本发明属于车联网，涉及一种车联网中数字孪生体的构建和资源分配方法。
背景技术：
1、车联网(iovs)和数字孪生(dt)是智能交通系统的关键技术，其中iovs利用互联网和通信技术将车辆、道路和基础设施连接起来，实现信息的共享和交换，从而提升交通系统的效率和安全性，数字孪生被视为一项具有前景的技术，可以支持车辆用户的各种新型车载应用，例如自动驾驶、视频流、路径规划和计算卸载。通过在车联网中创建物理实体(车辆和rsu)的数字孪生，每个实体在物理世界中的行为都会被映射到虚拟网络(即dt网络)中，并且不断更新从传感器收集的实时数据。有了数字孪生，物理实体可以在全局范围内进行协调，数字孪生可以通过预测、估计和分析为实体提供准确的反馈，从而提高车辆应用的服务质量(qos)。
2、对于理想的数字孪生来说，物理实体和数字孪生应该是完美匹配的。实体在物理世界和数字空间中的运动或其他行为是同步的，因此它们之间的偏差可以忽略不计或被认为是一个已知的常数，但这依赖于物理世界和数字空间完美同步的假设。在实际的车辆网络中，由于车辆的高机动性，车辆与其数字孪生之间很小的初始位置或速度偏差会累积成很大的预测误差，从而可能导致任务卸载失败。因此，表征偏差对数字孪生性能的影响是至关重要的，特别是在动态车辆网络中。偏差取决于数字孪生数据更新频率的值，因此可通过提高数字孪生数据更新频率来降低偏差，从而提高数字孪生的性能，但是这样会导致物理空间和数字空间之间的数据交换产生很大的通信成本。由此，确定一个合适的数字孪生更新频率至关重要。此外，由于网络的复杂性(流量拥塞、链路带宽限制和网络拓扑)和数据上传的路径的选择，孪生数据同步延迟也会影响数字孪生的构建，进而影响后续的计算卸载结果。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种车联网中数字孪生体的构建和资源分配方法，以构建精确的dt，以便在dt的辅助下，对计算卸载和资源分配进行共同优化，使系统能耗和计算延迟最小化。
2、为达到上述目的，本发明提供如下技术方案：
3、一种车联网中数字孪生体的构建和资源分配方法，该方法针对一个数字孪生辅助的车联网络城市交叉路口场景，该场景包括自动驾驶车辆、路侧单元和基站组成，其中自动驾驶车辆分为任务车辆和辅助车辆两类，并且它们都配备了移动边缘处理器和双功能雷达和通信系统(dfrc)系统。
4、在该车联网场景下，本发明所提出的方法包括：
5、提出一种基于群体学习的精确数字孪生构建方案，利用分布式学习算法预测数据上传频率和路侧单元处的等待时间情况，解决数据偏差和不同步，以得到精确数字孪生体；
6、基于所构建的数字孪生体，通过任务划分协同处理机制将车辆的计算任务部分卸载至路侧单元或资源空闲车辆进行处理；
7、建立联合优化问题，联合优化系统性能、卸载决策以及辅助车辆和路侧单元的计算资源，使数字孪生辅助边缘计算系统服务于车载计算任务处理的总时延和计算能耗加权总和最小；
8、通过数字孪生辅助的多智能体分类的近端优化策略算法来求解所建立的联合优化问题，获得最优卸载决策。
9、进一步的，在车联网场景中，分别构建任务车辆、辅助车辆和路侧单元的数字孪生体。
10、其中任务车辆的数字孪生体表示为：dtk(n)＝{wk(n),ωk(n),fk(n)}，dtk(n)表示任务车辆k的数字孪生体，wk(n)表示任务车辆k的位置信息，ωk(n)表示其任务处理信息，fk(n)表示其计算资源信息，n表示时隙。
11、辅助车辆的数字孪生体表示为：dtj(n)＝{wj(n),αk,j,fj(n)}，dtj(n)表示辅助车辆j的数字孪生体，αk,j表示任务车辆k与辅助车辆j之间的关联因子，fj(n)表示辅助车辆j的计算资源信息，wj(n)表示其位置信息。
