本方案探讨了在信息技术领域内,如何利用联邦学习技术优化车联网中的任务卸载决策。通过构建边缘智能系统框架,本方案建立了车联网与边缘服务器间的通信和计算模型,并提出了一种联邦学习算法,旨在最小化车辆任务处理的延迟。该方案将车联网与联邦学习技术相结合,使车辆能够将计算任务高效卸载至边缘服务器。仿真实验结果表明,本方案有效降低了任务处理时延,提升了任务卸载效率。
背景技术
随着信息化技术和无线通信的持续进步,将任务搭载到云端网络处理已无法满足人们对高质量、低延时的通信服务需求。边缘计算将计算和存储等资源转移至核心网络的边缘,满足应用低能耗、低延迟的要求,并为无人驾驶提供技术赋能。车辆将计算任务卸载到边缘服务器后,能够实现边缘信息处理,从而有效降能耗与时延。
在车辆本身计算能力有限的情况下,将车辆的计算任务卸载到边缘服务器上,车辆能够利用边缘服务器强大的处理能力进行任务处理是十分有效的方法。目前,部分卸载和0-1卸载是两种经典的卸载方法。部分卸载方法是指计算任务能够被拆分为多个子任务,此时可以选择不卸载、全部卸载或者按比例卸载。0-1卸载是指计算任务不能够被拆分为多个子任务,只能选择不卸载或者全部卸载两种方式。该种方式是将任务分为两个子任务,一个子任务在本地计算,另一个子任务卸载到服务器上进行处理,两个子任务可以同时被处理。
当车辆遭遇海量计算任务和实验敏感性任务时,车辆本身的计算能力无法达到要求。此时,车辆需要将计算任务卸载到边缘服务器上进行处理,处理完毕后再将计算结果回传到目标车辆上,完成计算卸载过程。然而,由于边缘服务器所配备的计算资源一般是有限的,不能同时支持所有车联网用户的服务需求。因此,如何在边缘服务器资源限制的约束下,合理规划计算资源,分配计算能力,仍然是一个巨大的挑战。
实现思路