一種針對(duì)能耗優(yōu)化的車(chē)聯(lián)網(wǎng)計(jì)算卸載方案

高文軒，楊新杰,2

研究與開(kāi)發(fā)

一種針對(duì)能耗優(yōu)化的車(chē)聯(lián)網(wǎng)計(jì)算卸載方案

高文軒1，楊新杰1,2

（1. 寧波大學(xué)信息科學(xué)與工程學(xué)院，浙江 寧波 315211；2. 網(wǎng)絡(luò)與交換技術(shù)全國(guó)重點(diǎn)實(shí)驗(yàn)室（北京郵電大學(xué)），北京 100876）

車(chē)聯(lián)網(wǎng)環(huán)境下面向車(chē)輛的應(yīng)用普遍具有計(jì)算密集和時(shí)延敏感等特性，引入移動(dòng)車(chē)輛閑置計(jì)算資源作為網(wǎng)絡(luò)算力的補(bǔ)充，可有效緩解邊緣服務(wù)器的計(jì)算負(fù)載壓力。針對(duì)車(chē)聯(lián)網(wǎng)環(huán)境中邊緣計(jì)算卸載的任務(wù)分配問(wèn)題，充分利用RSU、用戶(hù)車(chē)輛和RSU服務(wù)范圍內(nèi)移動(dòng)車(chē)輛的計(jì)算資源組合，提出一種基于麻雀搜索算法的計(jì)算卸載方案（sparrow search based computation offloading scheme，S2COS），用以?xún)?yōu)化整體系統(tǒng)能耗。此外，該方案充分考慮了車(chē)輛移動(dòng)性帶來(lái)的服務(wù)時(shí)間限制以及計(jì)算節(jié)點(diǎn)出現(xiàn)故障的可能性等現(xiàn)實(shí)問(wèn)題。仿真結(jié)果表明，S2COS在處理計(jì)算密集和時(shí)延敏感型任務(wù)時(shí)可以滿(mǎn)足任務(wù)時(shí)延要求，并且能夠顯著降低系統(tǒng)能耗。

車(chē)聯(lián)網(wǎng)；計(jì)算卸載；節(jié)點(diǎn)故障；麻雀搜索算法

0 引言

車(chē)聯(lián)網(wǎng)（Internet of vehicles，IoV）是移動(dòng)物聯(lián)網(wǎng)技術(shù)的衍生形式[1-2]。IoV將車(chē)輛和其他網(wǎng)絡(luò)節(jié)點(diǎn)引入移動(dòng)通信網(wǎng)絡(luò)中，通過(guò)信息收集、處理和實(shí)時(shí)反饋為車(chē)輛提供服務(wù)，實(shí)現(xiàn)智能交通。隨著車(chē)輛逐步智能化，智能交通快速發(fā)展，計(jì)算密集型和時(shí)延敏感型任務(wù)的需求顯著增加[3]。這些任務(wù)，如路徑規(guī)劃、車(chē)輛感知、虛擬現(xiàn)實(shí)等，對(duì)計(jì)算資源的高效利用和實(shí)時(shí)響應(yīng)提出了更高要求。鑒于車(chē)輛的有限計(jì)算能力，許多任務(wù)難以有效地在本地進(jìn)行處理。同時(shí)，傳統(tǒng)的云處理方式車(chē)輛與云服務(wù)器之間距離較遠(yuǎn)，導(dǎo)致較大的傳輸時(shí)延，降低了服務(wù)質(zhì)量（quality of service，QoS）。

