王界欽，林士飏，彭世明，賈碩，楊苗會(huì)

（山東理工大學(xué)交通與車輛工程學(xué)院，山東淄博 255000）

0 引言

智能交通系統(tǒng)（Intelligent Transportation System，ITS）的三層式架構(gòu)，利用道路感知器偵測(cè)交通流量信息后，通過(guò)網(wǎng)絡(luò)將信息上傳至云中心進(jìn)行運(yùn)算，再依據(jù)運(yùn)算的結(jié)果進(jìn)行支配決策，以提升交通安全水平。隨著生活質(zhì)量的不斷提高，汽車的各類云端增值業(yè)務(wù)（車載視頻、語(yǔ)音播報(bào)、衛(wèi)星定位等）與應(yīng)用服務(wù)（智能導(dǎo)航、自動(dòng)駕駛等）也在不斷擴(kuò)展，增加了傳輸數(shù)據(jù)量與計(jì)算量。因此，伴隨車聯(lián)網(wǎng)行業(yè)的發(fā)展以及ITS 的需求，云中心的大數(shù)據(jù)處理面臨成本高、傳輸性能差、即時(shí)性能低等諸多挑戰(zhàn)。移動(dòng)邊緣計(jì)算（Mobile Edge Computing，MEC）服務(wù)器布置在移動(dòng)網(wǎng)絡(luò)邊緣能減輕云中心計(jì)算負(fù)擔(dān)，例如構(gòu)建ITS 的MEC 分散式應(yīng)用服務(wù)，以邊緣云的計(jì)算能力完成車聯(lián)網(wǎng)所需要的大量運(yùn)算任務(wù)，減少車載端的運(yùn)算時(shí)間。

考慮到MEC 服務(wù)器計(jì)算資源的有限性、網(wǎng)絡(luò)負(fù)載分布的非均衡性，本文提出了一種MEC 分層協(xié)同資源配置機(jī)制（Hierarchical Resource Allocation Mechanism of cooperative MEC，HRAM）。主要工作如下：

1）提出一種MEC 分層協(xié)同資源配置方案，實(shí)現(xiàn)多跳內(nèi)的MEC 服務(wù)器計(jì)算資源共享；針對(duì)負(fù)載過(guò)大的MEC 服務(wù)器，能夠減緩計(jì)算壓力，加速卸載任務(wù)響應(yīng)，高效利用有限的計(jì)算資源。

2）提出基于層次分析法的目標(biāo)節(jié)點(diǎn)選擇策略，綜合考慮服務(wù)能力、響應(yīng)時(shí)間、車流密度、方向一致性四項(xiàng)要素，統(tǒng)籌決策卸載任務(wù)的目標(biāo)MEC 服務(wù)器。

3）提出動(dòng)態(tài)權(quán)值任務(wù)路由策略，考慮同一轉(zhuǎn)發(fā)路徑下，多個(gè)卸載任務(wù)間的影響、資源競(jìng)爭(zhēng)，通過(guò)動(dòng)態(tài)調(diào)整路徑權(quán)值，以避免重復(fù)路徑的多次選擇，調(diào)用整體網(wǎng)絡(luò)的通信能力，有效減少時(shí)延。

1 相關(guān)研究

為解決MEC 服務(wù)器資源分配問(wèn)題，文獻(xiàn)［1］中提出一種新的整數(shù)規(guī)劃（Integer Programming，IP）和JOR-MEC（Joint Offloading and Resource allocation-MEC）算法，并通過(guò)仿真證實(shí)算法能降低MEC 服務(wù)器的平均能耗。文獻(xiàn)［2］中，作者將計(jì)算任務(wù)分解，提出一種在線任務(wù)卸載算法，將最優(yōu)卸載到云中心與啟發(fā)式負(fù)載平衡卸載到云中心分別用于順序任務(wù)和并行任務(wù)。

近幾年來(lái)，深度強(qiáng)化學(xué)習(xí)（Deep Reinforcement Learning，DRL）和機(jī)器學(xué)習(xí)（Machine Learning，ML）在MEC 服務(wù)器任務(wù)卸載和資源分配上大放光彩。文獻(xiàn)［3］采用深度強(qiáng)化學(xué)習(xí)、考慮移動(dòng)用戶設(shè)備（User Equipment，UE）在基站間的移動(dòng)性，提出了一種MEC 環(huán)境下自適應(yīng)任務(wù)卸載和資源分配算法。對(duì)比其他算法，在減少任務(wù)平均響應(yīng)時(shí)間和系統(tǒng)總能耗，提高系統(tǒng)效用方面表現(xiàn)最佳，滿足用戶和服務(wù)提供商的利益。與文獻(xiàn)［3］相似，文獻(xiàn)［4］基于深度Q 網(wǎng)絡(luò)（Deep-Q Network，DQN）提出了一種MEC 任務(wù)卸載和資源分配算法——聯(lián)合任務(wù)卸載決策和帶寬分配優(yōu)化，最小化能耗成本、計(jì)算成本和延遲成本的算法，將非凸優(yōu)化問(wèn)題轉(zhuǎn)化為強(qiáng)化學(xué)習(xí)問(wèn)題，采用DQN 找尋最優(yōu)解。文獻(xiàn)［5］基于深度強(qiáng)化學(xué)習(xí)和聯(lián)邦學(xué)習(xí)（Federated Learning，F(xiàn)L）提出了一種智能資源配置模型，以解決在多變MEC 環(huán)境中網(wǎng)絡(luò)資源和計(jì)算資源合理分配的問(wèn)題，仿真顯示，該模型在最小化系統(tǒng)平均能量消耗、最小化平均服務(wù)延遲、均衡資源分配方面有顯著表現(xiàn)。文獻(xiàn)［6］提出利用工業(yè)物聯(lián)網(wǎng)進(jìn)行資源分配的強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）解決方案?；趧?dòng)態(tài)規(guī)劃和多目標(biāo)蟻群優(yōu)化算法，解決終端用戶間資源精確分配問(wèn)題。為了實(shí)現(xiàn)MEC 服務(wù)器更高的能源效率和更好的用戶體驗(yàn)，最大化上行通信中卸載任務(wù)數(shù)量，同時(shí)保證MEC 服務(wù)器的計(jì)算資源在一個(gè)可接受的水平，文獻(xiàn)［7］指出基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）的聯(lián)合邊緣設(shè)備的任務(wù)協(xié)同運(yùn)作是降低延遲的有效方法，提出動(dòng)態(tài)資源分配優(yōu)化方案，自動(dòng)選擇最佳分區(qū)點(diǎn)以最小化所有車輛的整體延遲。為了進(jìn)一步降低系統(tǒng)開銷，文獻(xiàn)［8］提出V2X（Vehicle-to-X）的卸載和資源分配問(wèn)題，并給出最優(yōu)卸載決策、傳輸功率控制、子信道分配和計(jì)算資源分配方案。首先采用層次分析法選擇初始卸載節(jié)點(diǎn)，然后采用無(wú)狀態(tài)Q 學(xué)習(xí)法對(duì)傳輸功率、子信道和計(jì)算資源進(jìn)行分配。

