务节点sn；当任务车辆在执行任务卸载时，将任务分为本地任务卸载和卸载到服务节点；
16.计算本地任务卸载的时延和能耗；
17.卸载到服务节点包括卸载到路侧单元rsu和卸载到服务车辆sv；计算卸载到路侧单元rsu的时延和能耗；计算卸载到服务车辆sv的时延和能耗。
18.优选的，计算系统总开销的公式为：
[0019][0020]
s.t.c1:
[0021]
c2:
[0022]
c3:
[0023]
c4:
[0024]
c5:
[0025]
c6:
[0026]
c7:
[0027]
其中，表示有任务需要卸载的车辆集合，c
i
表示一个任务车辆的开销，c表示系统总开销，λ
t
表示时延因子，λ
e
表示能耗因子，两个因素决定了系统中时延和能耗的重要性；t
i
表示系统时延，e
i
表示系统能耗；g
i
表示卸载决策因子，当g
i
＝1时表示选择的卸载对象为rsu，当g
i
＝0时，表示卸载对象为sv；k
i,j
是车辆匹配因子，表示tvi是否选择svj作为服务对象，当k
i,j
＝1时表示tvi选择卸载给svj，若tvi和svj没有匹配则k
i,j
＝0；f
irsu
表示rsu为tvi分配的计算资源，f
rsu
‑
max
表示rsu的最大计算能力，ξ
i
表示任务卸载比，t
imax
表示tvi任务的最大容忍时延；θ
i,k
表示子信道k是否被分配给tvi，当θ
i,k
＝1时，子信道k被分配给tvi，当θ
i,k
＝0时，子信道k未被分配给tvi；表示t
i
时刻tvi与rsu之间的距离，表示t
i
时刻tvi与svj之间的距离；
[0028]
优选的，任务车辆根据基于mec计算任务卸载的资源分配框架作出卸载决策，确定任务车辆的卸载模式，包括：定义任务匹配程度m等于第i个任务车辆tvi选择第j个服务车
辆svj作为卸载对象的任务计算时延和距离的加权，以最大化匹配程度为目标，为sv寻找最合适的服务对象：
[0029][0030]
s.t.c2:
[0031]
c7:
[0032]
其中，表示初始卸载比，，α
t
和α
d
表示计算时间和距离的权重值；n
s
表示服务车辆的车辆集合，p
i
、p
j
表示车辆位置，d
v2v
表示任务车辆到服务车辆的通信距离。
[0033]
进一步的，为任务车辆寻找最合适的任务卸载对象的过程包括：采用基于任务匹配程度的动态禁忌长度禁忌搜索配对算法为服务车辆sv寻找合适的服务对象，包括：
[0034]
s1：设置初始解和初始禁忌表，且初始禁忌表为空；
[0035]
s2：计算当前解的邻域，将计算出的邻域设置为禁忌对象，将禁忌对象填入初始禁忌表，得到禁忌最优解和非禁忌最优解；
[0036]
s3：判断禁忌最优解和非禁忌最优解共同决定的任务匹配程度m是否优于现有的最优解m'，如果优于现有最优解，则更新最优解，否则不进行最优解的更新，并返回s2；当m与m'的差值小于极小值ε或者达到最大迭代次数时，停止更新；
[0037]
s4：根据最优解，将任务车辆集合分为集合和其中，集合表示选择了v2i卸载模式的车辆集合，集合表示选择了v2v卸载模式的车辆集合。
[0038]
优选的，根据卸载决策为选择的服务节点分配信道分配资源包括：
[0039]
s1：将有任务需要卸载的车辆集合按照tv的任务最大容忍时间timax升序排序；
[0040]
s2：将排序后的前k个tv分别制定为k个颜色，根据每种颜色对应一个信道完成对前k个tv的信道分配；
[0041]
s3：采用图着色算法，为未分配信道的tv着色，更新信道分配矩阵；
[0042]
s4：根据预计时延与t
imax
的关系依次判断未分配信道的tv颜色，如果小于t
imax
则tvi被定为k颜色，即把k信道分配给tv；如果大于t
imax
则tvi不能被定为k颜色，即不把k信道分配给tvi。
[0043]
预计时延的计算公式为：
[0044][0045]
其中，r
irsu
为在任务车辆卸载到路侧单元v2i卸载模式下tvi在k信道的传输速率，
