基于多重指標拍賣機制的車聯(lián)網(wǎng)任務(wù)卸載策略①

韓政珂, 王 輝, 彭 鑫, 徐瑞任, 謝文武

(湖南理工學(xué)院 信息科學(xué)與工程學(xué)院, 岳陽 414006)

1 引言

近年來, 隨著硬件設(shè)施的日益完善, 硬件與軟件的結(jié)合預(yù)示著互聯(lián)網(wǎng)+時代的到來. 智能產(chǎn)品不斷推陳出新, 萬物互聯(lián)逐漸成為可能. 隨著物聯(lián)網(wǎng)技術(shù)與交通領(lǐng)域相結(jié)合, 車聯(lián)網(wǎng)逐漸進入人們的視野. 車聯(lián)網(wǎng)通過現(xiàn)代信息技術(shù), 實現(xiàn)車輛與其他產(chǎn)品設(shè)施的互聯(lián), 實現(xiàn)行車監(jiān)控、智能道路規(guī)劃、安全控制、自動駕駛等. 車聯(lián)網(wǎng)不斷改進城市交通體系, 造就智慧城市.

在車聯(lián)網(wǎng)中, 對于RSU覆蓋范圍內(nèi)的車輛, 車輛發(fā)送的內(nèi)容和時間點都是離散的. 車輛的內(nèi)容請求可以卸載至RSU或者5G基站中的MEC服務(wù)器進行計算, RSU或 5G基站在計算完畢后將內(nèi)容結(jié)果下發(fā)給車輛, 同時車輛也可從周圍車輛直接獲取內(nèi)容請求結(jié)果. 因此, 車輛可以動態(tài)選擇任務(wù)卸載目標, 而并非某一固定目標[1–3]. 在選擇任務(wù)卸載目標時, 不可避免地出現(xiàn)一些問題. 例如, 當車輛未做出最優(yōu)選擇時, 花費成本過多, 時間損耗更多.

根據(jù)802.11p的通信協(xié)議, RSU對于車輛的內(nèi)容請求是免費的, 但RSU最多只能同時與6臺車輛同時連接[4–6]. 當RSU已連接6臺車輛時, 其余車輛與當前RSU通信需要先等待已連接車輛完成通信再進行任務(wù)請求. 本文考慮了超時損失, 在車輛排隊等待響應(yīng)RSU請求時, 車輛可以針對自身不同的內(nèi)容請求, 對RSU給予額外報酬來競爭信道. 車輛也可通過多跳的方式與5G基站或前后的RSU進行間接通信. 5G基站計算能力相對于RSU更強, 但與RSU相比需要收取任務(wù)計算的費用.

隨著生活水平的提高, 智能汽車的數(shù)目也急劇增加, 在基于云計算的智能交通系統(tǒng)中, 車載網(wǎng)絡(luò)成為其關(guān)鍵組成部分[7]. 在車載網(wǎng)絡(luò)中, 面部識別、自動駕駛等應(yīng)用程序需要低延時的服務(wù), 但是對于資源有限車輛的應(yīng)用的時延問題上仍存在挑戰(zhàn)[8]. MEC能夠應(yīng)對挑戰(zhàn), 并創(chuàng)造出一個高性能、低時延的通信環(huán)境.

文獻[9–13]分別研究單MEC與多MEC系統(tǒng)時延與能耗之間的平衡. 由于車載網(wǎng)絡(luò)中車輛是運動的, 靜態(tài)的場景不適合動態(tài)車載網(wǎng)絡(luò)的優(yōu)化分析. 文獻[14–19]分別側(cè)重于能量消耗與任務(wù)時延的研究. 文獻[14]將任務(wù)統(tǒng)計并劃分為本地任務(wù)與服務(wù)器任務(wù), 以最大程度減少能耗. 文獻[16]中提出了一種自適應(yīng)的任務(wù)卸載策略, 從而降低移動設(shè)備的能耗. 文獻[17]采用貪婪算法最小化任務(wù)卸載時延的動態(tài)卸載策略. 文獻[18]因?qū)彺嬗邢薜那闆r, 最小化任務(wù)計算延遲.

