本发明涉及属于优化调度领域，尤其涉及一种车联网场景下动态可分割任务预测与卸载方法。
背景技术：
1、车联网是一种基于高科技的现代化交通体系，旨在提升道路运输的安全性、效率和环境友好性。车联网通过使用无线通信、传感器技术、大数据分析等工具，实现对汽车运行状态和道路条件的实时监控与管理。通过这些技术，车辆可以实时交换信息，比如交通流量、事故或道路施工信息，从而使驾驶者能够做出更快速和精确的决策。车联网还可以帮助优化车辆的行驶路线和能量使用，提高燃油效率并减少排放。进一步地，车联网支持自动驾驶技术的发展，通过精确的车辆控制来提升道路使用效率和减少交通事故。总体而言，车联网体现了交通行业的现代化趋势，促进了更高效、更安全和更环保的交通系统。
2、边缘计算是一种先进的计算架构，旨在通过处理数据的地理分布优化信息处理和响应时间。它通过将数据处理任务从中心化数据中心转移至数据源附近的边缘设备上，实现数据的实时处理和分析。这种计算方式可以显著减少数据传输的延迟，提高系统的响应速度和运行效率。边缘计算的应用场景非常广泛，包括智能城市、工业互联网、车联网、物联网等多个领域。在车联网中，边缘计算能够处理车载传感器产生的大量数据，支持实时驾驶决策和路况分析。此外，边缘计算还可以降低数据处理的成本，减少对中心数据中心的依赖，提高数据的安全性和隐私保护。通过在数据生成地点做初步处理，只将必要的数据发送到云端，可以有效减少传输的数据量和降低网络负担。总体而言，边缘计算代表了计算技术发展的新趋势，它通过离用户更近的数据处理来提供更快速、更高效、更安全的服务。
3、移动边缘计算(mobile edge computing,mec)是车联网边缘计算结构、5g架构中的关键组件,mec可以将计算、缓存和网络功能移动到网络边缘，从而为用户车辆提供数据、存储和计算等服务。与传统的云计算方案相比，基于边缘的mec方案既能提供计算密集型任务所需的计算能力，又能降低传输任务带来的延迟，实现低延迟和低带宽消耗，提高了移动应用的qos。任务卸载是mec技术的关键特征，是指将计算任务从终端设备卸载到附近的边缘设备或边缘端-云端设备协同处理。由于数据传输、远程任务执行引起的额外能量消耗和时间损耗，任务卸载和资源缓存是边缘计算中的研究问题，考虑任务卸载的节点、任务的卸载决策、任务资源分配等问题，需要考虑边缘节点的资源情况、任务资源消耗、传输信道的情况等，才能得出合理的卸载决策。
4、在车联网边缘计算环境下，动态变化的车流量、高速移动的车辆、复杂的路况导致传统的边缘计算架构无法直接应用于车联网，由于区域中的流量反映了具有不同程度请求内容的数量，服务请求数随交通流量变化而变化，因此在车联网中特有的复杂交通环境下，动态交通流量对于车联网中任务卸载、资源分配有直接影响，任务卸载决策会根据实时交通情况进行调整。在车载边缘计算环境中，车辆智能应用的任务处理复杂多样，不仅包括简单的0-1类型独立任务，还涉及到可以并行处理的传感器数据处理和车辆状态监控等任务。以自动驾驶系统为例，它涉及到对车辆传感器数据的实时收集与分析、车辆状态的持续监控、动态路径规划与导航、以及与外部环境的实时交互的任务过程。对于环境监测应用任务，这些分析任务彼此之间是独立的，每项任务处理的数据虽然来自同一数据源(车辆的传感器数据)，但每个任务都可以在本地或卸载到远程服务器独立处理，处理的结果并不互相依赖。
5、nam等人[1]提出了一种新型边缘计算架构和任务卸载方案，利用rsu作为边缘计算节点来支持自动车辆队列任务的方案，rsu在距离车辆最近的位置为队列任务提供低延迟计算服务。li等人[2]考虑了在具有有限缓冲区大小的多个处理器节点之间按顺序分发可分割应用程序的问题,提出了一种增量平衡策略，用于实现最优负载分配。然而以上研究没有结合车联网的动态性和可分割性任务层面进行分析。
6、[1]s.nam,s.kwak,j.lee,and s.park,“task offloading based on vehicularedge computing for autonomous platooning,”comput.syst.sci.eng.,vol.46,no.1,pp.659–670,2023。
