车载边缘计算环境下任务协同卸载方法研究
在车联网（Internet of Vehicles, IoV）系统中，由于车辆执行复杂计算任务的计算能力有限，最直接的方法是将数据传输到云数据中心进行计算。云数据中心离车辆很远，这可能会带来网络拥塞、耗时、数据隐私泄露等问题。 为解决上述问题，边缘计算模式得到了大力发展。将任务卸载于靠近车辆的边缘服务器是一个切实可行的方法。此外，车辆在移动过程中需要调用多个任务，通过相互协作完成一个复杂的业务需求。如车辆在寻找停车场时，需要访问就近的停车场剩余车位信息和相应的路况信息。因而在任务卸载时子任务之间的关联关系是一个不可忽视的重要问题。因此，本文从任务之间的关联关系着眼，针对车联网环境下任务卸载问题展开研究，具体研究内容包括： 1) 提出一种多任务协同卸载方法。该方法通过一种基于频繁模式的任务关联模式挖掘算法直接挖掘出具有区分力的关联任务对，然后建立了任务卸载时延模型，该实验模型不仅考虑了本地计算、全部卸载、部分卸载这三种情况下的任务调用时延，还将关联子任务的通信时延加入其中。最后提出基于深度强化学习的任务协同卸载算法，对关联任务进行协同卸载。 2) 在车联网这一动态复杂环境中，如果多个车辆将任务卸载到同一边缘服务器中会出现资源竞争问题，同时车辆的位置随着时间的变化也是不断变化的，这可能会导致车辆得不到及时的回馈。为了解决这个问题，我们设计了一种基于深度强化学习的车辆边缘计算协同服务方法来选择最优卸载决策。考虑车辆移动轨迹和边缘服务器计算资源，我们建立车辆在资源竞争环境下的卸载时延模型，并选择真实的车辆移动轨迹进行仿真实验。通过深度强化学习算法对该模型进行训练来获得最优的卸载决策，最后通过对比实验验证该算法的有效性。 3) 针对边缘端计算资源使用不均衡的问题，我们考虑联合边缘端进行任务协同卸载。在多个车辆用户竞争计算资源时，我们通过对多边缘服务器进行任务调度来实现边缘服务器之间的资源均衡。在此基础上我们建立卸载决策模型，用真实的数据集进行仿真实验。通过深度强化学习算法进行训练来获得最优的计算卸载决策，最后实验结果表明该算法能够有效的减少卸载时延，使得边缘层为用户提供低时延服务，减少资源浪费和远端云计算中心的压力。
车联网;边缘计算;任务协同卸载;深度强化学习
重庆交通大学
硕士
计算机科学与技术
黄昱泽
2023
中文
TN925.93
2023-09-14（万方平台首次上网日期，不代表论文的发表时间）