论文部分内容阅读
无人驾驶是当前最热门的技术之一,正处于飞速发展期,无人驾驶车辆在运行过程中需要进行定位、感知、预测、规划等计算,计算量大,计算能耗高,为续航和散热提出了挑战。如果其它计算平台能协同无人车进行计算,减少车辆计算量,将能够节省车辆能耗,有效解决续航和散热问题。无人驾驶应用对时延的要求非常严格,大部分需要在数百甚至数十毫秒内返回结果,由于网络时延较大,中心云很难协同无人车进行计算,无人驾驶有着边缘协同计算需求。随着移动边缘计算(MEC)技术与5G技术的兴起,计算与存储资源能够下沉到位于网络边缘的MEC服务器上,网络传输速度也能有质的飞跃,MEC服务器有能力协同无人车进行计算。计算卸载作为协同计算的一种实现方式,MEC服务器能够通过提供计算卸载服务实现边缘协同计算,但现有计算卸载机制都不能同时满足无人驾驶安全、隐私、效率导向的需求。为了解决上述问题,本文对无人驾驶场景下的边缘协同计算进行了研究,并将计算卸载作为边缘协同计算的实现方式。本文主要工作如下:1.提出一种MEC计算卸载机制,提出并设计了基于Docker的卸载服务中间件,该中间件具有如下特点:(1)使用镜像管理模块管理Docker镜像,无人车只需传输应用类型信息和计算数据即可完成卸载;(2)使用资源管理模块进行容器的资源限制,通过设置CPU占比弹性地限制应用CPU用量;(3)使用容器管理模块创建和销毁容器,并通过容器预启动策略加快卸载效率。最终MEC服务器能够在保障卸载效率的同时为卸载应用提供隔离的运行环境,有效协同无人车进行计算,满足无人驾驶安全性和隐私性需求。2.以能耗为优化目标,以响应时间为限制条件,探讨了MEC服务器资源受限情况下的卸载决策问题与卸载调度问题。首先,本文综合考虑网络传输速度、计算量、服务器剩余资源量等因素,给出了卸载决策流程。然后,对于卸载调度问题,本文分别讨论了单应用与多应用下的调度策略,并将多应用调度问题形式化为多维多背包问题,该问题是NP难问题,为了保障调度效率,本文给出基于贪心算法的求解方案。本文通过实验证明了上述卸载服务中间件的可行性和高效性,能够支撑无人驾驶应用的卸载,实现毫秒级的计算卸载,并通过对比实验验证了基于贪心算法的调度策略的实用性。