为在任务车辆卸载到服务车辆v2v卸载模式下tvi在k信道的传输速率，表示车辆i的初步卸载比率，c
i
表示车辆i计算车辆的任务所需cpu数，s
i
表示车辆i中车辆任务的大小，g
i
表示卸载决策因子，f
iav
表示车辆i的本地计算能力，表示，n
s
表示服务车辆的车辆集合，k
i,j
表示车辆匹配因子，表示svj的计算能力。
[0046]
优选的，根据最优卸载比在信道分配资源上进行任务卸载和资源分配的过程包括：在确定卸载模式和信道分配后，任务车辆tv分为新的两个车辆集合和将优化目标分为c
v2i
和c
v2v
，分别对优化目标求解；
[0047]
比较本地计算时间和卸载给sv的时间，将分为新的两个集合与当t
ilocal
≥t
ioff
‑
sv
时，任务车辆tvi属于当t
ilocal
＜t
ioff
‑
sv
，tvi属于
[0048]
比较本地计算时间和卸载给路侧单元rsu的时间，将分为新的两个集合与当t
ilocal
≥t
ioff
‑
rsu
时，tvi属于当t
ilocal
＜t
ioff
‑
rsu
，tvi属于
[0049]
其中，t
ilocal
表示任务车辆tvi在本地计算的时延，t
ioff
‑
sv
表示任务卸载给服务车辆的卸载时延，t
ioff
‑
rsu
表示任务卸载给路侧单元的卸载时延。
[0050]
进一步的，对优化目标求解的过程包括：当卸载模式确定为任务车辆卸载到服务车辆v2v后，c
v2v
优化目标为：
[0051][0052][0053][0054][0055][0056][0057][0058]
其中，c
v2v
表示卸载模式为任务车辆卸载到服务车辆的系统总开销，c
a
表示集合中计算车辆的任务所需cpu数，c
b
表示集合中计算车辆的任务所需cpu数；
表示集合中车辆任务卸载的最大时延，表示集合中车辆任务卸载的最大时延；s
a
表示集合中车辆任务的大小，s
b
表示集合中车辆任务的大小，p
a
表示集合中车辆的计算功率，p
b
表示集合中车辆的计算功率，ξ
a
表示集合的卸载比，ξ
b
表示集合的卸载比，κ
v
表示车辆的计算能耗系数，表示集合中任务车辆自身的计算能力，λ
t
表示时延因子，λ
e
表示能耗因子，表示集合中任务车辆tvi与服务车辆svj通信时的传输速率，表示集合中tvi与svj通信时的传输速率；为svj的计算能力，k
i,j
为车辆匹配因子，表示tvi是否选择svj作为服务对象，k
a,j
表示集合中tvi是否选择svj作为服务对象，k
b,j
表示集合中tvi是否选择svj作为服务对象，当k
i,j
、k
a,j
或k
b,j
等于1时表示任务车辆选择卸载给服务车辆，当k
i,j
、k
a,j
或k
b,j
等于0时任务车辆tvi和服务车辆svj没有匹配；表示集合中tvi与svj之间的距离，表示集合中tvi与svj之间的距离，d
v2v
表示任务车辆到服务车辆的通信距离；
[0059]
当卸载模式确定为任务车辆卸载到路侧单元v2i后，优化目标c
v2i
为：
[0060][0061][0062][0063][0064][0065][0066][0067][0068][0069]
其中，c
v2i
表示卸载模式为任务车辆卸载到路侧单元的系统总开销，c
c
表示集合中计算车辆的任务所需cpu数，c
d
表示集合中计算车辆的任务所需cpu数；表
示集合中车辆任务卸载的最大时延，表示集合中车辆任务卸载的最大时延；s
c
表示集合中车辆任务的大小，s
d
表示集合中车辆任务大小，p
c
表示集合中车辆的计算功率，p
d
表示集合中车辆的计算功率，p
com
表示路侧单元rsu的计算功率，表示集合的卸载比，表示集合的卸载比，κ
v
表示车辆的计算能耗系数，表示集合中车辆的本地计算能力，表示集合中车辆的本地计算能力，f
rsu
‑
max
表示，λ
t
表示，λ
e
表示，表示表示rsu的最大计算能力，f
rsu
‑
max
表示rsu的最大计算能力，λ
