中圖分類號：TN915.01 文獻標志碼：A 文章編號：1000-582X（2025）08-086-13

Design and evaluation of an offload feedback strategy framework based on a service characteristic model in the internet of vehicles

WANG Shi， CAO Dayanab， ZHU Xiaoyingab， WANG Mingyua， WANG Haoyinga （a.SchoolofElectronic and Information Engineering; b.Institute of Graduate，Liaoning Technical University， Huludao，Liaoning，P.R. China）

Abstract： With the proliferation of diverse service characteristics in the internet of vehicles （IoV）under the mobile edge computing （MEC） paradigm，evaluating server-to-end transmission performance presents a significant challenge，particularly due to the complex modeling requirements that must account for service-specific traits in offload feedback strategies.To address this，acache scheduling evaluation framework is proposed，incorporating time-varying and multi-type services based on queuing theory and a Markov-modulated service procesThe proposed framework supports flexible adjustments to service characteristics，bidirectional procesing rates，and offload feedback strategies，enabling itto adapt to various communication environments.Within this framework， an offload feedback strategy based onstatistical prediction is proposed.Numerical simulationsshow that the the proposed strategy improves transmission performance by approximately 50% compared with traditional approaches. These findings indicate that the proposed framework provides a valuable reference for designing adaptive strategies under diverse network conditions and hardware configurations.

Keywords： internet of vehicles; mobile edge computing; sevice modeling; Markov-modulated services; resource allocation

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)（internet ofvehicles，IoV）已成為5G的重要應用場景。在移動邊緣計算技術(shù)背景（mobile edge computing，MEC）下，車聯(lián)網(wǎng)中路邊單元攜帶的MEC服務(wù)器和智能車輛配備的車載單元（onboard unite，OBU）都具備計算和存儲能力l?；贛EC系統(tǒng)計算和緩存的功能，學者提出服務(wù)緩存和邊緣緩存技術(shù)并衍生了任務(wù)卸載、資源分配等研究。在網(wǎng)絡(luò)層上，任務(wù)卸載和資源分配問題被建模為最優(yōu)化問題。針對最優(yōu)化模型，張建軍等4提出一種多MEC聯(lián)合卸載的方案，李方偉等[5提出了V2X（vehicle-to-everything）協(xié)同緩存與資源分配機制。由于引人多樣化業(yè)務(wù)模型會使最優(yōu)化模型出現(xiàn)計算成本高的問題，上述研究在完成資源分配時未考慮到業(yè)務(wù)相關(guān)性和優(yōu)先級等多樣化特征。然而，不同類型業(yè)務(wù)的網(wǎng)絡(luò)需求和處理方式并不相同。例如業(yè)務(wù)為時延敏感和上下文敏感的應用程序，則應卸載到MEC服務(wù)器，其他為安全性服務(wù)的重要業(yè)務(wù)應該在本地進行服務(wù)和保存。

目前車聯(lián)網(wǎng)的典型業(yè)務(wù)包括：駕駛安全、交通效率、信息服務(wù)和管理綜合4類業(yè)務(wù)。這些業(yè)務(wù)在網(wǎng)絡(luò)端可定義為流量特性、可靠實時特性、忙時特性、移動性、觸發(fā)特性和附著特性的量化組合]。但相關(guān)研究.]尚缺少針對車聯(lián)網(wǎng)中車輛業(yè)務(wù)通信的系統(tǒng)建模，都是在網(wǎng)絡(luò)層通過多要素預測單一業(yè)務(wù)特性的變化。因此，對設(shè)計任務(wù)卸載策略而言，建立業(yè)務(wù)模型呈現(xiàn)車聯(lián)網(wǎng)中多種業(yè)務(wù)特性對邊緣計算效率的影響有重要意義。目前Zhu等[12將具備間歇傳輸特性的衛(wèi)星業(yè)務(wù)傳輸過程建模為基于馬爾可夫鏈蒙特卡羅的馬爾可夫調(diào)制服務(wù)過程（markov chain monte carlo based markov modulated service process，MMSP）模型，證明了MMSP模型可用于鏈路層業(yè)務(wù)建模，并呈現(xiàn)到達業(yè)務(wù)狀態(tài)之間的轉(zhuǎn)移過程。

除業(yè)務(wù)類型外，邊緣計算中業(yè)務(wù)卸載與MEC、OBU2端的CPU計算周期速率也息息相關(guān)13]。相關(guān)學者對此進行了研究，Peng等[4在設(shè)計聯(lián)合緩存和卸載策略時考慮了應用程序服務(wù)提供商的租賃成本和不同車輛計算能力的差異，戚艾林等[15]在設(shè)計卸載策略時考慮了車輛快速移動導致的回傳時延問題。由于CPU計算周期和分配策略分屬物理層和網(wǎng)絡(luò)層，難以在最優(yōu)化模型中考慮CPU計算周期對數(shù)據(jù)量的變化影響，上述研究都假設(shè)業(yè)務(wù)卸載量不會導致OBU緩存溢出，不考慮雙端計算速率的差異而進行業(yè)務(wù)卸載，卸載業(yè)務(wù)的計算數(shù)據(jù)容易導致OBU緩存溢出或欠載。OBU卸載任務(wù)時往往依據(jù)當前時刻的OBU緩存容量進行分配，但當MEC處理并回傳任務(wù)數(shù)據(jù)時、OBU的緩存容量已發(fā)生變化。由于MEC計算任務(wù)和數(shù)據(jù)回傳都存在時延且MEC的CPU計算周期數(shù)比OBU大。在MEC計算任務(wù)和進行數(shù)據(jù)回傳時，OBU由于并行處理本地業(yè)務(wù)會導致緩存量較分配任務(wù)時增多或減少。在接收MEC數(shù)據(jù)時，OBU容易因業(yè)務(wù)卸載量分配有誤出現(xiàn)數(shù)據(jù)溢出或欠載。為了設(shè)計跨層優(yōu)化策略，鏈路層評估框架已證實是有效的。耿珂等將車輛高速移動的影響抽象為信道相關(guān)系數(shù)，采用蒙特卡羅方法進行鏈路層仿真。Zhang等為在考慮異構(gòu)節(jié)點的同時分析網(wǎng)絡(luò)性能，將各節(jié)點之間的數(shù)據(jù)傳輸建模為排隊模型，基于馬爾可夫分析方法建立了鏈路層策略評估框架。

