李方偉，張海波，王子心

（1.重慶郵電大學(xué)通信與信息工程學(xué)院，重慶 400065；2.移動通信教育部工程研究中心，重慶 400065；3.移動通信技術(shù)重慶市重點實驗室，重慶 400065）

1 引言

近年來，隨著無線通信和物聯(lián)網(wǎng)技術(shù)的發(fā)展，車聯(lián)網(wǎng)（IoV,Internet of vehicles）已成為5G 的重要應(yīng)用場景。通過LTE-V 或IEEE 802.11p 技術(shù)，車輛可以與基礎(chǔ)設(shè)施、行人和其他車輛進(jìn)行通信。智能車輛配備的車載單元（OBU,on board unite）使車輛具有計算能力和存儲能力，因此支持通信的智能車輛能夠作為移動緩存節(jié)點，為終端用戶帶來方便。

隨著車聯(lián)網(wǎng)快速發(fā)展，車載終端已經(jīng)成為移動計算設(shè)備的重要組成部分[1]。為了應(yīng)對移動數(shù)據(jù)和云數(shù)據(jù)流量的增加帶來的時延和能耗增加的問題，基于云的車聯(lián)網(wǎng)被廣泛認(rèn)為是提高服務(wù)性能的新范式。在云計算網(wǎng)絡(luò)中，通過集成通信和計算技術(shù)，應(yīng)用程序可以在本地的車載終端上運(yùn)行，也可以轉(zhuǎn)移到遠(yuǎn)程計算云上運(yùn)行[2-5]。然而，由于回程和主干網(wǎng)傳輸?shù)娜萘肯拗坪蜁r延波動，將云服務(wù)器放置在遠(yuǎn)離移動車輛的位置會嚴(yán)重降低卸載效率，并且增加傳輸時延。為此，業(yè)界提出了移動邊緣計算（MEC,mobile edge computing）來解決這一問題，在靠近終端用戶的地方執(zhí)行時延敏感和上下文敏感的應(yīng)用程序[6]。MEC 將云服務(wù)推向無線網(wǎng)絡(luò)的邊緣，并在移動車載終端附近提供計算卸載服務(wù)，極大地提高了資源利用率和計算性能。此外，MEC 系統(tǒng)中的服務(wù)器可以實現(xiàn)網(wǎng)絡(luò)內(nèi)緩存功能，類似于以信息為中心的組網(wǎng)（ICN,information-centric networking）[7]提供的功能，可以減少重復(fù)信息計算。

邊緣緩存技術(shù)有效減少了網(wǎng)絡(luò)中重復(fù)內(nèi)容的計算與傳輸，是未來無線網(wǎng)絡(luò)提高頻譜利用率、縮短時延、降低網(wǎng)絡(luò)負(fù)載的重要技術(shù)之一[8-10]?；谌蛄髁刻匦?，在短時間內(nèi)，許多用戶會請求一些流行的內(nèi)容，這些內(nèi)容占據(jù)了大部分流量[11-12]。因此，主動緩存流行內(nèi)容可以減輕回程鏈路的負(fù)擔(dān)。在傳統(tǒng)的蜂窩系統(tǒng)中，用戶請求的內(nèi)容必須從遠(yuǎn)離移動網(wǎng)絡(luò)的互聯(lián)網(wǎng)內(nèi)容分發(fā)網(wǎng)絡(luò)（CDN,content delivery network）節(jié)點獲取，然后在移動核心網(wǎng)絡(luò)上實現(xiàn)緩存內(nèi)容[13]，回程鏈路仍然受到容量限制。隨著基站和低成本存儲單元的發(fā)展，在大型基站和小型基站上部署緩存成為可能。同時，車聯(lián)網(wǎng)的發(fā)展使車輛具備緩存能力，V2V（vehicle-to-vehicle）通信可以根據(jù)用戶之間的社交關(guān)系，利用用戶設(shè)備上的存儲單元進(jìn)行內(nèi)容共享。