隨著無(wú)線能量傳輸技術(shù)的發(fā)展，無(wú)線電和MEC 計(jì)算資源的聯(lián)合分配備受關(guān)注。文獻(xiàn)［9］研究具有多個(gè)能量收集裝置的MEC 系統(tǒng)中無(wú)線電和計(jì)算資源分配的新方法，提出時(shí)間平均計(jì)算速率最大化（Time Average Computation Rate Maximization.TACRM）算法，動(dòng)態(tài)決策每個(gè)時(shí)間塊內(nèi)無(wú)線設(shè)備的最優(yōu)帶寬、發(fā)送功率、時(shí)間分配和本地CPU 頻率，通過(guò)大量仿真實(shí)驗(yàn)說(shuō)明TACRM 算法能夠有效提高系統(tǒng)的數(shù)據(jù)處理速度。而文獻(xiàn)［10］在多用戶場(chǎng)景下聯(lián)合考慮計(jì)算資源、無(wú)線電資源以及數(shù)據(jù)安全，以最小化整個(gè)系統(tǒng)的時(shí)間和能耗為目標(biāo)，提出具有數(shù)據(jù)安全的多用戶資源分配和計(jì)算卸載模型，對(duì)比局部執(zhí)行和完全卸載方案，能夠顯著提高整個(gè)系統(tǒng)的性能。文獻(xiàn)［11］考慮一種具有雙天線混合接入點(diǎn)（Hybrid Access Point，HAP）和單天線移動(dòng)裝置的無(wú)線移動(dòng)邊緣計(jì)算系統(tǒng)（Wireless Powered Mobile Edge Computing，WP-MEC），用于能量傳輸和數(shù)據(jù)傳輸；針對(duì)系統(tǒng)平均計(jì)算速率最大化問(wèn)題，提出在線服務(wù)速率最大化（Online Service Rate Maximization，OSRM）算法。

文獻(xiàn)［12］提出一種高效、低復(fù)雜度的啟發(fā)式算法，以較低的時(shí)間成本提供接近最佳的解決方案，并給出最優(yōu)傳輸功率與MEC 服務(wù)器計(jì)算資源的關(guān)系；結(jié)果表明，在不同場(chǎng)景下，所提方案能實(shí)現(xiàn)更高的任務(wù)成功卸載次數(shù)。文獻(xiàn)［13］針對(duì)5G 通信網(wǎng)絡(luò)難以完成密集任務(wù)的問(wèn)題，提出5G 邊緣計(jì)算中基于多用戶網(wǎng)絡(luò)系統(tǒng)模型的計(jì)算密集型任務(wù)處理模式，包括本地計(jì)算、霧節(jié)點(diǎn)計(jì)算和邊緣節(jié)點(diǎn)計(jì)算三種計(jì)算模式，將任務(wù)的卸載問(wèn)題轉(zhuǎn)化為時(shí)延和能耗聯(lián)合優(yōu)化問(wèn)題，用戶設(shè)備可根據(jù)計(jì)算任務(wù)的特點(diǎn)和系統(tǒng)狀態(tài)選擇處理計(jì)算任務(wù)的最佳方式，并通過(guò)仿真驗(yàn)證方案在減少時(shí)延和能耗、提高任務(wù)處理效率和終端用戶體驗(yàn)上的優(yōu)勢(shì)。文獻(xiàn)［14］為了實(shí)現(xiàn)用戶能源效率最大化，提出多用戶多MEC 服務(wù)器任務(wù)卸載模型，在仿真分析下，該模型可以減少單鏈路通信的壓力，保證用戶體驗(yàn)和網(wǎng)絡(luò)性能，還能減少鏈路信令開銷。

雖然目前的相關(guān)研究從多方面著手解決車聯(lián)網(wǎng)中MEC服務(wù)器任務(wù)卸載和資源分配問(wèn)題，但并未考慮眾多MEC 服務(wù)器間的協(xié)同以及合理分配問(wèn)題，且不同方案的應(yīng)用場(chǎng)景各有不同。本文聚焦車聯(lián)網(wǎng)在5G 環(huán)境下多車輛、多任務(wù)構(gòu)成的MEC 通信小區(qū)組成的復(fù)合MEC 系統(tǒng)場(chǎng)景?？紤]MEC 服務(wù)器服務(wù)能力有限、負(fù)載差異大，同時(shí)為了能夠更好地滿足車輛的服務(wù)需求，提出一種移動(dòng)邊緣計(jì)算分層協(xié)同資源配置方案。當(dāng)本地端MEC 服務(wù)器因忙碌而無(wú)法滿足多余卸載任務(wù)的計(jì)算需求時(shí)，通過(guò)層次分析法進(jìn)行多因素綜合考慮，從候選端中挑選合適的目標(biāo)節(jié)點(diǎn)，讓多余的卸載任務(wù)分配到適當(dāng)?shù)腗EC 服務(wù)器進(jìn)行運(yùn)算，再借由動(dòng)態(tài)權(quán)值任務(wù)路由，達(dá)到合理分配與有效利用MEC 服務(wù)器的運(yùn)算資源，減少不同MEC 服務(wù)器之間的數(shù)據(jù)多跳轉(zhuǎn)發(fā)時(shí)延，優(yōu)化卸載任務(wù)請(qǐng)求時(shí)延的目標(biāo)。

2 系統(tǒng)模型

2.1 場(chǎng)景描述

圖1 為本文交通仿真場(chǎng)景。道路設(shè)施單元（Road Side Unit，RSU）部署在道路交接處，相鄰RSU 的覆蓋區(qū)域不重疊，且每個(gè)RSU 均配備MEC 服務(wù)器，形成獨(dú)立的通信小區(qū)。車輛單元（Vehicle Unit，VU）行駛過(guò)程中因自動(dòng)駕駛不斷與周邊環(huán)境進(jìn)行交互，產(chǎn)生大量計(jì)算任務(wù)，而大多數(shù)任務(wù)具備一定的時(shí)效性，車載終端計(jì)算能力有限，難以滿足眾多任務(wù)的需求，因此考慮將任務(wù)卸載到MEC 服務(wù)器上處理，分流上載云端所需的數(shù)據(jù)至云中心，最后將計(jì)算結(jié)果返回至車輛單元。

