基于区块链的网联车辆边缘计算与视频分析资源分配方法
阅读说明：本技术 基于区块链的网联车辆边缘计算与视频分析资源分配方法 (Block chain-based networked vehicle edge calculation and video analysis resource allocation method ) 是由 黄君泽 蒋先涛 李威 于 2021-09-16 设计创作，主要内容包括：本发明涉及一种基于区块链的网联车辆边缘计算与视频分析资源分配方法,包括以下步骤：车辆节点将视频分析任务压缩成视频块并传输到路边单元节点；为自动驾驶汽车互联网的区块链结构设置智能合约；将视频块的视频卸载和资源分配问题建模为马尔可夫决策过程；采用异步优势参与者评判算法计算马尔可夫决策过程。上述基于区块链的网联车辆边缘计算与视频分析资源分配方法,解决了海量视频数据传输和计算密集型视频分析给车载网络带来了巨大的负担,同时,数据共享在自动驾驶汽车互联网中缺乏安全性和可扩展性的问题得到解决,优化区了块链系统的交易吞吐量并减少多访问边缘计算系统的延迟。(The invention relates to a block chain-based networked vehicle edge calculation and video analysis resource allocation method, which comprises the following steps of: the vehicle node compresses the video analysis task into a video block and transmits the video block to the roadside unit node; setting an intelligent contract for a block link structure of the internet of the automatic driving automobile; modeling video unloading and resource allocation problems of the video blocks into a Markov decision process; and calculating a Markov decision process by adopting an asynchronous dominant participant evaluation algorithm. The block chain-based networked vehicle edge computing and video analysis resource allocation method solves the problem that massive video data transmission and computation-intensive video analysis bring huge burden to a vehicle-mounted network, meanwhile, the problem that data sharing lacks safety and expandability in the internet of an automatic driving vehicle is solved, the transaction throughput of a block chain system is optimized, and the delay of a multi-access edge computing system is reduced.)
技术领域
本发明涉及网联自动驾驶车资源分配技术领域，特别是涉及一种基于区块链的网联车辆边缘计算与视频分析资源分配方法。
背景技术
车联网(Internet of Vehicles，IoV)是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与其他设备之间的网络连接，提升车辆整体的智能驾驶水平，为用户提供安全、舒适、智能、高效的驾驶感受与交通服务，同时提高交通运行效率，提升社会交通服务的智能化水平。车联网是传统虚拟专有网络VANET(Vehicular ad-hoc network，车载随意移动网络)的演变，它支持不同的通信模式，包括车对车、车对路、车对人和车对传感器等。车联网有望发展成为自动驾驶汽车互联网(Internet of Autonomou Vehicles，IoAV)，其赋能技术包括智能传感、云计算、车载大数据、安全技术和车辆通信。
传统自动驾驶车辆互联网的特点是动态网络拓扑，有效网络直径较小，信道随时间变化快且网络断开频繁，网络稳定性较差。随着智能交通系统(Intelligent TrafficSystem，ITS)的发展，视频监控技术已广泛应用于智能交通系统中，以便于检测和跟踪经过控制区域的车辆，监控紧急事件，包括交通拥堵，超速驾驶，非法驾驶行为。因此，需要捕获大量的视频流以提高交通安全性和效率。视频分析是提高自动驾驶汽车互联网安全性与效率的一项潜在技术。但是，海量视频数据传输和计算密集型视频分析给车载网络带来了巨大的负担。由于不稳定的网络连接，视频数据并不总是可靠的，这使得数据共享在自动驾驶汽车互联网中缺乏安全性和可扩展性。
