《Computer Communications》：Spatiotemporal-aware task offloading with backhaul optimization for vehicular edge computing
編輯推薦：
智能交通系統中車載邊緣計算任務卸載的協作決策模型與混合算法優化，有效緩解交通熱點回傳瓶頸問題，降低系統平均延遲12%，提升任務成功率。
Aoran Li|Honglong Chen|Zhishuai Li|Ning Chen|Zhichen Ni|Haiyang Sun
中國石油大學控制科學與工程學院智能傳感與測控技術山東省工程研究中心，青島 266580，中國
摘要
智能交通系統（ITS）產生了大量的車輛數據，這帶來了前所未有的計算挑戰。盡管云計算提供了豐富的計算資源，但其對遠程數據中心的依賴往往會導致實時ITS處理中的延遲和帶寬問題。車載邊緣計算通過將資源分配到網絡邊緣來解決這一問題。這使得能夠高效地將任務卸載到附近的智能連接車輛（ICVs）上，顯著減少了延遲，同時提高了響應速度和資源利用率。然而，隨著任務數據量的增加，在資源受限的交通熱點環境中，回程階段成為了主要的瓶頸，導致現有的卸載方法難以維持高效的任務處理。本文的主要貢獻是一個協作式卸載決策模型，該模型通過同時考慮延遲和資源限制來優化車載網絡中的任務分配。為了解決這個問題，我們提出了三個主要貢獻：首先，我們基于多跳通信開發了一個協作式卸載決策模型，為每個任務生成最優的卸載節點選擇策略；其次，我們將車載任務卸載問題表述為一個具有不確定處理時間的靈活作業車間調度問題；最后，我們設計了Dijkstra遺傳算法（DGA），這是一種將Dijkstra多策略方法與遺傳算法相結合的新型混合優化方法，以提高卸載效率。仿真結果顯示，與現有方法相比，我們的方法在優化目標上減少了12%，并且在整體性能上也有顯著提升。
引言
作為智能交通系統（ITS）的核心組成部分，車聯網（IoV）支持自動駕駛、協作感知和智能交通信號控制等應用。這些應用依賴于車輛收集和交換的數據，從而產生了巨大的實時處理需求[1]、[2]、[3]。然而，傳統的云計算架構需要將數據傳輸到遠程數據中心，這會導致延遲和響應速度不足的問題，特別是對于對延遲敏感的車載任務[4]。為了解決這些問題，車載邊緣計算（VEC）作為一種新的計算范式應運而生[5]、[6]。通過將計算能力物理上靠近數據源，VEC有效地減少了端到端的延遲，從而為智能連接車輛（ICVs）提供了更可靠的計算支持。
在VEC系統中，可以通過車對基礎設施（V2I）通信將任務卸載到路邊單元（RSUs）[7]。RSUs是邊緣基礎設施的重要組成部分，輔以移動多接入邊緣計算服務器和車載計算節點[8]。與基于云的處理相比，V2I減少了傳輸距離和延遲。然而，RSUs的容量有限，在交通熱點地區，多輛車競爭同一資源可能會降低性能[9]。最近的IoV進展允許ICVs通過車對車（V2V）通信提供計算支持[10]，從而緩解了RSU的擁堵并提高了系統效率。盡管有這些優勢，在擁堵區域同時應用V2I和V2V仍然具有挑戰性。現有的研究[11]、[12]、[13]通常假設車輛是靜止的，忽略了移動性對通信鏈接的影響，而其他研究[14]則關注客戶端車輛的利益，這可能會導致資源利用不平衡并降低系統性能。
此外，任務數據量的快速增長使得任務回程階段變得越來越關鍵。在傳統的V2I和V2V場景中，返回數據的量通常很小，回程延遲可以忽略不計。然而，新興的ITS應用正在改變這一假設。例如，圖像增強和對象檢測任務會產生高分辨率的視覺結果，需要返回給客戶端[15]，多源數據融合會產生需要回傳的大量中間輸出[16]。這些應用大大增加了結果反饋數據的量，加劇了已經過載的交通熱點地區的網絡擁堵和延遲累積[17]。因此，回程階段可能成為主要的瓶頸，開發能夠考慮移動性、工作負載不平衡和回程限制的高效任務卸載和資源分配策略已成為一個緊迫且未解決的研究挑戰。這種效應取決于具體場景，在擁堵交通熱點地區的數據密集型ITS服務（例如高分辨率視覺和融合輸出）中最為明顯，而在結果量小或網絡負載較低的情況下，回程延遲可能可以忽略不計。
