本发明涉及车联网边缘卸载，具体是一种v2v场景下的依赖任务卸载方法，以及应用该方法的计算机终端及计算机可读存储介质。
背景技术：
1、随着5g和车联网的发展，自动驾驶、增强现实、虚拟现实等新型车载应用的爆炸式增长为人们的生活带来了诸多便利。然而，与此同时，产生了越来越多的计算密集型和延迟敏感的计算任务，但由于车辆本身的计算和存储资源有限，没有足够的资源来满足这些任务的资源需求，这对确保车辆所需的服务质量构成了重大挑战。v2v（vehicle-to-vehicle，车辆到车辆）卸载被认为是解决上述问题的一个很有前途的方式。针对于v2v卸载，很多学者在优化任务延迟、降低能耗以及激励拥有空闲计算资源的车辆加入卸载等方面取得了很大进展。但是没有考虑到车辆的高速移动性对于卸载可靠性的影响，部分学者采用相对被动的方式降低了车辆机动对卸载可靠性的影响。
2、例如，ahsan等人提出的文献《a novel contract theory-based incentivemechanism for cooperative task-offloading in electricalvehicular networks[j].ieee transactions on intelligent transportation systems,2021, 23(7): 8380-8395.》（基于契约理论的电动汽车网络协同任务卸载激励机制[j].ieee智能交通系统学报）通过设置激励措施，促使服务车辆和任务车辆在卸载过程中同步增减对方的加速度来降低高速移动性带来的影响。对于该研究，由于现实场景下各种情况的不确定性，使得实现存在一定的问题。
3、李等人提出的《mobility-aware dynamic offloading strategy for c-v2xunder multi-access edge computing[j]. physical communication, 2021, 49:101446.》（多接入边缘计算下c-v2x移动感知动态卸载策略[j].物理通信）通过建立评价指标选择合适的服务车辆来降低高速移动性带来的影响。但是该研究也存在一些问题，由于车辆行驶的不可预测性，当前选择的合适服务车辆可能并不是最优解，同时还可能存在卸载失败的情况。
4、waheed等人提出的《an infrastructure-assisted job scheduling and taskcoordination in volunteer computing-based vanet[j]. complex&intelligentsystems, 2023,9:3613-3633.》（基于志愿计算的vanet中基础设施辅助的作业调度和任务协调[j]. 复杂与智能系统）将任务分成几个子任务，将子任务卸载到同一个rsu（路侧单元）内的具有空闲计算资源的车辆进行计算，对于可能行驶出rsu通信范围的车辆，如果将子任务卸载到该车辆上，对该任务进行复制并再选择一个车辆进行卸载。对于waheed等人的研究，首先其没有考虑到无rsu场景下的情况，其次，由于车辆行驶轨迹的不可预测，对于所有的服务车辆，无法根据现有的车辆速度和距rsu的距离判断车辆是否会行驶出通信范围，对于所有的服务车辆而言均有可能行驶出通信范围。
5、综上所述，上述研究集中于独立任务的卸载策略，仅仅对于独立任务进行卸载研究，而没有对依赖任务的卸载进行相关的研究。但如今随着技术的发展，越来越多的车载任务由多个相互依赖的子任务组成，如何卸载这些子任务并确保依赖任务卸载的可靠性，已成为车载网络研究中亟待解决的问题。
技术实现思路
1、为了避免和克服现有v2v卸载技术中，依赖任务卸载可靠性较低的技术问题，本发明提供了一种v2v场景下的依赖任务卸载方法、终端及存储介质。
2、为实现上述目的，本发明提供如下技术方案：
3、本发明公开一种v2v场景下的依赖任务卸载方法，包括以下步骤，即s1-s3。
4、s1、将任务车辆计算任务中存在依赖关系的多个子任务的紧迫程度作为划分标准，将计算任务中的所有子任务划分为关键子任务和非关键子任务。
5、其中，当卸载关键子任务时，将关键子任务复制并卸载给两辆服务车辆；当卸载非关键子任务且卸载失败时，对卸载失败的子任务进行第二次卸载。
6、s2、分别构建任务车辆与服务车辆之间的运动学模型、通信模型、子任务计算延迟模型、子任务执行优先级模型和链路可靠性模型，据此建立用于生成最优卸载策略的约束问题。
7、s3、将所述约束问题建模为马尔科夫决策过程，采用深度强化学习算法对马尔科夫决策过程求解得到最优卸载策略，并按照最优卸载策略将任务车辆需要卸载的子任务卸载给服务车辆。