目前，已有大量學(xué)者致力于邊緣緩存的研究。文獻(xiàn)[14]設(shè)計了一個新的以信息為中心的異構(gòu)網(wǎng)絡(luò)框架，采用基于交替方向乘法器的分布式算法來求解緩存資源的分配問題?？紤]到內(nèi)容的流行度分布、可用的緩存大小和網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，文獻(xiàn)[15]通過設(shè)計緩存策略使系統(tǒng)吞吐量最大化。文獻(xiàn)[16]提出了一種基于李雅普諾夫的在線算法來優(yōu)化資源分配和內(nèi)容緩存策略問題。文獻(xiàn)[17]為了進(jìn)一步降低傳輸時延及提高相應(yīng)速率，提出了協(xié)同緩存分配和計算分流方案，MEC 服務(wù)器之間協(xié)同執(zhí)行計算任務(wù)和數(shù)據(jù)緩存。在車聯(lián)網(wǎng)中，文獻(xiàn)[18]考慮了車輛媒體應(yīng)用的蜂窩通信網(wǎng)絡(luò)上的主動內(nèi)容傳輸問題，提出了一個新的理論框架來描述移動邊緣網(wǎng)絡(luò)在計算、緩存和通信資源之間的權(quán)衡，通過傳輸跳數(shù)、用戶需求預(yù)測的規(guī)模和準(zhǔn)確性，以及緩存副本的數(shù)量來度量計算、緩存和通信資源。文獻(xiàn)[19]研究了高速車輛在LTE-V2I（vehicle-to-infrastructure）網(wǎng)絡(luò)中的部署問題，考慮MEC 系統(tǒng)的回程能力、車輛速度和內(nèi)容流行度分布，制定聯(lián)合優(yōu)化框架以最小化MEC 系統(tǒng)的緩存，同時最大化平均下載百分比。然而，上述研究主要集中在MEC 服務(wù)器側(cè)進(jìn)行內(nèi)容緩存，智能車輛的閑置資源沒有被有效利用。

本文利用移動邊緣計算資源與周圍閑置車輛資源來增強(qiáng)邊緣緩存能力，其中智能車輛被視為與MEC 服務(wù)器共享內(nèi)容緩存任務(wù)的協(xié)作緩存代理；充分利用大量異構(gòu)集成的存儲資源進(jìn)行內(nèi)容緩存，特別是利用移動智能車輛和手持設(shè)備的資源來緩存流行內(nèi)容；進(jìn)一步研究車輛異構(gòu)網(wǎng)絡(luò)中基于MEC的任務(wù)卸載決策和資源分配問題；結(jié)合車聯(lián)網(wǎng)的低時延要求與綠色通信的低能耗要求，將開銷定義為時延與能耗的加權(quán)組合，提出了一種車聯(lián)網(wǎng)中基于MEC 的V2X（vehicle-to-everything）協(xié)同緩存和資源分配機(jī)制，對網(wǎng)絡(luò)內(nèi)計算、緩存和通信資源進(jìn)行有效分配，減少內(nèi)容訪問時延，提高資源利用率。