同时，就服务质量(Quality of Service，QoS)和体验质量(Quality ofExperience，QoE)而言，传统的虚拟专有网络VANET难以满足视频传输的需要。这给自动驾驶汽车互联网场景中的数据存储和共享带来了挑战，包括低数据安全性和高存储成本。
因此，在具有MEC(Multi access Edge Computing，多路访问边缘计算)系统的启用区块链的IoAV中，必须动态地编排网络，缓存和计算资源，以改善IoAV环境中视频应用程序的性能。因此，传统的资源分配优化方法是通过数学编程，其中评估标准的主要目标是优化能源效率，吞吐量，效用和QoS/QoE。但是，在许多新兴的视频应用程序中，传统方法很难平衡和建模各种服务需求。
发明内容
基于此，有必要针对以上技术问题，提供一种可优化吞吐量、可扩展性与安全性的基于区块链的网联车辆边缘计算与视频分析资源分配方法。
一种基于区块链的网联车辆边缘计算与视频分析资源分配方法，包括以下步骤：
车辆节点将视频分析任务压缩成视频块并传输到路边单元节点；
为自动驾驶汽车互联网的区块链结构设置智能合约；
将所述视频块的视频卸载和资源分配问题建模为马尔可夫决策过程；
采用异步优势参与者评判算法计算所述马尔可夫决策过程。
进一步的，所述车辆节点将视频分析任务压缩成视频块并传输至路边单元节点的步骤包括以下步骤：
配置搭载摄像头的车辆节点与搭载多访问边缘计算的路边单元节点；
车辆节点调用所述视频分析任务并将所述视频分析任务压缩成视频块，且将所述视频块通过车辆网络传输至所述路边单元节点。
进一步的，所述将所述视频块的视频卸载和资源分配问题建模为马尔可夫决策过程的步骤包括以下步骤：
将决策时期的状态空间定义为多访问边缘计算的计算能力与平均交易规模；
采用卸载决策、功率分配、块大小与块间隔表示所述决策时期的动作空间；
基于深度强化学习，对视频卸载和资源分配问题进行联合优化，将联合优化问题表述为目标函数。
进一步的，所述采用异步优势参与者评判算法计算所述马尔可夫决策过程的步骤包括以下步骤：
异步优势行为者评判算法以异步的方式训练数据；
返回最大奖励函数解决位置环境下的顺序决策问题；
处理自动驾驶汽车互联网场景中视频决策的策略模型。
上述基于区块链的网联车辆边缘计算与视频分析资源分配方法，利用多访问边缘计算和区块链技术集成到自动驾驶汽车互联网中，以优化区块链系统的交易吞吐量并减少多访问边缘计算系统的延迟，从而解决了海量视频数据传输和计算密集型视频分析给车载网络带来了巨大的负担，同时，数据共享在自动驾驶汽车互联网中缺乏安全性和可扩展性的问题得到解决。另外，将传统的中央授权方式过程转化为区块链一种去中心化的数据管理技术。采用具有MEC场景的基于区块链的自动驾驶汽车互联网提供了一种新颖的视频分析框架，其中提出了视频卸载和资源分配问题，以优化区块链系统的交易吞吐量并减少多访问边缘计算系统的延迟。
附图说明
图1为一个实施例的基于区块链的网联车辆边缘计算与视频分析资源分配方法流程图；
图2为具有区块链的支持MEC的架构自动驾驶汽车的互联网图；
图3为集成区块链技术的智能合约图
图4为基线方法的收敛性能状态图；
图5为MEC的平均吞吐量与计算能力状态图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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。
如图1所示，在一个实施例中，一种基于区块链的网联车辆边缘计算与视频分析资源分配方法，包括以下步骤：
步骤S110，车辆节点将视频分析任务压缩成视频块并传输到路边单元节点。首先，需要构建其基于区块链的车辆视频分析框架，参见图2所示，具体的，配置搭载摄像头的车辆节点与搭载多访问边缘计算(Multi access Edge Computing，MEC)的路边单元节点；车辆节点调用视频分析任务并将视频分析任务压缩成视频块，且将视频块通过车辆网络传输至路边单元节点(Road Side Unit，RSU)。
步骤S120，为自动驾驶汽车互联网的区块链结构设置智能合约。参见图3所示，同时，为智能合约提供交易数据包括数据存储记录和数据共享记录。
步骤S130，将视频块的视频卸载和资源分配问题建模为马尔可夫决策过程。基于深度强化算法(DRL)中的强化学习(RA)问题可以表述为马尔可夫决策过程(MDP)。马尔可夫决策过程(MDP)由元组(S(t),A(t),P(t),R(t))定义，其中S(t)是系统的状态集，A(t)是系统的动作空间，P(t)是状态转移概率，而R(t)是奖励函数。学习的目标是找到使预期奖励最大化的最佳策略。具体的，首先，将决策时期t(t＝1,2,...)的状态空间定义为无线信道条件G＝{gm}的并集，即多访问边缘计算的计算能力f＝{fm}，与平均交易规模ST，表示为：S(t)＝[G,f,ST](t)。其次，采用卸载决策a、功率分配p、块大小SB与块间隔TI表示决策时期t的动作空间。动作空间包括卸载决策a、功率分配p、块大小SB与块间隔TI，因此，决策时期t的动作空间表示为：A(t)＝[a,p,SB,TI](t)。最后，基于深度强化学习，对视频卸载和资源分配问题进行联合优化，将联合优化问题表述为目标函数。视频分析任务的资源分配问题的特征在于数据大小，CPU周期和延迟,将联合优化问题表述为：
