车辆雾网络中的高自适应任务卸载框架:一种结合案例推理与整数线性规划的混合方法

《Future Generation Computer Systems》:High Self-Adaptive Task Offloading Framework in Vehicular Fog Networks: A Hybrid Approach Leveraging Case-Based Reasoning and Integer Linear Programming

【字体: 大 中 小 】 时间:2025年12月08日 来源:Future Generation Computer Systems 6.2

编辑推荐:

  胡家成 中国福州,福州国际商贸学院大数据学院 摘要:本文提出了一种针对车辆雾计算网络的自我适应任务卸载框架,该框架能有效应对高车辆流动性、动态连接性以及不断变化的计算需求等挑战。该框架将基于案例的推理方法与整数线性规划模型相结合,以实现实时、考虑流动性因素的卸载决策。在离线状态

  胡家成 中国福州,福州国际商贸学院大数据学院

摘要:本文提出了一种针对车辆雾计算网络的自我适应任务卸载框架,该框架能有效应对高车辆流动性、动态连接性以及不断变化的计算需求等挑战。该框架将基于案例的推理方法与整数线性规划模型相结合,以实现实时、考虑流动性因素的卸载决策。在离线状态下,基于整数线性规划的取整算法能够为不同网络条件生成近乎最优的任务分配策略数据库。在在线状态下,决策脚本确定算法利用基于案例的推理方法,根据由事件驱动和周期性机制设定的自适应阈值,检索并调整策略以应对环境变化。通过实际车辆流动性数据进行的广泛测试表明,与基于启发式方法和学习方法的基准相比,所提出的框架能够在降低服务延迟和能耗的同时提高任务成功率。具体而言,MTPR算法能够实现近乎最优的性能,其结果接近精确的整数线性规划解,同时显著优于贪婪算法。此外,决策脚本确定机制在决策准确性和适应性方面均优于深度强化学习方法,且无需额外的训练开销。本文的主要贡献有三点:1)开发了一种混合优化-推理框架,确保任务卸载具有可扩展性和高效性;2)构建了一个包含预计算策略的全面决策数据库,以支持低延迟的实时操作;3)在真实的车辆雾计算网络场景中进行了实证验证,证明了该框架在适应性和效率方面优于现有最先进方法。

引言:车辆雾计算网络是雾计算的一个特殊分支,它通过在网络边缘实现低延迟的数据处理,从而彻底改变了智能交通系统。与通常部署在工业物联网中的固定雾计算节点不同,车辆雾计算网络节点——即具备计算能力的车辆——具有较高的流动性。这种动态特性给任务卸载带来了复杂挑战,包括不稳定的网络连接、多变的移动模式以及不一致的计算需求。这些固有特征使得传统的静态卸载方法无法适用于高度动态的车辆环境。为了解决这些问题,我们提出了一种专为车辆雾计算网络设计的新型自我适应任务卸载框架。我们的方法利用基于案例的推理方法,根据车辆雾计算网络节点的流动性和资源可用性,持续调整卸载决策。与那些通常依赖静态或半动态模型的传统解决方案不同,我们的框架具备实时适应性,非常适合车辆网络中不可预测的条件。近期有一些研究也在类似背景下探讨了任务卸载策略。例如,[1]中的作者研究了多接入边缘计算环境中的卸载策略,而[2]中的作者则研究了车辆边缘网络中的任务调度问题。然而,这些研究主要针对静态或半动态环境,未能充分考虑到车辆雾计算网络固有的快速移动性变化。我们基于基于案例的推理方法的框架通过从预先建立的最优决策数据库中,根据当前情况与历史情况的相似度动态选择卸载策略,从而弥补了这一缺陷。这种方法使系统能够智能地适应网络条件的变化,确保最小的任务失败率并实现高效的资源利用。以往的一些研究,如[[3], [4], [5]],已将机器学习应用于车辆环境中的任务调度,但我们的框架通过侧重于基于经验的推理,提升了系统的适应性。与在线学习和迁移学习等轻量级机器学习技术相比,基于案例的推理方法在需要快速决策且计算开销较小的场景中具有独特优势。在线学习会不断根据新数据更新模型,而迁移学习则从相关任务中汲取知识;这两种方法都可以在动态环境中提升泛化能力。然而,这些方法往往需要频繁的重训练或模型微调,这在计算成本较高或对延迟要求严格的车辆雾计算网络场景中并不实用。相比之下,基于案例的推理方法通过依赖精心整理的决策数据库和基于相似度的检索,避免了在线模型更新,从而实现了快速且可解释的决策制定,且运行成本较低。这使得基于案例的推理方法特别适用于那些更重视响应速度和可解释性而非持续学习的车辆雾计算网络环境。优化方法也被用于解决车辆雾计算网络中的卸载问题。像分支定界法这样的穷举技术[[6], [7]]虽然能保证得到最优解,但由于执行时间过长,对于大规模的实时应用来说显得过于耗时。启发式方法[[8], [9]]则提供了一种更快的替代方案,虽然不能保证全局最优,但能提供实用的解决方案。尽管这些方法效率较高,但在应对车辆雾计算网络的高度动态特性时可能力不从心。此外,集中式方法虽然最初准确,但随着系统条件的变化会逐渐退化,而分布式方法虽然具备可扩展性,但往往只能实现局部优化。最近的一些方法,包括取整算法[[10], [11]]和模拟退火算法[9,12],试图在效率和准确性之间取得平衡,但在执行时间和信息收集需求方面仍存在局限。近年来,机器学习方法因其对车辆雾计算网络等动态环境的适应性而受到关注。博弈论[13]、强化学习[[14], [15], [16]]、深度学习[[17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27]]以及深度强化学习[[28], [29], [30], [31], [32]]等技术都提供了可扩展且具备适应性的解决方案。然而,它们往往受到计算复杂性、维度灾难以及较长训练周期的限制。尽管前景广阔,但这些方法在实时应用中,尤其是在大规模车辆雾计算网络环境中,仍面临诸多挑战。本研究的主要贡献如下:1)针对车辆雾计算网络的混合优化框架:我们为车辆雾计算网络设计了一种新型的混合任务卸载框架。该框架将任务卸载问题表述为整数线性规划模型,并通过线性规划松弛和取整方法得出高效的近乎最优解。2)离线决策数据库构建:基于整数线性规划得出的解,我们构建了一个全面的离线决策数据库,其中存储了在不同网络条件下的全局最优任务卸载策略。这一设计确保系统能够在运行时重用预计算的策略,从而降低在线计算负担。3)自我适应的基于案例的推理机制:我们整合了基于案例的推理方法,以实现实时适应性。系统可以根据当前网络条件从离线数据库中检索最相关的策略,从而动态调整以应对车辆雾计算网络中不断变化的流动性、连接性和资源可用性。4)高效的实时决策制定:为了在高度动态的车辆环境中保持响应能力,我们设计了一种决策机制,该机制结合了事件驱动和周期性触发器以及自适应阈值。这不仅确保了及时更新,还避免了不必要的计算,从而实现了可扩展性和低延迟。本文的其余部分结构如下:第二节回顾相关研究,第三节阐述本研究的动机和方法。第四节描述系统模型和问题表述。第五节和第六节分别详细介绍了优化方法和基于案例的推理方法的整合过程,即决策数据库的建立和决策脚本的确定。第七节展示性能评估结果,最后第八节总结本文的关键发现。