2 系統(tǒng)模型

2.1 網(wǎng)絡(luò)模型

基于MEC 的V2X 協(xié)同緩存網(wǎng)絡(luò)模型如圖1 所示?？紤]一個車載云協(xié)同邊緣緩存模型。在這個模型中，道路周圍部署L個路邊單元（RSU,road side unit），表示為L={M1,M2,M3,…,ML}，每個RSU都配有一個MEC 服務(wù)器。道路上N個車輛呈泊松分布，其車輛標(biāo)識為N={1,2,3,…,N}，由此車輛表示為V={v1,v2,v3,…,vN}。由于MEC 服務(wù)器與鄰近車輛均具有計算與緩存能力，因此將其統(tǒng)稱為服務(wù)節(jié)點 W={w1,w2,w3,…,wM}。每個RSU 覆蓋范圍內(nèi)隨機(jī)分布n個車輛，小區(qū)j的車輛集合為CVj={v1,v2,…,vn}。車載IEEE 802.11p OBU 具有802.11p 網(wǎng)絡(luò)接口和蜂窩網(wǎng)絡(luò)接口，車輛可以通過RSU 將任務(wù)卸載至MEC 服務(wù)器進(jìn)行計算，或者卸載至鄰近車輛進(jìn)行V2V 通信。為了有效地復(fù)用頻譜，V2I 模式和V2V 模式在同一頻段工作。頻譜被均分為K個子信道，表示為K={1,2,3,…,K}，每個子信道帶寬為B。車輛卸載策略集合表示為A={a1,a2,a3,…,aN}，若ai=1，則代表vi將任務(wù)卸載到服務(wù)節(jié)點wm進(jìn)行計算；若ai=0，則代表vi在本地執(zhí)行計算任務(wù)。

圖1 基于MEC 的V2X 協(xié)同緩存網(wǎng)絡(luò)模型

假設(shè)在t時刻，緩存池存在一部分任務(wù)，當(dāng)車輛有任務(wù)請求時，首先掃描周圍服務(wù)節(jié)點是否存在任務(wù)緩存。如果任務(wù)緩存在服務(wù)節(jié)點上，則服務(wù)節(jié)點通知車輛任務(wù)，并在計算完成后將結(jié)果回傳給車輛。通過這種方式，車輛不需要進(jìn)行任務(wù)卸載，可以有效降低移動設(shè)備的能量消耗和任務(wù)卸載的時延。若服務(wù)節(jié)點上沒有請求任務(wù)的緩存，則車輛進(jìn)行卸載決策以及資源分配。當(dāng)服務(wù)節(jié)點第一次計算完成請求任務(wù)后，考慮緩存決策。服務(wù)節(jié)點的緩存策略集合表示為Gm={gm,1,gm,2,gm,3,…,gm,n1}，若gm,n1=1，則表示服務(wù)節(jié)點wm將計算任務(wù)n1進(jìn)行緩存，以便下次請求，減少網(wǎng)絡(luò)傳輸，降低計算時延。所有服務(wù)節(jié)點的緩存集合表示為AG={G1,G2,G3,…,GM}。

2.2 通信模型

在基于MEC 的V2X 協(xié)同緩存模型中，任務(wù)請求車輛vi可以向MEC 服務(wù)器或者臨近車輛進(jìn)行任務(wù)緩存請求，若服務(wù)節(jié)點不存在任務(wù)緩存，可以將其計算任務(wù)Ti卸載到MEC 服務(wù)器進(jìn)行V2I 模式通信，或卸載到鄰近車輛進(jìn)行V2V 模式通信，或在本地執(zhí)行其計算任務(wù)。為了提高頻譜利用率，V2V模式復(fù)用V2I 模式的上行傳輸信道。因為車聯(lián)網(wǎng)環(huán)境對于時延要求苛刻，所以考慮一個車輛可以分配多個上行信道。為了更好地描述信道分配情況，本文引入信道連接矩陣C，C 為Noff×K的二元變量矩陣，其中Noff代表卸載用戶數(shù)量。信道連接矩陣C 的二元變量ci,k代表子信道k是否被分配給用戶i。若ci,k=1，則表示子信道k被分配給用戶i進(jìn)行上行數(shù)據(jù)傳輸；若ci,k=0，則表示子信道k未被分配給用戶i。vi的上行傳輸速率為

由于V2X 車聯(lián)網(wǎng)在卸載情況下的干擾環(huán)境復(fù)雜，考慮同層干擾與跨層干擾，具體而言，干擾環(huán)境是復(fù)用信道導(dǎo)致的同頻干擾，因此任務(wù)請求車輛vi在子信道上k的信干噪比（SINR,signal to interference plus noise ratio）表示為