圖1 交通情景Fig.1 Traffic scenario

本文將請(qǐng)求任務(wù)卸載的車輛單元表示為集合VUs=｛VU1，VU2，…，VUi｝。每個(gè)車輛單元有一個(gè)或多個(gè)卸載任務(wù)，所有任務(wù)不可切分、相互獨(dú)立、互不影響，用集合TASKj=｛Task1，Task2，…，Taskj｝表示。卸載任務(wù)的屬性描述為一個(gè)三元組Taski，j=｛RTL，size，Tmax｝。其中，Taski，j表示第i個(gè)車輛單元的第j個(gè)任務(wù)，RTL表示卸載任務(wù)的所屬車輛實(shí)時(shí)位置，size表示卸載任務(wù)的數(shù)據(jù)量，Tmax表示卸載任務(wù)最大可容忍時(shí)延。

通信小區(qū)中所屬的MEC 服務(wù)器稱為本地MEC 服務(wù)器，即本地端LN（Local Node），重點(diǎn)研究本地端移動(dòng)車輛的任務(wù)卸載策略。定義其他通信小區(qū)所屬M(fèi)EC 服務(wù)器為候選端（Candidate Node，CN），并根據(jù)MEC 服務(wù)器間信息傳遞次數(shù)（層數(shù)）n，定義集合CN=｛MEC1，1，MEC1，2，…MECn，m｝，其中n∈Nhop，m表示n層的MEC 服務(wù)器編號(hào)。

RSU 作為車輛單元和MEC 服務(wù)器之間傳輸數(shù)據(jù)的媒介，除傳輸請(qǐng)求任務(wù)封包和返回?cái)?shù)據(jù)外，還需定期收集車輛單元的信息（如：實(shí)時(shí)位置RTLi、車速vi、車輛任務(wù)）、檢測(cè)通信小區(qū)的車流密度MEC 服務(wù)器周期性地交換本地/鄰近服務(wù)器的相關(guān)信息，實(shí)現(xiàn)數(shù)據(jù)共享?，F(xiàn)對(duì)數(shù)據(jù)信息進(jìn)行分類定義：

定義1本地信息流（Local Stream，LS）。

在一個(gè)通信小區(qū)內(nèi)，MEC 服務(wù)器位置信息、空閑服務(wù)能力、RSU 采集的車輛單元信息為本文研究的基礎(chǔ)信息，能直觀體現(xiàn)通信小區(qū)狀態(tài)，定期更新、存儲(chǔ)于本地端，是不同通信小區(qū)信息交流的重要信息。簡(jiǎn)記為本地信息流。

定義2鄰居節(jié)點(diǎn)信息流（Neighbors Stream，NS）。

不同通信小區(qū)間需要周期性地交換數(shù)據(jù)，即MEC 服務(wù)器發(fā)送/接收Nhop 范圍內(nèi)的LS，建立、維護(hù)鄰居數(shù)據(jù)表。對(duì)接收端而言，所有接收的LS 均非描述本端狀態(tài)的信息，因此，定義該類信息流為鄰居節(jié)點(diǎn)信息流。

定義3卸載轉(zhuǎn)移信息流（Upload Transfer Stream，UTS）。

當(dāng)本地端未能滿足卸載任務(wù)的服務(wù)需求時(shí)，卸載任務(wù)需要轉(zhuǎn)移。本地端首先根據(jù)選擇策略，確定候選端中合適的MEC 服務(wù)器作為目標(biāo)節(jié)點(diǎn)；隨后，本地端根據(jù)給定的目標(biāo)節(jié)點(diǎn)，結(jié)合路由策略確定轉(zhuǎn)發(fā)節(jié)點(diǎn)、轉(zhuǎn)發(fā)路徑。該類計(jì)算數(shù)據(jù)及卸載任務(wù)所屬車輛信息描述了任務(wù)的整體狀態(tài)，在本地端、轉(zhuǎn)發(fā)節(jié)點(diǎn)、目標(biāo)節(jié)點(diǎn)間進(jìn)行傳輸，為便于后文描述，定義為卸載轉(zhuǎn)移信息流。

2.2 通信模型

在本模型中，車輛單元的卸載任務(wù)需要從車載端通過(guò)無(wú)線信道傳輸?shù)絉SU，再上載至本地MEC 服務(wù)器。同一通信小區(qū)內(nèi)，RSU 通常位于MEC 服務(wù)器附近，因此忽略RSU 到MEC 服務(wù)器的通信時(shí)延［15］。載波聚合（Carrier Aggregation，CA）作為5G 增強(qiáng)技術(shù)之一，聚合多個(gè)載波單元進(jìn)行傳輸，從而大幅度提高上下行傳輸性能，以滿足5G 車聯(lián)網(wǎng)的通信需求。根據(jù)3GPP（3rd Generation Partnership Project）協(xié)議TS38.306 規(guī)范，對(duì)于5G 新空口（New Radio，NR）技術(shù)，計(jì)算給定的頻帶載波近似聚合速率VCA［16］為：

各參數(shù)說(shuō)明如表1 所示。

表1 參數(shù)名及意義說(shuō)明Tab.1 Parameter names and meanings

移動(dòng)用戶的空口速率一般按上、下行分開測(cè)試和表示，表示為數(shù)據(jù)的吞吐量。5G NR 峰值數(shù)據(jù)吞吐速率受網(wǎng)絡(luò)對(duì)上下行時(shí)隙的分配比例、網(wǎng)絡(luò)環(huán)境、用戶數(shù)、網(wǎng)絡(luò)側(cè)和終端側(cè)的能力等因素影響。本文把VUs 的上行傳輸速率以5G NR Uu 接口的速度計(jì)算，采用頻率范圍為FR1，根據(jù)基礎(chǔ)配置下終端數(shù)據(jù)理論吞吐率，確定上行傳輸速率Vuplink的范圍在309.1 Mb/s～618.1 Mb/s。由于本文考慮的卸載任務(wù)為計(jì)算密集型任務(wù)，輸出相較于輸入非常小，因此本文不考慮從MEC 服務(wù)器返回VUs 的下行傳輸時(shí)延［17］。

2.3 執(zhí)行方式?jīng)Q策模型

在一個(gè)周期內(nèi)，VUs 的卸載任務(wù)由車載端依次上載至本地端，受本地端有限服務(wù)能力約束，不能滿足所有卸載任務(wù)的時(shí)延要求，本地端需決策任務(wù)執(zhí)行方式，令typei，j∈｛0，1｝。當(dāng)typei，j=0 時(shí)，表示Taski，j將在本地端執(zhí)行；反之，Taski，j將轉(zhuǎn)移至候選端執(zhí)行。

為了能充分利用本地端的計(jì)算資源，同時(shí)滿足卸載任務(wù)最大可容忍時(shí)延，提出找尋本地端臨界服務(wù)狀態(tài)的方案，明確卸載任務(wù)的執(zhí)行方式。