优化方法:优化在解决车辆雾计算网络中的计算卸载问题上起着关键作用。表I总结了目前文献中常用的主要优化方法的优点和缺点。像分支定界法这样的穷举方法[[6], [7]]虽然能保证得到最优解,但由于卸载问题属于NP难问题,这些方法在实际应用中可能会因计算成本过高而难以使用。随着问题规模的增大,所需的计算量也会相应增加。

动机与方法:如第二节B部分所述,机器学习方法在车辆雾计算网络这类高度动态的环境中往往面临重大挑战。它们依赖于大量数据集进行训练和适应,当系统刚刚部署或面临突然的环境变化时,这种做法会导致严重的效率低下。在这样的情况下,为了适应新条件而重新训练模型的过程可能会导致响应时间延长以及性能大幅下降。图1展示了系统性能如何受到影响。

网络与应用程序模型:我们考虑了一个由多个分布在城市街道上的路边单元组成的车辆雾计算网络,这些路边单元由一个基站进行集中管理。这些路边单元被表示为一个集合R,它们的覆盖区域彼此不重叠。假设每个路边单元r∈R都配备有一台具有处理能力pcr的车辆雾计算服务器,该处理能力以每秒周期数来衡量。我们考虑了一组车辆,用V表示,其中每辆车辆在任何给定时间都运行一个应用程序。

决策数据库的建立:如表I所示,第四节中介绍的卸载优化问题属于NP难问题,因此对于大规模实例来说,要获得精确的最优解在计算上是不可行的。在现有文献中,各种启发式技术——如取整算法、模拟退火法和拉格朗日乘数法——已被广泛用于以可接受的计算开销近似得到近乎最优的解。然而,每种方法都有其局限性。虽然模拟退火法……

决策脚本的确定:在本节中,我们介绍了DSD(决策脚本确定)算法,该算法旨在从上一节中创建的预先建立的决策数据库中选择最优的卸载决策脚本,该数据库包含了针对各种车辆雾计算网络场景的预先评估过的卸载决策。DSD算法利用基于案例的推理方法,根据当前平台的状态识别并调整最合适的决策脚本。基于案例的推理是一种解决问题的方法,它利用……

MTPR方法的性能评估:本节通过对所提出的MTPR方案与两种基准方法——Opt和Greedy——进行比较,对其性能进行了全面评估。评估的目的是在不同的参数设置下测定任务的总累积权重。Opt代表了第五节中制定的任务卸载问题的最优解,能够保证全局最优性,可作为性能评估的上限。Greedy是一种启发式方法,它通过……

结论与未来工作:本文提出了一种专为车辆雾计算网络设计的新型任务卸载框架,该框架旨在应对高车辆流动性、不稳定的网络连接性以及不断变化的计算需求等挑战。传统的静态卸载策略无法适用于此类环境。为了解决这些挑战,所提出的框架将整数线性规划优化与基于案例的推理方法相结合,实现了具有预测性且考虑流动性因素的任务分配。该框架还引入了一个离线决策数据库……

作者贡献:在提交的稿件中,胡家成是唯一的作者。

CRediT作者贡献声明:胡家成:写作——审阅与编辑,写作——初稿撰写,可视化,验证,监督,软件,资源,项目管理,方法论,研究,资金获取,正式分析,数据整理,概念构思。胡家成于1995年获得国立成功大学工程科学硕士学位,2005年在台湾国立台湾大学计算机科学与信息工程系获得博士学位。他目前是福州国际商贸学院大数据学院的教授。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号