随着社会的发展与科技的进步,机动车保有量正在呈爆炸式增长。日益增长的汽车数量对交通、环境及人身健康等方面问题带来了巨大的挑战。一方面,人们对于行车安全、通行效率、驾驶体验等方面的要求越来越高;另一方面,管理者对于自动化交通管理、交通控制、拥塞疏导、环境保护等方面的需求越来越大。如何在车联网中解决上述问题成为了全球各个国家高度关注的研究内容。现今,结合云计算技术的车云网成为了解决车联网问题的有效途径。然而,云计算带来的高时延通常无法满足车联网应用对实时性的要求。以边缘计算为主的云计算技术的发展,则为车联网实时性以及架构和资源管理等问题提供了更灵活有效的解决思路。如何利用边缘计算技术构建面向车联网应用与典型场景业务需求的架构,以及如何在架构中合理高效地管理车云资源,为车辆用户提供低时延高可靠的服务,是车联网相关研究的关键所在。本论文针对上述问题,提出了面向车联网应用的分层云网络架构,并选取了三类典型的车联网应用场景,在分层云架构的基础上展开了对各层云网络资源管理与优化问题的研究。本文主要研究内容和创新性归纳如下:(1)面向车联网应用的分层云网络架构设计:本论文首先对车联网应用类型与典型场景进行了总结;在此基础上,本论文提出了面向车联网应用的分层云架构。架构自下而上分别为车云网络、边缘云网络和远端云网络。本论文详细设计了分层云网络针对的业务类型以及各层架构具体设计,并说明了后续研究内容所对应的车联网应用场景以及云网络的层次。最后,本论文对分层云网络的优势做出了分析,从应用、资源利用率、实时性、可靠性和扩展性方面说明了分层云网络如何提升车联网应用的服务质量。本论文所提架构为后续研究提供了基本的思路。(2)基于车云网络的计算资源分配策略研究:在前述分层云网络架构基础上,本论文研究了基于车云网络的计算资源分配策略问题。在高速同步流场景下,车云网络中车辆的计算资源可以共享给其他车辆使用,也可以将自身的计算任务卸载至其他车辆,从而降低计算任务完成时间,提高资源利用效率。在这个过程中,社交关系会对目标车辆所能提供的资源数量以及计算任务数据的传输产生影响。因此,本论文研究了在社交关系限制下,车云网络中的计算资源分配策略问题。本论文首先建立了上述问题的系统模型,并分析了系统状态转移概率。然后,本论文采用了基于模型的动态规划算法对模型进行了求解,得到了计算资源分配策略。最后,本论文通过仿真对所提策略与基准策略进行了对比。结果显示所提策略在不同社交关系阈值、不同请求到达率以及不同业务平均计算量情况下的系统收益均优于基准策略。(3)基于边缘云的缓存资源分配策略研究:在前述研究的基础上.本论文进一步研究了基于边缘云的缓存资源分配问题。在城区十字路口场景中,车辆的轨迹通常可以预测,这为基于车辆轨迹的预缓存提供了可能。然而.一方面车辆轨迹预测并不完全准确,一旦出现预测错误.将会造成缓存资源的浪费;另一方面,边缘云中的缓存资源是有限的.不能为所有车辆提供完整的缓存服务,这就为边缘云缓存资源分配策略提出了挑战。本论文针对上述问题,提出了基于车辆轨迹预测的缓存资源分配策略。本论文首先对上述问题进行了建模分析。然后,本论文采用了模型无关的表格式增强学习算法进行了求解,获得了边缘云网络缓存资源分配策略,并详细给出了训练过程算法。最后,本论文在仿真中利用长短期记忆网络对真实车辆行驶数据进行了轨迹预测,并利用预测结果仿真验证了所提策略在不同预测准确率及不同缓存总量情况下的性能以及决策分布情况。结果显示,所提策略在上述两种情况下性能均优于基准策略。(4)基于车-云协作缓存的边缘云网络通信与缓存资源联合优化:在前述研究的基础上,本论文继续探索了在车-云协作缓存的场景下边缘云通信与缓存资源联合分配策略问题。在高速自由流场景中,由于车辆具有较快移动速度.单纯的边缘云缓存可能无法满足业务需求。通过结合车辆轨迹预测技术:业务数据可以被预缓存至边缘云和对向行驶的车辆中,从而提高请求车辆的数据获取速率。然而.车-车通信与车-路通信的带宽是受限的,边缘云中的缓存资源也是受限的,如何有效地分配传输带宽与缓存资源成为了一个关键问题。本论文针对上述问题,提出了通信与缓存资源联合分配策略。本论文首先将上述问题进行了建模分析。由于模型中状态空间与决策空间均为连续空间.因而本论文引入了函数近似与策略梯度方法,并通过神经网络对策略与决策值函数进行了近似。然后,本论文采用深度确定性策略梯度算法对上述问题进行了求解:得到了带宽与缓存联合分配策略,并详细给出了算法的具体流程。最后,本论文通过仿真将所提策略同多个基准策略进行了比较。结果显示,所提策略在不同的平均车速、不同的业务数据量以及不同的边缘云缓存大小情况下均能获得最佳收益。