基于SDN的车联网边缘计算及协作分载机制研究

发布时间：2020-10-20 11:28

　　 随着物联网与智能交通系统的发展,交通环境中实时产生的任务量激增,同时任务的多样性和复杂性对车载计算设备的计算资源和存储资源等要求也越来越高。通过引入云计算可加速车辆密集型任务的处理,以满足用户需求,但基于云计算的方法还存在以下问题:一是核心云服务器通常部署在骨干网后端,远程云卸载会产生较长的传输回程,增加了通信开销和传输延时;二是在动态车辆密集型网络中蜂窝基站负载过大,导致数据传输效率较低;三是实时车辆计算任务在处理过程中分配不均,使得业务拥塞和系统开销增加。针对这些问题,本文开展了以下研究:(1)提出一种用于动态交通场景中车辆任务分载的架构,即软件定义车辆边缘计算架构。通过融合软件定义网络中全局控制的优点与多接入边缘计算下快速执行的优势,对车辆数据分流与计算分载提供了较为灵活与可控的系统框架。(2)提出了一种基于最大连接时效模型的车辆数据任务分流算法,通过软件定义车联网控制器的协同控制实现最长通信路径规划及数据任务分流。首先,本文设计了车与车、车与路边单元之间的通信连接时效模型,以及多车之间的通信路径的时效模型;其次,通过改进Bellman-ford算法,在软件定义车联网控制器的车辆信息表中进行检索比对,获得源车辆到目的车辆之间最长时效的通信路径;最后,通过对交通场景全局性地认知,从而对道路未来信息得到预测并且能够快速地执行命令。所提模型和算法可以有效地从基站中分担流量、降低通信和控制开销,提高了数据投递的效率。(3)提出了一种联合延迟与能耗的车辆计算类型任务的分载算法。本文设计了车辆计算类型任务到边缘服务器分载的延迟与能耗模型,同时针对移动车辆设计了任务在服务器中迁移的开销模型,以总开销最低为目标,联合任务处理过程中计算与通信的延迟与能耗来进行任务分载;通过改进Hopcroft-karp算法对车辆与边缘服务器匹配进行优化,以得到最低开销下的最大匹配,保证服务器资源的最大利用率;通过控制器收集全局信息对边缘服务器进行命令发布,提升了任务的分配与虚拟机迁移过程的效率。本文搭建了基于SUMO+NS3与OpenDaylight+Mininet架构的车联网信息物理系统仿真验证平台,有效地对车辆数据类型任务分流与计算类型任务分载的研究进行了仿真验证与分析。在数据任务分流方案的仿真中与其它两种方案进行对比,评估了任务的分流率与传递延迟,在计算任务分载的仿真中对比了有无迁移模型方案的分载率、延迟和能耗。仿真结果表明了本文所提出的SDN协同优化算法可有效地提升任务的分载率,降低分载延迟与能耗。
【学位单位】：河南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U495
【部分图文】：

此外，由于嵌入式系统快速发展，自动驾驶技术Statista 公司研究预计，智能网联汽车的市场收入为 82美元。路面上的汽车从今天的 12%将增长至 34.3%[2]。设施以保证行进中的车辆始终具有信号覆盖。5G 蜂窝以可靠、安全和快速的方式保证此类连接，使得车联2X 场景更好的集成。预计 5G 网络能够满足未来车联网态网络拓扑和高数据量等几种情况下的智能交通系统）[3]。功能安全车载信息类（Telematics）先进驾驶辅助类（ADAS）自动驾驶类（ADS）协同控制类（V2V、V2X）资讯 娱乐 导航 诊断……大数据平台 大数据平台 大数据平台车内总线通信（CAN/LIN…）车内局域网通信（蓝牙/WLAN…）中短程通信（LTE-V）广域通信（4G/5G）

图 2-1 ECC 的 MEC 参考架构与技术框架V-MEC 产品需要适配不同场景下的交通环境，包括一些电恶劣的工作条件，以及点路与存储不稳定的运行环境。在动MEC 设备的能量消耗、建设成本、位置部署也有较高地要求V-MEC 服务器地部署具备分布式特征，要求边缘服务器即能，包括：分布式计算与存储、分布式资源的动态调度与统具备分布式安全等能力。-MEC 的优势 运行在网络边缘，其逻辑上独立于网络的其它部分，数据可互联网，从而有利于高安全性要求的应用程序的信息安全。用户或设备信息源，极大地减少了数据传输的路径与回程，网络延迟也减少了传输网和核心网的网络拥塞。同时，边缘端设备运算能力，对于快速处理大量的数据和任务具有独

