《Array》：A hierarchical fog computing framework for efficient and scalable task offloading in IoT systems
编辑推荐：
现代汽车行业的高速发展及其日益增长的复杂性，伴随着车辆系统间不断增强的互联性，已引发了学术界和工业界的浓厚兴趣。新兴的智能交通系统要求计算架构能够实现超低延迟和高处理效率。然而，这些性能要求受到高能耗和系统范围功率限制的制约。为了缓解这些挑战，智能工作负载分
现代汽车行业的高速发展及其日益增长的复杂性，伴随着车辆系统间不断增强的互联性，已引发了学术界和工业界的浓厚兴趣。新兴的智能交通系统要求计算架构能够实现超低延迟和高处理效率。然而，这些性能要求受到高能耗和系统范围功率限制的制约。为了缓解这些挑战，智能工作负载分配，特别是自适应任务分配和分散计算资源的最优利用，提供了一种可扩展且节能的解决方案。本研究提出了一种嵌入在层次化三层车辆雾-云基础设施中的先进资源供应与任务卸载框架。本工作的实际贡献在于将移动感知的层次化卸载策略与专为车辆雾环境设计的资源感知约束改进粒子群优化(MPSO)算法进行了集成。所提出的系统支持可靠、实时的任务处理和动态资源分配，专为快速变化的车辆环境中延迟关键型应用而设计。为了提高雾计算层的效率，引入了一种元启发式优化算法，以最大化资源利用率并减少端到端通信延迟。经过多次实验，所得结果证实，与传统的粒子群优化(PSO)及其他元启发式基线算法相比，所提出的MPSO算法将平均延迟降低了23.8%，能耗降低了22.1%，执行时间降低了32.4%，收敛迭代次数降低了34.9%。同时，该算法还将资源利用率和任务成功率分别提高了9.7%和4.5%。总体而言，这些结果证实了MPSO算法在大规模车辆雾-云计算中能够提供更快的收敛速度、更低的延迟、更少的能源消耗以及更高效的雾计算资源利用。
**论文解读**
**1. 研究背景与问题**
随着物联网(IoT)技术在交通领域的快速普及，自动驾驶车辆被视为信息与通信技术领域的一项重大进步。车辆通过通信协议组网，并利用传感器获取周围环境数据，其车载处理单元负责目标检测、停车位分配和路径规划等任务。然而，车辆产业的持续增长带来了巨大挑战：当海量数据需要快速计算和存储时，资源受限的车载单元往往无法胜任。虽然云计算能提供充足的存储和计算能力，但因其距离终端用户较远，多跳传输导致的显著延迟无法满足车辆计算这类延迟敏感型应用的需求。雾计算作为云的替代方案，将计算、存储和网络服务部署在更靠近用户的位置，旨在以最小且低成本的延迟为实时应用提供资源。但雾计算设备本身资源有限，且随着IoT设备激增，如何高效管理雾资源、进行合理的任务卸载与负载均衡，成为亟需解决的关键问题。现有研究或假设网络拓扑相对稳定，或依赖集中式协调与静态权重方案，难以应对车辆环境快速变化的连接性、频繁的RSU切换和突发的任务到达。因此，本研究旨在提出一种轻量级、分布式、移动感知且资源自适应的卸载机制，以满足动态车辆环境下的实时处理需求。
**2. 研究内容与结论**
针对上述挑战，研究人员提出了一种集成移动感知层次化卸载策略和资源感知约束MPSO算法的三层车辆雾-云架构。该架构自下而上由车辆/IoT层、雾层和云层构成。车辆/IoT层通过V2V和V2I通信将任务上传至RSU；雾层由互联的雾节点组成，负责实时处理；云层则负责全局编排和长期分析。层次化卸载决策首先尝试在本地雾节点处理任务，若过载则卸载至邻居雾节点，若均无法满足服务质量(QoS)约束，则最终将任务提升至云端。
本研究的核心贡献在于设计了改进的粒子群优化(MPSO)算法。与标准PSO相比，MPSO在速度更新公式中引入了邻域最佳适配因子、可用资源因子和当前工作负载因子，并采用了自适应惯性权重，使算法能够感知资源状态和负载情况，从而避免将任务分配给拥塞节点。此外，研究还构建了一个多目标适应度函数，同时优化延迟、能耗、执行时间、队列长度、资源利用率和任务成功率，并使用Wilcoxon符号秩检验进行统计验证。通过在iFogSim/iFogSim2平台上的模拟实验，研究结果表明，与传统PSO及其他元启发式基线算法（如GA、ABC、ACO、SA）相比，所提出的MPSO算法能够显著降低平均延迟（降低23.8%）、能耗（降低22.1%）、执行时间（降低32.4%）和收敛迭代次数（降低34.9%），同时将资源利用率提升9.7%，任务成功率提升4.5%。该研究为大规模车辆雾-云计算环境下的实时任务处理提供了一种高效、可扩展且可靠的解决方案。
