劉可欣，陳桂芬，張文萍

（長春理工大學(xué) 電子信息工程學(xué)院，長春 130022）

車聯(lián)網(wǎng)作為汽車行業(yè)的焦點，已被列為“中國制造2025”不可或缺的一部分[1]，是5G的主要應(yīng)用場景之一。其涉及大量的數(shù)據(jù)采集、處理和決策，需要大量的計算和存儲資源，且對時延極為敏感。雖然傳統(tǒng)云計算可以彌補車載設(shè)備計算資源的不足[2]，然而由于傳輸?shù)臄?shù)據(jù)量巨大，從車載設(shè)備到云會產(chǎn)生較大的傳輸時延，這樣就無法滿足車載服務(wù)對時延的要求。因此，移動邊緣計算（Mobile Edge Computing，MEC）被引入到車聯(lián)網(wǎng)中是大勢所趨。通過在路側(cè)單元等位置部署MEC設(shè)備既可以有效地解決車輛計算資源不足的問題，又可以實現(xiàn)對車聯(lián)網(wǎng)業(yè)務(wù)的實時處理。

作為MEC關(guān)鍵技術(shù)之一的計算卸載，能有效支撐低時延高可靠任務(wù)，為此大量學(xué)者對其開展了研究。文獻[3]提出了一種以云服務(wù)器為基礎(chǔ)的MEC卸載架構(gòu)，且在該架構(gòu)中不允許MEC服務(wù)器自發(fā)地進行計算任務(wù)分配。文獻[4]提出了一種在多小區(qū)MEC網(wǎng)絡(luò)中進行聯(lián)合任務(wù)卸載和資源分配的整體策略，并提出了一種新的啟發(fā)式算法，顯著提高了平均系統(tǒng)卸載效用。文獻[5]提出了一種分層式MEC卸載框架，并針對多用戶卸載問題，采取了基于Stackel?berg博弈論的解決方案。文獻[6]針對MEC服務(wù)器計算資源有限和小區(qū)間干擾限制卸載的問題，提出了一種自適應(yīng)順序卸載方法，可避免由計算資源導(dǎo)致的意外排隊延遲。

綜上，雖然研究人員已對MEC的計算卸載進行了大量研究，但大多是假設(shè)在固定網(wǎng)絡(luò)結(jié)構(gòu)的前提下，沒有考慮移動性會對卸載過程造成的影響，同時也沒有充分調(diào)動移動終端、MEC及云的計算資源。因此，本文在車聯(lián)網(wǎng)的背景下，構(gòu)建了基于5G的“車-邊-云”協(xié)同的網(wǎng)絡(luò)架構(gòu)，并提出了一種基于時延的改進煙花算法（Im?proved Fireworks Algorithm，IMFWA）任務(wù)卸載策略，仿真結(jié)果表明，在車-邊-云協(xié)同架構(gòu)下，基于IMFWA的計算卸載策略可有效降低任務(wù)卸載時延。

1 網(wǎng)絡(luò)架構(gòu)

在車聯(lián)網(wǎng)中，通過構(gòu)建基于5G的“車-邊-云”協(xié)同網(wǎng)絡(luò)架構(gòu)，可以動態(tài)地為車輛、MEC、云分配計算資源，同時實現(xiàn)對異構(gòu)設(shè)備的管理，基本架構(gòu)圖如圖1所示。

圖1 基于5G的“車-邊-云”協(xié)同網(wǎng)絡(luò)架構(gòu)

在該架構(gòu)中，融入了多種新興技術(shù)，相比于其他架構(gòu)而言，有如下優(yōu)勢：

（1）滿足車聯(lián)網(wǎng)用戶需求

軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）及網(wǎng)絡(luò)功能虛擬化（Network Functions Virtualiza?tion，NFV）技術(shù)的應(yīng)用[7]使 5G 網(wǎng)絡(luò)架構(gòu)實現(xiàn)了全面云化，可更好地滿足車聯(lián)網(wǎng)用戶對各種業(yè)務(wù)的需求。