為了提高車載網(wǎng)絡(luò)的性能, 移動邊緣計算被合并至車輛網(wǎng)絡(luò)的車載邊緣網(wǎng)絡(luò). 車載邊緣網(wǎng)絡(luò)能夠很好地滿足車輛延遲問題要求. 文獻[20,21]研究主要集中在車載邊緣網(wǎng)絡(luò)中的任務(wù)卸載時延方面. 這些文獻通過研究車載邊緣網(wǎng)絡(luò)中的移動性意識與激勵從而優(yōu)化卸載時延, 但是忽視了車輛與任務(wù)卸載服務(wù)器之間來回傳輸與服務(wù)器的計算時延. 文獻[22]提出了一種時間空間混合證書非線性規(guī)劃方案來最小化時延問題.他們將車載邊緣網(wǎng)絡(luò)系統(tǒng)中的任務(wù)卸載到車載邊緣網(wǎng)絡(luò)服務(wù)器, 通過動態(tài)規(guī)劃算法與決策樹算法來解決時延問題. 文獻[4]基于802.11p的車載霧計算系統(tǒng)的任務(wù)卸載方案提出了一種半馬爾科夫決策過程與迭代算法的任務(wù)卸載方案, 最大化系統(tǒng)收益. 文獻[23]針對車載計算系統(tǒng)中的任務(wù)卸載時延提出了一種基于線性規(guī)劃與二級制粒子群優(yōu)化的方案來優(yōu)化特定任務(wù)的卸載時延. 文獻[24]研究了5G環(huán)境下車輛的計算卸載問題, 在保證計算能力和服務(wù)時延的基礎(chǔ)上, 提出了一種基于人工魚群的啟發(fā)式算法, 解決系統(tǒng)所用實體的能耗最小化問題. 但其在為考慮車輛不同計算任務(wù)的情況.

在早前研究中主要研究集中于能耗、時延、任務(wù)卸載的調(diào)度等某一方面, 較少綜合考慮多方面指標. 本文在研究如何選擇最優(yōu)的任務(wù)卸載目標時, 產(chǎn)生了以下問題.

(1)任務(wù)卸載指標優(yōu)先選擇. 不同的內(nèi)容請求, 其重要性差異較大. 對于一些關(guān)乎生命安全的任務(wù)請求,選擇順序是無比重要的, 則其必優(yōu)先考慮時間因素. 而對于音樂、新聞等娛樂類內(nèi)容請求, 其對時間要求相對較松, 故應(yīng)該優(yōu)先考慮成本因素.

(2)任務(wù)卸載競爭信道時的出價選擇. 對于RSU已連接6臺車輛的情況, 車輛為了競爭即將空閑的通信信道, 會通過給予RSU報酬的形式, 提高自身的競爭排名. 在多重指標拍賣的過程中, 需要利用最優(yōu)出價來提高自身順位.

針對上述問題, 本文提出了一種基于多重指標的任務(wù)卸載請求目標的選擇方案. 該方案綜合考慮了任務(wù)卸載時間、通信成本、任務(wù)卸載能耗等多重指標.在保障車輛任務(wù)卸載時間和能耗的約束條件下, 本方案可以降低任務(wù)卸載的總費用, 并滿足多重性能指標.

2 系統(tǒng)模型

本文在不同任務(wù)的卸載優(yōu)先指標的基礎(chǔ)上, 在車輛將任務(wù)卸載至RSU時, 通過多重指標拍賣方案, 實現(xiàn)全局統(tǒng)籌最優(yōu)化. 下面分別從網(wǎng)絡(luò)模型、交通模型、通信模型和效用模型4個層面進行描述.

2.1 網(wǎng)絡(luò)模型

在車聯(lián)網(wǎng)中, 車輛發(fā)送內(nèi)容請求時, 可以通過多種方式向周圍車輛、當前RSU、前后RSU或5G基站發(fā)送內(nèi)容請求, 然后接受計算完畢的內(nèi)容. 圖1展示了車輛內(nèi)容交互圖.

圖1 車輛內(nèi)容交互圖

(1)車輛相關(guān)參數(shù). 當車輛在RSU的覆蓋范圍內(nèi)時, 該區(qū)域內(nèi)的車輛可以在任意地方向5G基站和該RSU發(fā)送內(nèi)容請求服務(wù). 網(wǎng)絡(luò)中的所有車輛的集合表示為N={1,2,3,···,N},N表示網(wǎng)絡(luò)中車輛總數(shù). 對于網(wǎng)絡(luò)中車輛可能發(fā)送的請求內(nèi)容qi, 按照內(nèi)容的優(yōu)先級定義集合為Q={q1,q2,···,qn},n越大代表優(yōu)先級越高, 請求內(nèi)容qi的 大小為Sqi. 一般而言, 內(nèi)容請求按照其優(yōu)先級的訪問次數(shù)遵循80/20原則, 即20%的內(nèi)容, 會占有80%的訪問量. 在車聯(lián)網(wǎng)中, 車輛內(nèi)容請求也是符合近似zipf分布[25–27]. 車輛請求內(nèi)容qi的概率如式(1):

其中, ?為分布參數(shù), χqi為內(nèi)容qi的 請求頻率排名.

