[论文解读] V2V-Based Task Offloading and Resource Allocation in Vehicular Edge Computing Networks

Junjin He, Yujie Wang+2 more|arXiv (Cornell University)|Dec 30, 2021

Vehicular Ad Hoc Networks (VANETs)被引用 4

一句话总结

本文提出OPFTO，一种基于V2V的任务卸载与资源分配框架，利用移动车辆中的空闲计算资源，在RSU不可用时降低延迟。通过将感知移动性的预过滤机制与改进的混合引力搜索算法（HGSA）相结合，该系统在动态车辆环境下相较于基线策略表现出更低的任务完成延迟和更高的成功率。

ABSTRACT

In the research and application of vehicle ad hoc networks (VANETs), it is often assumed that vehicles obtain cloud computing services by accessing to roadside units (RSUs). However, due to the problems of insufficient construction quantity, limited communication range and overload of calculation load of roadside units, the calculation mode relying only on vehicle to roadside units is difficult to deal with complex and changeable calculation tasks. In this paper, when the roadside unit is missing, the vehicle mobile unit is regarded as a natural edge computing node to make full use of the excess computing power of mobile vehicles and perform the offloading task of surrounding mobile vehicles in time. In this paper, the OPFTO framework is designed, an improved task allocation algorithm HGSA is proposed, and the pre-filtering process is designed with full consideration of the moving characteristics of vehicles. In addition, vehicle simulation experiments show that the proposed strategy has the advantages of low delay and high accuracy compared with other task scheduling strategies, which provides a reference scheme for the construction of Urban Intelligent Transportation in the future.

研究动机与目标

• 解决因RSU覆盖稀疏、负载过高及基础设施成本导致的VANET中依赖RSU的任务卸载局限性。
• 利用移动车辆中的空闲计算资源作为分布式边缘节点，提升系统韧性与效率。
• 设计一种鲁棒的、实时的任务卸载系统，充分考虑车辆移动性与动态网络拓扑。
• 通过智能候选选择与任务分配，最小化任务完成延迟并提升资源利用率。
• 开发一种感知移动性的算法，确保在不同车辆位置或停留时长下性能稳定。

提出的方法

• 提出OPFTO，一种在线预过滤任务卸载框架，包含两个阶段：候选车辆选择与任务分配。
• 引入预过滤过程，通过评估车辆停留时间、任务完成时间及历史卸载成功率，筛选出可靠的候选车辆。
• 设计HGSA算法——一种基于模拟退火的混合元启发式算法，专为最小化任务完成延迟而优化。
• 通过确保所选车辆能在其停留时长内完成分配任务，将移动性约束整合到优化过程中。
• 在HGSA中采用多目标适应度函数，平衡负载分布并最小化各车辆中的最大完成时间。
• 在城市场景中模拟V2V任务卸载，通过变化的车辆数量与子任务数量评估性能。

实验结果

研究问题

• RQ1 当路边单元（RSU）不可用或过载时，如何在VANET中有效执行任务卸载？
• RQ2 车辆移动性在决定V2V任务卸载的成功率与效率方面发挥何种作用？
• RQ3 如何对候选车辆进行预过滤以提升卸载成功率并减少延迟？
• RQ4 HGSA算法在延迟与资源利用率方面相较于传统卸载策略的优越程度如何？
• RQ5 所提系统对车辆停留时长与网络动态变化的鲁棒性如何？

主要发现

• HGSA算法在所有测试配置下均实现最低的任务完成延迟，显著优于RANDOM、SCF、DF与SSF，尤其在子任务数量较少时表现更优。
• 当子任务数量增加时，HGSA通过将任务均匀分配至所有可用车辆，避免了因长停留车辆导致的瓶颈。
• 预过滤机制显著提升了卸载成功率，确保候选车辆能在其停留时长内完成任务。
• HGSA对车辆移动性表现出强鲁棒性，无论任务车辆的位置或停留时间如何，性能均保持稳定；而SCF、DF与SSF则对车辆位置高度敏感。
• 候选选择机制有效降低了因车辆离开导致的重新卸载开销，实验证实应用候选过滤后延迟降低了20%。
• 在20辆车辆与1400个子任务的场景中，HGSA相较次优基线SSF将总完成延迟降低了高达35%。