542 浏览基于信息年龄的车载边缘计算公平接入机制研究
摘要：随着汽车远程信息处理技术的快速发展,现代汽车可以通过车联网（Internet of Vehicles,Io V）技术实现互联,并与周围环境交换海量信息。车辆会通过智能传感器和高清摄像头收集大量的数据,并处理这些数据来提供车载应用服务。但是单个车辆自身的计算和存储能力是有限的,无法对如此大量的数据进行高效及时地处理。车载边缘计算（Vehicular Edge Compute,VEC）可以有效辅助车辆执行任务处理。在车载边缘计算中,车辆一般采用IEEE 802.11协议接入信道并将任务卸载到边缘服务器,利用其丰富的计算资源来辅助自身完成计算需求并提供给车辆有用信息,从而有效地解决道路安全问题、缓解交通堵塞和提升驾驶舒适度。信息年龄（Age of Information,Ao I）是新兴的性能指标,可用来衡量信息的新鲜程度。车载边缘计算中,车辆对信息新鲜度极度敏感,陈旧的信息会导致车辆因无法及时接收到有用信息而发生交通事故。车载边缘计算环境复杂,具有车辆高速移动、网络拓扑频繁变化、接入参数不定等特点,使得车辆在接入过程中信息年龄实时变化,进一步造成不同车辆在接入过程中信息年龄不公平和传输数据量不公平的现象。以上的接入不公平现象会导致车辆无法及时接收有用信息,道路行驶安全无法得到保障。因此,基于信息年龄研究车载边缘计算接入机制,保证接入公平性变得十分重要。本文聚焦于新颖的性能指标——信息年龄,基于信息年龄研究车载边缘计算公平接入机制。本文所包含的主要研究工作如下。（1）针对实时观测场景中,难以定向求解车辆信息年龄的问题,通过对传输数据信息年龄的离散化,开展年龄公平性效益的研究。此部分工作考虑信息年龄的离散化,分析采用不同最小竞争窗口组合时的年龄公平性。首先,对连续的年龄过程进行离散化处理,推导了一个离散时间观测间隔内平均信息年龄的计算方法;然后,利用网络中所有通信设备的平均信息年龄定义网络的公平性损失,并推导网络的年龄公平性效益;最后,基于实时的IEEE 802.11协议,模拟网络中的通信设备采用不同最小竞争窗口（Minimum Contention Window,MCW）组合时网络的年龄公平性效益,并给出定性分析。（2）车联网中车辆的最小竞争窗口与数目通常是时变的,这会使得车辆获得不同的网络接入机会,从而导致不同车辆传输数据的平均信息年龄大幅增加。针对上述问题,提出了一种保证车联网车辆信息年龄公平性的自适应车辆到基础设施的（Vehicleto-Infrastructure,V2I）接入方案。此部分工作考虑车辆时变场景中,车辆最小竞争窗口的自适应调整,通过学习获得最优的最小竞争窗口自适应调整策略。首先,通过定义状态空间、动作空间和系统的奖励机制来设计一个智能车辆节点,来保证网络中不同车辆传输数据的年龄公平性;然后,通过改进的深度Q网络（Deep Q-Network,DQN）算法来学习和预测每个离散时间观测间隔的最优窗口值;最后,通过仿真验证了提出的自适应接入方案可以实现仅次于理想最优状态的最高网络年龄公平性效益。（3）针对高速公路车队场景,分析基于IEEE 802.11分布式协调功能（Distributed Coordination Function,DCF）的高速公路车队任务卸载性能。车辆传输数据的公平性是车队安全行驶的关键因素。由于不同车道上车辆的行驶速度不同,使得车辆在基站（Base Station,BS）覆盖范围的存在时间内传输的数据量不同,影响着车队的行驶安全。信息年龄用来衡量数据的新鲜程度,车辆具有较大的平均信息年龄意味着车辆传输的数据没有被接收端及时接收。此部分工作考虑自动驾驶车队场景,同时优化通信公平性和网络平均信息年龄。首先,推导网络中车辆传输数据的公平性指数;其次,基于随机混合系统（Stochastic Hybrid System,SHS）推导网络平均信息年龄的闭式表达式;然后推导自动驾驶车队场景中的平均车辆数量;最后,采用启发式算法构建多目标方程,求解车辆最优的网络接入参数,并通过仿真验证了所得最优解能够实现车辆传输数据的公平性和相对较小的网络平均信息年龄。
