车辆雾计算中基于反向拍卖的停车辅助方案

车辆雾计算(VFC)作为雾计算的一种扩展模式,将雾计算与传统的车载网络相结合,为车辆用户提供实时响应服务。停车辅助与VFC相结合可以帮助车辆获取停车信息资源,改善交通拥堵状况,但车辆用户及时高效地获取停车信息成为VFC停车辅助中急需解决的问题。为此,构建一种VFC停车辅助系统模型,在该模型的基础上提出一种基于反向拍卖的VFC停车辅助分配策略RAFC,以激励车辆用户和雾节点以拍卖的方式积极参与资源分配并获取收益。理论分析和实验结果表明,RAFC策略可以实现个人理性和预算平衡,相比随机匹配法,其能提高匹配成功率与社会效用并降低用户的开销成本。

车辆雾网络中一种近似最优的计算卸载算法

智能车辆上的时延敏感型任务对计算能力的要求很高,然而请求车辆上可用的计算资源有限不足以单独处理整个任务数据,很难满足时延需求。车辆雾计算(Vehicle Fog Computing,VFC)通过在请求车辆附近进行计算卸载来改善车辆服务。文中基于两阶段生产计划对计算卸载过程进行建模,提出了一种计算卸载算法(Computation Offloading Algorithm,COA)来优化卸载决策和执行顺序,从而降低计算卸载时延。COA在遗传算法(Genetic Algorithm,GA)的基础上应用了Johnson Rules决定卸载顺序。通过SUMO和MATLAB仿真,显示出与GA相比,在相同的迭代次数下,COA具有更低的平均卸载时延和更好的稳定性。

雾计算辅助车联网中面向视频直播业务的资源分配研究

提出一种车辆雾计算网络中视频直播业务的资源分配方法,通过联合优化比特率选择、用户调度和频谱资源分配,以实现在最大化视频质量的同时降低时延和视频抖动.为了降低时延和视频抖动,在效用函数的设计中将时延和比特率切换作为惩罚因子.由于网络的动态变化特性和可用的频谱资源,将上述优化问题建模为马尔可夫决策过程,采用Soft Actor-Critic深度强化学习算法获得最优资源分配策略.仿真结果证明,所提方法比现有强化学习算法具有更好的探索能力和收敛性能.

基于边缘计算的任务卸载研究

边缘计算作为云计算的延伸,很好的解决了因传输距离带来的高时延问题。随着通信技术的快速发展,终端用户数据传输量以及对服务质量的要求也迅速提高,给边缘服务器带来了极大的负担。本文引入车辆雾计算的概念,并通过KM算法实现一对一任务卸载的最优匹配,解决边缘服务器负载过大的问题。基于MATLAB平台进行仿真实验,分析该卸载方法对响应时间的影响,结果表明,该方法相比传统方法可有效降低终端任务卸载的响应时间,提高用户体验。