本发明涉及车联网络中的资源优化领域，特别涉及一种基于非正交多址技术的车联网络资源优化方法，在NOMA协助的车辆边缘计算系统中对车辆任务处理时，以车辆边缘计算系统的总能耗最小化为原则，确定系统的卸载和缓存决策、计算和缓存资源的分配，即考虑车辆用户的随机流量到达和队列稳定性，通过联合优化计算卸载决策和内容缓存决策，以及计算和缓存资源的分配，定义为随机优化问题；利用李雅普诺夫优化理论，提出求解该问题的动态联合计算卸载、内容缓存和资源分配算法，并将其解耦为两个独立的子问题，利用0‑1整数规划和线性规划求解两个子问题；本发明能够有效地处理移动边缘计算服务器的计算资源，并降低系统能耗。
1.一种基于非正交多址的车联网络中资源优化方法，基于NOMA的动态网络中，在NOMA协助的车辆边缘计算系统中对车辆任务处理时，以车辆边缘计算系统的总能耗最小化为原则，确定系统的卸载和缓存决策、计算和缓存资源的分配，以此完成车辆边缘计算系统中的资源优化问题，车辆边缘计算系统的总能耗表示为：其中，E(t)为t时隙车辆边缘计算系统的总能耗；EO,k(t)为t时隙MEC服务器因卸载产生的能量消耗；Eca,k(t)为t时隙MEC服务器缓存所消耗的能量；κ为MEC服务器上的有效切换电容；fm,k(t)为t时隙MEC服务器分配给车辆用户的CPU周期数；xk(t)为t时隙车辆用户的卸载决策，当xk(t)＝1表示任务卸载到MEC服务器上计算，xk(t)＝0表示任务在车辆端进行本地计算；Rk,d为下行链路中第k个用户的可用下行速率；Pj为移动数据片段被请求的概率；
为为表示基站传输的能量消耗速率；yk(t)为t时隙车辆设备的缓存策略，当yk(t)＝1表示路侧单元服务器缓存车辆用户请求的内容，yk(t)＝0表示路侧单元服务器不缓存车辆用户请求的内容；
其特征在于，所述车辆边缘计算系统的总能耗最小化过程包括：考虑车辆用户的随机流量到达和队列稳定性，通过联合优化计算卸载决策和内容缓存决策，以及计算和缓存资源的分配，定义为一个随机优化问题；
利用李雅普诺夫优化理论，提出求解该问题的动态规划问题；
联合计算卸载、内容缓存和资源分配算法，将动态规划问题解耦为计算卸载子问题和内容缓存子问题；
解出计算卸载子问题，得出卸载决策和计算资源分配最优解；解出内容缓存子问题，得出缓存决策和缓存资源分配最优解；
其中，NOMA表示非正交多址，MEC表示移动边缘计算。
2.根据权利要求1所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，在路侧单元服务器端队列稳定性条件下的路侧单元服务器端消耗的平均能量最小问题，即随机优化问题表示为：
C7:P1,d≤P2,d≤…≤PK,d其中， 为在路侧单元服务器端队列稳定性条件下的路侧单元服务器端消耗的平均能量；E(t)为t时隙在路侧单元服务器端队列稳定性条件下的路侧单元服务器端消耗的能量；
x(t)为车辆用户卸载策略；f(t)为MEC服务器分配给车辆用户的CPU周期数；y(t)为车辆用户缓存决策；p(t)为基站发射功率；E{}表示求期望；T为总时隙数；κ为路侧单元服务器上的有效切换电容；fm,k(t)为t时隙路侧单元服务器分配给车辆用户k的CPU周期数；xk(t)为t时隙车辆用户k的卸载决策，xk(t)＝1表示任务卸载到MEC服务器上计算，xk(t)＝0表示任务在车辆端进行本地计算；τ为单元时隙的大小，τ＝10ms；Rk,d为下行链路中第k个用户的可用下行速率；Pj为移动数据片段被请求的概率； 为基站传输的能量消耗速率；yk(t)为t时隙车辆用户k的缓存决策，yk(t)＝1表示路侧单元服务器缓存车辆用户请求的内容，yk(t)＝0表示路侧单元服务器不缓存车辆用户请求的内容； 为MEC服务器上车辆用户任务区的平均队列长度； 为MEC服务器上动态缓存的平均队列长度；K为系统总用户数；Ak为第k个任务的请求到达率；W为MEC服务器的最大缓存存储；F为路侧单元端的总计算资源；Pk,d为面向车辆用户k的基站发射功率； 为路侧单元端的最大发射功率。
