一种基于数字孪生的辅助框架，用于自适应车辆边缘计算系统中的安全任务卸载

《Computer Networks》：A Digital Twin-Assisted Framework for Secure Task Offloading in Adaptive Vehicular Edge Computing System

数字孪生辅助车辆边缘计算系统通过动态优化物理层模型、集成拜占庭抗性机制及信息新鲜度（AoI）优化目标，解决传统系统在资源分配、安全性和数据时效性上的不足，实验验证其显著降低任务延迟并提升系统吞吐量。

　　

陈王|钱珍|李光辉

江南大学，无锡，中国

摘要

数字孪生（DT）辅助的车辆边缘计算（VEC）为智能交通系统（ITS）带来了巨大潜力，但在实际应用中面临三个相互关联的挑战。现有架构在动态优化快速变化的车辆环境中的物理层模型方面适应性不足。同时，传统的基于延迟的优化策略未能充分利用分布式边缘资源，并忽略了信息新鲜度的要求。此外，DT支持的全局信息共享引入了关键的安全漏洞，因为恶意代理可以利用这一特性发起拜占庭式攻击，从而破坏系统稳定性。我们提出了一种自适应车辆边缘计算系统（AVECS），其中DT层与真实世界中的车辆保持同步，并随着系统的演化不断优化物理层模型。我们在DT层中集成了一种拜占庭式弹性机制以提高可靠性。我们将信息年龄（AoI）纳入优化过程以提高任务执行效率。安全任务卸载问题被构建为一个去中心化的部分可观测马尔可夫决策过程（DEC-POMDP），我们开发了一种DT辅助的多代理代理策略优化（MAPPO）算法，以学习最小化任务完成延迟和整个系统平均AoI的最优卸载策略。大量实验表明，AVECS能够减少任务完成延迟并提高整体系统吞吐量。AVECS的源代码可在以下链接获取：https://github.com/Gavan-Github/AVECS.git。

引言

ITS是现代城市交通的基石，推动了自动驾驶和智能物流等关键应用的发展。这些应用严重依赖于实时环境感知和决策能力，这需要在严格的时间约束下处理大量数据[1]。尽管车载计算能力持续提升，但涉及多模态数据融合和车对一切（V2X）通信的复杂场景仍然对异构计算资源的调度构成了重大挑战，尤其是在处理器容易过载的高峰时段[2]。

为了减轻车载计算负担，VEC作为一种有前景的解决方案应运而生，它将密集任务卸载到路边单元（RSUs）上。这项技术利用边缘邻近性来减少传输延迟[3]。然而，传统的VEC系统存在两个限制，阻碍了其实际部署：

• •
  以延迟为中心的优化导致资源不平衡：大多数VEC方案仅优化调度以最小化任务完成延迟，忽略了边缘资源的空间分布。密集城市区域的RSUs经常过载（导致任务排队和隐藏延迟），而郊区区域的RSUs则处于空闲状态。这种计算资源的浪费未能充分利用边缘的低延迟潜力。
• •
  静态策略无法适应车辆流动性：车辆的高流动性动态改变了边缘资源的竞争情况，针对特定场景校准的先前VEC策略在新环境中变得无效。静态设计无法适应边缘资源可用性的变化，导致环境条件变化时任务大量丢失。

值得注意的是，在由车对基础设施（V2I）通信驱动的实时决策场景中，仅优化任务延迟无法完全保证信息的及时性。正如[4]中所揭示的，AoI——定义为自数据源生成最新成功接收更新以来的时间——是衡量车辆状态数据新鲜度的更准确指标，而不仅仅是延迟。传统的VEC方案通常忽略了AoI优化：即使任务延迟满足要求，更新间隔长或新鲜状态传输延迟也会导致AoI升高，这可能会影响自动驾驶轨迹规划或实时交通调度等关键决策。这一差距进一步加剧了传统VEC在适应动态车辆环境方面的无效性，凸显了将AoI整合到DT辅助VEC系统优化框架中的必要性。

幸运的是，DT技术通过建立实时虚拟-物理同步提供了改进VEC的范式转变[5]。每个物理实体都有一个数字副本，上传实时状态信息并接收决策反馈。这些DT副本在虚拟空间中相互连接，实现全局信息共享和场景模拟[6]。DT网络可以利用历史车辆轨迹预测RSU负载变化，从而指导主动卸载。然而，现有的DT辅助VEC框架仍然存在两个关键缺陷，限制了它们在现实世界ITS中的有效性，这直接推动了我们的工作：

•

大多数现有的DT辅助VEC方案将DT视为物理系统的被动镜像，仅关注存储全局和历史数据以指导卸载，而不根据实时变化动态优化物理层模型。当交通事故导致RSU附近车辆密度突然增加时，静态DT模型无法及时调整RSU资源分配，导致任务过载和状态更新延迟。正如[7]中所强调的，DT应不断进化以优化系统运行，这是当前设计中缺失的能力。

•

DT支持的全局信息共享创造了关键的安全攻击面。恶意车辆可以利用DT访问权限发起拜占庭式攻击，破坏全局卸载模型。现有工作缺乏检测或缓解此类攻击的机制，这可能导致灾难性后果。错误的卸载决策（例如将任务指向过载的RSU）可能导致自动驾驶车辆接收到过时的障碍物数据，从而引发安全风险。

