魯蔚鋒，印文徐，王 菁，費(fèi)漢明，徐 佳*

(1.南京郵電大學(xué)計(jì)算機(jī)學(xué)院，江蘇南京 210023；2.江蘇省大數(shù)據(jù)安全與智能處理重點(diǎn)實(shí)驗(yàn)室，江蘇南京 210023；3.國鐵吉訊科技有限公司，北京 100081)

近年來，物聯(lián)網(wǎng)相關(guān)技術(shù)和自動駕駛技術(shù)已經(jīng)成為研究的一大熱點(diǎn)[1]。隨著車聯(lián)網(wǎng)相關(guān)技術(shù)的不斷更新和發(fā)展，終端車輛具備了計(jì)算、通信和緩存的功能，這些技術(shù)在智能車輛網(wǎng)絡(luò)方面發(fā)揮著關(guān)鍵性的作用[2]?？紤]到車聯(lián)網(wǎng)中實(shí)際的資源擁有情況，單一的路邊單元可能無法滿足終端設(shè)備的各項(xiàng)資源需求，造成了不必要的時延和能量的損耗，通過結(jié)合車聯(lián)網(wǎng)中的合作任務(wù)卸載機(jī)制可以有效地提高系統(tǒng)的資源利用率，減輕網(wǎng)絡(luò)流量負(fù)擔(dān)，進(jìn)一步降低時延。

目前國內(nèi)外有很多研究車聯(lián)網(wǎng)中通信、計(jì)算和緩存資源的聯(lián)合分配問題[3–5]以及由云邊端組成的3層分布式系統(tǒng)中的卸載問題[6–8]。Fan等[9]結(jié)合了基站的緩存和計(jì)算資源，設(shè)計(jì)了一種資源管理算法，指導(dǎo)基站聯(lián)合調(diào)度計(jì)算卸載和數(shù)據(jù)緩存分配。Zhou等[10]結(jié)合車聯(lián)網(wǎng)的計(jì)算、通信和緩存資源，設(shè)計(jì)了一種新穎的以信息為中心的異構(gòu)網(wǎng)絡(luò)框架，該框架支持邊緣計(jì)算中的內(nèi)容緩存和計(jì)算。Zhou等[11]研究了動態(tài)多用戶移動邊緣計(jì)算系統(tǒng)中計(jì)算卸載和資源分配的聯(lián)合優(yōu)化，不僅考慮到任務(wù)的延遲約束還考慮異構(gòu)計(jì)算任務(wù)的不確定資源需求。Xue等[12]將非正交多址（NOMA）技術(shù)引入MEC系統(tǒng)中，提出了一種用于子信道分配的低復(fù)雜度次優(yōu)匹配算法。Zhao等[13]考慮時延敏感型任務(wù)的卸載問題，將該問題建模為傳輸功率、子載波和計(jì)算資源分配聯(lián)合優(yōu)化，通過一個迭代算法順序處理，通過等價參數(shù)凸規(guī)劃獲得最優(yōu)解。Kuang等[14]研究MEC中協(xié)同計(jì)算任務(wù)卸載和資源分配聯(lián)合問題，通過對計(jì)算卸載決策、協(xié)同選擇、功率分配進(jìn)行分別建模從而最小化系統(tǒng)時延。Dong等[15]設(shè)計(jì)了一種新型節(jié)能的主動復(fù)制機(jī)制，采用延遲率計(jì)算跟隨車輛作為主車輛的備份，保證了系統(tǒng)的可靠性。Zhu等[16]采用多智能體深度強(qiáng)化學(xué)習(xí)的方案，考慮了多車輛環(huán)境的不確定性，使車輛能夠做出卸載決策以獲得最優(yōu)的長期獎勵。Zhu等[17]提出了一種新型的移動邊緣服務(wù)器機(jī)制，把邊緣服務(wù)器部署在移動車輛上形成車載邊緣，共同優(yōu)化車輛的最優(yōu)路徑規(guī)劃和系統(tǒng)的資源分配方案。Liu等[18]用博弈論的方法解決時延敏感型任務(wù)的傳輸調(diào)度優(yōu)化問題，在不同終端用戶之間設(shè)計(jì)一個合理的非合作博弈，來找到最優(yōu)的卸載方案。

