车联网中基于雾计算的最小化功率开销任务卸载策略

刘 通

(1. 重庆工程职业技术学院，重庆 402260; 2. 重庆邮电大学，重庆 400065)

0 引 言

随着网络用户对网络应用需求的不断提升，网络接入终端不再局限于传统的电脑、手机，将车辆作为网络接入终端，形成车车互联的IOV(Internet of Vehicle 车联网)，提供面向V2V(Vehicle to Vehicle)、V2I(Vehicle to infrastructure)、V2P(Vehicle to Pedestrian)、V2N(Vehicle to network)的网络连接，支持自动驾驶、车载娱乐、智能疏导等智能化新型应用已成为未来车联网的主要发展方向，而针对车辆组网的研究也成为当下研究的热点问题[1-2]。

针对车辆组网的早期研究主要集中于VANET(Vehicle Ad Hoc Networks车载自组织网络)[3]。IEEE(Institute of Electrical and Electronics Engineers 电气和电子工程师协会)针对VANET组网方式制定了802.11p标准，但VANET的网络可靠性、节点隐藏能力和无限制时延等问题一直没有得到很好的改善。LTE-V(Long Term Evolution-Vehicle)被视为能够有效解决上述问题，提供实时车联网络应用服务的解决方案。

在文献[4]中，LTE-V被定义为两种通信模式，LTE-V-direct(LVD)和LTE-V-cell(LVC)。LVD和LVC可相互协调以提供集成的V2X(Vehicle to X)解决方案。文献[5]则是将LTE-V与IEEE 802.11p进行了比较，同时介绍了LTE-V的标准研究及其演进。并在文中展示了LTE-V的产业发展和典型的示范应用。最后展望了LTE-V的发展策略及其未来的技术演进路线。

在车联网络内，为了保证车辆的智能驾驶与安全驾驶，同时为了保证乘客的娱乐体验，车辆需要与基站、其它车辆节点、RSU(Road Side Unit 路边单元)等对象进行信息交互，在短时间内会产生数据量极为庞大的实时信息。在基于云计算的网络结构中，这些数据需要从车辆通过无线接入网上传至云端，由云端进行数据处理分析后，再将处理结果返回至车辆。数据的上传处理会增加任务的传输时延。同时，海量数据的涌入势必会导致服务的排队，从而会导致更高的网络时延。对于车联网中正在使用自动驾驶功能的车辆，过高的时间延迟极有可能会导致严重的交通事故。

雾计算能够有效地解决上述问题，通过在靠近用户的网络边缘处，部署具有存储、计算功能的边缘服务器用于接收和处理用户数据。由于雾服务器的部署位置更加接近用户，故而可以节省大量的信息传输时间。在车联网络中部署雾计算节点成为车联网研究的流行趋势。为了促进雾计算技术在IoV中的良好融合，文献[6]首先介绍了一种将车辆作为雾计算资源节点构建的协同和分布式计算架构。作者提出一种协作任务卸载和输出传输机制，以保证低延迟应用的网络性能，并最终在3D场景中，通过仿真分析表明，该方案能够在确保驾驶体验的同时减少感知反应时间。

然而，将任务迁移至雾节点势必会增加系统的功率开销，如何在有限的功率条件下，选择何种任务迁移方式也是需要进行深入研究的内容。为了最大限度地降低终端的能耗，文献[7]选择将无线资源分配和计算资源分配进行了共同优化。将能量消耗最小化问题表示为混合整数非线性规划问题，但该问题会受到特定应用延迟约束的影响。为了解决这个问题，作者重新制定了基于线性技术的分支定界方法，通过设置求解精度获得最优结果或次优结果。考虑到上述方法的复杂性无法保证，作者进一步设计了基于Gini系数的贪心启发式算法，通过将该问题转化为凸优化模型进行求解并通过仿真证明了此算法能够有效节约系统功率开销。

文献[8]对基于停泊车辆中继的车载边缘任务卸载方案进行了研究。为了减少车联网络的通信服务时延，同时为了有效利用停泊车辆闲置的资源，提出了一种能够卸载实时流量管理的解决方案以最大限度地减少车辆事件报告的平均响应时间。通过将停泊的车辆作为边缘节点的组网方式，构建了一种分布式城市交通管理系统，缓解了回传链路的数据传输压力，有效降低网络时延。

