基于移动边缘计算的车载网络研究

邵华，牛建华，权玉龙，蒋中天

（兰州石化职业技术大学，甘肃 兰州 730060）

0 引 言

近年来，随着5G技术、物联网技术、自动驾驶技术的飞速发展，对车联网络（Internet of Vehicles, IoV）的研究也越来越深入，车联网的研究成为国内外科技竞争和创新发展的重要组成。作为智能交通的一部分，车联网不仅可以解决城市交通问题，而且在车辆之间信息交互的问题上，也做出了很大贡献。IoV利用无线通信技术，不断改进交通安全问题，实现了车与车（V2V）之间通信、车与路边信息单元（V2I）之间通信，为万物互联的5G时代奠定了基础，提供了技术支持。

1 MEC与车载网络相关研究

车载网络的核心技术是云计算，云计算因为其强大的计算能力，成为大数据分析和处理的平台，因此，车载网络也会运用它强大的数据处理能力以及海量的数据存储能力，为IoV的发展提供技术支持。但是，云计算服务器的部署一般都远离用户端，这就造成了移动设备与云中心服务器之间的传输距离过长，进而影响延迟和数据传输的速度，从而影响了任务的传输效率。因此，引入了移动边缘计算（Mobile Edge Computing, MEC），它将具有计算与存储功能的服务器放在了移动用户的附近，这样移动终端就可以将数据存储在靠近终端的MEC服务器上，使得数据传输速率大大加快，并且降低了任务卸载的传输延迟。然而，与强大的传统云服务器相比，MEC服务器通常会受到计算资源的限制，另一方面，计算卸载会带来一些通信开销，例如带宽和功率的开销。因此，如何有效的为基于MEC的车载网络分配通信和计算资源，以保证用户的良好体验至关重要。

移动边缘计算的提出，大大提高了车载网络对实时性的高要求，车载网络尤其是车辆与车辆之间的通信方式（V2V）对延迟要求较高，而边缘计算的提出，较好地解决了车联网中通信连接以及数据处理及时性的问题。由于在移动边缘计算中，边缘服务器放置位置的特殊性，车载网络在通信过程中可以将通信数据存储在靠近车辆的边缘服务器侧，相当于数据存储在车辆的附近位置，这就减少了数据传输对网络资源的无效占用，降低了服务交付的时延，在一些对延迟较高的业务类型，例如事故警告、无人驾驶防碰撞等业务类型上大大提高了安全性。中国移动科学院从2015年底就从IoV领域开展了移动边缘计算研究，在北京举办的2017年边缘计算产业峰会上，边缘计算产业联盟（ECC）与车载信息服务产业应用联盟（TIAA）签署战略合作协议，在边缘计算的基础上，发展车载网络在应用上的创新、共同致力于推动新的标准创新，促进边缘计算技术与车载网络技术产业的共同发展。

随着道路上车辆的增加，广大学者对车联网的研究越来越多，可以连接到互联网的车辆已经占据了相当一部分比例。在车联网中，智能设备可以通过配备相关计算单元与通信技术，提供车辆控制、交通管理与一些交互式应用。这些应用都需要大量的计算资源与较低的系统延迟。然而，通常情况下，汽车终端的计算资源是有限的，在汽车终端进行各类计算任务对于车载网络来说是一个巨大的挑战。国内外学者也针对MEC在车载网络的问题，做了大量研究。文献[6]针对在车载网络中，由于车辆收集信息的不准确、不完整和不精确以及障碍物产生的中断影响，提出了将认知无线电和软数据融合技术应用于车辆接入网，通过将车辆云与固定中央云相结合，设计了一种车辆网络分布式车流量卸载方案。文献[7]中，作者设计了一种车辆雾计算架构，该架构利用车辆和邻近用户边缘设备的协作来进行通信和计算。文献[8]中提出了一种优化的计算资源管理机制，以使车辆云计算（VCC）系统的总长期预期回报最大化。然而，将计算任务卸载到移动云服务器必须消耗返回链路资源，这将产生额外的时间消耗，无法满足5G场景下低延迟、高可靠性服务的要求。

2 MEC技术在车载网络中面临的问题

将移动边缘计算技术引入到车载网络中，主要是为了满足车载网络在实时性的业务上以及5G场景下的海量数据连接下，移动终端的运维管理、网络管理以及安全与隐私保护等的关键需求。但是，MEC仍处于发展阶段，相关技术不够成熟，将其应用到IoV中的研究尚在起步阶段。由于IoV应用场景的多样化，MEC技术和IoV技术的结合将面临诸多挑战。边缘计算中亟待解决的问题主要集中在以下几个方面：

