在数字孪生技术的辅助下，对车辆边缘计算任务卸载与传输功率分配进行联合优化

《Ad Hoc Networks》：Joint optimization of vehicle edge computing task offloading and transmission power allocation with digital twin assistance

　　

李琳娜|王淑欣|胡春成|吕俊安|孙国东|李年丰

摘要

除了自动驾驶和智能交通等对延迟敏感的应用之外，车联网（IoV）还面临着两个挑战：控制任务卸载的延迟和提高服务质量。在车辆边缘计算（VEC）系统中，任务卸载和功率分配的联合优化变得尤为重要，因为VEC环境中的无线信道和系统状态会随时间间隔发生显著变化。目前，数字孪生技术为解决复杂的车辆任务卸载问题提供了一种新的方法，但它未能考虑到与物理实体之间的随机异步性。为了最小化整个系统的延迟，本文提出了一种基于数字孪生和深度强化学习的联合优化方法（DTDP），用于任务卸载和传输功率分配。首先，我们为车辆和基站等物理设备建立了数字孪生模型，特别关注物理设备与其对应数字孪生的CPU频率之间的差异。随后，将车辆边缘计算系统建模为一个时隙动态系统，即车辆位置、任务数据大小和计算资源状态在每个时隙内都会随机变化。同时，通过结合大规模路径损耗（取决于通信节点之间的距离）和小尺度瑞利衰落，构建了一个信道模型。该模型描述了具有多时隙随机变化的无线信道的动态特性，为功率分配和任务卸载提供了坚实的基础。最后，使用深度确定性策略梯度（DDPG）方法来制定任务卸载策略。该策略通过动态确定任务卸载比例和分配的传输功率，在保证数据传输可靠性的同时最小化系统延迟。仿真结果表明，与其他方案相比，所提出的方案在总系统计算延迟和任务完成率方面都具有显著优势。具体来说，在考虑和不考虑偏差的情况下，平均延迟分别比最优NP-DTDP方案降低了6.38%和7.59%；同时，任务完成率可超过90%，平均比最优NP-DTDP方案高出4.22%。