對(duì)于蜂窩網(wǎng)絡(luò)中的卸載問(wèn)題，為了優(yōu)化系統(tǒng)的能量效率或任務(wù)時(shí)延，一些學(xué)者研究了二進(jìn)制卸載策略，即每個(gè)用戶(hù)可以選擇在本地執(zhí)行任務(wù)或者將任務(wù)卸載到附近的邊緣服務(wù)器[4-5]。類(lèi)似地，對(duì)于車(chē)聯(lián)網(wǎng)環(huán)境中的卸載問(wèn)題，用戶(hù)車(chē)輛的任務(wù)可以卸載到附近配備邊緣服務(wù)器的路邊單元（road side unit，RSU）上進(jìn)行處理。例如，文獻(xiàn)[6]考慮在一個(gè)多用戶(hù)多邊緣服務(wù)器場(chǎng)景中，用戶(hù)車(chē)輛采用二進(jìn)制卸載方式且對(duì)服務(wù)器的負(fù)載進(jìn)行均衡優(yōu)化，在降低任務(wù)時(shí)延的同時(shí)提高了資源利用率。與二進(jìn)制卸載相比，部分卸載方式在有限的車(chē)輛、服務(wù)器計(jì)算資源和無(wú)線(xiàn)信道資源的情況下顯得更為合理。文獻(xiàn)[7]在單用戶(hù)單邊緣服務(wù)器場(chǎng)景中采用部分卸載方式，提出一種協(xié)同優(yōu)化卸載數(shù)據(jù)比例和傳輸功率的策略，既滿(mǎn)足業(yè)務(wù)時(shí)延要求又可最小化用戶(hù)能耗。文獻(xiàn)[8]在多車(chē)輛、多RSU組成的車(chē)輛邊緣計(jì)算（vehicular edge computing，VEC）網(wǎng)絡(luò)中考慮部分卸載策略，對(duì)卸載比和RSU選擇進(jìn)行協(xié)同優(yōu)化，同時(shí)考慮了車(chē)輛移動(dòng)性造成的任務(wù)時(shí)延，有效提升了系統(tǒng)的能效。

前述研究提出了二進(jìn)制卸載或部分卸載策略，將任務(wù)卸載到邊緣服務(wù)器上。然而，這些策略未能有效利用IoV中的其他空閑車(chē)輛的計(jì)算資源。此外，過(guò)多地將任務(wù)卸載到邊緣服務(wù)器可能會(huì)導(dǎo)致服務(wù)器過(guò)載，從而降低系統(tǒng)性能。因此，有必要考慮合理利用空閑車(chē)輛的計(jì)算資源，以實(shí)現(xiàn)邊緣服務(wù)器負(fù)載的均衡分配。文獻(xiàn)[9]提出了一種聯(lián)合卸載方案，將用戶(hù)任務(wù)劃分為3個(gè)部分：本地車(chē)輛計(jì)算部分，利用V2I（vehicle to infrastructure）通信模式將任務(wù)卸載至邊緣服務(wù)器的部分，以及通過(guò)V2V（vehicle to vehicle）通信模式將任務(wù)卸載至空閑車(chē)輛的部分，該方案旨在優(yōu)化服務(wù)時(shí)延。為了減輕邊緣服務(wù)器的負(fù)載，在多用戶(hù)設(shè)備、多空閑車(chē)輛組成的移動(dòng)邊緣計(jì)算（mobile edge computing，MEC）場(chǎng)景中，文獻(xiàn)[10]提出一種空閑車(chē)輛輔助的二進(jìn)制MEC任務(wù)卸載和資源分配方案，旨在優(yōu)化基于任務(wù)優(yōu)先級(jí)加權(quán)的總處理時(shí)延。文獻(xiàn)[11]采用二進(jìn)制卸載方式，利用空閑車(chē)輛和邊緣服務(wù)器共同為多個(gè)用戶(hù)車(chē)輛提供計(jì)算服務(wù)，并提出任務(wù)卸載和資源分配聯(lián)合設(shè)計(jì)的策略，旨在優(yōu)化任務(wù)時(shí)延和系統(tǒng)能耗的加權(quán)和。由于所形成的問(wèn)題具有NP難屬性，作者采用了博弈論和Q學(xué)習(xí)方法分別求解卸載決策和資源分配問(wèn)題。

可以看出，上述研究主要以時(shí)延、能耗、自定義效用或成本函數(shù)為優(yōu)化目標(biāo)，有的研究采用二進(jìn)制或部分卸載將任務(wù)卸載到邊緣服務(wù)器，卻忽略了空閑車(chē)輛的資源利用。另一些研究雖然同時(shí)利用了邊緣服務(wù)器和空閑車(chē)輛資源，但卻選擇了二進(jìn)制卸載方式，這在一定程度上導(dǎo)致了用戶(hù)車(chē)輛計(jì)算資源的浪費(fèi)。此外，大多數(shù)研究假設(shè)節(jié)點(diǎn)工作時(shí)不會(huì)發(fā)生故障，這與實(shí)際情況存在偏差，導(dǎo)致結(jié)果的準(zhǔn)確性受到影響。