目前已有的研究通常以時延和能耗作為約束條件來最小化系統(tǒng)總成本或最大化系統(tǒng)效用從而提出各種方案來解決優(yōu)化問題，沒有以最小化系統(tǒng)時延為目標(biāo)，不能滿足低時延的需求?？紤]到車聯(lián)網(wǎng)中實(shí)際的資源擁有情況，路邊單元和邊緣服務(wù)器相對于云服務(wù)器來說，計(jì)算能力和存儲能力不足。單一的路邊單元可能無法滿足終端設(shè)備的各項(xiàng)資源需求，導(dǎo)致不必要的時延和能量損耗。本文通過結(jié)合車聯(lián)網(wǎng)中的合作任務(wù)卸載機(jī)制可以有效地提高系統(tǒng)的資源利用率，減輕網(wǎng)絡(luò)流量負(fù)擔(dān)來降低時延，不僅充分研究了車輛邊緣計(jì)算系統(tǒng)中的通信模型和計(jì)算資源分配問題，還考慮到車聯(lián)網(wǎng)中停泊車輛和路邊單元實(shí)際的資源擁有情況，設(shè)計(jì)了對應(yīng)的合作集群來協(xié)作終端設(shè)備完成任務(wù)的計(jì)算卸載，利用系統(tǒng)的空閑資源提高系統(tǒng)計(jì)算能力，以減少系統(tǒng)時延為目標(biāo)設(shè)計(jì)算法。本文的主要貢獻(xiàn)包括3個方面：

1）設(shè)計(jì)了一種改進(jìn)k聚類算法來劃分不同的路邊單元合作集群，不僅根據(jù)地理位置來劃分，還考慮了實(shí)際的計(jì)算負(fù)載狀況；

2）設(shè)計(jì)了一種任務(wù)合作卸載算法，充分利用了路邊單元和停泊車輛空閑的可用資源，實(shí)現(xiàn)了系統(tǒng)的負(fù)載均衡；

3）應(yīng)用不同數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，本文提出的算法可以找到有效的任務(wù)卸載方案。

1 系統(tǒng)模型

1.1 3層系統(tǒng)架構(gòu)

如圖1所示，將車聯(lián)網(wǎng)中的任務(wù)合作卸載系統(tǒng)模型分為3層，分別為云服務(wù)器層、路邊單元合作集群層和停泊車輛合作集群層。云服務(wù)器層位于遠(yuǎn)距離的云端數(shù)據(jù)中心，與邊緣服務(wù)器和路邊單元之間通過有線鏈路進(jìn)行通信。路邊單元合作集群層位于更加靠近終端設(shè)備的網(wǎng)絡(luò)邊緣，位于同一合作集群的路邊單元之間可以進(jìn)行X2通信[19]。停泊車輛合作集群層主要位于現(xiàn)實(shí)場景中的一些停車場，通過與邊緣服務(wù)器之間的無線通信協(xié)助完成任務(wù)的計(jì)算，來拓展邊緣服務(wù)器的計(jì)算能力。

圖1 3層系統(tǒng)架構(gòu)Fig.1 Three-tier system architecture

系統(tǒng)中所有路邊單元的集合為G，將所有路邊單元劃分為 ?個合作集群，一個路邊單元的合作集群表示為：M?G。為了最小化路邊單元之間的通信時延，通過距離來進(jìn)行集群的劃分。同時為了提高合作集群的高效性，允許一個路邊單元屬于多個不同的合作集群。每個路邊單元m的計(jì)算資源為fm，代表路邊單元m的計(jì)算能力，整個合作集群M的計(jì)算資源為FM=。停泊的車輛集合為PV，每個停泊車輛i∈PV的空閑計(jì)算資源為fi，則整個停泊車輛合作集群的計(jì)算資源為FV=

車聯(lián)網(wǎng)中終端設(shè)備的集合為J，每一個終端設(shè)備j∈J會通過無線鏈路連接到與它最近的路邊單元，連接到同一路邊單元m的終端設(shè)備集合表示為Jm∈J。對于每一個終端設(shè)備j的計(jì)算任務(wù)用三元組表示aj=(z j,cj,bj),?j∈J，其中，z j、cj、bj分別表示任務(wù)數(shù)據(jù)量大小、計(jì)算任務(wù)所需要CPU圈數(shù)和任務(wù)時延限制。

1.2 合作集群

本文利用改進(jìn)的k聚類算法[20]來進(jìn)行路邊單元合作集群的劃分，提出了路邊單元合作集群劃分算法，將路邊單元集合G劃分為 ?個合作集群，使各集群的聚類平方和最小，即以下目標(biāo)函數(shù)最小：

