检索结果-内蒙古大学图书馆

北京交通大学学报 2023年第2期47卷 45-57页

作者：张德干张志昊张捷张婷朴铭杰姜星如天津理工大学天津市智能计算及软件新技术重点实验室天津300384 北京交通大学电子信息工程学院北京100044 天津体育学院体育经济与管理学院天津301617 北京航空航天大学软件学院北京100083

移动边缘计算(Mobile Edge Computing,MEC)作为5G体系结构中非常重要的部分,能够支持需要超低延迟的许多创新性的服务与应用,可以通过引入MEC来解决目前车载移动终端设备无法满足车联网(Internet of Vehicles,IoV)低能耗与低时延需求的... 详细信息

移动边缘计算(Mobile Edge Computing,MEC)作为5G体系结构中非常重要的部分,能够支持需要超低延迟的许多创新性的服务与应用,可以通过引入MEC来解决目前车载移动终端设备无法满足车联网(Internet of Vehicles,IoV)低能耗与低时延需求的问题.提出将车辆计算任务切分成小的有依赖关系的子任务,切分后的子任务可并行处理,同时基于计算任务切分提出时延与能耗模型;构建IoV计算任务卸载的约束多目标优化模型,并提出非支配排序遗传策略(Nondominated Sorting Genetic Strategy,NSGS)来优化目标函数,对IoV中计算任务卸载问题提出新的非支配关系与约束.基于一系列的实验以及卸载方法间的比较,证明了本文所提出方法的有效性及具有更低的时延和能耗.

关键词：车联网移动边缘计算计算任务卸载任务切分非支配排序遗传策略

来源：评论

学校读者我要写书评

暂无评论

车辆间计算任务卸载算法与系统级仿真验证

引用

物联网学报 2019年第3期3卷 62-69页

作者：曾启程孙宇璇周盛清华大学电子工程系

随着自动驾驶技术和车联网的发展,越来越多的车辆将具备强大的计算能力,并通过无线网络实现互联。这些计算资源不仅能够应用于自动驾驶中,也可以提供广泛的边缘计算服务。针对车辆间的计算卸载场景,以最小化平均卸载时延为目标,提出了... 详细信息

随着自动驾驶技术和车联网的发展,越来越多的车辆将具备强大的计算能力,并通过无线网络实现互联。这些计算资源不仅能够应用于自动驾驶中,也可以提供广泛的边缘计算服务。针对车辆间的计算卸载场景,以最小化平均卸载时延为目标,提出了基于在线学习的分布式计算任务卸载算法。进一步搭建了系统级仿真平台,分别在真实的高速公路和城市街区道路环境下,评估了车辆密度、任务卸载份数对平均卸载时延的影响,为不同交通环境下的服务资源分配部署提供了参考。

关键词：车联网 Veins 计算任务卸载系统级仿真

来源：评论

学校读者我要写书评

暂无评论

一种时延能耗感知的在轨边缘计算任务卸载调度方法

引用

计算机科学 2024年第S1期51卷 742-750页

作者：王众晓彭青蓝孙若骁徐锡峰郑万波夏云霓河南大学人工智能学院郑州475004 重庆大学计算机学院重庆400044 昆明理工大学理学院昆明650031

全球智能设备的迅速增长引发了对计算资源下沉至边缘的巨大需求,催生了边缘计算范式的出现。同时,计算资源稀缺的偏远地区用户对算力的需求又推动了在轨边缘计算(Orbit Edge Computing,OEC)概念的提出和发展。在OEC场景下,偏远地区用户... 详细信息