執(zhí)行方式?jīng)Q策算法的偽代碼如算法1 所示。車載端首先上載所有卸載任務(wù)至本地端，按從小到大的順序存儲(chǔ)于本地端中，并以數(shù)據(jù)大小為索引，存儲(chǔ)任務(wù)來(lái)源及具體編號(hào)。默認(rèn)所有任務(wù)執(zhí)行方式為候選端執(zhí)行，即初始化數(shù)組type=1。本地端可提供的服務(wù)能力將由所有分配至本地端的卸載任務(wù)均分，分配值Nloc由1 開始迭代，直至分配任務(wù)中存在任務(wù)的處理時(shí)間與上行時(shí)間之和超出最大任務(wù)響應(yīng)時(shí)間，或者分配值迭代至卸載任務(wù)總數(shù)Numtotal，此時(shí)可以確定于本地端執(zhí)行的卸載任務(wù)數(shù)Nloc-1，數(shù)組type（1）～type（Nloc-1）更新為0，從而確定了本地端與候選端各需執(zhí)行的任務(wù)。按照任務(wù)大小進(jìn)行排序，使計(jì)算量高的任務(wù)被分配到計(jì)算能力更好的候選端上，減少時(shí)延；而本地端有限的服務(wù)能力也能夠在保證時(shí)延的前提下被輕量級(jí)任務(wù)合理利用。

算法1 執(zhí)行方式?jīng)Q策算法。

2.4 計(jì)算模型

本文在進(jìn)行任務(wù)卸載計(jì)算時(shí)主要考慮到處理時(shí)延（processing delay）、傳輸（發(fā)送）時(shí)延（transmission delay）和傳播時(shí)延（propagation delay）。

2.4.1 本地端計(jì)算

當(dāng)卸載任務(wù)Taski，j確定在本地端執(zhí)行時(shí)，卸載任務(wù)的時(shí)延主要包括傳輸時(shí)延和處理時(shí)延。令表示本地端可以提供的計(jì)算能力（CPU 周期數(shù)），per表示單位bit 所需CPU 周期數(shù)，則Taski，j由車載端上載至本地端的傳輸時(shí)延在本地端的處理時(shí)延分別為：

2.4.2 候選端計(jì)算

當(dāng)卸載任務(wù)Taski，j確定轉(zhuǎn)移到候選端執(zhí)行時(shí)，卸載任務(wù)的時(shí)延主要包括傳輸時(shí)延、傳播時(shí)延和處理時(shí)延。由本地端發(fā)送卸載任務(wù)的傳輸時(shí)延為：

由本地端到目標(biāo)節(jié)點(diǎn)MECtarget的傳播時(shí)延為：

卸載任務(wù)Taski，j在目標(biāo)節(jié)點(diǎn)上的處理時(shí)延為：

其中：rdata表示數(shù)據(jù)發(fā)送速率；d1，m表示當(dāng)目標(biāo)節(jié)點(diǎn)處于1 hop時(shí)，本地端與編號(hào)為m的目標(biāo)節(jié)點(diǎn)之間的通信鏈路距離；rf表示傳播速度；Δdu-1表示當(dāng)目標(biāo)節(jié)點(diǎn)處于nhop 時(shí)，目標(biāo)節(jié)點(diǎn)與轉(zhuǎn)發(fā)節(jié)點(diǎn)之間、轉(zhuǎn)發(fā)節(jié)點(diǎn)與轉(zhuǎn)發(fā)節(jié)點(diǎn)之間的通信鏈路距離表示目標(biāo)節(jié)點(diǎn)執(zhí)行卸載任務(wù)Taski，j所分配的計(jì)算能力（以CPU 周期數(shù)表示）。

3 目標(biāo)節(jié)點(diǎn)選擇與路由

3.1 基于層次分析法的目標(biāo)節(jié)點(diǎn)選擇策略

本地端周期性接收NS 維護(hù)鄰居數(shù)據(jù)表，以保證數(shù)據(jù)信息的時(shí)效性，為目標(biāo)節(jié)點(diǎn)選擇提供基礎(chǔ)。對(duì)typei，j=1 的卸載任務(wù)，本文利用層次分析法（Analytic Hierarchy Process，AHP）選擇較為合適的目標(biāo)節(jié)點(diǎn)，根據(jù)多因素的權(quán)重系數(shù)，確定候選端的優(yōu)先級(jí)（preference）。層次分析法是一個(gè)多標(biāo)準(zhǔn)決策（Multiple Criteria Decision Making，MCDM）/多屬性決策（Multiple Attribute Decision Making，MADM）模型，包括目標(biāo)層、準(zhǔn)則層和方案層，應(yīng)用于諸多領(lǐng)域，是一種合理解決優(yōu)先級(jí)調(diào)度的手段［17］。

本文主要考慮候選端狀態(tài)以及移動(dòng)車輛信息，整理為四項(xiàng)影響因素，建立層次結(jié)構(gòu)模型如圖2 所示。下面詳細(xì)分析所選影響因素。

圖2 層次分析法結(jié)構(gòu)模型Fig.2 Analytic hierarchy process structure model

3.1.1 服務(wù)能力

受交通流量在時(shí)間和空間上的不均勻分布影響，不同通信小區(qū)的服務(wù)壓力不盡相同。本文的研究目的之一就是要降低通信小區(qū)間的服務(wù)壓力，減少資源浪費(fèi)和非必要時(shí)延，因此候選端的服務(wù)能力是選擇目標(biāo)節(jié)點(diǎn)的重要因素之一。本文以候選端CPU 的負(fù)載率表示服務(wù)能力，記為。

3.1.2 響應(yīng)時(shí)間

在本文研究中，決定卸載任務(wù)是否在不超出Tmax的條件下完成的主要依據(jù)是：卸載任務(wù)的響應(yīng)時(shí)間是否滿足Tmax，即滿足條件：

3.1.3 車流密度

候選端中，對(duì)于車流密度較小的通信小區(qū)，其對(duì)應(yīng)的MEC 服務(wù)器服務(wù)壓力較低；反之，對(duì)于車流密度較大的通信小區(qū)，對(duì)應(yīng)的MEC 服務(wù)器服務(wù)壓力較大，甚至?xí)耙绯觥?。車流密度?huì)間接影響候選端的服務(wù)能力，可作為考量因素之一，記為

3.1.4 方向一致性

3.1.5 權(quán)重分析

為了確定目標(biāo)節(jié)點(diǎn)，需要確定影響因素兩兩之間的尺度關(guān)系。對(duì)卸載任務(wù)而言，保證時(shí)效性具有重要意義，甚至影響車輛行駛安全。因此，在本文層次分析模型中，響應(yīng)時(shí)間最重要，服務(wù)能力因影響卸載任務(wù)的執(zhí)行時(shí)間而間接影響響應(yīng)時(shí)間，重要程度次之，車流密度比方向一致性重要，構(gòu)造層次分析判斷矩陣其中：