考慮到業(yè)務(wù)常規(guī)的流量特性、可靠實時特性、觸發(fā)特性和忙時特性，研究利用馬爾可夫模型對車聯(lián)網(wǎng)業(yè)務(wù)建模，通過離散排隊分析完成業(yè)務(wù)時變性的量化業(yè)務(wù)模型。此外，借助MMSP模型，在對OBU和服務(wù)器的數(shù)據(jù)流排隊分析時，考慮雙端傳輸速率提出一種通用化評估框架。該框架完成了業(yè)務(wù)類型的模塊化標準，實現(xiàn)傳輸環(huán)境的可配置性，提供諸如吞吐量、拒絕率和排隊時延等系統(tǒng)指標。借助該框架，基于概率分布提出一種跨層的卸載反饋策略。

1系統(tǒng)模型

1.1 基礎(chǔ)模型

考慮移動的單個車輛和MEC服務(wù)器之間計算任務(wù)的數(shù)據(jù)包傳輸過程，如圖1所示。車輛在移動過程中會產(chǎn)生娛樂業(yè)務(wù)、安全性業(yè)務(wù)等需求，這些業(yè)務(wù)需求被車載單元根據(jù)業(yè)務(wù)類型和流行度等因素卸載到本地或者MEC服務(wù)器進行計算，計算結(jié)果最終回傳到車載單元進行處理顯示。

假設(shè)在業(yè)務(wù)和數(shù)據(jù)傳輸過程中，所有數(shù)據(jù)都以離散數(shù)據(jù)包的形式傳輸，且數(shù)據(jù)傳輸過程都是如圖2所示的固定時隙結(jié)構(gòu)。當?shù)竭_業(yè)務(wù)量過多出現(xiàn)溢出時，溢出部分在服務(wù)器處理，其他業(yè)務(wù)在本地處理，否則將業(yè)務(wù)依據(jù)業(yè)務(wù)特性卸載到服務(wù)器或者OBU。每個時隙由3個弱關(guān)聯(lián)的流程組成：業(yè)務(wù)的產(chǎn)生到達流程、車輛對業(yè)務(wù)的處理流程及云端業(yè)務(wù)的處理反饋流程。假定車輛本地的業(yè)務(wù)處理和傳輸速率為時不變，且車輛本地接收到達業(yè)務(wù)和處理業(yè)務(wù)時不會發(fā)生業(yè)務(wù)和數(shù)據(jù)包遺漏。此外，假設(shè)MEC服務(wù)器的任務(wù)處理過程不存在業(yè)務(wù)請求和數(shù)據(jù)包丟失。

圖1系統(tǒng)模型

Fig.1 Systemmodel

圖2業(yè)務(wù)處理時隙圖

考慮車輛和服務(wù)器處理傳輸速率差距的系統(tǒng)讀寫流程如圖3所示。根據(jù)時隙的主要特征，或者占用時隙主要時長的階段不同，可以把時隙分為寫入業(yè)務(wù)、繁忙和溢出3種。寫入時隙代表大量業(yè)務(wù)寫人的時隙，繁忙時隙代表算力主要用來處理業(yè)務(wù)計算和處理的時隙，溢出時隙代表服務(wù)器傳輸?shù)臄?shù)據(jù)量過大導致OBU緩存區(qū)溢出。溢出時隙數(shù)據(jù)包會被丟棄，因此，下一時隙仍需要重新計算和回傳數(shù)據(jù)包。

Fig.2 Time slot diagramofbusinessprocessing

圖3處理速率下系統(tǒng)的讀寫示意圖

Fig.3Schematicdiagramof system r/w atprocessingrates

1.2馬爾可夫調(diào)制業(yè)務(wù)模型

為了能在評估服務(wù)器到端傳輸性能時靈活調(diào)控到達業(yè)務(wù)的特性，從業(yè)務(wù)流量特性、觸發(fā)特性、可靠實時特性和忙時特性4個業(yè)務(wù)特征對所有業(yè)務(wù)進行重新定義。

假設(shè)OBU的容量為 L_b ，云端車載的容量為 L_?m=L_?b+L_α，L_α 為輸入單元可以發(fā)送數(shù)據(jù)包的最大數(shù)量。業(yè)務(wù)流量特性的狀態(tài)總數(shù)為 S_n ，第 i_n 種業(yè)務(wù)流量特性到達狀態(tài)下業(yè)務(wù)包量 n_i 服從分布 （20 ，其中， 表示傳輸 j_n 個數(shù)據(jù)包的概率， i_n∈D={1，2，…，S_n}，j_n∈{0，1 2，…，L_a–1} 。業(yè)務(wù)流量特性到達狀態(tài)之間的轉(zhuǎn)移服從狀態(tài)轉(zhuǎn)移矩陣 I