文献[6]和文献[7]在车联网络中对如何将任务进行高效卸载至基站进行了研究。然而，在未来车联网络的各种应用中，用户对时延的要求极为敏感。如碰撞预警、偏离预警等应用，如果采用将任务迁移至基站，基站执行任务后再将结果返回的任务迁移方式势必会增大网络时延。文献[8]中的任务迁移方式虽然降低了网络时延，然而由于停泊中的车辆其引擎处于停止运行状态，故而不能提供持久的动力输出，借助停泊车辆作为中继节点的网络部署方式在网络稳定性方面还有待进一步的研究。

虽然目前雾计算和LTE-V的研究已经成为比较热门的研究方向，然而将两者进行结合研究的文献却并不多见。本文的主要贡献由以下两个部分构成。

(1)在LTE-V网络中，考虑了一种全新的在蜂窝基站和车辆上均部署具有雾计算功能的雾服务器，构建LVF网络以应对车联网中时延敏感业务请求。

(2)在上述LFV网络结构中，在保证系统时延性能的条件下，提出了以最小化系统功率消耗为目的LTOS优化任务迁移策略，并基于此优化策略进一步搭建了数学优化模型。通过使用模拟退火算法对优化模型进行求解并获得了最佳分配因子。在时延受限的条件下，节省了系统功耗。

本文剩余部分的安排如下。在2中讨论LVF结构及任务执行方式。数学模型的搭建在3中完成，4中使用模拟退火算法对数学模型进行求解。5中进行仿真结果分析及性能对比。最后在6中对本研究进行总结。

1 系统模型

LFV系统模型如图1所示，在此模型中的车辆保持通信的方式有两种，一种是基于车辆至蜂窝基站的LVC模式，另一种是基于车辆之间互联的LVD模式。其中，在LVD模式下，车辆与车辆之间进行直连用于V2V场景。作为一种分布式架构，可通过修改LTE物理层参数，在保证通用性的基础上提供短距离直接通信，从而保证车辆节点对网络低延迟、高可靠的性能要求，主要用于保障车辆的安全行驶。而在LVC模式下，车辆采用传统的集中式方式与蜂窝基站进行通信，基于集中式网络架构的LVC能通过优化无线资源管理，更好地支持V2I和V2P场景的应用[4]。

图1 系统模型

LTE-V组网模式下，车辆需要具备车道偏离预警、前向碰撞预警、交通标志识别、车辆感知共享、行人碰撞预警、危险驾驶提醒功能。为了实现以上功能，需要在车身上安装激光雷达、超声波雷达、图像传感器以及毫米波雷达等多种传感器设备，这些设备在短时间内会产生庞大的数据量。为了减少数据的传输时延，提升网络的响应能力，需要在车联网络中进行雾节点的部署。在LVC模式下，雾节点采用集中式的网络架构部署于蜂窝基站内。而在LVD模式下，则采用分布式的网络结构模型将雾节点部署于每个智能车辆中。

(1)

2 任务卸载

2.1 本地执行

(2)

根据文献[12]中的分析，进一步可以得到本地执行所需要的功率为

(3)

式中k是取决于雾服务器内部芯片结构的能量系数。

2.2 LVC模式

(4)

设宏基站分配信道i给车辆n，则此车辆n与雾边缘服务器间的传输速率表达为：

(5)

(6)

(7)

任务在宏边缘进行处理时，所需要的功率开销表述为：

(8)

设数据流相继到达宏基站雾服务器的间隔时间服从指数为λc-task的泊松分布，雾服务器的服务时间服从指数为λc的泊松分布，可以将宏基站雾节点的服务模型建模为M/M/1排队模型。则服务速率ρ=λc-task/λc，则根据排队论的理论知识，任务的平均排队时间表示为：

(9)

(10)

2.3 LVD模式

与LVC的分析类似，任务在微边缘服务器的执行时间同样由传输时间、排队时间和处理时间和返回时间四部分构成共同构成，满足：

(11)

设在任务迁移阶段，接受任务的车辆雾节点与提出任务迁移请求的车辆节点通过信道k进行连接，传输速率表达为：

(12)

(13)

(14)

所需要的功率开销表述为：

(15)

(16)

(17)

3 数学建模

设卸载到宏基站雾节点的的任务量占总任务量的比例因子为α，卸载到车辆雾节点的任务量比例因子为β，则有

(18)

(19)

则由终端进行本地执行的任务量为：

(20)

同时0≤α≤1、0≤β≤1、0≤α+β≤1成立。

根据上述分析，终端用户n的任务Ln由三个执行主体完成，系统的总时间开销可表述为：

(21)

与之对应的总功率开销为：

(22)

