邊緣計算將云計算的能力從中心擴展到了邊緣網絡。盡管邊緣計算具有位置感知和低延遲的優(yōu)勢，但無處不在的連接和對超低延遲不斷增長的需求，對智慧城市的實時信息處理提出了嚴峻挑戰(zhàn)。作為邊緣計算和車載網絡的融合，車輛邊緣計算（VEC）有望實現(xiàn)實時和位置感知的網絡響應。由于車輛邊緣計算的概念和應用尚處于初始階段，本文首先構建了一個三層車輛邊緣計算模型，以實現(xiàn)分布式交通管理，從而將由車輛信息收集和路網事件的響應時間降至最低。通過利用移動和停放的車輛作為邊緣節(jié)點，將車輛邊緣計算支持的卸載方案建模為一個優(yōu)化問題，基于在線算法進行問題求解，并基于真實出租車軌跡的性能分析驗證了模型的有效性。

近年來，隨著無線通信、邊緣計算、人工智能等技術的不斷進步，物聯(lián)網實現(xiàn)了快速發(fā)展并得到廣泛應用。物聯(lián)網是指通過信息傳感設備將物體接入網絡，并借助信息傳輸媒介實現(xiàn)物體之間的數(shù)據(jù)交互，從而實現(xiàn)智能化的識別、定位、跟蹤與監(jiān)管等功能。

城市車輛網絡是智能交通系統(tǒng)的核心組成部分，涵蓋交通安全、定位與導航、高效信息共享與傳播等領域。2025年末，中國網聯(lián)車將突破2.59億輛，占汽車保有量的75%，這些車輛將產生4.4澤字節(jié)（ZB）數(shù)據(jù)，2020年至今數(shù)據(jù)復合增長率逐年遞增，達到80%，這給日益飽和的無線帶寬帶來了嚴峻挑戰(zhàn)。傳統(tǒng)的車輛間（V2V）自組織通信模式存在間歇性連接的問題，這使得服務質量與超低延遲的要求難以實現(xiàn)，例如車輛決策閉環(huán)需在20毫秒內完成。盡管現(xiàn)有研究提出了一些解決方案來滿足智慧城市交通管理的通信和計算需求，但這些方案還遠遠不夠。蜂窩網絡的帶寬有限，且主要由網絡運營商控制。路邊單元（RSU）的部署成本高昂，也不可能完全覆蓋所有道路。此外，在車載網絡中，移動云計算用于實時交通數(shù)據(jù)上傳既耗時又昂貴。因此，要想實現(xiàn)智慧城市中的實時交通管理，需要設計一個全新的信息處理平臺。

通過在終端附近促進通信、計算和網絡連接，邊緣計算能夠靈活高效地從本地視角優(yōu)化網絡資源。隨著車載服務流量的激增，邊緣節(jié)點將會不堪重負。車輛邊緣計算利用車載資源來提升計算能力，并進一步降低邊緣計算的延遲。通過車輛邊緣計算，未被利用的車輛計算資源（例如在停車場或購物中心的車輛）可以作為邊緣節(jié)點的組件加以補充。

依托國家自然科學基金等項目，重慶郵電大學寧兆龍教授和王小潔教授項目組針對車聯(lián)網服務能力與通信和計算資源適配的關聯(lián)機制這一科學問題，在全球首次提出了車輛邊緣計算的模型并量化了其服務能力，基于停靠車輛、移動車輛等服務能力來量化邊緣服務能力，取得了一系列創(chuàng)新成果，并基于真實出租車軌跡對設計方案的有效性進行了驗證。

