Search
E-mail
RSS

Journal of Cybersecurity >

2025 , Vol. 3 >Issue 1: 52 - 61

DOI: https://doi.org/10.20172/j.issn.2097-3136.250105

Academic Research

UAV-empowered edge computing offloading for internet of connected vehicles

  • LI Xin 1 ,
  • DAI Minghui 1 ,
  • WANG Yixuan 1 ,
  • CHANG Shan , 1, * ,
  • WANG Tianshun 2
Expand
  • 1. School of Computer Science and Technology, Donghua University, Shanghai 201620, China
  • 2. School of Communication and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

Online published: 2025-03-19

Copyright

Copyright ©2025 Journal of Aeronautical Materials. All rights reserved.
Fold

Abstract

The rapid development of mobile network has created new development opportunities for many fields. Mobile edge computing (MEC) has attracted much attention on its widespread applications in the smart city vehicular networks due to its unique advantages. However, the increasing number of vehicular users has led to several challenges, such as network channel resource shortage, high latency, and excessive energy consumption, significantly reducing the data transmission efficiency. Therefore, an unmanned aerial vehicle (UAV)-empowered task offloading scheme was proposed for the smart city vehicular networks. By integrating the semantic communication with multiple access, multiple vehicular users could simultaneously access the network and extract semantic information for uploading to UAV, thereby enhancing the data transmission efficiency. At the same time, the game incentive mechanism was introduced to enhance the effectiveness of each participant. The simulation results showed that compared with the traditional baseline scheme, the proposed scheme could significantly improve the overall utility of the system.

Key words： semantic communication; internet of vehicles; unmanned aerial vehicle; mobile edge computing; multiple access

Cite this article

LI Xin , DAI Minghui , WANG Yixuan , CHANG Shan , WANG Tianshun . UAV-empowered edge computing offloading for internet of connected vehicles[J]. Journal of Cybersecurity, 2025 , 3(1) : 52 -61 . DOI: 10.20172/j.issn.2097-3136.250105

0 引言

随着数字化网络的发展，智慧城市将迎来全新的面貌。车联网作为其重要组成部分[1]，正日新月异地改变着人们的出行方式及城市交通管制模式[2]。随着智能网联汽车智能化程度的不断提高，交通感知数据也因此呈现爆发式增长。传统车联网的计算模式已难以满足当下智慧城市交通发展的需求，因此，计算卸载与优化模型成为当下提升车联网计算性能的核心问题[1,3-4]。
传统车联网的计算性能大多依赖智能网联汽车自身的计算能力及周边有限的基础设施，如路边基站等。因此，在处理交通路况信息实时分析、自动驾驶决策等复杂度较高的计算任务时，常常会出现响应时延过长[5]、决策判断错误等情况，为交通管制埋下了众多安全隐患，严重影响了智能网联汽车的正常运行及智慧城市的管理。为了解决上述问题，研究人员将目光投向移动边缘计算（Mobile Edge Computing，MEC）技术，通过在网络边缘部署性能高且可扩展性强的计算节点，使智能网联汽车将部分计算任务卸载至边缘节点，提升其计算效率及响应速度。
然而，随着用户对智能网联汽车服务质量需求的日益提高，传统的边缘计算模式已难以满足车联网多样化、复杂化的应用场景需求[4,6]。语义通信（Semantic Communication）技术为智能网联汽车任务卸载模型带来了全新的思路。语义通信打破了传统通信仅关注数据比特位传输的局限[7]，更加注重对传输内容的理解与提取[7-8]，在有限的带宽及计算资源下[9]，可以实现更加精准、高效的语义数据传输[10]，为智能网联汽车的发展奠定了坚实基础。
无人机（Unmanned Aerial Vehicle，UAV）的蓬勃兴起也为智能网联汽车的发展注入了鲜活力量。整合无人机、地面智能网联汽车及路边基础设施，构建立体的移动边缘计算网络[5]，可以实现计算资源跨域共享与协同调度[11]。这种无人机赋能模式不仅利用空中边缘节点弥补了地面网络覆盖不均匀等缺陷，更为智能网联汽车任务卸载方案带来了无限的可能[12-13]。
因此，基于语义通信的无人机赋能智能网联汽车任务卸载模型，成为当前车联网研究领域的热点。通过深入研究语义通信在智能网联汽车中的应用机制，探索高效的任务卸载策略[5,14]，使智能网联汽车的计算性能实现质的飞跃[2]，为智慧城市的建设提供更加智能、高效、安全的交通服务体系。

1 研究背景与相关工作

1.1 语义通信

语义通信是近年来通信领域的一个新兴研究方向，旨在通过传输信息的“意义”而非传统的“符号”来提升通信效率[7]。在虚拟现实及元宇宙蓬勃发展之际，这类业务的数据量是普通视频数据量的10倍以上，这意味着如果采用传统的通信方式，要消耗大量的带宽资源，因此，语义通信被寄予厚望来改变这种情况。语义通信框架作为一种全新的通信框架，将用户对信息的需求及语义融入通信过程。传统通信是对信源内容基于符号的方式进行语法编码传输，强调符号的无差错传输[10]。语义通信则是对信源内容含义的特征进行提取、编码和传输，重点保证内容含义的一致性[8]。相对于传统通信，语义通信多了一个知识库，系统模型的性能和准确率高度依赖该知识库。模型基于知识库进行语义理解，依托人工智能算法，如深度学习（Deep Learning，DL）和机器学习（Machine Learning，ML）[8,15]。语义编码和解码模块基于海量数据训练的知识库，通过深度学习网络拟合语义特征，可以高效地提取和重建语义通信[16]，从而提高通信效率和鲁棒性。
文献[7]介绍了一种基于机会性语义通信联合比特通信的新型方案，保证次级用户在不干扰主用户的前提下，选择最优的通信策略。文献[8]提出了一种经典的语义缓存模型，对特定领域的通用模型及特定用户的个性化模型都具有较好的缓存效果。文献[9]研究了一种具有强鲁棒性的语义信道迁移框架，旨在确保在特定信道训练的语义编码器同样适配于其他信道。文献[17]提出了一种新型语义通信模型，通过利用多功能发射器同时满足多个用户不同设备的需求，综合考虑移动用户的信噪比及其计算能力，有效地对语义特征进行了提取。
综上所述，语义通信在传输效率和能耗方面较传统通信有着显著优势，特别在对带宽、时延、能耗要求较高的应用场景中。