图 2-2 V-MEC 架构及功能组件（2）V-MEC 架构特征从 V-MEC 架构的横向层次来看，网络切片为每种不同的服务设定特有网络容量和功能，如图 2-2，利用逻辑而非物理资源，可以根据不断变化的车辆服务需求进行资源调整，并快速满足新型应用地需求。联接计算(Connectivity and Computing Fabric，CCF极大程度上简化了车联网架构对业务屏蔽边缘智能分布式架构的复杂性，使用网关与路边单元的层次结构对边缘计算环境进行分层部署，并配置边缘计算服务器以减少延迟并分配处理。2.2.3 车联网多接入边缘计算的关键技术（1）边缘 AI 芯片实现边缘计算在交通场景中的应用，不可或缺的是高性能处理芯片。发展迅猛的人工智能（Artificial Intelligence，AI）芯片相对于传统的 CPU 具有大量的计算单元，大
【相似文献】

相关期刊论文 前10条

1 钟春华;;SDN在传送网络的引入与运用[J];数字通信世界;2019年10期

2 张斌益;;SDN在通信网络中的应用研究[J];网络安全技术与应用;2019年12期

3 李宪玲;姜晗;;SDN框架下不良数据计算机网络管理系统开发应用[J];科技传播;2019年06期

4 王一蓉;王艳茹;张荣博;武志栋;;基于SDN构建高性能、易扩展的电力通信网[J];中国电力;2016年10期

5 刘露;杨秀云;郭磊;王玉军;刘正;;基于SDN的异地校区云数据中心的整合[J];网络安全技术与应用;2017年02期

6 刘淼;;基于SDN架构的网络安全方法研究[J];通讯世界;2017年04期

7 桂兴亮;张晓如;程伟;;基于园区网的SDN控制器设计研究[J];信息技术;2017年02期

8 李志立;;基于SDN的数据中心网络技术[J];电脑编程技巧与维护;2017年08期

9 张志广;;对基于SDN的接入网安全技术的几点探讨[J];中国新通信;2017年12期

10 李宁;杨红伟;李艳;王永欣;王静;李俊;;基于SDN的网络虚拟化仿真研究[J];无线电工程;2017年08期

相关博士学位论文 前8条

1 朱树永;软件定义网络（SDN）数据平面带状态转发技术研究[D];清华大学;2015年

2 高强;基于SDN的动态多播关键技术研究[D];上海大学;2017年

3 冯涛;软件定义网络（SDN）网络管理关键技术研究[D];清华大学;2015年

4 胡曦;无线SDN稳定性拥塞控制算法研究[D];电子科技大学;2017年

5 高明;SDN的ForCES实现及服务部署研究[D];浙江大学;2014年

6 马欢;云环境下基于SDN的网络服务关键技术研究[D];北京科技大学;2016年

7 蒋健;可信可控网络域间路由路径不一致问题研究[D];东南大学;2015年

8 陆悠;可信可控网络中用户行为控制关键技术研究[D];东南大学;2016年

相关硕士学位论文 前10条

1 汤倩;基于SDN的数据中心网络大象流检测与调度策略研究[D];湖南师范大学;2019年

2 张鑫刚;SDN流规则轻量探测技术研究[D];电子科技大学;2019年

3 邓运辉;基于FPGA的SDN多控制器负载均衡方法研究与实现[D];桂林电子科技大学;2019年

4 廉腾飞;基于SDN的车联网边缘计算及协作分载机制研究[D];河南大学;2019年

5 申少杰;基于本体的SDN网络管理系统设计与实现[D];电子科技大学;2019年

6 周凯恒;多控制器SDN网络负载均衡算法研究[D];重庆邮电大学;2018年

7 叶二伟;基于SDN的多路径负载均衡方案的研究和设计[D];重庆邮电大学;2018年

8 赵勇;SDN下C-RAN负载均衡的研究[D];重庆邮电大学;2018年

9 周胜;面向SDN的流规则冲突检测方法研究[D];安徽大学;2019年

10 朱世珂;基于SDN分层式控制器的负载均衡与大象流动态重路由研究[D];安徽大学;2019年

本文编号：2848621