式中，Md為第d個路邊單元合作集群，每個路邊單元m至少屬于一個合作集群，并且=G，?(m)為路邊單元m所屬合作集群的平均聚類中心，可表示為：

式中，Am為路邊單元m所在的合作集群集合，md為其中每個合作集群的聚類中心。

一些固定停靠車輛的區(qū)域都可以看作是一個停泊車輛合作集群，比如路邊的停車位、商場的停車場等。所有停泊車輛的空閑資源共同構(gòu)成整個合作集群的可用資源。當(dāng)多個終端設(shè)備接入到同一路邊單元時，用來表示每個終端設(shè)備j在路邊單元m中的資源分配情況，其中，為計(jì)算資源分配，為通信資源分配。

1.3 通信模型

終端設(shè)備的任務(wù)可以在本地計(jì)算也可卸載計(jì)算，系統(tǒng)計(jì)算卸載模型一共分為4種情況，如圖2所示：

圖2 計(jì)算卸載模型Fig.2 Computational of fload model

1）當(dāng)終端設(shè)備關(guān)聯(lián)的路邊單元m資源充足時，終端設(shè)備j會通過無線通信將任務(wù)卸載到路邊單元m計(jì)算。終端設(shè)備j到路邊單元m的無線通信速率為：

由此可得，終端設(shè)備j卸載任務(wù)到路邊單元m的傳輸時延為：

2）當(dāng)路邊單元m的資源不足無法滿足終端設(shè)備的需求時，路邊單元m會將任務(wù)aj通過X 2通信傳輸給資源充足的路邊單元n，m和n位于同一路邊單元合作集群，可以協(xié)同完成任務(wù)的計(jì)算。

路邊單元m到n之間的傳輸時延為：

1.4 計(jì)算模型

相比于邊緣服務(wù)器，終端設(shè)備的計(jì)算能力有限，在選擇任務(wù)的計(jì)算卸載決策時要考慮終端設(shè)備的資源擁有情況。終端設(shè)備j將任務(wù)在本地計(jì)算的時延為：

式中，fj為終端設(shè)備j的CPU本地計(jì)算能力（即每秒CPU的圈數(shù)）。

本地計(jì)算的CPU能耗為：

式中，v為一個常量參數(shù)，跟終端設(shè)備的CPU硬件結(jié)構(gòu)相關(guān)[21]。

則任務(wù)aj在終端設(shè)備j總共的本地計(jì)算時延為：

式中： τj代表當(dāng)終端設(shè)備j資源不充足時，任務(wù)在設(shè)備本地等待處理的平均等待時間?！蕒0,1}代表終端設(shè)備j資源是否充足的標(biāo)識變量，即當(dāng)tj>bj或者Ej>時，=0；當(dāng)資源充足時，=1。

任務(wù)進(jìn)行計(jì)算卸載時首先會卸載到離終端設(shè)備最近的路邊單元m，再根據(jù)當(dāng)前路邊單元資源是否充足來決定任務(wù)在路邊單元m計(jì)算還是借助路邊單元合作集群計(jì)算。

當(dāng)多個終端設(shè)備接入到同一路邊單元時，路邊單元m分配給終端設(shè)備j的計(jì)算資源為：

任務(wù)aj卸載到路邊單元m的總執(zhí)行時延為傳輸時延與計(jì)算時延之和：

1.5 問題的定義

本文的優(yōu)化目標(biāo)是最小化任務(wù)執(zhí)行的總時延，任務(wù)執(zhí)行的總時延包括任務(wù)本地計(jì)算時延和任務(wù)卸載計(jì)算時延，故可以定義系統(tǒng)目標(biāo)函數(shù)：

約束1代表路邊單元分配給接入終端設(shè)備的通信資源限制；約束2代表每個路邊單元m的計(jì)算資源限制；約束3和約束4代表任務(wù)只能在一個地方執(zhí)行。

目標(biāo)函數(shù)和約束條件中包含多個非連續(xù)的0～1決策變量{x,y}，并且多個0～1變量之間存在耦合關(guān)系，導(dǎo)致了這個優(yōu)化問題是混合整數(shù)非線性規(guī)劃問題,并且這個問題是NP難的。

定理1優(yōu)化問題是NP（非確定性多項(xiàng)式時間）難的。

假設(shè)目標(biāo)函數(shù)只包含一個0～1決策變量x，則可看作是一個0～1背包問題[22]，由于0～1背包問題是一個典型的NP難問題，而優(yōu)化問題比0～1背包問題更加復(fù)雜，所以優(yōu)化問題也是個NP難問題。因此，在第1.3節(jié)中設(shè)計(jì)了具體的算法來求解這個優(yōu)化問題。

