[论文解读] Intelligent Task Offloading for Heterogeneous V2X Communications

Kai Xiong, Supeng Leng+3 more|arXiv (Cornell University)|Jun 29, 2020

Vehicular Ad Hoc Networks (VANETs)参考文献 26被引用 5

一句话总结

本文提出了一种基于DSRC、C-V2X和毫米波通信的异构V2X网络智能任务卸载框架，旨在最小化卸载失败概率和资源成本。通过使用随机网络微积分推导延迟上界，并采用联邦Q-learning算法，该方案在动态交通条件下显著优于现有方法，在可靠性与效率方面表现更优。

ABSTRACT

With the rapid development of autonomous driving technologies, it becomes difficult to reconcile the conflict between ever-increasing demands for high process rate in the intelligent automotive tasks and resource-constrained on-board processors. Fortunately, vehicular edge computing (VEC) has been proposed to meet the pressing resource demands. Due to the delay-sensitive traits of automotive tasks, only a heterogeneous vehicular network with multiple access technologies may be able to handle these demanding challenges. In this paper, we propose an intelligent task offloading framework in heterogeneous vehicular networks with three Vehicle-to-Everything (V2X) communication technologies, namely Dedicated Short Range Communication (DSRC), cellular-based V2X (C-V2X) communication, and millimeter wave (mmWave) communication. Based on stochastic network calculus, this paper firstly derives the delay upper bound of different offloading technologies with a certain failure probability. Moreover, we propose a federated Q-learning method that optimally utilizes the available resources to minimize the communication/computing budgets and the offloading failure probabilities. Simulation results indicate that our proposed algorithm can significantly outperform the existing algorithms in terms of offloading failure probability and resource cost.

研究动机与目标

• 解决资源受限的车载边缘计算（VEC）环境中任务卸载不可靠的挑战。
• 克服先前研究中假设通信资源充足且忽略失败概率优化的局限性。
• 在异构V2X网络中同时最小化卸载失败概率与通信/计算资源成本。
• 在不同交通负载和突发性流量条件下，实现对自动驾驶车辆的可靠、低延迟任务卸载。

提出的方法

• 利用随机网络微积分推导DSRC、C-V2X和毫米波技术下卸载延迟的闭式上界，考虑失败概率的影响。
• 构建一个联合最小化通信成本、计算成本与卸载失败概率的优化模型。
• 提出一种联邦Q-learning算法，实现在车辆间分布式、隐私保护的学习，同时共享本地卸载知识。
• 将上界作为Q-learning框架中的约束条件，引导决策向低延迟、高可靠性的卸载方向发展。
• 实施多智能体学习架构，使每辆车辆基于本地观测和全局模型聚合学习其最优卸载策略。
• 将动态交通参数（如任务到达率λ和突发性o）整合进学习与延迟分析框架中。

实验结果

研究问题

• RQ1 在给定失败概率下，如何为异构V2X技术推导出卸载延迟上界的解析表达式？
• RQ2 在异构V2X环境中，卸载失败概率与资源成本之间存在怎样的最优权衡？
• RQ3 如何利用去中心化学习在不共享车辆原始数据的前提下优化卸载决策？
• RQ4 在高到达率或突发性等不同交通条件下，哪种V2X技术（DSRC、C-V2X、毫米波）表现最佳？
• RQ5 与集中式或贪婪方法相比，联邦Q-learning能否有效降低失败概率与资源成本？

主要发现

• 所提出的联邦Q-learning算法在失败概率与资源成本方面显著优于Greedy与Relaxation算法。
• 在轻载交通条件下，C-V2X结合RmmWave卸载表现最佳；而在重载交通条件下，C-V2X与DSRC组合表现更优。
• 当任务到达率超过500 Mbps时，本地处理延迟急剧上升，表明必须通过卸载来降低延迟。
• 由于延迟上界迅速增加，毫米波卸载不适用于高突发性流量。
• 对于延迟容忍型任务，使用C-V2V（或RmmW）卸载可实现最低失败概率，是此类工作负载的最优选择。
• 失败概率随延迟需求增加而下降，而毫米波表现出最慢的下降速度，表明其在延迟容忍型应用中可靠性较差。