面向车联网应用的智能边缘计算技术概述

刘江挺 何强

摘  要：车联网是移动通信网络未来的重要应用分支。然而，车联网中的应用众多，对时延的要求也极为苛刻，以现有基于云计算的技术进行车联网数据的处理不能满足业务对时延及安全的需求。在网络边缘部署边缘计算服务器可以有效解决上述问题，同时在边缘服务器上进一步部署人工智能算法，实现车联网的智能化处理也是未来车联网的主要发展方向。

关键词：车联网;边缘计算;人工智能

中图分类号：TN929.5;U495      文献标识码：A 文章编号：2096-4706（2020）12-0173-03

Abstract：Internet of vehicles is an important application branch of the mobile communication network in the future. However，there are huge numbers of  applications in the IoV，meantime，the requirements for latency are also extremely stringent. The processing of data on the IoV with existing cloud-based technologies cannot meet the latency and security requirements of the business. Deploying edge computing server on the edge of the network can effectively solve the above problems. At the same time，further deploying artificial intelligence algorithm on the edge server to realize the intelligent processing of the IoV is also the main development direction of the future IoV.

Keywords：IoV（internet of vehicles）;edge computing;artificial intelligence

0  引  言

中共中央政治局常務委员会于2020年4月20日召开会议，提出要发力于科技端的基础设施建设，加快5G网络、数据中心等新型基础设施建设进度。笔者工作的单位中国移动通信集团设计院有限公司重庆分公司，为响应国家号召，加快推进5G移动通信网络系统的建设，已经正式成立5G项目组，并且项目组在封闭路段进行基于5G网络的车联网应用测试。笔者在5G项目组中主要负责5G网络规划以及5G基站的选址、勘察与设计，并在车联网应用测试中主要负责技术分析。

5G移动通信技术主要有三大应用场景，分别是增强型移动宽带（Enhanced Mobile Broadband，eMMB）、超可靠低时延通信传输（Ultra-reliable and Low Latency Communications，uRLLC）和海量机器类通信（massive Machine Type of Communi-cation，mMTC）。随着5G移动通信网络的大规模建成，eMMB的应用将实现用户的超高速上网。而在不远的未来，uRLLC和mMTC的各项应用如VR/AR、远程医疗、4K/8K超高清电视等，也会逐步落地。在未来网络的应用中，由于车辆和人类生产生活息息相关，故而智能车辆、车联网等新型技术的研究目前受到了广泛的关注。在车联网中，许多应用对网络的时延都提出了极为严格的要求，如碰撞预警、道路偏离等。边缘计算技术被认为是降低网络时延的最有效解决方案。通过将计算、通信和存储资源“下沉”至网络边缘，节省数据传输至云中心的时间。同时，未来的智能车辆将会产生海量的通信数据，采用传统的方法处理这些数据会占据过多的计算和存储资源，同时网络时延的高低也得不到有效的保证。人工智能的处理方式不仅可以降低资源的占用率，同时还可以提供高效、便捷、可移植的数据处理方式。本文对在车联网中部署边缘系统，并在此基础上运用人工智能算法进行数据处理的“车联网中的边缘智能系统”进行了详细的分析和讨论。车联网中的边缘智能架构如图1所示。

1  车联网的发展

随着移动网络技术的不断变化，网络接入终端也呈多元化发展趋势。摄像头、智能穿戴设备、工业现场设备均可作为终端接入到网络，与其他设备进行信息交互，实现信息的共享，从而形成万物互联的局面，即物联网（Internet of Things，IoT）。在IoT的众多接入设备中，由于车辆与人类的日常生活息息相关，所以将车辆作为接入终端而形成的车联网（Internet of Vehicles，IoV）逐步成为学术界和产业界研究的重点。