對于不同優(yōu)先級的內(nèi)容qi, 其時間限制也不同. 訪問概率越高的內(nèi)容, 優(yōu)先級較低, 其要求完成的時間限制也會相對較長. 本文對于內(nèi)容qi的計算完成的時間限制與單位時間的超時損失如式(2)和式(3)所示:

其中, α, β為比例系數(shù).

對于內(nèi)容qi的計算完成限制時間tqi而言, 根據(jù)不同的tqi可知其優(yōu)先級也不同, 則車輛考慮的側(cè)重點也會不同, 因此可根據(jù)分隔節(jié)點 將問題分解成最小化時延和最小化成本兩個子問題, 表示如式(4)所示:

其中,t和u分別表示發(fā)送任務(wù)卸載請求到任務(wù)接受完畢所用時間與所用成本. 當tqi＞t′, 車輛優(yōu)先考慮成本,反之車輛優(yōu)先考慮時間, 故可以把時間t與成本u分別計算. 在下文會對成本與時延有詳細的描述.

對于一個CPU周期而言, 能夠處理的數(shù)據(jù)量而言是固定, 因而對于內(nèi)容qi而言, 其所需的CPU周期數(shù)cqi與內(nèi)容qi的大小sqi成正比, 故cqi如式(5)所示:

車輛與車輛間的傳輸速率如式(6)所示:

其中,w1為 車輛i與車輛i′之 間的帶寬.pi,i′ 為車輛i與車輛i′之 間的信道傳輸功率,gi,i′為車輛i與車輛i′之間的信道增益,Ii,i′ 為車輛i與車輛i′之間的信道干擾, σ2為噪聲功率.

(2) RSU相關(guān)參數(shù). 網(wǎng)絡(luò)中的RSU的集合表示為J={1,2,3,···,J},J表示網(wǎng)絡(luò)中RSU的總個數(shù). 第j個RSU的直徑定義為di. 第j個RSU的總資源為Rej,used,已用資源為Rej,used. 車輛與RSU間的傳輸速率如式(7):

(3) BS相關(guān)參數(shù).

其中,w3為車輛i與5G基站k之間的帶寬,pi,k為車輛i與5G基站k之間的傳輸功率,gi,k為車輛i與5G基站k之間的信道增益,Ii,k為 車輛i與5G基站k之間的信道干擾, σ2為噪聲功率.

車輛發(fā)送一次內(nèi)容qi所 消耗的能耗如式(9)所示:

其中,ri,x,pi,k分別對應(yīng)為3種不同方式的傳輸速率和傳輸功率, 其中x∈{i′,j,k}.

2.2 交通模型

在車輛進入RSU覆蓋范圍內(nèi)時, 車輛可以向RSU發(fā)送內(nèi)容請求. RSU是否能為車輛提供完整的服務(wù)取決于車輛發(fā)送請求時刻到車輛離開RSU服務(wù)范圍的時間, 車輛i的這段時間記為ti,ti取決于車輛速度vi. 車輛的速度vi與RSU服務(wù)范圍內(nèi)車輛數(shù)相關(guān). 把第j個RSU內(nèi)的車道數(shù)記為l, 第l車道最多容納的車輛數(shù)記為Nl,max, 則RSU 內(nèi)的最多容納車輛數(shù)Nmax. 式(10)表示最多容納車輛數(shù):

車輛越密集, 車輛的速度就越小[28–30]. 車輛i速度vi如式(11)所示:

其中,vmin,vmax分 別為車輛的最慢速度和最快速度.

車輛i從發(fā)送內(nèi)容請求到離開第j個RSU覆蓋范圍的時間段ti如式(12)所示:

其中,dj為第j個RSU的覆蓋直徑,ti,j為車輛從進入第j個RSU的覆蓋范圍至其發(fā)送內(nèi)容請求的時間.

