没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
1 引言
作为交通强国的重要抓手,车联网在国家发展战略中起着举足轻重的作用
[1
,2
,3
]
。随着车联网的飞速发展,车辆变得愈发普及和智能化。由此,催生了一大
批车载应用,涵盖信息服务、行驶安全和交通效率各个方面
[4
,5
,6
]
。这些应用服务
在给人们生活带来便利的同时,将会造成数据的几何增长,增加了网络的负荷 ,
对网络带宽提出了更高的需求。车载边缘计算通过把移动边缘计算应用在车联
网,可以实现计算和存储能力的下沉,能够极大缓解网络的带宽压力,有效降
低任务的响应时延
[7
,8
]
。
在复杂的车载网络环境下,为了保障大量用户多样化的服务需求,亟须设
计有效的车载边缘计算机制
[9
]
。利用计算卸载技术,用户可以把任务卸载给具有
丰富资源的边缘节点计算,有助于响应时延的减少。然而,现有的车载计算卸
载工作,在用户端往往集中在本地处理,未能充分发掘邻居车辆的资源,而在
边缘端大多侧重于计算资源的管理,忽视了其与服务缓存之间的关系。特别地 ,
边缘端服务器为了计算用户卸载的任务,需要具备一定的计算资源,也需要提
前缓存相应的服务应用。换言之,计算卸载和服务缓存彼此关联,相互耦合。
考虑到路边设施存储资源的限制,如何通过服务缓存的决策保障计算卸载的质
量是要解决的重要问题。鉴于车联网的动态、随机和时变特性,需要引入更加
智能的算法实现网络通信、计算和缓存资源的有效管理,以应对传统数学方法
的不足
[10
]
。
针对以上问题,本文首先设计了纵向和横向协同的智能车载边缘计算网络
架构,然后通过分析网络通信、计算和服务缓存资源之间相互作用的机理,提
出了通信、计算和服务缓存资源的联合优化模型,进而利用异步分布式强化学
习实现了任务的灵活卸载和资源的智能管理。
2 相关工作
区别于一般的移动网络
[11
]
,车联网的典型特点在于车辆的快速移动。车辆的
移动会导致网络拓扑的动态变化,决定车间的连通特性,从而影响任务的正常
卸载。为此,车载边缘计算需要和车辆的移动性密切结合。文献[12
]考虑网络负
荷和任务卸载,研究了多服务器多用户场景下的资源管理。每辆车通过移动可
以将任务选择性地卸载给期望的边缘服务器。文献[13
]呈现了一个移动模型用于
设计链路稳定性指标。基于该指标可以发现任务车辆周边可用的服务车辆,从
中可以挑选满足任务车辆偏好和服务需求的车辆作为最优的服务提供者。不同
于传统计算卸载工作主要考虑通信和计算资源的调度,文献[14
]设计的基于车辆
移动的卸载机制同时也考虑了任务卸载时间的决策。特别地,任务车辆与服务
器之间的数据传输速率随两者之间的距离动态变化,由此影响了任务的卸载时
间。
在车载环境下,路边单元广泛部署于路测,通常作为主要的边缘服务器节
点参与用户任务的处理。文献[15
]考虑车辆的移动及其与关联的边缘服务器的连
接时间,研究了负载卸载和任务调度问题。文献[16
]提出的双端优化问题旨在同
时保障用户端和服务器端的利益。以上工作主要侧重于单服务器场景,文献 [17
-
18
]则聚焦于多服务场景。文献[17
]提出了具有高可靠性、低时延的车–设施通信
架构,优化了车和基站的耦合及无线资源的管理。文献[18
]的任务卸载机制则同
时优化了服务器和传输模式的选择。
鉴于车联网的复杂特性,人工智能算法以其巨大的优势也被用于车载边缘
计算,以实现资源的智能管理。文献[19
]利用 Q–学习算法实现闲置车辆资源和
服务器资源的管理,以加强用户的服务质量。文献[20
-21
]均通过深度 Q–学习联
合优化了网络的通信、计算和缓存资源,旨在提升系统的整体收益。文献[22
]则
利用深度确定性策略梯度算法实现任务的调度和资源的管理,最大程度保障移
动运营商的收益。
以上工作主要集中在车载计算卸载方面,忽视了车辆资源的发掘和服务缓
存对计算卸载的影响。相比于文献[12
-18
],文献[19
-22
]虽然采用智能方法实现
任务的调度,但依然存在一定的局限性。为此,本文提出了计算卸载和服务缓
存智能联合优化算法。
3 系统模型
本文构建了一个边缘智能驱动的车载网络架构,如图
1
所示。该架构包括
三层,即用户层、边缘层和云层,特点介绍如下。
纵向协作。用户层位于网络的最底端,主要由车辆组成。部署于道路一侧
的路边单元配置相应的边缘服务器,作为边缘层的关键节点。特别地,在边缘
层引入智能模块,协助实现资源的有效管理和任务的灵活决策。云层位于网络
的最上端,具有丰富的计算和存储资源。在用户和边缘服务器资源受限的情况
下,云层可提供必要的资源支持。
横向协作。当车辆有任务处理时,可以选择本地执行并通过邻居车辆计算
任务,还可利用车-设施通信方式交由路边单元协助处理。路边单元的资源往往
在空时维度分布不均:轻负载的服务器资源会呈现闲置状态造成浪费,过负载
的服务器则对应接不暇的任务捉襟见肘。为此路边单元之间可以加强横向协作 ,
通过任务迁移的策略,最大化网络资源的利用率。
图 1
图 1车载边缘计算网络架构
移动感知。由于高速的移动性,车辆可能频繁地在不同的路边单元之间切
换。所以,需要能够基于对车辆移动行为的分析对车辆的轨迹准确定位,以便
路边单元将计算结果顺利反馈给车辆。
假设 M 个路边单元均匀分布于道路一侧,组成集合 MM。每个路边单元配
备一个计算能力为 F
j
、存储资源为 S
j
的服务器。N 个车辆自由移动在道路上,
组成集合 NN。每个车辆 i 携带一个任务,该任务可以表征为{d
i
,c
i
},其中,d
i
表
示输入数据的大小,c
i
表示该任务的计算量。路边单元通过有线方式互联。用户
与路 边通 过无 线通 信方 式进 行交 互。 车辆 本地 的卸 载决 策用 x
i0
表示 ,其 中,
x
i0
=1 表示车辆在用户侧处理任务;车辆边缘的卸载决策用 x
ij
表示,其中,x
ij
=1
表示车辆将任务卸载给路边单元 j 处理。特别地,当车辆执行边缘卸载处理时,
优先邻近关联的路边单元。如果当前关联的路边单元负荷较重,则可以由该服
务器将任务迁移至周边的路边单元。这样有利于负载均衡,提升资源的利用率,
从而加强用户的服务体验。对于每个路边单元,为了实现任务的处理,需要安
装相应的服务应用。换言之,当其存储了相应的服务应用,即缓存决策 w
ij
=1 时,
路边单元 j 能够处理车辆 i 卸载的任务;否则它需要从云端下载该应用,从而带
来了额外的时延开销。
3.1 移动模型
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3684
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功