在當(dāng)前綠色網(wǎng)絡(luò)的快速發(fā)展的背景下，在滿(mǎn)足任務(wù)基本性能指標(biāo)如時(shí)延的同時(shí)，有效降低整體系統(tǒng)能耗是一個(gè)值得關(guān)注的重要目標(biāo)。本文的工作將用戶(hù)任務(wù)進(jìn)行部分本地計(jì)算、部分卸載給配備邊緣服務(wù)器的RSU和RSU范圍內(nèi)的空閑車(chē)輛進(jìn)行計(jì)算以充分利用資源，用以降低系統(tǒng)總能耗。同時(shí)，本文考慮了各個(gè)計(jì)算節(jié)點(diǎn)的故障情況和車(chē)輛移動(dòng)性對(duì)任務(wù)計(jì)算時(shí)長(zhǎng)的影響，并針對(duì)節(jié)點(diǎn)故障提出任務(wù)再分配和重計(jì)算機(jī)制，以確保任務(wù)能夠完成。因?yàn)樵搩?yōu)化問(wèn)題的特殊屬性，可以使用群智能優(yōu)化算法來(lái)求解，相較于文獻(xiàn)[12-13]中所使用的遺傳算法和模擬退火等群智能方法，麻雀搜索算法具有更好的收斂速度、收斂穩(wěn)定性和全局尋優(yōu)能力[14]。因此，本文采用更契合本文優(yōu)化問(wèn)題的麻雀搜索算法來(lái)優(yōu)化任務(wù)分配以最小化系統(tǒng)總能量消耗。

1 車(chē)輛邊緣計(jì)算卸載系統(tǒng)模型

1.1 系統(tǒng)模型

圖1 車(chē)輛邊緣計(jì)算卸載系統(tǒng)模型

1.2 通信模型

用戶(hù)車(chē)輛到RSU的上行鏈路速率和接收信噪比（signal-to-noise ratio，SNR）可分別定義為[15]：

1.3 計(jì)算模型

1.4 考慮工作節(jié)點(diǎn)故障的重計(jì)算機(jī)制

在實(shí)際系統(tǒng)中，節(jié)點(diǎn)處理任務(wù)時(shí)可能會(huì)突發(fā)故障，因此需要在系統(tǒng)設(shè)計(jì)中考慮這種情況，以提高整個(gè)系統(tǒng)的穩(wěn)定性。在由多個(gè)計(jì)算節(jié)點(diǎn)連接組成的分布式計(jì)算系統(tǒng)（distributed computing system，DCS）中，可以采取一些策略來(lái)提高系統(tǒng)的可靠性，比如使用高可靠的處理單元硬件等。當(dāng)DCS的硬件配置固定時(shí)，系統(tǒng)可靠性取決于如何將給定的計(jì)算任務(wù)分配到適當(dāng)?shù)墓?jié)點(diǎn)上，以及每個(gè)節(jié)點(diǎn)成功執(zhí)行分配任務(wù)的概率[19-20]。本節(jié)將分析各個(gè)工作節(jié)點(diǎn)發(fā)生故障的情況。

如果節(jié)點(diǎn)在處理任務(wù)時(shí)沒(méi)有發(fā)生故障，即成功完成分配的任務(wù)，這種情況的概率定義為成功概率。反之，如果節(jié)點(diǎn)在處理任務(wù)時(shí)發(fā)生故障，將無(wú)法完成分配的任務(wù)，這種情況的概率定義為故障概率。節(jié)點(diǎn)的成功概率和故障概率可由如下計(jì)算式表示[21]。