式中 表示當前時隙為第 i 種流量特性到達狀態(tài)，下一時隙為第 j 種流量特性到達狀態(tài)的概率。當前時隙業(yè)務(wù)可靠實時特性的到達狀態(tài)是 i_l∈K={1，2，…，S_l} 時， S_? 是可靠實時特性到達狀態(tài)的總數(shù)，可靠實時特性 l_i 服從分布 L_? 表示該狀態(tài)總數(shù)。業(yè)務(wù)可靠實時特性到達狀態(tài)之間的轉(zhuǎn)移服從狀態(tài)轉(zhuǎn)移矩陣 T

當前時隙業(yè)務(wù)觸發(fā)特性的到達狀態(tài)是i ∈E={1，2，…S_z} 時，觸發(fā)特性 z_i 服從分布 ，其中， L_z 表示該狀態(tài)總數(shù)， S_z 是觸發(fā)特性到達狀態(tài)總數(shù)。業(yè)務(wù)觸發(fā)特性到達狀態(tài)之間的轉(zhuǎn)移服從狀態(tài)轉(zhuǎn)移矩陣 G （24

業(yè)務(wù)特性的忙時特性 w∈O={1，2，…，8} 是指某一特性業(yè)務(wù)在一天中一段時間內(nèi)集中爆發(fā)的性質(zhì)[18]。依據(jù)業(yè)務(wù)特性，存在 w_n∈{0，1}，w_l∈{0，1} 和 w_z∈{0，1} 分別表示業(yè)務(wù)流量特性、可靠實時特性和觸發(fā)特性的忙時特性。為方便表示，令 w=w_n+2w_l+4w_z 。各特性業(yè)務(wù)的爆發(fā)密度由忙時集中系數(shù) 0?u?1 呈現(xiàn)，爆發(fā)時長由忙時時長 0?r?24 呈現(xiàn)。假設(shè)所有特性業(yè)務(wù)的忙時集中系數(shù)閾值為 u₀ 、忙時時長的閾值為 r₀ ，則依據(jù)實際忙時集中系數(shù)和忙時時長，可表示一段時間內(nèi)流量特性業(yè)務(wù)是否存在集中爆發(fā)的特征。當忙時集中系數(shù)大于 u₀ ，爆發(fā)時長短于 r₀ 時， w_n=1 表示流量特性業(yè)務(wù)在短時間內(nèi)存在集中爆發(fā)的特性，反之為不存在集中爆發(fā)的特性

此外，當 w_n=1 時，到達業(yè)務(wù)的流量特性根據(jù)馬爾可夫調(diào)制得到。當 w_n=0 時，到達業(yè)務(wù)的流量特性狀態(tài)依據(jù)流量特性到達的穩(wěn)態(tài)分布 π_n 采樣獲得。

1.3 緩存模型

為方便計算性能評估指標，將OBU和MEC服務(wù)器實體建模為數(shù)據(jù)包緩存隊列。MEC服務(wù)器內(nèi)存儲的業(yè)務(wù)類型 l 服從分布

式中： i_ψ=w+8i_z+8S_zi_l+8S_zS_li_n 表示流量特性狀態(tài)為 i_n ，可靠實時特性狀態(tài)為 i_ι， ，觸發(fā)特性狀態(tài)為 i_z ，忙時特性為 w 的業(yè)務(wù)； 表示業(yè)務(wù)類型為 i_ψ 產(chǎn)生的概率。 S_n=8S_nS_lS_z 為到達業(yè)務(wù)特征狀態(tài)的總數(shù)， S_n 為流量特性到達狀態(tài)總數(shù) ?_?S_ι 為可靠實時特性到達狀態(tài)總數(shù) ??S_z 為觸發(fā)特性到達狀態(tài)總數(shù)。相似的，OBU端內(nèi)存儲的業(yè)務(wù)類型L 服從分布

因此，根據(jù)業(yè)務(wù)類型的狀態(tài)可得雙端存儲業(yè)務(wù)的4個特征的狀態(tài)。當前時隙數(shù)據(jù)包在卸載前，OBU中數(shù)據(jù)包的數(shù)量被表示為 b∈P={0，1，…，L_b} ，且 b 服從如下概率分布

式中： 表示卸載前OBU中存在 b 個數(shù)據(jù)包的概率； 。OBU的 L_b+1 種緩存狀態(tài)之間的轉(zhuǎn)移概率可以用 B 表示為

式中： 表示上一時隙OBU緩存內(nèi)存在 i 個數(shù)據(jù)包，且本時隙存在 j 個數(shù)據(jù)包的概率。分配后車載端存儲的數(shù)據(jù)包數(shù)量滿足的概率分布被 φ₁ⁿ 表示，MEC服務(wù)器向車載端傳輸后車載端內(nèi)數(shù)據(jù)包數(shù)量服從的概率分布為 φ₂ⁿ，φ₃ⁿ ，是OBU處理數(shù)據(jù)包后其內(nèi)部數(shù)據(jù)包數(shù)量滿足的概率分布。當前時隙數(shù)據(jù)包分配前MEC服務(wù)器內(nèi)包含的數(shù)據(jù)包數(shù)量描述為 u∈U={0，1，…，L_m} ，且被規(guī)定服從概率分布

ψ₀ⁿ=[ψ₀ⁿ（0），…，ψ₀ⁿ（i），…，ψ₀ⁿ（L_m）]

MEC服務(wù)器的 L_m+1 種緩存狀態(tài)之間的轉(zhuǎn)移概率則可以用 _J 表示

式中： 表示上一時隙MEC服務(wù)器緩存內(nèi)存在 i 個數(shù)據(jù)包，且本時隙存在 j 個數(shù)據(jù)包的概率。

1.4馬爾可夫調(diào)制通信模型

車輛和服務(wù)器之間的通信采用取自HIPERLAN/2和IEEE802.11a標準的AMC調(diào)制方式。單車輛模型考慮噪聲信道，將傳輸信道的信噪比劃分為 N_sNR 個SNR狀態(tài)?？紤]到傳輸信道的時變性，將 N_sNR 個SNR信道條件狀態(tài)的演化建模為馬爾可夫鏈[-20]。該模型由 N_sNR×N_sNR 的狀態(tài)轉(zhuǎn)移矩陣 F 描述

