车辆边缘计算任务卸载策略研究.pdf

摘要

近年来，物联网（InternetofThings，IoT）技术以及汽车工业发展十分迅速，同时，5G

通信网络也越来越普及，真正实现万物互联的时代已经到来。在车联网（Internetofvehicles，

IoV）领域，各种计算密集型和延迟敏感型的应用开始兴起，这对具有有限计算能力的车载系

统提出了严峻的考验。作为5G关键技术之一的移动边缘计算（Mobileedgecomputing，MEC），

通过将存储和计算能力下移到网络边缘，可以有效地解决用户车辆计算能力不足的问题，并

降低数据处理时延，减少终端能耗。然而，道路上也存在许多计算资源空闲的车辆，如何设

计一种卸载方案把这些空闲资源利用起来以进一步提高车辆边缘计算服务能力是如今非常热

门的一个研究点。

本文首先针对高速公路场景下车辆高机动性和中心云距离较远导致数据卸载延迟较大等

问题，为了最大限度地降低卸载时间和能耗，提出了一种基于遗传算法（GeneticAlgorithm，

GA）的分布式车辆边缘计算卸载方案。该方案通过综合考虑本地车辆终端、路边基站上的边

缘服务器以及周围空闲车辆的协同，能够最小化任务执行的总成本，包括时延和能耗，同时

满足当前任务最大时延限制。最后，通过仿真模拟验证了所提出方案的正确性和稳定性，并

与其他方案进行了对比，结果表明所设计方案具有明显优越性。

另外，针对当前城市道路蜂窝基站覆盖充足而路边基站设备相对较少环境下，车辆自身

计算资源不足以解决计算密集型以及延迟敏感型任务的问题，本文提出了一种基于粒子群算

法（ParticleSwarmOptimization，PSO）的集中式辆边缘计算卸载方案。该方案结合了城区内

覆盖范围较广的蜂窝基站、区域内固定以及移动边缘节点，在满足区域内用户车辆最大时延

容忍度的前提下最大限度地减少当前区域内所有用户总体任务执行的时延和能耗，以时延能

耗加权和作为优化目标，并通过改进的粒子群算法（POS-X）对最优化问题进行求解。仿真

结果证明，在相同情况下，所提方案的平均时延和平均能耗相比其他三种算法有明显的降低，

并且算法收敛速度相对较快，所设计方案具有明显优势。

关键词：车联网，边缘计算，分布式卸载，集中式卸载，遗传算法，粒子群算法

Abstract

Inrecentyears,InternetofThings(IoT)technologyandtheautomotiveindustryhave

experiencedrapiddevelopment.Atthesametime,5Gcommunicationnetworksarebecoming

increasinglypopular,andtheeraoftrueinterconnectivityofeverythinghasarrived.Inthefieldof

InternetofVehicles(IoV),variouscompute-intensiveanddelay-sensitiveapplicationsareemerging,

whichpresentsaseverechallengetoonboardsystemswithlimitedcomputingcapabilities.Mobile

EdgeComputing(MEC),oneofthekeytechnologiesof5G,caneffectivelyaddresstheproblemof

insufficientcomputingpowerofuservehiclesandreducedataprocessinglatencyandterminal

energyconsumptionbysinkingstorageandcomputingcapabilitiestotheedge.However,thereare

alsomanyvehiclesontheroadwithidlecomputingresources.Howtodesignanoffloadi