讀書筆記 - Collaborative Task Offloading in Vehicular Edge Multi-Access Networks
Collaborative Task Offloading in Vehicular Edge Multi-Access Networks
摘要
移動邊緣計算（MEC） 已成為實現低延遲應用的使用者需求的有前途的範例。多址技術multi-access 和 MEC的整合可以顯著增強異構裝置和MEC平臺之間的接入容量。然而，由於高速移動性和固有特性，傳統的MEC網路架構不能直接應用於車輛網際網路（IoV）。此外，鑑於道路上有大量資源豐富的車輛，這是在智慧車輛上執行任務解除安裝offloading和資料處理的新機會。
為了促進MEC技術在IoV中的良好融合，本文首先介紹了一種車輛邊緣多址網路
對於擬真immersive應用，共同作用的車輛具有收集大量相同和類似的計算任務的固有特性。我們提出了一種協作任務解除安裝和輸出傳輸機制，以保證低延遲。
最後，我們將3D重構作為示例場景，以提供有關網路框架設計的見解。數值結果表明，該方案能夠在確保應用級駕駛體驗的同時減少感知反應時間。
引入
車輛網際網路（IoV）正在發展成為支援高階駕駛員輔助系統（ADAS）和自動駕駛的新興範例，其灌輸沉浸式車輛應用的創新，為所有事物提供駕駛安全性和便利性。然而，如果沒有先進的計算機視覺系統來分析實時交通環境，自動駕駛車輛就無法區分應該立即避開的大小的岩石，或者車輛路徑上的皺巴巴的紙袋，它可以被碾壓。為了擁有複雜駕駛環境的智慧視野，配備先進設施的車輛需要快速處理大量感測器資料（大約1Gb / s），以滿足非常平穩的駕駛模式和體驗[1,2]。
自動駕駛應用需要超高寬頻連線和強大的計算能力。然而，這些資源匱乏和計算密集型應用程式對滿足低延遲要求提出了重大挑戰。作為一種有前途的技術，已經提出移動邊緣計算（MEC）通過將計算功能從核心網路遷移到邊緣接入網路來解決爆炸性計算需求【3】。
同時，載入到MEC平臺的巨大計算任務產生了一系列關鍵問題，例如異構MEC平臺和智慧車輛之間有限的前傳和回程連線的瓶頸。為了應對有限的連線問題，積極利用多接入 multi-access 和移動邊緣計算（MA-MEC）技術的系統整合和融合，包括固定接入(如fiber)和移動接入，例如5G、長期演進高階(LTE-A)、車輛到車輛(V2V)、Wi-Fi被應用以帶來無處不在的連線並增強訪問能力。此外，向超密集部署和異構網路（例如，微型，毫微微蜂窩基站，WLAN接入點）的演進可以實現通訊和計算負載之間的平衡。
最近的研究已經確定並研究了MEC網路架構實現的一些關鍵特性以及一些關鍵挑戰的解決方案。例如，彭等人。提供基於霧計算的無線接入網路架構，以簡化集中控制中的網路功能[4]。為了合併移動計算和無線通訊的學科，許多工作集中在通訊和計算資源的協同管理上。提出了載入和資源分配計算的聯合優化，以最小化能量消耗[5]。張等人。提供基於雲的MEC框架，以減少服務延遲和網路運營成本[6]。在[7]中，引入了霧訪問網路來實現低延遲服務並實現各種資源之間的平衡。利用大資料技術，N。Kumar等人。結合MEC網路和cloudifcation基礎設施來管理智慧電網中的hando ff和sched流量充電/放電請求[8]。為了保證網路安全和資料隱私，Wu等人。為移動眾包提出有效的資料隱私保護機制[9]
現有的MEC研究工作僅關注一般服務質量（QoS），例如提高能效或減少服務延遲。優化一些應用程式級指標同樣重要[10]。例如，內容完整性和高清視訊將成為推動更安全，更便捷的駕駛環境的新引擎。
對於這些沉浸式應用immersive applications，在相鄰區域中行駛的車輛將具有類似或相同的計算密集型任務。共置Co-located車輛可以受益於MEC平臺中的協作資料合併或視訊拼接。通過這種方式，精確的輸出比單個車輛建立的輸出更準確和完整。the refined outputs are more accurate and complete than those created by individual
vehicles.