2 算法設(shè)計(jì)

2.1 路邊單元合作集群劃分算法

路邊單元合作集群劃分算法是一個不斷迭代的過程，首先選取 G個合作集群中心，然后根據(jù)路邊單元和這些合作集群中心的歐式距離，找到每個路邊單元所屬的合作集群。再根據(jù)式（1）更新合作集群的中心，不斷重復(fù)上述步驟，直到滿足某個終止條件。

算法1給出了路邊單元合作集群劃分算法的詳細(xì)步驟，步驟1隨機(jī)選取 ?個初始合作集群中心；步驟2～5對于每個單元m，計(jì)算其與每個合作集群中心的距離，距離哪個集群中心近，就劃分到對應(yīng)的合作集群中，得到初始的合作集群；步驟7重新計(jì)算?個集群的中心；步驟8根據(jù)新的集群中心重新歸類每個單元m屬于的集群；步驟9-14是看算法是否滿足指定的終止條件，如果滿足3個終止條件中的任意一個，則直接返回最終的路邊單元合作集群算法結(jié)束，如果不滿足則回到步驟7繼續(xù)迭代。

2.2 任務(wù)合作卸載算法

為了方便描述，將優(yōu)化目標(biāo)函數(shù)表示為minF(x,y)的形式?？紤]到目標(biāo)函數(shù)求解的復(fù)雜性，采用塊連續(xù)上界最小化（BSUM）[23]的分布式迭代優(yōu)化方法來求解，BSUM方法的核心思想是將整個優(yōu)化變量拆分為多個變量塊，通過迭代的方法，在固定其他變量塊的同時，來優(yōu)化單一的變量塊，直到達(dá)到預(yù)定的精度閾值（上限）。利用BSUM方法求解優(yōu)化問題首先要解決兩個問題，一個是目標(biāo)函數(shù)的非凸問題，一個是0～1變量的非連續(xù)問題。

為了解決目標(biāo)函數(shù)的非凸問題，通過添加平方懲罰項(xiàng)定義目標(biāo)函數(shù)的近似上界函數(shù)，在每次迭代優(yōu)化過程中，不直接對目標(biāo)函數(shù)進(jìn)行求解，而是對它的近似上界函數(shù)F求解。文獻(xiàn)中[23]已經(jīng)證明優(yōu)化近似上界函數(shù)的方法是合理的，優(yōu)化原始目標(biāo)函數(shù)的近似上界函數(shù)可以保證原始目標(biāo)函數(shù)是嚴(yán)格下降的。其中對應(yīng)變量x和y的近似上界函數(shù)分別為Fx和Fy：

式中， ξ為一個大于0的懲罰參數(shù)，x?代表在當(dāng)前迭代中固定變量y而得到的最優(yōu)解，y?代表在當(dāng)前迭代中固定變量x而得到的最優(yōu)解。

為了解決0～1變量的非連續(xù)問題，將變量x和y線性松弛成0到1之間的連續(xù)變量，則可以定義2個變量的可行解空間為：

在每次迭代t時，通過求解目標(biāo)函數(shù)的近似上界函數(shù)來得到當(dāng)前的最優(yōu)解，即在第t+1次迭代時用以下方式來更新x和y的值：

由于最終求解出的優(yōu)化變量是0到1之間的連續(xù)變量，所以需要把它們重新變?yōu)?～1變量，借助閾值舍入技術(shù)[24]來將松弛后的變量重新變回一個0～1變量。這里舉例說明閾值舍入技術(shù)，假定一個求解后的優(yōu)化變量∈X和一個舍入閾值σ ∈(0,1)，則對應(yīng)變量的取值為：

上述的閾值舍入技術(shù)同樣也可應(yīng)用于變量y，然而通過閾值舍入后得到的解可能會超過系統(tǒng)的通信資源和計(jì)算資源限制。所以將近似上界函數(shù)變成為新的舍入問題F+wγ，即對式（20）的約束條件2和3進(jìn)行以下調(diào)整：

式中， γρ和 γf分別為通信資源和計(jì)算資源可容忍的最大誤差值，總誤差γ=γρ+γf，w為總誤差的權(quán)重參數(shù)， γρ和 γf分別表示為：

對應(yīng)問題F和它對應(yīng)的舍入問題F+wγ，可以根據(jù)整性間隙的值來評估舍入技術(shù)的優(yōu)劣，根據(jù)文獻(xiàn)[24]中對整性間隙的定義和證明，可以得出以下結(jié)論：

