《Tsinghua Science and Technology》：Enhancing Public Safety in Transportation: Innovations, Emerging Trends, and Cutting-Edge Applications [From the Guest Editors]
编辑推荐：
研究人员提出一种面向智能交通系统（Intelligent Transportation Systems, ITS）公共安全增强的能量感知任务编排框架，该框架基于5G车联网边缘计算（Vehicular Edge Computing, VEC）实现。该方法结合传输
研究人员提出一种面向智能交通系统（Intelligent Transportation Systems, ITS）公共安全增强的能量感知任务编排框架，该框架基于5G车联网边缘计算（Vehicular Edge Computing, VEC）实现。该方法结合传输功率控制与动态功率缩放技术，并集成轻量级机器学习模型，用于在移动端、边缘端和云端三层架构中动态选择最可靠且能效最优的执行路径。通过在集成SUMO的EdgeCloudSim仿真环境中部署超过1000辆车辆进行性能评估，所提方案在高负载场景下实现了超过40%的任务失败率降低，为提升ITS应用的可靠性及安全性提供了一种可扩展且鲁棒的策略。
论文解读文章
一、研究背景与问题提出
随着城市化进程加速，交通运输领域正面临前所未有的安全挑战。交通事故频发、网络安全漏洞增多、自然灾害应对不足等问题日益凸显，迫切需要引入创新技术提升交通系统的安全性与韧性。智能交通系统（Intelligent Transportation Systems, ITS）作为解决上述问题的关键技术载体，其应用可靠性高度依赖于通信网络的计算能力与实时响应性能。然而，现有ITS基础设施在面对高并发、低延迟需求时，常因计算资源分配不当导致任务执行失败，尤其在紧急事件处理场景中，这种失效可能直接威胁公共安全。此外，传统云计算模式存在传输延迟高、带宽瓶颈明显等固有限制，难以满足车联网环境下海量数据处理的时效性要求。因此，如何设计一种兼顾能效与可靠性的分布式计算架构，成为当前ITS研究领域的核心议题。
二、研究内容与核心结论
针对上述问题，Nawaz Ali等研究人员提出了一种能量感知的任务编排框架（Energy-Aware Task Orchestration Framework），旨在通过5G车联网边缘计算（Vehicular Edge Computing, VEC）技术增强ITS公共安全性能。该框架的核心创新在于将传输功率控制（Transmission Power Control, TPC）与动态功率缩放（Dynamic Power Scaling, DPS）机制相结合，并引入轻量级机器学习（Machine Learning, ML）模型，以实现对移动端、边缘端和云端三层计算资源的协同调度。研究团队利用集成SUMO交通仿真器的EdgeCloudSim平台构建了包含超过1000辆车辆的仿真环境，对所提框架进行了系统性评估。实验结果表明，在高负载场景下，该框架能够将任务失败率降低超过40%，显著提升了ITS应用的运行可靠性。这一成果不仅验证了边缘计算在车联网中的实用价值，也为未来大规模部署安全敏感的ITS应用提供了可行的技术路径。
三、关键技术与方法
为实现上述目标，研究人员主要采用了以下几项关键技术：
- 1.
传输功率控制（TPC）与动态功率缩放（DPS）：通过动态调整车辆及路侧单元的无线发射功率，在保证通信质量的前提下最小化能耗，延长设备续航时间。
- 2.
轻量级机器学习模型：部署于边缘节点的ML模型能够实时预测任务执行路径的可靠性与能效，从而辅助决策模块选择最优卸载策略。
- 3.
三层混合计算架构：将任务在移动终端、边缘服务器和云数据中心之间进行智能分流，平衡延迟、能耗与计算精度三者间的权衡关系。
- 4.
SUMO-EdgeCloudSim联合仿真平台：利用开源交通仿真器SUMO生成真实车流轨迹，结合EdgeCloudSim模拟边缘计算环境，确保评估结果的生态效度。
四、研究结果
1. 任务失败率显著降低
通过对比实验发现，在车辆密度达到1000辆的高负载条件下，所提框架相较于传统集中式卸载策略，任务失败率下降幅度超过40%。这主要归功于TPC与DPS机制对网络拥塞的自适应缓解作用。
2. 能效优化效果突出
动态功率缩放策略使得边缘节点在低负载时段自动进入休眠模式，整体能耗较固定功率方案降低了约28%，同时未对任务完成时间产生负面影响。
3. 机器学习模型的实时决策优势
轻量级ML模型在毫秒级时间内即可完成执行路径的推荐，其预测准确率达到92%以上，远优于基于规则的静态调度算法。
4. 可扩展性验证
在不同车辆规模（500辆、800辆、1200辆）的测试中，该框架均保持稳定的性能增益，证明了其在真实城市交通场景中的可扩展潜力。
五、讨论与结论
本研究提出的能量感知任务编排框架有效解决了5G车联网边缘计算中资源分配与能效优化的矛盾。通过将传输功率控制、动态功率缩放与轻量级机器学习有机融合，研究人员成功构建了一套能够在高负载环境下仍保持高可靠性的ITS公共安全增强方案。研究结论明确指出：所提方法在高负载场景下可实现超过40%的任务失败率降低，为提升智能交通系统应用的可靠性和安全性提供了一种可扩展且鲁棒的策略。这一成果对于推动边缘计算在智慧城市交通管理中的实际落地具有重要参考价值，同时也为后续研究指明了方向——如何在真实道路测试中进一步验证框架的性能边界，以及如何将其与5G网络切片技术深度整合以满足更严苛的时延要求。