1.2 移动边缘计算

为了攻克传统云计算在延迟、带宽以及计算资源分配等方面的难题[13,18]，移动边缘计算应运而生。移动边缘计算的基本理念是将计算和存储资源部署到靠近用户的网络边缘[19]（如基站、接入网关等），通过上述操作，克服了传统云计算的局限性，提供了低延迟、高效能、可扩展性的服务[20]。这种分布式架构不仅降低了核心云的数据负载，提升了其响应速度，还为实时应用（如物联网、移动社交、海洋资源利用等）提供了更加有效且可靠的服务[18]。因此，移动边缘计算为智慧城市的打造及智能网联汽车的发展奠定了坚实基础。
然而，在传统移动边缘计算中，由于缺少激励机制导致移动用户参与度较低，缺乏对计算任务和资源调度的主动性[12,21]。因此，设计更加高效的激励机制算法，调动移动用户设备在计算任务中的积极性，以提升系统整体的协同效率及计算资源利用率显得尤为重要。
文献[13]探索了一个无人机辅助的移动边缘计算网络，通过部署高缓存的无人机，满足移动用户日益增加的服务请求。文献[11]研究了一种异步的移动边缘计算网络，通过联合移动用户资源调度分配问题，优化出用户的最优分配策略，旨在最小化计算调度任务的时延。文献[22]基于移动边缘计算网络提出了一种新型卸载策略，通过使用多智能体强化学习来提升模型的卸载效率及性能。文献[23]对无人机辅助无线网络的发展进行了全面概述，聚焦集成感知、无线通信及智能计算模块，讨论了该领域当前面临的挑战及未来发展方向。文献[18]研究了一种无人机与车载用户之间的内容分发机理，提升了车载用户的体验质量，通过设计联盟博弈激励机制，鼓励双方积极参与模型的内容分发，优化出最优的分发策略。
综上所述，移动边缘计算既能降低传输时延、提高响应速度，又能减轻核心网络的带宽压力，适用于对带宽资源、成本要求较高的特定场景[24]，对提升无线通信效率及扩展网络应用产生了深远影响。

1.3 多址接入

多址接入是无线通信系统中的一种关键技术[23]，它允许多个用户的不同设备同时共享有限的无线频谱资源[21]。随着移动互联网的快速发展，通信系统对接入技术的需求不断增长，多址接入技术的目标是在有限的频谱资源下高效地支持大规模的用户连接和数据传输[25]，同时满足不同应用场景下的多样化需求。混合语义的多址接入技术通过在通信协议中引入语义信息[26]，实现了对数据包传输的智能优化。不同于传统基于物理层的多址接入，语义多址接入结合用户的上下文信息、任务需求、通信环境等因素，能够更灵活地分配频谱资源[27-28]，从而提高系统的资源利用效率。语义信息不仅可以提升信号处理效率[8]，还能够改善边缘计算卸载的智能化决策[1]，进而提高系统的整体性能。
文献[29]提出了一种基于动态任务的多址接入及资源调度问题，并研究了利用求解子问题生成的割平面迭代引导主问题达到收敛的创新型分解方法。文献[23]基于马尔可夫决策过程研究了智能网联汽车多接入辅助计算的中继器及服务器选择问题。文献[21]提出了一种基于多用户接入的智能网联汽车卸载模型，通过联合优化用户卸载比例及资源分配，构建出系统效用最大化问题。文献[25]提出了一种基于多接入的通用式网络计算框架，通过优化多跳任务中的中继策略，实现了边缘网络与核心网络之间的通信。
因此，多址接入在提高频谱效率、提升系统容量、增强通信灵活性及推动无线通信技术发展方面具有重要意义。

2 方案设计

2.1 设计目标

为了大幅提高智能网联汽车的计算速度，在其计算能力有限的情况下，可以将部分工作任务卸载至边缘网络进行高效计算[30]，从而对周边道路及智能网联汽车状况做出及时应答，大大提高智能网联汽车系统的效率。本文提出了一种基于语义通信的无人机辅助智能网联汽车边缘计算卸载模型框架，旨在通过上传工作量的部分信息大幅提高计算效率及减轻计算设备的能耗。本文提出的智能网联汽车卸载模型的目标为：
（1）高计算性
在传统的车联网中，智能网联汽车往往因其自身有限的计算资源而无法完成复杂路况下对大量传感数据的实时计算。本文提出的智能网联汽车任务卸载模型将借助无人机节点的计算能力[24]，构建智能网联汽车与无人机之间高效的数据传输链路[14]。当智能网联汽车遇到复杂或拥堵路况时，传感器采集到的数据会呈爆炸式增长，仅依靠智能网联汽车本身很难在短时间内对传感数据进行实时计算与更新。智能网联汽车可以选择将一定比例的计算任务通过语义通信的方式卸载至远程无人机，以进行同步计算，从而提升智能网联汽车系统的整体计算效率，确保智能网联汽车在行驶过程中能够及时获取准确的分析结果，为自动驾驶决策提供了强有力的支撑。
（2）高效用性
基于博弈激励机制，激励不同类型的智能网联汽车和无人机积极地参与到模型中，提高了车载用户和无人机的效用[31-32]。其高效性一方面体现在智能网联汽车在行驶过程中产生的各类离散数据，如实时导航信息、路况拥堵信息、周边智能网联汽车分布信息等，通过与无人机建立语义信息交互，得到充分的整合与利用。另一方面，无人机的加入使智能网联汽车系统的服务范围得到进一步拓展[14,18]。无人机凭借其灵动性，对偏远或信号覆盖较弱的区域进行数据采集并实时处理，大幅提高了智能网联汽车系统的资源利用率及整体服务效用。