3.根据权利要求1所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，下行链路中第k个用户的可用下行速率Rk,d(t)为：其中，Hk(t)为车载设备与路侧单元之间的信道增益，Pk,d(t)为时隙t内基站发射功率，B为频谱带宽，N0为高斯白噪声功率谱密度。
4.根据权利要求1所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，移动数据片段被请求的概率Pj表示为：其中，Nf为缓存文件片段总数；φ为Zipf分布指数。
5.根据权利要求2所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，利用李雅普诺夫优化理论，提出求解该问题的动态规划问题表示为：s.t.C1:xk∈{0,1},C2:yk∈{0,1},
C6:P1,d≤P2,d≤…≤PK,d其中，Ck(t)为t时隙完成计算任务所需的CPU周期数；Qk(t)为t时隙MEC服务器上车辆用户任务区队列长度；V是非负控制参数用来权衡时延和能耗；Zk(t)为t时隙路侧单元服务器上针对车辆k的缓存队列。
6.根据权利要求5所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，t+1时隙路侧单元服务器上针对车辆k的缓存队列Zk(t+1)为：Zk(t+1)＝max{Zk(t)‑Rk,dPjyk(t),0}+Ak(t)yk(t)；
7.根据权利要求5所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，计算卸载子问题表示为：
C4:P1,d≤P2,d≤…≤PK,d其中，Rk,u(t)为t时隙上行链路中第k个用户的传输速率。
8.根据权利要求7所述的一种基于非正交多址的车联网络中资源优化方法，其特征在于，t时隙上行链路中第k个用户的传输速率Rk,u(t)表示为：其中，Pk,u(t)为在时隙t内车辆k的发射功率；Hk(t)为车载设备与路侧单元之间的信道增益，B为频谱带宽，N0为高斯白噪声功率谱密度。
9.根据权利要求3或8所述的任一一种基于非正交多址的车联网络中资源优化方法，其特征在于，在NOMA协助的车辆边缘计算系统中，车载设备与路侧单元之间的信道增益表示为：
其中，Hk(t)为车载设备与路侧单元之间的信道增益；Jk(t)为初始距离为ak的车辆用户k沿公路以速度vk单向移动时，t时刻车辆用户与路侧单元服务器的距离，s为基站与高速公路的距离，e为基站天线高度；α为路径损失系数；β为信道衰落系数。
一种基于非正交多址的车联网络中资源优化方法
技术领域
[0001] 本发明涉及车联网络中的资源优化领域，特别涉及一种基于非正交多址的车联网络中资源优化方法。
背景技术
[0002] 随着物联网的快速发展，计算密集型移动应用日益遍及，现有的移动用户设备在应用处理或能量提供方面已无法满足相应的挑战。同时，在移动视频、在线社交媒体等的带
动下，大数据流量呈指数级增长，使得移动网络面临计算限制。虽然无线频谱已被诸如超密
集网络充分利用，但回程可能成为新的瓶颈，无法负担巨大的业务流量。未来的无线网络有
望支持大量计算密集型和延迟敏感的应用，如虚拟现实和自动驾驶。由于大多数移动设备
的计算能力和功耗有限，移动边缘计算(MEC，mobile edge compution)被认为是一种很有
效的加强计算服务的方法。
[0003] 通过向附近的MEC服务器卸载负载，计算密集型应用程序可以有效地执行。通过有效卸载和资源分配，可以在很多方面提升系统性能，如降低处理延迟和能耗，或提高能源效
率等。由于车辆移动方向和速度的随机性使得动态资源调度变得非常复杂和具有挑战性。
因此，在车联网络中，卸载和缓存决策的制定以及计算和缓存资源的优化分配至关重要。
[0004] 非正交多址接入(NOMA，non‑orthogonal multiple access)技术在提高网络频谱效率方面显示出了巨大的潜力。与传统的正交多址(OMA,orthogonal multiple access)网
