[發明專利]車聯網中基于NOMA-MEC混合卸載方法有效

申請號：	202010318816.4	申請日：	2020-04-21
公開（公告）號：	CN111565380B	公開（公告）日：	2022-04-05
發明（設計）人：	張海波;黃宏武;荊昆侖;程妍	申請（專利權）人：	重慶郵電大學
主分類號：	H04W4/80	分類號：	H04W4/80;H04W24/02
代理公司：	重慶輝騰律師事務所 50215	代理人：	王海軍
地址：	400065 重***	國省代碼：	重慶;50
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	聯網基于 noma mec 混合卸載方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種車聯網中基于NOMA-MEC的混合卸載方法，其特征在于，包括以下步驟：

S1：初始化車輛用戶的請求卸載任務Q_v＝{S_v,D_v}和信道容量Q，確定車輛用戶v的最佳能耗容忍區間(0,e^max)、時延能耗的權衡因子λ；其中，v表示車輛用戶，且v＝{1,2,...,V}，V表示車輛用戶的數量，S_v表示車輛用戶v需要卸載的任務大小，D_v表示車輛用戶v需要卸載任務的最大時延容忍度；

S2：判斷車輛用戶的請求卸載任務Q_v是否超出基于OMA的通信網絡系統容量Q_max，若當前接入車輛用戶數量未超出基于OMA的通信網絡系統容量，則選擇OMA卸載方法進行卸載；若接入的車輛用戶數量Q_v超過了基于OMA的通信網絡系統容量Q_max，則執行步驟S3；

S3：根據時延公式計算出各車輛用戶的卸載時延t＝{t₁,t₂…t_k}，根據各車輛用戶的卸載時延篩選出滿足NOMA卸載方法條件的車輛用戶，更新滿足NOMA卸載方法條件的車輛用戶集合v[]；

S4：以系統需求和卸載時延為約束條件，以系統的時延和能耗最小化為目標建立目標優化函數；采用基于DQN的合作博弈算法對所述目標優化函數進行求解，得到最優功率分配策略；

S5：根據最優功率分配策略分別求出每個車輛用戶的能耗e_v；

S6：若車輛用戶v的能耗e_v在最佳能耗容忍區間范圍[0,e_max]內，且滿足時延或者滿足成本則選擇NOMA卸載方法進行卸載；若車輛用戶v的能耗e_v超出了最佳能耗容忍區間范圍[0,e_max]，則選擇NOMA-MEC卸載方法進行卸載，

其中，表示車輛用戶v選擇NOMA卸載方法進行卸載的時延，表示車輛用戶v選擇NOMA-MEC卸載方法進行卸載的時延，λ表示時延與能耗的權衡因子，表示車輛用戶v選擇OMA卸載方法進行卸載的時延，表示車輛用戶v選擇NOMA卸載方法進行卸載的功率。

2.根據權利要求1所述的一種車聯網中基于NOMA-MEC的混合卸載方法，其特征在于，所述時延公式包括：

其中，t表示時延，S_v表示表示車輛用戶v需要卸載的任務大小，B表示車輛用戶的信道帶寬，p是在MEC系統中的傳輸功率，h_v表示車輛用戶v與MEC服務器之間的信道增益，p_v表示車輛用戶的噪聲功率。

3.根據權利要求1所述的一種車聯網中基于NOMA-MEC的混合卸載方法，其特征在于，選擇NOMA卸載方法的車輛用戶必須滿足條件包括：當車輛用戶的卸載時延大于請求匹配車輛用戶的卸載時延，則該車輛用戶選擇請求匹配車輛用戶的信道進行任務卸載。

4.根據權利要求1所述的一種車聯網中基于NOMA-MEC的混合卸載方法，其特征在于，所述目標優化函數包括：

其中，T_m表示車輛用戶m實際卸載的時延，表示車輛用戶m在NOMA模式下的傳輸功率，表示車輛用戶n在時隙D_m的傳輸功率，D_m表示車輛用戶m需要卸載任務的最大時延容忍度，S_n表示表示車輛用戶n需要卸載的任務大小，R_n表示車輛用戶n的傳輸速率，B表示表示車輛用戶的信道帶寬，表示車輛用戶n在時隙D_n的傳輸功率，p_v表示車輛用戶的噪聲功率，h_n表示車輛用戶與MEC服務器之間的信道增益。

5.根據權利要求1所述的一種車聯網中基于NOMA-MEC的混合卸載方法，其特征在于，所述基于DQN的合作博弈算法包括三個階段：第一階段在更新后滿足NOMA卸載方法條件的車輛用戶集合v[]中求出與車輛用戶n匹配的信道；第二、三兩個階段利用獎勵函數公式計算獎勵函數，多次迭代求出最優功率分配策略。

6.根據權利要求5所述的一種車聯網中基于NOMA-MEC的混合卸載方法，其特征在于，所述獎勵函數公式包括：

其中，表示車輛用戶在狀態S下選擇行為A最小化任務執行時車輛用戶獲得的效用，S表示車輛用戶的狀態，A表示行為空間，表示車輛用戶n的總傳輸功率，T_V車輛用戶V的卸載時延，表示用戶n的功率分配系數，S_n表示車輛用戶n需要卸載的任務大小，R_n車輛用戶n的傳輸速率，p_v表示車輛用戶的噪聲功率，h_n表示車輛用戶n與MEC服務器之間的信道增益；表示車輛用戶的動作a通過方法π以狀態s在t時隙內最優收益函數，E[*]表示期望函數，τ_k表示學習率，且τ_k∈(0,1)，r_t表示當前狀態t下卸載任務后得到的回報，r_t+k表示在k時刻后的回報，s_t表示當前狀態，a_t表示當前狀態s_t對應的行為。