早期的车联网以（Vehicular Ad-Hoc Networks，VANET）形式存在，其基本思路是将移动自组织网络的原理应用至车辆领域，由车辆或交通辅助设施构成网络中的网络节点，利用无线通信技术形成车辆间的移动网络。自从车联网的概念被提及之后，越来越多的科学家们展开了针对车辆自组网络的研究。联邦通信委员会批准将75兆赫的频段作为专用的短距离通信（Dedicated Short Range Communications，DSRC）提供车对车无线通信。同时，IEEE 802.11p是对车辆环境的无线访问协议，支持车辆之间以及车辆与道路之间的互联。后来的车联网研究主要集中于（Vehicles to everything，V2X），此时的接入到车联网络中的设备已经得到了广泛的拓宽，如车辆与（Roadside Unit，RSU）的连接组成（Vehicles to RSU，V2R），车辆与设施（Vehicles to Infrastructure，V2I），车辆与传感器（Vehicles to Sensor，V2S），车辆与行人（Vehicles to People，V2P）等。车辆与其他相关设施、行人的互联共同构成了车联网。

2  基于移动边缘计算的车联网

车联网中，车身上安装了大量的传感器、摄像头、雷达等设备用于采集车辆自身与周边环境信息。这些设备将会产生大量的数据，据Intel公司预测，未来一辆智能车辆在一天内产生的数据量将会高达4 000 GB。海量数据的产生将会导致存储资源、计算资源和通信资源的缺乏。基于传统的云计算模式来处理这些数据不仅会导致任务执行时延过长，同时还会额外增加能量的消耗。集中式云服务器远离终端设备，从而导致其在计算密集型环境中的效率低下。同时，将计算资源传输到云端会消耗能量，导致移动电池的使用寿命降低。此外，云计算模式很难为移动用户提供复杂的内存利用应用程序和更高的数据存储容量。

移动边缘计算（Mobile Edge Computing，MEC）被视为是解决上述问题的有效解决方法，通过将计算资源部署在网络边缘，将时延敏感型任务，如碰撞预测、偏离车道预测等任务交由边缘服务器进行计算可以大大地降低通信时延，同时也可以有效提升数据安全。在车联网中部署边缘计算服务器目前已经引起了学术界和工业界的重视，并成为车联网的一个重要研究分支。任务卸载是MEC的研究中最为重要的领域，众多学者针对此问题进行了广泛的研究。由于受到设备在计算能力和存储性能上的限制，车辆无法进行计算密集型任务，此时就需要将任务发送至边缘服务器，由边缘服务器处理任务，进而再将处理结果反馈至车辆。在开展任务卸载的过程中，需不需要进行任务卸载、何时进行任务卸载、将任务卸载至何处、卸载多少任务至边缘服务器、是否需要边云协同、服务的类型、访问技术这一系列都值得进行深入的研究。

3  边缘智能车联网

近年来，人工智能技术在图像识别、模式识别、语音识别等领域的应用均取得了极大的成功。在人工智能的众多模型中，深度神经网络（DNN）通过从海量数据中抽取出用户关心的数据特点，并在此基础上进行分类、判别和预测，其在现实应用中展现出来的高精度、高准确率使其得到了业界的一致认可。有理由相信，在边缘服务器中安装AI芯片，部署AI应用，可以有效地提升边缘服务器的计算能力和存储能力，能够为车联网中的广泛应用提供强有力的支撑。将MEC技术应用到IoV中可以有效降低任务处理时延，降低读取存储资源的时延，进而可以根据用户的不同需求提供个性化的解决方案。然而，现在的许多用户请求包含了大量的数据，如车辆的偏离车道预警、碰撞避免等任务，同时，车辆所处的环境也十分复杂，车辆随时需要与其他车辆、行人、道路等进行信息共享，沿用传统的方式明显已经不能解决当前的用户需求。AI被视为是解决上述问题的有效解决方法。通过对原始数据进行降维、池化等操作，形成AI算法，将这些算法部署在服务器上，可以有效地處理车辆发送信息的复杂问题。

