近年来,随着车联网技术的飞速发展,推动了包括智能驾驶、智能导航等技术的进步成熟。然而,这些新型计算密集型业务不仅计算量需求庞大,而且对时延有严格要求。传统基于云计算的解决方案受限于集中式网络架构,网络时延较高,不能有效支撑这些业务。为解决上述问题,业界提出了基于雾计算的车联网解决方案,通过将具有计算能力的边缘节点下沉至用户附近以降低网络时延。为了从系统的角度对基于雾计算的车辆网性能进行分析验证,本文搭建并实现了基于雾计算的车联网系统级仿真平台,并进行了相关的仿真评估工作。主要工作与创新总结如下:1.本论文按照3GPP相关协议给出的车联网场景参数,如路径损耗、阴影衰落、快速衰落等,设计并搭建了车联网系统级仿真平台,重点完成了基于负载均衡与切换策略的车辆接入、计算卸载时延计算模块,并在此基础上实现了分布式雾计算功能。2.基于所搭建的系统级仿真平台,分别对采用本地计算、云计算、雾计算三种计算模式下的车联网时延进行了评估。首先,考虑到实际场景中不同业务之间业务包大小存在较大差异,本论文仿真了不同业务包大小对业务时延性能的影响,仿真结果表明当业务包较小时,采用本地计算模式的性能优于其他计算模式,而随着业务包大小由5 MB增大至20 MB时,雾计算模式时延性能较其他两种计算模式提升了约17%;其次,本论文仿真了不同的车辆速度对业务时延性能的影响,仿真结果表明随着车辆速度由70km/h上升至140km/h,采用雾计算模式的时延性能较其他计算模式提升约10%;最后,本论文仿真了不同CPU处理能力下三种计算模式的业务时延性能,仿真结果表明随着CPU计算能力的提升雾计算模式的时延性能会逐渐超越其他两种模式,雾计算时延性能较其他计算模式可提升约15%。3.为了有效提高基于雾计算的车联网系统级仿真平台的性能,本文对基于雾计算的车联网中资源分配算法展开了研究,提出了一种以时延最小化为目标的计算资源分配与卸载决策联合优化方法。针对联合优化问题的高复杂度,本文采用深度强化学习对原有混合整数规划问题进行了高效求解,对所提算法性能进行了仿真验证。仿真结果表明,所提优化算法相较于基于传统卸载方式的算法时延性能约提升8%。本论文围绕基于雾计算的车联网系统级平台展开了研究,研究成果不仅为基于雾计算的车联网架构的标准化制定提供了支持,也可为雾节点的部署应用提供性能参考。