络不同，NOMA网络允许多个用户通过不同的功率级别共享相同的频率资源，接收机采用连
续干扰消除(SIC，successive interference cancellation)技术进行用户检测。然而，目
前大多数MEC卸载缓存方法通常考虑的是OMA。由于NOMA优于OMA的优点，预计将在MEC系统
中应用NOMA。
[0005] 目前相关文献在计算卸载和内容缓存方面进行了大量的研究工作，但很少共同考虑和解决计算卸载和缓存的能耗。此外，在现实通信系统中，车辆产生的移动流量通常是随
机动态到达的，而上述工作主要是在静态网络中进行计算卸载和内容缓存，没有考虑数据
和缓存队列的动态特性以及动态优化数据流量。因此，不可预测性会难以获得相关文献的
系统性能。且目前对基于NOMA的MEC系统研究通常忽略了缓存数据包下载这一阶段，将NOMA
应用于基站的下行数据包传输，制定缓存策略和缓存资源分配可以进一步提高系统性能。
发明内容
[0006] 为解决以上现有技术问题，本发明提出了一种基于非正交多址技术的车联网络资源优化方法，该方法基于NOMA的动态网络中，在NOMA协助的车辆边缘计算系统中对车辆任
务处理时，以车辆边缘计算系统的总能耗最小化为原则，确定系统的卸载和缓存决策、计算
和缓存资源的分配，以此完成车辆边缘计算系统中的资源优化问题，如图2，所述车辆边缘
计算系统的总能耗最小化过程包括：
[0007] 考虑车辆用户的随机流量到达和队列稳定性，通过联合优化计算卸载决策和内容缓存决策，以及计算和缓存资源的分配，定义为一个随机优化问题；
[0008] 利用李雅普诺夫优化理论，提出求解该问题的动态规划问题；
[0009] 联合计算卸载、内容缓存和资源分配算法，将动态规划问题解耦为计算卸载子问题和内容缓存子问题；
[0010] 解出计算卸载子问题，得出卸载决策和计算资源分配最优解；解出内容缓存子问题，得出缓存决策和缓存资源分配最优解。
[0011] 进一步的，基于NOMA的动态网络中对NOMA的设置包括：在同一频率资源上，通过不同的功率级别实现多用户信号传输，接收机采用连续干扰消除技术进行用户检测；
[0012] 动态网络的设置包括：考虑在一个时隙内，网络为准静态，在不同时隙，车辆在基站覆盖单元中位置发生变化，所以对于整个计算卸载或缓存期间无线信道是变化的。
[0013] 进一步的，在对资源进行优化处理之前，还包括车辆对应用程序的处理进行选择的步骤，车辆用户请求处理应用程序时，可以在本地处理应用程序，也可将其卸载到MEC服
务器执行。
[0014] 进一步的，车辆边缘计算系统的总能耗表示为：
[0015]
[0016] 其中，E(t)为t时隙车辆边缘计算系统的总能耗；Eca,k(t)为t时隙MEC服务器因卸载产生的能量消耗；Eca,k(t)为t时隙MEC服务器缓存所消耗的能量；κ为MEC服务器上的有效
切换电容；fm,k(t)为t时隙MEC服务器分配给车辆用户的CPU周期数；xk(t)为t时隙车辆用户
的卸载决策，当xk(t)＝1表示任务卸载到MEC服务器上计算，xk(t)＝0表示任务在车辆端进
行本地计算；Rk,d为下行链路中第k个用户的可用下行速率；Pj为移动数据片段被请求的概
率； 为为表示基站传输的能量消耗速率；yk(t)为t时隙车辆设备的缓存策略，当yk(t)＝
1表示路侧单元服务器缓存车辆用户请求的内容，yk(t)＝0表示路侧单元服务器不缓存车
辆用户请求的内容。
[0017] 进一步的，在路侧单元服务器端队列稳定性条件下的路侧单元服务器端消耗的平均能量最小问题，即随机优化问题表示为：
[0018]
[0019] s.t.C1：
[0020] C2:
[0021] C3:
[0022] C4:
[0023] C5:
[0024] C6:
[0025] C7:P1,d≤P2,d≤…≤PK,d
[0026] 其中， 为在路侧单元服务器端队列稳定性条件下的路侧单元服务器端消耗的平均能量；E(t)为t时隙在路侧单元服务器端队列稳定性条件下的路侧单元服务器端消耗的