式中： 表示信道的信道條件狀態(tài)由上一時隙狀態(tài) i 轉(zhuǎn)移為本時隙狀態(tài) j 的概率。若當前時隙信道條件狀態(tài)為 c∈Q={1，2，…，N_sNR} ，根據(jù)調(diào)制方案可以獲得信道條件狀態(tài)為 c 的傳輸系統(tǒng)數(shù)據(jù)包傳輸概率分布 ξ_c^channel

ξ_c^channel=[p_c^channel（0），…，p_c^channel（j），…，p_c^channel（L_b）]，

式中： p_c^channel（j） 信道條件狀態(tài)為 Ψ_c 時，當前時隙內(nèi)傳輸 j 個數(shù)據(jù)包的概率。

2 隊列服務(wù)分析框架

2.1 隊列分析

為推導出系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣，筆者用排隊理論分析數(shù)據(jù)包的傳遞過程。

1）業(yè)務(wù)到達過程

在給定流量特性的忙時特性 w_n 基礎(chǔ)上，依據(jù)馬爾可夫調(diào)制過程獲取當前時隙到達業(yè)務(wù)流量 n 服從的概率分布為

式中： 表示數(shù)據(jù)到達過程可能到達的最大數(shù)量； 表示在 i_n 狀態(tài)下到達 j_n 個數(shù)據(jù)包的概率。

2）業(yè)務(wù)卸載過程

當前時隙到達業(yè)務(wù)的可靠實時特征為 l_i， ，服從分布為 ξ_i^l（ 2 a_b 和 a_s 分別表示到達業(yè)務(wù)分配給OBU和MEC服務(wù)器的待處理數(shù)據(jù)包數(shù)量。分配過程可以用2者服從的概率分布向量 τ 和 描述。OBU當前階段的業(yè)務(wù)類型為 L_o ，其代表的業(yè)務(wù)流量類型 L₀ⁿ 服從分布

φ₀ⁿ=[φ₀ⁿ（0），…，φ₀ⁿ（b），…，φ₀ⁿ（L_b）]°

當下業(yè)務(wù)的卸載主要依賴于業(yè)務(wù)的流量特征和可靠實時特性特征。當業(yè)務(wù)數(shù)據(jù)量過大會溢出OBU緩存時，溢出部分卸載到服務(wù)器處理。當業(yè)務(wù)數(shù)據(jù)量較小時，可靠實時業(yè)務(wù)在本地處理，其他業(yè)務(wù)在云端處理。當?shù)竭_業(yè)務(wù)流量使OBU溢出時，卸載到服務(wù)器的業(yè)務(wù)流量 a_s 服從分布 ，該分布滿足如下關(guān)系

式中： 表示在當前到達狀態(tài)下業(yè)務(wù)到達 j_n 個數(shù)據(jù)包的概率。保留OBU端的業(yè)務(wù)流量 a_b 服從的分布 τ^′= Conv ）。因此考慮保存在OBU端的業(yè)務(wù)流量服從分布為

式中： λ_ι 為可靠實時特性閾值，對應的保存在服務(wù)器端的業(yè)務(wù)流量 a_s 服從的分布 y=Conv（r，τ^-1） ，其中 τ^-1 表示 τ 的轉(zhuǎn)秩分布?？紤]到車載端和服務(wù)器端處理速率的差距[2]， u_H 和 u_?L 分別表示單次業(yè)務(wù)處理過程中OBU端和服務(wù)器端處理業(yè)務(wù)所需要的時隙數(shù)。OBU的業(yè)務(wù)數(shù)據(jù)流量在業(yè)務(wù)卸載后服從分布 φ₁ⁿ=T（φ₀ⁿ，τ，ν_?H） ，服務(wù)器端的業(yè)務(wù)數(shù)據(jù)流量服從分布 ψ₁ⁿ=T（ψ₀ⁿ，τ，ν_?L） 。其中， T（x，y，z） 為

3）結(jié)果反饋過程

服務(wù)器向OBU回傳的數(shù)據(jù)量由任務(wù)卸載后的數(shù)據(jù)流量、信道條件和卸載反饋策略決定。依據(jù)卸載反饋策略，服務(wù)器向OBU回傳的數(shù)據(jù)量分布為

P_m=[p_m（0），…，p_m（i_m），…，p_m（L_m）]

考慮信道條件限制，當信道條件已知時，前時隙服務(wù)器發(fā)送數(shù)據(jù)包的調(diào)制方案為 ξ_c=[p_c（0），… （204號 服務(wù)器可向OBU傳輸?shù)臄?shù)據(jù)包數(shù)量服從分布 ω=[p_ω（0），…，p_ω（i_ω），…，p_ω（L_m）] 該分布滿足如下關(guān)系

因此，在服務(wù)器向OBU傳輸數(shù)據(jù)后，服務(wù)器端的數(shù)據(jù)包數(shù)量服從概率分布為 ψ₂ⁿ=T（ψ₁ⁿ，ω^-1，ν_L）₀ 考慮服務(wù)器和OBU處理速率的差異，每時隙服務(wù)器完成結(jié)果反饋后，OBU的數(shù)據(jù)包概率分布為 φ₂ⁿ=T（φ₁ⁿ，ω，ν_H）