t
表示时延因子，λ
e
表示能耗因子，表示rsu给集合中车辆分配的计算能力，表示rsu给集合中车辆分配的计算能力，表示集合中任务车辆tvi与rsu通信时的传输速率，表示集合中tvi与rsu通信时的传输速率；为集合中任务车辆的计算能力，为集合中rsu的计算能力；表示集合中tvi与rsu之间的距离，表示集合中tvi与rsu之间的距离，d
v2i
表示tvi到rsu的通信距离。
[0070]
优选的，v2v优化问题和v2i优化问题均可以用cvx工具包对问题求解。
[0071]
进一步的，计算优化目标并判断计算结果是否收敛，若收敛则输出最优卸载比和根据最优卸载比得到的最优资源分配结果，若不收敛，则根据优化目标更新卸载比，迭代计算直到结果收敛到最优解后，输出最优卸载比和根据最优卸载比得到的最优资源分配结果，之后任务车辆在分配的信道分配资源上根据最优卸载比进行任务卸载及资源分配。
[0072]
本发明的有益效果在于：本发明针对车载网络系统中基于mec计算任务卸载的资源分配问题，考虑路侧单元和车辆作为服务节点的差异以及任务时延和通信距离，计算资源约束建立数学模型，将该问题分解为三个子问题联合求解，提出车辆匹配度概念，利用动态禁忌长度禁忌搜索算法，确定合理的卸载对象。采用图着色算法分配信道，减少信道干扰。给出了最优卸载策略、信道资源和计算资源分配方案，通过变量替换将计算资源分配子问题转换为凸优化问题，得到最优卸载比。相较于现有的技术方案，降低了任务计算的时延，均衡了系统中各节点的能量消耗，提升了能耗和时延方面的性能表现。
附图说明
[0073]
图1为本发明基于mec部分任务卸载与资源分配方法的系统模型图；
[0074]
图2为本发明车联网中基于mec任务卸载与资源分配方法的实施流程图。
具体实施方式
[0075]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0076]
本发明提出了一种车联网中基于mec计算任务卸载的资源分配方法，如图1所示，该方法在移动边缘计算技术的协助下，针对车联网在有限资源和动态拓扑下需要处理大量低时延任务的问题，以最小化系统开销为原则，确定车联网部分任务卸载及资源分配策略，
以此完成车辆边缘计算系统中的任务卸载和资源优化问题，通过计算车辆网系统中的最小总开销确定任务卸载策略，并根据任务卸载策略对系统资源进行分配，如图2所示，包括：
[0077]
s1：构建基于mec计算任务卸载的资源分配框架；
[0078]
s2：根据基于mec计算任务卸载的资源分配框架确定任务车辆的卸载模式，卸载模式包括任务车辆卸载到服务车辆(v2v)和任务车辆卸载到路侧单元(v2i)；
[0079]
s3：根据卸载模式和任务车辆的初始卸载比确定卸载决策；
[0080]
s4：根据卸载决策为选择的服务节点分配信道分配资源；根据卸载决策计算系统总开销；
[0081]
s5：根据系统总开销更新卸载比；
[0082]
s6：重复步骤s3
‑
s5，得到最优卸载比，根据最优卸载比在分配的信道分配资源上进行任务卸载和资源分配。
[0083]
进一步的，构建基于mec计算任务卸载的资源分配框架，包括：获取车辆信息，根据车辆信息将车辆划分为任务车辆tv和服务车辆sv；任务车辆tv为有任务需要卸载的车辆，服务车辆sv为有空闲资源的车辆；将服务车辆sv和路侧单元rsu作为服务节点sn；当任务车辆在执行任务卸载时，将任务分为本地任务卸载和卸载到服务节点；计算本地任务卸载的时延和能耗；卸载到服务节点包括卸载到路侧单元rsu和卸载到服务车辆sv；计算卸载到路侧单元rsu的时延和能耗；计算卸载到服务车辆sv的时延和能耗；具体过程为：
[0084]
考虑由若干同向行驶的车辆、路边rsu和一个宏基站下的车辆通信网络。车辆在道路上向同向行驶，在该系统中的车辆集合为其中有任务需要卸载的车辆集合为称该类型车辆为任务车辆(tv，task vehicle)，用tvi表示任务车辆集合中第i个任务车辆；有空余资源的车辆集合为称为服务车辆(sv，service vehicle)，用svj表示服务车辆集合中第j个服务车辆。其中每辆车只存在一种属性，即
