一種基于車邊云協(xié)同的車聯(lián)網(wǎng)計(jì)算卸載策略*

羅 優(yōu),李 暉,2,周又玲,王 萍,林志陽

(1.海南大學(xué) 信息與通信工程學(xué)院，?？?570228；2.南京信息工程大學(xué)濱江學(xué)院，江蘇 無錫 214105)

0 引 言

隨著城市化進(jìn)程的快速推進(jìn)以及汽車數(shù)量的飛速增長，道路安全、交通效率和環(huán)境污染等一系列交通問題日益突出。為了建立更加安全、綠色、高效的交通管理系統(tǒng)，實(shí)現(xiàn)人、車、環(huán)境的協(xié)調(diào)發(fā)展，車聯(lián)網(wǎng)技術(shù)應(yīng)運(yùn)而生。車聯(lián)網(wǎng)(Internet of Vehicles，IoV)通過車內(nèi)、車與車、車與路、車與人、車與服務(wù)平臺(tái)的全方位萬物互聯(lián)，可實(shí)現(xiàn)智能交通管理控制、車輛智能化控制和智能動(dòng)態(tài)信息服務(wù)的一體化。隨著車聯(lián)網(wǎng)的迅速發(fā)展，一系列涵蓋行駛安全、交通效率和車輛通信服務(wù)的車載應(yīng)用也隨之迅速發(fā)展，如自動(dòng)駕駛技術(shù)、增強(qiáng)現(xiàn)實(shí)技術(shù)等。

當(dāng)前車載技術(shù)無法滿足日益增長的車載應(yīng)用對時(shí)延的需求[1]，將移動(dòng)邊緣計(jì)算(Mobile Edge Computing，MEC)集成到通信網(wǎng)絡(luò)架構(gòu)中，可以有效解決車聯(lián)網(wǎng)中計(jì)算密集型任務(wù)和延遲敏感型任務(wù)所導(dǎo)致的指數(shù)級增長的移動(dòng)流量，因?yàn)樵谖锫?lián)網(wǎng)業(yè)務(wù)場景中，邊緣模塊[2-3]可以提供低業(yè)務(wù)延遲、低能耗、適當(dāng)?shù)木彺?、快速的通信和靈活的計(jì)算。Cui等人[4]提出了一種聯(lián)合云計(jì)算、移動(dòng)邊緣計(jì)算及本地計(jì)算的多平臺(tái)智能卸載方案，根據(jù)任務(wù)屬性利用強(qiáng)化學(xué)習(xí)算法選擇卸載平臺(tái)，旨在最小化時(shí)延并節(jié)省系統(tǒng)總成本，但所提網(wǎng)絡(luò)模型中的控制面和數(shù)據(jù)面是深度耦合，使得任務(wù)處理缺乏靈活性。Zhang等人[5]提出了一種基于分層云的車載邊緣計(jì)算卸載框架，通過引入鄰域中的備份服務(wù)器來解決MEC服務(wù)器計(jì)算資源有限問題。Li等人[6]提出了一種新的架構(gòu)，它結(jié)合了遠(yuǎn)程中央云、附近的邊緣計(jì)算服務(wù)器和車載云，以擴(kuò)展車輛移動(dòng)應(yīng)用的可用云服務(wù)?；谠频腗EC卸載框架的提出能夠進(jìn)一步降低任務(wù)持續(xù)時(shí)間，包括移動(dòng)設(shè)備將任務(wù)卸載到云端的傳輸時(shí)間、云中的執(zhí)行時(shí)間以及云發(fā)送的傳輸任務(wù)結(jié)果到移動(dòng)設(shè)備的時(shí)間，同時(shí)減少移動(dòng)設(shè)備的能耗和傳輸成本。左超等人[7]提出了一種面向設(shè)備優(yōu)先級的貪心算法，通過對每個(gè)設(shè)備能耗和 CPU 占用率設(shè)定優(yōu)先級，獲得當(dāng)前最優(yōu)的任務(wù)分配方案，同時(shí)采用結(jié)合面向設(shè)備優(yōu)先級的貪心策略的粒子群算法優(yōu)化提出的貪心算法。