4）數(shù)據(jù)處理過程

服務(wù)器端的觸發(fā)業(yè)務(wù)會被保存一段時間。車載端部分可靠實時業(yè)務(wù)也需要保存，如地圖等較為重要的數(shù)據(jù)。假設(shè)可靠實時特性 大于 σ_ι 的業(yè)務(wù)流需要被車載端保存，觸發(fā)特性 z_i² 大于 ρ_z 的業(yè)務(wù)流會被服務(wù)器保存。則在完成數(shù)據(jù)處理后，本地端和服務(wù)器端的數(shù)據(jù)包數(shù)量服從的分布為

2.2 狀態(tài)空間

基于馬爾可夫模型對系統(tǒng)進行分析，設(shè)置到達狀態(tài)、OBU緩存狀態(tài)、服務(wù)器緩存狀態(tài)和信道狀態(tài)作為主狀態(tài)，構(gòu)成系統(tǒng)狀態(tài)空間

由于到達狀態(tài)由業(yè)務(wù)流量特征狀態(tài)、可靠實時特征狀態(tài)、觸發(fā)特征狀態(tài)和忙時特性狀態(tài)4個子狀態(tài)構(gòu)成，到達狀態(tài)空間為

到達狀態(tài)空間大小為 S_h=8S_nS_lS_z ，系統(tǒng)狀態(tài)空間大小即為 。到達空間下各狀態(tài) 之間的轉(zhuǎn)移服從到達狀態(tài)轉(zhuǎn)移矩陣

式中：I是到達業(yè)務(wù)的流量特性狀態(tài)轉(zhuǎn)移矩陣； ^T 是到達業(yè)務(wù)的可靠實時特性狀態(tài)轉(zhuǎn)移矩陣； G 是到達業(yè)務(wù)的觸發(fā)特效狀態(tài)轉(zhuǎn)移矩陣。該空間下各狀態(tài)之間的轉(zhuǎn)移服從系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣 T

式中： A 是到達過程狀態(tài)轉(zhuǎn)移矩陣； B 是OBU緩存狀態(tài)轉(zhuǎn)移矩陣； _J 是MEC服務(wù)器緩存狀態(tài)轉(zhuǎn)移矩陣； F 是信道狀態(tài)轉(zhuǎn)移矩陣； ? 是克羅內(nèi)克積; T_ij 表示系統(tǒng)狀態(tài)編號上一時隙為i，本時隙變?yōu)?j 的概率。

2.3 基于蒙特卡羅的隊列仿真

由于系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣過大，為獲取穩(wěn)態(tài)分布，使用蒙特卡羅方法對服務(wù)器到端的數(shù)據(jù)包排隊演化過程進行仿真，如圖4所示。

5.本地計 6.依據(jù)信道狀態(tài) 單次排隊過程產(chǎn)生 成載 算業(yè)務(wù) 獲取調(diào)制方式 務(wù)器 10.各自完成業(yè)務(wù)請求 務(wù)卸載 業(yè)器務(wù) 據(jù)信道式 傳 務(wù)數(shù)據(jù)的處理單時隙單次仿真 記錄相關(guān)指標2.仿真指標 No 判斷系統(tǒng) Yes開始 1.參數(shù)設(shè)置 的初始化 是否穩(wěn)態(tài) 結(jié)束

通過對隊列模型的仿真，可得到系統(tǒng)的穩(wěn)態(tài)分布為 π=[π（1），…，π（S_π）]. 其中 。穩(wěn)態(tài)分布和狀態(tài)轉(zhuǎn)移矩陣的關(guān)系滿足下式

π（T-E）=0，

其中， E 是單位矩陣。

為了推導評價指標，規(guī)定編號為 i 的系統(tǒng)狀態(tài)為 ?_i（a_i，b_i，u_i，c_i） ，系統(tǒng)狀態(tài)編號與到達狀態(tài)、OBU緩存狀態(tài)、服務(wù)器緩存狀態(tài)、信道狀態(tài)滿足如下關(guān)系

2.4性能指標推導

評估框架采用平均隊長、平均吞吐、平均拒絕和平均時延作為性能評估指標。

1）平均隊長指標

平均隊長指標定義為單位時隙內(nèi)OBU緩存與服務(wù)器緩存的隊長之和。結(jié)合穩(wěn)態(tài)分布，平均隊長指標為

式中： π（i） 表示穩(wěn)定狀態(tài)下系統(tǒng)狀態(tài)為第 i 種狀態(tài)的概率； b_i 表示第 i 種系統(tǒng)狀態(tài)下的OBU隊長； u_i 表示第 i 種系統(tǒng)狀態(tài)下的服務(wù)器隊長。

2）平均吞吐指標

平均吞吐指標定義為單位時隙內(nèi)MEC向OBU傳輸?shù)臄?shù)據(jù)包數(shù)量。在編號為 i 的狀態(tài)下，吞吐 k 個數(shù)據(jù)包的概率 為

式中：在給定系統(tǒng)狀態(tài) i 下，信道條件狀態(tài)為 c 時 p_c（k） 表示信道傳輸 k 個數(shù)據(jù)包的概率； φ₂ⁿ（k） 表示MEC服務(wù)器向OBU傳輸后OBU內(nèi)數(shù)據(jù)包數(shù)量為 k 個數(shù)據(jù)包的概率?？紤]穩(wěn)態(tài)下部分系統(tǒng)狀態(tài)會吞吐相同數(shù)量的數(shù)據(jù)包，吞吐 k 個數(shù)據(jù)包的概率 為

平均吞吐為

3）平均拒絕指標

平均拒絕指標定義為單位時隙內(nèi)MEC服務(wù)器向OBU傳輸卻因OBU溢出而被丟棄的數(shù)據(jù)包數(shù)量。在編號為 i 的狀態(tài)下拒絕 k 個數(shù)據(jù)包的概率 P_rejection（i，k） 為

