[论文解读] Delay-sensitive Task Offloading in Vehicular Fog Computing-Assisted Platoons

Qiong Wu, Siyuan Wang+4 more|arXiv (Cornell University)|Sep 19, 2023

Vehicular Ad Hoc Networks (VANETs)Engineering被引用 3

一句话总结

本文提出了一种基于半马尔可夫决策过程（SMDP）的卸载策略，用于车辆雾计算（VFC）辅助车队中的时延敏感型任务，联合优化车队内及VFC车辆的卸载位置与资源分配。该策略通过建模基于IEEE 802.11p DCF的传输、异构计算能力以及动态的车辆/任务到达情况，最小化端到端卸载延迟，在仿真中相比贪婪策略和随机策略展现出更优的长期奖励与更低延迟。

ABSTRACT

Vehicles in platoons need to process many tasks to support various real-time vehicular applications. When a task arrives at a vehicle, the vehicle may not process the task due to its limited computation resource. In this case, it usually requests to offload the task to other vehicles in the platoon for processing. However, when the computation resources of all the vehicles in the platoon are insufficient, the task cannot be processed in time through offloading to the other vehicles in the platoon. Vehicular fog computing (VFC)-assisted platoon can solve this problem through offloading the task to the VFC which is formed by the vehicles driving near the platoon. Offloading delay is an important performance metric, which is impacted by both the offloading strategy for deciding where the task is offloaded and the number of the allocated vehicles in VFC to process the task. Thus, it is critical to propose an offloading strategy to minimize the offloading delay. In the VFC-assisted platoon system, vehicles usually adopt the IEEE 802.11p distributed coordination function (DCF) mechanism while having various computation resources. Moreover, when vehicles arrive and depart the VFC randomly, their tasks also arrive at and depart the system randomly. In this paper, we propose a semi-Markov decision process (SMDP) based offloading strategy while considering these factors to obtain the maximal long-term reward reflecting the offloading delay. Our research provides a robust strategy for task offloading in VFC systems, its effectiveness is demonstrated through simulation experiments and comparison with benchmark strategies.

研究动机与目标

• 通过利用附近车辆作为车载雾计算（VFC）资源，解决车队中因车载计算资源有限而导致的高卸载延迟挑战。
• 在车队与VFC中，对IEEE 802.11p DCF传输延迟、异构计算能力以及随机任务与车辆动态之间的复杂相互作用进行建模。
• 开发一种最优卸载策略，以最大化长期奖励，反映卸载延迟最小化与资源高效利用。
• 设计一种框架，动态选择将任务卸载至车队或VFC，并根据实时系统状态确定分配的VFC车辆数量。
• 在延迟与系统稳定性方面，证明所提策略优于贪婪与等概率分配等基准方法。

提出的方法

• 将任务卸载问题建模为半马尔可夫决策过程（SMDP），定义状态空间、动作空间、奖励函数与转移概率。
• 引入IEEE 802.11p DCF机制，以解析方式建模并计算传输延迟，尤其在不同车辆密度与碰撞概率下的情况。
• 基于车队与VFC中车辆的异构CPU能力建模计算延迟，将子任务分配至多辆VFC车辆。
• 定义奖励函数，以反映总卸载延迟的最小化，包括传输延迟、计算延迟与回传延迟，同时对资源过度使用进行惩罚。
• 使用值迭代算法求解SMDP模型，推导出在延迟与资源效率之间实现平衡的最优卸载策略。
• 将动态系统状态（如任务到达/离开速率、VFC中车辆的到达/离开情况以及可用计算资源（RUs））整合至状态表示中。

实验结果

研究问题

• RQ1 在传输延迟与计算延迟不同的情况下，将任务卸载至车队与VFC时，卸载延迟如何变化？
• RQ2 在动态车辆与任务到达条件下，为最小化总卸载延迟，处理给定任务时最优的VFC车辆数量是多少？
• RQ3 相较于基线方法，任务到达率与每项任务所需CPU周期的变化如何影响所提卸载策略的性能？
• RQ4 随着车辆密度增加，受其影响的VFC中碰撞概率如何影响传输延迟与整体卸载性能？
• RQ5 相较于仅关注即时延迟，考虑长期系统奖励在多大程度上能提升动态车载环境中任务卸载的鲁棒性与效率？

主要发现

• 所提SMDP策略在高任务到达率与CPU周期增加时，相比贪婪策略与等概率策略，均实现了更低的卸载延迟。
• 当VFC资源有限时，系统更倾向于将任务卸载至车队，因为其传输延迟更低；但随着VFC可用资源的增长，系统逐渐转向VFC。
• 随着VFC车辆数量增加，系统最初会增加对VFC的资源分配以减少计算延迟，但最终因碰撞概率上升与传输延迟增加而减少分配。
• 所需CPU周期越高，卸载延迟随之增加，因为计算延迟主导了总延迟，且该趋势在所有策略中均一致可观察。
• 贪婪策略因专注于最小化即时延迟，延迟略低于所提方法，但所提方法通过平衡延迟与资源占用，实现了更优的长期奖励。
• 仿真结果证实，所提策略能有效应对动态任务与车辆到达，在高负载下仍能最小化任务丢弃并保持低延迟。