本文在异构网络中，在总功率受限，执行任务所消耗的时间受限的情况下，将最优分配因子α和β作为求解对象，以达到最小化系统总功率开销的目的，提出了一种双层任务卸载策略DTOS，基于此策略的优化模型可表述为：

(23)

(24)

0≤α≤1,0≤β≤1

(25)

0≤α+β≤1

(26)

(27)

(28)

在上述模型中，(23)式限定对系统总功率开销进行了限定，(24)式则是对任务执行时长的要求。(25)和(26)式描述的是任务的具体卸载方案。宏基站雾节点和车辆雾节点分配给任务n的计算能力要求在(27)中体现。(28)则为不考虑车辆存在越区切换的情况下，限定卸载任务在当前基站的覆盖范围内均能被成功执行。

4 模拟退火算法

由于上述优化模型的优化目标与约束条件之间存在非线性关系，求解较为困难，故采用模拟退火算法对优化模型进行求解。

4.1 建立metropolis准则

(29)

其中，p为接受当前解为最优解的概率，可表达为：

(30)

式中φ为玻尔特兹曼常数。

4.2 算法流程

1) 初始化高温Tmax=100和温度下限Tmin=1，并设当前状态处于最高温，即T(k)=100；

3) 初始化当前温度下的迭代次数L=100；

4) Form=1:Ldo

接受当前解为最佳解，并S′={α′,β′}将赋值给最佳解S*={α*,β*}；

else

以metropolis准则中的概率p接受S′={α′,β′}作为当前最佳解

End if

Ifm=L

end if

else 返回4;

6)T(k+1)=αT(k)

IfT(k+1)≤Tmin

end if

else 返回4

算法流程图如下所示：

图2 模拟退火算法流程图

5 性能仿真

首先对比分析了数据量大小与功率消耗之间的关系。从图3中可以看出，随着数据量的不断增大，系统的功耗也随之增大。在四种任务迁移模式中，与交任务全部交由本地车辆处理相比较，将任务全部卸载至其它车辆所消耗的功率值会更高，如在任务数据量为3 MB时，本地执行任务可以节省约2 mJ的功率，主要原因在于本地车辆和其它车辆具有相同的数据处理能力，而如果将任务迁移至其它车辆，同时还会增加本地车辆的发射功率消耗。由于宏基站处的雾服务器比车辆节点雾服务器具有更强大的数据处理能力，所以如果将任务全部迁移至宏蜂窝基站，可以进一步节约能耗。与将任务全部迁移至宏蜂窝基站比较，本文提出的LTOS策略能够更进一步节约系统功耗，如在任务量为4 MB时，LTOS策略所消耗的功率仅为6.7 mJ，与上述三种策略比较，分别能够节约1.8 mJ、5.3 mJ和7.8 mJ的功率开销。

图3 数据量大小与功率消耗关系对比图

图4 数据量大小与时延关系对比图

此后对数据量大小与时延关系进行了分析比较。与图3中的原因分析类似，将任务全部迁移至其它车辆执行与本地执行比较而言，由于两种车辆的计算能力相同，而在任务迁移过程中会存在传输时延，故而将任务全部迁移至其它车辆的执行时间要略大于任务本地执行的时间。将任务迁移至具有更加大处理能力的宏蜂窝雾节点时，能够在系统时延上获得更进一步的提升。LTOS策略所获得的系统时延性能提升效果最为明显，如在任务的数据量为3 MB时，LTOS策略所导致的时延仅有42 ms。

6 结 语

本文在LTE-V车联网络结构中，在任务的时延及功耗限制条件下，以最小化系统功耗为目的，提出了一种新的任务卸载方式。LTE-V车联网中，车辆可以采用集中式的LFC模式与蜂窝基站进行通信，也可以采用分布工LFD模式与其它车辆节点进行通信。由于车联网中产生的数据量极为庞大，为了有效处理这些数据，考虑了一种在宏蜂窝基站和车辆节点处均部署雾计算节点的网络结构。在此结构中，产生计算任务的车辆可以选择自已处理这些数据，为了进一步提升处理效率，也可以将计算任务迁移至不同类型的雾节点，而不同的迁移方式和迁移比例所对应的系统功耗和网络时延也不尽相同。本文提出了一种优化任务卸载策略LTOS，在网络性能保证前提下，最小化了系统总功率开销。同时，本文还建立了LTOS策略的数学优化模型，并通过模拟退火算法对优化模型进行求解，获得了LTOS策略的最佳分配方案。仿真结果表明文章提出的优化算法可以有效地节约系统总功耗。