其中：c為任務(wù)數(shù)量；r為車輛數(shù)量；s為該項(xiàng)分?jǐn)?shù)。接著構(gòu)建判斷矩陣見表2。

表2 判斷矩陣Tab.2 Judgment matrix

根據(jù)構(gòu)造的判斷矩陣計(jì)算最大特征值λmax，求出對(duì)應(yīng)的歸一化特征向量，即四項(xiàng)因素的指標(biāo)權(quán)重Δ如下：

權(quán)重的分配的合理性需通過(guò)一致性檢驗(yàn)。見式（12）：

其中：CI表示一致性指標(biāo)。RI表示平均一致性指標(biāo)（4 階矩陣為0.90）。CR表示判斷矩陣的隨機(jī)一致性比率，當(dāng)CR＜0.1 時(shí)，判定判斷矩陣A具有滿意的一致性；否則需要調(diào)整判斷矩陣A直至滿意的一致性為止。計(jì)算顯示，CR值小于0.1，滿足一致性檢驗(yàn)要求，確定權(quán)重可信。

在進(jìn)行數(shù)據(jù)分析之前，通常需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理（normalization），本文選用z-score 標(biāo)準(zhǔn)化方法，基于均值和標(biāo)準(zhǔn)差對(duì)所有卸載任務(wù)構(gòu)成的基礎(chǔ)數(shù)據(jù)集BD=進(jìn)行標(biāo)準(zhǔn)化處理，如式（13）所示：

其中：Zk∈[0，1]，表示第k個(gè)因素的標(biāo)準(zhǔn)化結(jié)果；Mk表示第k個(gè)因素樣本均值；σk表示第k個(gè)因素樣本標(biāo)準(zhǔn)差；BD（k）為基礎(chǔ)數(shù)據(jù)集BD中的第k個(gè)元素值。

最終，以標(biāo)準(zhǔn)化后的各因素與對(duì)應(yīng)權(quán)重的乘積和作為目標(biāo)節(jié)點(diǎn)的選擇依據(jù)。卸載任務(wù)Taski，j選擇目標(biāo)節(jié)點(diǎn)MECtarget見式（14）：

3.2 動(dòng)態(tài)權(quán)值任務(wù)路由策略

本節(jié)的主要工作是確定卸載任務(wù)Taski，j的轉(zhuǎn)發(fā)路徑，特別是當(dāng)目標(biāo)節(jié)點(diǎn)在多層（如2 hop、3 hop、…）時(shí)，途經(jīng)的MEC服務(wù)器節(jié)點(diǎn)，即轉(zhuǎn)發(fā)節(jié)點(diǎn)。

Dijkstra 算法［18］作為典型的單源最短路徑算法之一，常用于求解給定起始節(jié)點(diǎn)、目標(biāo)節(jié)點(diǎn)之間路徑的最優(yōu)解問(wèn)題；基本原理是基于廣度優(yōu)先搜索（Breadth First Search）思想，以起始節(jié)點(diǎn)S為中心向外層層延伸，直至到達(dá)目標(biāo)節(jié)點(diǎn)O。該算法總能求出給定S、O之間的最短路徑最優(yōu)解。對(duì)于通信網(wǎng)絡(luò)來(lái)說(shuō)，找尋請(qǐng)求端到服務(wù)端之間的最小時(shí)延能夠減少數(shù)據(jù)的響應(yīng)時(shí)間，更好地保證時(shí)效性。對(duì)于單個(gè)卸載任務(wù)來(lái)說(shuō)，應(yīng)用Dijkstra 算法能夠找到卸載任務(wù)從本地端轉(zhuǎn)發(fā)至目標(biāo)節(jié)點(diǎn)的最短響應(yīng)時(shí)間；但本文研究為多個(gè)卸載任務(wù)同時(shí)卸載至多個(gè)目標(biāo)節(jié)點(diǎn)，傳統(tǒng)Dijkstra 算法并不適用，因此，本文基于Dijkstra 算法面向單起始節(jié)點(diǎn)、多卸載任務(wù)、多目標(biāo)節(jié)點(diǎn)提出一種動(dòng)態(tài)權(quán)值任務(wù)路由策略。

頂點(diǎn)集合V=｛LN，CN｝=｛v0，v1，1，v1，2，…，vn，m｝；

對(duì)于不同的卸載任務(wù)，其數(shù)據(jù)大小存在差異。由式（15）可知，對(duì)同一有向邊，權(quán)值會(huì)隨卸載任務(wù)大小的改變而改變；同時(shí)，在同一周期內(nèi)存在多個(gè)卸載任務(wù)由本地端轉(zhuǎn)發(fā)至多個(gè)目標(biāo)節(jié)點(diǎn)，雖然可以應(yīng)用Dijkstra 算法，將多個(gè)卸載任務(wù)獨(dú)立化處理，轉(zhuǎn)化為多次的單起始節(jié)點(diǎn)、單卸載任務(wù)、單目標(biāo)節(jié)點(diǎn)問(wèn)題，以確定最優(yōu)轉(zhuǎn)發(fā)路徑。然而，根據(jù)其原理分析，同一轉(zhuǎn)發(fā)節(jié)點(diǎn)、同一轉(zhuǎn)發(fā)路徑會(huì)被多次重復(fù)選擇，資源競(jìng)爭(zhēng)不可避免，因而卸載任務(wù)間的影響不可忽略，傳統(tǒng)Dijkstra 算法并不適用。

在本節(jié)的研究中規(guī)定：轉(zhuǎn)發(fā)節(jié)點(diǎn)的轉(zhuǎn)發(fā)能力、同一路徑節(jié)點(diǎn)間的傳播能力會(huì)被途經(jīng)該轉(zhuǎn)發(fā)節(jié)點(diǎn)、該路徑的卸載任務(wù)均分，使得有向邊的權(quán)值增大，以降低同一轉(zhuǎn)發(fā)路徑多次選取的頻率。式（15）變更為：

其中：p1表示途經(jīng)轉(zhuǎn)發(fā)節(jié)點(diǎn)vn-1，m的卸載任務(wù)數(shù)；p2表示途經(jīng)節(jié)點(diǎn)vn-1，m、vn，m通信鏈路的卸載任務(wù)數(shù)。