2.2 系统模型

如图1所示，本文考虑了一种基于语义通信的无人机赋能智能网联汽车卸载场景，该场景由智能网联汽车及配有计算能力的无人机构成，智能网联汽车的集合表示为$\mathcal{I} = \left\{ {1, \cdots i, \cdots ,I} \right\}$，符号${\text{U}}$用来表示无人机。智能网联汽车负责将部分感知数据通过语义通信传输至无人机。无人机负责将接收到语义信息进行解码并计算。具体而言，当智能网联汽车采集到大量的感知数据，或因其自身计算能力受限而无法独立完成计算时，会请求将部分计算任务卸载至无人机，以便进行同步计算。本文中使用的重要符号及含义如表1所示。
图 1 无人机赋能的智能网联汽车卸载模型图

Fig.1 System model of UAV empowered computing offloading for internet of vehicles

表 1 本文中使用的重要符号

Table 1 Important notations used in this paper

符号 定义
$S_i^{{\text{tot}}}$ 智能网联汽车$i$的总工作量
$t_i^{{\text{loc}}}$ 智能网联汽车$i$的本地计算时延
$t_i^{{\text{off}}}$ 智能网联汽车$i$的卸载总时延
${\mu _i}$ 智能网联汽车$i$的本地计算速率
${\mu _{\text{U}}}$ 无人机计算任务的速率
$ \epsilon $ 语义信息缩放指数
$\theta $ 满意度归一化参数
${B_i}$ 智能网联汽车$i$的语义信道带宽
$t_i^{{\text{tran}}}$ 智能网联汽车$i$的语义信息上传时延
${W_i}$ 智能网联汽车$i$编码所需的工作量
$\widetilde {{W_i}}$ 智能网联汽车$i$解码所需的工作量
${\alpha _i}$ 智能网联汽车$i$的任务卸载比例
$E_i^{{\text{loc}}}$ 智能网联汽车$i$的本地计算能耗
${R_{i,{\text{U}}}}$ 智能网联汽车$i$的语义任务传输速率
${q_{i,{\text{U}}}}$ 智能网联汽车$i$的语义多址接入传输功率
${g_{i,{\text{U}}}}$ 智能网联汽车$i$与无人机之间的信道功率增益
设${\alpha _i}$$(0 \leqslant {\alpha _i} \leqslant 1)$表示智能网联汽车$i$卸载至无人机计算的任务比例，$(1 - {\alpha _i})$表示智能网联汽车$i$依靠自身处理器执行本地计算的比例。因此，智能网联汽车$i$的总工作量$S_i^{{\text{tot}}}$可以分为以下两部分：
$ {S}_{i}^{\text{tot}}={\alpha }_{i}{S}_{i}^{\text{tot}}+(1-{\alpha }_{i}){S}_{i}^{\text{tot}},\;\forall i\in \mathcal{I} $
智能网联汽车$i$用于本地计算的时延$t_i^{{\text{loc}}}$与其本地计算的速率${\mu _i}$及卸载任务的比例${\alpha _i}$有关，可以表示为：
$ t_i^{{\text{loc}}} = {\phi _i}\frac{{\left( {1 - {\alpha _i}} \right)S_i^{{\text{tot}}}}}{{{\mu _i}}},\;\forall i \in \mathcal{I} $
其中，${\phi _i}$是智能网联汽车$i$处理单位比特数据所需的CPU周期数，${\mu _i}$是智能网联汽车$i$的计算速率。因此，智能网联汽车$i$本地计算所产生的能量损耗可以表示为：
$ E_i^{{\text{loc}}} = {\tau _i}\mu _i^3t_i^{{\text{loc}}} = {\tau _i}\mu _i^2{\phi _i}(1 - {\alpha _i})S_i^{{\text{tot}}},\;\forall i \in \mathcal{I} $
其中，参数${\tau _i}$是智能网联汽车$i$的功耗系数。
智能网联汽车$i$计算任务的卸载过程分为四个时间段：对卸载任务进行编码的时间$t_i^{{\text{En}}}$；通过频分多址上传语义压缩任务的时间$t_i^{{\text{tran}}}$；无人机对智能网联汽车$i$的语义压缩任务进行解码的时间$t_i^{{\text{De}}}$；无人机对智能网联汽车$i$的卸载任务进行计算和处理的时间$t_i^{\text{U}}$。
在编码阶段，设${W_i}$表示智能网联汽车$i$进行编码所需的工作量。基于语义缩放指数$ \epsilon $，编码工作量为$ {\epsilon}^{2}{W}_{i} $。因此，智能网联汽车$i$的编码延迟可以表示为：
$ {t}_{i}^{\text{En}}=\frac{{\epsilon}^{2}{W}_{i}}{{\mu }_{i}},\;\forall i\in \mathcal{I} $
在传输阶段，基于语义缩放指数$ \epsilon $，智能网联汽车$i$上传卸载任务的工作量为$ \epsilon{\alpha }_{i}{S}_{i}^{\text{tot}} $。智能网联汽车$i$采用频分多址方式将语义信息传输至无人机，传输时延可以表示为：
$ {t}_{i}^{\text{tran}}=\frac{\epsilon{\alpha }_{i}{S}_{i}^{\text{tot}}}{{R}_{i,\text{U}}},\;\forall i\in \mathcal{I} $
其中，${R_{i,{\text{U}}}}$表示智能网联汽车$i$通过频分多址接入方式上传语义信息的速率。
在解码阶段，${\tilde W_i}$表示智能网联汽车$i$进行解码所需的工作量，基于语义缩放指数$ \epsilon $，解码工作量为$ {\epsilon}^{2}{\tilde{W}}_{i} $。无人机解码智能网联汽车$i$的工作量时延可以表示为：
$ {t}_{i}^{\text{De}}=\frac{{\epsilon}^{2}{\tilde{W}}_{i}}{{\mu }_{\text{U}}},\;\forall i\in \mathcal{I} $
其中，${\mu _{\text{U}}}$表示无人机处理任务时的计算速率，无人机处理智能网联汽车$i$的任务时延可以表示为：
$ t_i^{\text{U}} = {\phi _{\text{U}}}\frac{{{\alpha _i}S_i^{{\text{tot}}}}}{{{\mu _{\text{U}}}}},\;\forall i \in \mathcal{I} $
其中,${\phi _{\text{U}}}$是无人机处理单位比特数据所需的CPU周期数。因此，智能网联汽车$i$的卸载总时延可以表示为：
$ t_i^{{\text{off}}} = t_i^{{\text{En}}} + t_i^{{\text{tran}}} + t_i^{{\text{De}}} + t_i^{\text{U}},\;\forall i \in \mathcal{I} $
智能网联汽车$i$完成工作数据量$S_i^{{\text{tot}}}$的总时延$t_i^{{\text{ove}}}$可以表示为：
$ t_i^{{\text{ove}}} = \max \left\{ {\phi _i}\frac{{\left( {1 - {\alpha _i}} \right)S_i^{{\text{tot}}}}}{{{\mu _i}}},t_i^{{\text{En}}} + t_i^{{\text{tran}}} + t_i^{{\text{De}}} + t_i^{\text{U}}\right\} ,\;\forall i \in \mathcal{I} $
智能网联汽车$i$向无人机上传卸载语义任务的传输速率可以表示为：
$ {R_{i,{\text{U}}}} = {B_i}{\log _2}\left(1 + \frac{{{q_{i,{\text{U}}}}{g_{i,{\text{U}}}}}}{{{B_i}{n_0}}}\right),\;\forall i \in \mathcal{I} $
其中，${B_i}$表示智能网联汽车$i$进行卸载任务的传输带宽，${g_{i,{\text{U}}}}$表示智能网联汽车$i$与无人机之间的信道功率增益，${n_0}$是无人机接收端的背景噪声。基于式（5）和式（10），可以得出智能网联汽车$i$频分多址的信道功率：
$ {q}_{i,\text{U}}=\frac{\left({2}^{\tfrac{\epsilon{\alpha }_{i}{S}_{i}^{\text{tot}}}{{t}_{i}^{\text{tran}}{B}_{i}}}-1\right){B}_{i}{n}_{0}}{{g}_{i,\text{U}}},\;\forall i\in \mathcal{I} $
因此，智能网联汽车$i$上传语义任务的能耗可以表示为：
$ E_i^{{\text{tran}}} = {q_{i,{\text{U}}}}t_i^{{\text{tran}}} $
$ =\frac{\left({2}^{\tfrac{\epsilon{\alpha }_{i}{S}_{i}^{\text{tot}}}{{t}_{i}^{\text{tran}}{B}_{i}}}-1\right){B}_{i}{n}_{0}}{{g}_{i,\text{U}}}{t}_{i}^{\text{tran}},\;\forall i\in \mathcal{I} $