满足条件：
其中，ω1表示将目标函数组合为一个加权因子的权重因子，而ω2是确保目标函数处于同一水平的映射因子，Emax和F是MEC服务器的最大能耗和总计算能力的总和，φ表示事务吞吐量，Dm表示传输延迟和计算延迟的和，Pm表示发射功率，TDTF表示块生成、传播和验证的时间，表示视频块的大小。
因此，奖励函数可以表示为：
步骤S140，采用A3C算法计算马尔可夫决策过程。具体的，异步优势行为者评判算法以异步的方式训练数据；返回最大奖励函数解决位置环境下的顺序决策问题；处理自动驾驶汽车互联网场景中视频决策的策略模型。A3C神经网络结构，由策略函数π(A(t),S(t)；θ)和值函数V(S(t)；θv)构成，其中θ和θv是权重参数。每个tmax(最大迭代次数)动作后都会更新策略函数和值函数。折现收益率r(t)来说明，A3C的视频分流和资源分配算法如表1所示。
表1
行为奖惩罚的代理定义为：
参数γ(0＜γ＜1)是A3C算法的折现因子，在这项工作中，折现系数的值设置为0.99。策略π下的状态S(t)的值定义为：
优势函数如下：Ω(S(t)；A(t))＝Q(S(t),F(t))-V(S(t)；θv)。
A3C中无法直接确定Q(S(t))的值，因此折现收益率r(t)可以作为Q(S(t))的估计值来生成优势的估计值。参照表1。
如下：Ω(S(t)；F(t))＝r(t)-V(S(t)；θv)。
对于熵，策略(执行者)的损失函数由下式表示：
Lπ(θ,θv)＝logπ(A(t)∣S(t)；θ)(r(t)-V(S(t)；θv))+μH(π(A(t)∣S(t)；θ))，
其中，熵H(π(A(t)∣S(t)；θ))被用作一种工具，以促使代理人避开不确定性较低的政策。参数μ(μ＞0)是一个熵系数，可以用来确定熵和奖励的相对重要性，它是一个超参数，可以通过使用随机搜索进行优化。因此，执行者向目标更新为:
值函数(临界)遵循一个独立函数，该函数基于优势函数的L2损失，根据:
Lv(θv)＝(r(t)-V(S(t)；θv))2，
因此，评论者朝着目标更新:
最后，在A3C算法中使用了标准的非中心RMSProp更新，由:
h＝βh+(1-β)Δθ2和
其中，参数β(0＜β＜1)是RMSprop优化算法的动量，它可以帮助我们减少振荡，从而沿x轴向局部极小值更快地移动。
如果动量太大，我们可以在局部最小值之间来回摆动。通常，动量的值由β表示，通常设置为0.9。参数η是学习率，ε是一个小的正数。
图4显示了与基线方法相比，该方法的收敛性能更优。仿真结果表明，A3C和传统强化学习算法相比，A3C有更好的收敛性能。在学习过程开始时，A3C的总奖励是缓慢的，并且总奖励随着时间迭代的增长而增加。我们可以观察到传统强化学习算法的曲线可以在大约600个纪元后达到稳定。与传统强化学习方法相比，所提出的方法可以获得更高的总回报。
图5示出了平均交易吞吐量与多路访问边缘计算的计算能力(fm)之间的关系。我们可以看到，当所有方法的多路访问边缘计算的计算能力都提高时，平均吞吐量会下降。此外，所提出的方法可以在相同的多路访问边缘计算计算能力下实现更高的平均吞吐量，而现有的方法则实现了最低的平均吞吐量。其背后的原因是，当分配给多路访问边缘计算系统的更多计算资源来处理视频分流任务时，区块链系统可用的计算资源就会减少。
与传统的优化方法相比，基于深度强化学习(DRL)中的A3C的方法可以在复杂的网络中降低复杂度来优化资源。通过视频分析应用程序的多访问边缘计算系统提高吞吐量以及减少启用了区块链的自动驾驶汽车互联网的延迟。
本发明通过一种新的视频分析框架，用于带有多访问边缘计算系统的支持区块链的自动驾驶汽车互联网，其中采用了智能合约来实现安全的数据存储和共享。此外，视频卸载和资源分配问题被表述为马尔可夫决策过程，以优化事务处理吞吐量并减少多访问边缘计算系统的延迟。在这种情况下，奖励定义为加权的事务吞吐量和等待时间之和。然后，提出了基于A3C的深度强化学习方法来解决此问题。此外，所提出的算法基于具有低复杂度的分布式计算。最后，在模拟下评估了所提出的方法。与基线算法相比，结果证明了在收敛性能和吞吐量方面更好的性能。
本发明利用多访问边缘计算和区块链技术集成到自动驾驶汽车互联网中，以优化区块链系统的交易吞吐量并减少多访问边缘计算系统的延迟。从而解决了海量视频数据传输和计算密集型视频分析给车载网络带来了巨大的负担，同时，数据共享在自动驾驶汽车互联网中缺乏安全性和可扩展性的问题得到解决。另外，将传统的中央授权方式过程转化为区块链一种去中心化的数据管理技术。采用具有MEC场景的基于区块链的自动驾驶汽车互联网提供了一种新颖的视频分析框架，其中提出了视频卸载和资源分配问题，以优化区块链系统的交易吞吐量并减少多访问边缘计算系统的延迟。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。