本節(jié)所提面向動(dòng)態(tài)權(quán)值任務(wù)轉(zhuǎn)發(fā)策略如算法2 所示。首先構(gòu)建本地端、候選端的鄰接矩陣，并將算法1 求得轉(zhuǎn)移卸載任務(wù)編號(hào)倒序，即按由大至小的順序?qū)π遁d任務(wù)進(jìn)行轉(zhuǎn)發(fā)路徑選擇，使計(jì)算量高的任務(wù)被分配到發(fā)送時(shí)延和轉(zhuǎn)發(fā)時(shí)延較低的轉(zhuǎn)發(fā)節(jié)點(diǎn)，以縮小卸載任務(wù)間的時(shí)延差距。然后基于Dijkstra 算法思想，根據(jù)卸載任務(wù)順序以及基于AHP 確定的對(duì)應(yīng)目標(biāo)節(jié)點(diǎn)得到轉(zhuǎn)發(fā)節(jié)點(diǎn)。但不同任務(wù)因大小及執(zhí)行順序的不同，鄰接矩陣會(huì)隨之改變，因此在分配任務(wù)b的轉(zhuǎn)發(fā)節(jié)點(diǎn)前，都應(yīng)由式（16）確定獨(dú)有的鄰接矩陣。

算法2 動(dòng)態(tài)權(quán)值任務(wù)路由策略。

輸入CN及相對(duì)計(jì)算資源fc、Tmax、per、size、w、LN、MECtarget，轉(zhuǎn)移的卸載任務(wù)數(shù)Numtransfer及任務(wù)編號(hào)。

輸出卸載任務(wù)的轉(zhuǎn)發(fā)節(jié)點(diǎn)Nodes。

由算法2 可得到所有轉(zhuǎn)移卸載任務(wù)選擇的轉(zhuǎn)發(fā)節(jié)點(diǎn)，將轉(zhuǎn)發(fā)節(jié)點(diǎn)依序相連即構(gòu)成轉(zhuǎn)發(fā)路徑。

綜上，HRAM 算法示意圖如圖3 所示。

圖3 HRAM算法示意圖Fig.3 Schematic diagram of HARM algorithm

4 仿真實(shí)驗(yàn)及性能分析

4.1 實(shí)驗(yàn)環(huán)境

本文的仿真實(shí)驗(yàn)是在內(nèi)存為12 GB、處理器為Intel Core i5-6300HQ，頻率為2.30 GHz，Windows 10 操作系統(tǒng)下進(jìn)行，仿真工具為Matlab R2019b，實(shí)驗(yàn)的具體參數(shù)配置見表3。

表3 參數(shù)配置Tab.3 Parameter configuration

本文以三層式（N=3 hop）為例，仿真驗(yàn)證本文方案。除本地端外，按照4、8、8 的結(jié)構(gòu)方式分三層放置MEC 服務(wù)器，作為候選端，如圖4 所示。

圖4 MEC服務(wù)器部署示意圖Fig.4 Schematic diagram of MEC server deployment

4.2 對(duì)比算法

為了驗(yàn)證本文提出的HRAM 算法的性能，下面與其他算法進(jìn)行分析比較。

RATOS 算法：任務(wù)卸載單層式（1 hop）資源分配（Resource Allocation of Task Offloading in Single-hop）算法。該算法的處理思想是僅考慮近端1 hop 通信范圍內(nèi)的MEC 服務(wù)器，將計(jì)算資源均勻分配給所有的卸載任務(wù)。

RATOM 算法：任務(wù)卸載多層式（Nhop）資源分配（Resource Allocation of Task Offloading in Multi-hop）算法。該算法考慮Nhop 通信范圍內(nèi)的MEC 服務(wù)器，根據(jù)計(jì)算資源量，按比例分配卸載任務(wù)，以最小化任務(wù)計(jì)算時(shí)間為目標(biāo)，轉(zhuǎn)發(fā)路徑規(guī)則遵循Dijkstra 算法。

4.3 復(fù)雜度分析

算法復(fù)雜度是衡量算法運(yùn)行效率的標(biāo)尺，質(zhì)量的優(yōu)劣會(huì)影響到算法甚至程序效率?？紤]最壞情況，對(duì)于算法1 而言，步驟7）～15）的循環(huán)次數(shù)取決于Nloc的值，當(dāng)Nloc=Numlocalmax+1 循環(huán)結(jié)束；隨著Nloc的迭代，內(nèi)嵌for 循環(huán)、確定最大任務(wù)響應(yīng)時(shí)間的執(zhí)行次數(shù)均取決于Nloc。因此，在忽略常量、低次冪和最高次冪的系數(shù)后，計(jì)算得出算法1 的時(shí)間復(fù)雜度為，主要取決于本地端承載的最大卸載任務(wù)數(shù)。

同樣，對(duì)算法2 而言，步驟5）～8）的執(zhí)行次數(shù)為r；步驟10）～22）的執(zhí)行次數(shù)取決于Numtransfer，并且隨著Numtransfer的迭代，內(nèi)嵌while 循環(huán)的執(zhí)行次數(shù)為r，伴隨每次pb數(shù)組的求和，存儲(chǔ)、更新最短路徑和確定最小權(quán)值的執(zhí)行次數(shù)均為r。因此，算法2 的時(shí)間復(fù)雜度為O（r2×Numtransfer），主要取決于轉(zhuǎn)移任務(wù)數(shù)、服務(wù)節(jié)點(diǎn)數(shù)；為了能夠找到最適轉(zhuǎn)發(fā)路徑，執(zhí)行過(guò)程中時(shí)間成本會(huì)隨服務(wù)節(jié)點(diǎn)相較于本地端的層次分布（hop 的增加）成倍數(shù)增長(zhǎng)，因此，算法2 的時(shí)間復(fù)雜度實(shí)際會(huì)受到轉(zhuǎn)移任務(wù)數(shù)量、服務(wù)節(jié)點(diǎn)數(shù)以及hop 的影響，候選端應(yīng)限制在合理hop 內(nèi)。

4.4 邏輯分析

參考圖3，對(duì)于算法1 執(zhí)行方式?jīng)Q策算法，當(dāng)存在任務(wù)的響應(yīng)時(shí)間超出Tmax時(shí)，確定本地端的可承載的最大任務(wù)數(shù)為Nloc-1，此時(shí)對(duì)于按由小到大順序排列的任務(wù)來(lái)說(shuō)，前Nloc-1 個(gè)任務(wù)將分配給本地端執(zhí)行，其他任務(wù)則擇優(yōu)選擇目標(biāo)節(jié)點(diǎn)執(zhí)行。算法2 中，任務(wù)會(huì)遍歷所有從本地端連通至目標(biāo)節(jié)點(diǎn)的所有路徑，如v1，1—v2，1—…—vm，1、v1，2—v2，2—…—vm，2、…、v1，n—v2，n—…—vm，n，計(jì)算每條路徑的權(quán)值和，選擇權(quán)值和最小的路徑作為該任務(wù)的轉(zhuǎn)發(fā)路徑，其他路徑舍棄，并且根據(jù)式（16）更新有向圖權(quán)值。