能量；x(t)为车辆用户卸载决策；f(t)为MEC服务器分配给车辆用户的CPU周期数；y(t)为车
辆用户缓存决策；p(t)为基站发射功率；E{}表示求期望；T为总时隙数；κ为路侧单元服务器
上的有效切换电容；fm,k(t)为t时隙路侧单元服务器分配给移动车辆的CPU周期数；xk(t)为
t时隙车辆用户k的卸载决策，xk(t)＝1表示任务卸载到MEC服务器上计算，xk(t)＝0表示任
务在车辆端进行本地计算；τ为单元时隙的大小，τ＝10ms；Rk,d为下行链路中第k个用户的可
用下行速率；Pj为移动数据片段被请求的概率； 为基站传输的能量消耗速率；yk(t)为t
时隙车辆用户k的缓存决策，yk(t)＝1表示路侧单元服务器缓存车辆用户请求的内容，yk(t)
＝0表示路侧单元服务器不缓存车辆用户请求的内容； 为MEC服务器上车辆用户任务区
的平均队列长度； 为MEC服务器上动态缓存的平均队列长度；K为系统总用户数；Ak为第k
个任务的请求到达率；W为MEC服务器的最大缓存存储；F为路侧单元端的总计算资源；Pk,d为
面向车辆用户k的基站发射功率； 为路侧单元端的最大发射功率。
[0027] 进一步的，下行链路中第k个用户的可用下行速率Rk,d(t)为：
[0028]
[0029] 其中，Hk(t)为车载设备与路侧单元之间的信道增益，Pk,d(t)为时隙t内基站发射功率，B为频谱带宽，N0为高斯白噪声功率谱密度。
[0030] 进一步的，移动数据片段被请求的概率Pj表示为：
[0031]
[0032] 其中，Nf为缓存文件片段总数；φ为Zipf分布指数。
[0033] 进一步的，利用李雅普诺夫优化理论，提出求解该问题的动态规划问题表示为：
[0034]
[0035] s.t.C1:
[0036] C2:
[0037] C3:
[0038] C4:
[0039] C5:
[0040] C6:P1,d≤P2,d≤…≤PK,d
[0041] 其中，Ck(t)为t时隙完成计算任务所需的CPU周期数；Qk(t)为t时隙MEC服务器上车辆用户任务区队列长度；V是非负控制参数用来权衡时延和能耗；Zk(t)为t时隙路侧单元服
务器上针对车辆k的缓存队列
[0042] 进一步的，t+1时隙路侧单元服务器上针对车辆k的缓存队列Zk(t+1)为：
[0043] Zk(t+1)＝max{Zk(t)‑Rk,dPjyk(t),0}+Ak(t)yk(t)；
[0044] 其中，Ak(t)表示t时隙请求到达率。
[0045] 进一步的，计算卸载子问题表示为：
[0046]
[0047] s.t.C1:
[0048] C2:
[0049] 内容缓存子问题表示为：
[0050]
[0051] s.t.C1:
[0052] C2:
[0053] C3:
[0054] C4:P1,d≤P2,d≤…≤PK,d
[0055] 其中，Rk,u(t)为t时隙上行链路中第k个用户的传输速率。
[0056] 进一步的，t时隙上行链路中第k个用户的传输速率Rk,u(t)表示为：
[0057]
[0058] 其中，Hk(t)为车载设备与路侧单元之间的信道增益表，B为频谱带宽，N0为高斯白噪声功率谱密度。
[0059] 进一步的，在NOMA协助的车辆边缘计算系统中，车载设备与路侧单元之间的信道增益表示为：
[0060] Hk(t)＝(Jk(t))αβ2；
[0061]
[0062] 其中，Hk(t)为车载设备与路侧单元之间的信道增益；Jk(t)为初始距离为ak的车辆用户k沿公路以速度vk单向移动时，t时刻车辆用户与路侧单元服务器的距离，s为基站与高
速公路的距离，e为基站天线高度；α为路径损失系数；β为信道衰落系数。
[0063] 本发明采用NOMA技术对多车辆网络进行资源优化，相较于OMA系统提升了能量消耗以及时延方面的性能表现；本发明采用联合优化计算卸载策略、计算资源分配、内容缓存
策略和缓存资源分配，使得链路的平均能量消耗最小化，并提出了基于李雅普诺夫优化理