式中： b_i 是在狀態(tài)編號為 i 的情況下OBU的初始隊長； p_m（j） 是MEC向OBU回傳時傳輸 j 個數(shù)據(jù)包的概率?？紤]狀態(tài)空間的所有狀態(tài)，有穩(wěn)態(tài)下拒絕 k 個數(shù)據(jù)包的概率為 P_rejection（k）

則傳輸系統(tǒng)的平均拒絕表示為

4）平均時延指標

高觸發(fā)特性業(yè)務(wù)在數(shù)據(jù)處理時存在復用情況，因此，計算時延不考慮觸發(fā)特性數(shù)據(jù)包情況，定義時延指標為單個數(shù)據(jù)包從到達傳輸系統(tǒng)到傳輸所用時隙數(shù)

式中： n 是當前時隙到達業(yè)務(wù)的流量特性； i_z 表示第 i 種系統(tǒng)狀態(tài)下到達業(yè)務(wù)的觸發(fā)特性狀態(tài)； ρ_z 為數(shù)據(jù)處理時會被服務(wù)器保存的觸發(fā)特性狀態(tài)閾值。

3反饋策略的數(shù)學模型

3.1 策略的原理

研究將所有時隙分為如圖5所示的直傳時隙和調(diào)整時隙。目前MEC服務(wù)器在直傳時隙完成對傳輸過程的評估，并進行數(shù)據(jù)包傳輸。在調(diào)整時隙，MEC服務(wù)器需要根據(jù)觀測值統(tǒng)計結(jié)果調(diào)整預測的OBU緩存分布。

圖5預測時隙圖

Fig.5Predictiontimeslotplot

假設(shè)傳輸性能穩(wěn)定所需的時間為 t_observe ，則 t_?0 到 t_observe-1 為直傳時隙，數(shù)據(jù)傳輸性能優(yōu)于預設(shè)指標值，MEC服務(wù)器直接將數(shù)據(jù)包傳輸至OBU。 t_observe 時隙為調(diào)整時隙，數(shù)據(jù)傳輸性能劣于預設(shè)指標值，MEC服務(wù)器根據(jù)觀測時隙統(tǒng)計的排隊情況對預測隊長分布進行調(diào)整，依據(jù)該分布發(fā)送數(shù)據(jù)包到OBU。

3.2兩種反饋策略的數(shù)學模型

基于以上預測模型，在每個觀測時隙，MEC服務(wù)器預測的車載端空余隊長分布可表示為

式中： 表示預測車載端可存人 i 個數(shù)據(jù)包的概率。結(jié)合反饋策略對預測空余隊長分布進行修正，可獲取MEC服務(wù)器向OBU傳輸數(shù)據(jù)包數(shù)量遵循的概率分布向量

式中： P_m（i） 表示MEC服務(wù)器向OBU傳輸 i 個數(shù)據(jù)包的概率。根據(jù)空余隊長期望 ，可以建立傳統(tǒng)的本地計算機制（allocal computing mechanism，ALCM）、基于邊緣緩存的全卸載計算機制（alloffoadingcomputing mechanism with caching，AOCM）、基于邊緣緩存的V2I卸載機制（V2I collborative caching and re-source allocation，V2I-CCRA）[5和提出的概率傳輸策略（probability transport strategy，PTS）數(shù)學模型。ALCM策略需要將所有任務(wù)在車載端進行計算處理，AOCM策略需要將所有任務(wù)都卸載到OBU進行計算。ALCM、AOCM、V2I-CCRA和PTS策略可分別用 P_m¹，P_m²，P_m³ 和 P_m⁴ 表示

4數(shù)值分析

研究提出的評估框架最顯著優(yōu)點是可以靈活控制評估框架中的到達業(yè)務(wù)類型、信道環(huán)境、反饋策略、OBU和MEC服務(wù)器的硬件設(shè)置。為了簡化計算量，對信道狀態(tài)和所有業(yè)務(wù)特征都僅考慮2種到達狀態(tài)，對應狀態(tài)矩陣也僅考慮2種 和 設(shè)定OBU處理時隙間隔為 u_?H=1 （時隙/業(yè)務(wù)），服務(wù)器端處理時隙間隔為 u_/L=2 （時隙/業(yè)務(wù)），到達業(yè)務(wù)流量特性、可靠實時特性和觸發(fā)特性的忙時特性狀態(tài)為w_n=w_l=w_z=0 ，其他默認參數(shù)如表1所示。

表1默認參數(shù)

Table1 Defaultparameters

為了評估當前提出策略的性能，將其與ALCM，AOCM和V2I-CCRA ^[s]3 種策略進行性能比較。圖6清晰地展示了反饋策略對傳輸性能的影響。設(shè)置參數(shù)如表2所示，考察大量、高可靠實時特性的不流行業(yè)務(wù)。設(shè) ， p=0，0.1，…，1 。從圖中可以發(fā)現(xiàn)，V2I-CCRA策略和提出的PTS策略的各項性能都比傳統(tǒng)的ALCM和AOCM策略優(yōu)越 50% 以上，而PTS策略和V2I-CCRA策略下的吞吐、拒絕指標則近似相當，PTS策略下的時延指標比V2I-CCRA策略下優(yōu)越 5%～30% 。由于到達的重要不流行業(yè)務(wù)會在OBU端進行處理和傳輸，隨著信道通信環(huán)境變差，傳輸系統(tǒng)的吞吐量變小，拒絕包數(shù)變多、系統(tǒng)時延變大。仿真結(jié)果證實了PTS策略的有效性，證明了本系統(tǒng)可以較明確地評估采用不同策略的傳輸系統(tǒng)在不同類型到達業(yè)務(wù)下的性能。

