Collaborative Task Offloading in Vehicular Edge Multi-Access Networks
摘要
移动边缘计算（MEC） 已成为实现低延迟应用的用户需求的有前途的范例。多址技术multi-access 和 MEC的集成可以显着增强异构设备和MEC平台之间的接入容量。然而，由于高速移动性和固有特性，传统的MEC网络架构不能直接应用于车辆互联网（IoV）。此外，鉴于道路上有大量资源丰富的车辆，这是在智能车辆上执行任务卸载offloading和数据处理的新机会。
为了促进MEC技术在IoV中的良好融合，本文首先介绍了一种车辆边缘多址网络，它将车辆视为边缘计算资源，以构建协同和分布式计算架构。
对于拟真immersive应用，共同作用的车辆具有收集大量相同和类似的计算任务的固有特性。我们提出了一种协作任务卸载和输出传输机制，以保证低延迟。
最后，我们将3D重构作为示例场景，以提供有关网络框架设计的见解。数值结果表明，该方案能够在确保应用级驾驶体验的同时减少感知反应时间。
引入
车辆互联网（IoV）正在发展成为支持高级驾驶员辅助系统（ADAS）和自动驾驶的新兴范例，其灌输沉浸式车辆应用的创新，为所有事物提供驾驶安全性和便利性。然而，如果没有先进的计算机视觉系统来分析实时交通环境，自动驾驶车辆就无法区分应该立即避开的大小的岩石，或者车辆路径上的皱巴巴的纸袋，它可以被碾压。为了拥有复杂驾驶环境的智能视野，配备先进设施的车辆需要快速处理大量传感器数据（大约1Gb / s），以满足非常平稳的驾驶模式和体验[1,2]。
自动驾驶应用需要超高宽带连接和强大的计算能力。然而，这些资源匮乏和计算密集型应用程序对满足低延迟要求提出了重大挑战。作为一种有前途的技术，已经提出移动边缘计算（MEC）通过将计算功能从核心网络迁移到边缘接入网络来解决爆炸性计算需求【3】。
同时，加载到MEC平台的巨大计算任务产生了一系列关键问题，例如异构MEC平台和智能车辆之间有限的前传和回程连接的瓶颈。为了应对有限的连接问题，积极利用多接入 multi-access 和移动边缘计算（MA-MEC）技术的系统集成和融合，包括固定接入(如fiber)和移动接入，例如5G、长期演进高级(LTE-A)、车辆到车辆(V2V)、Wi-Fi被应用以带来无处不在的连接并增强访问能力。此外，向超密集部署和异构网络（例如，微型，毫微微蜂窝基站，WLAN接入点）的演进可以实现通信和计算负载之间的平衡。
最近的研究已经确定并研究了MEC网络架构实现的一些关键特性以及一些关键挑战的解决方案。例如，彭等人。提供基于雾计算的无线接入网络架构，以简化集中控制中的网络功能[4]。为了合并移动计算和无线通信的学科，许多工作集中在通信和计算资源的协同管理上。提出了加载和资源分配计算的联合优化，以最小化能量消耗[5]。张等人。提供基于云的MEC框架，以减少服务延迟和网络运营成本[6]。在[7]中，引入了雾访问网络来实现低延迟服务并实现各种资源之间的平衡。利用大数据技术，N。Kumar等人。结合MEC网络和cloudifcation基础设施来管理智能电网中的hando ff和sched流量充电/放电请求[8]。为了保证网络安全和数据隐私，Wu等人。为移动众包提出有效的数据隐私保护机制[9]
现有的MEC研究工作仅关注一般服务质量（QoS），例如提高能效或减少服务延迟。优化一些应用程序级指标同样重要[10]。例如，内容完整性和高清视频将成为推动更安全，更便捷的驾驶环境的新引擎。
对于这些沉浸式应用immersive applications，在相邻区域中行驶的车辆将具有类似或相同的计算密集型任务。共置Co-located车辆可以受益于MEC平台中的协作数据合并或视频拼接。通过这种方式，精确的输出比单个车辆创建的输出更准确和完整。the refined outputs are more accurate and complete than those created by individual
vehicles.