朱新峰等人[8]基于“分治”的思想，提出了一種考慮用戶綜合需求的動(dòng)態(tài)資源分配策略，進(jìn)行計(jì)算資源和頻譜資源的分配以尋求吞吐量和時(shí)延性能方面的提升。Ning等人[9]在智能車聯(lián)網(wǎng)中構(gòu)建了一個(gè)三層卸載框架，以在滿足用戶延遲約束的同時(shí)最大程度地降低總體能耗，提出了一種基于深度強(qiáng)化學(xué)習(xí)的方案來解決優(yōu)化問題。劉斐等人[10]分析了邊緣計(jì)算服務(wù)器容限閾值和車輛密度對平均等待時(shí)延和卸載成功率的影響。

上述文獻(xiàn)大多考慮計(jì)算卸載過程中資源分配、設(shè)備能耗及傳輸成本問題，但對于任務(wù)具體卸載策略研究較少。本文通過采用“車-邊-云”協(xié)同卸載網(wǎng)絡(luò)架構(gòu)，并采用粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法對卸載系數(shù)和任務(wù)分配系數(shù)求解，得到最佳卸載方案，實(shí)現(xiàn)車輛卸載時(shí)延最小化。

1 系統(tǒng)模型

1.1 網(wǎng)絡(luò)模型

在車聯(lián)網(wǎng)中，本文選取一個(gè)由車輛、移動(dòng)邊緣設(shè)備、云組成的三層網(wǎng)絡(luò)架構(gòu)，其架構(gòu)如圖1所示。該車聯(lián)網(wǎng)架構(gòu)由終端車輛端、MEC邊緣計(jì)算服務(wù)器以及云服務(wù)器組成。終端車輛可以與其他設(shè)備進(jìn)行無線通信。MEC邊緣計(jì)算服務(wù)器由固定邊緣節(jié)點(diǎn)和移動(dòng)邊緣節(jié)點(diǎn)組成，移動(dòng)邊緣節(jié)點(diǎn)由用戶終端附近的帶有可用計(jì)算資源的移動(dòng)車輛以及專門部署的移動(dòng)服務(wù)器車輛組成，固定邊緣節(jié)點(diǎn)由用戶附近的帶有MEC功能的路側(cè)單元(Road Site Unit，RSU)以及部署了MEC設(shè)備的基站組成，其中邊緣節(jié)點(diǎn)的計(jì)算能力各不相同，且固定邊緣節(jié)點(diǎn)的計(jì)算能力強(qiáng)于移動(dòng)邊緣節(jié)點(diǎn)。中心云服務(wù)器有強(qiáng)大的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)資源，可進(jìn)行快速的任務(wù)處理。

圖1 車聯(lián)網(wǎng)網(wǎng)絡(luò)架構(gòu)圖

考慮將傳統(tǒng)的RSU或基站作為一個(gè)接入點(diǎn)為車輛提供網(wǎng)絡(luò)接入，但不進(jìn)行計(jì)算卸載。假設(shè)在單向行駛的道路上有一終端車輛需要將一個(gè)計(jì)算密集型任務(wù)S進(jìn)行卸載，該任務(wù)由云服務(wù)器、邊緣節(jié)點(diǎn)、車輛本地CPU三者聯(lián)合共同卸載。假設(shè)該任務(wù)可以按任意比例劃分成多個(gè)子任務(wù)，子任務(wù)之間不存在重疊。假設(shè)卸載θS至MEC邊緣節(jié)點(diǎn)，那么剩余任務(wù)總量為(1-θ)S,u(1-θ)S表示卸載至云服務(wù)器的任務(wù)大小，那么剩余任務(wù)(1-θ)(1-u)S在車輛終端CPU進(jìn)行計(jì)算。其中，θ表示卸載至邊緣計(jì)算的卸載系數(shù)，u表示卸載至云計(jì)算的卸載系數(shù)。設(shè)完成計(jì)算任務(wù)下的CPU周期數(shù)為C=aD，其中，a表示計(jì)算任務(wù)的計(jì)算復(fù)雜度，任務(wù)不同，計(jì)算復(fù)雜度就不同(例如對同一個(gè)視頻，可以有剪輯、去噪、去水印等不同復(fù)雜度的操作)；D表示任務(wù)的輸入數(shù)據(jù)大小[11]。因此，計(jì)算任務(wù)的總時(shí)延包括本地計(jì)算時(shí)延、邊緣計(jì)算時(shí)延、云計(jì)算時(shí)延。

