基于移动边缘计算的车联网任务卸载策略研究

作     者：常招展 

作者单位：桂林理工大学 

学位级别：硕士

导师姓名：神显豪

授予年度：2023年

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 0838[工学-公安技术] 081001[工学-通信与信息系统] 

主      题：车联网 移动边缘计算 任务卸载 秃鹰搜索优化算法 

摘      要：近年来,随着道路上汽车数量的增加和科技的快速发展,汽车正在向智能化的方向快速迈进。然而,车联网(Internet of Vehicles,IOV)中智能车辆拥有大量的移动应用程序给智能车辆带来了一些挑战即需要实时的采集信息和大量计算资源。为了应对这些挑战,移动边缘计算(Mobile Edge Computing,MEC)通过在用户周围部署边缘服务器,为移动应用和车联网系统提供低延迟和低开销的计算服务。MEC能够很好的满足高质量的服务要求,解决在移动应用程序提供的实时性、准确性方面出现的问题。但是,当所有用户都进行任务卸载时,MEC服务器的计算能力将会受到巨大的压力。因此,有效的任务卸载决策和资源分配策略对于提高车联网系统的性能和可靠性至关重要。为解决上述问题,本文的具体研究内容和创新之处如下:(1)本文设计了一个任务卸载协同计算框架,可以将任务卸载在本地计算、卸载到配置有MEC服务器的路边单元(Road Side Unit,RSU)上计算、卸载到云端计算。并在其中引入任务卸载优先级矩阵,确定计算任务的优先卸载顺序。另外,将任务卸载的总代价即时延和能耗作为优化目标并设计改进秃鹰搜索优化算法(Improved Bald Eagle Search Optimization Algorithm,IBES)实现任务卸载。设计的IBES是将Tent混沌映射、Levy Flight机制与自适应权重引入秃鹰搜索优化算法,增加初始种群多样性、增强局部搜索和全局收敛能力。仿真结果表明,与粒子群算法、秃鹰搜索优化算法等算法相比,IBES算法具有更好的卸载性能和较低的系统代价。(2)本文将具有空闲计算资源的路边停车车辆作为任务卸载平台,提出了一种路边停车协同的移动边缘计算任务卸载策略。此策略加入路边停车作为任务卸载平台,结合本地、RSU和云服务器三种任务卸载平台进行计算任务卸载处理。并提出了一种混合算法(A Hybrid Algorithm Based On Hill-climbing Algorithm And Genetic Algorithm,HHGA),在遗传算法的基础上引入爬山算法来改善遗传算法陷入在局部最优的问题。从系统开销、时延、能耗等几个方面进行对比分析,实验结果表明与其他卸载策略相比,本文提出的策略可以有效降低系统总成本。