具有回程链路优化的时空感知任务卸载技术，应用于车载边缘计算

《Computer Communications》：Spatiotemporal-aware task offloading with backhaul optimization for vehicular edge computing

智能交通系统中车载边缘计算任务卸载的协作决策模型与混合算法优化，有效缓解交通热点回传瓶颈问题，降低系统平均延迟12%，提升任务成功率。

　　

Aoran Li|Honglong Chen|Zhishuai Li|Ning Chen|Zhichen Ni|Haiyang Sun

中国石油大学控制科学与工程学院智能传感与测控技术山东省工程研究中心，青岛 266580，中国

摘要

智能交通系统（ITS）产生了大量的车辆数据，这带来了前所未有的计算挑战。尽管云计算提供了丰富的计算资源，但其对远程数据中心的依赖往往会导致实时ITS处理中的延迟和带宽问题。车载边缘计算通过将资源分配到网络边缘来解决这一问题。这使得能够高效地将任务卸载到附近的智能连接车辆（ICVs）上，显著减少了延迟，同时提高了响应速度和资源利用率。然而，随着任务数据量的增加，在资源受限的交通热点环境中，回程阶段成为了主要的瓶颈，导致现有的卸载方法难以维持高效的任务处理。本文的主要贡献是一个协作式卸载决策模型，该模型通过同时考虑延迟和资源限制来优化车载网络中的任务分配。为了解决这个问题，我们提出了三个主要贡献：首先，我们基于多跳通信开发了一个协作式卸载决策模型，为每个任务生成最优的卸载节点选择策略；其次，我们将车载任务卸载问题表述为一个具有不确定处理时间的灵活作业车间调度问题；最后，我们设计了Dijkstra遗传算法（DGA），这是一种将Dijkstra多策略方法与遗传算法相结合的新型混合优化方法，以提高卸载效率。仿真结果显示，与现有方法相比，我们的方法在优化目标上减少了12%，并且在整体性能上也有显著提升。

引言

作为智能交通系统（ITS）的核心组成部分，车联网（IoV）支持自动驾驶、协作感知和智能交通信号控制等应用。这些应用依赖于车辆收集和交换的数据，从而产生了巨大的实时处理需求[1]、[2]、[3]。然而，传统的云计算架构需要将数据传输到远程数据中心，这会导致延迟和响应速度不足的问题，特别是对于对延迟敏感的车载任务[4]。为了解决这些问题，车载边缘计算（VEC）作为一种新的计算范式应运而生[5]、[6]。通过将计算能力物理上靠近数据源，VEC有效地减少了端到端的延迟，从而为智能连接车辆（ICVs）提供了更可靠的计算支持。

在VEC系统中，可以通过车对基础设施（V2I）通信将任务卸载到路边单元（RSUs）[7]。RSUs是边缘基础设施的重要组成部分，辅以移动多接入边缘计算服务器和车载计算节点[8]。与基于云的处理相比，V2I减少了传输距离和延迟。然而，RSUs的容量有限，在交通热点地区，多辆车竞争同一资源可能会降低性能[9]。最近的IoV进展允许ICVs通过车对车（V2V）通信提供计算支持[10]，从而缓解了RSU的拥堵并提高了系统效率。尽管有这些优势，在拥堵区域同时应用V2I和V2V仍然具有挑战性。现有的研究[11]、[12]、[13]通常假设车辆是静止的，忽略了移动性对通信链接的影响，而其他研究[14]则关注客户端车辆的利益，这可能会导致资源利用不平衡并降低系统性能。

此外，任务数据量的快速增长使得任务回程阶段变得越来越关键。在传统的V2I和V2V场景中，返回数据的量通常很小，回程延迟可以忽略不计。然而，新兴的ITS应用正在改变这一假设。例如，图像增强和对象检测任务会产生高分辨率的视觉结果，需要返回给客户端[15]，多源数据融合会产生需要回传的大量中间输出[16]。这些应用大大增加了结果反馈数据的量，加剧了已经过载的交通热点地区的网络拥堵和延迟累积[17]。因此，回程阶段可能成为主要的瓶颈，开发能够考虑移动性、工作负载不平衡和回程限制的高效任务卸载和资源分配策略已成为一个紧迫且未解决的研究挑战。这种效应取决于具体场景，在拥堵交通热点地区的数据密集型ITS服务（例如高分辨率视觉和融合输出）中最为明显，而在结果量小或网络负载较低的情况下，回程延迟可能可以忽略不计。