因此，在進(jìn)行重計(jì)算前，服務(wù)車(chē)輛計(jì)算任務(wù)經(jīng)歷的最大時(shí)延為：

此時(shí)整個(gè)計(jì)算卸載任務(wù)的系統(tǒng)總能耗為：

1.5 問(wèn)題描述

分布式程序可靠性（distributed program reliability，DPR）是指分布式計(jì)算系統(tǒng)（DCS）中含有分布式文件的程序成功運(yùn)行的概率。通過(guò)盡可能多地分配任務(wù)給節(jié)點(diǎn)來(lái)提高DCS可靠性是一個(gè)NP難問(wèn)題[20,22]。式（26）是以DCS可靠性為基礎(chǔ)的一個(gè)問(wèn)題，因此也是一個(gè)NP難問(wèn)題，且具有非凸性。對(duì)于此類(lèi)問(wèn)題，利用群智能算法求解可在多項(xiàng)式時(shí)間內(nèi)獲得近似最優(yōu)解，相比一般的搜索算法更高效。因此，本文采用麻雀搜索算法對(duì)以上優(yōu)化問(wèn)題求解，并將其命名為基于麻雀搜索算法的計(jì)算卸載方案（sparrow search based computation offloading scheme，S2COS）。

2 基于麻雀搜索算法的計(jì)算卸載方案

在麻雀搜索算法中，麻雀種群分為發(fā)現(xiàn)者群體和加入者群體。選取群體中一定比例數(shù)量的位置較優(yōu)的若干麻雀作為發(fā)現(xiàn)者群體，每一次的迭代尋優(yōu)過(guò)程中都會(huì)更新發(fā)現(xiàn)者群體，種群中剩下的麻雀作為加入者群體，發(fā)現(xiàn)者負(fù)責(zé)全局搜索并為加入者提供覓食方向和區(qū)域，一旦發(fā)現(xiàn)者找到更好的位置，加入者便會(huì)向發(fā)現(xiàn)者方向飛去。在每一輪迭代的后期，隨機(jī)抽取一定數(shù)量的麻雀?jìng)€(gè)體用作偵察預(yù)警，稱(chēng)作偵察者，對(duì)應(yīng)麻雀在自然界中的反捕食行為，如果偵察者發(fā)現(xiàn)危險(xiǎn)則放棄覓食飛向新的位置[23]。

2.1 種群的設(shè)定和更新

發(fā)現(xiàn)者位置更新計(jì)算式如下：

加入者位置更新計(jì)算式如下：

偵察者的位置更新計(jì)算式如下：

2.2 適應(yīng)度函數(shù)的設(shè)定和約束處理

算法1中描述了S2COS的具體流程。

算法1 S2COS算法

end for

使用式（28）對(duì)麻雀位置進(jìn)行更新

end for

使用式（30）對(duì)麻雀位置進(jìn)行更新

end for

使用式（31）對(duì)麻雀位置進(jìn)行更新

end for

end while

3 仿真與分析

系統(tǒng)仿真基于由單個(gè)用戶(hù)車(chē)輛、單個(gè)RSU和多輛移動(dòng)空閑車(chē)輛組成的如圖1所示的IoV系統(tǒng)。參數(shù)設(shè)定參考文獻(xiàn)[26-27]，并做了符合系統(tǒng)環(huán)境的參數(shù)調(diào)整，仿真參數(shù)及取值見(jiàn)表1。除非有明確說(shuō)明，否則仿真都使用參數(shù)的默認(rèn)值。

為理解所提S2COS的全面性能，考慮以下S2COS簡(jiǎn)化應(yīng)用方案并進(jìn)行性能比較。

? 方案1：用戶(hù)車(chē)輛和服務(wù)車(chē)輛進(jìn)行計(jì)算，RSU只轉(zhuǎn)發(fā)任務(wù)給服務(wù)車(chē)輛。

? 方案2：RSU和服務(wù)車(chē)輛進(jìn)行計(jì)算，用戶(hù)車(chē)輛卸載全部任務(wù)。

? 方案3：用戶(hù)車(chē)輛和RSU進(jìn)行計(jì)算，不使用服務(wù)車(chē)輛的計(jì)算資源。

另外，將所提S2COS和以下常用算法進(jìn)行性能比較。

? 算法1：文獻(xiàn)[12]提出的優(yōu)化能量效率的模擬退火算法（simulated annealing algorithm，SA）。

? 算法2：文獻(xiàn)[13]提出的基于遺傳算法的卸載策略（genetic algorithm-based offloading strategy，GAO）。

