异构蜂窝网络 仿真_课题组在面向异构车联网的自适应实时任务卸载关键技术研究方面取得新进展...

近期，由重庆大学计算机学院大数据与智慧计算(BDSC)课题组刘凯教授为通信作者、硕士研究生(一年级)刘春晖为第一作者完成的论文《Adaptive Offloading for Time-critical Tasks in Heterogeneous Internet of Vehicles》被计算机网络领域顶级学术期刊IEEE Internet of Things Journal (IoTJ)录用(中科院一区，JCR一区)。该论文合作作者包括重庆大学计算机学院郭松涛教授，深圳大学计算机与软件学院谢瑞桃博士，香港城市大学李仲诚博士，以及韩国大邱庆北技术科学院Son. H. Song教授。

智能交通系统(Intelligent Transportation System, ITS)被认为是解决日益突出的交通安全、出行效率以及节能减排的重要途径。车路协同作为ITS的最新发展方向，能够保证交通安全，提高通行效率。网联化作为车路协同的基础，旨在利用通信技术和互联网技术建立车-X(X：人、车、路及互联网等)之间实时、高效、可靠的双向信息交互和共享，达到智能协同配合，实现车辆主动安全并提高行车效率，同时，随着各类通讯技术的发展，尤其是5G的研发与推进，涌现出多种车联网通信标准，结合边缘计算，可以预见未来的车联网是一个具有多种无线通信接口以及多种具有不同通信、存储与计算资源节点的异构环境。在此背景下，该工作致力于解决车联网赋能下端边云协同的核心问题，即面向异构车联网环境，研究实时任务的自适应卸载算法。

具体地，该研究面向车联网中海量实时任务卸载需求，针对车联网中车辆高移动性、网络拓扑高动态性导致的无线信道传输不连续问题，以及各节点之间存储、传输与计算资源的高异构性所带来的挑战，考虑实时任务中时变的资源需求与截止时间，提出了端-边-云协同卸载的系统架构与自适应卸载算法，提高了异构车联网中实时任务的完成比例，为智能网联汽车的发展提供有效支持。

首先，提出了两层车联网与雾计算融合的实时任务卸载系统架构。该架构将与核心网及云服务器相连的蜂窝网络基站视为云节点，作为云层。将路侧单元(RSUs)、5G小/微基站等异构边缘接入基础设施抽象为静态雾节点(Static Fog Node, SFN)，将路网中的智能网联汽车抽象为动态雾节点(Mobile Fog Node, MFN)，两者共同形成雾层。实时任务可以在云节点、静态雾节点以及移动雾节点之间进行卸载，但必须满足相应通信、计算和时延需求。

其次，实现了特定交通异常检测与预警系统的硬件在环系统原型作为问题定义的动机案例。该原型将三个不同配置的笔记本电脑及与其相连的DSRC通讯硬件作为静态雾节点和移动雾节点，其中两个移动雾节点分别配置了4G接口。基于实现的系统架构，移动雾节点可以通过DSRC与静态雾节点通信或进行相互通信，也可以通过4G接口与云服务器进行通信。在此基础上，分别部署异常检测算法在移动雾节点、静态雾节点与云节点中，将MFN₁生成的实时视频数据发送到不同的节点进行检测计算并将异常结果转发给MFN₂，以模拟不同的任务卸载模式。进一步，针对系统架构中的三种卸载模式分别进行了实际测试，数值结果体现出对于这一特定应用，将任务卸载到移动雾节点可以得到最小的任务时延，即减少传输时延可以有效提升系统性能；考虑到计算时延同样会成为性能瓶颈，该结果也体现出单纯使用某种卸载模式的局限性以及联合卸载算法的必要性。同时，静态的系统原型并没有包含车辆移动性以及实时任务在通信、计算和存储方面的动态需求。基于此，定义了任务卸载模型，综合考虑车辆移动性、各节点通信、计算与存储资源约束，以及实时任务的时变需求等因素，利用异构车联网中各节点实现自适应协作任务卸载调度，最大化系统任务完成率。

在此基础上，提出了基于贪心策略的自适应任务卸载算法(Adaptive Task Offloading Algorithm, ATOA)。该算法考虑异构节点的不同数据传输速率、覆盖范围、计算资源和存储空间约束，以及车辆移动性带来的间断通信连接，利用时延驱动的分类策略、资源驱动的划分策略以及截止时间驱动的卸载策略，实现基于端边云协作的自适应任务卸载以最大化系统任务完成率。最后，通过全面的仿真实验，验证了所提系统框架及算法可有效降低任务时延、提高任务完成率。

该研究成果有效地支撑了异构车联网环境中实时任务的时变卸载需求，为实现智能车联网、协同无人驾驶，以及新兴智慧交通系统等新业态打下了坚实基础。之后的工作将集中于在小规模的真实车联网环境下对交通异常检测与预警系统进行性能评估，并基于该任务卸载架构测试更多的实时应用。

全文链接：

https://ieeexplore.ieee.org/document/9099808