12、路侧单元的数字孪生体表示为：dtu(n)＝{wu(n),αk,u,fu(n)}，dtu(n)表示路侧单元u的数字孪生体，αk,u表示任务车辆k与路侧单元u之间的关联因子，fu(n)表示路测单元u的计算资源信息，wu(n)表示其位置信息。
13、进一步的，当车辆向数字孪生体发送数据时，数据将通过rsu转发。如果此时中继节点的流量负荷较大，则数据将在队列中等待较长时间，这无疑会给数据同步增加额外的延迟。换句话说，队列中的延迟将影响数据同步的有效性。在车联网的数据同步过程中，除了考虑中继节点的等待时间外，还需要考虑自适应数据更新频率，它会直接影响模型的映射误差，进而影响后续任务卸载决策。
14、因此，该方法提出一种基于群体学习的精确数字孪生构建方案(sl-adtc)，该方案中，在dt层部署分布式学习算法(swarm learning，sl)，其主要功能是根据收集到的历史数据预测沿路部署的路侧单元的未来等待时间。这样当车辆向dt发送数据块时，它首先从dt层获取不同rsu的预测等待时间；然后车辆选择合适的rsu上传数据。
15、sl-adtc方案包括：
16、s1：数字孪生层收集物理网络层的各种数据，实时映射物理实体的状态和动作；
17、s2：虚拟分布式节点(车辆，rsu)通过区块链智能合约加入sl，进行本地模型训练；
18、s3：虚拟控制中心将初始全局模型参数和局部训练次数分别作为局部模型参数和训练指标分配给每个车辆和rsu；
19、s4：每个车辆和rsu将其局部模型参数设置为全局参数；
20、s5：每个车辆和rsu都配备了传感器每个车辆和rsu都配备了传感器、雷达和其他车载传感设备。在运行过程中，可以采集到大量有价值的数据，如环境数据、车辆运行数据(车辆运行速度、位置、方向)等。
21、s6：车辆和rsu使用局部模型参数和局部数据集，对sl模型进行局部更新；
22、s7：经过多次局部训练后，满足事先定义的各节点同步间隔，sl节点将局部参数上传到的临时中心节点进行模型聚合；
23、s8：sl完成自适应频率调整和拥堵预测模型全局更新的一次迭代，验证参数调整策略的有效性，并将策略发送到各个网络节点，车辆选择最优rsu上传数据，减少数据上传时延。
24、s9：重复以上步骤，实现数字孪生体同步，提升系统整体性能，构建精确数据孪生，为后续车辆任务处理提供有效的保障。
25、进一步的，随着自动驾驶车辆爆炸式增长，一些创新的汽车应用不断涌现，为网络带来了新的功能，这对车辆系统提出了更高的要求，包括任务处理精度、延迟和系统能耗等。为此，基于建立精确的数据孪生体，提出了一种基于dt的任务划分协同处理(dt-tpcp)机制，其中，车辆会将产生的计算密集型任务分解为子任务，其中一部分卸载给rsu和资源空闲的车辆进行处理。同时制定了联合优化问题，考虑任务处理延迟和系统能耗之间的矛盾，为时延和能耗分配了权重系数，使得系统整体性能达到最佳。
26、其中，任务划分协同处理机制包括：任务车辆产生计算任务，通过无线链路向部署在基站的控制中心发送服务请求；控制中心接收到任务请求后，数字孪生层中的决策模型决定关联因子的值以做出卸载决策；所述卸载决策包括本地计算和卸载节点辅助计算；根据卸载决策确定所有任务车辆服务请求的全局系统时延，以及服务请求的全局能耗。
27、进一步的，建立联合优化问题，联合优化系统性能、卸载决策以及辅助车辆和路侧单元的计算资源，使数字孪生辅助边缘计算系统服务于车载计算任务处理的总时延和计算能耗加权总和最小。联合优化问题可表示为：
28、
29、
30、
31、
32、
33、
34、
35、
36、
37、
38、c10 0≤ρ(n)≤1
39、c11||ak,j(n)||≤amax,||vk,j(n)‖≤vmax
40、