（2）實現(xiàn)車聯(lián)網(wǎng)業(yè)務(wù)邊緣部署

MEC可以使第三方應(yīng)用及業(yè)務(wù)部署在網(wǎng)絡(luò)邊緣，并且將其與車、云協(xié)同可減少數(shù)據(jù)傳輸時延。

（3）保障車聯(lián)網(wǎng)高速通信

5G接入網(wǎng)是多層的異構(gòu)式網(wǎng)絡(luò)，能保障車輛在不同的終端間通信，并為終端用戶提供最廣的覆蓋范圍和最快的網(wǎng)絡(luò)速率。

（4）保障車聯(lián)網(wǎng)業(yè)務(wù)獨立運行

針對多種業(yè)務(wù)需求，網(wǎng)絡(luò)切片可以實現(xiàn)車聯(lián)網(wǎng)業(yè)務(wù)的功能定制，并保證運行的獨立性。

2 車聯(lián)網(wǎng)中基于MEC任務(wù)卸載

在“車-邊-云”協(xié)同架構(gòu)下，假設(shè)車輛之間共享通信資源。通過將任務(wù)劃分成多個子任務(wù)并放在不同位置進行卸載，可實現(xiàn)時延的最小化，因此，本文提出了基于時延的IMFWA任務(wù)卸載策略。

2.1 基于時延的卸載模型

當新的請求到來時，任務(wù)首先被劃分為k個子任務(wù)，組成k維向量TA=(Tk1,Tk2,…,Tkk)T，其中Tki=δi·Tk，Tk表示總?cè)蝿?wù)數(shù)據(jù)量大小，單位是比特，δi表示子任務(wù)在總?cè)蝿?wù)中所占的比例。根據(jù)文獻[8]和文獻[9]，可得計算Tki所需的CPU周期數(shù)為Ci=ρ·Tki，其中ρ是計算任務(wù)的復(fù)雜度，CPU周期數(shù)的單位是cycles。

基于此方案，卸載任務(wù)的總時延主要包括在車、MEC、云上處理數(shù)據(jù)的時延及數(shù)據(jù)上傳過程中的傳輸排隊時延等，由于處理后的數(shù)據(jù)傳回車輛時延較小，故在此忽略不計。

（1）車輛卸載時延

車輛卸載時延主要包括在源車上及在V2V車輛上的卸載時延。設(shè)定車與車在獨立同分布信道中采用DSRC通信方式中的IEEE802.11p協(xié)議[10]進行通信，路徑損耗[11]可以定義為：

其中，di,uj表示車輛ui與車輛uj之間的通信距離，當i=j時，表示在源車卸載，此時無路徑損耗。將式（1）轉(zhuǎn)化為數(shù)值形式為：

因此，兩車之間傳輸數(shù)據(jù)的速率為：

其中，BV2V表示分配給V2V車輛的信道帶寬；pi是車載設(shè)備的發(fā)射功率；N0表示高斯白噪聲功率；h表示上傳鏈路的信道衰落因子。

則任務(wù)i選擇在車輛上卸載的時延可表示為：

其中，CiCi,uj表示在V2V車上的處理時延，μ表示上傳鏈路的傳輸開銷因子，ΔT表示排隊等待時延。

（2）MEC卸載時延

車輛通過LTE-Advanced直連的鏈路與MEC設(shè)備通信[12]，設(shè)定車輛到 MEC（RSU）的上傳鏈路為平坦型快衰落的瑞利信道，則上傳鏈路的數(shù)據(jù)傳輸速率為：

其中，BV2M表示分配給MEC的信道帶寬；di,ej是車ui與MEC設(shè)備ej之間的距離；h表示上傳鏈路的信道衰落因子；ε是路徑損耗因子；N0表示高斯白噪聲功率。

