论文部分内容阅读
在新兴的车联网络中,汽车终端请求卸载的任务对网络带宽、传输时延等有着更加严苛的需求,移动边缘计算(Mobile Edge Computing,MEC)技术的提出能够更好地解决这一挑战。该技术主要是通过将具有计算和存储能力的服务器部署在终端用户周围,缩短了移动终端设备与云服务器之间进行数据传输的距离,降低了任务卸载的能耗以及传输的时延。但是车辆用户在实际应用的过程中,往往面临着关于MEC服务器如何选择的问题。同时也会遭遇到多用户同时请求接入而导致的信道资源紧缺的问题。面对这些挑战,本文主要做了以下的研究:1.在基于MEC的车联网络系统中引入了软件定义车载网络(Software Defined Network-Vehicle,SDN-V)的概念,构建了一个新的任务卸载框架。引入了SDN-V控制器实现对全局信息变量以及计算资源数据的统一调度管理,通过获取汽车终端自身电池容量,联合时延、功耗等多个约束因子保证了任务卸载模型的合理性。针对多目标优化模型,采用拉格朗日乘子法对凸优化模型进行求解。在任务卸载过程中,考虑到任务属性的多样性,根据目标优化函数的影响因子定义了关于任务“重要度”的概念,对移动终端用户请求的任务进行分类,并且根据重要度的计算模型,设计了关于任务卸载优先级算法,实现了一种高效且更加符合逻辑的任务卸载策略。2.针对多用户任务卸载所面临的信道资源不足的问题,文章引入了非正交多址(Non-Orthogonal Multiple Access,NOMA)技术。NOMA技术相较于传统的正交多址(Orthogonal Multiple Access,OMA)技术能够在相同的信道资源条件下为更多的用户提供任务卸载,同时考虑到任务卸载过程中多方面的影响因子,提出了基于NOMA-MEC的混合卸载策略。设计了一种基于深度学习网络(Deep Q-learning Network,DQN)的博弈算法,帮助车辆用户进行信道选择,并且通过多次神经网络迭代学习,为用户提供了最优的功率分配策略。根据仿真数据分析,文中所提出的基于NOMA-MEC混合卸载策略能够有效地优化多用户卸载时延以及能耗,最大程度地保证了用户的效益。