全球智能设备的迅速增长引发了对计算资源下沉至边缘的巨大需求,催生了边缘计算范式的出现。同时,计算资源稀缺的偏远地区用户对算力的需求又推动了在轨边缘计算(Orbit Edge Computing,OEC)概念的提出和发展。在OEC场景下,偏远地区用户可以通过星地和星间通信链路将计算任务卸载至部署在低轨卫星上的边缘服务器,以此突破地面计算通信基础设施的限制,为偏远地区的用户提供低时延和高可靠的服务。然而,OEC场景中卫星算力受有限载荷和太阳能转化效率约束,同时还存在低轨卫星绕地导致的高度动态的星地连接造成的可用时隙有限的限制,面临着计算资源稀缺和可用通信时间有限所带来的挑战。因此,需要高质高效的任务卸载决策算法来保证OEC系统的高效运行。然而,目前在OEC场景下任务卸载方法大多在处理任务时无法兼顾计算任务卸载时延与能耗,此外传统方法还缺少对任务多样性的考量。针对上述问题,提出了一种基于自适应大邻域搜索的在轨边缘计算任务卸载方法OEC-ALNS,该方法以任务类型加权的任务处理成本为优化目标,并针对性地提出了基于最小化时延的破坏算子和修复算子来进一步提升搜索效率和卸载调度质量。基于Walker Delta低轨卫星星座和真实计算任务数据的实验结果表明,与传统的OEC-TA(OEC Task Allocation)方法相比,提出的OEC-ALNS方法在多个任务集异构的OEC场景中最多能够减少42.22%的加权任务处理成本和降低42.46%的平均时延。

关键词：在轨边缘计算低轨卫星星座计算任务卸载自适应大邻域搜索

来源：评论

学校读者我要写书评

暂无评论

基于NOMA的移动边缘计算任务卸载策略研究

基于NOMA的移动边缘计算任务卸载策略研究

引用

作者：李锦桂电子科技大学

学位级别：硕士

随着移动互联网的快速发展,无线终端的数量飞速增长,同时涌现了大量计算密集和低时延需求的应用。传统的移动云计算很难满足这些新出现的应用对时延的需求。而移动边缘计算(MEC)则通过将计算资源部署在网络边缘,使得计算服务更靠近用户... 详细信息

随着移动互联网的快速发展,无线终端的数量飞速增长,同时涌现了大量计算密集和低时延需求的应用。传统的移动云计算很难满足这些新出现的应用对时延的需求。而移动边缘计算(MEC)则通过将计算资源部署在网络边缘,使得计算服务更靠近用户端,所以计算任务卸载的时延显著减小,进而满足用户的时延需求。然而,MEC是通过无线网络为边缘设备提供服务的,由于无线频谱资源的稀缺性,在密集接入网络场景下,有限的传输带宽会成为MEC系统性能的瓶颈。为了提高MEC系统中无线资源的使用效率,非正交多址接入技术(NOMA)被引入,NOMA通过将同一时频资源分配给多个用户使用,从而提升系统容量和无线资源的使用效率。但NOMA的引入也使得用户分组、功率分配、无线资源以及计算资源的分配耦合起来,对MEC系统中的任务卸载问题的建模和求解带来巨大挑战。因此,本论文针对NOMA-MEC系统中的用户分组、无线资源分配和任务卸载决策展开了研究。本论文首先研究了无线设备移动性较低、慢变化信道场景下,多用户NOMA-MEC场景下任务卸载。我们将该场景下的任务卸载问题建模为一个以无线设备能耗和为优化目标,同时优化了无线设备的任务卸载量、无线设备的发射功率、用户的分组以及时隙的分配。由于该优化问题的非整数线性规划特性,本文将该问题解耦为两个子问题,首先设计了一种基于匈牙利算法的用户分组算法来进行用户分组,然后证明了当用户分组确定时,该能耗优化问题的凸优化特性。最后,我们通过数值仿真验证了本论文研究的模型和设计的算法的有效性。在此基础上,我们进一步研究了无线设备的信道动态变化且任务到随机到达场景下的任务卸载问题。在该场景中,无线设备会缓存随机到达的任务,且在每个时隙根据信道、队列长度、计算任务的排队时间等信息决策是否卸载计算任务或者在本地处理计算任务,从而尽可能降低无线设备的能耗。我们将每个无线设备的任务卸载决策问题都转化为一个马尔科夫决策过程,并使用多智能体强化学习来对无线设备的任务卸载问题进行分布式决策,从而使得无线设备的长期能耗最低。最后,我们进行了仿真验证,证明了本论文所设计的基于多智能体强化学习的算法的收敛性以及相对单智能体、随机的算法在能耗、任务卸载量方面的优越性。

