車聯(lián)網(wǎng)中基于MEC 的V2X 協(xié)同緩存和資源分配

李方偉，張海波，王子心

（1.重慶郵電大學通信與信息工程學院，重慶 400065；2.移動通信教育部工程研究中心，重慶 400065；3.移動通信技術重慶市重點實驗室，重慶 400065）

1 引言

近年來，隨著無線通信和物聯(lián)網(wǎng)技術的發(fā)展，車聯(lián)網(wǎng)（IoV,Internet of vehicles）已成為5G 的重要應用場景。通過LTE-V 或IEEE 802.11p 技術，車輛可以與基礎設施、行人和其他車輛進行通信。智能車輛配備的車載單元（OBU,on board unite）使車輛具有計算能力和存儲能力，因此支持通信的智能車輛能夠作為移動緩存節(jié)點，為終端用戶帶來方便。

隨著車聯(lián)網(wǎng)快速發(fā)展，車載終端已經(jīng)成為移動計算設備的重要組成部分[1]。為了應對移動數(shù)據(jù)和云數(shù)據(jù)流量的增加帶來的時延和能耗增加的問題，基于云的車聯(lián)網(wǎng)被廣泛認為是提高服務性能的新范式。在云計算網(wǎng)絡中，通過集成通信和計算技術，應用程序可以在本地的車載終端上運行，也可以轉移到遠程計算云上運行[2-5]。然而，由于回程和主干網(wǎng)傳輸?shù)娜萘肯拗坪蜁r延波動，將云服務器放置在遠離移動車輛的位置會嚴重降低卸載效率，并且增加傳輸時延。為此，業(yè)界提出了移動邊緣計算（MEC,mobile edge computing）來解決這一問題，在靠近終端用戶的地方執(zhí)行時延敏感和上下文敏感的應用程序[6]。MEC 將云服務推向無線網(wǎng)絡的邊緣，并在移動車載終端附近提供計算卸載服務，極大地提高了資源利用率和計算性能。此外，MEC 系統(tǒng)中的服務器可以實現(xiàn)網(wǎng)絡內緩存功能，類似于以信息為中心的組網(wǎng)（ICN,information-centric networking）[7]提供的功能，可以減少重復信息計算。

邊緣緩存技術有效減少了網(wǎng)絡中重復內容的計算與傳輸，是未來無線網(wǎng)絡提高頻譜利用率、縮短時延、降低網(wǎng)絡負載的重要技術之一[8-10]。基于全球流量特性，在短時間內，許多用戶會請求一些流行的內容，這些內容占據(jù)了大部分流量[11-12]。因此，主動緩存流行內容可以減輕回程鏈路的負擔。在傳統(tǒng)的蜂窩系統(tǒng)中，用戶請求的內容必須從遠離移動網(wǎng)絡的互聯(lián)網(wǎng)內容分發(fā)網(wǎng)絡（CDN,content delivery network）節(jié)點獲取，然后在移動核心網(wǎng)絡上實現(xiàn)緩存內容[13]，回程鏈路仍然受到容量限制。隨著基站和低成本存儲單元的發(fā)展，在大型基站和小型基站上部署緩存成為可能。同時，車聯(lián)網(wǎng)的發(fā)展使車輛具備緩存能力，V2V（vehicle-to-vehicle）通信可以根據(jù)用戶之間的社交關系，利用用戶設備上的存儲單元進行內容共享。

目前，已有大量學者致力于邊緣緩存的研究。文獻[14]設計了一個新的以信息為中心的異構網(wǎng)絡框架，采用基于交替方向乘法器的分布式算法來求解緩存資源的分配問題?？紤]到內容的流行度分布、可用的緩存大小和網(wǎng)絡的拓撲結構，文獻[15]通過設計緩存策略使系統(tǒng)吞吐量最大化。文獻[16]提出了一種基于李雅普諾夫的在線算法來優(yōu)化資源分配和內容緩存策略問題。文獻[17]為了進一步降低傳輸時延及提高相應速率，提出了協(xié)同緩存分配和計算分流方案，MEC 服務器之間協(xié)同執(zhí)行計算任務和數(shù)據(jù)緩存。在車聯(lián)網(wǎng)中，文獻[18]考慮了車輛媒體應用的蜂窩通信網(wǎng)絡上的主動內容傳輸問題，提出了一個新的理論框架來描述移動邊緣網(wǎng)絡在計算、緩存和通信資源之間的權衡，通過傳輸跳數(shù)、用戶需求預測的規(guī)模和準確性，以及緩存副本的數(shù)量來度量計算、緩存和通信資源。文獻[19]研究了高速車輛在LTE-V2I（vehicle-to-infrastructure）網(wǎng)絡中的部署問題，考慮MEC 系統(tǒng)的回程能力、車輛速度和內容流行度分布，制定聯(lián)合優(yōu)化框架以最小化MEC 系統(tǒng)的緩存，同時最大化平均下載百分比。然而，上述研究主要集中在MEC 服務器側進行內容緩存，智能車輛的閑置資源沒有被有效利用。

