CN112737842B - 空地一体化车联网中基于最小化时延的任务安全卸载方法 - Google Patents

Abstract

本发明公开了一种空地一体化车联网中基于最小化时延的任务安全卸载方法，首先构建了支持移动边缘计算的空地一体化车联网模型，其次对车辆到无人机边缘服务器的安全传输方式、本地车辆和无人机边缘服务器的计算方式进行分析与建模，将空地一体化车联网任务卸载问题形式化为一个与边缘服务器选择、传输速率、资源分配、任务卸载相关，以最小化时延为目标的多目标优化问题，并结合条件松弛‑数值修约规则和拉格朗日对偶分解的方法进行求解，该方法可有效降低任务处理时延，提高任务成功处理比例。

Description

空地一体化车联网中基于最小化时延的任务安全卸载方法

技术领域

本发明属于车辆网技术领域，具体涉及一种车联网中任务安全卸载方法。

背景技术

随着5G万物互联时代的到来，车联网中移动终端数量激增且设备异构程度显著增加。同时，随着智能驾驶等计算任务繁重或实时性要求高的业务的兴起，无线资源和移动终端面临巨大挑战。相比于网络核心设备，移动终端计算能力和存储有限。因此，在车联网中，单一依靠车辆终端设备完成计算密集型任务将面临不小的挑战。云计算将移动终端的计算任务卸载给云服务器，从而大大减轻终端设备压力。然而，对于车联网等大量设备接入场景，海量数据涌入云计算中心将会造成核心网拥塞，降低服务体验。

因此，作为另一种计算卸载方案，移动边缘计算近年来受到广泛关注。移动边缘计算将计算资源从远端云下拉到无线接入网络侧，通过给路边单元等网络边缘节点配备计算、处理、存储能力，就近为车辆等移动终端提供计算服务。相比于云端，路边单元等边缘节点距离车辆更近，可以更高效地在本地完成对车联网数据的处理。

但在大空间尺度下，障碍物、复杂地形、难以接近的地理区域、恶劣天气等因素都可能导致车辆-路边单元之间的通信链路中断或服务质量下降。特别地，在某些极端环境中缺乏路边单元等基础设施来辅助车辆通信，单纯依靠地基车联网难以满足用户对海量任务卸载的需求。

针对上述问题，现有技术一设计并实现了空地车载协同通信***，该***通过多个无人机组成空中子网，利用无人机上的摄像头和GPS信息为地面进行障碍物检测和导航，并能协助地面车辆传输路面信息，可运用于道路救援，事故第一现场通信等突发事件场景。

现有技术二提出了一种面向车联网边缘计算的智能计算迁移方法，该方法通过构建车联网边缘计算***资源模型、执行时间模型，从而实现了对车载计算任务的迁移时间和边缘设备负载均衡之间的联合优化，为车载计算任务找到了有效的计算迁移策略，使车载计算任务在期望时间内完成,并保证了边缘计算设备的负载均衡，可有效满足车联网中车载任务所面临的服务迁移时间优化与边缘设备的资源负载优化需求。

但现有技术存在的问题是：

(1)现有技术一所设计的空地车载协同通信***，未能对无人机摄像头获取的信息以及GPS信息进行任务卸载和及时处理，同时海量数据的获取会导致任务响应时延快速增长。

(2)现有技术二对车载计算任务的迁移时间和边缘设备负载均衡进行了联合优化，但该方法未考虑任务卸载比例，将所有任务均卸载到网络边缘节点，增加了边缘节点的工作强度，未考虑将任务进行本地与边缘节点同时计算，降低任务处理时延与边缘节点的工作强度。

(3)车联网面临的一大重要问题是隐私泄露问题，需要在提供计算服务的同时保障用户数据的隐私性。由于无线电波的开放性，现有技术一与现有技术二的移动终端(车辆)通过无线信道传输到边缘节点的数据将会直接暴露在窃听者的监听之下，同时边缘节点返回给终端的计算结果也同样面临被窃听的风险。