然而，由於通訊和計算資源的激烈競爭，如果每個車輛將其自己的計算任務 解除安裝offloading 到MEC平臺，則可能無法保證低延遲。 因此，高應用級效能應該基於一系列動作，其中以協作方式預先移除冗餘計算任務。否則，將消耗巨大的通訊和計算資源。
在上述問題和前景的驅動下，有必要研究如何設計可行的網路架構 和 任務載入方案，以確保低延遲要求以及應用級駕駛體驗。據我們所知，這些關鍵問題尚未得到很好的調查和解決。
在本文中，我們呈現了 車輛邊緣多址網路（VE-MAN） vehicular edge multi-access network 的分層網路框架。為了突出VA-MAN中多接入技術的優勢，我們設計了一種混合控制方案來構建 移動車載雲 mobile vehicular cloudlet，以消除冗餘計算任務。此外，還討論了協同任務解除安裝 the collaborative task offloading scheme 方案。我們將3D場景重建作為案例研究的示例性場景，然後結束本文。
車輛邊緣多址網路的分層架構
現有MEC網路框架的設計目標旨在解決由細小的時間粒度引起的計算載入和資源分配。與通訊網路不同，交通流量的變化總體上比網路交通負荷的變化更慢。
因此我們提供了一種網路框架，以更好地融合MEC技術和IoV網路，根據不同的時間粒度執行靈活的網路優化和資源管理。
圖1顯示了移動VE-MAN的分層框架，該框架在三個層上實現：
雲控制層：Cloud-Enabled Control Layer
一系列元件作為全域性控制器，基於粗時間粒度收集時空變化環境檢視，包括傳輸流量，網路狀態等。利用先進的資料探勘技術，網路級智慧的必要過程可以滿足網路操作從被動到主動的正規化轉換，因為可以準確預測某些事件。這樣，啟用雲的控制層可以大大減少網路診斷和觸發動作的時間消耗。
移動邊緣計算層：Mobile Edge Computing Layer
不同型別的路邊單元（RSU），基站（BS） 和 WLAN接入點（AP） 統一表示為邊緣基礎設施，提供強大的MEC平臺。
為了提高資源利用率，這些物理基礎設施、多接入技術、異構資源被抽象為池化資源。由於雲控制層的監控資訊，MEC控制層適用於執行不同傳輸區域的網路級操作和資源預分配。例如，MEC平臺可以自適應地控制邊緣基礎設施的開/關操作狀態。同樣，可以自動排程和優化MEC伺服器的數量，以實現綠色MEC網路。
多接入連線的雲層：Multi-Access Connected Cloudlet Layer
通過將計算任務分配給異構邊緣基礎設施，MA連線的雲層負責提供簡化的資源分配和任務解除安裝方案。此外，資源豐富的車輛通過V2V通訊 和 分散式計算 進行協同任務是一種新穎的範例。
另一方面，相鄰區域中的駕駛車輛具有大量相同或相似的資料，尤其是在沉浸式immersive應用中。基於自組織網路技術，例如形成移動車載雲mobile vehicular cloudlet，這些相鄰車輛可以協作共享和載入計算任務以實現更多整合內容以及減少服務等待時間。
基於這些層之間的協作互動，擬議的VE-MAN框架有望帶來各種好處，總結如下優勢。
• 融合IoV和MEC網路：基於網路級控制和細粒度解除安裝計算，VE-MAN框架可以充分利用智慧車輛中的多址技術和未充分利用的資源，從而降低網路運營成本並提高資源利用率。