4.5 實(shí)驗(yàn)結(jié)果及分析

對(duì)于多個(gè)卸載任務(wù)選擇同一目標(biāo)節(jié)點(diǎn)的情況，本文以實(shí)例說(shuō)明。如圖5 所示，有編號(hào)為1、2 的卸載任務(wù)需從本地端v0轉(zhuǎn)發(fā)至目標(biāo)節(jié)點(diǎn)v3，1，數(shù)據(jù)封包大小分別為425 Kb、475 Kb。首先，根據(jù)任務(wù)1 的數(shù)據(jù)封包大小計(jì)算出任務(wù)1 從本地端v0到目標(biāo)節(jié)點(diǎn)v3，1之間所有有向邊的權(quán)值，如圖5（a）所示，確定最優(yōu)轉(zhuǎn)發(fā)路徑為v0—v1，2—v2，2—v3，1。對(duì)比圖5（a）、（c）并結(jié)合式（15）可知，對(duì)不同大小的卸載任務(wù)而言，最優(yōu)轉(zhuǎn)發(fā)路徑始終唯一，為v0—v1，2—v2，2—v3，1，這顯然是不合理的，因?yàn)楫?dāng)有足夠多的卸載任務(wù)途經(jīng)同一轉(zhuǎn)發(fā)路徑，會(huì)造成轉(zhuǎn)發(fā)節(jié)點(diǎn)發(fā)送飽和，卸載任務(wù)之間競(jìng)爭(zhēng)資源。對(duì)比圖5（a）、（b），確定任務(wù)1 的轉(zhuǎn)發(fā)路徑后，為降低再次選擇的可能性，更新轉(zhuǎn)發(fā)路徑途經(jīng)v0—v1，2—v2，2—v3，1的有向邊權(quán)重。觀察圖5（b）、（c）、（d），受任務(wù)1 轉(zhuǎn)發(fā)路徑選擇以及任務(wù)數(shù)據(jù)封包大小變化的影響，圖（d）中有向邊權(quán)值發(fā)生變化，任務(wù)2 的最優(yōu)轉(zhuǎn)發(fā)路徑更新為v0—v1，1—v2，1—v3，1。由此可見，本文提出的動(dòng)態(tài)權(quán)值任務(wù)路由策略降低單一通信線路重復(fù)選擇的概率，有效調(diào)用整體網(wǎng)絡(luò)的通信能力，而非固定于同一路由，能降低整體網(wǎng)絡(luò)擁塞（network congestion）。

圖5 轉(zhuǎn)發(fā)路徑選擇Fig.5 Forwarding path selection

圖6 顯示控制卸載任務(wù)數(shù)量（卸載任務(wù)數(shù)為16）不變，卸載任務(wù)平均時(shí)延隨候選端平均服務(wù)能力變化的情況。圖6（a）表示在三種算法下，16 個(gè)卸載任務(wù)在目標(biāo)節(jié)點(diǎn)完成計(jì)算的平均處理時(shí)延隨服務(wù)能力的變化。經(jīng)觀察發(fā)現(xiàn)，卸載任務(wù)的平均處理時(shí)延隨著服務(wù)能力的升高而降低，并且降低的幅度減小。三種算法下卸載任務(wù)的平均處理時(shí)延也趨于穩(wěn)定，主要是因?yàn)镸EC 服務(wù)器的計(jì)算資源從匱乏到充足，卸載任務(wù)間的資源競(jìng)爭(zhēng)關(guān)系減弱。圖6（b）表示三種算法下，16 個(gè)卸載任務(wù)由本地端發(fā)送，傳輸?shù)侥繕?biāo)節(jié)點(diǎn)經(jīng)歷的平均轉(zhuǎn)發(fā)時(shí)延。觀察發(fā)現(xiàn)，RATOS 算法平均轉(zhuǎn)發(fā)時(shí)延最低，RATOM 算法的平均轉(zhuǎn)發(fā)時(shí)延最高，這是因?yàn)镽ATOS 算法的目標(biāo)節(jié)點(diǎn)僅為1 hop MEC 服務(wù)器，RATOM 算法和HRAM 算法還會(huì)選擇Nhop 的MEC 服務(wù)器作為目標(biāo)節(jié)點(diǎn)，卸載任務(wù)需層層發(fā)送、傳輸?shù)侥繕?biāo)節(jié)點(diǎn)，因而RATOM 算法和HRAM 算法的平均轉(zhuǎn)發(fā)時(shí)延會(huì)高于RATOS 算法；此外，RATOM 算法和HRAM 算法均基于Dijkstra 算法，但HRAM 算法考慮卸載任務(wù)間路徑選擇的相互影響，路徑權(quán)值會(huì)動(dòng)態(tài)變化，降低選擇重復(fù)轉(zhuǎn)發(fā)路徑的可能，所以時(shí)延低于RATOM 算法。

圖6 服務(wù)能力對(duì)卸載任務(wù)平均處理時(shí)延、轉(zhuǎn)發(fā)時(shí)延的影響Fig.6 Influence of service capability on average processing delay and forwarding delay of offloading tasks

圖7 表示16 個(gè)卸載任務(wù)在不同算法下，本地端發(fā)送UTS到目標(biāo)節(jié)點(diǎn)，完成卸載任務(wù)計(jì)算的任務(wù)請(qǐng)求時(shí)延隨服務(wù)能力的變化曲線。整體來(lái)看，隨著服務(wù)能力的增加，三種算法下卸載任務(wù)的請(qǐng)求時(shí)延均有降低，并且差異性變小。當(dāng)MEC服務(wù)器的服務(wù)能力較低時(shí)，RATOS 算法的時(shí)延相較于HRAM算法和RATOM 算法的時(shí)延較高，因?yàn)镽ATOS 算法僅考慮了1 hop 內(nèi)的目標(biāo)節(jié)點(diǎn)，服務(wù)能力有限，而卸載任務(wù)眾多，資源競(jìng)爭(zhēng)大，導(dǎo)致時(shí)延明顯增高；而HRAM 算法和RATOM 算法在本文實(shí)驗(yàn)中考慮了3 hop 及以內(nèi)的目標(biāo)節(jié)點(diǎn)，可選擇目標(biāo)節(jié)點(diǎn)較多，在服務(wù)能力有限的情況下，能明顯縮短任務(wù)請(qǐng)求時(shí)延。實(shí)驗(yàn)結(jié)果表明，HRAM 能夠更加充分使用MEC 服務(wù)器的服務(wù)能力，實(shí)現(xiàn)高效響應(yīng)任務(wù)請(qǐng)求。當(dāng)服務(wù)能力達(dá)到60%左右時(shí)，RATOS 算法逐漸優(yōu)于RATOM 算法。通過(guò)對(duì)比分析圖6 發(fā)現(xiàn)，造成該現(xiàn)象的原因是：隨著MEC 服務(wù)器服務(wù)能力的增加，不同算法下卸載任務(wù)的處理時(shí)延愈發(fā)接近，但RATOS 算法和RATOM 算法的平均轉(zhuǎn)發(fā)時(shí)延保持穩(wěn)定，從而造成RATOS 算法在充足MEC 服務(wù)器服務(wù)能力下，相較于RATOM 算法有較低的時(shí)延。HRAM 算法在不同服務(wù)能力下始終保持最低的卸載任務(wù)請(qǐng)求時(shí)延，究其原因，與RATOS 算法相比，HRAM 算法考慮更多的候選端，在目標(biāo)節(jié)點(diǎn)選擇上更具優(yōu)勢(shì)；與RATOM 算法相比，HRAM 算法考慮卸載任務(wù)間的影響，盡可能規(guī)避重復(fù)轉(zhuǎn)發(fā)路徑，使其具有更低的平均請(qǐng)求時(shí)延。本實(shí)驗(yàn)中HRAM 算法相較于RATOS 算法降低40.16%的任務(wù)請(qǐng)求時(shí)延，相較于RATOM 算法降低19.01%的任務(wù)請(qǐng)求時(shí)延。實(shí)驗(yàn)證實(shí)了HRAM 算法在降低任務(wù)請(qǐng)求時(shí)延上具有一定的優(yōu)勢(shì)。

