潘煜 吳九天 孫宇筠 斯方超 俞鑫

關鍵詞：邊緣計算；車輛霧計算；任務卸載；響應時間

0 引言

在現(xiàn)代計算機技術背景下，互聯(lián)網(wǎng)實現(xiàn)了人與人之間的連接，物聯(lián)網(wǎng)則以互聯(lián)網(wǎng)為基礎進行延伸，通過微波雷達傳感器、熱敏傳感器等各類傳感設備實現(xiàn)了人-物、物-物之間的連接[1]。

在交通運輸領域，智慧交通系統(tǒng)作為基于物聯(lián)網(wǎng)提出的一個重要的應用方向，通過與大數(shù)據(jù)、人工智能、云計算、自動控制等技術的有效結合，集成應用于交通管理體系，使得人、車、路之間緊密配合，實現(xiàn)交通運輸?shù)母咝?、交通出行的安全性和交通管理的便捷性，從而為人們提供更好的出行服務[2]。

隨著智能路網(wǎng)、智慧出行、智慧停車等項目的推進與實現(xiàn)，智慧交通系統(tǒng)正處于快速發(fā)展的時代，與之相對的許多挑戰(zhàn)亟需攻克[3]。一方面，隨著日常生活中車輛使用的普及，車-路、車-人，以及車-車之間通信會產(chǎn)生巨量的信息，控制傳遞這些海量數(shù)據(jù)信息則需要同時滿足高帶寬和低延時的性能要求，而傳統(tǒng)的云計算在處理大量數(shù)據(jù)時往往會出現(xiàn)帶寬負載大和延遲高的問題，造成了成本的極大提升。另一方面，將數(shù)據(jù)傳送到云計算中心往往有很長的傳輸距離，長距離的信息傳輸會增大用戶個人隱私信息泄露的風險，此外，大量未經(jīng)處理信息的判斷也會對云中心造成很大的負擔[4]。

為解決上述問題，降低云計算中心信息處理的負荷，人們提出了邊緣計算的概念。邊緣服務器相當于一個小型的云計算中心，與移動設備相比有較高的計算能力。這些移動邊緣服務器處于網(wǎng)絡中心的邊緣，與用戶設備之間的距離大幅降低，能有效降低因傳輸造成的延遲以及隱私泄露的風險[1]。另外，隨著技術進步，車載設備的性能提升，也使其足以作為一個霧服務器來提供服務，分擔邊緣服務器的壓力。

1 邊緣計算概述

智慧交通系統(tǒng)中云計算是至關重要的一部分，它一方面能提供超強的計算能力，另一方面能方便快捷的進行資源調(diào)度、信息共享，使得海量的數(shù)據(jù)得到集成化管理，能更好的幫助交通部門的日常管理以及為社會公眾提供服務。智慧交通系統(tǒng)主要通過傳感器、攝像頭等前端物理設備獲取數(shù)據(jù)并上傳給云中心，云中心完成計算任務再進行數(shù)據(jù)傳輸來完成信息交互。隨著交通量的增長和人們對高質(zhì)量網(wǎng)絡服務的需求，僅依靠云中心的計算已經(jīng)難以適應智慧交通發(fā)展的需要，因此提出邊緣計算的概念。

邊緣計算是云計算的一種延伸，是設置在道路周邊的一些小型服務器，能處理云中心的部分或全部任務。云中心雖然擁有強大的計算處理能力，但其與移動設備之間在空間上長遠的傳輸距離導致的問題依舊無法解決，始終無法滿足低延遲的服務要求。而邊緣計算分布在網(wǎng)絡的邊緣地帶，拉近與用戶終端的傳輸距離，有效地解決了數(shù)據(jù)傳輸延遲高的問題。

1.1 邊緣計算基本架構

如圖1 所示，邊緣計算主要包含云中心、邊緣云、移動設備這三個基本組件[5]。移動設備是指用戶使用的各種終端設備，包含智能手機、筆記本電腦、智能汽車等，是向邊緣計算服務器發(fā)送任務請求的主體；邊緣云則由多種移動計算服務器組成，能對移動設備的卸載任務進行本地化計算處理，減少因超遠距離傳輸或移動設備計算緩慢產(chǎn)生的延遲；云中心是布置在網(wǎng)絡核心區(qū)域的高性能服務器，負責儲存和共享大量的數(shù)據(jù)信息，解決超出邊緣云計算能力的任務，對整個網(wǎng)絡系統(tǒng)進行控制。