其中，pi為vi的上行傳輸發(fā)送功率，為vi與服務(wù)節(jié)點gj在子信道k上的信道增益，σ2為高斯白噪聲功率，Ii為vi受到的干擾。

若車輛vi選擇的服務(wù)節(jié)點為車輛，即進(jìn)行V2V模式通信，可以分別表示為

2.3 計算模型

1)卸載計算

當(dāng)車輛自身計算能力有限，不足以支持任務(wù)的時延要求時，需要將任務(wù)卸載至服務(wù)節(jié)點進(jìn)行計算。任務(wù)處理過程將帶來時延和能量消耗。由于回傳的處理結(jié)果數(shù)據(jù)量較小，因此本文忽略回傳過程的時延和能耗[20]，僅考慮上傳時延、計算時延以及傳輸能耗。

定義任務(wù)請求車輛vi將任務(wù)卸載至服務(wù)節(jié)點wj的計算過程產(chǎn)生的開銷為時延與能耗的加權(quán)組合，表示為

其中，α與β分別為非負(fù)的時延與能耗的權(quán)重因子，且滿足為卸載時延與計算時延之和，為服務(wù)節(jié)點wj分配給車輛vi的計算資源；為傳輸過程的能量消耗，pi為上行傳輸功率。

2)本地計算

假設(shè)車輛vi計算能力為，不同車輛具有不同的計算能力。當(dāng)車輛任務(wù)在本地計算時，車輛vi所需要負(fù)擔(dān)的開銷為

2.4 緩存模型

緩存模型包括2 個部分，即當(dāng)前存在緩存hitj,i與緩存更新gj,i。hitj,i=1表示服務(wù)節(jié)點wj已緩存車輛vi的內(nèi)容；hitj,i=0表示服務(wù)節(jié)點wj未緩存車輛vi的內(nèi)容，車輛需要進(jìn)行卸載或本地計算。假設(shè)在一定時間間隔內(nèi)，服務(wù)節(jié)點的緩存池中存在X個內(nèi)容，表示為 X={1,2,…,X}。對于內(nèi)容x∈X，其流行程度服從Zipf 分布，內(nèi)容x被請求的概率為

其中，將緩存池中已緩存內(nèi)容按照降序排列，I(x)表示內(nèi)容x在緩存內(nèi)容集合中受歡迎的等級；參數(shù)δ表示流行分布傾斜，這意味著更大的δ對應(yīng)更高的內(nèi)容復(fù)用，即前幾個流行的內(nèi)容占了大部分的請求，設(shè)置δ為0.56[22]。

緩存更新參數(shù)gj,i表示服務(wù)節(jié)點wj是否緩存車輛vi的內(nèi)容。當(dāng)服務(wù)節(jié)點wj計算完成車輛vi的任務(wù)后考慮緩存更新，gj,i=1表示服務(wù)節(jié)點wj將緩存任務(wù)，gj,i=0表示不緩存任務(wù)。

不同的服務(wù)車輛擁有不同的緩存能力，由于緩存能力有限，因此服務(wù)節(jié)點wj緩存內(nèi)容總量不能超過其自身的最大緩存容量Hj。

2.5 問題形成

當(dāng)智能車輛請求一個任務(wù)計算時，首先檢查自身緩存池是否存在內(nèi)容緩存。如果內(nèi)容在本地可用，則不需要發(fā)布任務(wù)請求；否則，掃描周圍服務(wù)節(jié)點是否存在內(nèi)容緩存，若存在，則在服務(wù)節(jié)點計算完成后回傳，若不存在，則需要考慮是否卸載。當(dāng)任務(wù)卸載至服務(wù)節(jié)點計算完成后，服務(wù)節(jié)點考慮緩存的更新，之后將內(nèi)容回傳，服務(wù)結(jié)束。本文目標(biāo)為通過恰當(dāng)?shù)男遁d與緩存決策以及通信和計算資源的分配，使系統(tǒng)開銷最小化。因此，優(yōu)化目標(biāo)表示為