关键词：非正交多址接入移动边缘计算计算任务卸载

来源：评论

学校读者我要写书评

暂无评论

基于无人机自组网的数据收集和计算任务卸载方法研究

基于无人机自组网的数据收集和计算任务卸载方法研究

引用

作者：王华露电子科技大学

学位级别：硕士

无人机因其具有飞行灵活、功能丰富、易于部署等特点,被广泛应用于地震、火灾、火山爆发等突发情况。在这些场景下,通过部署异构的无人机群能获得灾区的实时态势感知。无人机一方面可以飞行到传感器上方进行数据收集,另一方面可以通过... 详细信息

无人机因其具有飞行灵活、功能丰富、易于部署等特点,被广泛应用于地震、火灾、火山爆发等突发情况。在这些场景下,通过部署异构的无人机群能获得灾区的实时态势感知。无人机一方面可以飞行到传感器上方进行数据收集,另一方面可以通过配备的处理器对收集到的数据进行实时计算,并将计算的结果通过无人机自组网、基站等发送给远方的指挥中心。然而,在应急场景下需要保证指挥中心能快速获取灾区情况,同时也要使得无人机群能工作更长时间以发挥更大作用。因此,本文从优化多无人机收集数据的方法以及无人机对本地的计算任务的卸载策略两方面展开研究,以保证指挥中心获得的灾区信息的新鲜度和时效性以及实现无人机的节能需求。在使用多无人机辅助传感器进行数据收集任务时,保证收集信息的新鲜度的同时降低无人机的能耗具有一定的挑战。在应急场景下,传感器会被密集部署,多个传感器的传输范围可能重叠,同时可用的无人机的数量有限。通过减少无人机的悬停位置、合理规划每架无人机的收集区域以及优化飞行轨迹能够减少无人机的飞行距离和时间,进一步实现数据信息年龄和无人机能耗的联合优化。因此,本文将多无人机辅助数据收集问题拆解成三个子问题进行求解:确定数据收集点(Collection Points,CPs)、自适应划分无人机负责的区域以及为无人机规划飞行轨迹。第一步,利用图论知识确定数据收集点的位置,使得无人机能够悬停收集到所有传感器的数据;第二步,利用核K-means算法将数据收集点进行聚类,并将每一个聚类分配给一架无人机,为无人机自适应的划分收集区域,避免一架无人机收集相距过远的传感器导致其飞行距离的增加;最后,使用改进的蚁群算法规划无人机的飞行轨迹,使其能在飞行距离最短的情况下遍历该簇内的所有数据收集点。通过实验仿真分析,证明了设计的算法的有效性,且与其他算法对比,本文设计的算法在降低传感器的平均信息年龄和无人机的能耗方面性能更好。在应急场景中,数据收集是第一步,当收集完传感器的数据之后,无人机将使用机载的处理器对数据进行实时计算,去除冗余的信息,仅将有用的信息传输给远方的指挥中心。考虑无人机的异构性,若计算能力弱、能量有限的无人机本地计算分析所有的数据,一方面会使得计算任务的完成时延高,另一方面会使得无人机的工作时间变短,进一步导致无人机自组网的生命周期变短。因此,本文考虑无人机自组网和基站共同构成协同计算网络,无人机可以将任务卸载给四跳范围内计算能力更强的无人机或者基站进行计算。本文假设无人机能够通过信息交互协议获得四跳范围内的局部信息,引入深度强化学习中的近端策略优化算法(Proximal Policy Optimization,PPO),使得每个无人机能够作为智能体对每个时隙需要计算的任务做出分布式的决策:本地计算还是卸载、卸载给谁以及多跳卸载的传输路径。为了适应无人机飞行引起的无人机自组网的网络拓扑的动态化,设计了无效状态掩蔽层和无效动作掩蔽层,以实现在动态环境中的任务卸载策略更新。仿真结果表明,相较于全部本地计算、全部卸载给基站、随机卸载以及基于深度Q网络(Deep Q-Network,DQN)算法的卸载策略,本文设计的基于PPO的卸载算法在性能方面更优,能够联合优化计算任务的完成时延以及无人机的能耗。

