摘要
近年来，随着无线通信技术和车联网技术的快速发展，各类时延敏感、数据量大的应用纷纷涌现，使得车辆难以在有限资源、能源和低时延要求下处理这些应用任务。基于移动边缘计算(MobileEdgeComputing,MEC)的V2X(Vehicle-to-Everything)任务卸载是一种为车联网缓解计算压力和提供低时延通信的有效途径，但目前大部分研究主要关注任务全部卸载，忽略了本地计算资源的利用，会造成不必要的通信开销和服务节点的计算拥塞。为了更好地利用系统中的异构资源，本文结合资源分配和任务调度，对车联网中基于MEC的部分卸载进行研究，主要工作如下： 针对V2X场景下全部卸载方法对异构资源利用不全面的问题，研究了车联网中基于MEC的部分卸载和资源分配算法。考虑任务时延要求、节点通信距离、信道资源和路边单元计算能力的约束，通过联合优化卸载模式、卸载对象、信道分配、卸载比和计算资源分配，最小化系统开销即时延和能耗的加权值。为了解决该优化问题，使用交替优化方法将原始问题转化为三个子问题。首先，在给定卸载比下使用一种基于动态禁忌长度禁忌搜索的匹配算法得到车辆的卸载模式和卸载对象。然后，采用图着色算法进行信道分配。最后，通过变量替换将计算资源分配子问题转化为凸优化问题，从而更新卸载比并得到最优计算资源分配。仿真结果表明，所提算法在降低总开销上具有优越性。 进一步考虑车辆任务的内在关联，在多卸载用户多服务节点的车联网通信场景下，提出一种基于任务关联性的V2X部分卸载及调度策略，最小化车辆任务完成时间的总和。在模式选择、任务时延和车辆通信距离的约束下，建立了一个多约束整数非线性规划问题，该问题难以直接求解。因此，本文将该问题分为三个步骤求解。首先，分析各因素对任务执行时间的影响，定义子任务及车辆的优先级。然后，采用库恩-芒克勒斯算法进行卸载对象匹配。最后，分别采用基于权重和优先级的卸载及调度算法和基于子任务分类的卸载及动态调度算法，为V2V(Vehicle-to-Vehicle)和V2I(Vehicle-to-Infrastructure)卸载的车辆节点分配卸载决策和任务计算顺序，从而联合优化部分卸载和调度。仿真结果表明，所提算法有效地降低了总时延。
NETL