•

当前的DT辅助VEC方案优先考虑任务完成延迟，但忽略了信息新鲜度——这是ITS安全性的关键指标，由AoI衡量。AoI衡量自最近成功接收状态更新以来的时间，它比单独的延迟更能反映决策的可靠性：如果任务完成延迟低，但由于依赖于过时的状态数据（例如5秒前的车辆位置更新），任务仍然无用，因为车辆可能已经移动了数百米。传统的VEC和DT辅助VEC方案忽略了AoI，导致在自动驾驶轨迹规划等安全关键决策中隐藏风险。

为了解决这些未满足的需求，我们提出了一种具有DT层的AVECS，该层集成了动态适应、安全性和关注新鲜度的优化（图1，右侧）。基于自适应数字孪生（ADT）概念[8]，我们将VEC系统分解为动态、受限和自主子组件（DSC、CSC、ASC）；每个组件通过数字孪生（DSTs）和数字阴影（DSs）映射到DT层。ASC中的引力模型提供实时反馈以调整车辆-RSU关联，而DT层中的拜占庭式弹性机制过滤恶意数据。最重要的是，我们将AoI纳入优化目标，以确保信息新鲜度，解决了现有以延迟为中心的方案中的关键缺陷。

最终，AVECS通过三个核心贡献实现了实时模拟、在线优化和适应性（RSO²A）范式[8]：

• •
  ADT辅助网络：我们设计了一个三层网络，将物理数据映射到DT层，并引入ASC进行闭环反馈。ASC中的引力模型动态调整车辆-RSU关联，以处理由流动性引起的拓扑变化，而聚合模型实现车辆间的知识共享——这两个模型随系统一起进化，解决了静态DT的缺陷。
• •
  拜占庭式弹性机制：集成到DT层中，该机制使用Krum-KMeans聚类检测恶意车辆并过滤其对抗性更新。它增强了对数据投毒攻击的防御能力，解决了现有DT辅助VEC的安全漏洞。
• •
  AoI集成优化：我们同时优化任务完成延迟和系统级AoI。AoI反映了数据的及时性，最小化它可以提高边缘资源利用率（减少空闲节点），同时确保状态信息的新鲜度。实验表明，我们的方法在任务吞吐量和决策可靠性方面优于仅关注延迟的方法。

本文的后续部分组织如下。第2节讨论了当前关于VEC和DT辅助VEC的研究。第3节详细介绍了系统模型并介绍了AVECS架构。第4节将优化问题构建为DEC-POMDP，并提出了一种DT辅助的MAPPO算法来解决它，以及一种拜占庭式弹性机制。第5节提供了数值评估和讨论。最后，我们在第6节总结了本文并概述了未来的研究方向。

相关工作

相关工作

先前的研究通过各种优化方法系统地解决了ITS中的任务卸载问题，通常旨在最小化任务完成延迟、降低功耗或同时优化两者。Li等人[9]解决了由于车辆流动性引起的动态通道和拓扑结构变化带来的VEC任务卸载挑战：他们将问题建模为多臂老虎机问题，提出了RSU辅助的RALPTO算法，实现了TaV-SeV并行计算，共享

系统模型

我们考虑了一个三层DT辅助的车辆边缘计算网络，如图2所示。表1列出了一些关键符号及其定义。网络在一系列连续时间槽中的操作表示为$t\in T=\{0,\mathrm{1,<mo>?</mo><mo>,</mo><mi>T<mo>\}</mo></mi>}$

• •
  物理层：物理层包括N辆车和K个RSUs。车辆生成计算密集型

问题表述

在智能驾驶系统中，及时更新状态信息对于有效监控和控制至关重要[31]，[32]。为了量化传输信息的新鲜度，我们引入了AoI指标作为新的性能度量标准[33]。具体来说，AoI表示自上次成功接收状态生成以来的时间，有效地结合了传输延迟和信息新鲜度。

详细来说，让u_{i(t)表示最新状态生成的}

数值结果

在本节中，我们通过全面的数值模拟评估了AVECS的性能。所有比较方案的关键属性在表2中进行了总结，以下实验配置是系统为比较分析而设计的：

• •
  MAPPO：该方案采用传统的VEC系统，不涉及恶意车辆或DT层支持。各个代理无法访问DT信息来优化其卸载决策。引力模型保持不变

结论

在本文中，我们提出了AVECS，这是一种用于安全任务卸载的DT辅助VEC系统。该系统通过双向数字-物理交互集成了拜占庭式弹性机制。MAPPO-BA-DT方案不仅考虑了任务完成延迟的最小化，还考虑了计算资源的有效利用。这种双重关注进一步提高了整体系统吞吐量，同时减少了延迟。此外，即使在

CRediT作者贡献声明

陈王：撰写——原始草案，验证，软件，资源，项目管理，方法论，调查，形式分析，数据整理。钱珍：撰写——审阅与编辑，方法论，数据整理。李光辉：撰写——审阅与编辑，监督，资金获取。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

陈王于2023年在中国河北华北科技大学获得了计算机科学与技术学士学位。他目前是江南大学人工智能与计算机科学学院的硕士生。他的当前研究兴趣包括边缘计算和数字孪生。