车辆边缘网络中的DNN任务划分和卸载问题研究

作     者：郑雨昕 

作者单位：暨南大学 

学位级别：硕士

导师姓名：崔林

授予年度：2022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：车辆边缘计算 深度神经网络 任务划分 任务调度 

摘      要：近年来,随着人工智能和传感器等技术的发展,车辆提供更加多样化的应用和服务,例如障碍识别和车道检测等。这些应用大多对延迟敏感,而且一般基于深度神经网络(Deep Neural Networks,DNN),具有准确度高、计算和能量资源消耗多的特点。由于车辆计算资源十分有限,无法满足这些应用低时延的要求。车辆边缘计算(Vehicular Edge Computing,VEC)通过将计算资源下沉到道路两侧的路边单元(Road Side Unit,RSU),可以增强车辆的计算能力,弥补计算和能量等资源的不足。然而,由于车辆的移动性和边缘服务器的负载不均等问题,以及DNN拓扑结构的多样性(如链式结构和DAG式结构等),如何将DNN任务卸载到边缘服务器,来优化延迟并降低对车辆资源的消耗,仍然是一个具有挑战性的问题。因此,本文重点研究VEC环境下,如何针对不同的DNN拓扑结构模型,进行任务的划分和卸载,在提升车辆DNN任务处理的性能同时,确保DNN任务的准确率不受影响。本文的主要工作和创新之处如下:(1)首先,本文以VGG11模型为案例,通过实验研究和分析DNN任务在车辆和边缘服务器处理上的计算时间、网络传输时间、端到端时延和车辆的能量消耗等,说明VEC环境下DNN任务划分和卸载的可行性和意义,为后续两项工作的研究提供了基础和依据。(2)针对链式DNN模型,本文提出DPAO方法,通过车辆-边缘协同和边缘-边缘协同,平衡任务计算时间和数据传输时间,并根据边缘服务器负载的差异动态卸载任务。实验结果表明,与直接卸载给边缘服务器相比,任务平均完成时间减少1.9倍;与仅在车辆本地计算相比,车辆能耗降低94%。(3)针对DAG式DNN模型,本文提出DCAO方法。将DNN模型的划分问题转换为最大流最小割问题,在现有研究的基础上,进一步扩展网络流图,降低划分算法的时间复杂度。对于网络流图存在负容量的情况,本文将其全部转换为正数后,再通过传统的最小割算法求解。实验结果表明,与直接卸载给边缘服务器相比,任务平均完成时间减少47%;与仅在车辆本地计算相比,车辆能耗降低56%。