（1）随着车联网用户的激增和日益多元化的智能应用不断出现，车载终端数据量呈现出爆炸式增长的态势，IoV系统部署的规模不断扩大，这些大量的数据使网络数据中心和移动终端设备之间的数据传输速率大大下降，造成严重的时延问题。将MEC技术应用到IoV中可以有效解决数据存储和传输时延带来的问题，如何构建基于MEC的IoV体系结构和系统模型成为研究的首要问题。

（2）万物互联的5G时代，对于车载网络中的计算密集型任务，车辆上有限的计算和存储资源难以进行处理，通过引入移动边缘计算技术，可以在无线网络边缘部署边缘服务器，用来处理移动车辆终端部分甚至全部用户的任务请求，从而可以缓解网络云中心的计算压力。而在移动边缘计算中，如何建立计算卸载模型，如何对计算卸载到边缘服务器的决策算法进行优化，提高任务卸载效率是边缘计算中研究任务卸载技术的重中之重。在车载网络中，车辆的移动性是影响任务卸载的主要因素，如何解决车辆在快速移动过程中的MEC服务器选择问题，提高车辆的任务卸载效率，是不可忽视的问题之一。

（3）IoV数据信息的信任管理问题研究。IoV的持续发展建立在IoV高可靠性、高安全性的基础上，IoV信息安全需求与传统网络信息系统安全的核心不同，由于IoV对安全性要求极高，对于通信的实时性要求也更高，需要更低的延迟。因此，对于IoV的数据信息的管理，以及车载网络系统中安全防护的研究显得极为重要。

3 车载网络中的计算与通信

为了解决汽车终端大量的计算需求，一种基于云中心的车载网络被广泛认为是提高车载网络服务质量的有效方式。根据计算任务的形式，基于云中心的网络可以选择将应用程序在汽车终端本地执行或卸载到远程云中心进行执行，移动云计算的提出大大提高了资源的利用率与计算性能。然而，考虑到计算资源容量的限制以及传输信息间的延迟波动，以及云中心在距离上远离汽车终端，因此在任务卸载效率及任务传输速率上都有较大的缺陷，严重影响了任务卸载效率。移动边缘计算的提出有效地解决了这类问题，MEC将云中心提供的服务，放到了无线接入网络的边缘，即在靠近移动终端的附近提供云服务，使得传输数据的距离大大减少，从而降低任务卸载的延迟，提高任务传输效率。

在边缘计算网络中，每一种任务都具有不同的资源需求，例如用于任务执行的计算资源，还有用于任务传输的通信资源。由于MEC服务器接入在无线网络的边缘，并在所连接的路边单元（RSU）的帮助下进行任务的传输。因此，MEC服务器的范围会受到RSU的限制。由于车辆具有快速移动的特点，因此在任务传输过程中，车辆肯定会经过多个RSU以及MEC服务器。这时候，在任务卸载的过程中，车辆选择哪个MEC服务器，以及什么时候进行卸载任务，都会影响卸载效率。在车载网络中，车辆可以通过各种方式连接到与MEC服务器相连接的RSU，比如车到路边通信单元（V2I）的连接、车到车（V2V）之间的连接方式。但是在实际情况下，车辆会频繁移动，就会使得卸载过程变得更加复杂。为了提高任务完成效率，设计一种基于MEC的车载网络系统，并能够使MEC服务器和车辆终端之间快速地进行任务传输的方案是很有必要的。

尽管现在有许多基于云中心的车联网络研究，或者是关于边缘计算技术的研究，但是基于边缘计算的车载网络研究并不多。此外，还有一些研究虽然结合了边缘计算与车载网络，但是未考虑车辆的移动性带来的影响。本文研究了基于移动边缘计算的车载网络中车辆任务卸载的传输方式，并且针对不同类型的计算任务提出了不同优化方式，考虑了在不同异构网络下的任务需求以及车辆的移动性，在分析各种卸载策略特点的基础上，结合V2I、V2V的传输特性，提出了一种预测模式传输方案，这种传输方式可以在一定延迟范围内，大大提高传输效率和任务卸载效率。

4 系统模型

基于边缘计算的车载网络中主要涉及的通信方式有以下几种：

车辆到车辆（V2V）通信：车辆与车辆之间直接进行通信，车辆充当数据包转发的中继设备。V2V多跳中继通信是一个优势，但如果跳数大于三，则可靠性会显著降低，延迟无法保证，在实际应用中，如果跳数小于三，则在蜂窝网络中进行分组转发。

车辆到RSU通信（V2I）：车辆通过与RSU之间通信的方式从RSU收集道路状况数据，例如交通堵塞程度和路边交通灯变化的数据。在所提出的架构中，RSU不负责分组转发，并且数据转发功能被转移到MEC服务器。