关键词：无人机自组网数据收集计算任务卸载蚁群算法近端策略优化算法

来源：评论

学校读者我要写书评

暂无评论

面向工业互联网的移动边缘计算任务卸载方法研究

面向工业互联网的移动边缘计算任务卸载方法研究

引用

作者：阚国宾哈尔滨工程大学

学位级别：硕士

近年来,低时延、高可靠、广覆盖的工业互联网为工业制造提供了网络基础保障,使得工业制造获得了空前的发展。然而,随着工业终端设备数量的增长和智能化程度的提高,终端信息呈现出爆炸性增长,给中央通信链路带来了巨大的压力。在工业互... 详细信息

近年来,低时延、高可靠、广覆盖的工业互联网为工业制造提供了网络基础保障,使得工业制造获得了空前的发展。然而,随着工业终端设备数量的增长和智能化程度的提高,终端信息呈现出爆炸性增长,给中央通信链路带来了巨大的压力。在工业互联网中应用边缘计算技术能有效的缓解这一情况。在面向工业互联网的移动边缘计算中,通过终端计算任务合理卸载到边缘服务器,在缓解中央通信链路压力的同时,降低了终端任务的完成时间,满足了工业互联网大规模集成环境下的计算任务需求,为工业制造向智能制造的跨越提供了技术保障。然而,如何在边缘网络环境下降低任务卸载开销(延迟和能耗),以达到任务的合理卸载是亟待解决的难题。为了解决这一问题,本文针对工业互联网不同边缘任务卸载场景进行研究,从而具体化的实现不同卸载环境下任务卸载开销最小化。论文的主要工作如下:首先,针对有关联的任务卸载场景,考虑工业互联网环境多边缘服务器中关联任务网络链路传输开销和任务实例化开销卸载等因素,提出并实现了一种基于任务链的多中心关联任务卸载方案。该方案对序列任务在多中心移动边缘计算系统卸载进行建模,将原始计算任务卸载问题转化为多约束条件下0-1整数线性规划问题。在多变量耦合情况下,通过拉格朗日松弛将最小化开销问题转为两个子问题,并使用启发式算法和连续凸逼近算法分别求解。该方案在最小化开销下有效降低求解规模,在多项式时间内得到次优解,满足了工业互联网实际应用的需要。其次,针对无关联任务卸载场景,研究系统全局信息未知情况下,分布式任务卸载问题。通过对多智能终端在服务器信息未知及智能终端之间信息未知情况下任务卸载进行建模,并将任务卸载开销最小化问题转化为集中式最优卸载与分布式最优卸载效益遗憾最下化问题。同时采用多臂老虎机算法中探索-利用策略提出并实现了一种基于多臂老虎机的分布式无关联任务卸载方案,从而对最小遗憾问题进行求解,并引入遗憾评价函数对求解结果进行直观的评价。最后,通过对实验场景仿真及相关对比实验,表明本文提出的多中心关联任务卸载方法及分布式无关联任务卸载方法具有更低的卸载开销,从而确保任务卸载具有更优的卸载效益。这些结果验证了本文卸载方法的性能和优势。

关键词：工业互联网移动边缘计算计算任务卸载启发式算法多臂老虎机

来源：评论

学校读者我要写书评

暂无评论

车联网中内容驱动的计算任务卸载与资源分配算法研究

车联网中内容驱动的计算任务卸载与资源分配算法研究

引用

作者：冯浩北京邮电大学

学位级别：硕士

视频信息为车辆的智能化和网联化提供了丰富的信息,视频数据中包含的信息需要通过内容理解与分析来获取,这使车联网视频内容的理解与分析逐渐成为一种趋势,提高视频内容理解的精度成为推进车联网发展的重大挑战。同时移动边缘计算(Mobil... 详细信息