8、作为上述方案的进一步改进，步骤s1中，将计算任务中的所有子任务划分为关键子任务和非关键子任务的方法包括以下具体步骤，即s11-s13。
9、s11、计算每个子任务的最早开始卸载时间和最迟卸载结束时间，计算公式如下：
10、
11、式中，表示任务车辆 m第 i个子任务的最迟卸载结束时间；表示子任务的最早卸载开始时间；表示子任务的后续子任务；表示子任务的前序子任务；表示子任务的数据量，表示处理子任务的每bit数据所需的计算资源； fmax表示服务车辆 n的最多空闲资源；表示子任务的通信延迟；对于没有前序子任务的子任务，为0；对于没有后续子任务的子任务，为计算任务的最大容忍时延。
12、s12、计算每个子任务的紧迫程度，表达公式为：
13、
14、式中，表示子任务的紧迫程度；为子任务的平均卸载时间。
15、s13、将每个子任务的紧迫程度与一个预设阈值进行对比；当子任务的紧迫程度不高于所述预设阈值时，将该子任务定义为关键子任务，反之则将该子任务定义为非关键子任务。
16、作为上述方案的进一步改进，子任务的平均卸载时间的计算公式为：
17、
18、式中， n为服务车辆集合中的最大服务车辆数； f j为第 j个服务车辆的空闲计算资源。
19、作为上述方案的进一步改进，步骤s2包括以下具体步骤，即s21-s26。
20、s21、构建运动学模型；其中，任务车辆和服务车辆之间的距离表达公式如下：
21、
22、式中， d m, n(t)表示在子任务执行阶段完成时刻t时任务车辆 m和服务车辆 n之间的距离； d m, n(t0)表示在子任务卸载的开始时刻t0时任务车辆 m和服务车辆 n之间的距离， d m, n(t0)= x m(t0)－ x n(t0)， x m(t0)和 x n(t0)分别表示任务车辆 m和服务车辆 n在t0时的位置；δv(t0)=v m(t0)－v n(t0)，v m(t0)和v n(t0)分别表示任务车辆 m和服务车辆 n在t0时的速度；δ a(t0)= a m(t0)－ a n(t0)， a m(t0)和 a n(t0)分别表示任务车辆 m和服务车辆 n在t0时的加速度。
23、s22、构建通信模型；其中，任务车辆通过上传信道将子任务传输给服务车辆的传输时延为，且；式中， r m, n表示任务车辆 m到服务车辆 n的传输速率；表示子任务传输到服务车辆 n的数据量大小，由子任务本身的数据量和其前序子任务传输的数据量之和组成。
24、s23、构建子任务计算延迟模型；其中，子任务在服务车辆卸载任务的延迟为，且；子任务完成卸载过程所需的时间为，且；子任务的卸载开始时间为，子任务的卸载结束时间为，且，；式中，为子任务前序子任务的卸载结束时间。
25、s24、构建子任务执行优先级模型；其中，定义任务车辆 m的子任务为子任务的前序子任务，则的执行优先级高于；的初始执行优先级为，且；式中， pri( p)为子任务前序子任务的执行优先级。
26、s25、构建链路可靠性模型；其中，在卸载子任务时，服务车辆 n与任务车辆 m之间的链路可靠性 p m, n, i采用下式表达：
27、
28、式中， e为自然常数； t theroy为服务车辆以当前速度行驶出任务车辆 m的通信范围的理论时间； p m, n, i的取值范围(0,1]。
29、s26、根据步骤s21~s25构建的模型建立如下所示的约束问题：
30、
31、式中， d success表示卸载成功的计算任务数量；约束 c1表示任务车辆 m的最后一个子任务完成时间不超过整个计算任务的最大容忍时延 t m；约束 c2表示服务车辆 n的初始空闲资源 f n在最多空闲资源 fmax和最少空闲资源 fmin之间；约束 c3表示子任务的执行优先级低于其所有前序子任务中的最低执行优先级；约束 c4表示子任务的卸载开始时间不早于其所有前序子任务的最迟卸载结束时间；约束 c5中，和分别表示任务车辆集合和服务车辆集合。
32、作为上述方案的进一步改进，步骤s22中，传输速率 r m, n的计算公式为：
33、
34、式中， b m, n表示上传信道的带宽； p m表示任务车辆 m的发射功率；表示服务车辆与任务车辆之间的路径损耗， δ表示路径损耗因子， l表示服务车辆和任务车辆之间的距离； h表示上传链路的信道衰落因子； n0表示高斯白噪声功率。
35、作为上述方案的进一步改进，步骤s3中，所述马尔科夫决策过程包括：状态空间、动作空间和奖励函数。