RSU到MEC服务器：RSU收集实时路况并将其发送到MEC服务器，MEC服务器根据数据信息决定将其在本地服务器处理还是转移到远程云中心进行处理。

MEC到远程云服务器：所有流量数据都应该由MEC服务器进行预处理，然后通过数据同步的方式传递到远程云服务器，MEC服务器通常存储最近的交通数据，而远程云服务器永久存储交通数据，并根据实时和历史数据进行交通预测。

本文所考虑的MEC的车载网络架构系统模型如图1所示，考虑单向的通道并存在不间断的车流量。MEC服务器按照一定的距离部署在车辆用户的邻近位置，并通过有线方式连接到RSU。沿路都有RSU，设定每两个RSU之间的距离为L，每个RSU在其传输范围内提供无线接入服务，我们设定传输范围为L/2。这条路可以按长度分成几段，通过V2I通信模式，在给定区段内运行的车辆只能访问相应区段内的RSU。RSU之间通过无线回程相互通信，每个RSU都会配备一台MEC服务器。对于一些应用，例如语音识别，它的计算任务输入数据的大小远远大于数据输出的大小。为了提高无线回程的传输效率，任务输入文件不能在RSU之间传输，也就是说，每个MEC服务器只能执行与其连接的RSU接收的计算任务。然而，由于输出数据较小，计算任务输出可以通过无线回程在RSU之间传输。相应的计算任务可通过V2V或者V2I两种通信方式进行传输，将传输数据传递到距离车辆最近的RSU，RSU收集这些数据，并将数据打包后经过有线通信的方式传递与其相连的MEC服务器。而所有MEC服务器又可以将资源信息有选择的传递至云中心进行处理或自行在本地服务器处理。

图1 基于MEC的车载网络架构

5 带预测传输的计算卸载方式

车载网络中车辆的频繁移动，使得承担任务卸载的边缘服务器频繁切换，当切换到下一个承担任务的边缘服务器时，切换所需传输的大量数据以及资源的重新获取将导致时延增加，并加重MEC服务器网络的负担。通过预测车载网络中车辆的运行轨迹，提前实现边缘服务器对计算资源的预分配，当车辆到达新的RSU覆盖区域时，就能立刻得到所需要的计算任务数据，从而提高传输效率，减少不必要的时延。

如图2所示，车辆通过V2I模式，将传输数据卸载到MEC服务器。考虑车辆在高速公路上行驶，如果其计算任务的完成需要较长时间，则在任务执行期间，车辆可以通过多个RSU服务区。在这种情况下，需要将MEC服务器1完成的任务发送到车辆新接入的RSU，RSU之间通过无线回程进行通信，虽然无线回程部署简单，成本低，但是无线链路之间的干扰使得无线回程以低速率和不可预知的延迟传输，使得多跳中继的时间开销和传输成本严重影响了任务传输效率。因此，车辆采用直接到RSU的通信技术仍有很多不足。

图2 通过V2I传输模式进行任务卸载

由于道路上有大量车辆，车辆可以通过多跳V2V这种通信方式相互连接。将这些未充分利用的V2V通信资源投入使用，为车载通信网络的负载均衡和延迟减少提供了很大的帮助。此外，与一些运营商提供的RSU接入服务不同，V2V通信总是由运行车辆自行组织，成本远低于车辆到RSU的V2I通信。鉴于车辆到RSU的V2I技术存在的不足，提出一种具有预测模式传输的计算卸载方案。如图3所示，在这种方案中，车辆将其任务输入文件在运行方向之前发送到MEC服务器，基于对文件传输时间和任务执行时间的准确预测，车辆可以在完成任务的准确时间到达RSU的通信区域。具体的，在车辆选择预测模式卸载任务的情况下，首先通过多跳V2V中继传输来递送计算文件，然后在传输中继的最后一跳，车辆通过V2I将文件传输到RSU。通过这种方式，计算任务被提前卸载到位于车辆前一路段的MEC服务器上。在计算结果输出后，MEC服务器将计算结果存储在与其相连的RSU上，当该车辆到达RSU传输范围时，便可以直接从RSU路边单元侧获得计算数据。采用这种方式，充分利用了车载网络的传输能力，同时大大节省了无线回程的资源。

6 结 论

本文提出了一种基于移动边缘计算的车载网络研究方案，针对车载网络中车辆的频繁移动造成数据传输延迟较高以及任务卸载效率较低等问题，提出了一种预测车辆轨迹的数据传输方案，该方案结合了车载网络中的V2I与V2V通信方式，计算任务将会预先卸载到位于该车辆前一路段的MEC服务器上，从而在保证提高任务传输效率的同时降低任务卸载的延迟。

图3 通过预测传输方式进行计算卸载