车联网场景下移动边缘计算的资源调度方法研究

摘要

随着车联网的兴起，新的车载应用不断涌现，车载应用需要对自身和周围其他车辆的视频、图像、声音等传感器数进行处理，数据量十分巨大，而且处理这些传感器数据需要强大的计算能力，车辆计算能力有限，所以需要将此类计算密集型任务上传到数据中心进行处理。任务上传数据量巨大，而且对延时要求苛刻，并需要高可靠性保障。对于这种“高带宽、低延时、高可靠性”的应用场景，MEC技术是解决此问题的一个很好选择。 现有LTE架构与MEC技术融合之后，在微基站、宏基站和互联网处都会部署有数据中心处理用户的请求，同时用户可以选择接入宏基站或微基站。用户的接入选择、任务卸载目的地选择以及任务卸载过程中无线和计算资源分配都会影响整个系统任务执行效率。本文主要研究任务卸载决策以及无线和计算资源分配问题，在保障每个任务需求前提下，使得任务平均完成时间最小，提高整个系统任务执行效率。 本文提出了任务卸载与资源分配联合优化（JointlyTask Offloading and Resource Allocation Optimization,TORA）算法，将任务卸载决策和资源分配问题分解为两个子问题，分别求解两个最优化的子问题。并且论证了算法的可行性，给出了原问题理论下界的计算方法。 最后通过仿真实验，分析了单位时间任务数、用户任务上传数据量、完成任务所需CPU周期数等参数对系统任务执行效率的影响，并与其他算法和原问题理论下界进行比较。当三个参数都较小时，三种算法都能获得接近理论下界的结果。当单位任务数过多时，TORA算法任务平均完成时间比RTO、UTO算法少20%～30%。当用户任务上传数据量很大时，TORA算法任务平均完成时间比RTO、UTO算法少15%～28%。当完成任务所需CPU周期数很大时，TORA算法任务平均完成时间比RTO、UTO算法少5%～13%。

目录

第一个书签之前

摘 要

ABSTRACT

1 绪论

1.1 研究背景及意义

1.2 选题的国内外相关研究

1.3 论文研究内容

1.4 本文的组织结构

2 移动边缘计算技术研究

2.1 MEC应用场景

2.2 MEC关键技术

2.2.1 软件定义网络技术

2.2.2 网络功能虚拟化技术

2.2.3 MEC组网技术

2.3 MEC任务卸载与资源配置

2.4 本章小结

3 任务卸载和资源分配模型的建立

3.1 网络模型

3.2 传输时间

3.2.1 接入微基站时传输时间

3.2.2 接入宏基站时传输时间

3.3 任务执行时间

3.4 任务卸载完成时间

3.5 任务卸载和资源分配联合优化问题

3.6 本章小结

4 任务卸载与资源分配联合优化算法设计

4.1 算法设计思路

4.2 资源分配问题

4.2.1 资源分配凸优化问题证明

4.2.2 资源分配问题求解

4.3 任务卸载决策问题

4.3.1 分支定界法

4.3.2 任务卸载决策问题求解

4.4 算法可行性和复杂度分析

4.4.1 算法可行性说明

4.4.2 算法复杂度分析

4.5 原最优化问题的理论下界

4.6 本章小结

5 仿真和算法性能分析

5.1 仿真环境和参数

5.2 进行比较的参照算法

5.3 仿真结果分析

5.3.1 单位时间任务数对任务卸载的影响

5.3.2 任务上传数据量对任务卸载的影响

5.3.3 任务所需CPU周期数对任务卸载的影响

5.4 本章小结

6 总结与展望

6.1 全文总结

6.2 未来展望

致谢

参考文献