在本文中，我们研究了交通热点地区的V2I和V2V网络组合，这带来了两个关键挑战。第一个挑战是如何利用道路网络中车辆的移动路径来高效分配系统的计算资源；第二个挑战是如何选择合适的任务卸载目标节点。如果许多客户端设备将任务卸载到同一个服务设备上，可能会导致该设备上的任务堆积，从而阻止及时计算，最终导致任务超时。此外，不正确的卸载目标选择可能会引入大量的任务传输和回程延迟，这也可能导致任务超时。为了解决这些挑战，我们提出了一种联合任务卸载和资源分配方案，以在VEC环境中最小化总任务处理延迟并提高成功率，实现了一种结合Dijkstra算法和遗传算法的混合算法。本文的主要贡献如下：

• •
  在车辆移动轨迹和任务回程数据量的限制下，我们制定了任务卸载路径规划优化问题，旨在最小化延迟比和成功率的加权和，这已被证明是NP难的。
• •
  我们提出了一种计算车辆可用通信时间的方法，并设计了一种多跳任务卸载选择机制，以确保任务能够被传递到适当的服务车辆上进行高效执行。
• •
  我们提出了一种名为Dijkstra遗传算法（DGA）的混合算法，它结合了Dijkstra多策略生成算法和遗传算法，以实现高效的任务卸载路径规划。
• •
  综合仿真证明了我们方案的有效性。与参考方案相比，我们的方案表现出更好的性能。

本文的其余部分组织如下。第2节简要回顾了相关文献。第3节给出了系统模型，并制定了系统延迟和任务成功率的联合优化问题。第4节开发了混合DGA及其理论分析。第5节描述了广泛的仿真和对比分析。最后，第6节总结了本文。

相关工作

相关工作

近年来，在车载边缘计算（VEC）的任务卸载方面取得了显著进展。现有文献[18]大多忽略了车辆在VEC网络中的移动性，导致理论分析与实际性能指标之间存在差异。最近的研究[19]、[20]、[21]通过考虑延迟、能耗和服务质量（QoS）来重构系统模型，从而纳入了车辆移动性。

系统模型

在本节中，我们首先介绍了拥堵道路场景下VEC系统的V2V和V2I网络模型。随后，我们定义了决策变量，包括描述计算卸载过程中延迟和任务成功率的指标。

如图1所示，我们考虑了一个由$N$个RSUs和$M$个ICVs组成的VEC系统。RSU集合表示为：$U=\left(u_1,u_2,\dots ,u_n\right)$，ICV集合表示为：$V=\left(v_1,v_2,\dots ,v_m\right)$。基于我们的系统模型，我们描述了计算任务

智能车辆选择方法

在本节中，我们详细阐述了车辆选择机制，并证明了目标问题属于NP难问题。为了解决这个问题，我们提出了一种结合Dijkstra算法和遗传算法的混合算法，称为DGA，旨在实现高效的多跳任务卸载策略。

性能评估

在本节中，我们进行了广泛的仿真来评估我们提出的模型和算法的性能。我们首先指定了模型参数，然后进行了全面的仿真分析，以考察关键参数（包括设备数量、任务量、任务类别和跳数）对目标函数的影响。最后，我们通过与基准解决方案的比较研究验证了我们模型和算法的优越性。

结论

在本文中，我们提出了一种协作式任务卸载模型，该模型联合优化了车辆移动模式和回程阶段操作，以最大化系统效用，解决了现有交通热点研究中的关键限制。我们制定了一个受延迟约束的卸载路径规划问题，旨在在车辆移动轨迹和任务回程数据量的限制下，最小化系统平均延迟和任务成功率的加权和。我们提出了一种名为

CRediT作者贡献声明

Aoran Li：撰写——审稿与编辑、撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。Honglong Chen：撰写——审稿与编辑、监督、方法论、概念化。Zhishuai Li：撰写——审稿与编辑、软件、方法论、调查。Ning Chen：软件、调查、数据整理。Zhichen Ni：调查。Haiyang Sun：监督。

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。

Aoran Li于2023年在中国石油大学青岛分校获得了自动化专业的学士学位。他目前正在中国石油大学控制科学与工程学院攻读硕士学位。他的当前研究兴趣包括车联网和边缘智能。