发明内容

为了克服现有技术的不足，本发明提供了一种空地一体化车联网中基于最小化时延的任务安全卸载方法，首先构建了支持移动边缘计算的空地一体化车联网模型，其次对车辆到无人机边缘服务器的安全传输方式、本地车辆和无人机边缘服务器的计算方式进行分析与建模，将空地一体化车联网任务卸载问题形式化为一个与边缘服务器选择、传输速率、资源分配、任务卸载相关，以最小化时延为目标的多目标优化问题，并结合条件松弛-数值修约规则和拉格朗日对偶分解的方法进行求解，该方法可有效降低任务处理时延，提高任务成功处理比例。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：构建支持移动边缘计算的空地一体化车联网模型；

步骤1-1：由M个无人机覆盖的单向道路，每个无人机部署一个边缘服务器，用M＝{1,...,M}表示M个无人机的集合；将道路划分为M段，每段道路长度分别为L＝{L₁,L₂,...,L_M}；假设在道路起点处有N辆车到达，车辆到达服从泊松分布，每辆车均具有一个待处理的任务，任务表示为

i∈N＝{1,2,...,N}，j∈Μ＝{1,2,...,M}，其中d_i表示计算任务Ξ_i的大小，c_i表示任务Ξ_i执行时所需的计算资源，T^th表示任务Ξ_i需在T^th内完成，λ_i,j为任务卸载比例，表示任务Ξ_i卸载到第j个无人机部署的边缘服务器的任务量占任务总量的比值；

任务Ξ_i被分割为在本地和边缘服务器上并行执行的两部分；具体为：车辆i将任务λ_i,jd_i卸载到第j个边缘服务器进行处理，车辆i对剩下的任务(1-λ_i,j)d_i进行本地处理；假设每辆车只能选择一个边缘服务器进行计算卸载，用x_i,j表示车辆i的选择决策，如果车辆i进行任务卸载则x_i,j＝1，如果车辆i不进行任务卸载则x_i,j＝0，即x_i,j∈{0,1}；

步骤1-2：任务Ξ_i的处理时延由三部分组成：

Part 1：车辆i从起点移动到无人机j所需的时间

即

L_k∈L，L_k表示第k段道路的长度，v_i表示车辆i的移动速度，k表示道路编号；

Part 2：车辆i通过无线信道将任务Ξ_i卸载到无人机j的传输时间

Part 3：无人机j处理任务Ξ_i所需的时间

步骤2：构建车辆到无人机边缘服务器的安全传输模型；

步骤2-1：车辆与无人机之间基于IEEE 802.11p协议进行通信，该协议采用载波侦听多路访问/冲突避免机制进行数据传输；

步骤2-2：每个车辆配备K根天线，向一个安装在无人机上的边缘服务器进行任务卸载，同时网络中存在多个窃听者，窃听者的窃听方式为被动窃听；假设多个窃听者的位置和数量未知，各个窃听者之间独立的接收和解码保密信息；

步骤2-3：车辆使用Wyner编码方案进行保密信息传输，存在以下关系：

C_i,j-R_s＝R_e≤R_th (1)

其中，C_i,j表示车辆i-无人机j的信道容量，R_s表示车辆i-无人机j的安全传输速率，R_e表示窃听速率，R_th表示最大允许窃听速率；当窃听速率R_e小于最大允许窃听速率R_th时，安装在无人机上的边缘服务器所接收的信息不会被其他设备窃听，即实现安全信息传输；

步骤3：构建本地车辆和无人机边缘服务器的计算模型；

步骤3-1：车辆采用发送/允许发送方式对信道进行预约；车辆i在发送任务Ξ_i之前，先发送一个RTS控制帧申请占用信道；若信道空闲，无人机j收到RTS帧，将在时间间隔SIFS后发送一个CTS响应帧，RTS帧和CTS帧中包含任务Ξ_i传输所需的持续时间；车辆i收到CTS帧，在时间间隔SIFS后开始发送任务Ξ_i，无人机j收到任务Ξ_i后给车辆i回馈ACK帧；同时，其他车辆将根据RTS/CTS帧中的传输持续时间信息，更新自己的网络分配矢量，推迟接入信道的时间；