• 提高QoS級別和應用程式級效能：通過利用具有相同計算任務的特性，VE-MAN框架可以通過協作方式修剪冗餘計算任務來減少服務延遲。
• 服務連續性提供：與基於以基礎設施為中心的MEC網路不同，VE-MAN是以車輛為中心的網路框架，移動車載雲中的移動或停放車輛可以提供未充分利用的計算資源，保證服務連續性。
雖然提出的VE-MAN是支援沉浸式車輛應用的有前途的解決方案，但仍有許多新的挑戰需要解決。
基於協作和分散式計算架構，第一個挑戰是如何構建移動車輛雲，並消除相當多的冗餘任務。
在超密集網路部署下，關鍵問題是如何分配計算任務以關聯最佳基礎架構。
此外，與輸入尺寸相比，沉浸式immersive應用的輸出尺寸可能很大。因此，還應仔細設計輸出傳輸方案以減少傳輸時間。
利用多址移動邊緣計算進行協作任務
為了在保證應用級效能的同時提供低延遲，應該基於計算任務和資源共享機制觸發協同任務解除安裝操作，以去除移動車載雲中的冗餘任務。我們首先設計了一種混合多路訪問控制方案，以建立和維護移動車載雲。混合控制策略可簡要描述如下：
•車載雲端領導者選擇：
為了完成領導者的選擇和註冊的交付，對某個應用程式感興趣的每個車輛自動執行領導者選擇演算法，例如【11】。然後，所選擇的領導者向全域性啟用雲的控制器傳送訊息（例如，車輛ID，收集資料的描述），該控制器基於當前的運輸和網路狀態執行網路級控制。
•車載雲團形成：
根據具體的應用和效能要求，雲端負責人負責根據預先分配的通訊和計算資源來配置移動車載雲的大小和功能。
QoS級別 和 應用級別度量 是評估沉浸式車輛應用的網路可行性和易處理性的兩個關鍵引數指標。在本文中，我們介紹了 感知反應時間（PRT） 和 內容完整性的精確增益，以證明VE-MAN框架的效率。
PRT表示總服務等待時間，包括以下合作過程：移動雲端形成，任務分配，資料計算，返回到所有目標車輛的輸出傳輸。
精確度增益 通過以協作方式共享和處理由車輛生成的計算任務來描述內容完整性的效能改進。通常，隨著更多車輛涉及雲端計算，可以增強內容完整性。然而，由於在移動雲中相鄰車輛具有大量相同或相似的計算任務，因此精確增益的改善率將降低。因此，我們應該根據不同的應用程式要求提前刪除冗餘計算任務。
另一方面，未充分利用的車輛資源可用於為MEC平臺提供有效支援。由於超密集網路中的高移動性，車輛可以在任務解除安裝過程中通過若干邊緣基礎設施。因此，每個車輛應該將其計算任務載入到最佳邊緣基礎設施或資源豐富的車輛。
為了克服上述挑戰，我們提出了一個由兩個階段組成的協同任務解除安裝方案：車輛功能劃分 和 任務分配階段
特定於應用程式的車輛功能分割槽
借鑑移動社交網路【12】的巧妙構思，提出了基於圖論的 最大權重獨立集（MWIS），以協同方式實現最優功能劃分，去除冗餘任務。
基本思想是根據任務相似性和計算能力將車輛劃分為兩個子小云。子云中的車輛（定義為任務解除安裝子云 task offloading sub-cloudlet）將其計算任務載入到MEC平臺或子云（定義為任務計算子云 task computing sub-cloudlet），其中車輛可以提供未充分利用的計算資源來處理協作分配的任務。
圖2給出了描述特定應用程式的車輛功能劃分的圖示。在構建基於移動雲的車載網路之後，雲端負責人負責計算和分析所有車輛的計算任務的相似性。
為了避免引入大量的信令開銷和傳輸負擔，在雲端形成階段每個車輛只需要將收集的任務的主要特徵傳送給雲端負責人。然後根據所收集的計算任務的相似性建立虛擬函式圖，如圖2左側所示。
