[论文解读] Vehicular Edge Computing and Networking: A Survey

Lei Liu, Chen Chen+3 more|arXiv (Cornell University)|Jul 25, 2019

IoT and Edge/Fog Computing参考文献 103被引用 13

一句话总结

本文对车载边缘计算（Vehicular Edge Computing, VEC）进行了全面综述，将移动边缘计算（Mobile Edge Computing, MEC）集成到车载网络中，以降低延迟并减少带宽使用。文章分析了VEC的架构、关键使能技术（如软件定义网络SDN和网络功能虚拟化NFV），并探讨了在服务质量（QoS）、可扩展性、经济性和安全性方面的挑战，提供了一套系统化的文献综述，并指出了任务卸载、缓存和隐私保护计算等未来研究方向。

ABSTRACT

As one key enabler of Intelligent Transportation System (ITS), Vehicular Ad Hoc Network (VANET) has received remarkable interest from academia and industry. The emerging vehicular applications and the exponential growing data have naturally led to the increased needs of communication, computation and storage resources, and also to strict performance requirements on response time and network bandwidth. In order to deal with these challenges, Mobile Edge Computing (MEC) is regarded as a promising solution. MEC pushes powerful computational and storage capacities from the remote cloud to the edge of networks in close proximity of vehicular users, which enables low latency and reduced bandwidth consumption. Driven by the benefits of MEC, many efforts have been devoted to integrating vehicular networks into MEC, thereby forming a novel paradigm named as Vehicular Edge Computing (VEC). In this paper, we provide a comprehensive survey of state-of-art research on VEC. First of all, we provide an overview of VEC, including the introduction, architecture, key enablers, advantages, challenges as well as several attractive application scenarios. Then, we describe several typical research topics where VEC is applied. After that, we present a careful literature review on existing research work in VEC by classification. Finally, we identify open research issues and discuss future research directions.

研究动机与目标

• 应对由于车载应用的普及，智能交通系统（ITS）中对低延迟、高带宽计算与存储日益增长的需求。
• 识别传统移动云计算（Mobile Cloud Computing, MCC）在车载网络中的局限性，特别是高延迟和回传链路拥塞问题。
• 对现有车载边缘计算（VEC）研究进行调研与系统化整理，重点关注计算卸载、缓存、数据共享和安全等核心主题。
• 突出在服务质量（QoS）区分、动态车辆密度下的网络可扩展性、经济资源定价以及隐私保护计算方面的开放挑战。
• 通过识别VEC系统设计与部署中未解决的问题和新兴趋势，为未来研究提供路线图。

提出的方法

• 将现有VEC研究按五个核心主题进行调研与分类：计算卸载、缓存、数据共享、灵活的网络管理以及安全/隐私。
• 分析集成路侧单元（RSUs）、车辆和边缘服务器的VEC系统架构，利用MEC原则将云能力更贴近车辆。
• 研究使能技术，包括软件定义网络（SDN）、网络功能虚拟化（NFV）以及虚拟机（VMs），以实现动态资源分配。
• 回顾基于激励机制和基于区块链的解决方案，用于VEC环境中信任管理与安全数据共享。
• 评估隐私保护技术，如条件匿名、私有邻近性测试和可验证计算，以确保数据的机密性与完整性。
• 提出一种资源定价与利润分配框架，涵盖移动服务提供商、边缘提供商和云提供商，以支持可持续的VEC生态系统。

实验结果

研究问题

• RQ1 与传统移动云计算相比，车载边缘计算（VEC）如何有效降低延迟并减少带宽消耗？
• RQ2 在动态车辆移动性条件下，支持可扩展且自适应的VEC系统的架构核心组件与使能技术（如SDN、NFV）有哪些？
• RQ3 VEC系统如何确保安全关键应用（如碰撞避免）与非安全应用（如信息娱乐）之间的服务质量（QoS）区分？
• RQ4 在敏感数据被卸载至边缘服务器时，可采用何种机制确保VEC中的数据隐私、完整性与可验证性？
• RQ5 如何设计经济模型与定价方案，以激励去中心化VEC环境中车辆与路侧单元（RSUs）之间的资源共享？

主要发现

• 通过将计算任务卸载至靠近车辆的边缘服务器，VEC显著降低了延迟并减轻了回传链路负载，使其特别适用于实时安全应用。
• SDN与NFV的集成实现了VEC中动态、灵活且可扩展的资源管理，支持异构任务类型与多变的网络条件。
• 在路侧单元（RSUs）和车辆上实施的缓存策略减少了冗余数据传输，提升了响应速度，尤其在频繁访问的内容（如交通更新）场景下效果显著。
• 基于区块链的可信机制实现了RSU之间的安全且一致的数据共享，增强了如拼车等隐私保护应用的可靠性。
• 可验证计算与私有邻近性测试使用户能够安全地外包任务，同时确保结果的正确性与机密性。
• 在QoS区分、可变车辆密度下的动态可扩展性，以及设计公平高效的资源交换经济模型方面，仍存在开放挑战。