边缘计算环境下车联网任务卸载与数据分发技术研究
发布时间：2021-10-19 19:10
随着物联网设备的普及和智能交通系统的发展,满足车辆用户的服务质量要求的挑战日益突出。车联网边缘计算（Vehicular Edge Computing,VEC）是一种有前途的新型计算范式,它将计算和存储资源迁移到接近车辆用户的网络边缘,从而降低服务延迟并减少通信开销。然而,由于边缘计算资源的地域分散性和车联网的高动态性,VEC中的服务提供面临着诸多问题。本文对VEC的任务卸载和数据分发技术进行深入研究,旨在提高计算密集型和数据密集型应用的整体性能。论文的主要工作和创新点如下:（1）针对路侧单元（Road Side Unit,RSU）提供计算服务的场景,提出一种基于RSU协同边缘计算的任务卸载策略。本文设计一种实现RSU协同边缘计算的网络架构和任务卸载流程,分析任务执行位置和执行顺序对任务完成时间和任务执行成本产生的影响,构建任务卸载效用模型;以任务卸载效用最大化为目标建立优化模型,设计一种基于单亲遗传算法和启发式规则的混合智能优化算法进行求解。仿真结果显示,与现有策略相比,基于RSU协同边缘计算的任务卸载策略的卸载效用提高了约15%。（2）针对高可用计算服务的提供问题,提出一种基于车辆协...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
车联网边缘计算体系结构
北京交通大学博士学位论文20任务卸载效用模型。然后，以任务卸载效用最大化为目标建立优化模型，设计基于单亲遗传算法和启发式规则的混合智能优化算法进行求解。最后，通过仿真实验验证所提策略的性能。2.2RSU协同边缘计算系统模型本节首先描述RSU协同边缘计算场景，设计实现RSU协同边缘计算的网络架构和任务卸载流程。其次，对该场景下的任务卸载进行建模，构建任务卸载效用模型。最后，构建任务卸载决策和计算资源分配联合优化模型。2.2.1RSU协同边缘计算场景描述本文研究的RSU协同边缘计算场景如图2-1所示。在道路沿线部署有多个RSU，借助5G大规模天线技术，RSU可以同时与多辆车进行数据交换。RSU上安装有具有中等计算能力的MEC服务器，一次只能执行一项计算任务。这样，RSU可以利用MEC服务器的计算资源为道路上的车辆提供计算卸载服务。为了便于表示，在本章中，每个RSU及其连接的MEC服务器被称为一个服务节点。图2-1RSU协同边缘计算场景Figure2-1RSUcollaborativeedgecomputingscenario分布式的服务节点可以为车辆提供泛在的、低延迟的计算卸载服务，但它们的服务能力会有所不同。由于无线电发射功率和通信环境的差异，RSU的无线覆盖区域各不相同。同时，由于硬件配置不同，各MEC服务器的计算能力也有所不同。
北京交通大学博士学位论文242.2.3RSU协同边缘计算联合优化模型为了更好地理解任务卸载过程，使用如图2-2所示的示意图表示一种任务卸载方案。在图2-2中，纵轴表示时间，横轴表示服务节点。将所有的车辆视为一个服务节点，并将服务节点的集合M扩展为00,1,,。这样任务的本地执行时间可以表示为，0。显然有以下结论：1，0，0。图2-2一种任务卸载方案的示意图Figure2-2Schematicdiagramofataskoffloadingscheme在图2-2中，每个矩形代表一个计算任务，矩形中的数字是任务对应的车辆编号。矩形的高度表示任务的执行时间，具体数值取决于任务的计算量和所在服务节点的计算能力。矩形的横坐标表示处理该任务的服务节点，上下两条边的纵坐标分别是任务执行的完成时间和起始时间。因此，给定每个矩形在时间-节点二维平面上的位置，就可以确定每个任务对应的服务节点、起始时间和完成时间，从而推导出对应的任务卸载效用。假设任务由服务节点处理，它对应的到达时间、起始时间、完成时间和期望完成时间如图2-2所示。需要注意的是，服务节点上的任务是由不同的车辆执行的，并且这些任务之间没有依赖关系，因此它们对应的矩形可以并排放置。其他的服务节点的计算性能有限，一次只能执行一项任务，因此在同一服务节点上的矩形必须顺序放置。于是，本章研究的任务卸载决策和计算资源分配联合优化问题等价于以下特殊的二维装箱问题：如何在时间-节点平面上布置各项任务对应的矩形，在保证各矩形互不重叠的前提下，最大化所有任务的总卸载效用。为了描述联合优化问题，设置以下决策变量：：如果任务被分配给服务节点且1，则1，否则0；