[0085]
任务可以由tv利用自身资源进行本地计算，也可以以v2i形式通过rsu卸载到mec服务器计算，或者以v2v形式卸载到周边sv进行计算。
[0086]
车辆i的参数表示为p
i
表示车辆位置p
i
＝(x
i
,y
i
)，v
i
、θ
i
和f
i
分别表示车辆的速度、以某个参照线的行驶角度和车辆的计算能力。此外，当前车辆需要卸载的任务信息表示为其中s
i
,c
i
,t
imax
分别表示车辆任务的大小、计算所需cpu数和最大时延。rsu与sv共同成为服务节点sn(service node)接受tv卸载请求。每个rsu下可用子信道集合为每个子信道的带宽为bhz。
[0087]
系统采用ofdm为v2i模式分配正交信道，v2v模式复用v2i模式的上行传输信号。引入n
t
×
k的信道连接矩阵c描述信道分配。θ
i,k
表示子信道k是否被分配给tvi。当θ
i,k
＝1时，子信道k被分配给tvi，当θ
i,k
＝0时，子信道k未被分配给tvi。由此，tvi在子信道k与rsu通信时的信干噪比sinr(signal to interference plus noise ratio)和传输速率分别为：
[0088]
[0089][0090]
同理，tvi与svj通信时的信干噪比sinr和传输速率分别为：
[0091][0092][0093]
其中，和分别为tvi在信道k与rsu和svj通信时的信道增益，p
i
为发射功率，σ2为通信过程中的噪声干扰。r
irsu
和分别表示tvi在卸载给rsu和sv的传输速率。由于车辆的移动性，且v2x(vehicle to everything)的通信范围有限，任务车辆在v2i模式的通信距离与在v2v模式的通信距离分别表示为d
v2i
和d
v2v
，需要考虑动态节点间的通信距离是否满足条件。
[0094]
tvi和svj在t时间后位置分别为和其中有：
[0095][0096][0097]
rsu的位置不变，因此在tvi的任务计算完成时间t
i
内tv与sn之间的距离分别为：
[0098][0099][0100]
tv作为有超额计算任务的节点，需要请求卸载服务。为了达到tv和sn的资源利用平衡和提高系统的资源利用率，tv采用部分卸载，将任务分为可分割的两部分，分别本地卸载和卸载给某一个sn，暂不考虑将任务卸载给多个sn。因此，任务车辆tvi在本地计算的时延和能耗分别为：
[0101][0102][0103]
其中f
itv
表示tvi自身的计算能力，κ
v
是车辆的计算能耗系数，与芯片性能有关，在这里κ
v
＝10
‑
28
。
[0104]
由于rsu的计算能力强于sv，rsu作为sn时，可以同时接受多个tv的任务请求，而sv选择非cpu抢占的计算方式为tv服务。因此在tvi选择卸载给rsu时，卸载的时延和能耗分别为：
[0105]
[0106][0107]
其中t
itran
‑
rsu
和t
icom
‑
rsu
分别是卸载给rsu的传输和计算时延，f
irsu
表示rsu为tvi分配的计算资源，和分别是卸载给rsu的传输能耗，p
rsu
表示rsu的计算功率。此处忽略任务回传时延。
[0108]
在tvi选择卸载给svj时，卸载的时延和能耗分别为：
[0109][0110][0111]
其中和分别是卸载给rsu的传输和计算时延，同样不计回传时延。和分别是卸载给rsu的传输和计算能耗。为svj的计算能力。
[0112]
为了表示tvi卸载选择的具体sn，引入卸载决策因子g
i
。当g
i
＝1时表示选择的卸载对象为rsu。当g
i
＝0时，表示卸载对象为sv，在这种情况下需要进一步确定具体的sv，当k
i,j
＝1时表示tvi选择卸载给svj，若tvi和svj没有匹配则k
i,j