本文利用移動邊緣計算資源與周圍閑置車輛資源來增強邊緣緩存能力，其中智能車輛被視為與MEC 服務器共享內容緩存任務的協(xié)作緩存代理；充分利用大量異構集成的存儲資源進行內容緩存，特別是利用移動智能車輛和手持設備的資源來緩存流行內容；進一步研究車輛異構網(wǎng)絡中基于MEC的任務卸載決策和資源分配問題；結合車聯(lián)網(wǎng)的低時延要求與綠色通信的低能耗要求，將開銷定義為時延與能耗的加權組合，提出了一種車聯(lián)網(wǎng)中基于MEC 的V2X（vehicle-to-everything）協(xié)同緩存和資源分配機制，對網(wǎng)絡內計算、緩存和通信資源進行有效分配，減少內容訪問時延，提高資源利用率。

2 系統(tǒng)模型

2.1 網(wǎng)絡模型

基于MEC 的V2X 協(xié)同緩存網(wǎng)絡模型如圖1 所示?？紤]一個車載云協(xié)同邊緣緩存模型。在這個模型中，道路周圍部署L個路邊單元（RSU,road side unit），表示為L={M1,M2,M3,…,ML}，每個RSU都配有一個MEC 服務器。道路上N個車輛呈泊松分布，其車輛標識為N={1,2,3,…,N}，由此車輛表示為V={v1,v2,v3,…,vN}。由于MEC 服務器與鄰近車輛均具有計算與緩存能力，因此將其統(tǒng)稱為服務節(jié)點 W={w1,w2,w3,…,wM}。每個RSU 覆蓋范圍內隨機分布n個車輛，小區(qū)j的車輛集合為CVj={v1,v2,…,vn}。車載IEEE 802.11p OBU 具有802.11p 網(wǎng)絡接口和蜂窩網(wǎng)絡接口，車輛可以通過RSU 將任務卸載至MEC 服務器進行計算，或者卸載至鄰近車輛進行V2V 通信。為了有效地復用頻譜，V2I 模式和V2V 模式在同一頻段工作。頻譜被均分為K個子信道，表示為K={1,2,3,…,K}，每個子信道帶寬為B。車輛卸載策略集合表示為A={a1,a2,a3,…,aN}，若ai=1，則代表vi將任務卸載到服務節(jié)點wm進行計算；若ai=0，則代表vi在本地執(zhí)行計算任務。

圖1 基于MEC 的V2X 協(xié)同緩存網(wǎng)絡模型

假設在t時刻，緩存池存在一部分任務，當車輛有任務請求時，首先掃描周圍服務節(jié)點是否存在任務緩存。如果任務緩存在服務節(jié)點上，則服務節(jié)點通知車輛任務，并在計算完成后將結果回傳給車輛。通過這種方式，車輛不需要進行任務卸載，可以有效降低移動設備的能量消耗和任務卸載的時延。若服務節(jié)點上沒有請求任務的緩存，則車輛進行卸載決策以及資源分配。當服務節(jié)點第一次計算完成請求任務后，考慮緩存決策。服務節(jié)點的緩存策略集合表示為Gm={gm,1,gm,2,gm,3,…,gm,n1}，若gm,n1=1，則表示服務節(jié)點wm將計算任務n1進行緩存，以便下次請求，減少網(wǎng)絡傳輸，降低計算時延。所有服務節(jié)點的緩存集合表示為AG={G1,G2,G3,…,GM}。