步骤3-2：车辆i与无人机j之间成功传输计算任务Ξ_i的时间

表示为：

其中，

表示任务Ξ_i的头部时间开销，

表示传播时延，T_SIFS、T_ACK、T_DIFS、T_RTS和T_CTS分别表示SIFS帧、ACK帧、DIFS帧、RTS帧和CTS帧的持续时间；

表示任务Ξ_i的传输时延，表示为：

其中，B_j表示无人机j的信道带宽，

表示车辆i传输任务Ξ_i时的传输功率，G_i,j表示车辆i与无人机j之间的信道增益；

信道冲突时间

表示为：

因此，***归一化吞吐量H_i,j表示为：

其中，

表示该时隙信道空闲的概率，信道空闲指某时隙所有车辆均不向无人机j发送计算任务；

表示任务Ξ_i被成功传输的概率，成功传输指某时隙仅有车辆i向无人机j发送计算任务Ξ_i；

根据式(3)到式(6)，任务Ξ_i从车辆i卸载任务λ_i,jd_i到无人机j的传输时间

表示为：

车辆i的本地计算任务(1-λ_i,j)d_i的计算时间

表示为：

其中，f_i表示车辆i的计算资源；

步骤3-3：令F_j为无人机j的总计算资源，f_i,j表示无人机j分配给车辆i的计算资源，即f＝{f_1,j,f_2,j,...,f_N,j}；边缘服务器分配给所有车辆的计算资源总和不能超过该服务器自身所拥有的计算资源，即

因此，边缘服务器的计算时间

为：

由于任务Ξ_i能在车辆i和无人机j上并行执行，因此任务Ξ_i的处理时延

表示为：

其中，

表示任务Ξ_i在无人机j处的处理时延，

步骤4：基于安全传输模型和计算模型构建任务安全卸载的目标函数与优化条件；

最小化时延的任务安全卸载的目标函数与优化条件形式化为一个多约束条件下的优化问题：

其中，x表示x_i,j的集合，λ表示λ_i,j的集合；

式(11)的目的在于最小化处理时延

C1.1确保任务Ξ_i的本地处理时延

和边缘服务器处理时间

不超过最大允许时延T^th；C1.2和C1.3表示每辆车仅选择一个边缘服务进行任务卸载；C1.4和C1.5保证边缘服务器分配给所有任务的计算资源总和不超过该边缘服务器的计算资源总量；C1.6和C1.7表示每辆车所卸载的计算任务比率不能超过1；

步骤5：基于任务安全卸载的目标函数与优化条件，通过条件松弛-数值修约规则和拉格朗日对偶分解法进行求解，构建基于最小化时延的任务安全卸载方法；

步骤5-1：令

并给定f和λ，边缘服务器选择问题表示为：

在P2中，x_i,j∈{0,1}为0-1整数规划，目标函数

是关于x_i,j的非线性函数；因此，将约束条件C3.5进行松弛，将x_i,j∈{0,1}松弛为0≤x_i,j≤1；P2表示为P3：

令x^*＝[x₁,x₂,...,x_n]^T表示松弛问题P3的最优解，x^*∈[0,1]，其中n为解的个数；采用数值修约规则对x^*进行四舍五入取整；

步骤5-2：根据式(13)求得最优边缘服务器，在给定x后，原问题拆分成两个子问题：即给定x和λ的资源分配问题P4和给定f和x的计算卸载比例决策问题P5，分别表示为：

其中，

和κ_i,j分别为：

其中，

为

的上界；

问题P4和P5为凸问题，采用拉格朗日对偶分解法进行求解f_i,j和λ_i,j，直至收敛，得到最优的f_i,j和λ_i,j。

本发明的有益效果如下：

本发明针对现有技术存在的问题，将移动边缘计算与本地计算相结合，可对获取的海量数据进行任务卸载和及时处理，有效降低任务处理时延，提高任务成功处理比例，并且本发明在提供计算服务的同时，利用物理层安全技术保障了用户数据的隐私性，可有效降低数据被被窃听的风险，为用户提供低时延、高可靠且安全的计算服务。

附图说明

图1是本发明方法的流程图。

图2是本发明方法支持移动边缘计算的空地一体化车联网。

图3是本发明实施例提供的与地基车联网(任务卸载方法采用本发明)、车辆/边缘服务器均分计算(任务一半在边缘服务器上处理，一半在本地进行处理，即λ_i,j＝0.5)、车辆本地计算(任务均在本地进行计算，不上传至边缘服务器进行处理，即λ_i,j＝0)进行任务成功处理比例对比的性能对比图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