然而，由于通信和计算资源的激烈竞争，如果每个车辆将其自己的计算任务 卸载offloading 到MEC平台，则可能无法保证低延迟。 因此，高应用级性能应该基于一系列动作，其中以协作方式预先移除冗余计算任务。否则，将消耗巨大的通信和计算资源。
在上述问题和前景的驱动下，有必要研究如何设计可行的网络架构 和 任务加载方案，以确保低延迟要求以及应用级驾驶体验。据我们所知，这些关键问题尚未得到很好的调查和解决。
在本文中，我们呈现了 车辆边缘多址网络（VE-MAN） vehicular edge multi-access network 的分层网络框架。为了突出VA-MAN中多接入技术的优势，我们设计了一种混合控制方案来构建 移动车载云 mobile vehicular cloudlet，以消除冗余计算任务。此外，还讨论了协同任务卸载 the collaborative task offloading scheme 方案。我们将3D场景重建作为案例研究的示例性场景，然后结束本文。
车辆边缘多址网络的分层架构
现有MEC网络框架的设计目标旨在解决由细小的时间粒度引起的计算加载和资源分配。与通信网络不同，交通流量的变化总体上比网络交通负荷的变化更慢。
因此我们提供了一种网络框架，以更好地融合MEC技术和IoV网络，根据不同的时间粒度执行灵活的网络优化和资源管理。
图1显示了移动VE-MAN的分层框架，该框架在三个层上实现：
云控制层：Cloud-Enabled Control Layer
一系列组件作为全局控制器，基于粗时间粒度收集时空变化环境视图，包括传输流量，网络状态等。利用先进的数据挖掘技术，网络级智能的必要过程可以满足网络操作从被动到主动的范式转换，因为可以准确预测某些事件。这样，启用云的控制层可以大大减少网络诊断和触发动作的时间消耗。
移动边缘计算层：Mobile Edge Computing Layer
不同类型的路边单元（RSU），基站（BS） 和 WLAN接入点（AP） 统一表示为边缘基础设施，提供强大的MEC平台。
为了提高资源利用率，这些物理基础设施、多接入技术、异构资源被抽象为池化资源。由于云控制层的监控信息，MEC控制层适用于执行不同传输区域的网络级操作和资源预分配。例如，MEC平台可以自适应地控制边缘基础设施的开/关操作状态。同样，可以自动调度和优化MEC服务器的数量，以实现绿色MEC网络。
多接入连接的云层：Multi-Access Connected Cloudlet Layer
通过将计算任务分配给异构边缘基础设施，MA连接的云层负责提供简化的资源分配和任务卸载方案。此外，资源丰富的车辆通过V2V通信 和 分布式计算 进行协同任务是一种新颖的范例。
另一方面，相邻区域中的驾驶车辆具有大量相同或相似的数据，尤其是在沉浸式immersive应用中。基于自组织网络技术，例如形成移动车载云mobile vehicular cloudlet，这些相邻车辆可以协作共享和加载计算任务以实现更多集成内容以及减少服务等待时间。
基于这些层之间的协作互动，拟议的VE-MAN框架有望带来各种好处，总结如下优势。
• 融合IoV和MEC网络：基于网络级控制和细粒度卸载计算，VE-MAN框架可以充分利用智能车辆中的多址技术和未充分利用的资源，从而降低网络运营成本并提高资源利用率。
• 提高QoS级别和应用程序级性能：通过利用具有相同计算任务的特性，VE-MAN框架可以通过协作方式修剪冗余计算任务来减少服务延迟。
• 服务连续性提供：与基于以基础设施为中心的MEC网络不同，VE-MAN是以车辆为中心的网络框架，移动车载云中的移动或停放车辆可以提供未充分利用的计算资源，保证服务连续性。
虽然提出的VE-MAN是支持沉浸式车辆应用的有前途的解决方案，但仍有许多新的挑战需要解决。
基于协作和分布式计算架构，第一个挑战是如何构建移动车辆云，并消除相当多的冗余任务。
在超密集网络部署下，关键问题是如何分配计算任务以关联最佳基础架构。
此外，与输入尺寸相比，沉浸式immersive应用的输出尺寸可能很大。因此，还应仔细设计输出传输方案以减少传输时间。
利用多址移动边缘计算进行协作任务
为了在保证应用级性能的同时提供低延迟，应该基于计算任务和资源共享机制触发协同任务卸载操作，以去除移动车载云中的冗余任务。我们首先设计了一种混合多路访问控制方案，以建立和维护移动车载云。混合控制策略可简要描述如下：
•车载云端领导者选择：
为了完成领导者的选择和注册的交付，对某个应用程序感兴趣的每个车辆自动执行领导者选择算法，例如【11】。然后，所选择的领导者向全局启用云的控制器发送消息（例如，车辆ID，收集数据的描述），该控制器基于当前的运输和网络状态执行网络级控制。
•车载云团形成：
根据具体的应用和性能要求，云端负责人负责根据预先分配的通信和计算资源来配置移动车载云的大小和功能。
QoS级别 和 应用级别度量 是评估沉浸式车辆应用的网络可行性和易处理性的两个关键参数指标。在本文中，我们介绍了 感知反应时间（PRT） 和 内容完整性的精确增益，以证明VE-MAN框架的效率。