2.2.1 智能网联汽车的效用

智能网联汽车$i$的效用定义为自身满意度（与卸载比例密切相关）与其所产生成本之间的差值，可以表示为：
$ {U_i}({\alpha _i}) = S(t_i^{{\text{ove}}}) - {C_{\text{i}}}\left( {{P_i}} \right) - E_i^{{\text{tran}}} - E_i^{{\text{loc}}}, \forall i \in \mathcal{I} $
其中，$S(t_i^{{\text{ove}}})$表示智能网联汽车$i$的满意度函数，${C_i}\left( {{P_i}} \right)$是智能网联汽车$i$需要支付给无人机的费用。
计算时延$t_i^{{\text{ove}}}$越短，智能网联汽车的满意度越高。因此，随着$t_i^{{\text{loc}}}$或$t_i^{{\text{off}}}$的增加，满意度函数应呈现单调递减的趋势，可以定义为：
$ S\left( {t_i^{{\text{ove}}}} \right) = \lambda (1 + \theta - t_i^{{\text{loc}}})+ (1 - \lambda )(1 + \theta - t_i^{{\text{off}}}),\;\forall i \in \mathcal{I} $
其中，$\lambda $是满意度平衡参数。式（14）表明，随着时间$t_i^{{\text{loc}}}$或$t_i^{{\text{off}}}$的增加，$S(t_i^{{\text{ove}}})$下降，同时，智能网联汽车$i$向无人机支付的费用可以表示为：
$ {C_{\text{i}}}\left( {{P_i}} \right) = {\alpha _i}S_i^{{\text{tot}}}{P_i},\;\forall i\in \mathcal{I} $
其中，${P_i}$表示由无人机提供的单位卸载任务的处理价格。因此，基于式（3）、式（12）至式（15），智能网联汽车$i$的效用可以重新表示为：
$ \begin{aligned} {U_i}({\alpha _i}) =& \lambda (1 + \theta - t_i^{{\text{loc}}}) + (1 - \lambda )(1 + \theta - t_i^{{\text{off}}}) -\\&{\alpha }_{i}{S}_{i}^{\text{tot}}{P}_{i}-\frac{\left({2}^{\tfrac{\epsilon{\alpha }_{i}{S}_{i}^{\text{tot}}}{{t}_{i}^{\text{tran}}{B}_{i}}}-1\right){B}_{i}{n}_{0}}{{g}_{i,\text{U}}}{t}_{i}^{\text{tran}}\end{aligned} $
$ {\tau _i}\mu _i^2{\phi _i}(1 - {\alpha _i})S_i^{{\text{tot}}},\;\forall i \in \mathcal{I} $

