多平台航空电子系统服务编排与组合技术研究

《Electronics》：Research on Service Orchestration and Composition Technologies for Multi-Platform Avionics Systems Huafei Cai, Ledong Gao, Jiuru Liu, Jie Cui, Tailong Li and Jinchao Chen

　　

车辆边缘计算（VEC）使车辆能够将计算密集型任务卸载到配备深度学习（DL）模型的路边单元（RSU），从而支持低延迟和准确率敏感的智能车辆任务。为适应不断变化的任务需求和时变的车辆环境，RSU必须消耗有限的计算和内存资源，从云端检索优化参数以更新本地模型。在这些更新期间，DL模型无法为任务提供服务，反之亦然。然而，RSU有限的计算和内存资源使得确定卸载哪些任务以及更新哪些DL模型以最大化任务接受率和服务质量变得具有挑战性。在本文中，研究人员研究了VEC系统中准确率敏感任务卸载与DL模型更新的联合优化问题。研究人员将该问题形式化为一个混合整数非线性规划（MINLP）问题，旨在在延迟、准确率和资源约束下，最大化任务接受率（AR）和服务质量（QoS）的加权效用函数。所形式化的问题被证明是NP-hard的。为实现高效决策，研究人员提出了一种启发式算法，称为负载-准确率敏感联合任务卸载与模型更新算法。该算法利用实时系统状态信息，并在做出任务卸载和模型更新决策时联合考虑传输可行性、RSU工作负载、模型准确率匹配以及队列感知负载均衡。广泛的仿真结果表明，所提出的算法优于基准算法。

**论文解读：面向多平台航空电子系统的服务编排与组合技术研究**

**研究背景与问题**
车辆边缘计算（VEC）作为智能交通系统（ITS）的关键组成部分，通过将移动边缘计算（MEC）与车联网（IoV）融合，使车辆能够将计算密集型任务卸载到部署在路边单元（RSU）上的边缘服务器。这些服务器通常搭载云端预训练的深度学习（DL）模型，以提供低延迟、高准确率的智能服务。然而，随着任务需求多样化和车辆环境动态变化，RSU需定期从云端检索优化参数以更新本地DL模型，保证模型精度。但模型更新期间无法处理任务，反之亦然，导致任务卸载与模型更新之间存在相互制约。现有研究多关注单一任务卸载问题，未联合优化模型更新决策，且忽视了模型准确率对服务质量（QoS）的直接影响。RSU有限的计算与内存资源进一步加剧了决策难度：频繁更新会降低任务吞吐量，而过长的更新间隔则使模型过时，无法满足准确率要求。因此，如何在满足延迟、准确率和资源约束的前提下，最大化任务接受率（AR）与QoS的加权和，成为VEC系统面临的核心挑战。

**研究内容与结论**
研究人员构建了VEC系统模型，将任务卸载与DL模型更新的联合优化问题形式化为混合整数非线性规划（MINLP）问题，并证明其为NP-hard。针对该问题，提出了一种基于启发式的负载-准确率敏感联合任务卸载与模型更新算法（STD），该算法利用实时系统状态（如RSU工作负载、队列长度、模型准确率匹配度等）进行决策。仿真实验采用随机算法、贪婪算法和基于Lyapunov的算法作为基准，在多种交通密度和负载强度下对比性能。结果表明，STD算法在AR和综合效用函数（Z值）上显著优于所有基准算法，尤其在资源受限条件下仍保持优势；在QoS方面虽略逊于Lyapunov算法，但在准确率相关指标上表现更优，且稳定性更高。该研究揭示了联合优化任务卸载与模型更新在VEC系统中的重要性，为提升智能交通服务质量提供了有效方案。论文发表在《Electronics》。