在本文中，我們研究了交通熱點地區的V2I和V2V網絡組合，這帶來了兩個關鍵挑戰。第一個挑戰是如何利用道路網絡中車輛的移動路徑來高效分配系統的計算資源；第二個挑戰是如何選擇合適的任務卸載目標節點。如果許多客戶端設備將任務卸載到同一個服務設備上，可能會導致該設備上的任務堆積，從而阻止及時計算，最終導致任務超時。此外，不正確的卸載目標選擇可能會引入大量的任務傳輸和回程延遲，這也可能導致任務超時。為了解決這些挑戰，我們提出了一種聯合任務卸載和資源分配方案，以在VEC環境中最小化總任務處理延遲并提高成功率，實現了一種結合Dijkstra算法和遺傳算法的混合算法。本文的主要貢獻如下：
- •
在車輛移動軌跡和任務回程數據量的限制下，我們制定了任務卸載路徑規劃優化問題，旨在最小化延遲比和成功率的加權和，這已被證明是NP難的。
- •
我們提出了一種計算車輛可用通信時間的方法，并設計了一種多跳任務卸載選擇機制，以確保任務能夠被傳遞到適當的服務車輛上進行高效執行。
- •
我們提出了一種名為Dijkstra遺傳算法（DGA）的混合算法，它結合了Dijkstra多策略生成算法和遺傳算法，以實現高效的任務卸載路徑規劃。
- •
綜合仿真證明了我們方案的有效性。與參考方案相比，我們的方案表現出更好的性能。
本文的其余部分組織如下。第2節簡要回顧了相關文獻。第3節給出了系統模型，并制定了系統延遲和任務成功率的聯合優化問題。第4節開發了混合DGA及其理論分析。第5節描述了廣泛的仿真和對比分析。最后，第6節總結了本文。
相關工作
相關工作
近年來，在車載邊緣計算（VEC）的任務卸載方面取得了顯著進展。現有文獻[18]大多忽略了車輛在VEC網絡中的移動性，導致理論分析與實際性能指標之間存在差異。最近的研究[19]、[20]、[21]通過考慮延遲、能耗和服務質量（QoS）來重構系統模型，從而納入了車輛移動性。
系統模型
在本節中，我們首先介紹了擁堵道路場景下VEC系統的V2V和V2I網絡模型。隨后，我們定義了決策變量，包括描述計算卸載過程中延遲和任務成功率的指標。
如圖1所示，我們考慮了一個由個RSUs和個ICVs組成的VEC系統。RSU集合表示為：，ICV集合表示為：。基于我們的系統模型，我們描述了計算任務
智能車輛選擇方法
在本節中，我們詳細闡述了車輛選擇機制，并證明了目標問題屬于NP難問題。為了解決這個問題，我們提出了一種結合Dijkstra算法和遺傳算法的混合算法，稱為DGA，旨在實現高效的多跳任務卸載策略。
性能評估
在本節中，我們進行了廣泛的仿真來評估我們提出的模型和算法的性能。我們首先指定了模型參數，然后進行了全面的仿真分析，以考察關鍵參數（包括設備數量、任務量、任務類別和跳數）對目標函數的影響。最后，我們通過與基準解決方案的比較研究驗證了我們模型和算法的優越性。
結論
在本文中，我們提出了一種協作式任務卸載模型，該模型聯合優化了車輛移動模式和回程階段操作，以最大化系統效用，解決了現有交通熱點研究中的關鍵限制。我們制定了一個受延遲約束的卸載路徑規劃問題，旨在在車輛移動軌跡和任務回程數據量的限制下，最小化系統平均延遲和任務成功率的加權和。我們提出了一種名為
CRediT作者貢獻聲明
Aoran Li：撰寫——審稿與編輯、撰寫——原始草稿、可視化、驗證、軟件、方法論、調查、形式分析、數據整理、概念化。Honglong Chen：撰寫——審稿與編輯、監督、方法論、概念化。Zhishuai Li：撰寫——審稿與編輯、軟件、方法論、調查。Ning Chen：軟件、調查、數據整理。Zhichen Ni：調查。Haiyang Sun：監督。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文報告的工作。
Aoran Li于2023年在中國石油大學青島分校獲得了自動化專業的學士學位。他目前正在中國石油大學控制科學與工程學院攻讀碩士學位。他的當前研究興趣包括車聯網和邊緣智能。