則在MEC上的卸載時延Ti,ej可以表示為：

（3）云卸載時延

上傳鏈路仍設(shè)定為頻率平坦型快衰落的瑞利信道，則上傳鏈路的數(shù)據(jù)傳輸速率為：

其中，BV2C表示分配給云的信道帶寬；di,0是車ui與遠端云之間的距離。

則在遠端云上的卸載時延Ti,0為：

其中，αi決定是否將任務(wù)卸載至車輛；λi決定是在MEC卸載還是在云卸載。而總?cè)蝿?wù)響應(yīng)時延等于子任務(wù)卸載時延中的最大值，即：

為了使響應(yīng)時延盡可能小，式（10）被建模為如下優(yōu)化問題：

其中，I為可行解的搜索范圍。

2.2 基于IMFWA算法的任務(wù)卸載策略

2.2.1 基本煙花算法

煙花算法（Fireworks Algorithm，F(xiàn)WA），是一種可在全局范圍內(nèi)搜索最優(yōu)解的智能算法，在求解復(fù)雜優(yōu)化問題時有著明顯優(yōu)勢。其基本步驟如下：

（1）隨機初始化N個煙花位置，即TAi=(Tk1(i),Tk2(i),...,Tkk(i))T。

（2）依據(jù)優(yōu)化目標函數(shù)計算每個煙花的爆炸火花數(shù)目及爆炸幅度（半徑）。

在FWA中，第i個煙花產(chǎn)生的火花個數(shù)Si為：

其中，t(TAi)為個體的適應(yīng)度值；tmax是當前種群中最差的適應(yīng)度值；m用來限制產(chǎn)生的火花總數(shù)；ε用來避免分母為零。

產(chǎn)生火花數(shù)量的限制公式為：

其中，Si'為第i個煙花最后生成的火花數(shù)；a、b為常數(shù)。

在FWA中，第i個煙花的爆炸幅度Ai為：

其中，A用來控制爆炸的最大幅度；tmin為當前最好的適應(yīng)度值；t(TAi)和ε意義與式（12）相同；evalsmax為最大評估次數(shù)；n為當前評估次數(shù)；Ainit和Afinal分別為爆炸半徑的初始值和終值。

（3）通過執(zhí)行一系列的爆炸、變異（高斯變異）操作，產(chǎn)生新的爆炸火花。在第k個維度時產(chǎn)生的爆炸火花表示如下：

其中，Δxk表示煙花位置偏移量。

（4）把不在可行解空間范圍的新火花根據(jù)一定的映射規(guī)則映射到可行域內(nèi)，并按照式（18）更新該維度值。

其中，TAUB,k、TALB,k分別表示該優(yōu)化問題的上、下邊界。

（5）采用基于歐式距離的輪盤賭選擇策略，對余下的N-1個個體進行選擇，組成新一代煙花種群。

（6）對步驟（2）-步驟（5）重復(fù)執(zhí)行，直到滿足迭代條件。

2.2.2 煙花算法的改進

針對FWA算法中爆炸火花的產(chǎn)生和煙花候選的選擇問題，提出了IMFWA算法，相比于FWA，具體改進如下：

（1）爆炸火花產(chǎn)生方式的改進

在原有的FWA算法中，僅考慮了每個煙花爆炸的正方形鄰域，并且對觸發(fā)的位移僅計算了一次，為了更好地在不同維度和不同方向都進行有效搜索，提出了一種產(chǎn)生爆炸火花的新方式，具體基于以下公式實現(xiàn)：

（2）選擇策略的改進

在原有的FWA算法中，對于煙花的選擇采用了基于歐氏距離的輪盤賭方式，這種選擇方式雖然在一定程度上促進了種群多樣性的增加，但當維數(shù)增加時會產(chǎn)生較大的時間開銷，因此在這里使用基于適應(yīng)度值的錦標賽選擇策略。這種選擇策略不僅能以一定的概率跳出局部最優(yōu)，使種群的多樣性增加，而且當維數(shù)增加時可減少時間開銷，此時每個個體被選擇的概率按照式（21）計算：