关键词：车联网;车载边缘计算
文章目录
摘要
Abstract
第一章 绪论
1.1 选题研究背景及意义
1.2 国内外相关研究动态
1.3 本文主要工作与贡献
1.4 论文组织结构
第二章 通信设备传输数据的年龄公平性效益研究
2.1 相关工作
2.2 系统模型
2.2.1 场景描述
2.2.2 信息年龄的离散化处理
2.2.3 IEEE802.11 DCF机制
2.3 模型的公式化
2.3.1 公平性损失
2.3.2 年龄公平性效益
2.4 问题求解与分析
2.4.1 参数设置
2.4.2 数值结果
2.5 本章小结
第三章 V2I年龄感知公平接入方法及系统
3.1 相关工作
3.2 系统模型
3.3 DRL模型的公式化
3.3.1 网络年龄的公平性效益
3.3.2 状态空间
3.3.3 动作空间
3.3.4 系统的奖励机制
3.3.5 策略函数
3.4 求解DRL模型
3.4.1 双DQN
3.4.2 对偶网络
3.4.3 多步式学习网络
3.4.4 分布式DQN
3.4.5 噪声网络
3.4.6 训练阶段
3.4.7 测试阶段
3.5 数值仿真结果与分析
3.5.1 参数设置
3.5.2 训练阶段数值结果
3.5.3 测试阶段数值结果
3.5.4 车辆特征分析
3.5.5 方法性能评估
3.6 本章小结
第四章 MEC辅助的车队网络速度自适应接入方案
4.1 相关工作
4.1.1 车队网络的通信性能优化
4.1.2 网络中通信的公平性
4.1.3 网络中通信的信息年龄
4.2 系统模型
4.2.1 高速公路车队场景
4.2.2 IEEE802.11机制
4.3 模型公式化分析
4.3.1 公平性指数
4.3.2 网络中数据的平均信息年龄
4.3.3 平均退避率和平均服务率
4.3.4 网络中的平均车辆数目
4.4 优化问题与求解
4.4.1 优化目标
4.4.2 优化方案
4.4.3 算法复杂度
4.5 数值仿真与分析
4.5.1 参数设置
4.5.2 仿真结果
4.6 本章小结
第五章 总结与展望
5.1 本文总结
5.2 展望
致谢
参考文献
[1]车联网业务演进与发展前景研究[J]. 张强,邹密,江美霞. 软件. 2021(07)
[2]浅析车联网发展历程及前景[J]. 万能,罗雅婷. 汽车实用技术. 2020(15)
[3]Efficient Task Completion for Parallel Offloading in Vehicular Fog Computing[J]. Jindou Xie,Yunjian Jia,Zhengchuan Chen,Zhaojun Nan,Liang Liang. 中国通信. 2019(11)
[4]中美贸易战下的V2X该何去何从——中国车联网V2X技术发展之路[J]. 徐景洋,张楠,王亚飞,时旭. 时代汽车. 2019(13)
[5]自动驾驶汽车的“道德算法”困境[J]. 白惠仁. 科学学研究. 2019(01)
[6]Vehicular Beacon Broadcast Scheduling Based on Age of Information（AoI）[J]. Yuanzhi Ni,Lin Cai,Yuming Bo. 中国通信. 2018(07)
[7]Internet of Vehicles in Big Data Era[J]. Wenchao Xu,Haibo Zhou,Nan Cheng,Feng Lyu,Weisen Shi,Jiayin Chen,Xuemin （Sherman） Shen. IEEE/CAA Journal of Automatica Sinica. 2018(01)
[8]车联网技术应用综述[J]. 苏静,王冬,张菲菲. 物联网技术. 2014(06)