视频信息为车辆的智能化和网联化提供了丰富的信息,视频数据中包含的信息需要通过内容理解与分析来获取,这使车联网视频内容的理解与分析逐渐成为一种趋势,提高视频内容理解的精度成为推进车联网发展的重大挑战。同时移动边缘计算(Mobile Edge Computa-tion,MEC)的发展为车辆提供了大量的计算资源,弥补了车辆计算能力的不足,因此如何利用移动边缘计算来提高视频内容理解精度成为重要的问题。车联网中的移动边缘计算注重于在移动网络的边缘提供云计算能力和信息技术服务,其被认为是推动智能网联车发展的关键技术。车联网中的移动边缘计算主要分为两个方面:计算任务卸载以及资源分配。如何进行计算任务卸载与资源分配将影响视频内容理解的性能。目前关于计算任务卸载以及资源分配已经存在了大量的研究,如基于服务质量(Quality of Service,QoS)或基于用户体验质量(Quality of Experience,QoE)的方案,然而这些方案无法充分利用有限的资源以满足车辆对于视频内容理解精度的需求,因此无法很好的支撑车辆的智能网联化。针对上述的问题,为了提高视频内容理解的精度以适应车辆智能网联化的发展,本文提出了内容驱动的计算任务卸载与资源分配方案,通过对车辆采集视频信息进行预处理,并构建视频内容的重要性模型作为依据指导计算任务卸载与资源分配。主要研究内容如下:第一,针对车联网中视频内容理解任务的计算任务卸载决策问题,提出了一种内容驱动的计算任务卸载决策算法。首先,分析了视频内容理解任务与边缘服务器状态的关系,量化了计算任务卸载决策系统效用,随后构建了相应的时延能耗模型,最终将视频内容理解任务的计算任务卸载决策问题转化为混合整数线性规划问题(Mixed-Integer Nonlinear Programming,MINLP)。为了求解该问题的最优解需要涉及海量状态的决策,本文选择了基于强化学习的MCTS算法,通过改进置信度上限算法来帮助对状态下的动作进行选择,并且采用了通过深度神经网络(Deep Neural Networks,DNN)预训练状态转移概率的方法对于该算法进行了改进。最后通过仿真证明了所提出的算法降低了算法复杂度、提升了收敛速度,并且提高了系统的效用以及视频内容理解任务的精度。第二,针对车联网中视频内容理解任务在上传和处理过程中的计算任务卸载以及资源分配问题,提出了一种内容驱动的计算任务卸载与资源分配联合优化算法。首先建立了计算任务卸载决策以及资源分配与视频内容理解任务精度之间的优化模型,并根据优化模型量化计算任务卸载决策与资源分配在视频内容理解任务下的效用,构建了一个多目标优化问题,根据计算任务卸载决策、通信资源以及计算资源分配的效用,通过最大限度地提高车联网中计算任务卸载与资源分配系统的总效用来提高计算任务卸载与资源分配的有效性。随后将车辆的计算任务卸载决策以及资源分配的联合优化问题构建为马尔可夫决策过程(Markov Decision Process,MDP)。为了解决此MDP,考虑到上述联合优化问题中存在巨大的状态空间和动作空间,本文使用基于深度确定性策略梯度算法来进行处理,仿真结果表明相较于其他深度强化学习算法该算法具有更快的收敛速度和更好的学习性能。相较于深度强化学习(Deep QNetworks,DQN)等方法中需要大量步骤才能达到接近最优策略不同,该方法以较少的学习步骤达到了更高的系统效用,并且有效的利用了边缘侧的通信资源与计算资源。

关键词：车联网资源分配计算任务卸载深度强化学习内容驱动视频内容理解

来源：评论

学校读者我要写书评

暂无评论

车联边缘网络中车辆间计算任务卸载算法研究

车联边缘网络中车辆间计算任务卸载算法研究

引用

作者：朱奇星南京邮电大学

学位级别：硕士

随着信息技术的进步,道路环境增强现实、人车动态交互、行驶安全预警等时延敏感型应用层出不穷,对车载通信中低延时高可靠的数据转发要求造成了巨大的挑战。此外,传统云计算已经不能满足毫秒级时延的处理要求,将移动边缘计算技术应用至... 详细信息

