详情

原文传递基于车辆轨迹预测的卸载任务迁移与异构资源管理策略研究

论文题名：	基于车辆轨迹预测的卸载任务迁移与异构资源管理策略研究
关键词：	车联网;移动边缘计算;车辆任务卸载;资源管理
摘要：	近年来，随着无线通信网络技术的发展，涌现出大量新型无线移动业务，比如增强现实、图像识别、高清地图和在线游戏等，对无线网络通信以及网络的计算和存储能力提出了需求。移动边缘计算（MobileEdgeComputing,MEC）技术将计算处理下沉到边缘节点（EdgeNode,EN），通过靠近用户设备提供计算服务。然而，对于车联网场景，EN有限的计算资源往往无法在时延约束内完全满足车辆的卸载要求，车辆边缘计算（VehicularEdgeComputing,VEC）技术应运而生。　　应用VEC解决车辆任务卸载和资源管理问题仍然存在多项挑战。首先，由于车辆高速移动性以及EN覆盖范围有限性，导致行驶车辆在较短时间内跨越多个EN覆盖区域，而在EN间频繁的切换会出现无线通信质量下降、车辆任务中断等问题。最近有研究者提出将EN互连形成边缘计算卸载网络，将车辆卸载任务迁移到新的EN进行任务计算，以应对车辆在行驶过程中的任务需求。然而由于车辆在路网中行驶的不确定性，难以制定最优的卸载任务迁移策略，来控制任务迁移成本和提高服务质量；并且由于车辆计算需求以及EN所处环境的差异，路网中多车辆卸载任务在EN间的迁移高度耦合，如何实现分布式卸载任务的协作迁移面临挑战。此外，在路网中车辆卸载需求呈现出时间和空间动态变化的特性，而相应路段EN计算能力相对固定，不能与之适配。　　针对上述挑战，论文聚焦在基于EN边缘计算卸载网络的车辆任务卸载、车辆任务迁移、异构资源管理的联合优化问题，主要研究内容分两部分：　　（1）针对车辆行驶轨迹不确定性对任务迁移计算带来的影响，论文应用机器学习技术预测了车辆与时间相关的移动轨迹，作为EN间卸载任务迁移的决策依据；在此基础上，进一步设计了车辆卸载任务迁移和异构资源分配联合优化策略。该策略考虑了任务迁移目标、信道带宽和计算资源的约束条件，通过调整车辆卸载任务迁移和异构资源分配的决策变量，以实现权衡车辆任务处理时延和能耗的联合优化目标。针对上述优化问题，论文设计了一个基于多智能体深度确定性策略梯度（Multi-agentDeepDeterministicPolicyGradient,MADDPG）的车辆任务迁移决策和异构资源分配算法。由仿真实验结果表明，所提算法能够更有效地降低车辆任务平均处理时延和能耗。　　（2）针对车辆计算卸载任务在路网上时空分布不均的问题，论文通过应用机器学习技术对路网中各路段车辆卸载需求进行预测，并利用云无线接入网络(CloudRadioAccessNetwork,C-RAN)技术，设计了云边协同下的车辆任务卸载和异构资源管理策略。该策略考虑了云端带宽池、通信带宽、计算效率和任务完成时间的约束条件，通过调整C-RAN带宽分配、通信带宽分配和车辆任务卸载的决策变量，以实现最小化系统能耗的联合优化目标。论文将该问题进一步转化成一个双时间尺度马尔可夫决策过程(DoubleTime-scaleMarkovDecisionProcess,DTSMDP)。在大时间尺度上，对各路段的车流量进行预测，通过C-RAN技术对EN进行带宽调度；在小时间尺度上，系统分配任务传输带宽以及对车辆任务卸载做出决策。为求解该优化问题，论文设计了一个基于深度确定性策略梯度（DeepDeterministicPolicyGradient,DDPG）的任务卸载决策和异构资源管理算法。经仿真实验分析，所提算法满足车辆任务时延要求，并且降低了系统能耗。
作者：	万培浩
专业：	通信工程(含宽带网络、移动通信等)
导师：	吴凡
授予学位：	硕士
授予学位单位：	电子科技大学
学位年度：	2023