7、[2]x.li,v.bharadwaj,and c.c.ko,“divisible load scheduling on single-level tree networks with buffer constraints,”ieee transactions on aerospaceand electronic systems,vol.36,no.4,pp.1298–1308,2000。
技术实现思路
1、为解决上述问题，本发明公开了一种车联网场景下动态可分割任务预测与卸载方法，本发明主要从最小化任务处理时间的角度来考虑车联网边缘计算中的动态任务预测与卸载问题，充分考虑了车联网场景中交通流量、车辆移动性、简单独立任务、可分割性任务的特点以及各自的影响，并借助了tpitoa算法对目标问题进行优化，从而最小化平均任务处理时间。
2、本发明采用的技术方案为：
3、一种车联网场景下动态可分割任务预测与卸载方法，包括以下阶段：
4、a预处理模块：在具备多个边缘计算节点的车联网中构建可分割任务卸载调度系统，选取某个边缘计算节点作为集中式调度器，用于对车联网的车辆用户携带任务的卸载调度进行决策，并构建资源、任务、计算、传输和预测模型，对系统全局进行状态监控，其余计算节点用于计算和卸载函数；
5、b卸载序列排序模块:计算节点收到任务计算请求时，将任务属性信息发送给调度器，之后集中式调度器通过最激烈竞争者优先方法、最少备选节点数优先方法、最小计算量数据量比例优先方法来决定任务卸载序列，优化序列排序，从而优化系统的处理效率和资源利用率；
6、c卸载决策模块:集中式调度器通过基于交通流量预测的独立可分割任务卸载调度方法，调度器更新环境的状态信息，调度器得出动作空间的动作决策，将任务卸载到最合适的节点上，利用奖励函数的设置优化决策效率。
7、d决策下发模块：集中式调度器将决策下发给计算节点，边缘计算节点对任务请求按照调度结果进行本地计算或转发。
8、所述预处理模块具体步骤如下：
9、a1.在边缘节点中构建任务卸载调度控制系统，选取某个剩余计算资源最多的边缘计算节点作为集中式调度器，用于对任务的卸载调度进行决策；
10、a2.集中式调度器构建资源、任务、计算、传输和预测模型，并监控所有计算节点的计算资源使用率、内存资源使用率，以及所有边缘服务器所处的状态，所有任务的执行情况等；
11、a3.其余计算节点可以接受来自车辆用户的任务请求，执行任务请求或者将车辆用户计算任务卸载到其他计算节点，任务也可以选择在本地执行处理。
12、所述卸载序列排序模块中包括以下步骤：
13、b1.计算节点收到任务执行请求时，将数据大小、任务计算量信息发送给调度器；
14、b2.集中式调度器通过最激烈者优先、最小备选节点数优先、最小数据量计算量比例优先的方法，对车辆用户产生的任务进行排序。
15、所述卸载决策模块包括以下步骤：
16、c1.集中式调度器将决策下发给计算节点；
17、c2.集中式调度器通过基于交通流量预测的独立可分割任务卸载调度方法将任务卸载到最合适的节点上；对于基于交通流量预测的独立可分割任务卸载调度方法的两种基本方法，lstm预测方法将各个边缘计算节点的历史交通流量数据进行处理，预测未来一定时间段内各个边缘计算节点的交通流量情况，数据作为深度强化学习(dqn)的环境输入，通过状态空间、动作空间、奖励函数的迭代更新，得出各个可能卸载方法的优劣。
18、c3.边缘计算节点根据决策将任务卸载到指定的节点，并且由指定的节点计算资源进行计算；若指定的决策目标为车辆用户，则本地计算；若指定的节点为剩余资源量不足，则进行卸载任务序列等待。
19、b2的工作流程包括以下步骤：
20、s1.集中调度器接收当前阶段的所有车辆携带任务，先按照车辆进行分类排序，再按照最激烈者优先、最小备选节点数优先、最小数据量计算量比例优先的方法，对车辆用户产生的任务进行排序，选择具体方法，转到s2；
21、s2.选择最激烈者优先，转到s3；选择最小备选节点数优先，转到s4；选择最小数据量计算量比例优先，转到s5；
22、s3.最激烈者优先规则考虑每个任务的所有竞争者以及竞争的可用资源情况，以此来判断竞争激烈情况。考虑到每个任务的可选服务节点上的请求任务数和可用资源，竞争最激烈的任务优先级高；
23、s4.最小备选节点数优先规则，备选rsu数少的任务优先选择；
24、s5.选择最小数据量计算量比例优先规则，对任务所携带数据量大小和计算需求量的比例进行计算，优先选择较小比例的任务执行。