圖7 服務(wù)能力對(duì)卸載任務(wù)平均時(shí)延的影響Fig.7 Influence of service capability on average delay of offloading tasks

圖8 顯示在不同算法下，卸載請(qǐng)求的總時(shí)延隨卸載任務(wù)數(shù)量變化的關(guān)系曲線。從整體來(lái)看，三種算法的總時(shí)延與卸載任務(wù)呈正相關(guān)；同時(shí)，增長(zhǎng)速度有明顯提高。RATOS 算法的總時(shí)延變化最大，主要是由于仿真環(huán)境中1 hop 的MEC 服務(wù)器所能提供的計(jì)算資源有限，隨卸載任務(wù)的增多會(huì)出現(xiàn)不能及時(shí)響應(yīng)的現(xiàn)象，卸載任務(wù)需要排隊(duì)執(zhí)行，使得卸載請(qǐng)求的總時(shí)延大幅增加；HRAM 算法的總時(shí)延變化最小，主要原因是調(diào)整路徑權(quán)值，避免轉(zhuǎn)發(fā)節(jié)點(diǎn)多次重復(fù)選擇的現(xiàn)象。節(jié)點(diǎn)的發(fā)送速率固定，多次重復(fù)選擇會(huì)造成數(shù)據(jù)發(fā)送不及時(shí)、數(shù)據(jù)擁塞；同時(shí)，多個(gè)任務(wù)于同一路線同時(shí)轉(zhuǎn)發(fā)，會(huì)共享傳播速度，增加傳播時(shí)延，這也是HRAM 算法與RATOM 算法隨著卸載任務(wù)數(shù)量增加，總時(shí)延差距增大的主要原因。

圖8 卸載任務(wù)請(qǐng)求總時(shí)延Fig.8 Total delay of offloading task requests

本文以卸載任務(wù)的時(shí)效性作為另一個(gè)評(píng)估算法的指標(biāo)。將卸載任務(wù)的請(qǐng)求時(shí)延不超出最大可容忍時(shí)延視為卸載成功，卸載成功的卸載任務(wù)數(shù)占卸載任務(wù)總數(shù)的比值即為卸載成功率。圖9 顯示在滿足卸載任務(wù)最大可容忍時(shí)延前提下，不同算法在不同卸載任務(wù)總數(shù)下的卸載成功率對(duì)比。整體來(lái)看，三種方案隨卸載任務(wù)數(shù)的增加，卸載成功率均呈現(xiàn)降低趨勢(shì)。仿真環(huán)境中，當(dāng)卸載任務(wù)為30 時(shí)，RATOS 算法失效，此時(shí)卸載任務(wù)的請(qǐng)求時(shí)延均超出最大可容忍時(shí)延，任務(wù)量的需求完全超出1 hop MEC 服務(wù)器可提供的服務(wù)能力。因?yàn)殡S著卸載任務(wù)總數(shù)的增加，從本地端向1 hop 目標(biāo)節(jié)點(diǎn)轉(zhuǎn)發(fā)卸載任務(wù)時(shí)，會(huì)出現(xiàn)發(fā)送飽和；另外，MEC 服務(wù)器節(jié)點(diǎn)間的傳輸能力以及目標(biāo)節(jié)點(diǎn)的服務(wù)能力均由卸載任務(wù)所均分，都會(huì)造成卸載任務(wù)響應(yīng)時(shí)間的增大，使得卸載成功率降低。對(duì)比HRAM 算法和RATOM 算法，HRAM 算法體現(xiàn)出同樣有限的服務(wù)能力，能夠滿足更多卸載任務(wù)計(jì)算需求的優(yōu)秀性能。究其原因，HRAM 算法中面向動(dòng)態(tài)權(quán)值的任務(wù)轉(zhuǎn)發(fā)策略充分調(diào)用整體網(wǎng)絡(luò)的通信能力，降低重復(fù)轉(zhuǎn)發(fā)路徑的選擇可能，較RATOM 算法縮短卸載任務(wù)的發(fā)送時(shí)延和傳輸時(shí)延。

圖9 卸載成功率Fig.9 Offloading success rate

5 結(jié)語(yǔ)

為了更好地合理分配、有效利用MEC 服務(wù)器有限資源，減少數(shù)據(jù)多跳轉(zhuǎn)發(fā)時(shí)延，優(yōu)化卸載任務(wù)請(qǐng)求時(shí)延，本文提出移動(dòng)邊緣計(jì)算分層協(xié)同資源配置方案，對(duì)本地端無(wú)力滿足的卸載任務(wù)，通過(guò)層次分析法，綜合考慮多因素，選擇合理的MEC 服務(wù)器目標(biāo)節(jié)點(diǎn)來(lái)完成。

在多層式的目標(biāo)節(jié)點(diǎn)的環(huán)境下，基于Dijkstra 算法研發(fā)隨卸載任務(wù)增加動(dòng)態(tài)更新路徑權(quán)重值算法，優(yōu)化轉(zhuǎn)發(fā)路徑，減少多卸載任務(wù)、重復(fù)轉(zhuǎn)發(fā)路徑的情況。實(shí)驗(yàn)結(jié)果表明，HRAMCM 算法在滿足任務(wù)最大可容忍時(shí)延的同時(shí)，能夠減少卸載任務(wù)的請(qǐng)求時(shí)延；在有限的服務(wù)能力內(nèi)，能夠?yàn)楦嗟男遁d任務(wù)提供服務(wù)。在今后的研究中，將會(huì)考慮更加復(fù)雜的車聯(lián)網(wǎng)下MEC 場(chǎng)景。例如：增加同一車輛任務(wù)的關(guān)聯(lián)性，擴(kuò)大MEC 服務(wù)器部署規(guī)模等。