论的算法，简化了算法的处理分析。
附图说明
[0064] 图1为本发明所使用的基于NOMA的车辆边缘计算网络的系统模型图；
[0065] 图2本发明所提联合优化计算卸载策略、计算资源分配、内容缓存策略和缓存资源分配的流程图；
[0066] 图3本发明所提基于李雅普诺夫优化理论的随机优化问题转换动态规划问题的算法框图；
[0067] 图4本发明所提解耦子问题进行求解的算法框图。
具体实施方式
[0068] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0069] 本发明提出一种基于非正交多址的车联网络中资源优化方法，该方法基于NOMA的动态网络中，在NOMA协助的车辆边缘计算系统中对车辆任务处理时，以车辆边缘计算系统
的总能耗最小化为原则，确定系统的卸载和缓存决策、计算和缓存资源的分配，以此完成车
辆边缘计算系统中的资源优化问题，如图2，所述车辆边缘计算系统的总能耗最小化过程包
括：
[0070] 考虑车辆用户的随机流量到达和队列稳定性，通过联合优化计算卸载决策和内容缓存决策，以及计算和缓存资源的分配，定义为一个随机优化问题；
[0071] 利用李雅普诺夫优化理论，提出求解该问题的动态规划问题；
[0072] 联合计算卸载、内容缓存和资源分配算法，将动态规划问题解耦为计算卸载子问题和内容缓存子问题；
[0073] 解出计算卸载子问题，得出卸载决策和计算资源分配最优解；解出内容缓存子问题，得出缓存决策和缓存资源分配最优解。
[0074] 如图1所示，本实施例考虑一个MEC服务器和K个车辆用户的基于NOMA的车辆边缘计算网络下任务卸载和缓存场景；每个基站上都部署了MEC服务器，并且基站通过有线回程
连接到核心网络；每个车辆用户都有一个需要处理的计算密集型应用程序，同时它也可以
向核心网络中的内容服务器请求内容；假设该系统具有固定时隙t∈{0,1,2,...}，大小为τ
＝10ms。假设车辆以20m/s平均速度移动，基站的平均覆盖区域为320m，在一个时隙内，由于
车辆的移动距离为0.2m，可将这个时隙内网络假设为准静态的，其中车辆和无线信道在这
个时隙中保持不变；车辆用户与MEC服务器的通信信道为频率平坦的快衰落瑞利信道，xk
(t)为车辆用户卸载决策，yk(t)为车辆用户缓存决策；在MEC服务器的队列稳定性条件下，
以MEC服务器端消耗的平均能量最小为目标，考虑卸载和缓存决策以及计算和缓存资源分
配。
[0075] 在本实施例中，基于李雅普诺夫优化理论的系统总能耗最小的随机优化问题，并将该随机优化问题的求解分解成四个阶段，包括：
[0076] 在第一阶段，利用李雅普诺夫优化理论对由MEC服务器的卸载能量和缓存能量构成的总能耗问题P1进行处理；构建问题P1的李雅普诺夫函数，得到对应的李雅普诺夫漂移
函数；基于李雅普诺夫优化理论，将问题P1中的 最小化，构建惩罚漂移函数，并得到边界；
通过最小化该边界，可以得到卸载、缓存决策以及计算、缓存资源分配；即将随机优化问题
P1转化为动态规划问题P2。
[0077] 在第二阶段中，由于P2问题是一个混合整数非线性规划问题，存在NP‑hard特性，不易求解，故考虑将其解耦为独立的两个子问题；在问题P2中涉及两组变量：(1)与计算卸
载有关的变量；(2)与内容缓存有关的变量，两组变量在目标函数和约束，因此P2可以解耦
为计算卸载和内容缓存两个独立的子问题。
[0078] 第三阶段，计算卸载子问题包括卸载决策和计算资源分配问题；首先考虑卸载决策，假定计算资源分配已知，卸载决策问题可转化为整数规划问题，由于各移动车辆的卸载
决策变量具有相对独立性，因此解耦得到各移动车辆的卸载决策xk(t)；得到卸载决策后，
计算卸载子问题可简化为确定进行计算卸载的移动车辆用户优化其计算资源分配的问题，
该资源分配子问题是一个凸优化问题，采用内点法可以求出MEC端分配的最优CPU周期频率
[0079] 第四阶段，内容缓存子问题包括缓存决策和缓存资源分配问题；类似计算卸载子问题的求解过程，首先得出缓存决策yk(t)，再对缓存资源分配问题进行求解，得到最优基