2.2 通信模型

在基于MEC 的V2X 協(xié)同緩存模型中，任務請求車輛vi可以向MEC 服務器或者臨近車輛進行任務緩存請求，若服務節(jié)點不存在任務緩存，可以將其計算任務Ti卸載到MEC 服務器進行V2I 模式通信，或卸載到鄰近車輛進行V2V 模式通信，或在本地執(zhí)行其計算任務。為了提高頻譜利用率，V2V模式復用V2I 模式的上行傳輸信道。因為車聯(lián)網(wǎng)環(huán)境對于時延要求苛刻，所以考慮一個車輛可以分配多個上行信道。為了更好地描述信道分配情況，本文引入信道連接矩陣C，C 為Noff×K的二元變量矩陣，其中Noff代表卸載用戶數(shù)量。信道連接矩陣C 的二元變量ci,k代表子信道k是否被分配給用戶i。若ci,k=1，則表示子信道k被分配給用戶i進行上行數(shù)據(jù)傳輸；若ci,k=0，則表示子信道k未被分配給用戶i。vi的上行傳輸速率為

由于V2X 車聯(lián)網(wǎng)在卸載情況下的干擾環(huán)境復雜，考慮同層干擾與跨層干擾，具體而言，干擾環(huán)境是復用信道導致的同頻干擾，因此任務請求車輛vi在子信道上k的信干噪比（SINR,signal to interference plus noise ratio）表示為

其中，pi為vi的上行傳輸發(fā)送功率，為vi與服務節(jié)點gj在子信道k上的信道增益，σ2為高斯白噪聲功率，Ii為vi受到的干擾。

若車輛vi選擇的服務節(jié)點為車輛，即進行V2V模式通信，可以分別表示為

2.3 計算模型

1)卸載計算

當車輛自身計算能力有限，不足以支持任務的時延要求時，需要將任務卸載至服務節(jié)點進行計算。任務處理過程將帶來時延和能量消耗。由于回傳的處理結果數(shù)據(jù)量較小，因此本文忽略回傳過程的時延和能耗[20]，僅考慮上傳時延、計算時延以及傳輸能耗。

定義任務請求車輛vi將任務卸載至服務節(jié)點wj的計算過程產(chǎn)生的開銷為時延與能耗的加權組合，表示為

其中，α與β分別為非負的時延與能耗的權重因子，且滿足為卸載時延與計算時延之和，為服務節(jié)點wj分配給車輛vi的計算資源；為傳輸過程的能量消耗，pi為上行傳輸功率。

2)本地計算

假設車輛vi計算能力為，不同車輛具有不同的計算能力。當車輛任務在本地計算時，車輛vi所需要負擔的開銷為

2.4 緩存模型

緩存模型包括2 個部分，即當前存在緩存hitj,i與緩存更新gj,i。hitj,i=1表示服務節(jié)點wj已緩存車輛vi的內容；hitj,i=0表示服務節(jié)點wj未緩存車輛vi的內容，車輛需要進行卸載或本地計算。假設在一定時間間隔內，服務節(jié)點的緩存池中存在X個內容，表示為 X={1,2,…,X}。對于內容x∈X，其流行程度服從Zipf 分布，內容x被請求的概率為

其中，將緩存池中已緩存內容按照降序排列，I(x)表示內容x在緩存內容集合中受歡迎的等級；參數(shù)δ表示流行分布傾斜，這意味著更大的δ對應更高的內容復用，即前幾個流行的內容占了大部分的請求，設置δ為0.56[22]。

緩存更新參數(shù)gj,i表示服務節(jié)點wj是否緩存車輛vi的內容。當服務節(jié)點wj計算完成車輛vi的任務后考慮緩存更新，gj,i=1表示服務節(jié)點wj將緩存任務，gj,i=0表示不緩存任務。

不同的服務車輛擁有不同的緩存能力，由于緩存能力有限，因此服務節(jié)點wj緩存內容總量不能超過其自身的最大緩存容量Hj。

2.5 問題形成

當智能車輛請求一個任務計算時，首先檢查自身緩存池是否存在內容緩存。如果內容在本地可用，則不需要發(fā)布任務請求；否則，掃描周圍服務節(jié)點是否存在內容緩存，若存在，則在服務節(jié)點計算完成后回傳，若不存在，則需要考慮是否卸載。當任務卸載至服務節(jié)點計算完成后，服務節(jié)點考慮緩存的更新，之后將內容回傳，服務結束。本文目標為通過恰當?shù)男遁d與緩存決策以及通信和計算資源的分配，使系統(tǒng)開銷最小化。因此，優(yōu)化目標表示為

其中，A 為所有任務請求車輛的卸載策略集合，C為信道連接矩陣，P 為卸載車輛的任務發(fā)送功率集合，F(xiàn) 為計算資源分配策略，AG 為服務節(jié)點的緩存決策。