随着信息技术的进步,道路环境增强现实、人车动态交互、行驶安全预警等时延敏感型应用层出不穷,对车载通信中低延时高可靠的数据转发要求造成了巨大的挑战。此外,传统云计算已经不能满足毫秒级时延的处理要求,将移动边缘计算技术应用至车联网环境是发展的趋势与方向。然而边缘服务器部署数量有限,同时一些车辆也搭载了高性能计算单元却未被充分利用。在这种情况下,如何设计出一种适用于车联边缘网络的车辆间计算任务卸载算法来提升充分利用高性能车辆闲置资源,弥补边缘服务器部署不足,同时降低车辆本地计算延迟成为了亟待解决的问题。本文围绕车联边缘网络环境,重点研究面向车载自组织网络中的车辆间计算任务卸载,本文主要研究工作如下:(1)一种基于多臂赌博机的静态车辆计算任务卸载。该方案将行驶中的车辆分为任务车和服务车,其中任务车指的是计算任务发起方,服务车指的是计算任务接收方;接着利用熵值法建立了优先级模型,使得同时生成的计算任务有序排列;然后对服务车可用计算和通信资源进行分析,用多臂赌博机问题对计算任务卸载问题进行建模,并利用自适应UCB(Upper Confidence Bound)算法进行卸载策略求解。结果表明,该方案相对于原始UCB以及?-greedy算法在平均计算延迟上降低了约12%,相对于随机卸载降低了约22%,并且累计超时概率上降低了约10%。(2)一种基于车辆聚类的动态车辆计算任务卸载。该方案首先以车辆间移动方向的夹角为依据生成每个车辆的邻居节点列表;其次以车辆之间的马氏距离描述样本差异,并定义可达距离放大散点与聚类中心的距离;接着以马氏距离为边,车辆样本为顶点建立无向图,再找到图中的最小生成树并将其转化为层次聚类结构同时压缩聚类树以去除散点;然后根据簇稳定性自动提取聚类簇,并根据车辆移动性相关参数选取簇头进行集群的管理;最后基于聚类结果,结合研究内容一的多臂赌博机问题模型,在UCB算法中加入跨簇卸载宽容度参数进行计算任务卸载策略求解。结果表明,该方案在平均计算卸载延迟以及计算结果返回率上与对比方案相比均取得了优化,并且该方案的聚类簇以及簇头的存活时间延长了10%～20%

关键词：车载自组织网络移动边缘计算计算任务卸载车辆聚类

来源：评论

学校读者我要写书评

暂无评论

面向车联网的计算任务卸载与内容缓存策略研究

面向车联网的计算任务卸载与内容缓存策略研究

引用

作者：郑可厦门大学

学位级别：硕士

车联网(Internet of Vehicles,IoV)是第五代移动通信(The Fifth Generation Communication Technology,5G)的重要应用场景之一。车联网中各类新兴业务的出现与数据流量的爆炸性增长,对车联网有限的计算、存储和通信资源提出了巨大的挑... 详细信息

车联网(Internet of Vehicles,IoV)是第五代移动通信(The Fifth Generation Communication Technology,5G)的重要应用场景之一。车联网中各类新兴业务的出现与数据流量的爆炸性增长,对车联网有限的计算、存储和通信资源提出了巨大的挑战。移动边缘计算(Mobile Edge Computing,MEC)为车联网资源短缺问题提供了有效的解决方案。然而,车辆移动性导致的资源动态变化性使得将MEC应用于车联网面临着一系列难题。如何在资源受限且快速变化的车联网环境下设计高效的计算任务卸载和内容缓存策略成为研究热点之一。因此,本文针对面向车联网的计算任务卸载与内容缓存策略进行研究,主要工作内容如下: (1)针对计算任务卸载中车辆快速移动导致的资源动态变化问题,提出了一种基于联邦学习(Federated Learning,FL)的车辆簇计算任务卸载策略以最小化计算任务完成时延。该策略能在降低车辆网络拓扑动态性的基础上,由车辆簇内的多个车辆通过协作的方式进行双重深度Q网络(Double Deep QNetwork,DDQN)的训练和更新,并结合计算任务的时间依赖关系实现最优的计算任务卸载决策。仿真实验结果表明,所提出的基于联邦学习的车辆簇计算任务卸载策略能有效降低任务完成时延。 (2)针对车辆资源受限场景下的流行内容缓存放置问题,提出了一种基于联邦学习的车辆簇内容缓存策略以最大化缓存节点收益。该策略利用多个簇头车辆及其本地数据进行局部深度Q网络(Deep QNetwork,DQN)的训练和更新,并由宏基站进行模型参数的聚合,通过综合考虑车辆移动性、用户兴趣偏好、历史内容请求频次与车辆的缓存能力实现流行内容的动态缓存。仿真实验结果表明,所提出的基于联邦学习的车辆簇内容缓存策略可有效提升缓存命中率和缓存内容交付率。