定理2（整性間隙）給定一個問題F它對應(yīng)的舍入問題F+wγ，對應(yīng)的整性間隙為：

整性間隙是用來衡量松弛后的優(yōu)化問題和原優(yōu)化問題之間的相關(guān)性。當(dāng)整性間隙 β(β ≤1)越接近1時，說明對應(yīng)的舍入技術(shù)越好。

算法2路邊單元合作集群劃分算法。

輸入：所有路邊單元的計(jì)算資源fm，所有車輛的計(jì)算資源fi；

算法2展示了任務(wù)合作卸載算法的具體步驟和過程。步驟1～7表示每個終端設(shè)備j∈J首先會根據(jù)自身資源的擁有情況來判斷任務(wù)是在本地計(jì)算還是卸載計(jì)算。對于每個卸載到路邊單元m的計(jì)算任務(wù)aj，執(zhí)行步驟8～22來找到最優(yōu)的卸載決策。步驟9表示初始化t=0 和 ε ， ε是一個很小的正數(shù)，用來保證算法收斂到 ε最優(yōu)解[24]，具體解釋在定理2中做出說明。步驟10表示找到一個初始可行解，步驟11～16代表算法的迭代過程，在每次迭代的過程中通過求解式（23）和（24）來不斷更新x和y，直到，來保證收斂到 ε最優(yōu)解。步驟17表示通過閾值舍入技術(shù)求解舍入問題+wγ，得到對應(yīng)的0～1決策變量x(t+1),y(t+1)。步驟18～20表示計(jì)算當(dāng)前問題的整性間隙β ，如果 β ≤1代表當(dāng)前的舍入方案是可行的，輸出最優(yōu)的卸載決策x?，y?。

定理3（收斂性）BSUM算法收斂到 ε最優(yōu)解的時間復(fù)雜度為O(lg(1/ε))，是一個次線性收斂。

算法 ε的最優(yōu)解xε∈X代表：xε∈{x|x∈X,F(x,y)-F(x?,y)≤ε}，其中，F(xiàn)(x?,y)是目標(biāo)函數(shù)針對于變量x的全局最優(yōu)值。

3 實(shí)驗(yàn)仿真

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

基于Python3.0的環(huán)境進(jìn)行實(shí)驗(yàn)仿真，為了驗(yàn)證本文路邊單元合作集群劃分算法的有效性，采用全球基站開放數(shù)據(jù)庫中的基站位置真實(shí)數(shù)據(jù)[25]，共包括全球5萬多個基站的相關(guān)數(shù)據(jù)，模擬現(xiàn)實(shí)場景中路邊單元合作集群的劃分。聚類算法的精度閾值設(shè)為0.005，最大的迭代次數(shù)設(shè)為3000。為評估任務(wù)合作卸載算法的各項(xiàng)性能，假設(shè)每個路邊單元附近有20～50個終端用戶，每個終端用戶大約每分鐘產(chǎn)生一個計(jì)算任務(wù)，車輛的計(jì)算資源在0.5到1.0 GHz之間，路邊單元的計(jì)算資源在2到5 GHz之間，云層的計(jì)算資源認(rèn)為是無窮大的，任務(wù)的數(shù)據(jù)量大小在2到6GB之間，任務(wù)的時延限制在0.5到10 s之間。

3.2 實(shí)驗(yàn)結(jié)果分析

圖3是250個基站聚類之前的實(shí)際位置。圖4是通過路邊單元合作集群劃分算法聚類之后的效果。

圖3 基站位置Fig. 3 Base station location

圖4 聚類效果Fig. 4 Clustering effect

從圖4可以看出，本文提出的算法將所有的基站劃分為了5個不同的合作集群，每個聚類中心一般都位于所有合作集群的中心，并且集群之間可以相互覆蓋，證明了本文算法的有效性。