1.2 計(jì)算模型

假設(shè)有g(shù)個(gè)移動(dòng)邊緣節(jié)點(diǎn)，r個(gè)固定邊緣節(jié)點(diǎn)。移動(dòng)邊緣節(jié)點(diǎn)和終端車輛都在同一個(gè)接入點(diǎn)RSU的覆蓋范圍內(nèi)，移動(dòng)邊緣節(jié)點(diǎn)的坐標(biāo)隨機(jī)分布在50 m×200 m的道路上。di,dot為終端車輛到邊緣節(jié)點(diǎn)的距離，di,c為終端車輛與遠(yuǎn)端云的距離。假設(shè)移動(dòng)邊緣節(jié)點(diǎn)的坐標(biāo)為{(m1,n1),(m2,n2),…,(mg,ng)}，接入點(diǎn)的坐標(biāo)為(mdot,ndot)，則車輛i與接入點(diǎn)的距離公式可表示為

(1)

車輛與MEC服務(wù)器之間是通過LTE- Advanced無線直連的方式進(jìn)行通信的，車輛上傳鏈路的信道被認(rèn)為是頻率平坦型快衰落的瑞利信道。參考文獻(xiàn)[12]，則車輛i至接入點(diǎn)傳輸速度為

(2)

接入點(diǎn)至車輛i傳輸速度為

(3)

終端車輛至遠(yuǎn)端云的傳輸速度為

(4)

式中：Bi,dot、Bdot,i為車輛i與接入點(diǎn)之間的帶寬，Bv,c為車輛與云端的帶寬，Pi和Pdot為車輛i和接入點(diǎn)的傳輸功率，N0表示高斯白噪聲功率，h表示信道衰落因子，δ表示路徑損耗常數(shù)。

1.2.1 MEC計(jì)算時(shí)延

假設(shè)總?cè)蝿?wù)為S，卸載至MEC邊緣節(jié)點(diǎn)的計(jì)算的任務(wù)為θS，任務(wù)θS先到達(dá)接入點(diǎn)，再由接入點(diǎn)將任務(wù)分配至各固定邊緣節(jié)點(diǎn)和各移動(dòng)邊緣節(jié)點(diǎn)，可求得終端車輛至接入點(diǎn)的傳輸時(shí)延可表示為

(5)

接入點(diǎn)分配給移動(dòng)邊緣節(jié)點(diǎn)的任務(wù)為βiθS，βi表示卸載至邊緣計(jì)算中單個(gè)固定邊緣節(jié)點(diǎn)的任務(wù)分配系數(shù)，所以移動(dòng)邊緣邊緣節(jié)點(diǎn)執(zhí)行時(shí)延包括接入點(diǎn)將任務(wù)傳輸給移動(dòng)邊緣節(jié)點(diǎn)的傳輸時(shí)延和移動(dòng)邊緣節(jié)點(diǎn)自身處理時(shí)延，所以移動(dòng)邊緣計(jì)算節(jié)點(diǎn)的執(zhí)行時(shí)延為

(6)

同理，固定邊緣節(jié)點(diǎn)的執(zhí)行時(shí)延為

(7)

邊緣節(jié)點(diǎn)執(zhí)行時(shí)延為各邊緣節(jié)點(diǎn)執(zhí)行時(shí)延的最大值，因?yàn)榉峙浣o各邊緣節(jié)點(diǎn)的任務(wù)不重疊，獨(dú)立處理，因此邊緣結(jié)點(diǎn)執(zhí)行時(shí)延為

(8)

所以邊緣計(jì)算總時(shí)延為終端車輛至接入點(diǎn)的傳輸時(shí)延和邊緣結(jié)點(diǎn)執(zhí)行時(shí)延之和為

(9)

運(yùn)算結(jié)果的回傳時(shí)延可忽略不計(jì)。

1.2.2 云計(jì)算時(shí)延

(10)

(11)

所以云計(jì)算的總時(shí)延為

(12)

運(yùn)算結(jié)果的回傳時(shí)延也可忽略不計(jì)。

1.2.3 本地終端處理時(shí)延

由上節(jié)可得，由終端車輛計(jì)算的計(jì)算任務(wù)為(1-θ)(1-u)S，可得車輛終端計(jì)算時(shí)延為

(13)

基于上述三部分的時(shí)延分析，總時(shí)延取各部分時(shí)延最大值，所以總時(shí)延可表示為Tt=max{TL,TC,TM}，即

(14)