1.2 邊緣計算的特點

⑴ 能耗低，性能強。移動設備容易受到電池容量和性能的限制，在執(zhí)行大型應用任務時，不僅會占用大量的資源空間，還容易導致能耗迅速上升。通過將這些復雜的任務卸載到邊緣計算服務器上進行計算，不僅能提高信息處理效率，也能減少移動設備的能源消耗，提升用戶的服務體驗。

⑵ 時延低。相比于將大量數(shù)據(jù)傳送到云端計算中心進行處理再進行回傳處理，邊緣計算服務器能發(fā)揮在空間中與移動設備更近的距離優(yōu)勢，有效地減少網(wǎng)絡帶寬占用的同時，還能更快地完成計算任務及反饋，實現(xiàn)網(wǎng)絡時延降低，進一步提升用戶體驗。

⑶ 感知性強。由于邊緣計算服務器的分布距離移動設備更近，能夠迅速準確地捕捉用戶的地理位置等實時信息，并以此來為用戶提供更加準確、優(yōu)質(zhì)的服務。

⑷ 安全性高。邊緣計算可以避免大容量數(shù)據(jù)在網(wǎng)絡上進行傳輸時存在的隱私數(shù)據(jù)容易泄露的問題，對一些必要的數(shù)據(jù)進行匿名、加密等預處理，提升了數(shù)據(jù)傳輸?shù)陌踩浴?/p>

1.3 邊緣計算任務卸載

越來越多的用戶選擇在終端設備上處理各種業(yè)務，但移動設備往往受到體積、質(zhì)量的限制，其計算能力和存儲空間總是有限的。任務卸載的基本思想是將移動設備無法獨立完成的任務轉移到距離相近的邊緣服務器或其他設備上執(zhí)行，從而提升移動設備的性能。按照任務類型分類有兩種：①數(shù)據(jù)任務卸載，在自身網(wǎng)絡堵塞時，暫時使用其他閑置的網(wǎng)絡，從而提升數(shù)據(jù)傳輸?shù)乃俣?；②計算任務卸載，在自身設備硬件實力或剩余資源不足以支持復雜的計算時，將任務遷移到其他服務器中完成并接收傳回的結果。

常見的任務卸載主要分為以下兩種：①0-1 卸載，對于一些不能或者不需要分割的任務，將其從用戶設備完整的轉移到另一個設備上；②部分卸載，對任務進行分解處理，將需要卸載的任務轉移到另一設備處理，剩下的進行本地處理[6]。分解的方式可分為兩種：①開發(fā)人員在編寫代碼時提前完成分割，把需要卸載的部分代碼塊進行標識，在實施遷移策略時就可以把標記部分放在更高的優(yōu)先級，這種方式由于在代碼層面就進行了分解，因此擁有較高的細粒度和靈活性；②通過策略執(zhí)行者對任務進行分解，無法實現(xiàn)特別精密的控制，但對底層開發(fā)而言則比較輕松[7]。在滿足上述卸載條件后，還需要從任務類型、卸載時間、用戶的具體位置、用戶的偏好習慣等多個方面進行考慮。

2 系統(tǒng)模型搭建及參數(shù)定義

2.1 系統(tǒng)模型搭建

在依靠邊緣計算實現(xiàn)智慧交通管理的實際應用中，真實的路況和車輛形式情況是非常復雜的，因此完全基于實際情況建模十分困難，為簡化實驗，選用單向兩車道的路面，保持車輛勻速行駛，路側RSU（邊緣服務器）均勻沿道路均勻分布，每個RSU的信號強度、接收范圍等性能都相同。RSU 和車輛之間可以進行通信，RSU 與RSU 之間通過有線連接實現(xiàn)通信。每個RSU都作為一個服務器對卸載任務完成處理并將結果返回。試驗車輛本身具有一定計算能力，可以在本地對一些簡單任務進行處理，而當車輛有剩余的空閑資源時就能作為一個霧服務器來幫助其他車輛完成任務。

表1 為模型中各參數(shù)及其定義，R 表示路側的所有RSU，R={R1 ，R2 ，...，Rs}，其中每個RSU 包含三個屬性，Rs（RSU 編號，位置橫坐標，位置縱坐標）；C 表示所有道路上的車輛，C={C1 ，C2 ，...，Ci}，其中每輛車都包含四個屬性，Ci （車輛編號，位置橫坐標，位置縱坐標）；CT 表示發(fā)起任務的車輛，且每輛車只能發(fā)起一個任務，CT={CT1 ，CT2 ，...，CTj}；CS 表示車輛霧服務器，CS={CS1 ，CS2 ，...，CSk}，CSk為資源空閑的車輛。

