移动边缘计算中面向低时延的任务卸载策略研究

摘要

随着物联网和通信技术的快速发展，使得车载网络面临着更高速、更可靠、更低时延的挑战，增强现实/虚拟现实、自动驾驶以及碰撞预警等具有计算密集和高度时延敏感的各种新兴的智能化应用服务使得挑战更加紧迫，车载终端有限的计算和存储资源满足不了日益增长的需求。此外，可用的频谱资源不足以支持大量车载用户的无线业务。为此，移动边缘计算(Mobile Edge Computing，MEC)成为了提高用户体验度的新型网络架构，受到广泛关注。MEC技术将丰富的资源下沉至网络边缘，为车载用户提供附近的IT服务环境和云计算能力，很大程度上降低了应用的响应延时，满足了计算资源受限的车载用户对于延迟敏感的需求。　　将车载设备上计算密集或者延迟敏感的任务通过无线网络卸载至附近的MEC服务器上，依靠云服务器上丰富的资源完成计算任务，从而减少任务响应的延时，解决车载终端计算能力、存储容量有限等问题。因此，在车辆密集的环境下，任务卸载策略是提高系统性能的关键所在，任务卸载策略显得至关重要。本文设计基于MEC的车载网络架构，引入软件定义网络(Software Defined Network, SDN)与移动边缘计算相融合，能够为车载网络提供更加灵活集中控制和资源管理。主要研究的内容如下：　　1.研究单信道车载用户之间任务卸载策略和任务调度顺序的问题。首先对车载环境和研究问题进行建模，针对具有多个相互独立任务的MEC车载系统，优化其响应延迟。卸载的策略集合不仅要决策车载用户的任务是否卸载，还要对卸载任务的调度进行排序，使得系统延时最优。为了降低时间复杂度，本文提出双流水线调度的算法对卸载任务进行调度，并提出结合遗传算法改进的离散二进制粒子群算法优化卸载策略。仿真实验结果表明，本文提出的解决方案能够有效降低任务响应时延，提高系统性能。　　2.研究多信道车载用户之间卸载策略和频谱选择的问题。对于在无线通信干扰环境下MEC系统的多车载用户任务卸载问题进行数学建模，其中路边单元具有认知功能，能够感知和利用环境中的可用频谱，不仅需要决策任务是否卸载，同时要选择卸载任务时与路边单元进行数据交互的传输信道。首先本章提出一种基于K-Means的聚类算法对车辆进行分簇，降低簇内车辆的通信干扰。然后，由于车载用户之间的竞争关系，把多个路边单元覆盖下的车载用户的卸载策略问题抽象为n-person博弈，利用后悔匹配的思想收敛于博弈的相关均衡解。最后，实验结果显示在该模型下能够实现相关均衡的收敛，并且能够降低系统延迟。

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 研究内容及成果

1.4 论文结构安排

第2章 相关技术

2.1 移动边缘计算概述

2.1.1 相关概念

2.1.2 移动边缘计算框架与标准

2.1.3 移动边缘计算的应用

2.2 移动边缘计算卸载策略

2.3 博弈论

2.3.1 相关概念

2.3.2 博弈论分类

2.3.3 非合作博弈论

2.4 本章小结

第3章 基于 GA-BPSO 算法的卸载策略研究

3.1 引言

3.2 问题建模

3.2.1 系统模型

3.2.2 任务划分

3.2.3 通信模型

3.2.4 计算模型

3.2.5 优化目标模型

3.3 基于双流水线的任务调度策略

3.4 粒子群算法和遗传算法的混合优化

3.4.1 标准的粒子群优化算法

3.4.2 结合遗传算法改进粒子群优化算法

3.5基于GA-BPSO算法的卸载策略

3.6 仿真与性能分析

3.7 本章小结

第4章 基于非合作博弈的任务卸载策略研究

4.1 引言

4.2 问题建模

4.2.1 系统模型

4.2.2 通信模型

4.2.3 计算模型

4.3 基于博弈的车载任务卸载策略

4.3.1 基于 K-Means 的车辆分簇

4.3.2 非合作博弈模型

4.3.3 效用函数设计

4.3.4 相关均衡的存在

4.3.5 基于后悔匹配求解相关均衡点

4.4 仿真与性能评估

4.5 本章小结

结论

参考文献

附录 A 攻读学位期间所发表的学术论文目录

附录 B 攻读学位期间参与的主要项目

致谢