1.一种基于移动边缘计算的车联网数据驱动任务卸载系统的卸载方法，其特征在于：卸载方法在车联网数据驱动任务卸载系统上实现；

所述车联网数据驱动任务卸载系统，其特征在于，包括：应用层、车辆层、MEC层和云层；

所述应用层包括：数据感知管理模块、ITS服务管理模块、道路安全管理模块；

ITS服务管理模块包括：交通信号控制、异常车辆检测和交通流预测；ITS服务是数据驱动的任务，需要处理分布在道路网络中的感知车辆收集的交通数据；基于数据分布，将数据驱动任务划分为多个子任务；每个子任务与感知车辆感知到的一组交通数据相关联，并且可以并行处理；只有计算了所有子任务的结果后，才能完成任务；

数据感知管理模块包括：压缩感知、异常数据检测、用户认证和隐私保护；数据感知管理模块对收集来的数据进行分析和处理；其中，压缩感知能够以低采样频率来重建稀疏信号；异常数据检测能够对车联网中的数据进行检测，去除异常危险数据并且提高信息精度，以保证相关设备的安全；用户认证和隐私保护来保证车联网中信息的可认证性、完整性、不可否认性和私密性；

道路安全管理模块包括：气象信息采集、交通信息采集和紧急信息采集；道路安全管理模块能够提高安全管理的自动化水平，实现对道路交通的实时监控，降低道路安全事故的发生率；其中，气象信息采集用于采集实时的气象状况，对道路行驶速度做出限制；交通信息包括车辆占有率、道路交通量、车头时距、车长、车速和交通密度，通过对这些交通信息的采集,能够为道路使用情况分析提供有力的依据；道路交通运行过程中,有时会遇见紧急情况,主要包括交通事故和自然灾害，通过对此类紧急信息的收集，能够提醒附近车辆，有效缓解交通拥堵和避免人员伤亡；

所述车辆层包括：感知车辆和计算车辆；

感知车辆配备了传感器，能够收集交通数据，可以缓存与几种类型的子任务相关联的数据集，这些数据集必须通过无线通信卸载到附近的计算服务器进行处理；

计算车辆用于提供计算服务；计算车辆拥有一个处理器，为V2V通信范围内的子任务进行计算；每次最多允许一个子任务卸载到一辆计算车辆上；

所述MEC(移动边缘计算)层包括：MEC服务器和RSU(路侧单元)；

MEC服务器配备了一个计算服务器并部署在RSU附近；MEC服务器同时扮演两个角色：计算服务器和本地调度器；作为计算服务器，MEC服务器能够同时处理通过V2I无线通信卸载的多个等待任务；由于车辆的移动性，子任务必须在V2I连接时间内完全上传；作为本地调度器，MEC服务器负责对每个子任务做出卸载决策，包括卸载服务器的选择、无线带宽和计算资源的分配，其中MEC服务器通过检测感知车辆定期广播的心跳消息检索相关任务信息；

所述云层包括：云服务器和主干网，云服务器部署在主干网中，车辆可以通过蜂窝接口将其子任务卸载到云服务器；对于V2I覆盖范围之外的子任务，或者在与MEC服务器或计算车辆的连接时间内未能完成上传的子任务，它们必须选择云作为卸载服务器；

所述卸载方法包括以下步骤：

步骤1，DQN模型中强化学习的基本元素设计；

a.系统状态：由于V2V通信范围有限，假设每个感知车辆最多有n辆计算车辆可供卸载；

然后，将当前等待卸载的子任务rv在时间t的系统状态定义为多维向量，其公式如下：其中， 和 表示rv的数据量大小和所需的计算资源；Dtotal表示调度前等待卸载的子任务的总数据量，Dload表示已经卸载到m的工作负载，bm,fm分别代表MEC服务器的总带宽和总计算资源， 分别是第i个计算车辆v′的带宽和计算资源；