2.2 任務卸載響應時間

任務卸載性能的評估通過平均響應時間的長短來判斷，主要包括計算時間和通信時間。響應時間計算所需參數(shù)如表2 所示。

表2 中，A 表示需要卸載的任務的集合，A={A1，A2，...，An}，An包含任務的三個屬性，用An（xn ，yn ，zn）來表示，其中xn為上行鏈路要傳輸?shù)臄?shù)據(jù)大小（需要進行卸載的任務），yn為下行鏈路要傳輸?shù)臄?shù)據(jù)大小（完成任務后要傳回的計算結果），zn是計算單位比特任務的能力，即完成任務An需要xn·zn個CPU 周期的時間。

3 基于KM 算法的最優(yōu)匹配

KM 算法是基于匈牙利算法而產(chǎn)生的求最大權值匹配的算法，常用于解決與二分圖匹配有關的問題[8]。二分圖是一種特殊的圖，其分為兩個部分，各自部分的點互相獨立，匹配就是將兩部分的點兩兩連接形成的邊的集合，且任意兩條邊不能有公共點。匈牙利算法的目的就是得到最大的匹配邊數(shù)，這種方法得到的匹配并不是惟一的。KM 算法則是基于此為兩部分的點都加上權值，最優(yōu)匹配就是權值綜合最大的匹配。KM 算法流程如下：

⑴ 初始化可行頂標的值；

⑵ 用匈牙利算法尋找完備匹配；

⑶ 若未找到完備匹配則修改可行頂標的值；

⑷ 重復⑵⑶直至找到相等子圖的完備匹配為止。

3.1 匹配過程

首先，在匹配前需要對必須的參數(shù)進行初始化設置，例如RSU 的集合R，車輛的集合C 等，以及在計算過程中產(chǎn)生的一些中間變量，如任務卸載位置的集合S，才能順利執(zhí)行后續(xù)的計算。

然后計算卸載任務的車輛CTj與車輛霧服務器之間的幾何距離dj，k，如果dj，k小于通信距離r 就將其存儲在集合S 中，如果S 為空集則計算CTj與RSU 之間的距離dj，s ，如果存在dj，s小于r 則可以將任務卸載到Rs上，否則只能在本地進行處理，如圖2為服務器篩選流程圖。

如果S 不為空集，則說明存在車輛霧服務器可以完成卸載任務，計算不同連接完成任務所需的響應時間t，根據(jù)數(shù)值大小賦予相應的權值，隨后就可以通過KM 算法得到最優(yōu)匹配，這即為完成所有車輛的卸載任務耗時最少的方案。

3.2 仿真實驗結果分析

通過仿真分析該方法對時延的影響，根據(jù)需求采用MATLAB r2018b 平臺進行仿真實驗。以下為實驗參數(shù)設置：RSU 的數(shù)量R=6；車輛數(shù)量C=40，其中發(fā)送任務的車輛與協(xié)助完成任務的車輛在每次計算實驗時隨機確定；任務的大小都是隨機生成的；傳輸速率為3～4Mbps；RSU 的計算速率為2～2.5Ghz，車輛霧服務器的計算速率為0.8～1Ghz。

圖3 所示為10 次仿真實驗的數(shù)據(jù)結果，每組數(shù)據(jù)的左側是車輛僅與RSU 進行任務卸載的響應時間，右側是增加車輛霧服務器后的任務卸載響應時間，與前者相比，后者所需的平均響應時間明顯降低，減少了51%，最高者能到達70%，證明能有效降低數(shù)據(jù)傳輸時延。

4 結論

本文主要針對智慧交通管理領域的任務卸載問題進行了研究與分析，邊緣計算能夠為各種應用提供低延遲服務，隨著車輛用戶終端設備的普及，過多的卸載任務會影響邊緣服務器的性能，引入車輛霧服務器來完成部分任務，并通過KM 算法實現(xiàn)一對一的最優(yōu)匹配，有效降低車輛、邊緣計算服務器、云計算中心間的傳輸時延，提升用戶的駕駛體驗。

本文的實驗環(huán)境為理想狀況，路面駕駛與傳感器等設備現(xiàn)場安裝情況等實際應用場景更加復雜，對此問題仍有較大的研究空間：①本文采用直線道路作為研究環(huán)境，實際的道路場景存在交叉路口、紅綠燈等復雜因素，霧節(jié)點的連接可能會發(fā)生中斷；②本文默認所有車輛愿意提供空閑的計算資源，實際可能會有較多不愿共享的情況，需要進一步完善共享機制以獲取信任。