车联网场景下MEC移动性管理和卸载算法研究.pdf

摘要

车联网场景下MEC移动性管理和卸载算法研究

随着智能化浪潮席卷全球，车辆也越来越智能化。在智能车中，有着大量的计算密集

型任务，这些任务不但计算量大，而且要求低时延和低能耗，而传统的车联网并不能同时

满足这两个要求。移动边缘计算(MobileEdgeComputing,MEC)可以就近提供计算服务，具

有低时延、低能耗等特点，自从2014年被提出以来，就成为研究的热点。但是在实际应

用的场景中，车辆移动性会产生基站切换现象，会最终导致任务卸载失败。同时也面临着

在有限的计算资源下任务卸载决策问题。面对这些挑战，本文做了以下研究：

（1）针对车辆的移动性而造成的计算任务卸载失败问题，提出了一种基于遗传算法

改进的卡尔曼滤波器模型(GeneticAlgorithm-KalmanFiltering,GA-KF)卸载算法。在问题建

模的过程中，提出了一种自适应动态权重的计算方法，将对任务的时延和能耗的优化转化

为对任务开销的优化。在车辆的行驶过程中采用卡尔曼滤波器算法(KalmanFiltering,KF)

预测车辆的移动路径，选择稳定的基站进行任务卸载。为了提高KF模型对车辆路径预测

的精度，本文采用遗传算法(GeneticAlgorithm,GA)对KF模型中的观测噪声进行优化。仿

真实验表明，GA-KF卸载算法在开销、时延、能耗方面的优化效果表现良好，并提高了任

务的完成率。同时，相比于固态权重的卸载方案，自适应动态权重的卸载方案的综合性能

更好。

（2）在车联网移动边缘计算中，针对联合计算资源分配的卸载决策问题，提出了一

种联合凸优化和灰狼算法的基于块坐标下降技术的迭代优化方案(BCD-CONGW)。在问题

建模的过程中，考虑了本地计算资源、微基站边缘计算服务器资源、宏基站边缘计算服务

器资源、云计算服务器资源，提出了六种卸载策略，将计算资源分配和任务卸载决策联合

优化，得到一个混合整数非线性规划问题。此类问题的求解存在一定难度，目前没有成熟

的方法能够直接求解。本文在基于块坐标下降法的基础上，将原问题分解为两个子问题，

即计算资源分配问题和卸载决策问题，通过循环迭代求解获得最优计算资源分配方案和卸

载决策方案。仿真实验结果表明，该方案在有限的计算资源条件下，得出的资源分配方案

和卸载决策能够产生更低的开销、时延、能耗。

关键词：

移动边缘计算，车联网，卡尔曼滤波器，凸优化，灰狼算法

Abstract

ResearchonMECMobilityManagementandOffloadingAlgorithmsin

theInternetofVehiclesScenario

Withthewaveofintelligencesweepingtheworld,vehiclesarebecomingmoreandmore

intelligent.Insmartcars,therearealargenumberofcomputationallyintensivetasks.These

tasksarenotonlycomputationallyintensive,butalsorequirelowlatencyandlowenergy

consumption.ThetraditionalInternetofVehiclescannotmeetthesetworequirements.Mobile

EdgeComputing(MEC,MobileEdgeComputing)providesnearbycomputingserviceswith

featuressuchaslowlatencyandlowenergyconsumption.Sinceitwasproposedin2014,ithas