2.2.2 无人机的效用

无人机的策略是辅助智能网联汽车计算任务并确定合适的价格以获取利润，同时还要考虑计算卸载任务时所需的成本。因此，无人机的效用函数可以定义为：
$ {U_{\text{U}}}({P_i}) = {C_i}({P_i}) - {C_{\text{U}}}({\alpha _i}),\;\forall i \in \mathcal{I} $
其中，${C_U}({\alpha _i})$表示无人机计算和处理卸载任务所产生的成本，具体可以表示为：
$ {C_{\text{U}}}\left( {{\alpha _i}} \right) = {\tau _{\text{U}}}\mu _{\text{U}}^3t_i^{\text{U}} = {\tau _{\text{U}}}\mu _{\text{U}}^2{\phi _{\text{U}}}{\alpha _i}S_i^{{\text{tot}}},\;\forall i \in \mathcal{I} $
其中，参数${\tau _{\text{U}}}$是无人机的功耗系数。因此，基于式（15）、式（17）和式（18），无人机的效用函数可以表示为：
$\begin{aligned} {U_{\text{U}}}\left( {{P_i}} \right) =& {\alpha _i}S_i^{{\text{tot}}}{P_i} - {\tau _{\text{U}}}\mu _{\text{U}}^2{\phi _{\text{U}}}{\alpha _i}S_i^{{\text{tot}}} \\=& {\alpha _i}S_i^{{\text{tot}}}({P_i} - {\tau _{\text{U}}}\mu _{\text{U}}^2{\phi _{\text{U}}}),\;\forall i \in \mathcal{I}\end{aligned} $

2.3 问题描述

上述建模过程旨在构建一个激励优化问题，确定无人机的最优定价${P_i}$及智能网联汽车的最优卸载比例${\alpha _i}$。在无人机的问题（最优定价策略）中，考虑其自身计算所需的成本，设计了无人机的效用函数${U_{\text{U}}}({P_i})$。在智能网联汽车$i$的问题（最优数据传输策略）中，设计了智能网联汽车的效用函数${U_i}({\alpha _i})$。对于智能网联汽车$i$，所构建的效用最大化问题（P1）可以表述为：
$\qquad\quad\quad {\max _{{\alpha _i}}}{U_i}({\alpha _i})\qquad\qquad\quad\;\; $
$\qquad\quad\quad\text{subject to：}0 \leqslant {\alpha _i} \leqslant 1,\;\forall i \in \mathcal{I}\qquad\qquad$
$ \qquad\quad\quad\qquad\;\;\;\qquad{U_i}({\alpha _i}) \geqslant 0,\;\forall i \in \mathcal{I}\qquad\;\;\;\; $
　　　 变量：${\alpha _i}$
在问题P1中，约束条件（20）确保智能网联汽车$i$的卸载比例不超过自身的总工作量，约束条件（21）确保其效用值始终非负。
同样，对于无人机，所构建的效用最大化问题（P2）可以表述为：
$ \quad\quad\quad\qquad\;\;\;{\max _{{P_i}}}{U_{\text{U}}}({P_i}){\text{ }}\qquad\qquad\;\; $
$\quad\quad\quad\qquad\text{subject to：}{U_{\text{U}}}({P_i}) \geqslant 0 \qquad\qquad$
$ \quad\quad\quad\qquad\quad\quad\qquad\;\;\;\;\; 0 \leqslant {P_i} \leqslant P_i^{\max } \qquad\qquad$
　　　　 变量：${P_i}$
在问题P2中，约束条件（22）确保无人机的效用值始终非负，约束条件（23）确保无人机定价不超过设定的最大值。

2.4 问题转化与求解

为解决上述两个问题，本文采用逆向归纳法，基于斯塔克尔伯格博弈得出无人机和智能网联汽车的最优策略，实现无人机和智能网联汽车效用的最大化。智能网联汽车$i$的效用函数${U_i}({\alpha _i})$对${\alpha _i}$进行一阶求偏导，可得：
$ \begin{aligned} \frac{{\partial {U_i}({\alpha _i})}}{{\partial {\alpha _i}}} = &S_i^{{\text{tot}}}\left(\frac{{\lambda {\phi _i}}}{{{\mu _i}}} - \frac{{(1 - \lambda ){\phi _{\text{U}}}}}{{{\mu _{\text{U}}}}}\right) \\&-\frac{{t}_{i}^{\text{tran}}{B}_{i}{n}_{0}}{{g}_{i,\text{U}}}\left({2}^{\tfrac{\epsilon{\alpha }_{i}{S}_{i}^{\text{tot}}}{{t}_{i}^{\text{tran}}{B}_{i}}}\mathrm{ln}2\frac{\epsilon{S}_{i}^{\text{tot}}}{{t}_{i}^{\text{tran}}{B}_{i}}\right)\\ & + S_i^{{\text{tot}}}({\tau _i}\mu _i^2{\phi _i} - {P_i})\end{aligned} $
令$\dfrac{{\partial {U_i}({\alpha _i})}}{{\partial {\alpha _i}}}$=0，可得智能网联汽车$i$的最优卸载决策：
$ {\alpha }_{i}=\dfrac{{\mathrm{log}}_{2}\left[\dfrac{\left(\dfrac{\lambda {\varphi }_{i}}{{\mu }_{i}}-\dfrac{(1-\lambda ){\varphi }_{\text{U}}}{{\mu }_{\text{U}}}+{\tau }_{i}{\mu }_{i}^{2}{\varphi }_{i}-{P}_{i}\right)}{\epsilon\dfrac{{n}_{0}}{{g}_{i,\text{U}}}\mathrm{ln}2}\right]}{\dfrac{\epsilon{S}_{i}}{{t}_{i}^{\text{tran}}{B}_{i}}}, \forall i \in \mathcal{I} $
将式(25)代入式(19)中，可得：
$ \begin{aligned} &{U}_{\text{U}}({P}_{i})=\\&\dfrac{{t}_{i}^{\text{tran}}{B}_{i}}{\epsilon}{\mathrm{log}}_{2}\left[\dfrac{\left(\dfrac{\lambda {\varphi }_{i}}{{\mu }_{i}}-\dfrac{(1-\lambda ){\varphi }_{\text{U}}}{{\mu }_{\text{U}}}+{\tau }_{i}{\mu }_{i}^{2}{\varphi }_{i}-{P}_{i}\right)}{\epsilon\dfrac{{n}_{0}}{{g}_{i,\text{U}}}\mathrm{ln}2}\right]({P}_{i}-{\tau }_{\text{U}}{\mu }_{\text{U}}^{2}{\varphi }_{\text{U}})\end{aligned} $
由于从无人机的效用函数${U_{\text{U}}}({P_i})$无法直接得到最优定价${P_i}$的解析解，所以采用经典的二分搜索算法对${P_i}$进行搜索。通过该算法逐步将搜索的范围缩小，直至无人机的效用${U_{\text{U}}}({P_i})$随${P_i}$的变化而收敛。详细过程如算法1所示。

