关键词:
边缘计算
排队论
强化学习
区块链技术
摘要:
目前,车联网技术正在不断地发展,系统所要处理的任务变得更加复杂,且由于任务数量的急剧增加,所要处理的任务请求在无形中产生了排队现象,这对系统带宽资源以及数据处理能力的要求进一步提高,同时对于车联网满足高可靠性和低延迟性双重要求带来了更大的挑战。以边缘计算为基础的车载边缘计算系统,可以通过将计算任务卸载到空闲的设备或部署在边缘的MEC服务器进行任务请求的处理,通过提高系统的服务质量和系统的资源利用率,从而满足系统对于高可靠性和低延迟性的双重要求。但是,任务请求在无形中产生的排队现象,依然会对车载边缘计算的系统性能造成一定的影响。并且,在车载边缘计算系统中,由于车辆是动态的,同一个MEC服务器无法自始至终给车辆提供服务,这势必会导致车辆在不同MEC服务器覆盖范围内频繁的切换,这样不仅影响了系统对于高可靠性和低延迟行的双重要求,同时也会出现由于覆盖范围的切换所带来的通信安全问题。以往关于车载边缘计算系统的研究多将高可靠性和低延迟性作为单独的目标进行优化,很少将两个目标联合优化,且大多数研究处于理想状态,未能涉及到由于车辆的移动性所带来的通信安全问题。为解决以上问题,本文制定了以边缘计算为基础的车载边缘计算网络,结合排队论模型和区块链技术,使用强化学习中的Q-learning算法和A3C算法,在兼顾系统对高可靠性低延迟性要求的同时,提高了通信的安全性。主要的研究内容归纳如下:
1.提出了一种基于任务排队论模型和边缘计算模型相结合的智能通信和计算资源分配的多目标强化学习策略。该策略将通信资源和计算资源的分配相结合,以降低由延迟和可靠性组成的系统总成本。该策略可以被分解成三个算法,首先联合计算卸载与协作算法是该策略的一个通用框架,它首先使用KNN方法为生成的任务请求选择卸载层,如边缘计算层和本地计算层。然后,当选择本地计算层执行任务时,使用称为协作车辆选择的算法来查找执行协作计算的目标车辆。最后,将通信和计算资源的分配定义为两个独立的目标,称为多目标资源分配的算法在移动边缘计算层使用强化学习来实现问题的最优解。仿真结果表明,与随机计算、全部边缘计算和全部本地计算相比,所提出策略有效地降低了系统的总成本。KNN方法和随机卸载方法相比,节省了系统的总成本,强化学习算法在系统总成本的控制上也优于传统的粒子群算法。
2.将区块链技术应用于VEC的协作任务卸载,提出了一个具有共识机制的协作任务卸载和安全切换框架,保证了协作任务卸载的效率和安全切换。在此框架下,构建了车辆移动性和协作任务卸载切换的模型,并提出了一种共识机制。该机制确保了协作任务卸载切换中卸载数据的同步性和不变性。考虑到区块链技术的安全切换,还制定了一个协同决策优化方案,以优化车辆计算任务的延迟。为了解决这一复杂问题,将该优化问题转化为马尔可夫决策过程,并设计了一种具有多智能体的深度强化学习协作任务卸载决策算法,从而获得最优解。大量仿真验证了该方法的性能和有效性。