b.动作空间：它被定义为可用于等待卸载的子任务rv的候选计算服务器集；具体来说，采用one‑hot编码来表示动作，该动作被表示为一个n+2维二进制向量，如等式所述：其中 表示子任务rv是否卸载，上标m,c,vi′分别表示对MEC服务器m,云和第i个计算车辆v′的卸载选择，该值等于1表示选择它进行卸载，等于0表示不选择；

c.奖励函数：奖励函数的基本原理是，行动所带来的服务时间和成本越低，奖励就越高；如果子任务能够在连接时间内成功完成，则奖励被定义为子任务的服务时间和成本的加权和与常数M1倒数的乘积；否则，奖励被定义为负值，表示惩罚，用‑M2表示；奖励函数的公式如下：

其中 分别表示子任务rv的服务延迟和服务花费， 表示子任务rv卸载给计算车辆v′或MEC服务器m的服务延迟，lv{v′,m}代表了感知车辆v与计算车辆v′或MEC服务器m的连接时间，η1,η2是服务延迟和服务花费的权重；

步骤2，基于凸优化的最优资源分配；

基于ADQN，可以预先得到所有子任务的卸载选择A；因此，无线资源的优化模型只与资源分配有关，可以定义为如下；

其中，X,Y,F分别代表MEC服务器的带宽资源分配X、计算资源分配Y以及云的计算资源分配F； 表示MEC服务器m为rv分配的无线V2I带宽比率， 表示m分配给rv的计算资源比率，tm是m的处理器的数量， 代表云分配给rv的计算资源；Eq.(1a)表示分配的带宽总和不能超过总的带宽，Eq.(1b)意味着分配的计算资源总和不能超过m的最大计算能力，||R||表示任务的数量，R表示数据驱动任务集，r表示某个任务。

2.根据权利要求1所述的卸载方法，其特征在于：云的计算资源分配：

关于F的第一个子模型涉及云的计算资源分配，其公式如下：其中ωc表示从云租用计算资源的单位成本，通过找到梯度g1等于零的解，即 可以得到最优解；为每个卸载到云的rv分配的最佳计算资源可以通过下式计算得出：r

其中V表示感知车辆集合。

3.根据权利要求2所述的卸载方法，其特征在于：无线带宽资源分配：

关于变量X的第二个子模型涉及无线V2I带宽分配，其公式如下：其中 表示子任务rv上传给MEC服务器m的传输时间，||r||表示子任务的数量，可以观察到与MEC服务器相关的变量是相互独立的，子模型Eq.(4)可以进一步划分为多个简单模型，每个模型只与一个MEC服务器m相关，如下所述:m

其中，R 表示MEC服务器m覆盖范围内的所有子任务，Xm表示与MEC服务器m关联的X中的变量；显然，等式Eq.(5)中的目标是凸的，等式Eq.(5)中的约束是线性的；因此，Eq.(5)是一个凸优化模型；根据KKT条件，得到如下公式：通过求解方程组，可以得到每个等待卸载的子任务rv的无线带宽分配的最优解，如下所述：

其中Pv表示车辆v的传输功率，gmv表示车辆v和服务器m之间的功率增益。

4.根据权利要求3所述的卸载方法，其特征在于：MEC服务器的计算资源分配；

关于变量Y的第三个子模型涉及MEC服务器的计算资源分配，公式如下：其中 分别代表子任务rv卸载给MEC服务器m的计算延迟和计算花费，与子模型Eq.(4)类似，子模型Eq.(8)也可以分解为多个简单模型，每个模型只与一个MEC服务器m相关联，如下所述；

其中 表示与MEC服务器m关联的Y中的变量；基于KKT条件，我们可以得到两个备选解；对于第一种情况，其中对偶变量λm＝0，其解如下所述：其中ωm表示从MEC服务器m租用计算资源的单位成本，对于第二种情况：对偶变量λm≠0，其解如下所述：

其中，变量λm可以通过二分法快速求解出来；显然，第三个子模型的最优解是方程Eq.

(10)和Eq.(11)中两个解中的一个。