約束條件C1 與C3 表示卸載決策為0-1 決策。C2 表示信道分配矩陣為二進制變量。C4 保證了功率分配為非負值且不超過上行傳輸功率變化范圍。C5與C6 表示計算資源分配不超過服務節(jié)點的最大計算能力。C7 表示時延約束，其中Lj為vi與RSU 覆蓋范圍邊界的距離，Vu為任務請求車輛的移動速度，Vv為服務車輛的移動速度，dinterrupt為最大中斷距離。C8表示服務節(jié)點的緩存內容不能超過其最大緩存容量。本文設置車輛為單向勻速行駛。由此，vu與vv的速度差為，其相隔距離達到最大中斷距離的時間為。此外，由于單向行駛，因此vi駛出RSUj覆蓋范圍的最大時間為

3 V2X 卸載與資源分配方案

為了應對現(xiàn)代化車聯(lián)網(wǎng)中移動數(shù)據(jù)服務的爆炸性增長需求，開發(fā)高效的內容緩存和資源分配方案非常重要，其目標是顯著減少冗余數(shù)據(jù)傳輸，提高內容交付效率。本文提出了一種基于MEC 的車聯(lián)網(wǎng)V2X 協(xié)同緩存和資源分配機制，根據(jù)不同任務請求車輛對傳輸速率的需求，通過圖著色模型為用戶分配合適信道；針對最小化系統(tǒng)開銷的目標，采用拉格朗日乘子法對功率與計算資源進行分配?？紤]到任務重復性，本文利用MEC 服務器與鄰近車輛資源增強邊緣緩存能力，將緩存模型表示為背包問題，使用動態(tài)規(guī)劃法對其進行緩存決策。

3.1 基于圖著色的信道分配

本文采用部分頻率復用的方式進行子信道分配，小區(qū)內V2I 用戶通過OFDM 分配正交子信道，V2V 用戶復用V2I 用戶上行信道；相鄰小區(qū)之間的用戶由于頻率復用而產(chǎn)生信道干擾。將子信道分配轉化為圖著色模型，建立加權干擾圖G=(Voff,ε)，其中，Voff表示卸載車輛集合，ε={ei,j}i,j∈V表示用戶車輛之間的干擾權重。車輛vi對應的服務節(jié)點wx為MEC 服務器（wx∈M）或鄰近車輛（wx∈V）?；诖?，干擾權重計算式為

其中，i和j表示車輛vi和vj的序號標識；第一行表示當車輛vi與車輛vj處于同一小區(qū)且同為V2I用戶或者i=j時，相互無干擾；第二行表示車輛vi與車輛vj處于不同小區(qū)時，存在復用干擾。

引入信道連接矩陣C 為Noff×K的二元變量矩陣，其中Noff×K代表卸載用戶數(shù)量。信道連接矩陣C 的二元變量cx,k代表子信道k是否被分配給用戶x。建立干擾矩陣代表用戶n在信道k上受的干擾之和。

基于圖著色的信道分配算法偽代碼如算法1所示。

3.2 計算資源分配

當服務節(jié)點不存在內容緩存，且車輛決定卸載計算時，由式(10)可得以下優(yōu)化問題。

對于車輛vi，尋找其干擾上界為

基于以上信息，式(13)可以改寫為

在式(16)中對?求二階導可得

因此，式(16)為凹函數(shù)，可以采用 KKT（Karush-Kuhn-Tucker）條件對其進行求解。式(16)的拉格朗日函數(shù)為

其中，為卸載車輛的上行傳輸時延向量，λ和μ為拉格朗日乘子向量，λi、μi、ρ為非負拉格朗日乘子變量，滿足KKT 條件

拉格朗日乘子更新規(guī)則為

其中，t表示第t次迭代，γ(t)表示迭代步長，時間下限

功率與計算資源分配算法偽代碼如算法 2所示。

3.3 緩存決策

任務請求車輛vi將計算任務Zi卸載至服務節(jié)點wj執(zhí)行計算，由于服務節(jié)點緩存容量有限，因此在計算完成以后需要選擇是否將其緩存，以備后續(xù)請求車輛使用。服務節(jié)點wj的緩存容量為Hj，若緩存決策gj,i=1，則代表任務Zi被服務節(jié)點緩存，因此服務節(jié)點需要犧牲緩存容量di，此時問題等效為使服務節(jié)點wj的容量{Hj?di}效益最大化；若緩存決策gj,i=0，則代表任務Zi未被服務節(jié)點緩存，此時問題等效為使服務節(jié)點wj的容量{Hj}效益最大化。

