申请/专利权人：北京工业大学

申请日：2021-05-21

公开（公告）日：2024-03-19

公开（公告）号：CN113344255B

主分类号：H04W28/08

分类号：H04W28/08;H04W28/084;H04W24/02;H04W72/044;G06F9/445;G06F9/50;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.09.21#实质审查的生效;2021.09.03#公开

摘要：本发明公开了基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法，通过构建计算模型、缓存模型和区块链模型，计算车辆本地计算和卸载计算的能耗和开销，供应商内容交付的传输能耗，以及区块链中数据吞吐量和共识过程产生的能耗和开销，从而通过训练深度神经网络，指导调整车辆任务卸载决策、内容缓存决策、共识节点卸载数目、区块间隔和区块尺寸，完成场景内的最优资源分配。本发明克服了车载单元计算和供应商内容交付能耗过高、计费数据安全、区块链中数据吞吐量低以及系统开销高等问题。仿真实验表明，本发明在节省系统能耗、计算开销以及提高区块链中数据吞吐量方面具有一定的优势。

主权项：1.基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法，其特征在于：该方法包括如下步骤，步骤一，系统初始化，设定车辆数量、用于服务车辆请求和区块链共识过程的服务器数量以及服务器计算能力、基站传输速率；步骤二，根据系统实际情况，计算车辆处理计算任务的能耗en1、卸载计算任务产生的处理能耗en2、处理所有车辆请求的计算任务产生的能耗En和开销On，已缓存在基站的内容发送到车辆的传输能耗em1、尚未缓存到基站的内容发送到车辆的传输能耗em2、所有被请求的内容发送到车辆的传输能耗Em、区块链系统的共识能耗Ec和共识开销Oc以及区块链系统的数据吞吐量ψ；步骤三，根据优化目标，设置DRL算法的状态空间St，动作空间At和奖励函数rt；步骤四，根据DRL算法解决联合优化问题，设置深度神经网络层数、策略参数和值函数参数；步骤五，训练深度神经网络近似优势函数，并通过优势估计引导策略参数的本地累计梯度更新，再根据RMSProp算法异步更新全局参数；步骤六，根据各状态下得到的最优策略选择最优动作，获得最大收益；步骤一中，车辆请求过程产生计算任务，将任务进行处理，具体步骤如下：通信场景中存在V个请求服务的车辆，在一段时间t∈{1,2,...,T}，T为任意车辆没有足够的能量来工作的时刻，车辆选择在本地执行计算任务时，产生的处理能耗en1表示为：en1＝kFl2cn其中，k根据实际测量值设为10-27，Fl为车辆的CPU计算能力，cn为完成计算任务n所需的CPU周期，因车辆在本地处理任务，不产生计算开销，对应的，车辆选择将计算任务n通过RSU转发至MEC服务器处理时，忽略RSU和MEC服务器之间的极小传输能耗，产生的能耗en2表示为： 其中，pn为车辆的传输功率，dn为计算任务数据大小，rn,r为车辆与RSU间的传输速率，pb为MEC服务器的计算功率，F1为MEC服务器的计算能力，对此，根据两种处理情况计算所有N个车辆请求，产生的能耗En表示为： 其中，an＝{0,1}为计算任务n的卸载决策，当an＝0时，计算任务n在本地执行，否则，计算任务n被卸载到边缘，同时，处理N个计算任务而产生的计算开销On表示为： 其中，是单位时间内计算能力F1对应的价格；车辆的请求内容由供应商提供，内容缓存到部署在供应商附近的基站时，忽略基站和RSU之间的极小传输能耗，产生的传输能耗em1表示为： 其中，pm为RSU的传输功率，S为内容大小，rm,v为RSU和车辆间的传输速率，对应的，内容m尚未缓存到基站时，结合内容m的内容流行度产生的传输能耗em2表示为： 其中，pr为基站的传输功率，tr为基站向供应商发送内容请求并向后返回结果数据的往返时间成本，对此，根据两种情况传输所有M个内容，产生的能耗Em表示为： 其中，am＝{0,1}是内容m的缓存决策，当am＝0时，内容m已经缓存到基站，否则，内容m还不存在于基站。

全文数据：

权利要求：

百度查询： 北京工业大学 基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD