面向车辆边缘网络中的任务动态卸载算法

近些年来,车辆边缘网络将移动边缘计算技术融合进车联网取得了极大的进展,然而,在实时道路交通中,以自动驾驶为代表的紧急任务通常与流媒体应用数据并发,从而带来额外的任务卸载能耗与卸载时延。综合考虑紧急任务与普通任务的特性,构建了一个基于非正交多址技术和李雅普诺夫理论的任务动态卸载框架,该框架以系统稳定为前提,对车辆的传输功率与无线接口进行实时控制;针对普通任务的能量成本优化问题以及紧急任务的执行时延优化问题,在精确势博弈理论的基础上提出了兼容双任务类型的联合功率与信道分配算法来获得最优的纯策略纳什均衡解。数值结果验证了所提方案相较于其他基准方案在系统稳定以及减小系统能量成本等方面具有显著的优势。

面向车辆边缘计算的任务合作卸载

随着物联网技术和人工智能技术的飞速发展,车辆边缘计算越来越引起学者的关注。车辆如何有效地利用其周边的各种通信、计算和缓存资源,结合边缘计算系统模型将计算任务迁移到离车辆更近的路边单元,已经成为目前车联网研究的热点。由于车辆应用设备计算资源的有限性,车辆用户的任务计算需求无法满足,需要提升车辆周边计算资源的利用率来完成计算任务。本文研究了车辆边缘计算中任务的合作卸载机制,以最小化车辆任务的计算时延。首先,考虑周边停泊车辆以及路边单元的计算资源,设计了由云服务器层、停泊车辆合作集群层和路边单元合作集群层组成的任务合作卸载3层系统架构,通过路边单元合作集群和停泊车辆合作集群的合作卸载,充分利用系统的空闲计算资源,进一步提高了系统的资源利用率。然后,基于k-聚类算法的思想提出了路边单元合作集群划分算法对路边单元进行合作集群的划分,并采用块连续上界最小化的分布式迭代优化方法设计了任务合作卸载算法,对终端车辆用户的任务进行卸载计算。最后,通过将本文算法和其他算法方案进行实验仿真对比,仿真结果表明,本文算法在系统时延和系统吞吐量方面具有更好的性能表现,可以降低23%的系统时延,并且能提升28%的系统吞吐量。

局部观测的车辆边缘计算在线服务迁移决策

针对多用户、全局信息缺失的复杂车辆边缘计算场景,提出了一种基于多智能体强化学习的车辆边缘计算服务迁移策略,使车辆在仅获得部分观察的情况下仍能进行不完整系统信息学习并进行分布式在线迁移决策。该策略使用Gumbel-Softmax采样改进的多智能体深度确定性策略梯度算法实现,用户间通过协作和竞争来达到共同的目标,从而使系统更加灵活,提高系统的整体收益和稳定性。真实数据集的仿真实验结果表明,该策略收敛速度快,在不同用户数量和任务到达率场景下均表现出较好的性能,鲁棒性和稳定性优于其他对比策略。

面向车辆边缘计算的多目标任务卸载算法

为解决车联网动态环境下,计算和通信资源不足时的任务卸载问题,提出一种基于车辆边缘计算的多目标任务卸载算法。搭建车辆边缘计算中的通信模型和计算模型,考虑每个车辆应用的任务时延约束,设计了多目标优化目标函数,联合优化时延和能耗成本;引入交叉变异、非支配排序、拥挤度排序等技术,提出了多目标任务卸载算法。实验表明,相比于其他任务卸载算法,所提算法显著减少了处理任务的时间和能耗。

车辆边缘计算中基于深度学习的任务判别卸载

车辆边缘计算(VEC)将移动边缘计算(MEC)与车联网(IoV)技术相结合,将车载任务下沉至网络边缘,以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境,首先依据所选的5大特征参数的动态关联变化准则,使用改进型层次分析法(AHP)将车载任务划分为3类主要任务,基于3种卸载决策进行资源分配联合建模;随后,利用调度算法和罚函数来消除建模的约束条件,所获的代价值为之后的深度学习算法提供输入;最后,提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明,所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性,并降低了任务平均处理时延与能耗。

基于深度强化学习的车辆边缘计算任务卸载方法

车辆边缘计算允许车辆将计算任务卸载到边缘服务器,从而满足车辆爆炸式增长的计算资源需求。但是如何进行卸载决策与计算资源分配仍然是亟待解决的关键问题。并且,运动车辆在连续时间内进行任务卸载很少被提及,尤其对车辆任务到达随机性考虑不足。针对上述问题,建立动态车辆边缘计算模型,描述为7状态2动作空间的Markov决策过程,并建立一个分布式深度强化学习模型来解决问题。另外,针对离散—连续混合决策问题导致的效果欠佳,将输入层与一阶决策网络嵌套,提出一种分阶决策的深度强化学习算法。仿真结果表明,所提算法相较于对比算法,在能耗上保持了较低水平,并且在任务完成率、时延和奖励方面都具备明显优势,这为车辆边缘计算中的卸载决策与计算资源分配问题提供了一种有效的解决方案。

基于方向分形维的高速公路车辆边缘检测研究

基于图像的高速公路障碍物检测是实现汽车视觉导航的核心问题。在一个景物快速变化的视频图像中检测出目标物体是难度较大的图像分割和识别问题,而目前的各种分割算法也各有优劣。本文主要针对四川和重庆地区高速公路的特点,在分形维的基础上提出了方向分形维的算法,结合图像的灰度特征,用来提取车辆边缘并分割高速公路上的车辆。处理结果显示了方向分形维较强的分割能力和对特殊背景噪声的鲁棒性。本文针对分形算法的计算特点构造了相应的快速算法。经上路实验验证,算法实时性满足高速公路视觉导航系统的需要。

一种基于滑动差分的车辆边缘检测新方法

在基于视频的交通监控系统中,车辆的快速、有效提取是车辆检测中的一个重要环节。在彩色图像中,当车辆出现在道路上时,因为车辆与道路相比颜色上有较大的差异,所以在车辆的边缘像素点上会发生颜色的突变。本文以此为依据,结合车辆的几何信息,提出了一种新的车辆提取算法。此方法通过对彩色图像进行逐行扫描的方式,利用滑动差分滤波器,确定每行的车辆边缘像素点,进而将车辆从图像中提取出来。实验证明,该方法能简单有效地提取车辆。

车辆边缘计算环境下任务卸载研究综述

计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战,将任务卸载到传统的云平台会有较大的传输延迟,而移动边缘计算专注于将计算资源转移到网络的边缘,为移动设备提供高性能、低延迟的服务,因此可作为处理计算密集和延迟敏感的任务的一种有效方法.同时,鉴于城市地区拥有大量智能网联车辆,将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值,因此在车联网场景下,结合移动边缘计算产生了新的计算模式——车辆边缘计算.近年来,智能网联车辆数量的增长和新兴车辆应用的出现促进了对车辆边缘计算环境下任务卸载的研究,本文对现有车辆边缘计算环境下任务卸载研究进展进行综述,首先,从计算模型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析.然后介绍了最小化卸载延迟、最小化能量消耗和应用结果质量三种常见的优化目标,并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的归类和比较.此外,本文还介绍了几种常用的实验工具,包括SUMO、Veins和VeinsLTE.最后,本文围绕卸载决策算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结,并展望了车辆边缘计算环境下任务卸载未来的发展方向与前景.

车辆边缘网络中基于多参数MDP模型的动态服务迁移策略

为解决车辆移动及边缘服务器有限服务范围造成的服务中断问题,为车辆边缘网络提出一种基于多参数马尔可夫决策过程的动态服务迁移算法。通过构造包含时延、带宽、服务器处理能力及车辆运动信息的多参数MDP收益函数,弥补了单纯基于距离进行服务迁移方案的不足;不再使用单一迁移目标服务器,结合车辆运动及时延限制构造候选服务器集合,基于Bellman方程表示的长期收益值进行迁移决策;利用历史数据进行权重计算及数据更新,提高了算法对动态环境的适应能力。仿真结果表明,所提算法降低了服务时延、数据分组丢失率及服务迁移次数。

基于车辆边缘计算的用户能耗最小化资源分配研究

考虑车辆时变信道对资源分配策略的影响,构建在保证任务QoS要求下的车载用户终端能量消耗最小化问题。利用车辆信道可预测特性以及李雅普诺夫随机优化理论将原问题分解为计算资源分配和无线资源分配两个子问题。由于计算资源分配子问题是单变量优化问题,因此可以直接得到解决方案。而对于无线资源分配子问题,通过将其转换为单变量优化问题进行求解。基于两个子问题的结果,提出一种联合无线与计算资源分配算法。仿真结果显示,当数据包平均到达速率从20个/时隙增加到40个/时隙时,该算法能耗相较于传统的贪婪算法能耗降低了48.85%。

车辆边缘网络中传输信息的QoS保障机制

随着经济水平的快速发展,车辆越来越多。车辆的增多给道路带来如交通拥塞和交通安全等问题。为这些信息提供服务质量保障将提高交通安全并提升用户的乘车体验。基于增强分布式信道访问机制提出了一个新的服务质量保障方案--scenes enhanced distributed channel access(SEDCA)。通过边缘服务器获得道路密度,并在接入类别队列内部根据信息属性设计了分类器来更加严格的区分消息的优先级。然后,在不同场景下,从接入类别队列内部调度、增强分布式信道访问参数调整等方面对信息提升服务质量性能。仿真结果表明方案提升了网络性能。

面向停驻车辆辅助边缘计算的服务可靠增强算法

停驻车辆辅助边缘计算(Parked Vehicle Assisted Edge Computing,PVEC)可充分利用停驻车辆闲置资源,有效缓解车载边缘计算中的资源供需矛盾。然而,因停车行为具有不确定性,车主可突然中止车辆对外提供的计算服务。这将增大用户获取可靠计算服务的难度。为此,本文提出一个面向PVEC的服务可靠增强问题,并引入任务复制技术,将该问题转化为任务副本卸载问题,目标是最小化任务副本的平均服务时延。同时,证明了该问题的NP难解性。为求解问题,提出一种贪婪算法(Greedy Algorithm,GA),优先为具有较大数据量的任务选取一组服务时延最小且满足其服务可靠需求的停驻车辆。此外,还提出一种增强遗传算法(Enhanced Genetic Algorithm,EGA),以进一步优化算法GA的解。实验结果表明,针对用户服务可靠需求变化的情形,与现有的冗余最小化算法及非任务复制算法相比,算法EGA和GA有效降低了任务副本的平均服务时延。

面向绿色计算的车辆协同任务卸载方法

车辆边缘计算(VEC)为处理计算密集、延迟敏感型任务提供了新的范式,然而边缘服务器在整合可再生能源方面的能力较差。因此,为了提高边缘服务器的能效,该文设计了一种面向绿色计算的车辆协同任务卸载框架。在该框架中,车辆配备能源收集(EH)设备,通过彼此间共享绿色能源和计算资源协作执行任务。为有效促进车辆的参与积极性,该文通过动态定价激励车辆,并综合考虑了车辆的移动性、任务优先级等。为了使卸载决策适应动态环境的变化,该文提出了一种基于双延迟深度确定性策略梯度(TD3)的任务卸载方法,以在最大化所有车辆平均任务完成效用的同时减少边缘端电网电力的使用。最后,仿真结果验证了该方法的有效性,相比基于深度确定性策略梯度(DDPG)和基于贪心原则(GPE)的方法在性能上分别提升了7.34%和37.47%。

一种新型卸载方案:基于停泊车辆中继的车载边缘任务卸载方案

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。VEC可解决车载终端计算能力不足的问题,同时可减少车联网通信服务时延,避免路边停泊车辆自身大量空闲资源浪费。提出基于停泊车辆中继的车载任务卸载方案,通过合理部署边缘服务器和引入协作中继技术,可将车联网通信过程中的时延降低至毫秒级。仿真结果表明,与传统的车与基础设施(vehicle to infrastructure,V2I)卸载方案相比,基于停泊车辆中继的车载任务卸载方案可将通信时延降低20%。

基于李雅普诺夫随机优化的车辆边缘计算资源管理

针对车辆边缘计算系统中的计算资源管理问题,提出一种基于李雅普诺夫随机优化的计算卸载与资源分配方案.构建在保证任务量及长期能耗约束下的车辆用户服务时延最小化优化问题,利用李雅普诺夫随机优化理论将优化问题分解.在本地计算资源分配子问题中,通过求解线性问题的方法,得到最优本地计算CPU频率;在计算卸载子问题中,利用数值优化求解得到最优发射功率.借助李雅普诺夫随机优化中的漂移惩罚方法,设计一种低复杂度的联合计算卸载与资源分配算法,通过同时控制卸载决策、本地计算CPU频率和计算卸载的发射功率,实现整个车辆边缘计算系统中车辆用户的服务时延最小,提高车辆边缘计算服务质量.仿真结果验证了所提出算法的有效性.

基于强化学习的车辆服务迁移方法

近年来,随着中国对于车联网发展战略的落实,基础设施与车联应用服务规模不断增加,车联应用服务对于资源的需求越来越高,现有车辆配备的有限计算资源已无法满足需求,需要将服务迁移到路侧单元,以提供充足的计算资源并降低服务时延。本文在车辆边缘计算场景下,提出了一种基于强化学习的车辆服务迁移方法,以降低服务的延迟与能耗。首先为迁移过程中可能产生的成本建模,并把服务迁移问题规约为马尔可夫决策问题,通过应用深度强化学习算法以降低迁移产生的成本。实验结果表明,提出的算法优于基线算法,在高速环境下具有相对较强的鲁棒性。

结合模糊分割和遗传算法的航空影像车辆提取方法

利用高分辨率遥感影像实现道路车辆监测在交通管理系统中占有重要地位,然而受成像条件及车辆本身颜色多样性的影响,很难从遥感影像中直接提取道路车辆。为此,本文提出了一种结合遗传算法和数学形态学的遥感影像道路车辆提取方法。首先利用模糊聚类方法建立影像分割模型,并利用遗传算法对其进行求解,从而实现影像中道路、车辆及环境的精确分割;然后对分割结果中不同层进行赋值,实现分割结果的二值化;最后利用数学形态学操作从分割的道路—车辆的二值结果中剔除道路,从而实现道路车辆的提取。利用本文方法对航空影像进行了道路车辆提取试验。试验结果表明,本文方法不仅能够准确识别地面车辆位置,还能精确提取其轮廓线。

基于机器视觉的道路上前方多车辆探测方法研究

本文提出了一种基于车辆特征的方法识别和跟踪前方的车辆。首先，利用车辆底部存在阴影的特征，在图像中获得可能的车辆存住区域。然后，通过分形维数计算车辆的纹理特征，排除非车辆区域。最后，利用车辆的边缘信息，通过投影变换方法，对候选区域内的车辆进行定位。此外，利用NMI特征法对定位的车辆进行确认。该算法对不同环境和光照条件下的车辆图片进行了测试，以及在高速公路上进行了实时跟踪，具有较好的鲁棒性和可靠性。

车联网区块链分布式车对车计算卸载方法研究

车辆边缘计算是通过车辆间传输计算任务来完成计算卸载,可以提高车辆的计算能力。目前的卸载任务分配策略没有同时考虑数据安全性、卸载任务优先级、计算资源释放和激励车辆共享计算资源,难以适应动态车辆环境。针对以上背景,研究分布式车对车(V2V)计算卸载问题,建立马尔科夫决策过程,设计了基于深度强化学习的计算卸载最优任务分配策略,利用动态定价来激励车辆共享计算资源,考虑卸载任务优先级和计算资源释放机制。将卸载方案嵌入到区块链中,通过建立车联网区块链的身份认证机制,对车辆信息、任务信息、交易信息等敏感信息进行加密处理,满足保障数据安全性的需求。仿真实验结果验证了所提出方法的性能,与其他算法相比,该方法在节省10.28%训练时间的情况下,将系统平均效益至少提高了9.58%。