面向車聯(lián)網(wǎng)邊緣計算的智能計算遷移研究

莫瑞超，許小龍，何 強(qiáng)，劉 琦，趙慶展

1.南京信息工程大學(xué)計算機(jī)與軟件學(xué)院，南京210044

2.斯威本科技大學(xué)軟件和電子工程學(xué)院，墨爾本VIC 3122

3.石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院，新疆石河子832003

作為未來智能交通系統(tǒng)的核心組成部分，車聯(lián)網(wǎng)（internet of vehicles,IoV）的相關(guān)理論和應(yīng)用研究目前正在受到學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注[1].車聯(lián)網(wǎng)通過實(shí)現(xiàn)車輛和路側(cè)單元（road side unit,RSU）的數(shù)據(jù)交換，依靠高效的信息交換能力以及其他互動和先進(jìn)的計算能力，實(shí)現(xiàn)了交通管理的效率的提升，并且實(shí)現(xiàn)了為車輛提供如交通管理、道路智能預(yù)測、多媒體服務(wù)訪問、道路狀況監(jiān)測等服務(wù)[2-4].與此同時，隨著各種車輛聯(lián)網(wǎng)基礎(chǔ)通信技術(shù)的快速發(fā)展，基于成熟的車載自組織網(wǎng)絡(luò)（vehicular ad-hoc network,VANET）技術(shù)的IoV 實(shí)現(xiàn)了收集得到的道路交通狀況既被用于車輛到車輛（vehicle-to-vehicle,V2V）之間的通信，同時也被用來實(shí)現(xiàn)車輛到基礎(chǔ)設(shè)施（vehicle-to-infrastructure,V2I）之間的信息交互，進(jìn)而實(shí)現(xiàn)傳感和整合與城市交通流量有關(guān)的重要信息，以緩解城市交通擁堵的情況[5-6].

現(xiàn)如今，車聯(lián)網(wǎng)的應(yīng)用需求通常來自三個方面：駕駛的安全性、道路交通運(yùn)輸效率和信息服務(wù)[7].因此，為了實(shí)現(xiàn)車聯(lián)網(wǎng)應(yīng)用的各種需求，連接到車聯(lián)網(wǎng)的車輛所產(chǎn)生的數(shù)據(jù)需要得到及時的處理[8].然而，由于車輛自身的計算能力有限，實(shí)現(xiàn)這些功能需要對移動的車輛產(chǎn)生的計算密集型車載任務(wù)進(jìn)行計算遷移.對于延遲和可靠性不敏感的娛樂應(yīng)用程序，傳統(tǒng)的基于云的工作方式能夠?qū)⑻峁┯行艺_的返回結(jié)果，從而可以大大提高車輛的信息服務(wù)能力[9].而對于駕駛的安全性和道路交通運(yùn)輸效率來說，車載任務(wù)對于延遲和可靠性是非常敏感的，特別是在緊急避障的路徑規(guī)劃，道路流量識別等方面，此時如果將車載任務(wù)遷移至云數(shù)據(jù)中心的方法是不合適的，因?yàn)樵茢?shù)據(jù)中心通常位于遠(yuǎn)離車輛的位置，將計算密集型的車載任務(wù)遷移到云數(shù)據(jù)中新將會產(chǎn)生很高網(wǎng)絡(luò)延遲，使得安全或時延敏感的車載任務(wù)得不到有效的執(zhí)行，從而可能會引發(fā)交通事故[10].

