VECSim:改进iFogSim2的面向车载边缘计算的建模与仿真模拟器

目前,研究人员着眼于车载边缘计算(vehicular edge computing,VEC)环境下高效应用和资源调度策略的研究,然而,这些应用和策略的实机验证往往受限于成本和时间,无法快速有效地进行。边缘/雾计算仿真器如iFogSim2的出现降低了实验成本,然而,高速移动车辆的连接切换和资源分配需求对边缘/雾计算仿真器在VEC下应用提出了挑战。因此,改进了iFogSim2,设计了支持高速移动的VEC环境仿真器VECSim。集成开源基站数据并构建车辆轨迹数据集,以便研究人员专注于资源分配策略。首先,为了简化实验步骤,改进了移动轨迹数据解析模块并适配了微观交通仿真软件Simulation of Urban Mobility(SUMO)生成的车辆轨迹数据。其次,基于分布式数据流模型对VEC下的分布式应用进行建模,并提供了服务迁移基准策略算法。此外,VECSim还引入了时间性能优化方法,通过并行化操作,加速仿真事件处理,从而提高了仿真工具的时间性能。实验表明,相比于iFogSim2中同类的服务迁移算法,提出的服务迁移算法在大规模机动车轨迹数据集验证下表现出良好的稳定性,时间性能优化方法在执行时间上取得了5.3%的性能提升。代码开源地址:https://github.com/LiuZi-yuan-CS/VECSim。

基于改进型TD3算法的车载边缘计算任务卸载决策

为满足复杂车辆任务在时延、能耗和计算性能方面的要求,同时减少网络资源的竞争和消耗,设计了一种基于车载边缘计算(VEC)的任务卸载策略,以最小化任务处理延迟和能源消耗之间平衡的长期成本为目标,将车联网中的任务卸载问题建模为马尔可夫决策过程(MDP),提出了在传统双延时深度确定性策略梯度(TD3)的基础上,利用长短期记忆网络(LSTM)来逼近策略函数和价值函数,将系统状态进行归一化处理以加速网络收敛并增强训练稳定性的改进算法(LN-TD3)。仿真结果表明,LN-TD3性能与全部本地计算和全部卸载计算相比提高了两倍以上;收敛速度上与深度确定性策略梯度DDPG、TD3相比提高了约20%。

车载边缘计算中多任务部分卸载方案研究

现有车载应用设备对时延有更严苛的要求,车载边缘计算(VEC)能够充分利用网络边缘设备,如路边单元(RSU)进行协作处理,可有效地降低时延。现有研究多假设RSU计算资源充足,可提供无限的服务,但实际其计算资源会随着所需处理任务数量的增加而受限,对时延敏感的车载应用造成限制。该文针对此问题,提出一种车载边缘计算中多任务部分卸载方案,该方案在充分利用RSU的计算资源条件下,考虑邻近车辆的剩余可用计算资源,以最小化总任务处理时延。首先在时延限制和资源约束下分配各任务在本地、RSU和邻近车辆的最优卸载决策变量比例,其次以最小处理时延为目的在一跳通信范围内选择合适的空闲车辆作为处理部分任务的邻近车辆。仿真结果表明所提车载边缘计算中多任务部分卸载方案相较现有方案能较好地降低时延。

车载边缘计算网络中基于MAB的动态任务卸载方案研究

将移动边缘计算技术应用到车载网络所形成的车载边缘计算系统,能够通过任务卸载为其他移动设备提供计算服务。然而,由于车载设备的移动性,导致了车载任务卸载环境是动态变化和不确定的,具有快速变化的网络拓扑、无线信道状态和计算负载,这些不确定性让任务卸载过程非理想化。针对这些不确定性,考虑将MEC服务器的计算资源下沉到车载设备,研究车辆之间的任务卸载,并提出了一种解决方案,使得车辆能够在未知状态信息的前提下学习周围车辆的服务性能并卸载任务。基于多臂老虎机框架,设计了一种二阶探索的强化学习算法,以最大化用户平均卸载回报,并且在一个卸载阶段结束后提出了一种服务集更新方式,以保证用户的服务质量。仿真结果表明,与现有的基于置信上限的算法相比,所提方案下的卸载回报提高了约34%。

车载边缘计算中基于轨迹信息的服务迁移策略

面对复杂的道路交通环境和网络条件,如何在多个边缘服务器之间选择合适的目标进行迁移以及避免频繁迁移导致的高额开销是一个难题。为此,提出一种依赖轨迹信息的服务迁移策略,该策略根据车辆的轨迹信息和可迁移的边缘服务器的位置信息来优化迁移策略,从而选择更合适的目标边缘服务器。在此基础上,设计了一种基于竞争深度Q网络(dueling deep Q-network, Dueling DQN)的算法进行快速决策。仿真实验证明了该策略的有效性,与其他策略比较的结果表明,该策略可以权衡时延和迁移开销,取得最小的系统总开销。

