车辆边缘计算中任务卸载内容缓存与资源分配的联合优化

《ACM Transactions on Autonomous and Adaptive Systems》：Joint Optimization of Task Offloading Content Caching and Resource Allocation in Vehicular Edge Computing

车载边缘计算中任务输入数据增大导致传输延迟和用户体验下降，本文提出缓存启用的任务卸载策略，通过边缘服务器缓存通用上下文数据，避免重复传输，并建立混合整数非线性规划模型优化任务卸载、内容缓存和资源分配，将问题分解为计算资源分配和联合卸载缓存子问题，设计相应算法，数值评估表明有效降低整体响应延迟。

　　

摘要

在车辆边缘计算（Vehicle Edge Computing, VEC）环境中，来自车辆应用（如元车辆MetaVehicles）的日益复杂的功能性和非功能性需求通常会导致任务输入数据量增大。这不仅增加了通过前传链路传输任务输入数据的延迟，还降低了用户体验的质量，即使计算任务可以卸载并在网络边缘执行也是如此。在本文中，我们提出了一种基于缓存的任务卸载策略，通过在边缘服务器上缓存和重用通用上下文数据来避免在VEC系统中重复传输数据。我们的目标是通过对任务卸载、内容缓存和资源分配决策进行联合优化，从而最小化所有任务的总体响应延迟。该优化问题被构建为一个混合整数非线性规划（Mixed-Integer Nonlinear Programming, MINLP）问题。为高效解决该问题，我们将问题分解为两个子问题：计算资源分配（Resource Allocation, RA）问题和联合卸载与缓存（Joint Offloading and Caching, JOC）问题。分别提出了相应的算法来解决内容缓存和任务卸载问题。数值评估表明，与其他方法相比，我们的策略和算法在最小化总体响应延迟方面具有更好的性能。