3 实验设计与结果

3.1 实验设计

如图2所示，在实验场景仿真中，本文考虑五辆不同类型的智能网联汽车随机分布在路面进行周边环境感知。一架无人机位于距地面100 m的高空，用于计算智能网联汽车卸载的语义信息。每辆智能网联汽车的感知数据大小在[1,10] Gbits内，分配给无人机的带宽设置为1 MHz。无人机的计算能力设置为108 cycles/s。仿真中使用的其他参数见表2。
图 2 无人机赋能的智能网联汽车计算卸载仿真场景图

Fig.2 Simulation scenario of UAV empowered computing offloading for internet of vehicles

表 2 仿真中使用的参数信息

Table 2 Parameters used in our simulations

参数配置 参数取值
无人机处理单位比特数据的CPU周期数${\phi _{\text{U}}}$ 1.4×106 cycles
无人机的功耗因子系数${\tau _{\text{U}}}$ 1×10−23
智能网联汽车的功耗因子系数${\tau _i}$ 4×10−18
满意度平衡参数$\lambda $ 0.5
无人机计算任务的速率${\mu _{\text{U}}}$ 1×108 cycles/s
语义信息缩放指数$ \epsilon $ 0.7
满意度归一化参数$\theta $ 25
语义信道带宽${B_i}$ 1 MHz
高斯白噪声${n_0}$ 1×10−9 dBm
语义信息上传时间$t_i^{{\text{tran}}}$ 0.6 s

3.2 实验结果

图3、图4展示了基于不同智能网联汽车、不同上传时间$t_i^{{\text{tran}}}$的无人机效用${U_{\text{U}}}({P_i})$与其最优定价${P_i}$之间的关系。可以看出，本文提出的算法均能在有限的迭代次数内搜索出无人机的最优定价${P_i}$。该结果证明了本文提出的算法在获取最优解方面的有效性和高效性。
图 3 不同智能网联汽车的定价与无人机效用变化图

Fig.3 Change diagram of UAV’s utility with different prices under different internet of vehicles

图 4 不同传输时间下定价与无人机效用变化图

Fig.4 Change diagram of UAV’s utility with different prices under different transmission time

算法1：最优定价算法
1）输入：用于更新${P_i}$值的步长，计算误差$\omega $。
2）输出：${P_i}$的最优解。
3）初始化：将${P_i}$的下限${\eta ^{{\text{lb}}}}$设置为一个较小的值，将${P_i}$的上限${\eta ^{{\text{ub}}}}$设置为一个较大的值，将计算误差$\omega $设置为一个非常小的值。
4）当|${\eta ^{{\text{ub}}}}$-${\eta ^{{\text{lb}}}}$|>$\omega $时，执行以下操作：
5） 计算当前中间点：$\eta = \dfrac{{{\eta ^{{\mathrm{lb}}}} + {\eta ^{{\mathrm{ub}}}}}}{2}$，
6） 计算左区间中间点：${\eta ^{{\text{left}}}} = \dfrac{{{\eta ^{{\text{left}}}} + \eta }}{2}$，
7） 计算右区间中间点：$ {\eta ^{{\text{right}}}} = \dfrac{{\eta + {\eta ^{{\text{right}}}}}}{2} $，
8） 计算各中点对应的函数值${U_{\text{U}}}(\eta )$、${U_{\text{U}}}({\eta ^{{\text{left}}}})$、${U_{\text{U}}}({\eta ^{{\text{right}}}})$。
9） 如果${U_{\text{U}}}({\eta ^{{\text{left}}}})$ > ${U_{\text{U}}}({\eta ^{{\text{right}}}})$，
10）　　　　 ${\eta ^{{\text{ub}}}}$=$\eta $；
11） 否则
12）　　　　 ${\eta ^{{\text{lb}}}}$=$\eta $；
13）结束循环。
14）返回结果：循环结束后，通过取最终区间的中点得到最大值点${P_i}$，并计算该点对应的函数最大值返回。
图5展示了基于同一智能网联汽车、不同工作量$S_i^{{\text{tot}}}$下，智能网联汽车效用${U_i}({\alpha _i})$与卸载比例${\alpha _i}$之间的关系。可以看出，本文提出的算法可以得到最优的卸载比例${\alpha _i}$。
图 5 不同工作量下卸载比例与智能网联汽车效用变化图

Fig.5 Change diagram of vechile’s utility with different offloading ratios under different workloads