如图1所示，一种空地一体化车联网中基于最小化时延的任务安全卸载方法，包括如以下步骤：

步骤1：如图2所示，构建支持移动边缘计算的空地一体化车联网模型；

步骤1-1：由M个无人机覆盖的单向道路，每个无人机部署一个边缘服务器，用M＝{1,...,M}表示M个无人机的集合；将道路划分为M段，每段道路长度分别为L＝{L₁,L₂,...,L_M}；假设在道路起点处有N辆车到达，车辆到达服从泊松分布，每辆车均具有一个待处理的任务，任务表示为

i∈N＝{1,2,...,N}，j∈Μ＝{1,2,...,M}，其中d_i表示计算任务Ξ_i的大小，c_i表示任务Ξ_i执行时所需的计算资源，T^th表示任务Ξ_i需在T^th内完成，λ_i,j为任务卸载比例，表示任务Ξ_i卸载到第j个无人机部署的边缘服务器的任务量占任务总量的比值；

任务Ξ_i被分割为在本地和边缘服务器上并行执行的两部分；具体为：车辆i将任务λ_i,jd_i卸载到第j个边缘服务器进行处理，车辆i对剩下的任务(1-λ_i,j)d_i进行本地处理；假设每辆车只能选择一个边缘服务器进行计算卸载，用x_i,j表示车辆i的选择决策，如果车辆i进行任务卸载则x_i,j＝1，如果车辆i不进行任务卸载则x_i,j＝0，即x_i,j∈{0,1}；

步骤1-2：任务Ξ_i的处理时延由三部分组成：

Part 1：车辆i从起点移动到无人机j所需的时间

即

L_k∈L，L_k表示第k段道路的长度，v_i表示车辆i的移动速度，k表示道路编号；

Part 2：车辆i通过无线信道将任务Ξ_i卸载到无人机j的传输时间

Part 3：无人机j处理任务Ξ_i所需的时间

步骤2：构建车辆到无人机边缘服务器的安全传输模型；

步骤2-1：车辆与无人机之间基于IEEE 802.11p协议进行通信，该协议采用载波侦听多路访问/冲突避免机制进行数据传输；

步骤2-2：每个车辆配备K根天线，向一个安装在无人机上的边缘服务器进行任务卸载，同时网络中存在多个窃听者，窃听者的窃听方式为被动窃听；假设多个窃听者的位置和数量未知，各个窃听者之间独立的接收和解码保密信息；

步骤2-3：车辆使用Wyner编码方案进行保密信息传输，存在以下关系：

C_i,j-R_s＝R_e≤R_th (1)

其中，C_i,j表示车辆i-无人机j的信道容量，R_s表示车辆i-无人机j的安全传输速率，R_e表示窃听速率，R_th表示最大允许窃听速率；当窃听速率R_e小于最大允许窃听速率R_th时，安装在无人机上的边缘服务器所接收的信息不会被其他设备窃听，即实现安全信息传输；

步骤3：构建本地车辆和无人机边缘服务器的计算模型；

步骤3-1：车辆采用发送/允许发送方式对信道进行预约；车辆i在发送任务Ξ_i之前，先发送一个RTS控制帧申请占用信道；若信道空闲，无人机j收到RTS帧，将在时间间隔SIFS后发送一个CTS响应帧，RTS帧和CTS帧中包含任务Ξ_i传输所需的持续时间；车辆i收到CTS帧，在时间间隔SIFS后开始发送任务Ξ_i，无人机j收到任务Ξ_i后给车辆i回馈ACK帧；同时，其他车辆将根据RTS/CTS帧中的传输持续时间信息，更新自己的网络分配矢量，推迟接入信道的时间；