為了應(yīng)對上述挑戰(zhàn)，能夠向車載用戶提供豐富資源的邊緣計算（edge computing,EC）被引入IoV.邊緣計算是一種新興的計算模式，通過將基于基礎(chǔ)設(shè)施的云計算資源（如計算、存儲、帶寬等）擴(kuò)展到網(wǎng)絡(luò)邊緣，從而為車載用戶提供更便利的計算服務(wù)[11].與傳統(tǒng)云相比，邊緣計算的引入大大縮短了車載任務(wù)與計算資源之間的物理距離，使得車聯(lián)網(wǎng)所產(chǎn)生的車載任務(wù)能夠就近傳輸?shù)竭吘壏?wù)器上執(zhí)行，有效保證了車載任務(wù)的執(zhí)行，特別是在自動駕駛中，將5G 網(wǎng)絡(luò)和IoV 相結(jié)合是合適的[12].此外，5G 網(wǎng)絡(luò)的應(yīng)用也會使得邊緣服務(wù)器也能夠?yàn)檐嚶?lián)網(wǎng)提供超高能效、超可靠的計算服務(wù)[13].在5G 網(wǎng)絡(luò)中，頻帶高于10 GHz 的毫米波（millimeter wave,mmWave）被用于進(jìn)行數(shù)據(jù)傳輸，從而實(shí)現(xiàn)了超高的數(shù)據(jù)傳輸速率，相比4G 網(wǎng)絡(luò)的數(shù)據(jù)傳輸速率要高出數(shù)個量級[14].此外，由于5G 網(wǎng)絡(luò)屬于超密級型組網(wǎng)方式，基站與基站之間的距離僅有幾十米到幾百米，因此通過毫米波可以實(shí)現(xiàn)基站與車載用戶之間的快速數(shù)據(jù)傳輸速率[15].

當(dāng)前計算遷移的研究主要集中在時延和能耗等方面優(yōu)化上.具體來說，在能耗方面，文獻(xiàn)[16]構(gòu)建了一種高效節(jié)能的基于移動邊緣計算的IoV 資源調(diào)度框架，主要關(guān)注的是基于邊緣服務(wù)器的RSU 的能源消耗控制問題.在文獻(xiàn)[17]中提出了一種在IoV 中基于MEC 的卸載方法，選擇合適的MEC 服務(wù)器進(jìn)行任務(wù)管理，該方法綜合考慮了車輛移動性和計算任務(wù)來進(jìn)行卸載決策.文獻(xiàn)[18]研究了多用戶霧計算系統(tǒng)中的節(jié)能計算卸載方案，根據(jù)用戶需要、能耗和延遲約束條件來決定是否將任務(wù)卸載到附近的霧節(jié)點(diǎn)，并且提出了一種基于乘數(shù)交替方向（alternating direction multiplier method,ADMM）的分布式算法.文獻(xiàn)[19]提出了一種聯(lián)合優(yōu)化任務(wù)分配決策和MD 的CPU 頻率的計算卸載框架，并分別提出了兩種基于半定松弛（semidefinite relaxation,SDR）算法作為固定和彈性CPU 頻率情況下的解決方案.文獻(xiàn)[20]研究了任務(wù)緩沖區(qū)穩(wěn)定性約束下的功耗最小化問題，提出了一種基于李雅普諾夫優(yōu)化的局部執(zhí)行和計算卸載策略的在線算法.文獻(xiàn)[21]研究了多信道無線干擾環(huán)境下的多用戶計算卸載問題，提出了一種博弈論計算卸載算法作為解決方案，在能耗和計算執(zhí)行時間方面都有較好的計算卸載性能.而在時間優(yōu)化方面，文獻(xiàn)[22]設(shè)計了網(wǎng)絡(luò)資源和計算資源分配的優(yōu)化算法，以最小化執(zhí)行延遲，包括傳輸時間和計算時間.而在文獻(xiàn)[23]中，實(shí)現(xiàn)了基于霧計算的IoV 系統(tǒng)中的車輛卸載實(shí)時交通管理，旨在最小化車輛計算任務(wù)執(zhí)行的平均響應(yīng)時間.然后，根據(jù)排隊理論對基于車輛的霧節(jié)點(diǎn)進(jìn)行建模，得出基于車輛的霧節(jié)點(diǎn)可以建模為M/M/1 隊列的結(jié)論，并且基于此提出了一種求解卸載優(yōu)化問題的近似方法.此外，文獻(xiàn)[24]利用軟件定義網(wǎng)絡(luò)的思想，開發(fā)了一種基于迭代的算法來解決計算任務(wù)卸載和動態(tài)計算資源分配的問題.

雖然目前的相關(guān)研究使得車輛邊緣計算環(huán)境下的計算遷移問題得到了一定的解決，但是當(dāng)前的研究工作忽略了在進(jìn)行計算遷移時車載任務(wù)的完成時間和邊緣設(shè)備負(fù)載均衡的聯(lián)合優(yōu)化問題.因此，本文針對性提出了一種邊緣計算環(huán)境下面向車聯(lián)網(wǎng)的智能計算遷移方法，以實(shí)現(xiàn)車輛產(chǎn)生的計算遷移問題能夠得到有效的解決，在實(shí)現(xiàn)車載任務(wù)時間能夠得到保證的前提下，能夠保證邊緣設(shè)備的負(fù)載均衡狀態(tài)需求.

