
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于图卷积神经网络的车联网移动边缘计算服务迁移策略研究
《Scientific Reports》:Graph neural network-based service migration decision in vehicular networks
【字体: 大 中 小 】 时间:2026年09月20日 来源:Scientific Reports 4.9
编辑推荐:
摘要车联网 (IoV) 的快速发展导致了对延迟敏感和计算密集任务数量的指数级增长。由于车载计算资源的限制,将车辆运行期间产生的这些任务卸载到远程云端进行处理不可避免地会导致显著的传输延迟。通过将车联网与移动边缘计算 (MEC) 相结合,这些对延迟敏感和计算密集的任务可以在 M
车联网 (IoV) 的快速发展导致了对延迟敏感和计算密集任务数量的指数级增长。由于车载计算资源的限制,将车辆运行期间产生的这些任务卸载到远程云端进行处理不可避免地会导致显著的传输延迟。通过将车联网与移动边缘计算 (MEC) 相结合,这些对延迟敏感和计算密集的任务可以在 MEC 服务器中处理,以减少车辆的能耗和任务的传输延迟。然而,由于 MEC 服务器覆盖范围小以及车辆的移动性,可能会导致使用 MEC 服务的车辆离开当前 MEC 服务器的覆盖范围,从而导致服务中断。如何动态迁移任务以确保服务连续性是一个巨大的挑战。本文研究了动态和复杂的车联网 MEC 环境下的服务迁移策略。我们首先将服务迁移策略建模为一个最小化延迟和能耗加权和的多目标优化问题。然后我们将该问题转化为马尔可夫决策过程 (MDP)。为了捕获物理 RSU 图上随时间变化的服务器负载和链路状态特征,采用图卷积网络 (GCN) 从车联网边缘网络的拓扑和节点信息中提取特征,并提出了一种基于图卷积神经网络的深度强化学习任务迁移决策算法 (Gr-MiD),基于任务细节做出服务迁移决策。在一个小型合成的区域内车联网 MEC 设置中的仿真结果表明,与现有对比算法相比,Gr-MiD 算法表现更优,在峰值负载条件下与 DQN 基线相比,平均任务延迟降低了 8.04%,平均任务能耗降低了 15.82%。