步骤3-2：车辆i与无人机j之间成功传输计算任务Ξ_i的时间

表示为：

其中，

表示任务Ξ_i的头部时间开销，

表示传播时延，T_SIFS、T_ACK、T_DIFS、T_RTS和T_CTS分别表示SIFS帧、ACK帧、DIFS帧、RTS帧和CTS帧的持续时间；

表示任务Ξ_i的传输时延，表示为：

其中，B_j表示无人机j的信道带宽，

表示车辆i传输任务Ξ_i时的传输功率，G_i,j表示车辆i与无人机j之间的信道增益；

信道冲突时间

表示为：

因此，***归一化吞吐量H_i,j表示为：

其中，

表示该时隙信道空闲的概率，信道空闲指某时隙所有车辆均不向无人机j发送计算任务；

表示任务Ξ_i被成功传输的概率，成功传输指某时隙仅有车辆i向无人机j发送计算任务Ξ_i；

根据式(3)到式(6)，任务Ξ_i从车辆i卸载任务λ_i,jd_i到无人机j的传输时间

表示为：

车辆i的本地计算任务(1-λ_i,j)d_i的计算时间

表示为：

其中，f_i表示车辆i的计算资源；

步骤3-3：无人机j的计算资源是有限的，因此需将有限的计算资源尽可能均分到N辆车中，以确保任务可按时完成；令F_j为无人机j的总计算资源，f_i,j表示无人机j分配给车辆i的计算资源，即f＝{f_1,j,f_2,j,...,f_N,j}；边缘服务器分配给所有车辆的计算资源总和不能超过该服务器自身所拥有的计算资源，即

因此，边缘服务器的计算时间

为：

由于任务Ξ_i能在车辆i和无人机j上并行执行，因此任务Ξ_i的处理时延

表示为：

其中，

表示任务Ξ_i在无人机j处的处理时延，

步骤4：基于安全传输模型和计算模型构建任务安全卸载的目标函数与优化条件；

最小化时延的任务安全卸载的目标函数与优化条件形式化为一个多约束条件下的优化问题：

其中，x表示x_i,j的集合，λ表示λ_i,j的集合；

式(11)的目的在于最小化处理时延

C1.1确保任务Ξ_i的本地处理时延

和边缘服务器处理时间

不超过最大允许时延T^th；C1.2和C1.3表示每辆车仅选择一个边缘服务进行任务卸载；C1.4和C1.5保证边缘服务器分配给所有任务的计算资源总和不超过该边缘服务器的计算资源总量；C1.6和C1.7表示每辆车所卸载的计算任务比率不能超过1；

步骤5：基于任务安全卸载的目标函数与优化条件，通过条件松弛-数值修约规则和拉格朗日对偶分解法进行求解，构建基于最小化时延的任务安全卸载方法；

步骤5-1：令

并给定f和λ，边缘服务器选择问题表示为：

在P2中，x_i,j∈{0,1}为0-1整数规划，目标函数

是关于x_i,j的非线性函数；因此，将约束条件C3.5进行松弛，将x_i,j∈{0,1}松弛为0≤x_i,j≤1；P2表示为P3：

令x^*＝[x₁,x₂,...,x_n]^T表示松弛问题P3的最优解，x^*∈[0,1]，其中n为解的个数；采用数值修约规则对x^*进行四舍五入取整；

步骤5-2：根据式(13)求得最优边缘服务器，在给定x后，原问题拆分成两个子问题：即给定x和λ的资源分配问题P4和给定f和x的计算卸载比例决策问题P5，分别表示为：

其中，

和κ_i,j分别为：

其中，

为

的上界；

问题P4和P5为凸问题，采用拉格朗日对偶分解法进行求解f_i,j和λ_i,j，直至收敛，得到最优的f_i,j和λ_i,j。

综上，所构建的最小化时延的任务安全卸载方法具体为：对优化问题P1进行分解，在给定f和λ的情况下，利用条件松弛-数值修约规则求解x_i,j；然后，基于所选择的边缘服务器x_i,j，采用拉格朗日对偶分解的方法求解f_i,j和λ_i,j，直至收敛，可得最优的f_i,j和λ_i,j。

具体实施例：

本实施例对一种空地一体化车联网中基于最小化时延的任务安全卸载方法和基于相同网络参数的已有机制进行仿真，验证本发明方法的优越性。具体地步骤为：车辆发射功率为0.25瓦特，无人机发射功率为1瓦特，安装在无人机上的边缘服务器数量为5，车辆数目为0-60，无人机计算资源为20GHz，任务大小为10MB，任务产生频率为30s/个，任务处理允许的最大时延为10s，结果为仿真10000次后的平均值。

将本发明与地基车联网(任务卸载方法采用本发明)、车辆/边缘服务器均分计算(任务一半在边缘服务器上处理，一半在本地进行处理，即λ_i,j＝0.5)、车辆本地计算(任务均在本地进行计算，不上传至边缘服务器进行处理，即λ_i,j＝0)进行任务成功处理比例对比，结果如图3所示。

