车联网中基于MEC的V2X卸载与资源分配

发布时间：2021-01-05 02:55

　　随着汽车行业与物联网技术的快速发展,车载应用的大幅度增长为有限的车辆计算资源带来了挑战。车载设备的不断更新,允许车辆与周围服务节点进行V2X（Vehicle-to-Everything）通信,因此将任务卸载至云服务器或者邻近车辆进行计算可以有效扩展车联网计算能力。然而,由于云服务器的远程部署容易导致时延抖动,无法满足车联网“低延时、高可靠性”的要求。移动边缘计算（Mobile Edge Computing,MEC）将云服务下沉至无线网络边缘,在靠近用户的位置提供计算服务,从而弥补了远程云计算所带来延迟波动,可以有效提高用户服务质量。然而由于MEC服务器与车辆计算能力有限,海量的计算数据让本就稀缺的网络资源面临沉重的压力,严重影响车辆任务计算代价。因此,本文在基于MEC的车联网场景下,研究了如何为卸载任务选择恰当的卸载节点以及如何合理分配网络内通信、计算与缓存资源的问题。本文的主要内容概括如下:1.针对V2X场景下复杂的网络状态与海量的计算数据为车联网带来的时延和能耗增加以及服务质量下降的严峻问题,构建了MEC和软件定义网络相结合的车联网络框架。为了进一步降低系统开销,提出一种联合任务卸... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 移动边缘计算研究现状
        1.2.2 车联网中基于MEC的技术研究现状
    1.3 本文主要工作
    1.4 本文组织结构
第2章 车联网与MEC的技术概述
    2.1 V2X车联网技术概述
        2.1.1 网络架构及特点
        2.1.2 关键技术及特征
    2.2 MEC技术概述
        2.2.1 MEC系统架构
        2.2.2 MEC应用场景
    2.3 车联网中基于MEC的任务卸载
        2.3.1 计算任务概述
        2.3.2 V2X计算任务卸载
    2.4 本章小结
第3章 SDN和 MEC架构下V2X卸载与资源分配
    3.1 引言
    3.2 车联网场景下任务卸载问题描述
        3.2.1 系统分析
        3.2.2 通信模型
        3.2.3 计算模型
        3.2.4 问题描述
    3.3 卸载策略和资源分配方案
        3.3.1 基于AgglomerativeClustering层次聚类的通信模式选择
        3.3.2 卸载博弈建模
        3.3.3 基于Q-learning的通信与计算资源分配
        3.3.4 纳什均衡证明
        3.3.5 联合优化机制总结
    3.4 仿真验证与性能评估
    3.5 本章小结
第4章 车联网中基于MEC的V2X协同缓存与资源分配
    4.1 引言
    4.2 系统模型和问题规划
        4.2.0 系统分析
        4.2.1 通信模型
        4.2.2 计算模型
        4.2.3 缓存模型
        4.2.4 问题形成
    4.3 V2X协同卸载与资源分配
        4.3.1 基于图着色的信道分配
        4.3.2 计算资源分配
        4.3.3 缓存决策
        4.3.4 算法总结
    4.4 仿真分析
        4.4.1 仿真场景与参数分析
        4.4.2 仿真结果分析
    4.5 本章小结
第5章 总结与展望
    5.1 全文工作总结
    5.2 研究工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：2957880