![]()
研究团队
杨剑杰，林志坚，卢孝强：福州大学电子与信息工程系
陈颖玚：暨南大学信息科学与技术学院
文章下载
Yang J J, Lin Z J, Chen Y Y, et al. Game-based computation offloading and resource allocation in stochastic geometry-modelling vehicular networks. Sci China Inf Sci, 2024, doi: 10.1007/s11432-024-4167-4![]()
随着车联网应用的蓬勃发展，移动边缘计算作为一种支持协同计算卸载的范例应运而生。然而，由于任务数据不断增加，单个服务器节点逐渐受到延迟限制和能源消耗的影响而不堪重负。受益于分布式计算的发展，车联网中的部分卸载已经成为了可能。并且，目前对于计算卸载时车联网中节点分布的建模研究是缺失的，这也影响了最后加卸载节点的选择，因此在网络系统建模时考虑节点的分布是必要的。最后，为了响应绿色节能的号召，需要优化计算卸载策略和计算资源，以达到系统能耗最小化的目标。基于上述考虑，在传统车载网络的基础上，引入了闲置的可信电子设备作为辅助计算的边缘节点(EN)，以减轻计算压力。考虑到系统建模对计算卸载的影响，提出了一种基于随机几何的建模方法。首先，利用MHCPP来对车辆流量进行建模，同时，考虑了车辆的流动性对网络拓扑结构的影响；其次，区别于以往研究的撒点式建模，本文考虑到集群问题，设计了一个二维泊松簇过程(PCP)来完善EN的分布模型，并将PCP简化为两个点过程的耦合。本文工作目标是通过优化任务分割比例、卸载策略和计算资源分配方案，最大限度地降低系统能耗。因此，基于博弈论和拉格朗日乘数方程，提出了一个计算卸载和资源分配联合优化算法（CORAJOA），实现了系统能耗最小化。![]()
图1 随机几何建模车联网的分布式计算卸载架构
本文的创新点如下：
(1) 在传统的车联网模式中引入了一系列闲置的可信电子设备，作为辅助计算的EN，设计了一种新颖的车载网络分布式计算卸载架构。
(2) 为分布模型设计了一种随机几何方法，利用MHCPP和PCP分别对交通流和区域内的EN进行建模。结合通信理论和随机几何理论，完成了通信模型建模。
(3) 基于博弈论和拉格朗日乘子式法，设计并实现了一个计算卸载和资源分配联合优化算法，并且通过实验仿真证明了该算法的优越性。
本文提出的联合优化算法在MATLAB 2022a中通过蒙特卡罗模拟进行性能评估。作为对比，考虑了以下基准方案：(1)Branch-and-bound algorithm (BBA)；(2) Mobility-aware computational efficiency based task offloading and resource allocation algorithm (MACTER)；(3) Game-theoretic partial computation offloading algorithm (GT-PCO)。本文设计了在不同任务规模、最大容忍时延、车流密度、计算资源规模条件下，对比四种算法的能耗和卸载成功率，得出了如下结论：与BBA相比，结果表明分布式计算可以显著降低能耗，提高卸载成功率；与MACTER不同的是，优化任务分割比和引入EN虽然会带来更高的算法复杂度，但系统性能却得到了极大的优化；此外，与MACTER和GT-PCO的比较表明，EN可以在很大程度上提高卸载成功率，但会导致能耗增加，然而，CORAJOA在这两方面都有较好的表现。图2 不同方案下系统性能与任务规模的关系。(a)能耗；(b)卸载成功率此外，本文对算法中涉及的二分法最大可容忍偏差 ϖ 也进行了对比实验。结果表明较小的 ϖ 在能耗和卸载成功率方面都有更好的表现，这归功于二分法的卓越准确性。尽管如此，较小的 ϖ 也带来了较高的计算复杂度，迫切需要更好的硬件性能，如何权衡复杂度和精度也是未来可以研究的工作。图3 不同 ϖ 条件下系统性能与任务规模的关系。(a)能耗；(b)卸载成功率