车载边缘计算研究综述

随着计算密集和时延敏感型车辆应用的爆炸式增长,集中式云架构产生了高工作负载和任务时延阻塞。为了保证服务质量,车载边缘计算应运而生,这种计算模式将计算能力和存储资源,推移到离数据源更近的边缘服务器或边缘网关等边缘节点上,通过在边缘节点进行实时数据处理和决策,可以显著地减少数据传输时延。首先介绍了车载边缘计算的基本概念,接着对现有研究进行了梳理分类,最后讨论了对车载边缘计算的展望和未来研究方向。

车载边缘计算在电动汽车节能中的应用研究

车载边缘计算(Vehicular Edge Computing,VEC)技术,在网络边缘侧为车辆提供计算资源来处理车辆应用产生的数据。基于车载边缘计算,实时采集电动汽车行驶数据以及动态交通信息,在城市道路环境下研究基于车载边缘计算的电动车辆节能管理系统,对电动汽车的在途动态路径以及驾驶方式进行优化引导,有效降低电动车辆的行驶能耗,提高电动车辆的能源利用率,达到节能减排目的。

车载边缘计算中FTP服务器集群应用研究

主要对车载边缘计算环境中基于Linux平台的FTP服务器集群进行研究,首先对车载边缘计算场景进行分析,了解数据的来源以及传输方向,之后根据需求选择使用FTP协议,搭建一个基于Linux平台的FTP服务器集群,在服务器集群中提供FTP服务,实时上传车载数据,有效避免车辆与云端服务器通信过程中会产生的高延时和数据量庞大的问题,提高道路实时数据处理效率。

车载边缘计算中基于深度强化学习的协同计算卸载方案

车载边缘计算(Vehicular Edge Computing,VEC)是一种可实现车联网低时延和高可靠性的关键技术,用户将计算任务卸载到移动边缘计算(Mobile Edge Computing,MEC)服务器上,不仅可以解决车载终端计算能力不足的问题,而且可以减少能耗,降低车联网通信服务的时延。然而,高速公路场景下车辆移动性与边缘服务器静态部署的矛盾给计算卸载的可靠性带来了挑战。针对高速公路环境的特点,研究了临近车辆提供计算服务的可能性。通过联合MEC服务器和车辆的计算资源,设计并实现了一个基于深度强化学习的协同计算卸载方案,以实现在满足任务时延约束的前提下最小化所有任务时延的目标。仿真实验结果表明,相比于没有车辆协同的方案,所提方案可以有效降低时延和计算卸载失败率。

车载边缘计算环境中的任务卸载决策和优化

车载云计算卸载存在高网络延迟、核心网负载严重等问题,本文提出了一种计算切换策略来降低车载边缘计算环境下的任务完成时间.基于Matlab R2016a平台对最小执行时间算法和最小完成时间算法进行了2组仿真实验,结果表明:通过本文提出的计算切换策略能改良任务卸载效率,缩短任务的完成时间.

基于移动路径预测的车载边缘计算卸载切换策略研究

车载云计算环境中的计算卸载存在回程网络延迟高、远程云端负载大等问题,车载边缘计算利用边缘服务器靠近车载终端,就近提供云计算服务的特点,在一定程度上解决了上述问题。但由于汽车运动造成的通信环境动态变化进而导致任务完成时间增加,为此该文提出一种基于移动路径可预测的计算卸载切换策略MPOHS,即在车辆移动路径可预测情况下,引入基于最小完成时间的计算切换策略,以降低车辆移动性对计算卸载的影响。实验结果表明,相对于现有研究,该文所提算法能够在减少平均任务完成时间的同时,减少切换次数和切换时间开销,有效降低汽车运动对计算卸载的影响。

基于马尔科夫决策过程的车载边缘计算切换策略

针对车载边缘计算环境中卸载场景的动态变化对计算卸载的影响,提出了一种基于马尔科夫决策过程的计算切换策略,在保证任务完成时间的基础上,对计算卸载的整体过程进行分析,从而进一步降低了计算切换的引入对卸载效果的影响。仿真实验针对计算切换的引入是否有助于提升计算卸载的效果以及如何进一步降低计算切换的引入对计算卸载的影响进行了4种算法的对比,实验结果表明,基于文中提出的计算切换策略,可以提升计算卸载的效率,保证用户的服务体验。

L-YOLO:适用于车载边缘计算的实时交通标识检测模型

在车载边缘计算单元中,由于其硬件设备的资源受限,开发适用于车载边缘计算的轻量级、高效的交通标识检测模型变得越来越迫切。文中提出了一种基于Tiny YOLO改进的轻量级交通标识检测模型,称为L-YOLO。首先,L-YOLO使用部分残差连接来增强轻量级网络的学习能力;其次,为了降低交通标识的误检和漏检,L-YOLO使用高斯损失函数作为边界框的定位损失。在TAD16K交通标识检测数据集上,L-YOLO的参数量为18.8 M,计算量为8.211 BFlops,检测速度为83.3 FPS,同时mAP达到86%。实验结果显示,该算法在保证实时性的同时,还提高了检测精度。