图6展示了基于同一智能网联汽车、不同卸载比例${\alpha _i}$下，智能网联汽车效用${U_i}({\alpha _i})$与工作量$S_i^{{\text{tot}}}$之间的关系。可以看出，对于同一${\alpha _i}$，随着工作量$S_i^{{\text{tot}}}$的增加，智能网联汽车效用${U_i}({\alpha _i})$整体呈下降趋势。这是因为随着$S_i^{{\text{tot}}}$增加，本地计算时延$t_i^{{\text{loc}}}$与卸载总时延$t_i^{{\text{off}}}$均增加，同时，智能网联汽车交付无人机的费用${C_{\text{i}}}\left( {{P_i}} \right)$、智能网联汽车上传语义信息的能耗$E_i^{{\text{tran}}}$以及智能网联汽车本地计算的能耗$E_i^{{\text{loc}}}$均增大，导致智能网联汽车的效用${U_i}({\alpha _i})$随之下降。
图 6 不同卸载比例下工作量与智能网联汽车效用变化图

Fig.6 Change diagram of vehicle’s utility with different workloads under different offloading ratios

图7展示了基于同一智能网联汽车、不同工作量$S_i^{{\text{tot}}}$下，无人机的效用${U_{\text{U}}}({P_i})$与卸载比例${\alpha _i}$之间的关系。可以看出，对于同一工作量$S_i^{{\text{tot}}}$，无人机的效用会随着智能网联汽车卸载比例${\alpha _i}$呈线性上升的趋势，这是因为${\alpha _i}$越大，智能网联汽车向无人机卸载的总量越大，相应地，其向无人机支付的费用越多。
图 7 不同工作量下卸载比例与无人机效用变化图

Fig.7 Change diagram of UAV’s utility with different offloading ratios under different workloads

图8展示了本文提出的算法与基准算法在任务工作量$S_i^{{\text{tot}}}$方面的智能网联汽车效用比较。可以发现，与其他基准算法相比，本文提出的算法能够增加智能网联汽车的效用。
图 8 不同方案下工作量与智能网联汽车效用对比图

Fig.8 Comparison diagram of vehicle’s utility with workloads under different schemes

图9展示了本文提出的算法与基准算法在语义缩放指数$ \epsilon $方面的智能网联汽车效用比较。可以发现，与其他基准算法相比，本文提出的算法同样能够增加智能网联汽车的效用。
图 9 不同方案下语义缩放指数与智能网联汽车效用对比图

Fig.9 Comparison diagram of vehicle’s utility with semantic factors under different schemes

图10展示了本文提出的算法与基准算法在任务工作量$S_i^{{\text{tot}}}$方面的无人机效用比较。可以发现，与其他基准算法相比，本文提出的算法能够增加无人机的效用。
图 10 不同方案下工作量与无人机效用对比图

Fig.10 Comparison diagram of UAV’s utility with workloads under different schemes

图11展示了本文提出的算法与其他基准算法在语义缩放指数$ \epsilon $方面的无人机效用比较。可以发现，与其他基准算法相比，本文提出的算法同样能够增加无人机的效用。
图 11 不同方案下语义缩放指数与无人机效用对比图

Fig.11 Comparison diagram of UAV’s utility with semantic factors under different schemes

4 结束语

本文提出了一种基于语义通信的无人机赋能智能网联汽车边缘计算卸载模型。设计了基于博弈的激励机制算法，对智能网联汽车卸载比例及无人机定价进行了双向优化，使得双方效用均能够达到最大值，以最大化智能网联汽车系统的整体效用。实验结果表明，本文提出的优化方案与基准算法相比，整体效用表现更优。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
ZHAO L, ZHAO Z, ZHANG E, et al. A digital twin-assisted intelligent partial offloading approach for vehicular edge computing[J]. IEEE Journal on Selected Areas in Communications, 2023, 41 (11): 3386- 3400.

DOI

2
JIA Y, ZHANG C, HUANG Y, et al. Lyapunov optimization based mobile edge computing for internet of vehicles systems[J]. IEEE Transactions on Communications, 2022, 70 (11): 7418- 7433.

DOI

3
HE L, WEN M, CHEN Y, et al. Delay aware secure offloading for NOMA-assisted mobile edge computing in internet of vehicles[J]. IEEE Transactions on Communications, 2022, 70 (8): 5271- 5284.

DOI

4
DE SOUZA A B,REGO P A L,ROCHA P H G,et al. A task offloading scheme for wave vehicular clouds and 5G mobile edge computing[C]//GLOBECOM 2020-2020 IEEE Global Communications Conference. IEEE,2020:1-6.

5
YAN M, XIONG R, WANG Y, et al. Edge computing task offloading optimization for a UAV-assisted internet of vehicles via deep reinforcement learning[J]. IEEE Transactions on Vehicular Technology, 2023, 73 (4): 5647- 5658.

6
ZHANG H, FENG L, LIU X, et al. User scheduling and task offloading in multi-tier computing 6G vehicular network[J]. IEEE Journal on Selected Areas in Communications, 2022, 41 (2): 446- 456.

7
MU X,LIU Y. Exploiting semantic communication for non-orthogonal multiple access[J]. IEEE Journal on Selected Areas in Communications,2023,41(8):2563-2576.

8
YU W,ZHAO J. Semantic communications,semantic edge computing,and semantic caching with applications to the metaverse and 6G mobile networks[C]//2023 IEEE 43rd International Conference on Distributed Computing Systems (ICDCS). IEEE,2023:983-984.

9
LIN L, XU W, WANG F, et al. Channel-transferable semantic communications for multi-user OFDM-NOMA systems[J]. IEEE Wireless Communications Letters, 2023, 13 (3): 721- 725.

10
MU X,LIU Y,POPOVSKI P,et al. Opportunistic semantic and bit communications in uplink noma[C]//ICC 2023-IEEE International Conference on Communications. IEEE,2023:704-709.

11
CANG Y, CHEN M, PAN Y, et al. Joint user scheduling and computing resource allocation optimization in asynchronous mobile edge computing networks[J]. IEEE Transactions on Communications, 2024, 72 (6): 3378- 3392.

DOI

12
DAI M, SU Z, XU Q, et al. Vehicle assisted computing offloading for unmanned aerial vehicles in smart city[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22 (3): 1932- 1944.