1 系統(tǒng)模型

本節(jié)首先建立了車聯(lián)網(wǎng)計算遷移模型，然后描述了車載任務(wù)在進(jìn)行遷移后的服務(wù)時延模型以及對邊緣設(shè)備的負(fù)載均衡模型，最后描述了本文算法在對車輛產(chǎn)生的車載任務(wù)進(jìn)行計算遷移所期望實(shí)現(xiàn)的目標(biāo)函數(shù).模型中的關(guān)鍵字符如表1所示.

表1 關(guān)鍵字符及描述Table 1 Notations and description

1.1 車聯(lián)網(wǎng)計算遷移框架

圖1為邊緣計算環(huán)境下面向車聯(lián)網(wǎng)的計算遷移框架.在該框架中，邊緣設(shè)備主要有N個宏基站和M個路邊單元（roadside unit,RSU）組成，定義集合EN={en1,en2,···,enM}和RSU={rsu1,rsu2,···,rsuM}分別表示為宏基站和路邊單元集合.相較于宏基站，在RSU 部署的計算資源規(guī)模較少，但所在地理位置距離車輛更近.此外，定義Veh={veh1,veh2,···,vehW}表示為W輛車的集合，且定義Ser={ser1,ser2,···,serW}為車輛vehi所產(chǎn)生的車載計算任務(wù).車載計算任務(wù)的屬性用三元組seri=(dsi,epti,pi)表示，其中dsi表示任務(wù)的規(guī)模，epti表示該任務(wù)的期望完成時間，pi表示該任務(wù)執(zhí)行所需的處理器時間片數(shù)量.

圖1 面向車聯(lián)網(wǎng)邊緣計算環(huán)境下的智能計算遷移框架Figure 1 Intelligent computing offloading framework for IoV in edge computing

1.2 服務(wù)時延模型

在圖1所示的車載計算任務(wù)遷移過程中，車輛計算任務(wù)的主要需求是在期望時間epti內(nèi)完成.假設(shè)在車載計算任務(wù)遷移過程中，車輛與邊緣設(shè)備之間的通信鏈路保持穩(wěn)定.此外，在實(shí)際的場景中，由于宏基站距離車輛更遠(yuǎn)，其所能接收的任務(wù)數(shù)量更多.因此，車載計算任務(wù)遷移到宏基站所經(jīng)過的通信鏈路的信噪比要低于車載計算任務(wù)遷移到RSU 的通信鏈路信噪比.基于此，假設(shè)車輛與RSU 之間的信噪比為snre，車輛與宏基站的通信鏈路的信噪比為snrm.則車輛vehi產(chǎn)生計算遷移到RSU 過程中的單位帶寬數(shù)據(jù)傳輸速率可以表示為

假定車輛vehi與RSU 之間的帶寬為wvr，則車輛vehi與RSU 的通信時延可以表示為

類似地，車輛vehi的車載計算任務(wù)遷移到宏基站過程中的單位帶寬數(shù)據(jù)傳輸速率可以表示為

假設(shè)車輛和宏基站之間的帶寬為wvm，則車輛vehi與宏基站的通信時延可以表示為

車載計算任務(wù)遷移到邊緣設(shè)備后所需的執(zhí)行時間由邊緣設(shè)備的計算能力所決定.在實(shí)際的場景中，宏基站所部署的計算資源規(guī)模雖然要大于RSU 所部署的計算資源，但兩種情況下邊緣設(shè)備的數(shù)據(jù)處理能力是一致的.因此，同一任務(wù)在宏基站和RSU 的執(zhí)行時間的差距可以忽略不記.假定enj在單位時間片能夠處理的數(shù)據(jù)規(guī)模為，則seri的處理時延表示為

由于任務(wù)處理完成后回傳結(jié)果的數(shù)據(jù)量很小，因此在本文中將回傳結(jié)果所產(chǎn)生的時延忽略不計.此外，由于車載計算任務(wù)的遷移的方式有RSU 和宏基站兩種情況，則計算任務(wù)的服務(wù)時延可以表示為