25、s6.将排序好的任务重新返回到集中式调度器上，准备执行下一阶段的工作。
26、c2的工作流程包括以下步骤：
27、s1.遍历并检查每个计算节点是否能够接受卸载，从而获得可以接受任务卸载的节点列表；
28、s2.判断可以接受任务卸载的节点列表是否为空，如果为空，转到s4；否则，转到s3；
29、s3.判断车辆用户自身具有本地执行能力，如果有，转到s4；否则，转到s5；
30、s4.选择车辆本地节点计算函数；
31、s5.选择合适的节点进行任务卸载；
32、s6.选择好合适的节点后，判断该节点是否是本地节点，如果是，转到s4；否则，转到s7；
33、s7.将任务数据卸载到指定的计算节点上；
34、s8.判断需要计算车辆可分割任务的节点是否有空闲计算资源，如果有，转到s9；否则，转到s10；
35、s9.选择该节点对应任务所需的计算资源量，计算该任务，任务完成之后将结果传输回车辆用户；
36、s10.在该节点上进行卸载任务排列，等待资源释放，释放完成足够资源后执行计算任务。
37、所述步骤s1包括以下步骤：
38、s11.使用各个计算节点的历史交通流量数据进行预测未来时刻的流量数据，转到s12，结合目前的流量数据，判断场景下的任务数量，得到任务卸载决策，转到s13。
39、s12.使用lstm方法，选择一定数量的历史交通流量数值，预测未来时刻的流量数据；
40、s13.根据预测流量值，进行深度强化学习(dqn)算法，迭代更新环境状态空间、动作空间、奖励函数，根据奖励函数得出的奖励值，得出任务合理的卸载决策、可分割任务的分割比例；
41、s14.根据得出的动作决策，将简单独立任务卸载到对应的计算节点上，对于可分割任务根据分割比例将相应的任务部分卸载到对应的计算节点上，最终得出卸载决策列表。
42、一种车载边缘计算任务卸载的实现设备，包括:
43、处理器；
44、存储器，其中存储有所述处理器的可执行指令，存储历史交通流量数据；
45、其中，所述处理器配置为经由执行所述的车载边缘计算任务卸载的实现方法的步骤。
46、一种边缘服务器能够识别的存储介质，用于存储历史交通流量数据与程序，所述程序被执行时实现所述的车在边缘计算任务卸载的实现方法的步骤。
47、本发明的有益效果：本发明提供的一种车联网场景下动态可分割任务预测与卸载方法，与现有技术相比，具有以下有益效果：
48、1、本发明是第一种在车联网边缘计算情景中考虑车辆动态性以及可分割性任务特点的方法。考虑到车联网交通环境动态变化特点，
49、2、本发明估计了未来一定时间内的道路流量信息，使其能够选择效率较高的卸载决策，从而减少任务的平均处理时间。针对由边缘节点异构性、资源有限的问题，
50、3、本发明在做出合理的任务卸载决策时，考虑将可分割性任务按决策得出的分割比例卸载到更合适的计算节点上，从而避免资源耗尽、处理时间增加的情况。此外，针对算法中使用的预测流量数据，我们利用lstm算法获得未来流量数据，确保更好的卸载决策。
51、4、针对冷可分割性任务问题，由于其对任务特点的特殊性，充分利用了多个边缘节点同时处理任务的能力，减少了任务的平均处理时间，从而增加了资源利用率。
52、5、因此，本发明综合考虑了车联网场景状态和车辆携带任务的特点，优化了服务质量，减少了系统资源消耗，提高了任务的处理效率。
1.一种车联网场景下动态可分割任务预测与卸载方法，其特征在于：包括以下阶段：
2.根据权利要求1所述的 一种车联网场景下动态可分割任务预测与卸载方法，其特征在于：a预处理模块具体包括如下步骤：
3.根据权利要求1所述的 一种车联网场景下动态可分割任务预测与卸载方法，其特征在于：阶段b具体包括如下步骤：
4.根据权利要求1所述的 一种车联网场景下动态可分割任务预测与卸载方法，其特征在于：阶段c具体包括如下步骤：
5.根据权利要求4所述的一种车联网场景下动态可分割任务预测与卸载方法，其特征在于：步骤c2具体包括如下步骤：
6.根据权利要求5所述的一种车联网场景下动态可分割任务预测与卸载方法，其特征在于：步骤s5具体包括如下步骤：
7.一种车载边缘计算任务卸载的实现设备，其特征在于，包括:
8.一种边缘服务器能够识别的存储介质，用于存储历史交通流量数据与程序，其特征在于，所述程序被执行时实现权利要求1至6中任一项所述的车在边缘计算任务卸载的实现方法的步骤。