其中，K為根據(jù)r的一定百分比選擇的新一代煙花候選。

2.2.3 IMFWA求解步驟

在求解上述卸載優(yōu)化問題時，應(yīng)用IMFWA的主要步驟如下：

（1）隨機初始化解空間中的N個位置，其中N代表煙花的數(shù)量，每個煙花的位置可表示為TAi=(Tk1(i),Tk2(i),...,Tkk(i))T。

（2）依據(jù)式（10）中的優(yōu)化目標函數(shù)t(TA)計算爆炸幅度（半徑）及爆炸火花數(shù)目。

（3）依據(jù)步驟（2）得到的爆炸火花數(shù)目及爆炸半徑，基于公式（19）和公式（20），產(chǎn)生新的爆炸火花。

（4）當爆炸火花的第k個維度超出可行解空間的范圍時，按照式（18）更新維度值。

（5）為下一代種群挑選N個煙花（從當前代爆炸煙花、火花中選擇），若煙花個體的適應(yīng)度值最小，則以1的概率保留在下一代，否則根據(jù)基于適應(yīng)度值的錦標賽策略進行選擇。

（6）對步驟（2）-步驟（5）重復(fù)執(zhí)行，直到滿足迭代條件。

3 仿真與結(jié)果分析

為了證明本文所提的“車-邊-云”協(xié)同架構(gòu)和基于IMFWA算法的卸載策略在降低時延方面的優(yōu)越性，本文仿真對比了該架構(gòu)與云、“邊-云”協(xié)同架構(gòu)的時延性能，并將IMFWA算法與FWA、部分卸載算法（Conventional Partial Offload?ing，CPO）及聯(lián)合卸載算法進行了對比。

3.1 仿真環(huán)境設(shè)置

在真實的車聯(lián)網(wǎng)環(huán)境中，各個設(shè)備間的距離及傳輸鏈路帶寬都是時變的，各個MEC設(shè)備和車輛的計算能力也不盡相同。最終的仿真結(jié)果是根據(jù)多次實驗得到的平均值。具體的仿真參數(shù)[2]如表1所示。

表1 仿真參數(shù)

3.2 基于IMFWA算法的車-邊-云架構(gòu)的性能分析

圖2、圖3分別仿真對比了在不同任務(wù)量及不同鏈路帶寬影響下基于IMFWA算法的“車-邊-云”協(xié)同、“邊-云”協(xié)同與云單獨工作的網(wǎng)絡(luò)架構(gòu)的時延性能。

圖2 任務(wù)量對網(wǎng)絡(luò)架構(gòu)的性能影響

圖3 帶寬對網(wǎng)絡(luò)架構(gòu)的性能影響

從圖2可以看出，本文所提的“車-邊-云”協(xié)同、“邊-云”協(xié)同與云單獨工作的任務(wù)響應(yīng)時延都隨著任務(wù)數(shù)據(jù)量的增加而增加。其中，“車-邊-云”協(xié)同相比“邊-云”協(xié)同、云單獨做工時延更低。這是由于“車-邊-云”協(xié)同綜合考慮了車輛、MEC、云三方面的計算能力，實現(xiàn)了對各部分資源的有效調(diào)控。當任務(wù)數(shù)據(jù)量為5 Mb時，“車-邊-云”協(xié)同架構(gòu)相比于“邊-云”協(xié)同、云單獨做工時延性能分別提升了13.6%，28.7%。因此采用“車-邊-云”協(xié)同架構(gòu)可有效降低時延。

