-
题名基于空地协同的动态车载边缘任务卸载方法
- 1
-
-
作者
崔萌萌
施静燕
项昊龙
-
机构
南京信息工程大学软件学院
江苏省先进计算与智能服务工程技术研究中心
-
出处
《计算机工程》
北大核心
2025年第9期25-37,共13页
-
基金
国家自然科学基金(62372242)
江苏省自然科学基金(BK20211284)。
-
文摘
为了进一步优化车载服务的服务质量(QoS),移动边缘计算(MEC)被深度整合于车联网(IoV)中,旨在为车辆提供地理位置较近的计算资源,降低任务处理延迟和能耗。然而,传统的MEC服务器部署主要依赖于地面基站(BS),这不仅导致高昂的部署成本,而且限制其覆盖范围,难以确保为所有车辆提供无间断服务。为了应对上述挑战,空地协同IoV作为一种新兴的技术方案应运而生。无人机(UAV)能够借助其视距链路的灵活性动态地协助路边单元(RSU),为车辆用户提供更为灵活的计算资源,进而保障车载服务的连续性和高效性。提出一种基于空地协同的动态车载边缘任务卸载方法(DVETOM)。该方法采用车-路-空架构,构建了车辆到RSU(V2R)链路和车辆到UAV(V2U)链路。针对车辆任务的本地执行、卸载至RSU执行和卸载至UAV执行3种模式分别构建传输模型和计算模型,并以最小化系统时延和能耗作为联合优化目标构建目标函数。DVETOM将任务卸载问题转化为马尔可夫决策过程(MDP),基于深度强化学习(DRL)的分布式深度确定性策略梯度(D4PG)算法优化任务卸载策略。与5种基准方法进行对比,实验结果表明,DVETOM在提升车辆用户QoS的同时,在降低系统时延方面优于现有方法3.45%~23.7%,在降低系统能耗方面优于现有方法5.8%~23.47%。综上所述,DVETOM有效地优化了IoV中的车载边缘任务卸载,为IoV用户提供了更高效、更节能的服务解决方案,展现了其在智能交通系统领域的广泛应用潜力。
-
关键词
车联网
边缘计算
空地协同
任务卸载
深度强化学习
-
Keywords
Internet of Vehicle(IoV)
edge computing
air-ground collaboration
task offloading
Deep Reinforcement Learning(DRL)
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