由图3可知，本发明在任务成功处理比例方面优于已有机制。具体来说，与已有机制相比，本发明能以最小的车辆本地计算资源来完成任务的处理。这事因为本发明能充分利用整个空地一体化车联网中边缘服务器的资源来完成任务的分配与处理。同时，车辆—无人机之间的信道相比于车辆—RSU之间的信道具有更好地服务质量，将边缘服务器安装在无人机上可以更快地将任务进行卸载。因此支持移动边缘计算的空地一体化车联网可以为用户提供更低的延迟和更可靠的计算服务。

综上，本发明实施例提供的一种空地一体化车联网中基于最小化时延的任务安全卸载方法，针对现有技术存在的问题，首先构建了支持移动边缘计算的空地一体化车联网模型，其次对车辆到无人机边缘服务器的安全传输方式、本地车辆和无人机边缘服务器的计算方式进行分析与建模，将空地一体化车联网任务卸载问题形式化为一个与边缘服务器选择、传输速率、资源分配、任务卸载相关，以最小化时延为目标的多目标优化问题，并结合条件松弛-数值修约规则和拉格朗日对偶分解的方法进行求解，该方法可有效降低任务处理时延，提高任务成功处理比例，相比于已有机制更适用于未来智能交通***，可为用户提供低时延、高可靠且安全的计算服务。

Claims (1)

1.一种空地一体化车联网中基于最小化时延的任务安全卸载方法，其特征在于，包括以下步骤：

步骤1：构建支持移动边缘计算的空地一体化车联网模型；

步骤1-1：由M个无人机覆盖的单向道路，每个无人机部署一个边缘服务器，用M＝{1,...,M}表示M个无人机的集合；将道路划分为M段，每段道路长度分别为L＝{L₁,L₂,...,L_M}；假设在道路起点处有N辆车到达，车辆到达服从泊松分布，每辆车均具有一个待处理的任务，任务表示为

j∈Μ＝{1,2,...,M}，其中d_i表示计算任务Ξ_i的大小，c_i表示任务Ξ_i执行时所需的计算资源，T^th表示任务Ξ_i需在T^th内完成，λ_i,j为任务卸载比例，表示任务Ξ_i卸载到第j个无人机部署的边缘服务器的任务量占任务总量的比值；

任务Ξ_i被分割为在本地和边缘服务器上并行执行的两部分；具体为：车辆i将任务λ_i,jd_i卸载到第j个边缘服务器进行处理，车辆i对剩下的任务(1-λ_i,j)d_i进行本地处理；假设每辆车只能选择一个边缘服务器进行计算卸载，用x_i,j表示车辆i的选择决策，如果车辆i进行任务卸载则x_i,j＝1，如果车辆i不进行任务卸载则x_i,j＝0，即x_i,j∈{0,1}；

步骤1-2：任务Ξ_i的处理时延由三部分组成：

Part 1：车辆i从起点移动到无人机j所需的时间

即

L_k表示第k段道路的长度，v_i表示车辆i的移动速度，k表示道路编号；

Part 2：车辆i通过无线信道将任务Ξ_i卸载到无人机j的传输时间

Part 3：无人机j处理任务Ξ_i所需的时间

步骤2：构建车辆到无人机边缘服务器的安全传输模型；

步骤2-1：车辆与无人机之间基于IEEE 802.11p协议进行通信，该协议采用载波侦听多路访问/冲突避免机制进行数据传输；

步骤2-2：每个车辆配备K根天线，向一个安装在无人机上的边缘服务器进行任务卸载，同时网络中存在多个窃听者，窃听者的窃听方式为被动窃听；假设多个窃听者的位置和数量未知，各个窃听者之间独立的接收和解码保密信息；

步骤2-3：车辆使用Wyner编码方案进行保密信息传输，存在以下关系：

C_i,j-R_s＝R_e≤R_th (1)

其中，C_i,j表示车辆i-无人机j的信道容量，R_s表示车辆i-无人机j的安全传输速率，R_e表示窃听速率，R_th表示最大允许窃听速率；当窃听速率R_e小于最大允许窃听速率R_th时，安装在无人机上的边缘服务器所接收的信息不会被其他设备窃听，即实现安全信息传输；