＝0。因此，任务卸载过程的时延和能耗可以表示为：
[0113][0114][0115]
因此，系统时延和能耗可以分别表示为：
[0116][0117]
t
i
＝max{t
ilocal
,t
ioff
}
[0118]
根据上述信息，优化目标为最小化系统总开销，表示为：
[0119][0120]
s.t.c1:
[0121]
c2:
[0122]
c3:
[0123]
c4:
[0124]
c5:
[0125]
c6:
[0126]
c7:
[0127]
其中，表示有任务需要卸载的车辆集合，c
i
表示一个任务车辆的开销，c表示系统总开销，λ
t
表示时延因子，λ
e
表示能耗因子,t
i
表示系统时延，e
i
表示系统能耗；g
i
表示卸载决策因子，k
i,j
表示车辆匹配因子，f
irsu
表示rsu为tvi分配的计算资源，f
rsu
‑
max
表示rsu的最大计算能力，ξ
i
表示任务卸载比，t
imax
表示tvi任务的最大容忍时延；θ
i,k
表示子信道k是否被分配给tvi，表示tvi与rsu之间的距离，表示tvi与svj之间的距离。
[0128]
进一步的，根据基于mec计算任务卸载的资源分配框架确定任务车辆的卸载模式，根据卸载模式和任务车辆的初始卸载比作出卸载决策，包括：
[0129]
sv在考虑服务tv时，尽可能考虑自身计算能力和接受任务的匹配程度，匹配程度包括计算能力与接收任务的契合和sv与tv之间的距离；定义匹配程度m等于计算时延和距离的加权，以最大化匹配度为目标，为sv寻找最合适的服务对象：
[0130][0131]
s.t.c2:
[0132]
c7:
[0133]
其中，表示初始卸载比，任务车辆的初步卸载比率由tv决定，记为α
t
和α
d
表示计算时间和距离的权重值；表示有任务需要卸载的车辆集合，n
s
表示服务车辆的车辆集合，k
i,j
表示车辆匹配因子，p
i
表示车辆i的位置，p
j
表示车辆j位置；表示t
i
时刻tvi与svj之间的距离，d
v2v
表示任务车辆到服务车辆的通信距离。
[0134]
该问题是0
‑
1整数规划问题，可用启发式算法来解决。本发明采用基于任务匹配程度的动态禁忌长度禁忌搜索配对算法(matching algorithm for dynamic tabu length tabu search based on matching degree,dtts)来解决该问题。基于任务匹配程度的动态禁忌长度禁忌搜索配对算法的前置计算为：将非凸约束c7松弛为采用罚函数将带约束的数学模型转化为无约束的数学规划，其中l表示一个很大的数，优选的，l设置为10000，最大化匹配程度表示为：。
[0135][0136]
进一步的，采用禁忌搜索算法解决该问题时参数设置如下：
[0137]
(1)初始解：初始解会影响禁忌算法的收敛速度和结果，因此与传统ts算法随机生成初始值或贪婪算法寻找初始解不同，设定距离最近配对为初始解。
[0138]
(2)邻域：邻域满足的条件为因此共有(n
t
‑
n
s
‑
2)
×
n
s
/2个邻域。
[0139]
(3)禁忌对象：对任意svj单行变化最优值时的选择列为禁忌对象。
[0140]
(4)禁忌长度：本文设定动态的禁忌长度，使得算法在函数值下降明显时可以在更多未知领域搜索而下降小时更注重局部的精细搜索；设置禁忌长度公式为
[0141][0142]
其中ω为变化系数，δm表示函数值的变化。
[0143]
(5)候选解：由邻域解集中禁忌最优解和非禁忌最优解组成。
[0144]
(6)特赦准则：在一定迭代次数内的基于评价值准则。
[0145]
进一步的，采用禁忌搜索算法为服务车辆sv寻找合适的服务对象，包括：
[0146]
s1：设置初始解和初始禁忌表，且初始禁忌表为空；
[0147]
s2：计算当前解的邻域，将计算出的邻域设置为禁忌对象，将禁忌对象填入初始禁忌表，得到禁忌最优解和非禁忌最优解；
[0148]