其中，A 為所有任務(wù)請求車輛的卸載策略集合，C為信道連接矩陣，P 為卸載車輛的任務(wù)發(fā)送功率集合，F(xiàn) 為計算資源分配策略，AG 為服務(wù)節(jié)點的緩存決策。

約束條件C1 與C3 表示卸載決策為0-1 決策。C2 表示信道分配矩陣為二進(jìn)制變量。C4 保證了功率分配為非負(fù)值且不超過上行傳輸功率變化范圍。C5與C6 表示計算資源分配不超過服務(wù)節(jié)點的最大計算能力。C7 表示時延約束，其中Lj為vi與RSU 覆蓋范圍邊界的距離，Vu為任務(wù)請求車輛的移動速度，Vv為服務(wù)車輛的移動速度，dinterrupt為最大中斷距離。C8表示服務(wù)節(jié)點的緩存內(nèi)容不能超過其最大緩存容量。本文設(shè)置車輛為單向勻速行駛。由此，vu與vv的速度差為，其相隔距離達(dá)到最大中斷距離的時間為。此外，由于單向行駛，因此vi駛出RSUj覆蓋范圍的最大時間為

3 V2X 卸載與資源分配方案

為了應(yīng)對現(xiàn)代化車聯(lián)網(wǎng)中移動數(shù)據(jù)服務(wù)的爆炸性增長需求，開發(fā)高效的內(nèi)容緩存和資源分配方案非常重要，其目標(biāo)是顯著減少冗余數(shù)據(jù)傳輸，提高內(nèi)容交付效率。本文提出了一種基于MEC 的車聯(lián)網(wǎng)V2X 協(xié)同緩存和資源分配機(jī)制，根據(jù)不同任務(wù)請求車輛對傳輸速率的需求，通過圖著色模型為用戶分配合適信道；針對最小化系統(tǒng)開銷的目標(biāo)，采用拉格朗日乘子法對功率與計算資源進(jìn)行分配?？紤]到任務(wù)重復(fù)性，本文利用MEC 服務(wù)器與鄰近車輛資源增強(qiáng)邊緣緩存能力，將緩存模型表示為背包問題，使用動態(tài)規(guī)劃法對其進(jìn)行緩存決策。

3.1 基于圖著色的信道分配

本文采用部分頻率復(fù)用的方式進(jìn)行子信道分配，小區(qū)內(nèi)V2I 用戶通過OFDM 分配正交子信道，V2V 用戶復(fù)用V2I 用戶上行信道；相鄰小區(qū)之間的用戶由于頻率復(fù)用而產(chǎn)生信道干擾。將子信道分配轉(zhuǎn)化為圖著色模型，建立加權(quán)干擾圖G=(Voff,ε)，其中，Voff表示卸載車輛集合，ε={ei,j}i,j∈V表示用戶車輛之間的干擾權(quán)重。車輛vi對應(yīng)的服務(wù)節(jié)點wx為MEC 服務(wù)器（wx∈M）或鄰近車輛（wx∈V）?；诖?，干擾權(quán)重計算式為

其中，i和j表示車輛vi和vj的序號標(biāo)識；第一行表示當(dāng)車輛vi與車輛vj處于同一小區(qū)且同為V2I用戶或者i=j時，相互無干擾；第二行表示車輛vi與車輛vj處于不同小區(qū)時，存在復(fù)用干擾。

引入信道連接矩陣C 為Noff×K的二元變量矩陣，其中Noff×K代表卸載用戶數(shù)量。信道連接矩陣C 的二元變量cx,k代表子信道k是否被分配給用戶x。建立干擾矩陣代表用戶n在信道k上受的干擾之和。

