车辆间计算任务卸载算法与系统级仿真验证
摘要：本文提出了一种基于在线学习的分布式计算任务卸载算法，以最小化平均卸载时延为目标。同时，搭建了系统级仿真平台，评估了车辆密度、任务卸载份数对平均卸载时延的影响，为不同交通环境下的服务资源分配部署提供了参考。
知识点：
1. 车联网的发展趋势：车联网作为一个产业发展潜力巨大、市场需求明确的重要领域，在学术界和工业界都受到广泛关注。
2. 车联网的内在属性：车联网中，车辆会产生大量相关内容，包括时间/空间信息和用户应用信息。
3. 车联网的应用形式：车联网中，车辆通过车辆间资源共享来创造具有附加价值的服务或者完成单一车辆难以完成的任务。
4. 车联网的计算资源有限性：车辆计算资源有限，需要利用云端的强大计算能力提供服务支持。
5. 移动边缘计算（MEC）的框架：MEC 中，车联网利用基站或者路边单元等设施的计算资源为车辆提供服务，仅将必要的数据和任务上传至云端。
6. 车辆边缘计算（VEC）系统：车辆可以通过给车联网贡献自身的盈余资源，形成车辆边缘计算（VEC）系统。
7. 计算任务卸载的定义：计算任务卸载是 MEC 中的一个主要问题，任务节点由于计算资源有限，需要将生成的计算任务卸载至周围的服务节点进行处理，再由服务节点返回计算结果。
8. 车辆间的任务卸载：将车辆纳入服务节点中，形成由 RSU、服务车甚至包括无人机等共同构成的互联车联网服务体系，使网络中各节点的计算资源得到整合从而被充分利用。
9. 基于在线学习的分布式计算任务卸载算法：本文提出了基于在线学习的分布式计算任务卸载算法，以最小化平均卸载时延为目标。
10. 系统级仿真平台：搭建了系统级仿真平台，评估了车辆密度、任务卸载份数对平均卸载时延的影响，为不同交通环境下的服务资源分配部署提供了参考。
11. Veins仿真平台的应用：使用Veins仿真平台对车联网进行仿真，评估了不同交通环境下的服务资源分配部署。
