论文部分内容阅读
无线技术与物联网的飞速进步加快了智能汽车的发展,使得智能车辆能够为人类提供更好的服务。目前车辆终端已经在智能车辆中进行了广泛的部署,大多数车辆应用所产生的任务能够由智能车辆中的车辆终端部分进行处理。但随着一些新兴车联网业务的出现,使得车辆终端所能提供的计算资源很难在截止时延内处理此类计算密集型任务,任务数据量的激增对传统车辆网络提出了挑战。为了解决这一问题,提出了移动边缘计算(Mobile Edge Computing,MEC)的解决方案,该方案将计算资源推送到无线接入网络侧,并在车辆附近提供卸载服务。由于距离较近,MEC服务器范式能够在任务卸载过程中提供快速交互,并丰富车辆用户对延迟敏感应用任务的体验。本文具体研究内容如下:1.为了实现车联网场景下车辆用户的绿色通信问题,本文提出了通过将当前车辆任务的所有参数进行分析,进而得到每个车辆任务的最优计算节点,最终使得系统的平均执行能耗最小。该车辆系统中,在保证每个计算节点队列长度稳定且满足任务截止时延的前提下,本论文联合李雅普诺夫理论及贪婪算法共同获得车辆任务的最优动态卸载策略。通过理论分析及仿真结果表明论文所提出的算法具备较低的复杂度,与最短计算队列等待时间算法及完全卸载到MEC算法相比,该算法能有效降低任务执行的能量消耗,且大大提高了卸载效率。2.在车辆密集的多MEC系统场景中,单个MEC服务器可能很难提供充足的计算资源。针对这种情形,本论文研究通过添加一个备用MEC服务器的方法来弥补系统中计算资源不足的问题。本论文联合任务卸载策略及计算资源分配以最小化系统成本。由于该目标函数难以直接求解,本论文提出一种启发式算法,将原问题转换为本地计算资源分配及任务卸载子问题分别求解。其中本地计算资源分配问题采用一般数学推导求得最优解,任务卸载子问题联合了任务卸载及MEC资源分配两个部分,采用拉格朗日优化算法进行求解,从而实现以最小成本计算系统中的车辆任务。理论分析和仿真结果表明论文所提出的方案可以大大降低系统的计算成本,特别是当道路上的车辆越多时,该算法对减小系统成本更加明显。