车辆边缘网络中任务卸载与资源分配策略研究.pdfVIP

摘要

随着当前新能源汽车的快速发展，智能车辆数量不断增加，智能汽车应用呈现

出了多样化的趋势，这也对车辆网中计算资源提出了更高需求。然而，当前真实环

境中车辆自身有限的计算资源以及能量存储可能难以满足自动驾驶等情境下对计

算需求大、时延灵敏度高的现状。这使得人们考虑将计算资源下沉至边缘网络，将

边缘服务器的计算能力与存储空间应用到车辆边缘计算网络的设计中，通过借助边

缘服务器强大的计算资源覆盖车辆用户的计算需求。但是考虑到车联网当中任务数

量庞大、网络拓扑动态变化等特性，想要在车辆边缘网络中实现计算任务卸载，面

临着如传统卸载决策算法具有局限性、重复内容频繁请求、单一服务器计算资源有

限等诸多挑战。

针对上述问题，本课题从应用需求出发，在满足任务最小容忍时延的前提下，

探究最优缓存策略与卸载策略。本文先是对于缓存技术与卸载技术的研究现状进行

了总结分析，而后对于不同的文件属性以及不同的需求场景展开了课题研究。

针对高流行度文件请求场景，采用把大量重复性的数据交互任务缓存在具有存

--

储空间的协作车辆或边缘节点的存储空间中。提出一种车边云协同边缘缓存模型，

通过对边缘节点层缓存策略的优化，提高文件缓存命中率，减少了对云端的频繁请

求，降低了数据从云端到边缘设备的传输延迟，大大提高数据访问速度，并且降低

了网络负载，提高了网络的可用性和稳定性。仿真结果表明，在相同条件下本文所

提的缓存策略能在缓存命中率以及任务平均交付时延等指标上带来大幅提升。

针对数据密集型场景，在传统移动边缘网络中本地处理、临近卸载策略的基础

上，考虑多服务器协同处理的卸载方法，当单一服务器出现过载问题或车辆出现越

区切换等情况时，通过将边缘节点将任务发送至有空闲资源的其他边缘节点进行处

理，从而提高整个网络性能。使用多智能体分布式深度强化学习方法，通过中心化

训练分布式执行的方式，每个边缘节点都能得到最优策略，以实现共同优化整体的

性能，相比于现有的在中心节点上进行元智能体集中学习的方式，每个边缘节点都

能将自身局部观测作为输入，提高了卸载决策的灵活性。仿真结果表明，在相同条

件下本文所使用的方法能获得较大的累计奖励，实现边缘节点服务率的提升。

关键词：车辆边缘网络；车辆缓存；任务卸载；深度强化学习

Abstract

Withtherapiddevelopmentofnewenergyvehicles,thenumberofintelligentvehicles

isincreasing,andtheapplicationofintelligentvehiclesisshowingatrendofdiversification,

whichalsoputsforwardahigherdemandforcomputingresourcesinthevehiclenetwork.

However,thelimitedcomputingresourcesandenergystorageofvehiclesinthecurrent

real-worldenvironmentmaybedifficulttomeetthecurrentsituationoflargecomputing

requirementsandhighdelaysensitivityinscenariossuchasautonomousdriving.This

makespeopleconsidersinkingcomputingresourcestotheedgenetwork,applyingthe

computingpowerandstoragespaceoftheedgeservertothedesignofthevehicleedge

computingnetwork,andcoveringthecomputingneedsofvehicleuserswiththehelpof

thepowerfulcomputin