表1 仿真參數(shù)及取值

不同方案和不同任務(wù)量對(duì)能耗和時(shí)延的影響如圖2所示。可以看出，所有方案的系統(tǒng)能耗都隨著任務(wù)量的增加而增加，其中，方案3的能耗最大且無(wú)法滿(mǎn)足時(shí)延要求。因?yàn)閷?duì)于數(shù)據(jù)量大、時(shí)延要求高的任務(wù)而言，用戶(hù)車(chē)輛和RSU的計(jì)算資源相對(duì)有限。S2COS和方案2均可滿(mǎn)足任務(wù)時(shí)延要求，而S2COS使用了用戶(hù)車(chē)輛承擔(dān)一部分計(jì)算任務(wù)，可以通過(guò)合理的任務(wù)分配進(jìn)一步降低整個(gè)系統(tǒng)能耗。方案1的系統(tǒng)能耗雖然最小，但以犧牲時(shí)延要求為代價(jià)，不適合時(shí)延要求高的任務(wù)，如輔助駕駛、路徑導(dǎo)航規(guī)劃等應(yīng)用。

圖2 不同方案和不同任務(wù)量對(duì)能耗和時(shí)延的影響

不同的服務(wù)車(chē)輛數(shù)量和時(shí)延約束下，S2COS 的不同服務(wù)車(chē)輛數(shù)和不同時(shí)延約束下能耗對(duì)比如圖3所示，不同服務(wù)車(chē)輛數(shù)和不同時(shí)延約束下時(shí)延對(duì)比如圖4所示。結(jié)果表明，隨著服務(wù)車(chē)輛增多，系統(tǒng)能耗下降，且不同時(shí)延約束下的系統(tǒng)能耗性能差別逐步變小。這表明，隨著服務(wù)車(chē)輛增多，系統(tǒng)會(huì)表現(xiàn)出更好的魯棒性。這是因?yàn)楦嗟墓?jié)點(diǎn)意味著更多的任務(wù)分配方式，因而可以進(jìn)一步降低系統(tǒng)能耗。此外，從圖3中可以看到，當(dāng)服務(wù)車(chē)輛數(shù)增加到6輛以上時(shí)，對(duì)于時(shí)延約束相對(duì)寬松的0.65 s的情況，系統(tǒng)的能耗已經(jīng)相差無(wú)幾，這表明當(dāng)服務(wù)車(chē)輛數(shù)達(dá)到一定數(shù)量后，系統(tǒng)能耗將難以進(jìn)一步優(yōu)化。因此，對(duì)于在不同時(shí)延約束、不同任務(wù)量的條件下，選擇合適的服務(wù)車(chē)輛數(shù)可能是未來(lái)值得研究的。圖4顯示S2COS在不同服務(wù)車(chē)輛數(shù)量時(shí)均可滿(mǎn)足時(shí)延約束。

圖3 S2COS的不同服務(wù)車(chē)輛數(shù)和不同時(shí)延約束下能耗對(duì)比

圖4 不同服務(wù)車(chē)輛數(shù)和不同時(shí)延約束下時(shí)延對(duì)比

為了評(píng)估重計(jì)算機(jī)制對(duì)系統(tǒng)性能的提升，本文對(duì)比了S2COS方案在重計(jì)算機(jī)制和無(wú)重計(jì)算機(jī)制時(shí)的性能。在無(wú)重計(jì)算機(jī)制中，所有故障節(jié)點(diǎn)的任務(wù)退還給用戶(hù)車(chē)輛計(jì)算。重計(jì)算機(jī)制與無(wú)重計(jì)算機(jī)制的比較如圖5所示，設(shè)定任務(wù)的時(shí)延約束為0.55 s，隨著總?cè)蝿?wù)量增加，系統(tǒng)的能耗也隨之增加，且考慮節(jié)點(diǎn)故障并進(jìn)行重計(jì)算的系統(tǒng)的能耗要比沒(méi)有重計(jì)算機(jī)制的系統(tǒng)顯著降低。另外，無(wú)重計(jì)算的系統(tǒng)當(dāng)任務(wù)量大于800 KB時(shí)無(wú)法滿(mǎn)足時(shí)延約束，而有重計(jì)算的系統(tǒng)將此指標(biāo)提升至950 KB。這是因?yàn)?，在無(wú)重計(jì)算的系統(tǒng)中，不成功的任務(wù)只能退還給用戶(hù)車(chē)輛計(jì)算，而有重計(jì)算的系統(tǒng)會(huì)提前考慮節(jié)點(diǎn)故障情況并通過(guò)任務(wù)再分配盡可能降低系統(tǒng)能耗。