3 問題建模與求解方法

在本節(jié)中, 通過構(gòu)建通信模型與效用模型, 并在車輛排隊等待向RSU獲取內(nèi)容請求時構(gòu)建一個多重指標拍賣模型. 本節(jié)首先給出模型的描述, 然后分析多輛車輛和第j個RSU共同決定的內(nèi)容交付服務(wù)的估值.之后研究了車輛i和第j個RSU的最佳拍賣策略, 以實現(xiàn)貝葉斯納什均衡.

3.1 通信模型

在本節(jié)中, 將研究車輛在向不同目標執(zhí)行任務(wù)卸載的成本. 當車輛i在RSU覆蓋范圍內(nèi)發(fā)送內(nèi)容請求時, 其首先會向周圍車輛發(fā)送請求, 如果存在有請求相同內(nèi)容的車輛, 則請求車輛直接從周圍車輛獲取請求內(nèi)容. 否則, 車輛向RSU或5G基站發(fā)送任務(wù)卸載請求. 當車輛在向RSU發(fā)送請求時, 會根據(jù)當前RSU的情況與車輛離開當前RSU的時間選擇是否從當前RSU獲取內(nèi)容請求. 此外車輛還可以從5G基站獲取內(nèi)容請求. 由于計算完成的內(nèi)容請求大小較小, 本文不考慮請求內(nèi)容回傳至車輛的能耗與時間.

3.1.1 以車輛為任務(wù)卸載目標

當車輛i發(fā)送內(nèi)容請求時, 首先向周圍車輛發(fā)送請求, 尋找是否存在與所請求內(nèi)容相同的車輛i′. 如果內(nèi)容存在, 車輛i可以直接向車輛i′發(fā)送內(nèi)容請求. 對于車輛i′存在兩種可能狀態(tài), 如圖2所示.

圖2 車輛向周圍車輛內(nèi)容請求圖

(1)車輛i′已經(jīng)通過其他方式獲取了內(nèi)容請求.

此時對于車輛i而言只需考慮車輛i′發(fā)送請求的時間, 無需在考慮請求內(nèi)容的計算時間. 故總時間如式(13):

(2)車輛i′正在通過其他方式請求內(nèi)容.

相對于(1)而言, 在時間上需要額為考慮車輛i′完成內(nèi)容請求的時間. 故總時間與總成本如式(14):

如若總時間大于限制時間則超時時間如式(15):

車輛總成本如式(16):

其中, η 為 車輛i在單位時間內(nèi)的傳輸費用, ξqi為請求內(nèi)容qi的單位時間的超時成本.

車輛i′在 這兩種不同的情況下, 車輛i總能耗如式(17):

3.1.2 車輛i與5G基站k之間通信

在車輛高速行駛時, 當任務(wù)緊急或所在路邊單元及相鄰的路邊單元所需處理的任務(wù)都比較繁重時, 車輛可以選擇與5G基站進行通信. 如圖3所示.

圖3 車輛向5G基站請求通信圖

車輛i傳輸請求內(nèi)容至5G基站的時間ti,k如式(18):

通過5G基站k的計算能力可以得出基站計算時間如式(19):

其中,fk為5G基站k的計算能力.

由式(19)和式(20)可以計算總時間ti,k,total如 式(20):

車輛通過向5G基站發(fā)送請求的成本如式(21):

車輛i總能耗如式(22):

3.1.3 車輛i與路邊單元之間通信

對于車輛i與路邊單元之間通信存在以下幾種情況.

1) 車輛i在路邊單元j的覆蓋范圍內(nèi)發(fā)送內(nèi)容請求,且路邊單元j連接的車輛數(shù)小于6臺, 此時, 車輛i可以直接與路邊單元j通信.

其總時間與總成本如式(23)和式(24):

2) 車輛i在路邊單元j的覆蓋范圍內(nèi)發(fā)送內(nèi)容請求,此時第j個RSU連接的車輛數(shù)已滿6臺, 且車輛i完成內(nèi)容時仍在路邊單元j的覆蓋范圍內(nèi). 那么車輛i需要等待6臺中請求內(nèi)容接受完畢后, 將空余的通信信道交由其他等待車輛. 如圖4所示.

圖4 車輛向RSU 請求內(nèi)容等待圖

即將向RSU發(fā)送內(nèi)容請求的車輛, 可以通過給予RSU一些額外的報酬從而提高自己的順位, 額外的報酬記為xi.

