论文部分内容阅读
随着车联网（Internet of Vehicle,IoV）和多接入边缘计算（Multi-access Edge Computing,MEC）技术的发展,车辆可以作为计算节点与MEC服务器共同提供计算资源,进行统一的资源调度,从而形成了车辆边缘协作计算（Vehicular Edge Collaboration Computing,VECC）。然而,在车辆边缘协作网络中,车辆的高速移动导致网络资源和网络拓扑具有不确定性。同时,车辆边缘协作网络中的任务大多为计算密集和时延敏感型任务,单车辆的计算能力不足以支撑此类任务的运行。因此,如何在车辆边缘协作网络中合理进行资源调度成为了新的研究挑战。车辆边缘协作网络中的资源调度方法可以分为计算卸载和服务迁移两部分。计算卸载过程允许复杂任务在满足时延等约束条件的情况下将其卸载至其他边缘节点,现有研究成果缺少对车辆边缘协作网络中异构资源的整合,同时对动态时延约束研究不够充分。服务迁移旨在将运行中的服务整体迁移至其他边缘节点,从而保证服务运行的连续性和服务质量。服务迁移当前存在迁移迟滞性、重复迁移等多项问题。针对现有研究中上述不足,本文对车辆边缘协作网络中的资源调度方案展开了研究:（1）提出一种基于车辆环境动态约束的智能联合卸载算法。首先,利用车辆的感知功能,建立多智能体群智感知网络,根据车辆当前的交通路网状况预测下一时隙的车速和车辆密度,从而计算出车辆的可通信时间。然后整合车辆和边缘服务器等异构节点的资源状况,充分考虑节点的动态时延约束,基于深度强化学习算法建立卸载方案,最小化卸载时延,实现资源的合理分配。最后通过仿真实验证明所提算法收敛性较好,能准确预测交通路网状况,有效降低卸载时延。（2）提出一种基于车辆边缘协作网络迟滞性预测的自学习迁移算法。为解决服务迁移的迟滞性问题,首先对车辆边缘协作网络中各节点的资源需求进行预测。由于车辆边缘协作网络中数据量较大,资源需求具有一定实时性,因此采用“离线学习-在线预测”的滑动窗口机制保证模型的准确性。整合车辆边缘协作网络中的异构通信方式,基于深度强化学习技术提出前瞻性服务迁移算法,充分考虑各节点下一时隙的可用资源状况,提高迁移的成功率,避免二次迁移带来的额外开销。最后通过仿真实验证明所提方法的收敛性较好,准确率较高,迁移成功率高,有效避免二次迁移,实现资源的合理分配。