所以時(shí)延最優(yōu)化模型為

(15)

s.t. 0≤u≤1，

0≤θ≤1，

0≤βi≤1，

0≤βj≤1。

由于u、θ、βi、βj均為變量，為了求得時(shí)延最小，必須求出一組最優(yōu)的u、θ、βi、βj。可將卸載系數(shù)和任務(wù)分配系數(shù)定義為一個(gè)(g+r+2)維的向量X=(x1,x2,…,xg,xg+1,…,xg+r,xg+r+1,xg+r+2)，其中，g為移動(dòng)邊緣節(jié)點(diǎn)個(gè)數(shù)，r為固定邊緣節(jié)點(diǎn)個(gè)數(shù)，(x1,x2,…,xg)為各移動(dòng)節(jié)點(diǎn)任務(wù)分配系數(shù)βi，(xg+1,…,xg+r)為固定邊緣節(jié)點(diǎn)分配系數(shù)βi，xg+r+1表示卸載系數(shù)θ，xg+r+2表示卸載系數(shù)u，因此總時(shí)延公式的求解可以轉(zhuǎn)化為對向量X的求解。于是總時(shí)延表達(dá)式可寫為

(16)

s.t. C1:0≤xi≤1,1≤i≤g+r+2，

式中：X∈J，J為可行解的搜索范圍，C1表示不管是卸載系數(shù)還是邊緣節(jié)點(diǎn)分配系數(shù)的范圍在(0,1)之間，C2表示邊緣節(jié)點(diǎn)中任務(wù)的分配系數(shù)之和為1。

2 基于粒子群算法的任務(wù)卸載策略

2.1 基本PSO算法

粒子群優(yōu)化算法的基本概念源于對鳥群捕食的研究。PSO中，優(yōu)化問題的潛在解都是搜索空間中的一只鳥，稱為粒子。假定在D維搜索空間中，由M個(gè)粒子組成一個(gè)種群進(jìn)行“飛行”(即搜索)，第i個(gè)粒子的位置表示為Xi=(xi1,xi2,…,xiD)，第i個(gè)粒子的速度表示為Vi=(vi1,vi2,vi3,…,vid)，每個(gè)粒子在飛行過程中搜索到的最好位置稱為個(gè)體極值pbest=(pi1,pi2,…,piD)，整個(gè)種群搜索到的最好位置稱為全局極值gbest=(gi1,gi2,…,giD)，粒子搜索過程中的速度和位置更新公式如下：

vid=wvid+τ1η1(pid-xid)+τ2η2(gid-xid) ，

(17)

xid=xid+vid。

(18)

式中：1≤i≤M,1≤d≤D;τ1、τ2為學(xué)習(xí)因子，通常設(shè)置為2；η1、η2是[0,1]之間均勻分布的隨機(jī)數(shù)；w為慣性權(quán)重；vid∈[-vmax,vmax]，其中vmax是預(yù)先給定的最大速度。公式(17)中等號(hào)右邊第一部分表示粒子當(dāng)前狀態(tài);等號(hào)右邊第二部分是粒子的自我學(xué)習(xí)部分，粒子對搜索歷史過程的思考，引導(dǎo)個(gè)體最優(yōu)位置方向運(yùn)動(dòng);等號(hào)右邊第三部分是社會(huì)認(rèn)知部分，粒子群體通過相互交流向全局最優(yōu)方向運(yùn)動(dòng)。

2.2 解決等式約束問題的PSO算法(FS-PSO)

基本的PSO算法中沒有處理約束條件的機(jī)制。通常，粒子群算法求解有等式約束的優(yōu)化問題的方法是將一個(gè)約束變?yōu)閮蓚€(gè)不等式約束，但很難隨機(jī)產(chǎn)生可行解，導(dǎo)致收斂速度慢。為了解決本文時(shí)延公式中變量的約束條件，參考文獻(xiàn)[13]和文獻(xiàn)[14]的等式約束處理方法，可對本文的優(yōu)化問題進(jìn)行轉(zhuǎn)化，從而求出最優(yōu)解。因此，定義適應(yīng)度函數(shù)為

(19)

式中：Ttmax為群體中最差可行個(gè)體的適應(yīng)度值，

(20)

式中：δ是較小的整數(shù)。

FS-PSO粒子群算法的具體實(shí)現(xiàn)過程如下:

Step1 粒子群初始化：規(guī)定最大迭代數(shù)T；給定群體規(guī)模N，在可行域中隨機(jī)產(chǎn)生每個(gè)粒子的位置Xi,規(guī)定速度為Vi。