关键词：车联网移动边缘计算计算任务卸载内容缓存联邦学习

来源：评论

学校读者我要写书评

暂无评论

车联网中基于MEC的计算任务卸载策略研究

车联网中基于MEC的计算任务卸载策略研究

引用

作者：王寒松北京邮电大学

学位级别：硕士

随着汽车制造业和物联网的快速发展,出现了许多新型的应用和技术,如自动驾驶、智能交通等,给人们的生活带来了许多便利。同时这些应用处理相关数据需要大量的存储和计算资源,并对通信网络服务质量提出了更高的要求。现有的车联网无法满... 详细信息

随着汽车制造业和物联网的快速发展,出现了许多新型的应用和技术,如自动驾驶、智能交通等,给人们的生活带来了许多便利。同时这些应用处理相关数据需要大量的存储和计算资源,并对通信网络服务质量提出了更高的要求。现有的车联网无法满足这些新型车载应用对计算资源和时延等方面的需求,为此引入了移动边缘计算(Mobile Edge Computing,MEC)技术。目前,车联网与MEC结合的相关研究引起了学术界和工业界的广泛重视。车辆移动会影响MEC的数据卸载过程,导致网络场景和资源分配变得更为复杂,随之带来了许多待解决的问题。MEC服务器一般部署在路边基站上,其服务范围会受到基站无线通信范围的影响。因此,车辆的移动性可能会导致计算任务卸载出现中断。此外,还可以通过车辆间通信的方式将计算任务卸载到其他有空闲计算资源的车辆中。如何对车联网中的多种卸载方式进行选择也是一个值得深入研究的问题。本文主要工作概括如下:针对车辆向路边MEC服务器进行计算任务卸载时,由于车辆移动导致卸载中断的问题,提出了一种车联网中避免传输中断的自适应计算任务卸载策略。在问题建模中考虑了许多实际环境的影响因素,包括车速的动态变化、小区的覆盖范围、数据传输的速率和计算资源等,并根据这些影响因素动态调整相应的卸载策略,在避免卸载中断的前提下,最小化完成计算任务的时延。为了更好地适应车速变化,将计算任务切分成许多个小的任务单元,每个任务单元既可以留在本地执行计算,也可以被卸载到MEC服务器上。然后考虑车辆实时车速以及所处的小区带宽、信道等通信影响因素和计算资源,得出一个合适的任务单元数量预分配方案。最后,使用部分卸载方式对这些预分配到的任务单元进行卸载,计算出单个小区内卸载到MEC服务器进行计算的任务单元数量占该小区内预分配的任务单元总数的最佳比例。仿真结果证明,所提的自适应计算任务卸载策略在时延和能耗方面的性能良好,可以有效的防止卸载过程中出现中断。针对基于MEC的车联网中如何利用多种卸载方式高效地完成一个计算任务,提出了一种基于时延最小化的联合卸载策略,综合考虑车辆本地、协作车辆和MEC服务器的计算资源,进行问题建模,得到最优的计算任务执行方案,最小化完成计算任务的总时延,并提高资源的利用率。充分考虑了实际车联网场景的限制条件,如车辆间相对速度、计算资源分布不规则、带宽、路径损耗等影响因素。首先将计算任务分为三部分,分别对应上述的三种计算资源。然后,通过分析卸载顺序对总时延的影响,提出了两种联合卸载模式。在不同的环境下,两种联合卸载模式的性能不同,从中选择较优的一种使用。此外,还提出了一种针对协作车辆间卸载的分布式算法,根据车联网网络拓扑结构和计算任务大小寻找出一条最优的车辆间卸载的数据传输路由。仿真结果表明,所提的联合卸载策略可以有效地降低完成计算任务的时延,提高计算资源的利用率。

关键词：车联网移动边缘计算计算任务卸载车辆间协作

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：