基于以上分析，將緩存決策建模為0-1 背包問題，通過動態(tài)規(guī)劃法[23]對其求解，偽代碼如算法3所示。作為輸入向量，其中代表vi節(jié)約的開銷。對于服務節(jié)點wj，其動態(tài)轉移方程為

算法3基于背包問題的緩存決策算法

輸入車輛信息服務節(jié)點wj狀態(tài)函數(shù)U′j(i,j,Hj)，卸載至服務節(jié)點wj的車輛數(shù)目

3.4 算法總結

基于邊緣緩存的V2X 協(xié)同卸載與資源分配策略（V2X-CCRA,V2X-collaborative caching and resource allocation）偽代碼如算法4 所示，原理如下。車輛首先掃描自身緩存池與周圍服務節(jié)點是否存在內容緩存，如果存在，則進行計算或者在服務節(jié)點計算完成后回傳任務結果；如果不存在，則加入卸載集合。針對卸載集合里的任務請求車輛，通過基于圖著色的信道分配算法得到一次信道分配矩陣，同時根據(jù)拉格朗日KKT 條件得到功率與計算資源分配矩陣。然后，計算本地執(zhí)行開銷以及根據(jù)通信與計算資源的分配值計算卸載開銷，由于任務請求車輛均滿足理性和利己主義，目標均為盡量最小化自身計算代價，因此，比較本地計算與卸載至服務節(jié)點計算的執(zhí)行開銷，做出卸載決策。更新卸載集合Θ，找到卸載集合中元素的對應卸載服務節(jié)點，得到服務節(jié)點集合?。針對?中的每一個服務節(jié)點wj，確定其服務的車輛集合Λj，服務節(jié)點wj將任務計算完成后進行緩存的更新，考慮是否將這個任務緩存，以備后續(xù)請求車輛使用。V2X-CCRA 研究車輛異構網(wǎng)絡中基于MEC 的任務卸載決策和資源分配問題，利用MEC 服務器與鄰近車輛資源增強邊緣緩存能力，對網(wǎng)絡內計算、緩存和通信資源進行有效分配，減輕網(wǎng)絡負載，提高資源利用率。

算法4基于邊緣緩存的V2X 協(xié)同卸載與資源分配策略

輸入車輛數(shù)目N，服務節(jié)點wj緩存容量Hj，信道集合K，卸載集合Θ=φ，α，β

4 仿真分析

本文主要研究車聯(lián)網(wǎng)中的效率優(yōu)先應用，如文件分享、地理信息收集等時延可容忍數(shù)據(jù)任務。性能評估階段，通過MATLAB 平臺對本文所提機制進行仿真。本節(jié)實驗在IEEE 802.11p 車輛網(wǎng)絡場景標準和MEC 白皮書的背景下展開，采用3GPP 標準化中提出的信道增益模型[24]?？紤]路邊有3 個小區(qū)，每個小區(qū)都配置了RSU 和MEC 服務器。具體仿真參數(shù)如表1 所示。

表1 仿真參數(shù)

為了評估當前提出機制的性能，將其與本地計算機制（ALCM,all local computing mechanism）、無邊緣緩存的全卸載機制（AOCM wo.caching,all offloading computing mechanism without caching）、基于邊緣緩存的全卸載計算機制（AOCM w.caching,all offloading computing mechanism with caching）、基于圖著色的資源分配機制JCOIM（joint computation offloading and interference management）[24]、基于邊緣緩存的V2I 卸載機制V2I-CCRA（V2I collaborative caching and resource allocation）進行比較。

圖2 顯示了車輛緩存容量與總開銷的關系。車輛緩存容量增加，意味著更多的內容可以被緩存到車輛上，道路上可以形成更多的車輛云。當一些車輛從云中移出或離開道路時，用戶可以從云中的其他車輛或其他車輛云中獲取內容，從而大大減少重復計算，降低系統(tǒng)開銷。本文V2X-CCRA 機制相較于基于邊緣緩存的全卸載模式，優(yōu)勢明顯?；谶吘壘彺娴娜遁d模式由于不考慮本地計算，任務計算全依賴服務節(jié)點，卸載過程中由于傳輸干擾使時延增加，同時車輛移動性原因使服務中斷帶來重復計算，因此系統(tǒng)開銷較大。本文V2X-CCRA 機制基于用戶理性與利己主義，使任務請求車輛在卸載與本地計算之間進行權衡，盡量減少任務計算的代價，因此可有效降低系統(tǒng)開銷。當車輛緩存容量逐步增長時，2 種機制的區(qū)別逐漸減小，這是由于車輛緩存容量增加，使更多的內容可以被緩存，因此需要卸載的任務減少，此時信道競爭減小，服務節(jié)點已有足夠的能力完成計算。