步骤3：构建本地车辆和无人机边缘服务器的计算模型；

步骤3-1：车辆采用发送/允许发送方式对信道进行预约；车辆i在发送任务Ξ_i之前，先发送一个RTS控制帧申请占用信道；若信道空闲，无人机j收到RTS帧，将在时间间隔SIFS后发送一个CTS响应帧，RTS帧和CTS帧中包含任务Ξ_i传输所需的持续时间；车辆i收到CTS帧，在时间间隔SIFS后开始发送任务Ξ_i，无人机j收到任务Ξ_i后给车辆i回馈ACK帧；同时，其他车辆将根据RTS/CTS帧中的传输持续时间信息，更新自己的网络分配矢量，推迟接入信道的时间；

步骤3-2：车辆i与无人机j之间成功传输计算任务Ξ_i的时间

表示为：

其中，

表示任务Ξ_i的头部时间开销，

表示传播时延，T_SIFS、T_ACK、T_DIFS、T_RTS和T_CTS分别表示SIFS帧、ACK帧、DIFS帧、RTS帧和CTS帧的持续时间；

表示任务Ξ_i的传输时延，表示为：

其中，B_j表示无人机j的信道带宽，

表示车辆i传输任务Ξ_i时的传输功率，G_i,j表示车辆i与无人机j之间的信道增益；

信道冲突时间

表示为：

因此，***归一化吞吐量H_i,j表示为：

其中，

表示时隙信道空闲的概率，信道空闲指某时隙所有车辆均不向无人机j发送计算任务；

表示任务Ξ_i被成功传输的概率，成功传输指某时隙仅有车辆i向无人机j发送计算任务Ξ_i；

根据式(3)到式(6)，任务Ξ_i从车辆i卸载任务λ_i,jd_i到无人机j的传输时间

表示为：

车辆i的本地计算任务(1-λ_i,j)d_i的计算时间

表示为：

其中，f_i表示车辆i的计算资源；

步骤3-3：令F_j为无人机j的总计算资源，f_i,j表示无人机j分配给车辆i的计算资源，即f＝{f_1,j,f_2,j,...,f_N,j}；边缘服务器分配给所有车辆的计算资源总和不能超过该服务器自身所拥有的计算资源，即

因此，边缘服务器的计算时间

为：

由于任务Ξ_i能在车辆i和无人机j上并行执行，因此任务Ξ_i的处理时延

表示为：

其中，

表示任务Ξ_i在无人机j处的处理时延，

步骤4：基于安全传输模型和计算模型构建任务安全卸载的目标函数与优化条件；

最小化时延的任务安全卸载的目标函数与优化条件形式化为一个多约束条件下的优化问题：

其中，x表示x_i,j的集合，λ表示λ_i,j的集合；

式(11)的目的在于最小化处理时延

C1.1确保任务Ξ_i的本地处理时延

和边缘服务器处理时间

不超过最大允许时延T^th；C1.2和C1.3表示每辆车仅选择一个边缘服务进行任务卸载；C1.4和C1.5保证边缘服务器分配给所有任务的计算资源总和不超过该边缘服务器的计算资源总量；C1.6和C1.7表示每辆车所卸载的计算任务比率不能超过1；

步骤5：基于任务安全卸载的目标函数与优化条件，通过条件松弛-数值修约规则和拉格朗日对偶分解法进行求解，构建基于最小化时延的任务安全卸载方法；

步骤5-1：令

并给定f和λ，边缘服务器选择问题表示为：

在P2中，x_i,j∈{0,1}为0-1整数规划，目标函数

是关于x_i,j的非线性函数；因此，将约束条件C2.5 进行松弛，将x_i,j∈{0,1}松弛为0≤x_i,j≤1；P2表示为P3：

令x^*＝[x₁,x₂,...,x_n]^T表示松弛问题P3的最优解，x^*∈[0,1]，其中n为解的个数；采用数值修约规则对x^*进行四舍五入取整；

步骤5-2：根据式(13)求得最优边缘服务器，在给定x后，原问题拆分成两个子问题：即给定x和λ的资源分配问题P4和给定f和x的计算卸载比例决策问题P5，分别表示为：

其中，

和κ_i,j分别为：

其中，

为

的上界；

问题P4和P5为凸问题，采用拉格朗日对偶分解法进行求解f_i,j和λ_i,j，直至收敛，得到最优的f_i,j和λ_i,j。

Images