论文部分内容阅读
许多车载服务需要消耗大量计算资源以及具有严格的时延要求,现有车载终端的计算能力无法满足大规模的计算需求。移动边缘计算(Mobile Edge Computing,MEC)为解决该类问题提供了可能,它将计算资源推向了接入网,在车辆附近提供计算服务,降低车载任务的时延。本文基于车辆快速移动的车联网场景,从降低任务完成时延和优先处理车载安全型计算任务的角度,分别设计了基于部分卸载和二元卸载的总计三种卸载策略。当车辆速度过快时,单个计算任务的时限内车辆可能跨越多个路测单元(Road Side Unit,RSU)覆盖范围,计算结果往往不是处理计算任务的服务器,而是需要多跳通信利用其它服务器实现数据交互。当任务数量多或计算量大时,卸载到MEC服务器的计算任务完成时间内,车辆便会驶离当前所属范围的RSU。针对这种问题,本文提出了联合车到车(Vehicle to Vehicle,V2V)部分卸载策略(Joint partial offloading strategy,JP-OS)和基于MEC负载状态的预测性部分卸载策略(MEC Status-based Partial Offloading Strategy,MSP-OS)。JP-OS策略联合V2V和车到基础设施(Vehicle to Infrastructure,V2I)卸载的两条卸载路径,寻找最佳分割因子将任务拆分为两个部分。而MSP-OS策略则根据MEC服务器的负载状态进行选择性的卸载,通过分析计算任务计算时延与传输时延的关系,确定较好的任务分割比例,将计算任务分割到多个MEC服务器上,为任务获取更多计算资源,降低任务计算时延。最后本文通过实验仿真证明了两种计算卸载策略在计算任务数据量多或者计算量大时能够节省更多的任务时延。从优先处理车载安全型计算任务的角度,本文设计了基于遗传算法的二元卸载策略(Genetic Algorithm Offloading Strategy,GA-OS)。本文建立了一个单向一维道路V2I卸载模型,分析车载终端的移动情况,分析任务所消耗的计算资源,为任务划分处理优先级,最后采取遗传算法对计算任务进行编码,基于任务权重的自适应函数,将任务卸载到各个服务器上。仿真验证了GA-OS策略相较于传统卸载策略,能够实现对车载安全型计算任务的优先处理,提高整体的任务成功处理的比例,能实现在MEC服务器计算资源分布不均的情况下对计算任务进行有效卸载。