表2仿真2到達狀態(tài)對應業(yè)務(wù)特性

Table2 Characteristics of thearrival statein simulation2

為了驗證到達模型的合理性和系統(tǒng)對到達模型的兼容性，設(shè)置參數(shù)如表3所示，圖7展示了當不同類型業(yè)務(wù)到達時，隨著OBU容量變大，傳輸系統(tǒng)在給定反饋策略和卸載策略下的性能。當OBU容量逐漸變大時，由于不重要業(yè)務(wù)會優(yōu)先存儲在MEC服務(wù)器，OBU吞吐量不變。由于反饋策略和OBU容量的限制，MEC服務(wù)器反饋數(shù)據(jù)包的數(shù)量存在上限。當不重要業(yè)務(wù)到達量逐漸增多時，OBU終端拒絕的數(shù)據(jù)包也會變多。時延指標則體現(xiàn)了系統(tǒng)對不重要業(yè)務(wù)的存儲量存在最大限度。此外，到達狀態(tài)2～5在所有性能上波動都不超過自身的 1%～2.5% ，說明傳輸系統(tǒng)中可靠實時特性和流量特性變化對系統(tǒng)性能影響較小、在設(shè)計卸載策略和反饋策略時可以較少考慮。但相較到達狀態(tài)6和7下的傳輸性能，差距達到自身的 25%～33% ，可以認定流行特性的忙時特性對策略和傳輸系統(tǒng)的設(shè)計較為重要。

為了探究服務(wù)器和OBU處理器速率對系統(tǒng)性能的影響，在圖8中逐漸降低OBU傳輸速率，并控制服務(wù)器的處理速率比OBU處理速率低一個時隙，考慮到達業(yè)務(wù)到達狀態(tài)如表3所示。如圖8所示，隨著OBU和服務(wù)器的處理速率降低，系統(tǒng)的傳輸性能普遍降低為初始性能的 80% 左右。但在到達狀態(tài)7下系統(tǒng)的性能一直保持較好的水平且波動不超過最好狀態(tài)的 15% ，說明當?shù)竭_業(yè)務(wù)具備量少、觸發(fā)特性和忙時特性時，可以采用處理性能較差的傳輸系統(tǒng)。

表3仿真3業(yè)務(wù)到達狀態(tài)對應業(yè)務(wù)特性

Table3 Characteristicsofthearrival stateinsimulation3

綜上所述，所提的框架可以在評估服務(wù)器到端的傳輸性能時靈活調(diào)控卸載反饋策略、傳輸環(huán)境等多種參數(shù)，對到達業(yè)務(wù)的各項特性量化效果良好，為設(shè)計卸載反饋策略、評估傳輸性能提供參考。

5結(jié)論

針對車聯(lián)網(wǎng)中業(yè)務(wù)類型的爆發(fā)式增長和時變特性、在一定成本限制下使卸載反饋策略的設(shè)計更能滿足傳輸需求，筆者提出了時變多類型業(yè)務(wù)下的通用緩存調(diào)度分析框架。該框架是基于馬爾可夫鏈蒙特卡羅的馬爾可夫調(diào)制服務(wù)過程模型，實現(xiàn)了業(yè)務(wù)類型在量和時變程度上的極大可配置性，針對不同的卸載反饋策略提供傳輸性能指標，為更好設(shè)計卸載反饋策略提供參考?；谠摽蚣?，研究提出一種卸載反饋策略，并探究了不同卸載反饋策略、不同處理器硬件配置和到達不同類型業(yè)務(wù)在傳輸性能上的相關(guān)性，指出卸載反饋策略以及不同的處理器配置適合處理業(yè)務(wù)的類型。實驗結(jié)果表明，該框架可以在考慮多類型時變業(yè)務(wù)情況下，適應不同的卸載反饋策略并量化處理器速率以呈現(xiàn)卸載反饋策略和處理器速率對傳輸系統(tǒng)的影響，為選取處理器和設(shè)計卸載反饋策略提供參考。研究可以為建立車聯(lián)行為的綜合分析模型提供參考，為6G多傳感器通感一體化前景提供仿真模型。但目前由于計算復雜度，框架僅能考慮一對邊緣服務(wù)器和車輛，后續(xù)研究以降低框架復雜度、建立車聯(lián)網(wǎng)網(wǎng)絡(luò)模型作為研究目標。

參考文獻

[1]黃永明，鄭沖，張征明，等.大規(guī)模無線通信網(wǎng)絡(luò)移動邊緣計算和緩存研究[J].通信學報，2021，42（4）：44-61. HuangYM，Zheng C，Zhang ZM，etal.Research onmobile edgecomputingandcaching in massive wireless communication network[J]. Journal on Communications，2021，42（4）： 44-61.

[2]XuJ，ChenL，Zhou P.Jointservice cachingandtask ofloading formobileedgecomputing in dense networks[C]/EEE INFOCOM 2018 Conference on Computer Communications. Honolulu： IEEE， 2018： 207-215.

[3]Zhang S，LiJ，LuoH，etal.Low-latencyand freshcontent provisionininformation-centricvehicularnetworks[J].EEE Transactions on Mobile Computing，2022，21（5）：1723-1738.