其中 虛線 和 實線 分別表示任意兩個車輛之間的 高計算任務相似性 和 低計算任務相似性。例如，如果根據不同的車輛應用和服務要求相似度小於預定閾值，則車輛V1和V2之間的連線由實線示出。
因此可以基於虛擬函式圖獲得若干候選獨立集。
加權值W表示為動態資源利用率，以描述車輛在移動車輛雲的形成階段的通訊和計算能力。此外，加權值應在載入和輸出傳輸過程的任務中保持不變，並且如果有車輛參與並退出移動雲，則將更新加權值。
最後，基於加權值W選擇最佳獨立集。
如圖2右側所示，將具有大加權值的車輛劃分為任務計算子云，以提供未充分利用的通訊和計算資源。同時，具有較小相似性的車輛被劃分為任務解除安裝子云，以將其計算任務分配給邊緣基礎設施或任務計算子云。
面向延遲的任務分配方案
在刪除冗餘計算任務之後，我們進一步提出了一種任務分配方案，以保證低服務等待時間，包括通訊和計算延遲。如何 將計算任務分配給最佳邊緣基礎設施（MEC平臺或任務計算子云） 是一個重要問題。
從單個車輛的角度來看，目標主要是與可以提供最小服務等待時間的邊緣基礎設施相關聯。
另一方面，邊緣基礎設施不僅選擇具有低延遲要求的車輛，而且還考慮異構邊緣基礎設施之間的計算通訊解除安裝之間的平衡。
為了解決上述問題，我們提出了一種計算任務分配的雙邊匹配方案，以實現雙方的平衡利益。
在計算任務分配的雙邊匹配過程中，任務解除安裝子云和邊緣基礎設施（簡稱為V和IN）中的車輛分別實施提議和決策的動作。用於信令交換的雲小區負責人的協助，如圖3所示。利用VE-MAN框架，可以無縫覆蓋地傳輸任務分配建議和匹配決策。
整個任務分配過程由三個階段組成：
階段1：任務分配提議的資訊收集。
階段2：減少任務傳輸和計算延遲的匹配過程。
階段3：宣佈邊緣基礎設施和附屬車輛之間的穩定任務分配結果。
根據上面的圖形描述，任務分配的決定是由邊緣基礎設施基於從任務解除安裝子云中車輛接收的相關提議做出的。最終決策與匹配期無關[13]。因此，我們可以專注於優化單個匹配期間的任務分配。
具體地，每一方首先基於個體效用函式建立和維護偏好列表。在任務分配階段，車輛效用被定義為服務等待時間，包括傳輸和計算等待時間。
另一方面，我們引入了平衡效用來表示網路端效用。具體而言，負載均衡效用旨在自適應地調整資源利用率，即邊緣基礎設施的計算能力與任務傳輸速率的比率。通常，可以選擇負載平衡因子的值作為計算任務和通訊流量負載之間的高效平衡交易。
通過基於個人偏好接受任務解除安裝請求，每個邊緣基礎設施判斷所連線的車輛的數量是否超過最大配額。如果不是，則邊緣基礎結構接受這些提議，並按升序將它們排列到匹配列表中。最後，重複上述匹配過程，直到所有車輛都排列在邊緣基礎設施所擁有的最終匹配列表中。
與Nash均衡[14]類似，匹配過程的終止是為了在車輛和邊緣基礎設施或具有相應配額約束的任務計算子云之間找到穩定的任務分配結果。另外，在最壞情況下任務分配方案的計算複雜度是O(NQ)，其中N和Q分別是邊緣基礎設施的總數和任務解除安裝子云中的車輛數量。
在實際的網路環境中，由於基礎設施的數量通常遠低於車輛的數量，因此計算複雜性是可以容忍的。此外，我們基於所提出的雙側匹配演算法設計了一種快速任務分配演算法。根據給定的服務等待時間要求，該方案可以收斂到次優和穩定的匹配結果。在這種情況下，我們提出的任務分配方案在實際的車輛邊緣計算網路中具有良好的可行性和魯棒性。