為了評估車載計算任務(wù)遷移的有效性，本文通過計算車載計算任務(wù)實(shí)際服務(wù)時延和期望時延的差值來表示計算任務(wù)的完成效用值，表示為

1.3 邊緣設(shè)備負(fù)載均衡模型

在進(jìn)行計算遷移時需要考慮邊緣設(shè)備的資源使用情況，使邊緣設(shè)備的計算資源能被合理的使用的同時，也確保邊緣設(shè)備處于負(fù)載均衡狀態(tài).目前，邊緣計算資源提供商通常將服務(wù)器的物理實(shí)體虛擬為虛擬機(jī)，并以虛擬機(jī)的形式為用戶提供計算服務(wù).在本節(jié)中，為了得到整體的負(fù)載均衡狀態(tài)，將宏基站和RSU 看作是部署不同數(shù)量虛擬機(jī)的邊緣設(shè)備來討論.假定邊緣設(shè)備enj上部署了k個虛擬機(jī).通過計算邊緣設(shè)備上的虛擬機(jī)占用數(shù)量來計算邊緣設(shè)備的負(fù)載均衡方差，并依據(jù)此來體現(xiàn)邊緣設(shè)備的負(fù)載均衡狀態(tài).

假設(shè)執(zhí)行seri所需的虛擬機(jī)數(shù)量為occi，則邊緣設(shè)備的平均資源利用率可以表示為

式中，ωj(seri)判斷seri是否運(yùn)行在該邊緣設(shè)備的虛擬機(jī)上，表示為

此外，表示邊緣設(shè)備的平均資源使用率，表示為

基于以上分析，邊緣設(shè)備的負(fù)載均衡方差表示為

1.4 目標(biāo)函數(shù)

在對車載計算任務(wù)進(jìn)行遷移的過程中，需要同時考慮任務(wù)處理的效用值和邊緣設(shè)備的負(fù)載均衡狀態(tài).因此，本文在進(jìn)行車載計算任務(wù)遷移過程中需要實(shí)現(xiàn)的優(yōu)化目標(biāo)具體表示為

其中，式(12)表示為車載計算任務(wù)遷移完成后能夠使得任務(wù)執(zhí)行的效用值最大的同時保證邊緣設(shè)備整體的負(fù)載均衡方差最小.式(13)和(14)表示在進(jìn)行計算遷移時，車載計算任務(wù)所需要的虛擬機(jī)數(shù)量不能超過當(dāng)前邊緣設(shè)備所部署虛擬機(jī)的數(shù)量.式(15)表示在計算遷移時需要保證每一個車載計算任務(wù)都能夠在期望時間內(nèi)完成.

2 本文方法

為解決車聯(lián)網(wǎng)環(huán)境下的計算遷移問題，保證車載計算任務(wù)能夠在期望時間內(nèi)完成的同時，保證邊緣設(shè)備處于負(fù)載均衡狀態(tài)，本節(jié)首先將計算遷移問題構(gòu)建為多目標(biāo)優(yōu)化問題，而后利用非支配排序遺傳算法（non-dominant sorting genetic algorithm,NSGA-II）實(shí)現(xiàn)對任務(wù)執(zhí)行時間和邊緣設(shè)備負(fù)載均衡進(jìn)行聯(lián)合優(yōu)化.

2.1 基于NSGA-II 的計算遷移

與傳統(tǒng)的遺傳算法相比，NSGA-II 對多目標(biāo)問題的解決方法具有更加高效的全局搜索能力，并且對解決多目標(biāo)的優(yōu)化問題有更低的時間和空間復(fù)雜度.NSGA-II 迭代求解計算遷移策略的步驟如下：

步驟1編碼（Encoding）

在使用遺傳算法求解多目標(biāo)問題時，求解的問題會被編碼為染色體實(shí)現(xiàn)進(jìn)化.而在本文中將車載計算任務(wù)的遷移策略編碼為染色體，染色體中的基因型由計算遷移策略都對應(yīng)計算遷移后車載計算任務(wù)的服務(wù)時延以及邊緣設(shè)備的負(fù)載均衡狀態(tài)構(gòu)成.經(jīng)過種群迭代得到的車載計算任務(wù)遷移策略被定義為OS={os1,os2,···,osp}，其中P是通過算法迭代所得到的車載計算任務(wù)遷移策略的數(shù)量.