[4］張建軍，代帥康，張本宏.車聯(lián)網(wǎng)中基于任務(wù)緊急性的聯(lián)合卸載方案[J].電子測量與儀器學報，2020，34（11）：66-71. Zhang JJ，Dai SK，Zhang BH.Joint offoading methodbasedon task urgencyin theVANETs[J].Journalof Electronic Measurement and Instrumentation，2020，34（11）： 66-71.（in Chinese）

[5］李方偉，張海波，王子心.車聯(lián)網(wǎng)中基于MEC的V2X協(xié)同緩存和資源分配[J].通信學報，2021，42（2）：26-36. LiF W，Zhang H B， Wang Z X， V2X colaborative cachingand resource alocation in MEC-based IoV[J]. Journal on Communications，2021，42（2）：26-36.（in Chinese）

[6]LiuY，YuH，XieS，etal.Depreinforcementlearningforoloadingandresourcealocationinaehicleedgecomputingand networks[J]. IEEE Transactions on Vehicular Technology，2019， 68（11）：11158-11168.（in Chinese）

[7］董振江，古永承，梁健，等.C-V2X車聯(lián)網(wǎng)關(guān)鍵技術(shù)與方案概述[J].電信科學，2020，36（4）：3-14. Dong Z J，Gu Y C，Liang J，et al.Overview on keytechnology andsolution of C-V2X for internet of vehicles[J]. Telecommunications Science，2020，36（4）：3-14.（in Chinese）

[8］王海陶，宋小明，盧紀宇.物聯(lián)網(wǎng)業(yè)務(wù)特征及業(yè)務(wù)模型研究[J].廣西通信技術(shù)，2012（3）：43-49. WangHT，Song XM，LuJY.Theresearch oncharacteristicsand service model of internetof things[J].Guangxi Communication Technology，2012（3）： 43-49.（in Chinese）

[9］程一凡，曲至誠，張更新.低軌衛(wèi)星星座物聯(lián)網(wǎng)業(yè)務(wù)量建模[J].電子與信息學報，2021，43（4）：1050-1056. ChengYF，QUZC，Zhang GX.Traffic modelingforlowearthorbit sateliteconstelaton internetof things[J].Journalof Electronics and Information Technology，2021，43（4）：1050-1056.（in Chinese）

[10]張海霞，李腆腆，李東陽，等.基于車輛行為分析的智能車聯(lián)網(wǎng)關(guān)鍵技術(shù)研究[J].電子與信息學報，2020，42（1）：36-49. ZhangHX，LiDD，iDY，etal.Researchonvehiclebhavioranalysisbasedtechnologies forinteligentvehicularetworks [J].Journal of Electronics and Information Technology，2020，42（1）：36-49.（in Chinese）

[11]侯世武，譚獻海.典型物聯(lián)網(wǎng)業(yè)務(wù)流量特性研究分析[J].物聯(lián)網(wǎng)技術(shù)，2017，7（6）：40-42，46. Hou SW，TanXH，Researchandanalysisoftraficcharacteristicsof typicalIoTservices[J].InternetofThings Techologies， 2017，7（6）： 40-42，46. （in Chinese）

[12]ZhuY，hengM，LiJ.Modelingandperformanceanalysisforatelitedatarelanetworksusingtwodimensionalmarkomodulated process[J].IEEE Transactions on Wireless Communications，2020，19（6）：3894-3907.

[13]SilvaL，MagaiaN，Sousa B，etal.Computing paradigmsinemergingvehicularenvironments： areview[J].IEEE/CAAJoual of Automatica Sinica，2021，8（3）： 491-511.

[14]PengK，NieJ，KumarN，etal.Jointoptimzationofservicechaincachingandtaskofloainginmobileedgecomputing[J]. Applied Soft Computing，2021，103：107142.

[15］戚艾林，李旭杰，陸睦，等.基于遺傳算法的5G車聯(lián)網(wǎng)的數(shù)據(jù)協(xié)作分發(fā)策略研究[J].國外電子測量技術(shù)，2019，38（01）： 33-37. QiAL，LiXJ，Lu M，etal.Researchondata cooperativedistribution strategies of5G networkedvehiclesbasedongenetic algorithms[J].Foreign Electronic Measurement Technology，2019，38（01）：33-37.（in Chinese）

[16]耿珂，胡坤，高強等.復雜環(huán)境下雙向協(xié)作通信研究[J].電子測量技術(shù)，2019，42（01）：116-120. KeJ，Hu K，GaoQ，etal.Researchonbidirectionalcooperativecommunicationincomplexenvironment[J].Electronic Measurement Technology，2019，42（01）：116-120.（in Chinese）

[17]Zhang M，ZuXZhangB，etal.Acro-laerperformanceevauatiosystemforspectrumsensingadallcationtrategies in CR-WSN[J]. IEEE Sensors Journal，2024，24（9）： 15355-15366.

[18]MetzgerF，HoBfeldT，BauerA，etal.ModelingofaggegatedItraficaditsapplicatiotanoloud[J].Procedingsof the IEEE，2019，107（4）： 679-694.

[19]Zhang M，Zhu XY，Wang S，etal.Achannelalocationframework underresponsive pricinginheterogeneous cognitiveradi network[J].IEEE Transactions on Cognitive Communications and Networking，2023，9（4）： 872-883.

[20]Wang S，LanH，ZhuX，etal.Aperformanceevaluationsystemofchanelallocation protocolbasedonprobabilityvectors for cognitiveradionetwork[C]/2021 IEEE4th International ConferenceonElectronics Technology （ICET）.Chengdu，China： IEEE，2021：1062-1067.

[21]羅峰，馬逸飛，郭怡，等.車載時間敏感網(wǎng)絡(luò)鏈路冗余調(diào)度性能分析[J].儀器儀表學報，2023，44（02）：278-287. LuoF，MaYF，GuoY，etal.Analysisoftime-sensitivenetworklinkredundancyschedulingperformane[J].ChineseJoualof Scientific Instrument，2023，44（02）： 278-287.（in Chinese）

（編輯 侯湘）