圖3是在假設(shè)分配給車、MEC、云帶寬相同，任務(wù)量為1 Mb時仿真出來的，從中可以看出在帶寬不斷增加的情況下，各個架構(gòu)的響應(yīng)時延均呈下降趨勢，其中云架構(gòu)的時延下降最為明顯。這是因為在云架構(gòu)中，所有數(shù)據(jù)都需要上傳到云端進行處理，上傳過程的傳輸時延將隨著帶寬的增加而顯著下降。但在其它兩種架構(gòu)中，由于車、MEC設(shè)備靠近數(shù)據(jù)源，只有少量的數(shù)據(jù)傳輸至云并不會導(dǎo)致大幅度的時延下降。并且，相比于“邊-云”協(xié)同，本文所提架構(gòu)將車、MEC、云的計算能力都考慮在內(nèi)，時延更低。綜上，當鏈路帶寬受限時，“車-邊-云”協(xié)同網(wǎng)絡(luò)架構(gòu)在降低時延上優(yōu)勢明顯。

3.3 IMFWA與FWA在迭代次數(shù)影響下的性能分析

設(shè)置任務(wù)數(shù)據(jù)量為2 Mb，煙花總數(shù)為100，最大爆炸火花數(shù)為80，最大爆炸半徑為300，常數(shù)a=0.8，b=0.04，迭代次數(shù)為500。圖4給出了IMFWA與FWA在迭代次數(shù)影響下的平均性能曲線。

從圖4可以看出，隨著迭代次數(shù)的增加，F(xiàn)WA和IMFWA任務(wù)完成時延均呈下降趨勢。相比于FWA，IMFWA的迭代次數(shù)更少，收斂速度更快。并且當?shù)螖?shù)累加到一定程度時，IMFWA、FWA的最終任務(wù)完成時間是趨于一致的?？梢钥闯?，IMFWA優(yōu)于FWA。

3.4 IMFWA與多種任務(wù)卸載算法的時延性能分析

為了驗證在“車-邊-云”協(xié)同架構(gòu)中IMFWA算法能有效地降低響應(yīng)時延，將其與FWA、CPO及聯(lián)合卸載算法的時延性能進行了仿真對比，仿真結(jié)果如圖5所示。從圖5可以看出，隨著任務(wù)數(shù)據(jù)量的增加，相比于其他三種算法，IMFWA算法的時延性能最為優(yōu)越。這是因為相比于FWA算法，IMFWA有著更快的收斂速度。而相比于CPO及聯(lián)合卸載策略，基于IMFWA算法的卸載策略不僅考慮了V2V的卸載方式，而且還調(diào)度了車、MEC、云三方面的計算資源。當任務(wù)數(shù)據(jù)量為5 Mb時，IMFWA算法相比于FWA，CPO及聯(lián)合卸載算法的時延性能分別提升了10.9%，39.4%，44.1%。因此在“車-邊-云”協(xié)同架構(gòu)中應(yīng)用IMFWA算法可有效地降低車聯(lián)網(wǎng)業(yè)務(wù)的響應(yīng)時延。

圖5 多種卸載優(yōu)化算法的時延性能比較

4 結(jié)論

在車聯(lián)網(wǎng)中，針對云服務(wù)器部署較遠而導(dǎo)致響應(yīng)時延高的問題，本文提出了一種基于5G的“車-邊-云”協(xié)同網(wǎng)絡(luò)架構(gòu)。同時在該網(wǎng)絡(luò)架構(gòu)中，建立了基于時延的卸載模型，并提出了一種基于IMFWA的任務(wù)卸載策略。仿真結(jié)果證明，本文所提的網(wǎng)絡(luò)架構(gòu)和卸載策略能有效提高任務(wù)的執(zhí)行速度，降低時延。但由于本文僅假設(shè)了車輛間共享資源的情況，未考慮車的自利性，因此下一步的工作是設(shè)計相應(yīng)的獎勵機制，應(yīng)用卸載策略實現(xiàn)相關(guān)參與者的利益最大化。