步驟2交叉（Crossover）

在求解計算遷移問題的過程中，車載計算任務(wù)遷移策略的初始種群中的染色體通過兩兩相互配對后，按照多點(diǎn)交叉的方式交換部分基因形成兩個新的個體，從而產(chǎn)生新的車載計算任務(wù)遷移策略.NSGA-II 在實(shí)現(xiàn)過程中需要按照設(shè)定的交叉概率進(jìn)行兩點(diǎn)交叉操作，以加快找到車載計算任務(wù)遷移策略的速度.

步驟3突變（Mutation）

與交叉操作功能類似，突變操作也是希望通過將個體染色體編碼中的某些基因座上的基因值用該基因座上的其他等位基因來替換，從而為種群構(gòu)建新的個體也即新的車載計算任務(wù)遷移策略，以此增加種群的多樣性，同時也能夠在一定程度上加速解的收斂速度.

步驟4選擇（Selection）

為了使計算遷移策略能夠保持優(yōu)良的遺傳基因，在對種群迭代過程中需要根據(jù)目標(biāo)函數(shù)式(12)及約束函數(shù)(13)～(15)選擇當(dāng)前種群中的個體.能夠滿足目標(biāo)函數(shù)和約束的個體將會被保留以進(jìn)行下一次種群迭代.通過選擇來保證在求解計算遷移策略的迭代過程中解的性質(zhì)朝著最優(yōu)解的方向進(jìn)化.

2.2 基于MCDM 和TOPSIS 的最優(yōu)任務(wù)遷移策略獲取

在種群迭代結(jié)束后，車載計算任務(wù)對應(yīng)的遷移策略可能會包含多個，構(gòu)成了計算任務(wù)的遷移策略解集，該解集中所包含的遷移策略是能夠滿足式(12)～(14)的.因此，ICOM 需要在該解集中找出一個最優(yōu)解作為車載計算任務(wù)的遷移策略.而為在解集中找出最優(yōu)的遷移策略，ICOM 借助多目標(biāo)決策準(zhǔn)則（multi-criteria decision making,MCDM）和逼近理想解排序法（technique for order preference by similarity to an ideal solution,TOPSIS）來獲取最優(yōu)解，在選擇過程中通過判別評價個體的最優(yōu)解和最壞解之間的距離來確定排序.若評價個體最接近最優(yōu)解，離最差解最遠(yuǎn)，則評價個體為最優(yōu)解；否則，認(rèn)為評價個體是最差的.

假定NSGA-II 最終迭代得到的車載計算任務(wù)的P個遷移策略集合為OS，每一個遷移策略對應(yīng)的車載計算任務(wù)完成效用值和負(fù)載均衡方差值分別表示為β={β1,β2,···,βp}和LD={ld1,ld2,···,ldp}，則策略osi與正理想解的歐氏距離表示為

類似地，策略osi與負(fù)理想解的距離可以表示為

由此可以得到osi與正理想解的相對接近度C.而相對接近度的值越大，則表明該策略的總體在車載計算任務(wù)完成效用值和負(fù)載均衡方差值得聯(lián)合優(yōu)化表現(xiàn)會更好，相對接近度表示為

算法ICOM 的求解過程如算法1 所示，ICOM 的整體復(fù)雜度主要取決于NSGA-II 中的快速非支配排序和擁擠度計算兩部分.假設(shè)求解問題的目標(biāo)數(shù)量為Q，種群的規(guī)模為N，則快速非支配排序在迭代過程中的時間復(fù)雜度為O(QN2).相比于傳統(tǒng)的支配排序算法O(QN3)的時間復(fù)雜度，NSGA-II 的時間復(fù)雜度得到了有效降低.此外，在擁擠度計算的時間復(fù)雜度為O(2NlbN).

算法1ICOM 求解過程

輸入：車載計算任務(wù)seri

輸出：seri的最優(yōu)遷移策略

3 實(shí)驗(yàn)評估

3.1 實(shí)驗(yàn)環(huán)境

本文的仿真實(shí)驗(yàn)是在搭載Intel Core i5-9500 處理器和8GB 內(nèi)存，操作系統(tǒng)為Windows10 的電腦上進(jìn)行的.實(shí)驗(yàn)的其他參數(shù)配置見表2所示.