s3：判断禁忌最优解和非禁忌最优解共同决定的任务匹配程度m是否优于现有的最优解m'，如果优于现有最优解，则更新最优解，否则不进行最优解的更新，并返回s2；当m与m'的差值小于极小值ε或者达到最大迭代次数时，停止更新；
[0149]
s4：根据最优解，将任务车辆集合分为集合和其
[0150]
中，集合表示选择了v2i卸载模式的车辆集合，集合表示选择了v2v卸载模式的车辆集合。
[0151]
进一步的，在确定卸载对象后，将子信道分配转化为图着色模型，k个信道资源被建模为k种不同的颜色，所有tv被视为顶点。当两个节点被定为同一种颜色时，即表示两个tv与各自的服务节点通信时使用了同一信道，相应地产生同频干扰，影响传输速度和传输时间；根据卸载决策为选择的服务节点分配信道分配资源包括：
[0152]
s1：将有任务需要卸载的车辆集合按照tv的任务最大容忍时间t
imax
升序排序；
[0153]
s2：将排序后的前k个tv分别制定为k个颜色，根据每种颜色对应一个信道完成对前k个tv的信道分配；
[0154]
s3：采用图着色算法，为未分配信道的tv着色，更新信道分配矩阵；
[0155]
s4：根据预计时延与t
imax
的关系依次判断未分配信道的tv颜色，如果小于t
imax
则tvi被定为k颜色，即把k信道分配给tv；如果大于t
imax
则tvi不能被定为k颜色，即不把k信道分配给tvi。
[0156]
预计时延的计算公式为：
[0157]
[0158]
其中，r
irsu
为在任务车辆卸载到路侧单元v2i卸载模式下tvi在k信道的传输速率，为在任务车辆卸载到服务车辆v2v卸载模式下tvi在k信道的传输速率，表示车辆i的初步卸载比率，c
i
表示车辆i计算车辆的任务所需cpu数，s
i
表示车辆i中车辆任务的大小，g
i
表示卸载决策因子，f
iav
表示车辆i的本地计算能力，表示路侧单元rsu平均用于计算卸载任务的计算资源，
ns
表示服务车辆的车辆集合，k
i,j
表示车辆匹配因子，表示svj的计算能力。
[0159]
进一步的，根据系统总开销更新卸载比，迭代计算，直到得到最优卸载比，并根据最优卸载比进行任务卸载和资源分配，包括：
[0160]
在sn确定及信道分配后，tv分为新的两个车辆集合和由于sn分别为sv或rsu时具有计算能力和服务性质的差异，将优化目标分为c
v2i
和c
v2v
，分别对优化目标求解。
[0161]
在卸载模式确定及信道分配后，任务车辆tv分为了新的两个车辆集合和将优化目标分为c
v2i
和c
v2v
分别优化求解；
[0162]
比较本地计算时间和卸载给sv的时间，将分为新的两个集合与当t
ilocal
≥t
ioff
‑
sv
时，任务车辆tvi属于当t
ilocal
＜t
ioff
‑
sv
，tvi属于
[0163]
比较本地计算时间和卸载给路侧单元rsu的时间，将分为新的两个集合与当t
ilocal
≥t
ioff
‑
rsu
时，tvi属于当t
ilocal
＜t
ioff
‑
rsu
，tvi属于
[0164]
其中，t
ilocal
表示任务车辆i在本地计算的时延，t
ioff
‑
sv
表示任务卸载给服务车辆的卸载时延，t
ioff
‑
rsu
表示任务卸载给路侧单元的卸载时延。
[0165]
对优化目标求解的过程包括：v2v部分的优化目标为：
[0166][0167]
s.t.c4,c5,c7
[0168]
由于存在有变量的比较项，不能直接判断此子问题的性质，因此将分为新的两个集合与当t
ilocal
≥t
ioff
‑
sv
时，tvi属于当t
ilocal
＜t
ioff
‑
sv
，tvi属于优化目标可写为：
[0169][0170][0171][0172][0173][0174][0175][0176]
其中，c
v2v
表示卸载模式为任务车辆卸载到服务车辆的系统总开销，c
a
表示集合中计算车辆的任务所需cpu数，c
b
表示集合中计算车辆的任务所需cpu数；表示集合中车辆任务卸载的最大时延，表示集合中车辆任务卸载的最大时延；s