其等待時間如式(25):

其中,t1,t2,t3,t4,t5為車輛與第j個RSU連接時, 其他5臺與第j個RSU連接的車輛接受完畢任務(wù)的時間.總時間如式(26):

由于本文中, 車輛在完成自身內(nèi)容請求后, 會將與路邊單元斷開連接, 將空位讓給與其連接的下一個車輛. 故如果車輛i在回傳完成時仍在路邊單元j的覆蓋范圍內(nèi)時, 車輛i可以直接與路邊單元連接, 獲取計算完成的請求內(nèi)容. 其成本如式(27):

這兩種情況下, 車輛能耗如式(28):

3)車輛i在路邊單元j的覆蓋范圍內(nèi), 但路邊單元j內(nèi)請求的車輛數(shù)或請求內(nèi)容過多, 則車輛i通過一跳的方式間接與基站第j–1個RSU或第j+1個RSU通信,分別如圖5和圖6所示.

圖5 車輛向第j–1個RSU請求內(nèi)容

圖6 車輛向第j+1個RSU請求內(nèi)容

此時車輛i在接收內(nèi)容請求時也只能通過多跳的方式接收. 以選擇第j–1個RSU為例, 其總時間如式(29):

其中,tm為 車輛i與第j–1個RSU間接通信的中間車輛完成其任務(wù)所需時間.

其成本如式(30):

其能耗如式(31):

3.2 效用模型

(1) 5G基站效用

5G基站效用如式(32):

其中, φ取值為0或1. 當φ =0時, 表明車輛未向5G基站發(fā)送內(nèi)容請求, 反之則表明車輛向5G基站發(fā)送內(nèi)容請求.lk為5G基站向車輛單位計算時間收取的計算費用,pk為5G基站單位時間的計算成本.

(2) RSU效用

RSU基站效用如式(33):

其中, τ取值為0或1, 當τ =0 時, ρ必然為0, 表明車輛i未向第j個RSU發(fā)送內(nèi)容請求; 當τ =1時 , ρ的取值為0或1. 當τ =1, ρ=0 時 , 表明車輛i與第j個RSU進行了通信, 但未給予第j個RSU額外報酬; 當 τ=1,ρ=1時 , 表明車輛i與第j個RSU進行了通信, 并給予了第j個RSU額外報酬.pi為5G基站單位時間的計算成本.

3.3 模型分析

在第2.2節(jié)中, 描述了車輛任務(wù)卸載花費的成本與時延, 但當一個RSU已經(jīng)與6臺車輛進行通信時, 其余想要與RSU通信的車輛只能進行等待. 如果等待時間過長, 還會存在超時損失. 而車輛可以給予RSU一定的額外報酬, 提高自己與RSU通信的順位, 減少時延. 本節(jié)主要研究車輛給予RSU的最佳報酬, 希望車輛收益與RSU收益最大化, 同時使兩者之間實現(xiàn)納什均衡. 多臺車輛排隊等待向RSU獲取內(nèi)容請求這一場景, 可以視作一個多重指標拍賣模型. 本節(jié)首先給出模型的描述, 然后分析多輛車輛和第j個RSU共同決定的內(nèi)容交付服務(wù)的估值. 最后, 我們研究了車輛i和第j個RSU的最佳拍賣策略, 以實現(xiàn)貝葉斯納什均衡.

假定有n臺車輛在排隊等待, 用N表示這n臺車輛構(gòu)成的集合, 即I={1, …,i}. 假定車輛i對于自身請求內(nèi)容的價值估計為mi, ?mi∈[ai,bi], 其密度函數(shù)為fi(mi), 且fi(mi)是 [ai,bi]上的連續(xù)函數(shù). 故其分布函數(shù)如式(34):

則所有車輛對于自身請求內(nèi)容的價值估計向量記為M如式(35):

車輛i之外的其他車輛對于自身請求內(nèi)容的價值估計向量記為M-i如式(36)所示:

由于I臺車輛對于請求內(nèi)容的價值估計是相互獨立的, 因此I臺車輛給予RSU的額外報酬的聯(lián)合密度函數(shù)如式(37):

車輛i其余車輛給予RSU的額外報酬的聯(lián)合密度函數(shù)如式(38):

Myerson定理: 一個賣者打算將其擁有的一件物品賣給n個打算購買的買者, 但賣者對于n個打算購買的買者所出的最高價并不知情, 對于賣者而言, 如何設(shè)計一個拍賣模型, 使得在其拍賣模型下達到納什均衡并獲得最高收益[31–33].

