基于学习的车对车（V2V）任务卸载算法，适用于多无线电接入技术（Multi-RAT）车辆网络

《IEEE Transactions on Vehicular Technology》：A Learning-Based V2V Task Offloading Algorithm for Multi-RAT Vehicular Networks

车辆到车辆（V2V）任务卸载在支持多接入技术（RATs）的异构网络中优化，通过混合整数非线性规划（MINP）建模，结合对数求和近似转换为组合优化问题，利用马尔可夫链构建概率转移矩阵，提出基于机器学习的分解算法（L-D&A）协同解决任务卸载决策、子信道选择和计算资源分配三阶段问题，仿真验证有效性。

　　

摘要：

随着计算密集型车辆应用的出现，车载计算资源的有限性已无法满足许多车辆应用的计算需求。车对车（V2V）任务卸载是一种解决车载计算资源不足问题的有效方法。同时，无线接入技术（RAT）的快速发展使得车辆网络能够集成多种RAT来支持车辆之间的数据传输。本文研究了具有多种RAT的车辆网络中的V2V任务卸载问题。该问题被构建为一个混合整数非线性规划（MINP）问题，其目标是在给定时间内，通过优化卸载决策和计算资源分配，最小化网络中所有车辆生成的任务的平均卸载延迟，同时满足任务的延迟约束和车辆的计算资源约束。为了解决该问题，采用了对数和指数近似方法将MINP问题转化为组合优化问题，以获得所有可能解决方案的概率分布。基于该概率分布，进一步提出了一种基于马尔可夫链的方法来获取不同解决方案之间的转移概率，并在此基础上提出了一种基于学习的卸载决策和计算资源分配（L-D&A）算法来解决问题。L-D&A算法引入了一个学习过程，将问题分解为三个子问题：服务车辆选择（SV）和RAT选择（SRS）、子信道选择（SCS）以及计算资源分配（CRA），并分别提出了基于马尔可夫链的SRS算法、基于干扰最小化的SCS算法和基于凸优化的CRA算法来求解这三个子问题。仿真结果表明，所提出的L-...

显示更多

引言

随着车联网的快速发展，许多车辆应用需要随时随地得到支持，例如交通监控、移动在线游戏和实时导航。这些车辆应用对用户体验（QoE）有很高的要求，通常需要大量的计算资源来完成任务[1]。然而，由于车载计算能力有限，当车辆需要处理大量计算任务时，可能无法提供令人满意的QoE。例如，即使是最先进的L3/L4级车载计算单元（如NVIDIA DRIVE Orin），其计算能力也仅能达到每秒254万亿次操作（TOPS）。当装有此类单元的车辆同时启动多个计算密集型应用（如实时导航、基于AI的交通监控和自动驾驶，这些应用需要超过200 TOPS的计算能力）时，其车载计算能力可能会不足，从而导致资源竞争，从而直接降低用户的QoE。为了解决这个问题，车辆可以将过载的任务卸载到其他能够提供所需计算资源的设备上，例如具有强大计算能力的边缘服务器或拥有多余计算资源的邻近车辆[2]。然而，部署边缘服务器来覆盖车辆网络中的所有车辆既昂贵又不切实际。因此，车对车（V2V）任务卸载成为一种有前景的方法，通过利用邻近车辆的计算资源来增强车辆的计算能力并提高车辆应用的QoE。