论文部分内容阅读
随着汽车行业与物联网技术的快速发展,车载应用的大幅度增长为有限的车辆计算资源带来了挑战。车载设备的不断更新,允许车辆与周围服务节点进行V2X(Vehicle-to-Everything)通信,因此将任务卸载至云服务器或者邻近车辆进行计算可以有效扩展车联网计算能力。然而,由于云服务器的远程部署容易导致时延抖动,无法满足车联网“低延时、高可靠性”的要求。移动边缘计算(Mobile Edge Computing,MEC)将云服务下沉至无线网络边缘,在靠近用户的位置提供计算服务,从而弥补了远程云计算所带来延迟波动,可以有效提高用户服务质量。然而由于MEC服务器与车辆计算能力有限,海量的计算数据让本就稀缺的网络资源面临沉重的压力,严重影响车辆任务计算代价。因此,本文在基于MEC的车联网场景下,研究了如何为卸载任务选择恰当的卸载节点以及如何合理分配网络内通信、计算与缓存资源的问题。本文的主要内容概括如下:1.针对V2X场景下复杂的网络状态与海量的计算数据为车联网带来的时延和能耗增加以及服务质量下降的严峻问题,构建了MEC和软件定义网络相结合的车联网络框架。为了进一步降低系统开销,提出一种联合任务卸载与资源分配机制,对基于MEC的V2X卸载与资源分配进行建模,给出了卸载决策、通信和计算资源的合理分配方案。考虑到问题的NP-hard属性,利用Agglomerative Clustering匹配初始卸载节点,并采用Q-learning进行资源分配;将卸载决策建模为完全势博弈,通过势函数构造证明纳什均衡。仿真结果表明,相比于其他机制,该机制能有效降低系统开销。2.考虑到车联网逐步以内容为中心,车联网对多媒体服务的需求呈指数级增长,大量的数据交换为移动网络带来了沉重的负担,因此构建了一种车联网中基于MEC的V2X协同缓存和资源分配框架,利用MEC服务器与周围邻近车辆增强边缘缓存能力,以减少重复传输,提高资源利用率。为了进一步降低计算开销,通过设计V2X协同缓存与资源分配机制,实现网络内计算资源、通信资源以及缓存资源的有效分配。针对多目标优化模型,根据不同任务请求车辆对传输速率的需求,利用图着色模型为卸载用户分配合适信道以降低信道干扰。为了最小化系统开销,采用拉格朗日乘子法对功率与计算资源进行分配。仿真结果表明,在不同的系统参数下,所研究机制可以有效降低系统开销,减少任务完成时延。