车联网的发展备受关注,新的业务需求以及新的技术正融入到车联网中来。随着信息技术的发展带来数据量急速增长,同时也伴随着对计算需求的不断增加,云计算、边缘计算以及雾计算等多种计算方式被提出。现有汽车配备了具有计算能力的车载设备,并且由于汽车数量众多,其蕴藏了大量可用计算资源,车辆雾计算的理念成为研究的一个重要方向。本文就在车辆雾计算理念下,设计了两种为不同对象提供业务卸载服务的卸载方案以及调度算法。以间断性连接车联网场景中的车辆为服务对象,针对其在获取需计算处理的大型业务耗时长的问题,本文在现有研究基础上设计了一种多车协同的业务卸载方案以及资源调度算法。在此场景下,通过利用其他汽车的资源为目标车辆提供服务,达到降低耗时的目的。但由于车辆的存储空间、计算能力有限,当业务量较大时需要多个车辆参与。不过,基于WAVE协议的V2V通信存在干扰问题,多车协同时干扰将极大影响卸载效率,且由于车辆速度较快,V2V通信可持续时间较短,因而需要合理选择参与协同卸载的车辆。为解决在此协同卸载方案下的资源调度问题,本文设计了一种基于动态规划的单车及多车业务卸载资源调度算法,可合理选择车辆参与协同卸载,降低目的车辆获取完整业务的耗时。以城市IoT(Internet of Things)设备为服务对象,针对城市车联网场景下车载计算资源丰富但难以利用的问题,本文设计了一种以公交车作为雾计算中心节点的计算任务卸载方案及任务调度算法。城市中可利用车载资源分散,以公交车作为中心集中部分资源,利用V2V通信组建起计算能力更强大的雾计算节点,可有效缓解日益增多的城市IoT设备对计算资源的需求。然而,由于公交车V2V通信覆盖范围有限,车辆动态出入导致整个雾计算节点算力变化频繁;同时,城市里电波传播环境复杂,公交车与基站间的传输速率也处于波动之中。因此,在进行计算任务分配时若仅局限于当下的雾计算节点算力和信道状况,很可能无法获得较短的任务处理耗时。为了刻画汽车运动造成的算力波动,本文基于实际数据对汽车在公交车通信范围内的驻留时间进行拟合,并据此建立算力波动模型;为了适应算力和传输速率波动,本文改进了MCTS(Monte Carol Tree Search)算法,通过对未来一段时间的状态预估,使其做出合理的任务调度动作,可有效缩短任务的处理耗时。
暂无评论