DOI

13
ZHAO Y,LIU C,HU X,et al. Joint content caching,service placement and task offloading in UAV-enabled mobile edge computing networks[J]. IEEE Journal on Selected Areas in Communications,2025,43(1):51-63.

14
余雪勇, 邱礼翔, 宋家宁, 等. 无人机辅助边缘计算中安全通信与能效优化策略[J]. 通信学报, 2023, 44 (3): 45- 54.

DOI

YU X Y, QIU L X, SONG J N, et al. Security communication and energy efficiency optimization strategy in UAV-aided edge computing[J]. Journal on Communications, 2023, 44 (3): 45- 54.

DOI

15
刘传宏, 郭彩丽, 杨洋, 等. 人工智能物联网中面向智能任务的语义通信方法[J]. 通信学报, 2021, 42 (11): 97- 108.

DOI

LIU C H, GUO C L, YANG Y, et al. Intelligent task-oriented semantic communication method in artificial intelligence of things[J]. Journal on Communications, 2021, 42 (11): 97- 108.

DOI

16
ZHENG Y,WANG F,XU W,et al. Semantic communications with explicit semantic base for image transmission[C]//GLOBECOM 2023-2023 IEEE Global Communications Conference. IEEE,2023:4497-4502.

17
NGUYEN L X, TUN Y L, TUN Y K, et al. Swin transformer-based dynamic semantic communication for multi-user with different computing capacity[J]. IEEE Transactions on Vehicular Technology, 2024, 73 (6): 8957- 8972.

DOI

18
SU Z, DAI M, XU Q, et al. UAV enabled content distribution for internet of connected vehicles in 5G heterogeneous networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22 (8): 5091- 5102.

DOI

19
亓晋, 孙海蓉, 巩锟, 等. 移动边缘计算中基于信誉值的智能计算卸载模型研究[J]. 通信学报, 2020, 41 (7): 141- 151.

DOI

QI J, SUN H R, GONG K, et al. Research on intelligent computing offloading model based on reputation value in mobile edge computing[J]. Journal on Communications, 2020, 41 (7): 141- 151.

DOI

20
XIAO L, LU X, XU T, et al. Reinforcement learning-based mobile offloading for edge computing against jamming and interference[J]. IEEE Transactions on Communications, 2020, 68 (10): 6114- 6126.

DOI

21
PHAM X Q, HUYNH-THE T, HUH E N, et al. Partial computation offloading in parked vehicle-assisted multi-access edge computing: A game-theoretic approach[J]. IEEE Transactions on Vehicular Technology, 2022, 71 (9): 10220- 10225.

DOI

22
GAO H, WANG X, WEI W, et al. Com-DDPG: Task offloading based on multiagent reinforcement learning for information-communication-enhanced mobile edge computing in the internet of vehicles[J]. IEEE Transactions on Vehicular Technology, 2023, 73 (1): 348- 361.

23
DAI M, HUANG N, WU Y, et al. Unmanned-aerial-vehicle-assisted wireless networks: Advancements, challenges, and solutions[J]. IEEE Internet of Things Journal, 2022, 10 (5): 4117- 4147.

24
DAI M, LUAN T H, SU Z, et al. Joint channel allocation and data delivery for UAV-assisted cooperative transportation communications in post-disaster networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23 (9): 16676- 16689.

DOI

25
DENG Y, CHEN Z, CHEN X, et al. Task offloading in multi-hop relay-aided multi-access edge computing[J]. IEEE Transactions on Vehicular Technology, 2022, 72 (1): 1372- 1376.

26
张平, 牛凯, 姚圣时, 等. 面向未来的语义通信: 基本原理与实现方法[J]. 通信学报, 2023, 44 (5): 1- 14.

DOI

ZHANG P, NIU K, YAO S S, et al. Semantic communications for future: basic principle and implementation methodology[J]. Journal on Communications, 2023, 44 (5): 1- 14.

DOI

27
龙隆, 刘子辰, 陆在旺, 等. 移动边缘网络下服务缓存与资源分配联合优化策略[J]. 通信学报, 2023, 44 (1): 64- 74.

DOI

LONG L, LIU Z C, LU Z W, et al. Joint optimization strategy of service cache and resource allocation in mobile edge network[J]. Journal on Communications, 2023, 44 (1): 64- 74.

DOI

28
张海君, 张资政, 隆克平. 基于移动边缘计算的NOMA异构网络资源分配[J]. 通信学报, 2020, 41 (4): 27- 33.

DOI

ZHANG H J, ZHANG Z Z, LONG K P. Resource allocation in NOMA heterogeneous network based on MEC[J]. Journal on Communications, 2020, 41 (4): 27- 33.

DOI

29
ALAMEDDINE H A, SHARAFEDDINE S, SEBBAH S, et al. Dynamic task offloading and scheduling for low-latency IoT services in multi-access edge computing[J]. IEEE Journal on Selected Areas in Communications, 2019, 37 (3): 668- 682.

DOI

30
YANG T, GAO S, LI J, et al. Multi-armed bandits learning for task offloading in maritime edge intelligence networks[J]. IEEE Transactions on Vehicular Technology, 2022, 71 (4): 4212- 4224.

DOI

31
HUANG W,GUO H,LIU J. Task offloading in UAV swarm-based edge computing:Grouping and role division[C]//GLOBECOM 2021-2021 IEEE Global Communications Conference IEEE,2021:1-6.

32
YANG Z, BI S, ZHANG Y J A. Dynamic offloading and trajectory control for UAV-enabled mobile edge computing system with energy harvesting devices[J]. IEEE Transactions on Wireless Communications, 2022, 21 (12): 10515- 10528.

DOI

Options
Outlines

/

〈 〉

Website Copyright © Editorial Office of Journal of Cybersecurity.
Tel: 010-89061756/89061778　
E-mail：wlkjaqkxxb@caasse.cn
Powered by Beijing Magtech Co. Ltd,.

京ICP备16032046号-20