在拍賣機制中, 我們選取一類特別的拍賣機制:直接顯示機制. 在直接顯示機制中, 買者們同時向賣者揭示其估價, 賣者決定誰將買到物品. 在排隊的車輛, 在排隊的時間點雖然不同, 但在與第j個RSU連接的6臺車輛中某一臺車輛完成內(nèi)容請求前, 這些等待的車輛可以視作同一起跑線, 故直接顯示機制適用于此.

直接顯示機制(P,x),pi(M)是 車輛i在其他車輛出價情況下與第j個RSU優(yōu)先通信的概率,xi(M)是 車輛i給予第j個RSU的真實額外報酬. 因此, 對于給定車輛對于自身請求內(nèi)容的價值估計為mi在這特定的拍賣機制(P,x)的收益期望如式(39):

其中,dM-i=dm1···dmi-1dmi+1···dmn.

同理, 第j個RSU在給定的這一拍賣機制中獲取的收益期望如式(40):

其中,dMi=dm1···dmn.

但是并不是每一對函數(shù)(P,x)都能夠表達為一種可行的拍賣機制. 必須滿足3個條件:

(1)函數(shù)P滿足條件概率如式(41):

(2)車輛i收益期望約束如式(42):

(3)根據(jù)直接顯示機制假定可知, 車輛i對于自身請求內(nèi)容的真實的價值估計為mi, 對于車輛而言即最優(yōu).換言之, 車輛對于自身請求內(nèi)容的真實的價值估計才會達到納什均衡. 假如車輛i對于自身請求內(nèi)容的真實的價值估計為mi, 其宣稱的對于自身請求內(nèi)容的價值估計為si, 則車輛i在 自身請求內(nèi)容的價值估計si情況下與第j個RSU通信的概率如式(43):

其中,dM-i=dm1···dmi-1dmi+1···dmn.

此時車輛i在自身請求內(nèi)容的價值估計si情況下的收益期望如式(44):

其中,dM-i=dm1···dmi-1dmi+1···dmn.

約束條件如式(45):

其 中, ?i∈I,?mi∈[ai,bi],?si∈[ai,bi] ,dM-i=dm1···dmi-1dmi+1···dmn.

故對于車輛給予第j個RSU的最優(yōu)額外報酬可以轉(zhuǎn)換成第j個RSU的最大收益.

通過上述對可行拍賣機制分析可知, 車輛給予第j個RSU的最優(yōu)額外報酬可以轉(zhuǎn)換成第j個RSU的最大收益. 第j個RSU的預(yù)期獲取的期望支付為式(40),可將目標函數(shù)改寫如式(46):

通過Myerson定理中的引理可知:

且對于任何可行的(P,x)有:

將式(47)和式(48)代入式(46)得:

RSUj期望獲取的最大額外報酬在式(41)–式(43)的約束下最大化式(49).

在式(49)中,x僅出現(xiàn)在最后一項. 式(41)和式(42)可重寫成:

若第j個RSU根據(jù)式(50)選擇通信車輛, 則:

此時拍賣是可行的.

故:

最終,xi(M)如式(53)所示:

xi(M)的最終取值如式(54)所示:

其中,(m0)可以視作第j個RSU作為一臺車輛給予第j個RSU的額外報酬.

4 實驗結(jié)果

在本節(jié)中, 將評估所提出方案的性能. 我們首先介紹基于多重指標的服務(wù)器選擇策略的仿真場景, 然后詳細介紹仿真結(jié)果和討論.

4.1 模擬設(shè)置

在模擬中, 基于多重指標的服務(wù)器選擇策略中有1個5G基站和10個RSU被5G基站覆蓋, 其中RSU隨機部署在該區(qū)域中. 在每個RSU的覆蓋范圍中, 到達其覆蓋范圍的到達車輛的數(shù)量由泊松分布確定. 在車輛發(fā)送請求時, 其首先會向周圍25 m以內(nèi)的車輛發(fā)送廣播, 當有相同請求內(nèi)容車輛時, 則直接從該目標車輛獲取請求; 否則車輛根據(jù)請求內(nèi)容的重要性, 選擇向RSU或5G基站發(fā)送卸載請求. 當車輛向RSU請求內(nèi)容且RSU已經(jīng)與6臺車輛同時相連時, 車輛可以通過請求內(nèi)容的重要性, 給予RSU不同的額外費用來提高自己的順位. 表1給出了仿真中的參數(shù)說明.

