车联网(Internet of Vehicles,Io V)正成为5G互联网时代的国内外研究热点,在车联网的快速发展过程中也遇到了一些挑战。首先是车辆规模呈指数级上升,随之产生了海量的数据信息,导致车辆本身资源不足,无法及时满足计算需求。其次,车辆在...
详细信息
车联网(Internet of Vehicles,Io V)正成为5G互联网时代的国内外研究热点,在车联网的快速发展过程中也遇到了一些挑战。首先是车辆规模呈指数级上升,随之产生了海量的数据信息,导致车辆本身资源不足,无法及时满足计算需求。其次,车辆在道路上具有较快的行驶速度,高移动性对链路连接稳定性造成了不良影响,频繁的变更网络降低了车辆用户的服务体验。云计算(Cloud Computing,CC)可以在一定程度上缓解车辆的资源压力,但依然存在瓶颈。移动边缘计算(Mobile Edge Computing,MEC)作为云计算的扩展,不仅具有强大的计算能力,而且更加靠近移动网络的边缘,能够在终端设备附近提供服务。计算卸载是MEC中改善用户体验的重要技术,本文针对车辆边缘网络中的任务卸载问题,提出了两种卸载方案,以降低计算卸载过程中的时延和能耗。针对联网车辆的高移动性对通信和计算带来的巨大挑战,本文首先提出了一种专用于车辆网络的模型SNM,在SNM模型中,根据在下一个十字路口的转弯方向,车辆被划分成三个子网络。然后,将有卸载需求的子网络构建成二分图,利用KM算法(Kuhn-Munkres algorithm,KM)求解图的最优匹配,即获取处理计算任务时延最小的卸载方案。最后,通过仿真实验,本文提出的算法能够有效地降低卸载过程中的丢包率和平均时延,验证了卸载方案的有效性。随着智能车辆的普及,产生了大量的计算需求,将任务卸载到边缘服务器上处理是一种有效的方案。然而,当任务量太大时,边缘服务器的计算资源告罄,将无法满足所有车辆的需求。因此,本文在可扩展、多用户的环境中,依托云-边-端三层架构,提出了一种结合多目标灰狼优化算法(Multi-Objective Grey Wolf Optimization,MOGWO)与重力参考点法(Gravity Reference Point Technique,GRPT)的任务卸载方案。通过将时延和能耗归纳为两个目标函数,模仿灰狼群体的等级关系和捕猎活动设计一种优化搜索方法,目的是“捕获”最优解,实现对能耗和计算时延的联合优化。实验表明,与其他已有算法相比,本文提出的方案拥有更好的性能。
暂无评论