a
表示集合中车辆任务的大小，s
b
表示集合中车辆任务的大小，p
a
表示集合中车辆的计算功率，p
b
表示集合中车辆的计算功率，ξ
a
表示集合的卸载比，ξ
b
表示集合的卸载比，κ
v
表示车辆的计算能耗系数，表示集合中任务车辆自身的计算能力，λ
t
表示时延因子，λ
e
表示能耗因子，表示集合中任务车辆tvi与服务车辆sv j通信时的传输速率，表示集合中tvi与svj通信时的传输速率；为svj的计算能力，k
i,j
为车辆匹配因子，表示tvi是否选择svj作为服务对象，k
a,j
表示集合中tvi是否选择svj作为服务对象，k
b,j
表示集合中tvi是否选择svj作为服务对象，表示集合中tvi与svj之间的距离，表示集合中tvi与svj之间的距离，d
v2v
表示任务车辆到服务车辆的通信距离。
[0177]
当通信模式确定为v2i后，优化目标c
v2i
为：
[0178][0179]
s.t.:c3,c4,c5,c7
[0180]
该问题与v2v部分相同，存在比较项，因此同样将分为新的两个集合：与且对rsu的资源进行分配，使式中变量耦合，该问题依旧是不易解决的问题，因此令带入上式中可得：
[0181][0182][0183][0184][0185][0186][0187][0188][0189][0190]
c
v2i
表示卸载模式为任务车辆卸载到路侧单元的系统总开销，c
c
表示集合中计算车辆的任务所需cpu数，c
d
表示集合中计算车辆的任务所需cpu数；表示集合中车辆任务卸载的最大时延，表示集合中车辆任务卸载的最大时延；s
c
表示集合中车辆任务的大小，s
d
表示集合中车辆任务大小，p
c
表示集合中车辆的计算功率，p
d
表示集合中车辆的计算功率，p
com
表示路侧单元rsu的计算功率，表示集合的卸载比，表示集合的卸载比，κ
v
表示车辆的计算能耗系数，f
cav
表示集
合中车辆的本地计算能力，表示集合中车辆的本地计算能力，f
rsu
‑
max
表示rsu的最大计算能力，λ
t
表示时延因子，λ
e
表示能耗因子，表示rsu给集合中车辆分配的计算能力，表示rsu给集合中车辆分配的计算能力，表示集合中任务车辆tvi与rsu通信时的传输速率，表示集合中tvi与rsu通信时的传输速率；为集合中任务车辆的计算能力，为集合中rsu的计算能力；表示集合中tvi与rsu之间的距离，表示集合中tvi与rsu之间的距离，d
v2i
表示tvi到rsu的通信距离。
[0191]
优选的，v2v优化问题及优化条件都是关于变量ξ
a
和ξ
b
的线性函数，是凸优化问题，可以用cvx工具包对问题求解，v2i优化问题是指数函数与线性函数的和函数，是凸优化问题，同样用cvx工具包解决，卸载比更新和与v2v类似。
[0192]
进一步的，计算优化目标并判断计算结果是否收敛，若收敛则输出最优卸载比和根据最优卸载比得到的最优资源分配结果，若不收敛，则根据优化目标更新卸载比，迭代计算直到结果收敛到最优解后，输出最优卸载比和根据最优卸载比得到的最优资源分配结果，之后任务车辆在分配的信道分配资源上根据最优卸载比进行任务卸载及资源分配。
[0193]
本发明针对车载网络系统中基于mec计算任务卸载的资源分配问题，考虑路侧单元和车辆作为服务节点的差异以及任务时延和通信距离，计算资源约束建立数学模型，将该问题分解为三个子问题联合求解，提出车辆匹配度概念，利用动态禁忌长度禁忌搜索算法，确定合理的卸载对象。采用图着色算法分配信道，减少信道干扰。给出了最优卸载策略、信道资源和计算资源分配方案，通过变量替换将计算资源分配子问题转换为凸优化问题，得到最优卸载比。相较于现有的技术方案，降低了任务计算的时延，均衡了系统中各节点的能量消耗，提升了能耗和时延方面的性能表现。
[0194]
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。