边缘智能系统是IoV的理想选择。它能够起到辅助智能车辆的关键作用，可以基于情境和环境获取数据，同时可以进行智能化的数据处理，将数据在网络边缘进行处理可以节省大量的通信带宽，还可以满足低时延的重要任务的要求。机器学习的分类有很多，早期的分类学习主要集中于监督学习和非监督学习，通过对数据进行打标签的操作，可以有效拟合函数，将数据划分和分类。随着机器学习的不断发展，各种新型机器学习算法不断涌现。强化学习是机器学习的重要分支。它是指智能体能在一系列场景中通过多个步骤和适当的决策来实现目标的过程，可以将其视为多步骤顺序决策问题。引入人工智能是使车辆网络变得智能化的有前途的方法。在较小状态空间和行为空间的情况下，可以使用增强型学习技术使网络实体能够确定用于决策或行为的最佳策略。但是，在复杂的大型网络中，为了提高学习效率，将增强型学习与深度学习相结合而形成的深度增强型学习被认为是一种有效的解决方案。

增强型学习的三个关键要素分别是智能体当前所处的状态，智能体的动作以及奖励。Q学习是一种典型的增强型学习算法。Q函数的定义用于评估策略的长期回报，同时也可以使用神经网络进行代替。对于每个事件，Q学习都会基于Q值做出决策，该Q值会评估当前方案中的所选操作，当状态空间和动作空间较小时，Q学习算法可以有效地获得最优策略。但是，在实际应用中，由于系统模型的复杂性，动作空间和状态空间通常都很大，Q学习的收敛效果并不是很理想。所以在这种情况下，Q学习算法可能无法找到最佳策略，即使能找到最佳策略，但付出的时间成本和计算资源的消耗也极大。因此，将深度Q学习应用到车联网中可以有效地解决上述问题。

4  相关研究及应用

4.1  资源分配

与广泛研究资源分配的传统无线网络不同，车载网络对智能资源分配策略有特殊的约束和要求。传统的资源分配方法有基于贪心算法、博弈论等算法，但为了满足车载网络中资源分配的要求，基于深度强化学习的智能资源分配方案得到了很多研究人员的关注。如有研究人员提出在考虑均匀和不均匀的交通分布，时变的交通模式以及信道出现故障的条件下，提出了一种有效的频谱分配方案。然而，此类多重任务的联合优化的问题往往是NP难问题，很难进行求解，作者将此复杂的资源分配问题转化为大规模的约束动态优化问题，并使用实时强化学习（Q学习）来解决。

4.2  交通拥堵控制

车辆的高速移动性影响着车联网中的通信连接性，同时也增加了路由和调度的困难。 近年来，机器学习已被用于车辆网络智能交通控制，以改善移动性预测，有效连接，动态路由，快速切换以及避免潜在的拥塞。有研究人员利用智能预测方法对网络流量的控制进行了研究。由于车辆的高速移动性，已经建立的连接和路由路径经常会中断。建立和维护车联网中端到端的连接，涉及车载网络中动态网络路由问题中的车辆移动性和交通变化趋势，是一项必不可少的解决方案。可以考虑利用函数逼近功能使监督型的机器学习方法应用在频谱和空间域中恢复信息，以及在时域中进行状态预测。此外，除了仅针对少量车辆的基于车辆运动的位置预测之外，基于交通流量预测的网络交通控制方法还显示出在复杂车联网中的性能改善能力。启用时空特征提取的机器学习，如递归神经网络，堆叠式自动编码器和卷积神经网络等。

5  结  论

本文对基于车联网应用的智能边缘系统进行了简要概述，对车联网、边缘计算技术、人工智能算法进行了简要的分析。车联网的各项关键技术目前仍处于研究中，虽然目前社会上已经有不依靠人工操作就可以实现自动驾驶的智能车辆，但是要想实现全面的车辆互联仍然尚需时日，然而边缘计算和人工智能技术可以有效地加速这一进程。

参考文献：

[1] TANG F X，FADLULLAH Z M，MAO B M，et al. An Intelligent Traffic Load Prediction-Based Adaptive Channel Assignment Algorithm in SDN-IoT：A Deep Learning Approach [J].IEEE Internet of Things Journal，2018，5（6）：5141-5154.

[2] XU Y，XIA J J，WU H J，et al. Q-Learning Based Physical-Layer Secure Game Against Multiagent Attacks [J].IEEE Access，2019（7）：49212-49222.

作者简介：刘江挺（1982—），男，汉族，重庆人，中级工程师，硕士研究生，主要研究方向：5G网络规划、车联网。