站发射功率Pk,d(t)。
[0080] 车载设备与RSU之间的路径损耗建模为(Jk(t))α，其中Jk(t)为t时刻MEC服务器与车辆用户之间的距离，距离随时间t变化，表示为：
[0081]
[0082] 其中s为基站与高速公路之间的距离，e为基站天线高度，ak为车辆用户k沿公路以速度vk单向移动的初始值；信道增益Hk(t)是距离变化的函数，表示为：
[0083] Hk(t)＝(Jk(t))αβ2
[0084] 其中α为路径损失系数，β为信道衰落系数；
[0085] 计算卸载阶段在上行链路中第k个用户的传输速率；在卸载阶段所有车辆用户依靠上行NOMA方案将任务传输到MEC服务器，按照用户信道功率增益大小排序为H1(t)≤H2(t)
≤…≤HK(t)，基站根据连续干扰抵消(SIC)技术从用户中解码计算任务，采用固定的译码
顺序来处理和减少信令开销，假设上行解码顺序总是从信道增益较好的用户到信道增益较
差的用户，因此在上行链路中第k个用户的传输速率为：
[0086]
[0087] 其中B为频谱带宽，Pk,u为在时隙t内车辆k的发射功率，N0为高斯白噪声功率谱密度；
[0088] 计算缓存阶段在下行链路中第k个用户的传输速率；在缓存阶段基站利用下行NOMA信道将数据包传送给请求车辆用户，下行信道增益与上行信道增益相同，译码顺序服
从信道增益的递增顺序，因此在下行链路中第k个用户的可用下行速率为：
[0089]
[0090] 其中Pk,d为在时隙t内基站的发射功率；
[0091] 构建卸载模型，计算MEC服务器因卸载产生的能量消耗；利用Ak(t)＝{Dk(t),Ck(t)}对车辆用户随机产生的各种应用进行描述，Dk(t)表示输入数据比特大小，Ck(t)表示完
成计算任务所需的CPU周期数；
[0092] 假设MEC服务器具有足够大的容量，并为每个移动车辆设置一个任务缓冲区以存储已卸载到MEC但尚未执行的任务；t时刻，MEC服务器上每个车辆用户任务区的队列长度为
Q(t)＝{Q1(t),…,QK(t)}，队列长度的更新公式为：
[0093]
[0094] 其中fm,k是MEC服务器分配给移动车辆的CPU周期数，相应的MEC服务器因卸载产生的能量消耗为：
[0095] EO,k＝κ(fm,k(t))3xk(t)
[0096] 其中κ为MEC服务器上的有效切换电容；
[0097] 构建缓存模型，计算MEC服务器因卸载产生的能量消耗；用一组相同大小的文件片段 表示所请求的移动数据，其中Nf表示片段总数并且所有文件片段都有
不同的请求概率。利用广泛使用的Zipf分布模型计算片段的流行度，片段Fj被请求的概率
为
[0098]
[0099] 其中φ为值为0.56的Zipf分布指数；
[0100] 假设MEC服务器上针对每个车辆都有一个缓存队列，表示为Zk(t)，请求到达率为Ak(t)，即动态缓存队列长度的更新公式为：
[0101] Zk(t+1)＝max{Zk(t)‑Rk,dPjyk(t),0}+Ak(t)yk(t)
[0102] 采用线性能量消耗模型对MEC服务器在缓存时消耗的传输能量进行表示，其中‑8
是基站传输的能量消耗速率，值为0.5*10 J/bit，因此MEC服务器缓存所耗费的能量为：
[0103]
[0104] 根据构建的卸载模型和缓存模型计算得到的MEC服务器端的能耗，可以对系统总能耗进行表示；建立的目标规划问题包括：以在MEC服务器端的队列稳定性条件下MEC服务
器端消耗的平均能量最小为目标，获得最优卸载决策、缓存决策、计算资源和缓存资源分
配；规划问题的函数表达式为：
[0105] P1:
[0106] s.t.C1:
[0107] C2:
[0108] C3:
[0109] C4:
[0110] C5:
[0111] C6:
[0112] C7:P1,d≤P2,d≤…≤PK,d
[0113] 其中C1确保系统是稳定的；C2和C3是计算卸载和内容缓存策略的变量约束；C4表示MEC处缓存的数据量不能超过其存储容量；C5和C6分别为MEC端整个计算资源和缓存资源
