针对6G网络中可持续的物联网（IoV）系统，优化了多层任务卸载策略

《Scientific Reports》：Optimized multi-tier task offloading strategy for sustainable IoV systems in 6G networks

　　

摘要

第六代（6G）网络有望支持对延迟、可靠性和计算能力有严格要求的先进车联网（IoV）应用。然而，由于车辆环境的流动性、信道变化、任务需求多样性、边缘资源受限以及能源消耗不断增加，高效的任务卸载成为一个具有挑战性的问题。为了解决这些问题，本研究提出了一种优化的多层任务卸载策略（OMTOS），以支持可持续的车联网系统。该框架包含四个层次的计算架构：车辆、路边单元（RSUs）、移动边缘计算（MEC）服务器和云基础设施。研究提出了一个通用的延迟-能耗优化问题，用于在这些层次之间分配任务，同时考虑任务截止日期、资源容量、通信延迟、计算延迟和能耗等因素。为了应对动态任务卸载需求，OMTOS采用了基于集中训练和分散执行（CTDE）的多智能体软 Actor-Critic（SAC）方法，其中车辆智能体可以做出分散式的卸载决策，而集中式评论器在训练过程中指导协调学习过程。该策略与基于规则的方法、启发式方法以及深度强化学习方法（包括LE、EO、RO、GO、DQN、DDPG、SAC、MADDPG和MAPPO）进行了对比测试。测试结果表明，与竞争方法相比，OMTOS实现了较低的平均延迟、较低的能耗、较高的任务成功率以及更快的收敛速度。敏感性分析还表明，可以通过调整延迟和能耗的权重来满足不同的车联网服务需求，包括对延迟要求严格的安全部服务和对能耗敏感但能容忍延迟的服务。这些结果表明，OMTOS为6G支持的车联网环境提供了一种适应性强且可持续的任务卸载解决方案。