基于最小完成时间的车载边缘计算任务流卸载策略

为在具有不稳定网络拓扑结构的车载边缘环境下实现车载任务的顺利卸载,提出一种基于动态优先级的最早完成时间卸载策略。根据车辆的速度、位置以及周围资源的使用状态等多种实时的信息筛选出可用卸载资源,以任务自身属性与可用资源的实际匹配程度作为基础为任务选择合适的卸载策略,实现任务流的完成时间最小化。实验结果表明,与其它策略相比,提出策略可以有效降低任务流的完成时间。

基于Stackelberg博弈的车载边缘计算任务卸载策略

随着智能汽车应用的增多,用户对车辆的计算能力提出了更高的要求。由于车辆的计算能力有限,使得其自身很难完全满足任务的需求。针对这一问题,采用车载边缘计算进行任务卸载,但任务交付会消耗通信资源,因此需要制定有效的激励机制。本文提出了一种基于Stackelberg博弈的任务卸载策略,首先设计了一种基于Stackelberg博弈的激励机制;其次推导出相应条件下的纳什均衡解,制定最优定价策略,进行任务卸载。仿真结果表明,该算法能有效地减少任务处理时延,同时最大限度的提高整体效用。

车载边缘计算卸载技术研究综述

通过将移动边缘计算技术应用在车联网,车载边缘计算技术可为车载用户提供低时延、高带宽、高可靠性的应用服务.首先详细介绍了车载边缘计算卸载技术的背景、意义以及本文的贡献.其次,分别概述了车载边缘计算卸载技术的网络架构、主要挑战以及应用场景.然后,从移动分析、卸载模式、资源协作和管理等多个维度全面综述了车载边缘计算卸载技术的研究工作.最后,对车载边缘计算卸载技术的未来研究进行了展望,可对该领域深入的研究提供有价值的参考.

车载边缘计算中基于信誉值的计算卸载方法研究

将移动边缘计算(mobile edge computing,MEC)引入车载自组网形成车载边缘计算,从而使服务提供商直接利用MEC服务器在网络边缘服务用户,以提升用户体验质量和丰富用户满意度。研究了在车载边缘计算环境下车辆用户的计算卸载问题,提出相应的系统模型与使用讨价还价博弈方法以解决MEC服务器如何根据不同的任务要求与车辆信誉值分配自身的计算资源以执行不同的卸载任务。通过实验仿真验证了该方案的有效性和可靠性。

基于势博弈的车载边缘计算信道分配方法

针对车载边缘计算环境中,边缘节点在为不同数据传输任务分配信道时产生的同信道干扰(Co-Channel Interferences,CCI)问题,本文形式化定义了车载边缘计算信道分配问题,致力于为不同数据传输任务合理分配信道,最大化数据传输任务的完成率.利用势博弈模型将全局优化的信道分配问题转化为边缘节点间的分布式信道分配博弈,并证明了信道分配博弈中纳什均衡的存在性.提出了基于激励的概率更新策略选择(Incentive-based Probability Update and Strategy Selection)算法,根据迭代中所选策略的激励值更新策略选择概率,并分析算法结果收敛至纳什均衡.最后,通过仿真实验验证了本文算法的收敛性以及收敛结果纳什均衡的有效性,且在任务完成率及信道利用效率上优于现有代表性算法.

智能超表面辅助车载边缘计算

车载边缘计算(VEC)是融合车联网与移动边缘计算的一种全新范式。针对障碍物遮挡对车联网中路边单元(RSU)服务性能的影响,提出一种智能超表面(RIS)辅助的VEC部分任务卸载方案。首先,综合分析车辆移动性对系统的影响;其次,联合优化发射功率、卸载比例和时段划分,旨在建立一个车辆最小平均速率最大化问题;最后,采用一种基于近端策略优化(PPO)的深度强化学习(DRL)方法求解该优化问题。仿真结果表明,相比于随机时段划分策略,所提算法的最小平均速率和卸载比例分别提升了61.9%和46.8%。

一种基于车载边缘计算的可预测的任务卸载模型

解决计算密集型任务与车载计算设备资源匮乏之间的矛盾,目前常用的一种解决方案是将计算任务卸载到无线电接入网络的边缘。本文研究了车载边缘计算下的基于移动感知的计算任务卸载模型。考虑到车辆的移动性特性和任务的最大等待时间,本文通过联合优化任务卸载决策,通信和计算资源分配,使车辆选择最佳的卸载执行时间,以达到最大限度地降低系统成本的目的。由于任务到达的随机性,车辆总是倾向于以自私的方式选择MEC服务器进行卸载,这将导致整个系统成本不能达到令人满意的程度,甚至可能导致某些任务执行的失败以及MEC服务器的溢出。因此本文还对任务到达过程进行了建模,将任务到达作为车辆到达和任务生成的复合过程,提出了一种负载感知MEC卸载方法,其中每个车辆根据预测成本选择MEC服务器,并更新MEC服务器的负载分布。仿真结果表明,该方案的任务成功率可达到98%左右。