基于圖著色的信道分配算法偽代碼如算法1所示。

3.2 計算資源分配

當(dāng)服務(wù)節(jié)點不存在內(nèi)容緩存，且車輛決定卸載計算時，由式(10)可得以下優(yōu)化問題。

對于車輛vi，尋找其干擾上界為

基于以上信息，式(13)可以改寫為

在式(16)中對?求二階導(dǎo)可得

因此，式(16)為凹函數(shù)，可以采用 KKT（Karush-Kuhn-Tucker）條件對其進(jìn)行求解。式(16)的拉格朗日函數(shù)為

其中，為卸載車輛的上行傳輸時延向量，λ和μ為拉格朗日乘子向量，λi、μi、ρ為非負(fù)拉格朗日乘子變量，滿足KKT 條件

拉格朗日乘子更新規(guī)則為

其中，t表示第t次迭代，γ(t)表示迭代步長，時間下限

功率與計算資源分配算法偽代碼如算法 2所示。

3.3 緩存決策

任務(wù)請求車輛vi將計算任務(wù)Zi卸載至服務(wù)節(jié)點wj執(zhí)行計算，由于服務(wù)節(jié)點緩存容量有限，因此在計算完成以后需要選擇是否將其緩存，以備后續(xù)請求車輛使用。服務(wù)節(jié)點wj的緩存容量為Hj，若緩存決策gj,i=1，則代表任務(wù)Zi被服務(wù)節(jié)點緩存，因此服務(wù)節(jié)點需要犧牲緩存容量di，此時問題等效為使服務(wù)節(jié)點wj的容量{Hj?di}效益最大化；若緩存決策gj,i=0，則代表任務(wù)Zi未被服務(wù)節(jié)點緩存，此時問題等效為使服務(wù)節(jié)點wj的容量{Hj}效益最大化。

基于以上分析，將緩存決策建模為0-1 背包問題，通過動態(tài)規(guī)劃法[23]對其求解，偽代碼如算法3所示。作為輸入向量，其中代表vi節(jié)約的開銷。對于服務(wù)節(jié)點wj，其動態(tài)轉(zhuǎn)移方程為

算法3基于背包問題的緩存決策算法

輸入車輛信息服務(wù)節(jié)點wj狀態(tài)函數(shù)U′j(i,j,Hj)，卸載至服務(wù)節(jié)點wj的車輛數(shù)目

3.4 算法總結(jié)

基于邊緣緩存的V2X 協(xié)同卸載與資源分配策略（V2X-CCRA,V2X-collaborative caching and resource allocation）偽代碼如算法4 所示，原理如下。車輛首先掃描自身緩存池與周圍服務(wù)節(jié)點是否存在內(nèi)容緩存，如果存在，則進(jìn)行計算或者在服務(wù)節(jié)點計算完成后回傳任務(wù)結(jié)果；如果不存在，則加入卸載集合。針對卸載集合里的任務(wù)請求車輛，通過基于圖著色的信道分配算法得到一次信道分配矩陣，同時根據(jù)拉格朗日KKT 條件得到功率與計算資源分配矩陣。然后，計算本地執(zhí)行開銷以及根據(jù)通信與計算資源的分配值計算卸載開銷，由于任務(wù)請求車輛均滿足理性和利己主義，目標(biāo)均為盡量最小化自身計算代價，因此，比較本地計算與卸載至服務(wù)節(jié)點計算的執(zhí)行開銷，做出卸載決策。更新卸載集合Θ，找到卸載集合中元素的對應(yīng)卸載服務(wù)節(jié)點，得到服務(wù)節(jié)點集合?。針對?中的每一個服務(wù)節(jié)點wj，確定其服務(wù)的車輛集合Λj，服務(wù)節(jié)點wj將任務(wù)計算完成后進(jìn)行緩存的更新，考慮是否將這個任務(wù)緩存，以備后續(xù)請求車輛使用。V2X-CCRA 研究車輛異構(gòu)網(wǎng)絡(luò)中基于MEC 的任務(wù)卸載決策和資源分配問題，利用MEC 服務(wù)器與鄰近車輛資源增強(qiáng)邊緣緩存能力，對網(wǎng)絡(luò)內(nèi)計算、緩存和通信資源進(jìn)行有效分配，減輕網(wǎng)絡(luò)負(fù)載，提高資源利用率。