36、其中，状态空间用于表示任务车辆的每个时刻观察其通信范围内的服务车辆的信息参数和当前时刻自身计算任务的状态参数，将这些参数作为深度强化学习算法的输入状态并表示为 s(t’)=[c(t’),q(t’)]；式中， s(t’)为任意一时刻t’时的输入状态；c(t’)为t’时的车辆队列，所述车辆队列由服务车辆作为成员；q(t’)为t’时的任务队列，所述任务队列由子任务作为成员。
37、在计算任务的卸载过程中，每当一个子任务返回计算结果时，重新计算所述计算任务中尚未调度的子任务的执行优先级；当服务车辆在预计完成时间内未返回卸载结果时，则判定卸载失败，相应子任务的执行优先级变为0且重新放入卸载队列等待计算；其中，对于关键子任务，将卸载给两辆服务车辆的预计完成时间中的最大值作为该关键子任务的预计完成时间。当子任务的卸载完成后，该子任务的执行优先级变为1。
38、动作空间用于为子任务选择一个服务车辆；对于执行优先级为0的子任务，表示该子任务可以卸载，从而可被卸载到一个服务车辆上进行计算；动作空间的所有动作集合表示为 action={1,2,…, n}，1,2,…, n为服务车辆的编号。
39、奖励函数的计算公式为；式中， r i(t’)表示任务车辆在t’时调度子任务所获得的奖励； t true为子任务的预计完成时间，计算公式为。
40、作为上述方案的进一步改进，在车辆队列c(t’)中，每个服务车辆成员包括四个元素，表示为：
41、
42、式中， x n(t’)、 a n(t’)、v n(t’)分别表示服务车辆 n当前时刻的位置、加速度和速度。
43、在任务队列q(t’)中，每个子任务成员包括八个元素，表示为：
44、
45、式中，表示子任务的最大容忍时延；choose表示子任务卸载到的服务车辆。
46、作为上述方案的进一步改进，步骤s3中，所述深度强化学习算法为ddpg算法。
47、本发明还公开一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现上述v2v场景下的依赖任务卸载方法的步骤。
48、本发明还公开一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时，实现上述v2v场景下的依赖任务卸载方法的步骤。
49、与现有技术相比，本发明的有益效果是：
50、1、本发明公开的v2v场景下的依赖任务卸载方法，考虑到依赖任务的每个子任务的紧迫程度不同，提出了关键子任务的概念，在任务卸载之前，将子任务划分为关键子任务和非关键子任务，并对其有不同的卸载方式，从而尽量保证关键子任务的卸载成功率，降低车辆的高速移动性给依赖任务卸载带来的影响，提升整体计算任务的卸载成功率。在此基础上，本发明根据任务车辆、服务车辆以及子任务节点的状况及特点构建约束问题，使用深度强化学习方法对卸载策略进行优化，进一步确保依赖任务的卸载可靠性。
51、2、本发明公开的计算机终端和计算机可读存储介质通过应用上述依赖任务卸载方法，能够产生与该方法相同的有益效果，在此不再赘述。
1.一种v2v场景下的依赖任务卸载方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种v2v场景下的依赖任务卸载方法，其特征在于，步骤s1中，将计算任务中的所有子任务划分为关键子任务和非关键子任务的方法包括以下具体步骤：
3.根据权利要求2所述的一种v2v场景下的依赖任务卸载方法，其特征在于，子任务的平均卸载时间的计算公式为：
4.根据权利要求2所述的一种v2v场景下的依赖任务卸载方法，其特征在于，步骤s2包括以下具体步骤：
5.根据权利要求4所述的一种v2v场景下的依赖任务卸载方法，其特征在于，步骤s22中，传输速率rm,n的计算公式为：
6.根据权利要求4所述的一种v2v场景下的依赖任务卸载方法，其特征在于，步骤s3中，所述马尔科夫决策过程包括：状态空间、动作空间和奖励函数；
7.根据权利要求6所述的一种v2v场景下的依赖任务卸载方法，其特征在于，在车辆队列c(t’)中，每个服务车辆成员包括四个元素，表示为：
8.根据权利要求7所述的一种v2v场景下的依赖任务卸载方法，其特征在于，步骤s3中，所述深度强化学习算法为ddpg算法。
9.一种计算机终端，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1至8中任意一项所述的一种v2v场景下的依赖任务卸载方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时，实现如权利要求1至8中任意一项所述的一种v2v场景下的依赖任务卸载方法的步骤。