圖5 重計(jì)算機(jī)制與無(wú)重計(jì)算機(jī)制的比較

不同系統(tǒng)環(huán)境下有無(wú)重計(jì)算機(jī)制的對(duì)比如圖6所示，進(jìn)一步評(píng)估了不同節(jié)點(diǎn)故障率對(duì)于系統(tǒng)性能的影響，將任務(wù)量設(shè)定成800 KB，復(fù)雜度設(shè)定為7 500，時(shí)延約束設(shè)定0.5 s。本文假設(shè)在每一個(gè)故障率區(qū)間內(nèi)，故障率遵循均勻分布并將故障率大于0.1的區(qū)間定義為惡劣系統(tǒng)環(huán)境。由圖6可知，系統(tǒng)的能耗會(huì)隨著故障率的升高而升高。相比無(wú)重計(jì)算機(jī)制，重計(jì)算機(jī)制可顯著降低系統(tǒng)能耗，并可滿(mǎn)足時(shí)延要求，無(wú)重計(jì)算機(jī)制在平均故障率大于0.2 s時(shí)無(wú)法滿(mǎn)足時(shí)延要求。這說(shuō)明所提方案在惡劣系統(tǒng)環(huán)境下仍具有良好的魯棒性。

圖6 不同系統(tǒng)環(huán)境下有無(wú)重計(jì)算機(jī)制的對(duì)比

不同算法的系統(tǒng)能耗對(duì)比如圖7所示，顯示了S2COS和其他兩個(gè)常用對(duì)比算法的系統(tǒng)能耗比較，任務(wù)復(fù)雜度設(shè)置為6 500?？梢钥闯?，隨著任務(wù)量的增加各算法所需系統(tǒng)能耗都會(huì)增加，所提方案相較于其他兩種算法擁有更好的全局搜索最優(yōu)解能力，在時(shí)延約束下，可找到更好的任務(wù)卸載比例和任務(wù)分配卸載決策以達(dá)到最低的系統(tǒng)能耗，避免了能量的浪費(fèi)，有效降低系統(tǒng)能耗。

圖7 不同算法的系統(tǒng)能耗對(duì)比

4 結(jié)束語(yǔ)

本文針對(duì)一個(gè)由RSU、用戶(hù)車(chē)輛和多個(gè)服務(wù)車(chē)輛組成的車(chē)聯(lián)網(wǎng)系統(tǒng)，提出了一種聯(lián)合卸載方案S2COS。該方案引入RSU范圍內(nèi)服務(wù)車(chē)輛的計(jì)算資源，在滿(mǎn)足任務(wù)時(shí)延要求的前提下，通過(guò)獲得最優(yōu)的任務(wù)分配方式最大限度地降低系統(tǒng)能耗。此外，所提出的方案考慮每種節(jié)點(diǎn)的故障情況，提出一種故障節(jié)點(diǎn)任務(wù)重計(jì)算機(jī)制。仿真結(jié)果表明，S2COS在滿(mǎn)足時(shí)延要求和降低能耗方面相對(duì)于對(duì)比方案和其他算法具有明顯優(yōu)勢(shì)，并且具備良好的優(yōu)化效果。未來(lái)計(jì)劃將工作擴(kuò)展到多RSU小區(qū)場(chǎng)景，研究資源的分配和因車(chē)輛的移動(dòng)性而產(chǎn)生的信道時(shí)變對(duì)系統(tǒng)的影響。

[1] ZHUANG W, YE Q, LYU F, et al. SDN/NFV-empowered future IoV with enhanced communication, computing, and caching[J]. Proceedings of the IEEE, 2019, 108(2): 274-291.

[2] 王鯤, 董振江, 楊凡, 等. 基于C-V2X的車(chē)路協(xié)同自動(dòng)駕駛關(guān)鍵技術(shù)與應(yīng)用[J]. 電信科學(xué), 2023, 39(3): 45-60. WANG K, DONG Z J, YANG F, et al. Key technologies and applications of C-V2X based vehicle-infrastructure cooperative autonomous driving[J]. Telecommunications Science, 2023, 39(3): 45-60.