本文编号：3445451
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
车联网边缘计算体系结构
北京交通大学博士学位论文20任务卸载效用模型。然后，以任务卸载效用最大化为目标建立优化模型，设计基于单亲遗传算法和启发式规则的混合智能优化算法进行求解。最后，通过仿真实验验证所提策略的性能。2.2RSU协同边缘计算系统模型本节首先描述RSU协同边缘计算场景，设计实现RSU协同边缘计算的网络架构和任务卸载流程。其次，对该场景下的任务卸载进行建模，构建任务卸载效用模型。最后，构建任务卸载决策和计算资源分配联合优化模型。2.2.1RSU协同边缘计算场景描述本文研究的RSU协同边缘计算场景如图2-1所示。在道路沿线部署有多个RSU，借助5G大规模天线技术，RSU可以同时与多辆车进行数据交换。RSU上安装有具有中等计算能力的MEC服务器，一次只能执行一项计算任务。这样，RSU可以利用MEC服务器的计算资源为道路上的车辆提供计算卸载服务。为了便于表示，在本章中，每个RSU及其连接的MEC服务器被称为一个服务节点。图2-1RSU协同边缘计算场景Figure2-1RSUcollaborativeedgecomputingscenario分布式的服务节点可以为车辆提供泛在的、低延迟的计算卸载服务，但它们的服务能力会有所不同。由于无线电发射功率和通信环境的差异，RSU的无线覆盖区域各不相同。同时，由于硬件配置不同，各MEC服务器的计算能力也有所不同。
北京交通大学博士学位论文242.2.3RSU协同边缘计算联合优化模型为了更好地理解任务卸载过程，使用如图2-2所示的示意图表示一种任务卸载方案。在图2-2中，纵轴表示时间，横轴表示服务节点。将所有的车辆视为一个服务节点，并将服务节点的集合M扩展为00,1,,。这样任务的本地执行时间可以表示为，0。显然有以下结论：1，0，0。图2-2一种任务卸载方案的示意图Figure2-2Schematicdiagramofataskoffloadingscheme在图2-2中，每个矩形代表一个计算任务，矩形中的数字是任务对应的车辆编号。矩形的高度表示任务的执行时间，具体数值取决于任务的计算量和所在服务节点的计算能力。矩形的横坐标表示处理该任务的服务节点，上下两条边的纵坐标分别是任务执行的完成时间和起始时间。因此，给定每个矩形在时间-节点二维平面上的位置，就可以确定每个任务对应的服务节点、起始时间和完成时间，从而推导出对应的任务卸载效用。假设任务由服务节点处理，它对应的到达时间、起始时间、完成时间和期望完成时间如图2-2所示。需要注意的是，服务节点上的任务是由不同的车辆执行的，并且这些任务之间没有依赖关系，因此它们对应的矩形可以并排放置。其他的服务节点的计算性能有限，一次只能执行一项任务，因此在同一服务节点上的矩形必须顺序放置。于是，本章研究的任务卸载决策和计算资源分配联合优化问题等价于以下特殊的二维装箱问题：如何在时间-节点平面上布置各项任务对应的矩形，在保证各矩形互不重叠的前提下，最大化所有任务的总卸载效用。为了描述联合优化问题，设置以下决策变量：：如果任务被分配给服务节点且1，则1，否则0；
本文编号：3445451
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3445451.html