约束；C7用于保证基站的SIC效率；F和Pmax为MEC端总计算资源以及最大发射功率，W为MEC缓
存最大存储容量；
[0114] 由于V2I通信的动态和随机特性，上述问题是基于V2I的计算卸载和缓存的随机优化模型；因此，利用李雅普诺夫优化算法将随机优化问题转化为动态规划问题，再通过解耦
来进行求解。
[0115] 如图2所示，随机优化问题的转化过程包括：
[0116] 利用李雅普诺夫优化理论解决优化问题，定义Θ(t)＝{Q(t),Z(t)}，对于问题P1，李雅普诺夫函数为：
[0117]
[0118] 令 则李雅普诺夫漂移函数为：
[0119] 基于李雅普诺夫优化理论，将问题P1中的最小化，构建惩罚漂移函数，其边界为：
[0120]
[0121] 其中V是非负控制参数用来权衡时延和能耗，Ck(t)为t时隙完成计算任务所需的CPU周期数；
[0122] 基于随机优化理论，通过最小化上述公式中漂移加惩罚函数上界，可以得到卸载、缓存决策以及计算、缓存资源分配；将时间相关问题P1转化为确定性问题P2，问题P2为：
[0123] P2:
[0124] s.t.C1:
[0125] C2:
[0126] C3:
[0127] C4:
[0128] C5:
[0129] C6:P1,d≤P2,d≤…≤PK,d
[0130] 由于问题P2是一个混合整数非线性规划问题，存在NP‑hard特性，不易求解，故将其通过解耦为两个子问题进行解决。
[0131] 如图3所示，问题P2的解耦及解答过程包括：
[0132] 问题P2解耦的可行性讨论；在问题P2中，涉及两组变量：(1)计算卸载部分中涉及的变量，包括xk(t)和fm,k(t)；(2)与内容缓存有关的变量，包括yk(t)和Pk,d(t)；两组的变量
在目标函数和约束，因此P2可以解耦为计算卸载和内容缓存两个独立的子问题，具体地，在
每个时隙中，根据当前在队列Θ(t)的状态，执行算法；
[0133] 问题P2的计算卸载子问题，包括卸载决策和计算资源分配问题，如下所示：
[0134] P3:
[0135] s.t.C1:
[0136] C2:
[0137] 解耦子问题进行求解的算法框图如图4，在已知fm,k(t)的大小情况下，假设令计算卸载子问题P3转为如下的整数规划问题：
[0138] P4:
[0139] s.t.C1:
[0140] 由于各移动车辆的卸载决策变量xk(t)是互相不影响的，因此可以解耦得到各移动车辆的卸载决策xk(t)，表示为：
[0141]
[0142] 计算资源分配问题；得到卸载决策后，P3可简化为确定进行计算卸载的移动车辆用户优化其计算资源分配的问题；当xk(t)＝1时，将用户集合表示为K1，并减少目标函数中
的常数项，计算资源分配子问题如下：
[0143] P5:
[0144] s.t.C1:
[0145] 由于问题P5的目标函数是凸的，以及限制条件是线性的，所以这是一个凸优化问题，采用内点法可以求出MEC端分配的最优CPU周期频率为：
[0146]
[0147] 内容缓存问题；问题P2的内容缓存子问题，包括缓存决策和缓存资源分配问题，如下所示：
[0148] P6:
[0149] s.t.C1:
[0150] C2:
[0151] C3:
[0152] C4:P1,d≤P2,d≤…≤PK,d
[0153] 缓存决策问题；类似于问题P3的求解过程，得出缓存决策；令根据下式解出yk(t)
[0154]
[0155] 缓存资源分配问题；令K2表示缓存决策为1的车辆用户集合，则缓存资源分配问题为：
[0156] P7:
[0157] C1:
[0158] C2:P1,d≤P2,d≤…≤PK,d
[0159] 假设 缓存资源分配P(t)由如下可得：
[0160]
[0161] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换
和变型，本发明的范围由所附权利要求及其等同物限定。