車輛邊緣計算架構

在車輛邊緣計算架構中，車輛作為基礎設施，其目標是充分利用邊緣網絡服務提供商和車載通信的優(yōu)勢。圖1展示了三層車輛邊緣計算架構，包括云層（cloud）、微云層（cloudlet）和邊緣層（包含車輛和設備）。云層通常由交通管理服務器（TMS）和可信第三方機構（TTA）構成，它執(zhí)行城市級的監(jiān)控和集中遠程控制。微云層接收車輛上報的數(shù)據(jù)，并對收集到的數(shù)據(jù)進行處理，然后將其傳遞給云層。邊緣層由處于路邊單元無線通信范圍內的車輛/設備組成。由于車輛/車載設備的感知、計算、通信和存儲能力不斷增強，該層對于車輛邊緣計算具有重要意義。車輛生成的一些數(shù)據(jù)可用于車輛級網絡決策，而其他數(shù)據(jù)則可上傳至邊緣層進行處理。項目組利用路邊單元附近的停放車輛和移動車輛形成邊緣節(jié)點進行車輛邊緣計算，并將感知事件的信息上傳至路邊單元。之后，路邊單元決定上傳的流量是由微云還是邊緣節(jié)點處理。

交通擁堵、交通事故和路面損壞等感知事件可由車輛上傳至其行駛路線上的附近路邊單元。之后，上傳的消息會被傳至微云節(jié)點或邊緣節(jié)點進行處理，然后再上傳至交通管理服務器。隨后，交通管理服務器通過路邊單元向車輛廣播反饋信息。在路邊單元通信范圍內的車輛可作為邊緣節(jié)點直接處理消息，從而大幅縮短響應時間。然而，由于基于車輛的邊緣節(jié)點網絡狀態(tài)動態(tài)變化，云節(jié)點是必不可少的。本工作的目標是通過在云節(jié)點和邊緣節(jié)點之間進行負載均衡來最小化交通管理的響應延遲。

問題表述

首先，城市地圖被劃分為若干個區(qū)域，一條消息的預期響應時間由云節(jié)點、靜止車輛和移動車輛所構成的邊緣節(jié)點的平均響應時間，以及其他路側單元的輸入消息所產生的延遲之和構成。在一個時間間隔內，上述3個二進制變量的總和為1。

微云所需的響應時間包括4個部分：從路邊單元上傳消息至處理服務器所消耗的時間、消息等待時間、消息處理時間，以及消息轉發(fā)回路邊單元所需的時間。將所研究的網絡建模為一個排隊網絡，云節(jié)點的等待隊列可以視為一個M/M/b 排隊，其中b為服務器的數(shù)量；邊緣節(jié)點由停放車輛和行駛車輛組成。對于基于停放車輛的邊緣模型，在每個時隙內停放車輛的數(shù)量是穩(wěn)定的，可建模為M/M/l 排隊系統(tǒng)，其中l(wèi) 是停放車輛數(shù)；對于基于移動車輛的邊緣節(jié)點，將其簡化為服務速率為l的靜態(tài)服務器，理論證明其對應的模型遵循M/M/1排隊系統(tǒng)（即網絡流入信息遵循到達率為l 米的泊松過程）。

由于不同路邊單元間的消息流量隨時間變化而有所不同，因此需要在路邊單元間進行消息流量的重定向。路側單元的最終輸入消息流量需減去重定向的消息流量。因此，實時流量管理中的消息卸載就是要將消息流合理分配給云節(jié)點、基于停放車輛和基于移動車輛的邊緣節(jié)點，從而將預期響應時間降至最低（見圖2）。

基于車輛邊緣計算的卸載策略

由于設計的基于車輛邊緣計算的卸載是一個混合整數(shù)非線性規(guī)劃問題，項目團隊將目標從整體響應時間最小化轉變?yōu)槊總€時隙內的響應時間最小化問題。云節(jié)點的性能通常是固定的，其卸載能力取決于處理能力。然而，基于停放車輛和移動車輛的邊緣節(jié)點的位置會隨時間變化，這給平均響應時間的估算帶來了挑戰(zhàn)。

