(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110950096.8 (22)申请日 2021.08.18 (65)同一申请的已公布的文献号 申请公布号 CN 113868808 A (43)申请公布日 2021.12.31 (73)专利权人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 刘雅琼　宋云龙　寿国础　胡怡红　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 专利代理师 项京　孙翠贤 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/02(2020.01) G06F 111/04(2020.01)(56)对比文件 CN 112714178 A,2021.04.27 CN 101127727 A,20 08.02.20 US 2020364508 A1,2020.1 1.19 许可.基于移动边 缘计算的车联网资源分配 方案研究. 《中国优秀硕士学位 论文全文数据库 工程科技 Ⅱ辑》 .2021,(第02期),C 034-841. Yunlong Song;Yaqiong Liu.Latency Optimizati on for Mobi le Edge Computi ng Based Proximity Detecti on in Road Networks. 《2020 IE EE/CIC Internati onal Conference o n Communications in China (ICCC Workshops)》 .2020,145 -150. Aidin Ferdowsi.Deep Learn ing for Reliable Mobi le Edge Analytics i n Intelligent Transportati on System s: An Overview. 《 IE EE Vehicular Tec hnology Magazine》 .2019,第14卷(第1期),62 - 70. 吴琪等.边 缘学习:关键技 术、 应用与挑战. 《无线电通信技 术》 .2019,(第01期), 审查员 洪必文 (54)发明名称 一种道路网络临近检测时延优化方法、 装置 和系统 (57)摘要 本发明实施例提供了一种道路网络临近检 测时延优化方法、 装置和系统， 上述方法包括： 获 取道路网络临近检测系统中各个移动用户的用 户信息以及与用户设备相距最近的目标边缘服 务器的服务器计算资源信息； 基于用户信息和服 务器计算资源信息生成临近检测任务； 基于自身 的运动状态信息、 计算资源信息以及服务器计算 资源信息， 确定用户设备对应的运动状态向量； 确定用户设备对应的任务状态向量； 将运动状态 向量和任务状态向量输入预先训练的任务分配 模型， 确定任务分配占比向量； 其中， 任务 分配占 比向量用于标识所述用户设备向所述目标边缘服务器卸载的临近检测任务中各个子任务的占 比。 采用上述方法， 使得计算耗时更少， 时延更 低。 权利要求书4页 说明书22页 附图11页 CN 113868808 B 2022.06.03 CN 113868808 B 1.一种道路网络临近检测时延优化方法， 其特征在于， 应用于道路网络临近检测系统 中的移动用户的用户设备， 所述道路网络临近检测系统还包括至少一个边缘服务器； 所述 方法包括： 获取所述道路网络临近检测系统中各个移动用户的用户信息以及与所述用户设备相 距最近的目标边缘服务器的服务器计算资源信息， 其中， 所述用户信息包括运动状态信息 和计算资源信息； 基于所述用户信 息和所述服务器计算资源信 息， 生成临近检测任务， 其中， 所述临近检 测任务包括多个子任务； 基于所述用户设备自身的运动状态信息、 计算资源信息以及所述服务器计算资源信 息， 确定所述用户设备对应的运动状态向量； 基于所述临近检测任务和预设的任务比例约束函数， 确定所述用户设备对应的任务状 态向量； 将所述运动状态向量和所述任务状态向量输入预先训练 的任务分配模型， 分别对所述 运动状态向量和所述任务状态向量进 行特征提取， 并基于提取的特征输出任务分配占比向 量； 其中， 所述任务分配占比向量用于标识所述用户设备向所述 目标边缘服务器卸载的所 述临近检测任务中各个子任务的占比， 基于所述任务分配占比向量完成所述临近检测任务 的计算所对应的时延满足预设的时延约束 条件； 所述任务分配模型为基于训练样本及预设 的时延约束条件训练得到的。 