[3] WANG J, FENG D, ZHANG S, et al. Computation offloading for mobile edge computing enabled vehicular networks[J]. IEEE Access, 2019(7): 62624-62632.

[4] LIU C, LI K, LI K. A game approach to multi-servers load balancing with load-dependent server availability consideration[J]. IEEE Transactions on Cloud Computing, 2021, 9(1): 1-13.

[5] FAN W, HAN J, YAO L, et al. Latency-energy optimization for joint Wi-Fi and cellular offloading in mobile edge computing networks[J]. Computer Networks, 2020(181): 107570.

[6] XU X, XUE Y, LI X, et al. A computation offloading method for edge computing with vehicle-to-everything[J]. IEEE Access, 2019(7): 131068-131077.

[7] REN C, ZHANG G, GU X, et al. Computing offloading in vehicular edge computing networks: full or partial offloading?[C]//Proceedings of 2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC). Piscataway: IEEE Press, 2022: 693-698.

[8] DAI Y, XU D, MAHARJAN S, et al. Joint load balancing and offloading in vehicular edge computing and networks[J]. IEEE Internet of Things Journal, 2019, 6(3): 4377-4387.

[9] WANG H, LI X, JI H, et al. Federated offloading scheme to minimize latency in MEC-enabled vehicular networks[C]//Proceedings of 2018 IEEE Globecom Workshops (GC Wkshps). Piscataway: IEEE Press, 2018: 1-6.

[10] FAN W, LIU J, HUA M, et al. Joint task offloading and resource allocation for multi-access edge computing assisted by parked and moving vehicles[J]. IEEE Transactions on Vehicular Technology, 2022, 71(5): 5314-5330.

[11] ZHANG H, WANG Z, LIU K, et al. V2X offloading and resource allocation in SDN-assisted MEC-based vehicular networks[J]. China Communications, 2020, 17(5): 266-283.

[12] 王艷閣, 奚建清. 具有隱私保護(hù)的車(chē)聯(lián)網(wǎng)邊緣計(jì)算任務(wù)卸載資源分配策略[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2023, 44(2): 372-378. WANG Y G, XI J Q. Privacy preserving resource allocation strategy for edge computing task offloading in internet of vehicles[J]. Computer Engineering and Design, 2023, 44(2): 372-378.

[13] 余翔, 劉一勛, 石雪琴, 等. 車(chē)聯(lián)網(wǎng)場(chǎng)景下的移動(dòng)邊緣計(jì)算卸載策略[J]. 計(jì)算機(jī)工程, 2020, 46(11): 29-34. YU X, LIU Y X, SHI X Q, et al. Mobile edge computing offloading strategy under Internet of vehicles scenario[J]. Computer Engineering, 2020, 46(11): 29-34.

[14] 李雅麗, 王淑琴, 陳倩茹, 等. 若干新型群智能優(yōu)化算法的對(duì)比研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2020, 56(22): 1-12. LI Y L, WANG S Q, CHEN Q R, et al. Comparative study of several new swarm intelligence optimization algorithms[J]. Computer Engineering and Applications, 2020, 56(22): 1-12.

[15] LIU J, WANG Y, ZHANG W, et al. A novel offloading and resource allocation scheme for time-critical tasks in heterogeneous internet of vehicles[C]//Proceedings of 2023 2nd International Conference for Innovation in Technology (INOCON). Piscataway: IEEE Press, 2023: 1-7.

[16] RAZA S, LIU W, AHMED M, et al. An efficient task offloading scheme in vehicular edge computing[J]. Journal of Cloud Computing, 2020(9): 1-14.

[17] GUO S T, XIAO B, YANG Y, et al. Energy-efficient dynamic offloading and resource scheduling in mobile cloud computing[C]//Proceedings of IEEE INFOCOM 2016-The 35th Annual IEEE International Conference on Computer Communications. Piscataway: IEEE Press, 2016: 1-9.

[18] WANG Y, SHENG M, WANG X, et al. Mobile-edge computing: partial computation offloading using dynamic voltage scaling[J]. IEEE Transactions on Communications, 2016, 64(10): 4268-4282.

[19] PLANK J S, ELWASIF W R. Experimental assessment of workstation failures and their impact on checkpointing systems[C]//Proceedings of Digest of Papers, Twenty-Eighth Annual International Symposium on Fault-Tolerant Computing (Cat. No. 98CB36224). Piscataway: IEEE Press, 1998: 48-57.