圖2 車輛緩存容量與總開銷的關系

圖3 和圖4 分別為車輛數(shù)目和任務量與總開銷關系。隨著車輛數(shù)目與任務量的增加，總開銷隨之增長。傳統(tǒng)的ALCM 由于車輛本身計算能力有限而帶來較大的時延開銷。當車輛數(shù)目較小時，由于任務量較少，緩存空間與計算能力均可良好地勝任任務計算，其中由于基于邊緣緩存的AOCM w.caching存在緩存功能，一部分任務不需要卸載計算，降低了上傳擁塞，因此性能與V2X-CCRA 相近，且優(yōu)于JCOIM 機制。然而隨著任務量增加，卸載部分的任務數(shù)據(jù)增大，網(wǎng)絡擁塞已不可避免，因此AOCM w.caching 總開銷急劇增長。此外，由于全卸載機制導致信道干擾嚴重且計算資源有限，因此無論是否存在緩存功能，其系統(tǒng)開銷均隨車輛數(shù)目與任務大小增加而迅速增長。JCOIM 機制應用于本文場景，由于其忽略功率分配對系統(tǒng)開銷的影響，以及未利用周圍臨近車輛的閑置計算與緩存資源，因此性能不理想。本文V2X-CCRA 機制充分利用周圍閑置資源，合理分配計算與通信資源，V2X 協(xié)同卸載可以有效提高資源利用率，緩存機制可以避免重復計算以及減少網(wǎng)絡擁塞，從而降低系統(tǒng)開銷。

圖3 車輛數(shù)目與總開銷的關系

圖4 任務量與總開銷的關系

圖5 為信道數(shù)量與總開銷的關系。信道數(shù)量增加，干擾逐漸減小，使傳輸時延降低，總開銷減少。全卸載機制由于受信道數(shù)量影響較大，因此隨著信道數(shù)量的增加，總開銷降低速度加快。無邊緣緩存的AOCM wo.caching 由于所有任務必須全部卸載，因此對信道干擾最敏感，總開銷下降速度最明顯，但由于服務節(jié)點計算資源有限，從而總開銷一直大于 AOCM w.caching。本文基于邊緣緩存的V2X-CCRA 機制能夠更加靈活地管理資源，控制卸載流量，在信道數(shù)量變換的情況下做出有效的卸載權衡，保證資源有效利用。

圖6 為緩存類型與總開銷的關系。緩存類型增加，意味著更多的內容可以被緩存，減少重復計算帶來的時延，因此時間消耗逐步降低。在V2I-CCRA中，僅MEC 服務器具有計算與緩存功能，忽略了車輛的緩存能力，因此在服務節(jié)點可緩存類型較少時，大部分任務請求需要被卸載計算。V2X-CCRA由于可以有效利用周圍車輛的閑置資源，可以增強邊緣計算能力，因此相較于V2I 機制總開銷較小。當緩存類型逐漸增加，車輛服務器由于緩存容量限制，無法緩存太多任務。MEC 服務器的大容量緩存池可以緩存更多的內容，此時大多數(shù)任務已可以從緩存池中獲得，因此V2I 機制與V2X 機制的差距逐漸減小。

圖5 信道數(shù)量與總開銷的關系

圖6 緩存類型與總開銷的關系

5 結束語

本文在基于MEC 的車聯(lián)網(wǎng)絡場景中研究了基于邊緣緩存的協(xié)同卸載與資源分配策略，利用MEC服務器與鄰近車輛資源增強邊緣緩存能力，提出了一種基于MEC 的車輛網(wǎng)絡V2X 協(xié)同緩存和資源分配機制，對網(wǎng)絡內計算、緩存和通信資源進行有效分配，避免重復傳輸，減少內容訪問時延，提高資源利用率。仿真結果表明，所提機制可以有效減少任務請求車輛的計算代價以降低任務計算的系統(tǒng)開銷，在各參數(shù)變化下均能取得較好效果。在未來工作中，將繼續(xù)研究基于MEC 的V2X 卸載策略，同時考慮由車輛高速移動特性導致鏈路斷開，使任務回傳失敗的情況，建立基于車輛位置預測的V2X卸載框架。