表2 參數(shù)配置Table 2 Parameter configuration

3.2 對比方法

在實(shí)驗(yàn)過程中，選擇Benchmark 和FFD-EP[2]作為對比方法進(jìn)行對比，兩種方法的基本實(shí)現(xiàn)思路如下：

1）Benchmark.該計算遷移策略的核心思想是隨機(jī)為車載計算任務(wù)選擇遷移策略，當(dāng)計算節(jié)點(diǎn)不能滿足車載計算任務(wù)的計算需求時會重新為車載計算任務(wù)分配計算遷移策略.

2）FFD-EP.在對車載計算任務(wù)進(jìn)行遷移的過程中，首先將當(dāng)前宏基站和路邊單元所剩余的計算資源數(shù)按從小到大的排序，隨后在序列里面查找能夠滿足車載計算任務(wù)的遷移位置.該方法在執(zhí)行過程中第一次找到的能夠滿足車載計算任務(wù)的策略就作為該任務(wù)的遷移位置.

3.3 車載計算任務(wù)完成效用值對比

車載計算任務(wù)完成效用值是評價車載計算任務(wù)完成的服務(wù)質(zhì)量的重要指標(biāo).具體來說，車載計算任務(wù)如果能在期望時間內(nèi)完成，效用值作為期望時間與時間完成時間的差值為正值.所以本文中期望任務(wù)的效用值為正且越大越好，當(dāng)任務(wù)數(shù)量分別為50、100、150 和200 時，所有車載計算任務(wù)的效用值被看作一個整體，體現(xiàn)的也就是所有任務(wù)整體的效用值.效用值越大，說明車載計算任務(wù)進(jìn)行的計算遷移使更多的任務(wù)在期望時間內(nèi)完成.如圖2所示，在不同車載計算任務(wù)數(shù)量下，ICOM 所得到的車載計算任務(wù)遷移策略能夠使得車載計算任務(wù)的完成效用值均高于Benchmark 和FFD-EP.

圖2 車載計算任務(wù)完成效用值對比Figure 2 Comparison of computing task completion utility

3.4 邊緣設(shè)備平均資源使用率對比

圖3 邊緣設(shè)備平均資源使用率對比Figure 3 Comparison of resource utilization of edge devices

在進(jìn)行車載計算任務(wù)遷移時，需要保證邊緣設(shè)備的資源得到有效利用.在本文中，邊緣設(shè)備的資源使用率的值越大，則表明邊緣設(shè)備的資源被利用得更加充分.如圖3所示，在車載計算任務(wù)數(shù)量較少時，車載計算任務(wù)所需要的計算資源不會很多，導(dǎo)致邊緣設(shè)備的資源使用率較低.但隨著車載計算任務(wù)的不斷增多，對計算資源的需求也在不斷增加，從而導(dǎo)致邊緣設(shè)備的資源使用率處于總體上升的狀態(tài).相比于Benchmark 和FFD-EP，ICOM 在對不同數(shù)量的任務(wù)進(jìn)行遷移后，邊緣設(shè)備的資源使用率表現(xiàn)更好.

3.5 邊緣設(shè)備負(fù)載均衡對比

負(fù)載均衡作為計算任務(wù)遷移策略的一個重要評價指標(biāo)：一方面，當(dāng)部署的邊緣設(shè)備的計算資源總體保持負(fù)載均衡時能夠保證計算資源得到最大限度的利用；另一方面，當(dāng)邊緣設(shè)備總體的負(fù)載保持均衡狀態(tài)時，能夠保證各邊緣設(shè)備都能夠處于穩(wěn)定的工作狀態(tài)，降低邊緣設(shè)備由于過載而出現(xiàn)宕機(jī)的概率.在本文中，負(fù)載平衡方差的值越小則表示各邊緣設(shè)備負(fù)載均衡狀態(tài)越好.如圖4所示，隨著車輛產(chǎn)生的計算任務(wù)數(shù)量的不斷增加，在經(jīng)Benchmark、FFDEP 和ICOM 對車載計算任務(wù)分配遷移策略之后，邊緣設(shè)備的負(fù)載均衡方差值也在隨之增長，主要是由于任務(wù)數(shù)量的增加，導(dǎo)致邊緣設(shè)備中更多的計算資源被占用.與Benchmark 和FFDEP 相比，ICOM 在求解時將邊緣設(shè)備的總體負(fù)載均衡狀態(tài)作為一個指標(biāo)而不斷迭代，而其他兩種方法在求解過程中并未考慮邊緣設(shè)備的總體的負(fù)載均衡狀態(tài)，只是盡可能將計算任務(wù)遷移到有效的邊緣設(shè)備上.因此，ICOM 所求解的遷移策略使得邊緣設(shè)備的負(fù)載均衡方差值更小.

