随着5G无线通信网络和车联网的发展,新一代智能终端设备产生大量的数据,对计算和通信的安全和服务质量要求更高,传统的云计算已经无法满足计算密集型用户低时延高可靠性的要求。在目前的车载通信环境中,车载任务在严格的处理截止时间内产生的计算数据量呈指数型增长,通信和计算资源限制仍然是一个瓶颈。如何满足实时路况、智能识别等新型车载应用的计算需求是一个关键的挑战。近年来,由于移动边缘计算可以下沉到移动用户附近提供卸载服务。因此,可以在智能交通的网络边缘部署大量高性能服务器,减少新型车辆应用的时间延迟。然而,不同的卸载策略对时延和通信计算成本产生很大的影响,同时与车联网中高速移动的车辆通信时用户车辆与边缘设备下行传输的回传时延容易被忽略,这使得延迟敏感的任务无法满足时延要求。另一方面考虑到城市中有大量因特殊事件激增的时延敏感任务,规划智能租赁服务车辆(Rental Service Vehicle,RSV)的行驶路径匹配任务节点为其提供卸载服务,这时将面临车辆位置分布不均衡,任务需求响应不及时,任务处理率不合理,费用成本过高等问题。因此,需要根据用户需求合理分配租赁服务车辆并规划路径,提供计算服务,满足用户实时性需要。针对上述问题,本文聚焦车辆边缘计算网络,并针对不同的使用场景,提出了基于强化学习的卸载策略和基于遗传算法的智能租赁服务车辆的路径规划和任务卸载匹配策略。本文的主要工作如下:(1)针对移动用户车辆根据卸载策略进行任务卸载的场景,本文研究了为车联网中的用户车辆提供稳定的计算、通信和存储服务的任务卸载策略。在该场景下,卸载问题被规划为在最大时延约束下最小化时延成本和通信计算成本。本文综合考虑了车辆的位置、速度和计算资源设计了车辆自适应状态反馈(Vehicle Adaptive Feedback,VAF)算法获得潜在服务车辆的优先级顺序并得到服务车辆集合。然后,结合基站、路边单元以及服务车辆集合中车辆的状态将问题规划成马尔可夫决策过程,并利用提出的车辆深度Q网络(Vehicle Deep Q-network,V-DQN)算法获得最优卸载方案。特别地,由于车辆移动造成的中断问题被表述为一个回传函数来评估任务卸载策略。仿真结果表明,提出的方案显著提高了用户服务质量(Quality of Service,Qo S)。(2)针对城市区域中因特殊事件激增的延迟敏感的任务场景,本文研究了系统中租赁服务车辆的路径优化和任务调度问题,平衡了时延和支出费用的关系。问题被规划成在保证乘客出行满意度的限制下,最小化卸载时延和支出。本文提出了联合优化调度和路径优化的非支配排序遗传算法(Joint Scheduling and Path Optimization Non-dominated Sorting Genetic Algorithm,JSPO-NSGA)来优化系统性能。首先,为任务节点设计了可达性图并基于旅行时间权重和租赁服务车辆选择概率的最短行驶时间算法(Shortest Travel Time Algorithm,STTA)和最佳调度算法(Optimal Scheduling Algorithm,OSA)初始化任务调度矩阵。然后,设计JSPO-NSGA生成租赁服务车辆最佳路径和任务调度问题的多个帕累托最优解。最后,使用加权求和的方法来找到推荐的解决方案。特别地,联合优化调度和路径优化的非支配排序遗传算法对交叉个体的有效基因建立映射关系,通过冲突检测将交叉产生的无效解映射为有效解。仿真结果表明,所提方案具有优越的性能。
随着后5G时代的到来以及通信设备的快速发展,网络数据流量呈爆发式增长,无线通信系统在通信能力和计算能力方面都面临着前所未有的巨大挑战。后5G时代的新兴网络应用对移动通信有了更加严苛的要求,然而传统云计算由于云服务器距离终端设备较远,无法满足一些时延敏感的业务需求。基于此,借助移动边缘计算(Mobile Edge Computing,MEC)技术,通过将服务下沉至用户端,利用边缘设备的计算资源为用户提供高质量服务。鉴于在该场景下存在任务卸载及资源分配等问题,本文研究了面向后5G移动边缘计算系统的用户任务处理技术,其主要工作及创新点如下:首先,研究了多MEC服务器多用户组成的蜂窝网络通信系统,该系统包括多个配有MEC服务器的基站以及移动用户设备,其中MEC服务器和用户设备共同作为数据处理中心。针对多用户移动边缘计算系统的接入用户容量问题,提出了基于优先级的用户调度方案,在MEC服务器计算资源的限制下,以最大化系统可支持用户数为目标,对边缘计算资源分配策略进行优化。仿真结果表明,在系统总用户数量较多时,与传统用户轮询调度方案相比,所提方案有效提高了系统可支持用户数量。其次,研究了多MEC服务器多用户组成的异构蜂窝网络通信系统,该系统包括配备有MEC服务器的宏基站(Macro Base Station,MBS)、小基站(Small Base Station,SBS)以及多个移动用户设备,其中用户设备具有计算密集型任务需要通过卸载计算进行处理。针对多用户任务的数据传输和计算时延优化问题,提出了卸载任务与计算资源联合分配方案,以MEC服务器计算资源为约束,以最小化多用户任务卸载计算时延为目标,通过采用交替优化方法设计了卸载任务与边缘计算资源联合分配的迭代算法。仿真结果表明,与等任务等计算资源分配方案相比,所提方案能够有效降低系统总时延。最后,研究了单MEC服务器多用户组成的蜂窝网络通信系统,该系统包括配有MEC服务器的基站以及多个移动用户设备,其中用户设备与MEC服务器共同作为数据处理中心。在用户设备任务卸载之前,考虑对任务数据进行压缩以减少传输数据大小。针对多用户任务的压缩时延、卸载时延和计算时延优化问题,提出了任务卸载策略与计算资源分配联合设计方案,以边缘计算资源为约束,以最小化多用户任务处理时延为目标,通过采用交替优化方法设计了联合任务分配、数据压缩和边缘计算资源分配的迭代算法。仿真结果表明,与等任务等计算资源分配不压缩方案相比,所提方案能够有效降低系统总时延。
暂无评论