论文部分内容阅读
随着大量新兴的计算资源密集型应用和各种内容提供服务的出现,车联网数据的需求呈现爆炸增长。为解决车辆的本地计算资源短缺问题,利用移动边缘计算,将车辆任务卸载至移动边缘计算服务器,降低整体网络能耗、满足任务时延需求。此外,为减少端到端时延,在网络边缘采用缓存技术,可以降低内容传输时延。本文重点研究了车联网中任务卸载和内容缓存中的资源管理方案。本文研究了计算任务卸载问题。首先,根据任务属性,将任务分为不可卸载子任务和可卸载子任务。针对可卸载子任务,提出一种动态任务部分卸载模型,并建模网络成本最小化问题,网络成本包括能耗和丢包数。其次,为车辆设计一种计算资源分配方法以优化移动边缘计算(Mobile Edge Computing,MEC)服务器的计算资源分配,从而使得每个子任务在MEC服务器的处理时间相同。然后,提出一种基于Lyapunov的动态任务卸载算法(Lyapnuov-based Dynamic Offloading Decision Algorithm,LDOD)以最小化成本。该算法在保证队列稳定性的同时,优化可卸载子任务卸载决策,从而最小化成本,并得到最优卸载决策、能耗以及相应的丢包策略。最后,基于仿真结果,在丢包率、能耗等方面对所提算法的有效性进行了验证。进一步,为最小化车辆的内容获取时延,本文研究了车联网中基于车-车通信(Vehicle-to-Vehicle,V2V)协作的内容缓存优化方案。首先,联合网络模型的变量建模优化问题,并将该优化问题分解为车辆关联优化和缓存优化子问题。其次,提出一种基于时延的车辆关联算法(Delay-aware Vehicle Matching Algorithm,DVM),该算法通过对比车-基础设施通信(Vehicle-to-Infrastructure,V2I)模式获取内容的时延和V2V模式获取内容的时延,择优选择,从而实现车辆的有效关联。然后,基于关联结果,分别在两种网络场景下,进行内容缓存优化。在不考虑切换车辆的网络场景一下,提出一种基于动态规划的内容缓存算法(Dynamic Programming Based Content Caching Algorithm,DPCC)求解缓存决策。在考虑切换车辆的网络场景二下,划分切换车辆请求的内容块,并结合DPCC算法求解出预缓存决策。最后,在仿真结果中,模拟实际场景,并验证所提算法的有效性。