2.根据权利要求1所述的方法， 其特征在于， 所述任务分配模型包括： 第 一特征提取层、 第二特征提取层、 特 征拼接层和输出层； 所述将所述运动状态向量和所述任务状态向量输入预先训练的任务分配模型， 分别对 所述运动状态向量和所述任务状态向量进 行特征提取， 并基于提取的特征输出任务分配占 比向量， 包括： 所述第一特 征提取层， 对输入的所述 运动状态向量进行 特征提取， 得到运动状态特 征； 所述第二特 征提取层， 对输入的所述任务状态向量进行 特征提取， 得到任务状态特 征； 所述特征拼接层， 对所述 运动状态特 征和所述任务状态特 征进行拼接， 得到拼接特 征； 所述输出层， 对所述 拼接特征进行特征映射处 理后输出任务分配占比向量。 3.根据权利要求1所述的方法， 其特征在于， 所述道路网络临近检测系统还包括中心服 务器； 在所述基于提取的特 征输出任务分配占比向量之后， 还 包括： 在所述目标边缘服务器根据所述任务分配占比向量所标识的被卸载于自身的各个子 任务的占比， 计算所卸 载的临近检测任务得到第一执行结果的同时， 所述用户设备根据所 述任务分配占比向量所标识的该用户设备应计算的各个子任务的占比， 执行所述各个子任 务， 得到第二执 行结果； 若所述用户设备在所述目标边缘服务器的覆盖范围内， 则 接收所述目标边缘服务器发 送的所述第一执 行结果； 若所述用户设备不在所述目标边缘服务器的覆盖范围内， 接收当前与 所述用户设备相 距最近的边缘服务器发送的所述第一执行结果； 其中， 所述第一执行结果为所述中心服务 器在接收到所述目标边缘服务器发送的所述第一执行结果后转发至当前与所述用户设备权　利　要　求　书 1/4 页 2 CN 113868808 B 2相距最近的边 缘服务器的。 4.根据权利要求1所述的方法， 其特征在于， 所述基于所述用户设备自身的运动状态信 息、 计算资源信息以及所述服务器计算资源信息， 确定所述用户设备对应的运动状态向量， 包括： 基于所述用户设备自身的运动状态信息、 计算资源信息以及所述服务器计算资源信 息， 采用如下公式确定所述用户设备对应的运动状态向量： 其中， 为所述用户设备对应的运动状态向量； 为所述用户设备在t时刻的计算速 率， 为所述用户设备在t时刻的可用内存值； 为所述用户设备在t时刻的速度x分量， 为所述用户设备在t时刻的速度y分量； 为所述用户设备在t时刻的位置的横坐标， 为所述用户设备在t时刻的位置的纵坐标； 为所述目标边缘服务器在t时刻的计算速 率， 为所述目标边 缘服务器在t 时刻的可用内存。 5.根据权利要求1所述的方法， 其特征在于， 所述基于所述临近检测任务和预设的任务 比例约束函数， 确定所述用户设备对应的任务状态向量， 包括： 基于所述临近检测任务和预设的任务比例约束函数， 采用如下公式确定所述用户设备 对应的任务状态向量： 其中， 为所述用户设备对应的任务状态向量； NThm为所述目标边缘服务器的最大线程数 量； 所述用户设备在t时刻生成的临近检 测任务为 分 别为所 述 用 户设 备 在t时 刻生成的 临 近检 测任务所 包括的 NT h m子 任务 ； 为预设的任务比例约束函数， 为使用预先定义函数f(x)＝min{1， max{0， x }}对t时刻的所述用户设备对应的任务分配占 比向量进行约束后 对应的约束结果， at为t时刻的所述用户设备对应的任务分配占比向量， ∈t为探索因子， ∈t值满 足标准正态分布， 为t时刻的所述用户设备对应的任务分配占比向量的 各个分量， 为t时刻的所述用户设备对应的任务分配占比向量的第i个分量。 6.根据权利要求1所述的方法， 其特征在于， 采用 如下公式确定， 所述基于任务分配占 比向量完成所述临近检测任务的计算所对应的时延： T＝max{tm1+tm2， tlocal}权　利　要　求　书 2/4 页 3 CN 113868808 B 3