Step2 通過上述的適應(yīng)度函數(shù)，計(jì)算每個(gè)粒子適應(yīng)度值Fit(Xi)。

Step3 計(jì)算每個(gè)粒子的個(gè)體最優(yōu)位置pbest和全局最優(yōu)位置gbest。

Step4 根據(jù)公式(21)更新粒子的速度和位置。

假設(shè)Qn為等式約束(20)的系數(shù)矩陣，r(Qn)是矩陣Qn的秩，Pn為系數(shù)矩陣Qn的階梯型矩陣，在階梯形矩陣中選取r(Qn)個(gè)線性無關(guān)的列，將這些列的序號(hào)集合記為(m1,m2,…,mr(Qn))，未被選中的列的序號(hào)集合記為(q1,q2,…,qn-r(Qn))，通過公式(21)來更新速度向量和位置向量部分分量的值。

vit=wvit+τ1η1(pit-xit)+τ2η2(git-xit) 。

(21)

式中：t=q1,q2,…,qn-r(Qn),xit=xit+vit，t=q1,q2,…,qn-r(Qn)。

剩下的分量值通過等式方程組求出。

Step5 對粒子的個(gè)體極值和全局極值進(jìn)行更新。

Step6 若達(dá)到終止條件，即最大迭代次數(shù)，算法輸出全局最佳位置，該位置就是本文的最優(yōu)卸載策略，進(jìn)而求出最優(yōu)時(shí)延，若沒有達(dá)到終止條件，則將更新后的粒子轉(zhuǎn)向Step 2。

3 仿真與分析

為了驗(yàn)證本文所提提出的架構(gòu)及卸載策略的時(shí)延性能，將所提的策略與其他幾種策略進(jìn)行比較。

(1)“車-邊-云”協(xié)同卸載(本文卸載策略)：終端車輛卸載部分計(jì)算任務(wù)至邊緣節(jié)點(diǎn)(固定邊緣節(jié)點(diǎn)和移動(dòng)邊緣節(jié)點(diǎn))和云端處理，剩余計(jì)算任務(wù)由終端車輛本地處理。

(2)“車-邊”協(xié)同卸載：終端車輛僅卸載部分計(jì)算任務(wù)，由邊緣節(jié)點(diǎn)進(jìn)行計(jì)算，剩余任務(wù)由終端車輛本地處理。

(3)僅邊緣節(jié)點(diǎn)卸載(僅邊)：終端車輛卸載全部的計(jì)算任務(wù)，全部任務(wù)由邊緣節(jié)點(diǎn)處理。

(4)僅車本地卸載(僅車)：終端車輛直接進(jìn)行本地任務(wù)執(zhí)行，不進(jìn)行計(jì)算卸載。

最后將本文采用的改進(jìn)可解等式約束的粒子群優(yōu)化算法(FS-PSO)與貪婪算法(Greedy Algorithm)、遺傳算法(Genetic Algorithm)進(jìn)行比較。PSO算法和遺傳算法都屬于全局優(yōu)化算法，從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，通過適應(yīng)度來評價(jià)解的品質(zhì)。貪心算法不是對所有問題都能得到整體最優(yōu)解，但對范圍相當(dāng)廣泛的許多問題能產(chǎn)生整體最優(yōu)解或者是整體最優(yōu)解的近似解。

3.1 仿真參數(shù)設(shè)置

表1給出了相關(guān)仿真參數(shù)設(shè)置。

表1 相關(guān)仿真參數(shù)

3.2 仿真結(jié)果分析

圖2描述了在輸入數(shù)據(jù)大小影響下各策略的時(shí)延性能，假設(shè)計(jì)算復(fù)雜度為6 800 cycle/B?？梢钥闯鲭S著輸入數(shù)據(jù)的增加。任務(wù)卸載所產(chǎn)生的時(shí)延也隨之增加，這是因?yàn)殡S著數(shù)據(jù)大小的增加，計(jì)算過程中傳輸時(shí)延以及處理時(shí)延都會(huì)有所增加。本文采用的“車-邊-云“卸載策略在時(shí)延方面明顯優(yōu)于其他卸載策略，與僅車輛終端計(jì)算相比減少約2.6 s。這是因?yàn)楸疚牟呗詫④囕v、MEC設(shè)備、云三部分資源充分調(diào)度，且云的計(jì)算資源強(qiáng)大，減少了處理時(shí)延。相較與其他三種策略的時(shí)延，所提出的策略時(shí)延性能分別提升了32.6%、45.3 %和88.5%。