算法4基于邊緣緩存的V2X 協(xié)同卸載與資源分配策略

輸入車輛數(shù)目N，服務(wù)節(jié)點wj緩存容量Hj，信道集合K，卸載集合Θ=φ，α，β

4 仿真分析

本文主要研究車聯(lián)網(wǎng)中的效率優(yōu)先應(yīng)用，如文件分享、地理信息收集等時延可容忍數(shù)據(jù)任務(wù)。性能評估階段，通過MATLAB 平臺對本文所提機(jī)制進(jìn)行仿真。本節(jié)實驗在IEEE 802.11p 車輛網(wǎng)絡(luò)場景標(biāo)準(zhǔn)和MEC 白皮書的背景下展開，采用3GPP 標(biāo)準(zhǔn)化中提出的信道增益模型[24]。考慮路邊有3 個小區(qū)，每個小區(qū)都配置了RSU 和MEC 服務(wù)器。具體仿真參數(shù)如表1 所示。

表1 仿真參數(shù)

為了評估當(dāng)前提出機(jī)制的性能，將其與本地計算機(jī)制（ALCM,all local computing mechanism）、無邊緣緩存的全卸載機(jī)制（AOCM wo.caching,all offloading computing mechanism without caching）、基于邊緣緩存的全卸載計算機(jī)制（AOCM w.caching,all offloading computing mechanism with caching）、基于圖著色的資源分配機(jī)制JCOIM（joint computation offloading and interference management）[24]、基于邊緣緩存的V2I 卸載機(jī)制V2I-CCRA（V2I collaborative caching and resource allocation）進(jìn)行比較。

圖2 顯示了車輛緩存容量與總開銷的關(guān)系。車輛緩存容量增加，意味著更多的內(nèi)容可以被緩存到車輛上，道路上可以形成更多的車輛云。當(dāng)一些車輛從云中移出或離開道路時，用戶可以從云中的其他車輛或其他車輛云中獲取內(nèi)容，從而大大減少重復(fù)計算，降低系統(tǒng)開銷。本文V2X-CCRA 機(jī)制相較于基于邊緣緩存的全卸載模式，優(yōu)勢明顯?；谶吘壘彺娴娜遁d模式由于不考慮本地計算，任務(wù)計算全依賴服務(wù)節(jié)點，卸載過程中由于傳輸干擾使時延增加，同時車輛移動性原因使服務(wù)中斷帶來重復(fù)計算，因此系統(tǒng)開銷較大。本文V2X-CCRA 機(jī)制基于用戶理性與利己主義，使任務(wù)請求車輛在卸載與本地計算之間進(jìn)行權(quán)衡，盡量減少任務(wù)計算的代價，因此可有效降低系統(tǒng)開銷。當(dāng)車輛緩存容量逐步增長時，2 種機(jī)制的區(qū)別逐漸減小，這是由于車輛緩存容量增加，使更多的內(nèi)容可以被緩存，因此需要卸載的任務(wù)減少，此時信道競爭減小，服務(wù)節(jié)點已有足夠的能力完成計算。

圖2 車輛緩存容量與總開銷的關(guān)系

圖3 和圖4 分別為車輛數(shù)目和任務(wù)量與總開銷關(guān)系。隨著車輛數(shù)目與任務(wù)量的增加，總開銷隨之增長。傳統(tǒng)的ALCM 由于車輛本身計算能力有限而帶來較大的時延開銷。當(dāng)車輛數(shù)目較小時，由于任務(wù)量較少，緩存空間與計算能力均可良好地勝任任務(wù)計算，其中由于基于邊緣緩存的AOCM w.caching存在緩存功能，一部分任務(wù)不需要卸載計算，降低了上傳擁塞，因此性能與V2X-CCRA 相近，且優(yōu)于JCOIM 機(jī)制。然而隨著任務(wù)量增加，卸載部分的任務(wù)數(shù)據(jù)增大，網(wǎng)絡(luò)擁塞已不可避免，因此AOCM w.caching 總開銷急劇增長。此外，由于全卸載機(jī)制導(dǎo)致信道干擾嚴(yán)重且計算資源有限，因此無論是否存在緩存功能，其系統(tǒng)開銷均隨車輛數(shù)目與任務(wù)大小增加而迅速增長。JCOIM 機(jī)制應(yīng)用于本文場景，由于其忽略功率分配對系統(tǒng)開銷的影響，以及未利用周圍臨近車輛的閑置計算與緩存資源，因此性能不理想。本文V2X-CCRA 機(jī)制充分利用周圍閑置資源，合理分配計算與通信資源，V2X 協(xié)同卸載可以有效提高資源利用率，緩存機(jī)制可以避免重復(fù)計算以及減少網(wǎng)絡(luò)擁塞，從而降低系統(tǒng)開銷。