本研究首先計算基于停放車輛和移動車輛的邊緣節(jié)點最小響應時間；之后，重新調整不同路側單元之間的消息流，以接近所獲得的平均響應時間；最后，確定輸入消息流的分配以進行流量處理。對于邊緣節(jié)點延遲最小化問題，首先通過將消息流分配給霧單元中的停放車輛和移動車輛節(jié)點來計算邊緣節(jié)點的平均延遲。由于二者的總期望延遲既不是凸函數(shù)也不是凹函數(shù)，因此該問題可以轉化為最小凹成本網絡流問題，對此可利用分支定界算法求解。在獲取這兩種邊緣節(jié)點的流量后，即可得到霧節(jié)點的平均響應時間。為了將系統(tǒng)傳輸延遲降至最低，所研究的問題就變成了將消息從過載的邊緣計算單元重新定向到未過載的單元，這是一個典型的線性最小成本網絡流問題，最優(yōu)目標可以通過將傳輸延遲與平均響應時間相結合來獲得。

由于車輛邊緣計算的網絡狀態(tài)動態(tài)變化，微云在交通管理系統(tǒng)中不可或缺，作為邊緣節(jié)點的補充部分來處理消息流，其部署目標是利用最少數(shù)量的微云服務器來處理邊緣節(jié)點未處理的消息流。在設計的車輛邊緣計算信息處理方案中，邊緣節(jié)點在將消息流重定向至云節(jié)點之前具有優(yōu)先處理這些消息流的權限。具體步驟概述為：（1）通過分支定界法計算消息的平均響應時間；（2）通過Edmonds-Karp算法計算從過載的邊緣節(jié)點到未過載節(jié)點的重定向消息流；（3）確定由停放車輛和移動車輛所基于的邊緣節(jié)點分別處理的消息流數(shù)量；（4）計算云節(jié)點所需的服務器數(shù)量。

性能分析

本小節(jié)根據(jù)上海市的真實城市地圖和出租車軌跡進行了一些性能驗證。具體而言，將一個行政區(qū)劃定義為一個區(qū)域。每個區(qū)域內的路邊單元位于一個街道的中心。選取的普陀區(qū)和黃浦區(qū)GPS如圖3所示。

基于項目組獲取的2015年4月整個月份超過1000輛出租車的軌跡，包括GPS 位置、方向、速度和記錄時間，本研究在每個路邊單元 500米范圍內，每10分鐘統(tǒng)計一次移動車輛的到達率。通過分析數(shù)據(jù)集中移動車輛的到達率，項目組注意到每秒平均有100至 500輛車經過一個路邊單元。由于該研究為首個基于車輛邊緣計算的分布式城市交通管理方案，該研究選擇了一種隨機策略進行對比，旨在使基于停放車輛和移動車輛的邊緣節(jié)點處理的工作負載最大化。普陀區(qū)和黃浦區(qū)在不同消息到達率下的平均響應時間如圖4 所示。很明顯，隨著消息到達率的增加，平均響應時間也會增加，但不同于隨機策略的平均響應時間急劇上升，本研究而提出的解決方案則緩慢上升。這是因為本方案能夠動態(tài)平衡網絡負載，而不是像隨機策略那樣專注于最大化邊緣節(jié)點的網絡負載。 

圖5展示了當停放車輛的邊緣節(jié)點總數(shù)增加時，平均響應時間的變化趨勢。這兩種方法的響應時間隨著節(jié)點數(shù)量的增加而減少，因為邊緣節(jié)點數(shù)量增多意味著處理能力增強。顯而易見，項目組設計的方法更適用于不同網絡流量情況，并且?guī)缀醪皇苓吘壒?jié)點數(shù)量的影響，從而很好地體現(xiàn)了其可擴展性。

基于提出的車輛邊緣計算理論方法，項目組進一步在該領域深入開展研究，量化了不同車聯(lián)網層次的適配能力，揭示了不同車聯(lián)網單元的處理能力，分析了不同服務模型的演化能力，破解了關聯(lián)特性的演化規(guī)律和自主特性的映射關聯(lián)兩個技術難題。相關研究成果獲IEEE車輛技術協(xié)會最佳論文獎和IEEE系統(tǒng)協(xié)會最佳論文獎等，有力地推動了新型邊緣計算方法的理論發(fā)展與自動駕駛的場景落地。

來源：悅智網