圖2 不同輸入數(shù)據(jù)大小各策略時(shí)延的對比

圖3顯示了不同復(fù)雜度下各策略時(shí)延的大小，對輸入的計(jì)算任務(wù)可以有不同的處理操作，就會(huì)產(chǎn)生不同的計(jì)算復(fù)雜度。假設(shè)輸入數(shù)據(jù)大小為580 kB，可以看出，“僅邊”卸載策略在復(fù)雜度趨向于0時(shí)，仍然有一定的傳輸時(shí)延。這是因?yàn)樾遁d了全部的計(jì)算任務(wù)至邊緣節(jié)點(diǎn)進(jìn)行計(jì)算，有一定的傳輸時(shí)延。當(dāng)計(jì)算度復(fù)雜度低于2 000 cycle/B時(shí)，“車-邊-云”協(xié)同卸載策略時(shí)延高于“車-邊”卸載時(shí)延和“僅邊”卸載時(shí)延。這是因?yàn)橛?jì)算復(fù)雜度較低時(shí)，云端處理時(shí)延所帶來的時(shí)延優(yōu)勢不能抵消掉任務(wù)傳輸至云的傳輸時(shí)延較長問題。隨著計(jì)算復(fù)雜度的增加，任務(wù)卸載的時(shí)延也隨之增加，當(dāng)計(jì)算復(fù)雜度超過2 000 cycle/B時(shí)，本文所提的卸載策略產(chǎn)生的時(shí)延是最小的。

圖3 不同復(fù)雜度下各策略時(shí)延的對比

圖4給出了不同策略在隨機(jī)計(jì)算復(fù)雜度和隨機(jī)數(shù)據(jù)大小下的時(shí)延性能對比，其中，假設(shè)輸入數(shù)據(jù)大小的范圍為375～425 kB，CPU周期范圍為1 950～2 050 Mcycle?？梢钥闯觥败?邊-云”卸載策略在車輛隨機(jī)任務(wù)下可以更地好降低任務(wù)完成時(shí)延，10個(gè)隨機(jī)任務(wù)下幾個(gè)策略的平均時(shí)延分別為0.189 s、0.252 s、0.298 s、1.306 s且與其他三種策略相比時(shí)延分別提升了21.4%、36.6%、85.5%，證明了所提策略的有效性。

圖4 隨機(jī)數(shù)據(jù)大小和隨機(jī)CPU周期數(shù)下的時(shí)延性能對比

圖5描述了相同策略下本文的改進(jìn)算法與貪婪算法和遺傳算法的時(shí)延性能對比?？傮w來說，隨著計(jì)算復(fù)雜度的增加，“車-邊-云”卸載策略中基于粒子群優(yōu)化算法的任務(wù)完成時(shí)間一直處于最低狀態(tài)，其次是貪婪算法，時(shí)延最大的是遺傳算法，這說明粒子群算法比其他兩種算法能夠更好地縮短用戶完成時(shí)間，提高用戶體驗(yàn)。當(dāng)計(jì)算復(fù)雜度為8 000 cycle/B時(shí)，三種算法的時(shí)延分別0.216 2 s、0.296 3 s、0.339 3 s，說明粒子群優(yōu)化算法對卸載任務(wù)分配更加合理。

圖5 相同策略下不同算法時(shí)延性能對比

4 結(jié)束語

本文提出了車聯(lián)網(wǎng)中基于本地、邊緣MEC設(shè)備和云服務(wù)器共同卸載的卸載策略，實(shí)現(xiàn)了車、MEC設(shè)備、云三方面的資源調(diào)度。此外，本文采用了改進(jìn)的粒子群算法可解決本文時(shí)延優(yōu)化問題的等式約束。數(shù)值結(jié)果表明，所提出的卸載策略可以提高任務(wù)執(zhí)行效率，降低時(shí)延，實(shí)現(xiàn)了對車載任務(wù)的最優(yōu)卸載。但本文僅考慮了單個(gè)任務(wù)，未考慮車輛任務(wù)的多樣性；也僅考慮車輛在理想情況下的任務(wù)卸載，未考慮無線通信鏈路的不穩(wěn)定性，不符合車聯(lián)網(wǎng)的實(shí)際情形，因此后續(xù)將考慮多任務(wù)卸載以及多任務(wù)情況下任務(wù)的優(yōu)先級，按任務(wù)重要度進(jìn)行卸載，并研究車輛在非理想鏈路情況下的可靠性傳輸。