论文部分内容阅读
随着各种能够提升驾驶体验和交通安全的智能车载应用的出现,车载设备无法依靠自身有限的计算资源完成对这些计算密集型应用的处理。由于车辆可以通过车载通信设备实现高速移动环境中的无线接入,形成车与车之间、车与路边基础设施以及车与行人之间的无线通信链路,基于车辆网络将计算任务卸载到计算资源充足的云服务器进行处理被认为是一种可行的解决方案。但是,云服务器的远程部署使得任务的卸载需要经过核心网的传输,增大了传输的时延和不稳定性。多接入边缘计算(Multi-access Edge Computing,MEC)技术通过在更接近用户的网络接入侧部署MEC平台,为用户提供所需服务和云端计算功能,相比于云计算,省去了数据在核心网传输的过程,具有低时延、高带宽、高可靠性等优点。在基于MEC的车联网系统中,用户的卸载决策以及MEC平台计算资源的分配都会对整个系统的任务处理效率产生影响,此外,频谱资源的分配也是需要关注的问题。本文主要研究基于MEC的车联网系统中的任务卸载策略以及频谱和计算资源的分配问题,首先通过网络模型、通信模型和计算模型对问题建模,针对车载应用产生的计算任务,联合考虑了车辆本地计算、车到基础设施(Vehicle to Infrastructure,V2I)卸载计算以及车到车(Vehicle to Vehicle,V2V)卸载计算三种任务处理方式,并给出了车辆任务处理总时延的表达式;然后根据问题模型,在考虑计算和频谱资源限制以及可靠性约束下,构建最小化任务处理总时延的最优化问题。原问题是一个混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题,是非确定性多项式困难(Non-deterministic Polynomial-hard,NP-hard)的,没有可以对其精确求解的算法。本文通过将原问题分解成两个子问题,对其分步求解,首先确定各个车辆的任务处理方式,再对系统中计算及传输资源的分配问题进行求解。最后通过仿真实验,分析了系统中车辆数、系统总带宽、边缘计算服务器总计算资源等参数对系统任务处理总时延的影响,验证所提任务卸载与资源分配策略的有效性。