圖4 邊緣設(shè)備負(fù)載均衡方差對比Figure 4 Comparison of load balance variance of edge devices

3.6 車載計算任務(wù)遷移成功率對比

車載計算任務(wù)效用值評估是對所有任務(wù)進(jìn)行的整體評價.為了進(jìn)一步展示ICOM 的性能，本文用車載計算任務(wù)的遷移成功率來體現(xiàn)計算任務(wù)遷移策略的有效性.如表2所示，隨著任務(wù)數(shù)量的不斷增加，車載計算任務(wù)遷移成功率由于計算資源的不斷被消耗而導(dǎo)致Benchmark 和FFD-EP 得到的遷移策略無效，導(dǎo)致車載計算任務(wù)不能夠在期望時間內(nèi)完成.相比這兩種對比方法，ICOM 在求解計算遷移問題時將車載計算任務(wù)的期望完成時間作為車載計算任務(wù)一個約束條件來進(jìn)行迭代，使每一個車載計算任務(wù)都能夠在期望時間內(nèi)完成.

3.7 邊緣設(shè)備占用數(shù)量對比

如圖5所示，隨著任務(wù)數(shù)量的不斷增加，Benchmark、FFD-EP 和ICOM 對不同數(shù)量的車載計算任務(wù)進(jìn)行計算遷移時，所占用的邊緣設(shè)備的數(shù)量也在不斷增加.相比于Benchmark 和FFD-EP，ICOM 在對不同數(shù)量車載計算任務(wù)進(jìn)行遷移的過程中所占用的邊緣設(shè)備數(shù)量是最少的，結(jié)合上述邊緣設(shè)備的平均資源利用率來看，ICOM 能夠保證邊緣設(shè)備的資源使用率最大的同時也能夠降低邊緣設(shè)備的占用數(shù)量，避免過多邊緣設(shè)備資源的不合理使用.

表3 車載計算任務(wù)遷移成功率對比Table 3 Comparison of the success rate of task offloading %

圖5 邊緣設(shè)備占用數(shù)量對比Figure 5 Comparison of the number of edge devices occupied

3.8 車載計算任務(wù)遷移算法求解時間消耗對比

如表4所示，隨著任務(wù)數(shù)量的不斷增加，Benchmark、FFD-EP 和ICOM 對不同數(shù)量的車載計算任務(wù)進(jìn)行計算遷移時，不同算法的求解時間也在不斷增加.總體上看，相比于Benchmark 和FFD-EP，ICOM 在對不同數(shù)量車載計算任務(wù)進(jìn)行遷移的過程中所產(chǎn)生的時間消耗相對較少.

表4 車載計算任務(wù)遷移算法求解時間消耗對比Table 4 Comparison of the time consumption for task offloading with different algorithms s

4 結(jié) 語

本文為了保證車輛產(chǎn)生的計算任務(wù)在期望的時間內(nèi)得到解決，提出了一種智能計算遷移算法ICOM.該方法能夠?qū)囕v所產(chǎn)生的車載計算任務(wù)進(jìn)行有效遷移，保證車載計算任務(wù)能夠在期望的時間內(nèi)完成，提升車載用戶的服務(wù)體驗(yàn).與此同時，在對車載計算任務(wù)進(jìn)行遷移的過程中能夠有效保證邊緣設(shè)備的負(fù)載均衡狀態(tài).大量的實(shí)驗(yàn)證明了ICOM 的有效性.在未來的工作中，期望能夠在此基礎(chǔ)上考慮車載計算任務(wù)的數(shù)據(jù)隱私問題，以保護(hù)車載用戶的隱私.