表1 仿真參數(shù)說明

通過改變路邊單元內(nèi)的車輛數(shù), 不改變車輛內(nèi)容請求比例, 通過30次循環(huán)運算, 在改變內(nèi)容發(fā)送時間點的基礎(chǔ)上, 通過其均值進行比較. 我們通過以下方式評估5G基站、RSU和車輛的效用, 將我們的策略與以下常規(guī)方案進行比較.

實驗結(jié)果通過車輛完成請求內(nèi)容的所需的時間和成本, 路邊單元的效用和5G基站的效用進行比較. 比較方案如下:

(1)車輛請求內(nèi)容僅向路邊單元發(fā)送, 不向周圍車輛和5G基站發(fā)送請求. (2)車輛請求內(nèi)容僅向5G基站發(fā)送, 不向周圍車輛和RSU發(fā)送請求.

4.2 仿真結(jié)果

圖7顯示了RSU中車輛在選擇請求內(nèi)容的目標所占比例. 從圖中可以看出隨著車輛數(shù)的變多, choice_1即車輛向周圍車輛獲取內(nèi)容請求, 其比例不斷升高,choice_2即車輛向RSU獲取內(nèi)容請求, 其比例不斷下降, choice_3即車輛向5G基站獲取內(nèi)容求, 其輕微下降. 隨著車輛密度變大, 請求車輛四周的車輛數(shù)不斷變多, 具有相同請求內(nèi)容的車輛出現(xiàn)概率不斷提高, 故請求車輛優(yōu)先向周圍車輛獲取內(nèi)容請求比例上升, 從而導(dǎo)致向RSU獲取內(nèi)容請求比例下降.

圖7 車輛獲取內(nèi)容請求選擇對象比例圖8 不同車輛密度下的平均耗時

圖8 描述了在不同車輛密度下, RSU覆蓋范圍內(nèi)每輛車輛內(nèi)容請求的平均耗時. 從圖中可以看出僅通過RSU獲取內(nèi)容請求所耗時間不斷上升, 而本文所使用的策略與僅與5G基站獲取內(nèi)容請求的時間很接近,甚至在車輛密度達到一定程度時, 比從5G基站獲取內(nèi)容的耗時更短一些. 這是由于車輛密度的升高, 僅向RSU獲取內(nèi)容請求的方式, 導(dǎo)致排隊等待的車輛數(shù)大大增加, 從而導(dǎo)致平均每輛車花費的時間不斷增加. 而僅向5G基站獲取內(nèi)容請求的方式, 雖然5G基站會進行收費, 但車輛向其發(fā)送內(nèi)容請求時, 不必等待, 故對于每輛車輛而言, 其平均耗時比較平穩(wěn), 只有輕微的浮動. 而本文采用的基于多重指標的卸載策略, 隨著車輛密度的提高, 四周車輛數(shù)變多, 車輛請求內(nèi)容通過周圍車輛獲取的概率變大, 大大節(jié)省了部分車輛的傳輸時間和計算時間, 故當車輛密度達到一定程度時, 其平均耗時會低于僅向5G基站獲取內(nèi)容請求的方式.

圖9顯示了具有不同車輛密度下的RSU覆蓋范圍內(nèi)每輛車輛內(nèi)容請求的平均費用. 從整體趨勢來看,由圖8 可知, 僅向5G基站獲取內(nèi)容請求的方式其平均耗時整體是比較平穩(wěn)的, 故其平均費用也會穩(wěn)定在一定范圍內(nèi)并根據(jù)不同重要性的內(nèi)容請求在一定程度上波動. 由圖8分析知, 僅向RSU獲取內(nèi)容請求的方式中, 隨著車輛密度變大, 排隊等待的車輛數(shù)增加, 從而使得產(chǎn)生超時損失的車輛數(shù)增多, 導(dǎo)致平均費用不斷升高. 而本文使用策略由圖7可知, 會隨著車輛密度變大, 選擇從周圍車輛獲取內(nèi)容請求的概率變大, 向RSU獲取內(nèi)容請求的概率降低, 從而傳輸成本與計算成本不斷降低, 從而平均費用整體趨勢不斷下降.