圖3 車輛數(shù)目與總開銷的關(guān)系

圖4 任務(wù)量與總開銷的關(guān)系

圖5 為信道數(shù)量與總開銷的關(guān)系。信道數(shù)量增加，干擾逐漸減小，使傳輸時延降低，總開銷減少。全卸載機(jī)制由于受信道數(shù)量影響較大，因此隨著信道數(shù)量的增加，總開銷降低速度加快。無邊緣緩存的AOCM wo.caching 由于所有任務(wù)必須全部卸載，因此對信道干擾最敏感，總開銷下降速度最明顯，但由于服務(wù)節(jié)點計算資源有限，從而總開銷一直大于 AOCM w.caching。本文基于邊緣緩存的V2X-CCRA 機(jī)制能夠更加靈活地管理資源，控制卸載流量，在信道數(shù)量變換的情況下做出有效的卸載權(quán)衡，保證資源有效利用。

圖6 為緩存類型與總開銷的關(guān)系。緩存類型增加，意味著更多的內(nèi)容可以被緩存，減少重復(fù)計算帶來的時延，因此時間消耗逐步降低。在V2I-CCRA中，僅MEC 服務(wù)器具有計算與緩存功能，忽略了車輛的緩存能力，因此在服務(wù)節(jié)點可緩存類型較少時，大部分任務(wù)請求需要被卸載計算。V2X-CCRA由于可以有效利用周圍車輛的閑置資源，可以增強(qiáng)邊緣計算能力，因此相較于V2I 機(jī)制總開銷較小。當(dāng)緩存類型逐漸增加，車輛服務(wù)器由于緩存容量限制，無法緩存太多任務(wù)。MEC 服務(wù)器的大容量緩存池可以緩存更多的內(nèi)容，此時大多數(shù)任務(wù)已可以從緩存池中獲得，因此V2I 機(jī)制與V2X 機(jī)制的差距逐漸減小。

圖5 信道數(shù)量與總開銷的關(guān)系

圖6 緩存類型與總開銷的關(guān)系

5 結(jié)束語

本文在基于MEC 的車聯(lián)網(wǎng)絡(luò)場景中研究了基于邊緣緩存的協(xié)同卸載與資源分配策略，利用MEC服務(wù)器與鄰近車輛資源增強(qiáng)邊緣緩存能力，提出了一種基于MEC 的車輛網(wǎng)絡(luò)V2X 協(xié)同緩存和資源分配機(jī)制，對網(wǎng)絡(luò)內(nèi)計算、緩存和通信資源進(jìn)行有效分配，避免重復(fù)傳輸，減少內(nèi)容訪問時延，提高資源利用率。仿真結(jié)果表明，所提機(jī)制可以有效減少任務(wù)請求車輛的計算代價以降低任務(wù)計算的系統(tǒng)開銷，在各參數(shù)變化下均能取得較好效果。在未來工作中，將繼續(xù)研究基于MEC 的V2X 卸載策略，同時考慮由車輛高速移動特性導(dǎo)致鏈路斷開，使任務(wù)回傳失敗的情況，建立基于車輛位置預(yù)測的V2X卸載框架。