论文部分内容阅读
联网的车辆通过V2I(Vehicle-to-Infrastructure)链路与V2V(Vehicle-to-Vehicle)链路组成车辆自组织网络,由车载单元支持的移动应用的大幅度增长给这项技术带来了新的挑战。将计算任务卸载到云被认为是一种很有前景的方法,但因远距离部署带来的骨干网络与回程网络的容量限制和延迟波动,导致车辆QoS(Quality of Service)严重下降。移动边缘计算(Mobile Edge Computing,MEC)通过在移动网络边缘提供了IT服务环境和云计算能力,既满足车辆计算能力的扩展需求,也弥补了云计算时延较长的缺点。但是MEC有限的计算资源与MEC卸载系统的成本问题,会随着车载终端数量的增加而严重限制任务卸载带来的效益,而且频谱资源的稀缺也是需要在任务卸载时考虑的棘手问题。综上所述,本文在基于MEC的车联网络场景中,研究了任务卸载时应该卸载到何处以及如何分配计算资源和无线资源的问题。主要工作有以下两个方面:1.研究车联网络中车辆卸载请求任务时搜寻服务节点为其服务的匹配问题,构建一个基于MEC的卸载框架,任务既可以卸载到MEC服务器以V2I形式通信,也可以卸载到车辆以V2V形式通信。考虑到资源有限性、异构性和任务多样性,建模该框架为组合拍卖模式,研究了一种多轮顺序组合拍卖机制,由层次分析法排序、任务投标、多维背包算法决定卸载成功者三个部分组成。仿真结果表明,所研究机制可以在时延和容量约束下,使任务车辆效益提高的同时最大化服务节点的效益。2.在授权频带与非授权频带共存的环境中,研究了车辆异构网络中基于MEC的任务卸载模式决策和资源分配问题。考虑链路差异化要求,即车辆到路边单元链路的高容量和车辆到车辆链路的高可靠性,将QoS建模为数据传输速率与时延的组合形式,首先采用改进的K-means算法依据不同的QoS对任务车辆进行聚类,从而确定通信模式;其次利用基于无竞争期的免授权频谱技术,结合载波聚合,使用分布式Q-Learning算法进行信道和功率分配。仿真结果表明,所研究机制可以在保证纯授权频带车辆通信质量的同时,最大化包括授权频带与非授权频带重叠区域的整个授权频带的遍历容量。