**主要技术方法（不超过250字）**
1. **系统建模**：将VEC网络建模为图G = {N, E}，定义RSU集合N、链路集合E、车辆任务请求集合U（含数据大小、模型类型、准确率需求、延迟需求）。每个RSU部署多个DL模型，模型参数包括准确率、类型和大小。采用时隙模型，离散化连续时间。
2. **问题形式化**：构建MINLP问题P1，目标最大化加权效用函数Z_t(AR, QoS) = α·AR + β·QoS，受限于任务与模型互斥约束（x_u,t^n,i + y_t<sup>n,i ≤ 1）、延迟约束（传输+计算延迟 ≤ d_u）、准确率约束（c_u ≤ κ_n,i）、类型匹配、存储/计算/内存资源约束。证明P1为NP-hard（归约至0-1背包问题）。
3. **启发式算法（STD）**：基于实时系统状态，计算每个RSU-模型对的加权效用分数Ψ_un,i = ω₁Φ_dist + ω₂Φ_load + ω₃Φ_acc + ω₄Φ_bal，其中Φ_dist考虑传输可行性，Φ_load衡量RSU负载，Φ_acc评估模型准确率匹配，Φ_bal促进负载均衡。算法按顺序执行任务卸载决策和模型更新决策，避免冲突。
4. **仿真评估**：在Python 3.8.0平台上模拟，RSU数量10-30，车辆30-50，任务到达服从泊松分布，参数设置基于合理假设，与随机、贪婪、Lyapunov算法对比。

**研究结果**
- **5.1 实验环境设置**：研究人员设定了仿真参数，包括RSU部署3个DL模型、三种任务类型、任务大小40-45 MB、准确率需求0.4-0.8、延迟需求随准确率变化等。对比算法包括随机算法（随机卸载与更新）、贪婪算法（优先最大化AR）、Lyapunov算法（基于队列漂移加惩罚的在线优化）。
- **5.2 不同算法性能比较**：通过图2（Z值、AR、QoS对比）表明，STD算法的Z值（AR与QoS加权和）和AR显著优于其他三种算法；虽然Lyapunov算法的QoS略高于STD，但STD在Z值上仍具优势。图3（QoS分解）显示STD在任务准确率相关指标（r_accuracy）上优于贪婪和随机算法，且优于Lyapunov算法，表明其更适合准确率敏感任务。图4（α敏感性）显示随着α增大，AR上升，QoS轻微上升后稳定，验证了效用函数设计的合理性。
- **5.3 RSU数量、车辆数量和时间的影响**：
- 图5（RSU数固定30辆车，RSU从10增至30）：随着RSU增加，STD算法的Z值、AR和QoS均提升，在资源充足时接近Lyapunov算法，但始终优于贪婪和随机算法。
- 图6（RSU固定10，车辆从30增至50）：在资源稀缺条件下，STD算法的Z值和AR仍优于其他算法；当车辆数达50时，STD的QoS略优于Lyapunov算法，显示其在资源受限下的鲁棒性。
- 图7（时间槽增加）：STD和Lyapunov算法的Z值随时间稳定甚至上升，而贪婪和随机算法波动明显；STD的AR和QoS稳定性优于后两者，表明STD算法具有长期稳定性。

**讨论与结论**
论文未设独立讨论部分，研究结论（Section 6）总结如下：本文研究了车辆边缘计算（VEC）系统中准确率敏感任务卸载与深度学习（DL）模型更新的联合优化问题。考虑到路边单元（RSU）有限的通信和计算资源，研究人员构建了一个效用最大化问题，联合考虑任务接受率（AR）、延迟约束和模型准确率需求。为应对所形式化问题的计算复杂性，提出了一种负载和准确率感知的启发式决策算法，该算法基于实时系统状态动态选择RSU-模型对并调度模型更新。此外，研究人员实现了基于Lyapunov的算法、贪婪算法和随机算法作为对比基准，以评估稳定性与性能之间的权衡。仿真结果表明，所提出的方法在不同交通密度和负载强度下均优于随机、贪婪和基于Lyapunov的算法。研究结果指出，在VEC系统中，模型准确率直接影响服务质量，因此联合优化任务卸载与模型更新至关重要。</sup>