圖9 不同車輛密度下的平均費用

圖10描述在3種不同情況下, 平均每輛車輛在傳輸至選擇目標時的傳輸時間. 由于車輛與車輛間的距離較近, 相對而言傳輸速率相對較快, 其次是與RSU,與5G基站的由于平均距離相對較遠, 故其速率排在最后. 由于本文設(shè)定, 車輛發(fā)送內(nèi)容請求的比例不變, 故僅通過RSU或5G 基站的傳輸時間是不變的. 而本文方案會隨著車輛向周圍車輛發(fā)送內(nèi)容請求概率的提高而逐漸降低傳輸時間.

圖11展示了在3種不同情況下, 第j個RSU的計算時間, 但車輛僅選擇向5G基站獲取內(nèi)容請求時, 對于RSU而言, 其始終未進行任務(wù)運算, 故其計算時間一直為0; 而僅向第j個RSU獲取內(nèi)容請求時, 由于第j個RSU覆蓋范圍下車輛發(fā)送內(nèi)容請求的比例始終未發(fā)生變化, 故其計算時間始終不變. 而由圖7可知, 本文策略中, 隨著車輛密度變大, 選擇向RSU獲取內(nèi)容請求的比例在降低, 所以本文策略中, RSU的計算時間呈下降趨勢.

圖11 不同車輛密度下RSU平均計算時間

類似的, 圖12展示了在3種不同情況下5G基站的計算時間. 當車輛僅選擇向RSU獲取內(nèi)容請求時,5G基站的計算時間一直為0; 而僅向5G基站獲取內(nèi)容請求時, 由于第j個RSU覆蓋范圍下車輛發(fā)送內(nèi)容請求的比例始終未發(fā)生變化, 故其計算時間始終不變.而由圖7可知, 隨著車輛密度變大, 向5G基站獲取內(nèi)容請求的比例只是輕微下降. 因此本文策略中, RSU的計算時間呈下降趨勢但不是很顯著.

圖12 不同車輛密度下的5G基站平均計算時間

圖13描述了3種不同策略下獲取內(nèi)容請求時,RSU基站的效用. 由于RSU的服務(wù)是免費的, 本文針對于RSU執(zhí)行任務(wù)卸載時的效用, 不考慮其余途徑對RSU計算內(nèi)容請求時的補貼. 圖中可以看出, 在初始車輛密度低時, 本文策略中RSU效用為負數(shù), 在車輛密度慢慢上升后, 車輛會產(chǎn)生排隊模式. 隨著車輛給予RSU的額外報酬, RSU效用不斷提高并趨近與0, 這是由于并非所有向RSU發(fā)送內(nèi)容請求的車輛都需要排隊等待, 而可以與RSU直接通信的車輛, 其不會給予RSU額外報酬. 而由于免費, 僅向RSU獲取內(nèi)容請求的方式, RSU效用一直為負.

圖13 不同車輛密度下的RSU平均效用

圖14描述了3種不同策略下獲取內(nèi)容請求時5G基站的效用. 從5G基站效用來看, 進項5G基站獲取內(nèi)容請求時, 5G基站的效用遠遠領(lǐng)先. 雖然本文策略中5G基站的效用遠低于僅向5G基站獲取內(nèi)容請求時的5G基站效用, 但在車輛費用, 非均耗時、車輛能耗和5G基站能耗方面都要低.

圖14 不同車輛密度下的5G基站平均效用

5 總結(jié)

在本文中, 提出了一種基于任務(wù)優(yōu)先級的多重指標服務(wù)器選擇方案, 車輛能夠與RSU和5G基站通信,RSU與5G基站之間并未存在通信協(xié)作, 在車輛與RSU通信過程中, 就其排隊等待時對于RSU的額外報酬采用多重指標拍賣方案, 通過直接顯示機制, 將問題轉(zhuǎn)換成RSU獲取最優(yōu)收益同時車輛給予RSU的額外報酬最小情況下的最優(yōu)拍賣機制, 實現(xiàn)貝葉斯納什均衡. 最后, 通過仿真對提出的方案進行了評估, 結(jié)果表明可以很大程度上降低了車輛成本, 能耗以及時延, 同時一定程度上保證了5G基站和RSU的效用, 并可以提高網(wǎng)絡(luò)的效率.

為了將來的工作, 我們計劃研究在異構(gòu)車聯(lián)網(wǎng)中對車輛內(nèi)容進行劃分并將其分配給不同的任務(wù)卸載對象. 另外, 我們打算通過考慮時延與任務(wù)卸載對象能耗占比, 更好的選擇任務(wù)卸載對象.