**3. 关键技术方法**
研究人员主要采用了以下关键技术方法：
- **层次化三层的雾-云架构**：构建了包含车辆/IoT层、雾层和云层的系统模型，定义了本地处理、邻居卸载和云端处理的层次化决策边界。
- **改进的粒子群优化（MPSO）算法**：在标准PSO中融合了自适应惯性权重、邻域搜索机制、资源约束和负载感知项，提升了算法的收敛速度和全局寻优能力。
- **资源感知的层次化任务卸载策略**：综合本地负载、邻居节点可用性及任务QoS需求，动态决策任务的卸载目的地。
- **多目标优化模型与仿真评估**：设计了涵盖延迟、能耗、资源利用率等目标的多目标适应度函数，并通过iFogSim/iFogSim2仿真平台进行验证。实验配置包括250辆移动车辆、20个路侧单元和1000个雾服务器，模拟真实场景。
**4. 研究结果分析**
**4.1. 平均延迟分析**
通过公式(19)对端到端延迟进行量化，该公式涵盖了传输、排队、传播、计算和结果返回等延迟分量。在1000个雾节点的场景下，对最佳、平均和最差三种运行状态下的算法性能进行了评估。结果表明，MPSO在平均情况下的延迟为196.2ms，显著低于GA、ABC、ACO、SA和传统PSO算法。这归因于其高效的邻域搜索和资源感知的Best-Fit节点选择策略，能够快速找到合适的卸载目标，减少了因资源搜索带来的额外通信开销。
**4.2. 能耗分析**
研究采用公式(20)对雾节点的总能耗进行建模，该公式综合了动态CPU利用率、通信、内存和网络操作的能量开销。实验结果显示，MPSO算法的能耗为461.7J，明显低于其他对比算法（PSO为592.4J，GA为684.5J）。这表明MPSO通过智能的工作负载分配，有效减少了对计算资源的过度占用和不必要的进程迁移，显著提升了系统的能效。
**4.3. 执行时间分析**
执行时间指算法完成任务分配和卸载决策所需的计算时间。MPSO算法以9.2s的执行时间优于其他算法（如PSO的13.6s），这得益于其高效的局部邻域搜索和更快的收敛速度，减少了在非适格雾节点上的无效探索，使其更适合对决策速度要求严苛的实时车辆雾计算应用。
**4.4. 资源利用率分析**
通过公式(21)对资源利用率进行了评估，即系统内所有雾节点已用计算资源与总可用资源的百分比。MPSO算法通过优化任务分配，确保了计算负载的均衡分布，实现了91.6%的资源利用率，高于传统PSO的83.5%。高利用率表明框架能够有效减少资源浪费，通过将任务分配给轻载节点，避免了部分节点过载而其他节点空闲的情况。
**4.5. 任务成功率**
任务成功率是指在规定的延迟、资源和执行时间限制内成功完成的任务百分比。在1000个雾节点场景中，MPSO达到了97.3%的任务成功率，明显高于其他算法（如PSO的93.1%和SA的86.7%）。这主要归功于其资源感知的Best-Fit搜索和Pbest-Gbest精炼机制，有效避免了将任务分配给过载节点，从而保证了任务能够在截止时间内完成。
**4.6. 统计验证、可扩展性与消融分析**
所有实验独立运行30次，均值和标准差表明MPSO性能稳定，95%置信区间较窄。Wilcoxon符号秩检验的p值均远小于0.05，证实MPSO的改进具有统计学显著性。大规模可扩展性分析表明，随着节点数量增加，虽然延迟和能耗有所增长，但MPSO的局部搜索策略有效地控制了计算开销的增长。消融研究进一步证实，邻域感知搜索、资源感知和工作负载感知等每个MPSO组件都对整体性能有积极贡献，完整MPSO框架在所有QoS指标上表现最佳，体现了集成设计的协同效应。
**5. 结论总结与讨论**
本研究提出了一个集成MPSO算法的层次化云-雾-车物联网框架，用于智能任务卸载和资源供应。通过在优化过程中引入自适应惯性权重、邻域感知卸载、资源感知和工作负载感知机制，该框架在动态车辆负载下显著改善了延迟、能效、执行时间、收敛速度和资源利用率，为车联网环境下的实时应用提供了可靠支撑。未来工作将聚焦于开发信任感知调度器、结合轨迹预测的移动性感知卸载，并探索利用联邦学习等轻量级机器学习技术进行自适应QoS加权，同时计划在更大规模的真实车辆轨迹和边缘计算测试平台上验证框架的鲁棒性和实际部署挑战。