41、其中，δ1和δ2表示全局系统时延与全局能耗的加权和参数，表示任务车辆k的本地计算资源大小，fu表示路侧单元u的计算资源大小，fj表示辅助车辆j的计算资源大小，ρ表示任务划分因子，αk,j表示任务车辆k和辅助车辆j之间的关联因子，αk,u表示任务车辆k和路侧单元u之间的关联因子。
42、进一步的，针对所建立的联合优化问题为包含非线性约束条件的np难题，使用传统的优化算法难以求解，通过dt辅助的多智能体分类的近端优化策略(macppo)算法，解决以上优化问题。
43、macppo算法包括：
44、s1：初始化每个actor网络参数，初始化每个critic网络参数，初始化经验池；
45、s2：在每次迭代中，初始化一个随机进程用于动作探索，获取每个智能体的初始观测即环境的初始状态；
46、所述的智能体包括卸载配置智能体和卸载节点智能体；所述卸载配置智能体用于关注计算任务的卸载配置，所述卸载节点智能体为为任务车辆的计算任务分配cpu频率；
47、s3：根据当前的策略和状态，每个智能体选择动作并执行；
48、s4：所有智能体与环境交互获得各自的奖励并且跳到下一状态，将经验数据储存在经验回放池中；
49、s5：对每个智能体，从经验池中随机抽取小批量的样本；
50、s6：判断是否超过设定的训练次数，若是则停止训练，否则进入下一步；
51、s7：对每个智能体，计算critic的目标状态值，计算损失函数，并最小化损失来更新评论家网络，计算策略梯度，更新actor网络；
52、s8：当训练完成后，清空经验池。
53、本发明的有益效果在于：
54、(1)本发明提出了一种dt辅助的基于群体学习的频率和等待时间预测方案，根据历史数据、实时训练状态和资源条件，自适应选择最优数据上传路径和孪生体更细频率，使数字孪生体的同步时延最小化，以实现精确数字孪生模型构建。解决了车联网智能驾驶中数据同步、资源分配以及任务延迟和系统能耗之间的矛盾问题。
55、(2)本发明通过基于dt的任务划分协同处理机制，在dt提供的智能决策下将部分任务卸载到辅助车辆或路侧单元完成计算服务，能够应对车辆繁重的计算任务，提高任务处理效率。
56、(3)通过建立多目标优化问题，通过合理的计算资源分配，实现任务延迟和能耗之间的最优平衡，并通过一种dt辅助的多智能体分类的近端优化策略算法解决该优化问题，从而实现计算资源的最优分配。
57、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种车联网中数字孪生体的构建和资源分配方法，其特征在于：提出一种基于群体学习的精确数字孪生构建方案，利用分布式学习算法预测数据上传频率和路侧单元处的等待时间情况，解决数据偏差和不同步，以得到精确数字孪生体；
2.根据权利要求1所述的方法，其特征在于：在车联网场景下，分别构建任务车辆、辅助车辆和路侧单元的数字孪生体；
3.根据权利要求2所述的方法，其特征在于：对于所构建的数字孪生体，通过基于群体学习的精确数字孪生构建方案进行数字孪生体同步，包括以下步骤：
4.根据权利要求1所述的方法，其特征在于：所述任务划分协同处理机制包括：
5.根据权利要求4所述的方法，其特征在于：所述关联因子包括任务车辆k和辅助车辆j之间的关联因子αk,j以及任务车辆k和路侧单元u之间的关联因子αk,u；根据所述关联因子，卸载决策包括：
6.根据权利要求4所述的方法，其特征在于：所述卸载决策为任务车辆本地处理时，系统时延表示为：
7.根据权利要求4所述的方法，其特征在于：所述全局能耗包括任务车辆能耗、卸载节点能耗和控制中心决策能耗；
8.根据权利要求1所述的方法，其特征在于：所建立的联合优化问题表示为：
9.根据权利要求8所述的方法，其特征在于：通过数字孪生辅助的多智能体分类的近端优化策略算法来求解所建立的联合优化问题，该算法包括：