PRT表示总服务等待时间，包括以下合作过程：移动云端形成，任务分配，数据计算，返回到所有目标车辆的输出传输。
精确度增益 通过以协作方式共享和处理由车辆生成的计算任务来描述内容完整性的性能改进。通常，随着更多车辆涉及云计算，可以增强内容完整性。然而，由于在移动云中相邻车辆具有大量相同或相似的计算任务，因此精确增益的改善率将降低。因此，我们应该根据不同的应用程序要求提前删除冗余计算任务。
另一方面，未充分利用的车辆资源可用于为MEC平台提供有效支持。由于超密集网络中的高移动性，车辆可以在任务卸载过程中通过若干边缘基础设施。因此，每个车辆应该将其计算任务加载到最佳边缘基础设施或资源丰富的车辆。
为了克服上述挑战，我们提出了一个由两个阶段组成的协同任务卸载方案：车辆功能划分 和 任务分配阶段
特定于应用程序的车辆功能分区
借鉴移动社交网络【12】的巧妙构思，提出了基于图论的 最大权重独立集（MWIS），以协同方式实现最优功能划分，去除冗余任务。
基本思想是根据任务相似性和计算能力将车辆划分为两个子小云。子云中的车辆（定义为任务卸载子云 task offloading sub-cloudlet）将其计算任务加载到MEC平台或子云（定义为任务计算子云 task computing sub-cloudlet），其中车辆可以提供未充分利用的计算资源来处理协作分配的任务。
图2给出了描述特定应用程序的车辆功能划分的图示。在构建基于移动云的车载网络之后，云端负责人负责计算和分析所有车辆的计算任务的相似性。
为了避免引入大量的信令开销和传输负担，在云端形成阶段每个车辆只需要将收集的任务的主要特征发送给云端负责人。然后根据所收集的计算任务的相似性建立虚拟函数图，如图2左侧所示。
其中 虚线 和 实线 分别表示任意两个车辆之间的 高计算任务相似性 和 低计算任务相似性。例如，如果根据不同的车辆应用和服务要求相似度小于预定阈值，则车辆V1和V2之间的连接由实线示出。
因此可以基于虚拟函数图获得若干候选独立集。
加权值W表示为动态资源利用率，以描述车辆在移动车辆云的形成阶段的通信和计算能力。此外，加权值应在加载和输出传输过程的任务中保持不变，并且如果有车辆参与并退出移动云，则将更新加权值。
最后，基于加权值W选择最佳独立集。
如图2右侧所示，将具有大加权值的车辆划分为任务计算子云，以提供未充分利用的通信和计算资源。同时，具有较小相似性的车辆被划分为任务卸载子云，以将其计算任务分配给边缘基础设施或任务计算子云。
面向延迟的任务分配方案
在删除冗余计算任务之后，我们进一步提出了一种任务分配方案，以保证低服务等待时间，包括通信和计算延迟。如何 将计算任务分配给最佳边缘基础设施（MEC平台或任务计算子云） 是一个重要问题。
从单个车辆的角度来看，目标主要是与可以提供最小服务等待时间的边缘基础设施相关联。
另一方面，边缘基础设施不仅选择具有低延迟要求的车辆，而且还考虑异构边缘基础设施之间的计算通信卸载之间的平衡。
为了解决上述问题，我们提出了一种计算任务分配的双边匹配方案，以实现双方的平衡利益。
在计算任务分配的双边匹配过程中，任务卸载子云和边缘基础设施（简称为V和IN）中的车辆分别实施提议和决策的动作。用于信令交换的云小区负责人的协助，如图3所示。利用VE-MAN框架，可以无缝覆盖地传输任务分配建议和匹配决策。
整个任务分配过程由三个阶段组成：
阶段1：任务分配提议的信息收集。
阶段2：减少任务传输和计算延迟的匹配过程。
阶段3：宣布边缘基础设施和附属车辆之间的稳定任务分配结果。
根据上面的图形描述，任务分配的决定是由边缘基础设施基于从任务卸载子云中车辆接收的相关提议做出的。最终决策与匹配期无关[13]。因此，我们可以专注于优化单个匹配期间的任务分配。
具体地，每一方首先基于个体效用函数建立和维护偏好列表。在任务分配阶段，车辆效用被定义为服务等待时间，包括传输和计算等待时间。
另一方面，我们引入了平衡效用来表示网络端效用。具体而言，负载均衡效用旨在自适应地调整资源利用率，即边缘基础设施的计算能力与任务传输速率的比率。通常，可以选择负载平衡因子的值作为计算任务和通信流量负载之间的高效平衡交易。
通过基于个人偏好接受任务卸载请求，每个边缘基础设施判断所连接的车辆的数量是否超过最大配额。如果不是，则边缘基础结构接受这些提议，并按升序将它们排列到匹配列表中。最后，重复上述匹配过程，直到所有车辆都排列在边缘基础设施所拥有的最终匹配列表中。
与Nash均衡[14]类似，匹配过程的终止是为了在车辆和边缘基础设施或具有相应配额约束的任务计算子云之间找到稳定的任务分配结果。另外，在最坏情况下任务分配方案的计算复杂度是O(NQ)，其中N和Q分别是边缘基础设施的总数和任务卸载子云中的车辆数量。
在实际的网络环境中，由于基础设施的数量通常远低于车辆的数量，因此计算复杂性是可以容忍的。此外，我们基于所提出的双侧匹配算法设计了一种快速任务分配算法。根据给定的服务等待时间要求，该方案可以收敛到次优和稳定的匹配结果。在这种情况下，我们提出的任务分配方案在实际的车辆边缘计算网络中具有良好的可行性和鲁棒性。