面向协作式车辆边缘计算的移动性感知的孤岛抑制型MEC调度

《IEEE Transactions on Human-Machine Systems》：Mobility-aware graph neural networks for island-suppressed MEC scheduling in cooperative vehicular services

　　

摘要：

车辆边缘计算（VEC）通过将计算资源部署在车辆附近来支持协作式车辆服务。然而，高度动态的交通移动性使得车辆到移动边缘计算（MEC）的调度变得不稳定。现有的调度器主要优化车辆到 MEC 的距离或服务器负载，但它们可能会将正在接近的邻近车辆分配给不同的 MEC 服务器。这种分离会形成通信孤岛，并增加协作式车辆交互中的跨 MEC 延迟。本文提出了一种移动性感知的图神经网络，用于协作式车辆边缘计算（VEC）中的孤岛抑制型 MEC 调度。所提出的调度器通过综合考虑空间邻近性和车辆相对运动来构建动态车辆图。相对速度、接近速度和交互风险被编码为边属性，以便图神经网络能够捕捉与移动性相关的服务连续性需求。分配模块在综合考虑通信距离和 MEC 负载的同时，逐步引入风险加权的一致性目标，从而将附近的高风险车辆保持在同一 MEC 服务域内，而无需进行启发式重新分配。基于 SUMO 的移动性轨迹实验表明，与距离/负载感知及基于图的基线调度器相比，该方法降低了风险加权延迟，抑制了碎片化的 MEC 分配，并提高了协作服务的连续性。