基于开放RAN的混合时间尺度与鲁棒任务卸载技术在车联网边缘计算中的应用

《IEEE Transactions on Mobile Computing》：Open RAN-Based Mixed-Timescale and Robust Task Offloading in Vehicular Edge Computing

针对车辆边缘计算中动态网络特性带来的不确定性，本文提出基于O-RAN架构的混合时间尺度优化方案，通过大规模资源分配、中等任务划分和小时间资源分配，结合切割集方法和凸优化技巧，有效降低延迟和资源消耗，仿真结果显示其鲁棒性和效率显著优于传统方法。

　　

摘要：

车辆边缘计算（VEC）通过将任务从车辆卸载到边缘服务器，成为实现低延迟和高计算密集型车辆应用的关键技术。然而，车辆网络的动态特性给任务特性和网络条件带来了显著的不确定性，这对高效资源分配带来了挑战。本文提出了一种在开放无线接入网络（O-RAN）架构中适用于VEC的鲁棒任务卸载方案。该方案利用混合时间尺度优化方法，结合了大时间尺度的计算资源分配（CRA）、中等时间尺度的任务划分以及小时间尺度的无线资源分配（RRA），并借助O-RAN的层次控制框架来实现这些功能。鲁棒优化模型在满足各任务执行延迟截止日期的同时，实现了全网资源的最小化。为了应对大时间尺度CRA中的需求不确定性，我们采用了割集方法，并得到了最优任务划分问题的封闭形式解。对于小时间尺度的RRA，我们同时采用了李雅普诺夫优化和启发式方法，其中通过凹凸优化程序解决了数据速率表达式的非凸性问题。大量仿真结果表明，所提方法的效率得到了验证：在小时间尺度的RRA作用下，即使需求处于假设的不确定性范围内，也不会发生中断；而非鲁棒方案的中断概率高达50%。此外，我们的启发式方案比李雅普诺夫优化方法更为灵活，且资源消耗更少，其带宽消耗比传统的非时隙鲁棒方案低约40%。