[20] VIDYARTHI D P, TRIPATHI A K. Maximizing reliability of distributed computing system with task allocation using simple genetic algorithm[J]. Journal of Systems Architecture, 2001, 47(6): 549-554.

[21] LAWLESS J F. Statistical models and methods for lifetime data[M]. Hoboken: John Wiley & Sons, 2011.

[22] LIN M S, CHEN D J. The computational complexity of the reliability problem on distributed systems[J]. Information Processing Letters, 1997, 64(3): 143-147.

[23] 薛建凱. 一種新型的群智能優(yōu)化技術(shù)的研究與應(yīng)用[D]. 上海: 東華大學(xué), 2020.XUE J K. Research and application of a new swarm intelligence optimization technology[D]. Shanghai: Donghua University, 2020.

[24] 陳剛, 林東, 陳飛, 等. 基于 Logistic 回歸麻雀算法的圖像分割[J]. 北京航空航天大學(xué)學(xué)報(bào), 2021, 49(3): 636-646. CHEN G, LIN D, CHEN F, et al. Image segmentation based on logistic regression sparrow algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 49(3): 636-646.

[25] WU G, MALLIPEDDI R, SUGANTHAN P N. Problem definitions and evaluation criteria for the CEC 2017 competition on constrained real-parameter optimization[R]. 2017.

[26] DINH T Q, TANG J, LA Q D, et al. Offloading in mobile edge computing: task allocation and computational frequency scaling[J]. IEEE Transactions on Communications, 2017, 65(8): 3571-3584.

[27] GUO H, LIU J, REN J, et al. Intelligent task offloading in vehicular edge computing networks[J]. IEEE Wireless Communications, 2020, 27(4): 126-132.

A computation offloading scheme for energy consumption optimization in Internet of vehicles

GAO Wenxuan1, YANG Xinjie1,2

1. Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo 315211, China 2.State key Laboratory of Networking and Switching Technology (Beijing University of Posts and Telecommunications), Beijing 100876, China

In Internet of vehicles (IoV), vehicle-oriented applications are generally computation-intensive and latency-sensitive. Introducing idle computing resources from mobile vehicles as a supplement to network computing power can effectively alleviate the load pressure on edge servers. The problem of task allocation for edge computation offloading in the context of IoV environment were researched. By fully leveraging the combined computing resources of roadside units (RSU), user vehicles, and mobile vehicles within the RSU service range, a computation offloading strategy based on the sparrow search algorithm was proposed and referred to as sparrow search based computation offloading scheme (S2COS), aiming to optimize the overall system energy consumption. In addition, this strategy fully taked into account practical network issues such as service time constraints caused by vehicle mobility and the potential occurrence of computation node failures. The simulation results demonstrate that S2COS can meet the latency requirements for computation-intensive and latency-sensitive tasks, while significantly reducing system energy consumption.

Internet of vehicles, computation offloading, node failure, sparrow search algorithm

The Ningbo Municipal Natural Science Foundation (No.2019A610073), Open Foundation of State key Laboratory of Networking and Switching Technology (Beijing University of Posts and Telecommunications) (No.SKLNST-2021-1-12)

TP393

A

10.11959/j.issn.1000?0801.2023189

2023?07?19；

2023?09?28

寧波市自然科學(xué)基金資助項(xiàng)目（No.2019A610073）；網(wǎng)絡(luò)與交換技術(shù)全國(guó)重點(diǎn)實(shí)驗(yàn)室（北京郵電大學(xué)）開(kāi)放課題資助項(xiàng)目（No.SKLNST-2021-1-12）

高文軒（1998? ），男，寧波大學(xué)碩士生，主要研究方向?yàn)檐?chē)聯(lián)網(wǎng)系統(tǒng)的資源管理和性能優(yōu)化。

楊新杰（1971? ），男，寧波大學(xué)信息科學(xué)與工程學(xué)院教授、碩士生導(dǎo)師，主要研究方向?yàn)橄乱淮苿?dòng)通信系統(tǒng)架構(gòu)、移動(dòng)物聯(lián)網(wǎng)接入技術(shù)、協(xié)作中繼網(wǎng)絡(luò)性能等。