為了證明提出的任務(wù)合作卸載算法的優(yōu)越性，將本方案的實(shí)驗(yàn)結(jié)果與只本地計(jì)算、只卸載計(jì)算、無緩存隊(duì)列、聯(lián)合優(yōu)化方案[9]和無合作卸載進(jìn)行對比，無合作卸載方案是指路邊單元之間不存在卸載任務(wù)的合作計(jì)算；聯(lián)合優(yōu)化方案是指考慮到本地處理能力和卸載能力，集中優(yōu)化移動邊緣計(jì)算中的聯(lián)合資源分配。圖5展示了在不同終端用戶數(shù)量和不同路邊單元數(shù)量下系統(tǒng)總時延的變化曲線，這里的系統(tǒng)總時延就是優(yōu)化的目標(biāo)函數(shù)。從圖5（a）可以看出，本文提出的合作任務(wù)卸載方案在不同終端用戶數(shù)量下系統(tǒng)總時延都要低于其他4種方案，可以降低23%的系統(tǒng)時延，說明本文方案可以有效地降低系統(tǒng)任務(wù)處理的總時延。從圖5（b）可以看出，在不同路邊單元數(shù)量下，本文方案也能發(fā)揮出很好的性能。當(dāng)路邊單元數(shù)量達(dá)到50左右時，本文方案、只卸載計(jì)算和無合作卸載的總時延變化都趨于穩(wěn)定，說明在當(dāng)前的系統(tǒng)狀態(tài)下，此時的路邊單元數(shù)量剛好達(dá)到系統(tǒng)平衡點(diǎn)，路邊單元合作集群有著充足的計(jì)算資源，可以很好地完成所有任務(wù)的卸載計(jì)算。

圖5 不同情況下總時延的變化Fig. 5 Variation of total delay in different situations

圖6展示了在不同終端用戶數(shù)量和不同路邊單元數(shù)量下系統(tǒng)吞吐量的變化曲線，這里的吞吐量指的是系統(tǒng)每秒鐘所能處理的數(shù)據(jù)量。從圖6（a）可以看出，本文提出的方案在不同終端用戶數(shù)量下都有著優(yōu)于其他方案的系統(tǒng)吞吐量，相比之下，本文方案能提升28%的吞吐量性能，是因?yàn)楸疚奶岢龅娜蝿?wù)合作卸載不僅考慮了終端用戶和路邊單元的資源負(fù)載情況，還借助了合作集群之間的空閑計(jì)算資源，提高了系統(tǒng)的資源利用率。從圖6（b）可以看出，本文方案在不同路邊單元數(shù)量下也同樣有著較高的系統(tǒng)吞吐量，系統(tǒng)吞吐量的提升在路邊單元數(shù)量40到60之間更為明顯，是因?yàn)樵诼愤厗卧獢?shù)量較多時，僅依靠單一的路邊單元進(jìn)行計(jì)算卸載已經(jīng)無法滿足系統(tǒng)的計(jì)算卸載需求，更需要考慮不同路邊單元之間的協(xié)同計(jì)算。

圖6 不同情況下系統(tǒng)吞吐量的變化Fig.6 Variation of system throughput in different situations

4 結(jié) 論

本文對車輛邊緣計(jì)算構(gòu)建了一個3層架構(gòu)，并提出了一種車輛邊緣計(jì)算中的任務(wù)合作卸載機(jī)制，通過劃分路邊單元合作集群和停泊車輛合作集群，來協(xié)助終端設(shè)備完成任務(wù)的計(jì)算卸載，充分利用了系統(tǒng)的各項(xiàng)資源，降低了終端用戶任務(wù)的處理時延。通過實(shí)驗(yàn)驗(yàn)證了路邊單元合作集群劃分算法的有效性，和其他方案的對比實(shí)驗(yàn)發(fā)現(xiàn)，本文提出的方案可以降低23%的系統(tǒng)時延，并且能提升28%的系統(tǒng)吞吐量。

未來的工作包括3個方面：1）多種通信模式：本文目前的研究主要考慮的是車輛和路邊單元之間的V2I通信，可以結(jié)合V2V、V2X等多種通信模式，充分利用系統(tǒng)的各項(xiàng)資源來研究車聯(lián)網(wǎng)中的任務(wù)卸載調(diào)度過程。2）停泊車輛的激勵機(jī)制：在停泊車輛協(xié)助完成任務(wù)的計(jì)算卸載時，考慮到現(xiàn)實(shí)中的停泊車輛不會主動貢獻(xiàn)自己空閑的計(jì)算資源，可以結(jié)合博弈論的相關(guān)研究，設(shè)計(jì)出合理的任務(wù)卸載激勵機(jī)制，激勵停泊車輛來完成任務(wù)的卸載計(jì)算。3）卸載方法優(yōu)化：由于車輛邊緣計(jì)算中路況的復(fù)雜性以及車輛的高移動性，現(xiàn)實(shí)場景中系統(tǒng)需要實(shí)時獲取車輛周圍信息，可嘗試將在線算法與本文方案結(jié)合以滿足現(xiàn)實(shí)需求。