《Computer Communications》:Vehicular edge computing: A motion-centric quantitative survey
编辑推荐:
摘要智能车载应用需要大量的计算资源和低执行时间,这使得车辆边缘计算(VEC)对于高效地为这些车载应用提供服务变得尤为重要。关于VEC运作的不同解决方案都强调处理移动性的必要性——尤其是作为VEC边缘组件添加的车辆的移动性。然而,本文的动机在于缺乏适当的研究途径来评估车辆运动以
摘要
智能车载应用需要大量的计算资源和低执行时间,这使得车辆边缘计算(VEC)对于高效地为这些车载应用提供服务变得尤为重要。关于VEC运作的不同解决方案都强调处理移动性的必要性——尤其是作为VEC边缘组件添加的车辆的移动性。然而,本文的动机在于缺乏适当的研究途径来评估车辆运动以改善VEC性能。本文提供了三项贡献——(1) 从VEC运作的运动视角提出了一个新的分类法,该分类法基于车辆运动的四个不同视角定义,为VEC中车辆集成的渐进式研究奠定了基础;(2) 根据提出的分类法,从车辆运动影响的角度对VEC中的现有工作进行了定量和定性评估,反映了研究进展;处理延迟、能耗、计算能力和完成规模是定量评估的关键指标;还对车辆接入进行了新的定量分析,这些定量评估产生的新见解为VEC资源管理提供了新的指导方针;(3) 还提出了一个独特的开放挑战集合,以开展进一步研究来改善VEC动态边缘基础设施中的服务交付。总之,本文深入探讨了VEC中的实时应用支持,并展示了在VEC运作中融入不同层次的车辆动态带来的好处。
引言
物联网(IoT)的快速发展促使智能车载应用得到广泛应用,例如自动驾驶、图像辅助导航和多媒体娱乐等 [1], [2]。这些应用为驾驶员和乘客提供了增强的舒适性和安全性,但需要大量的计算资源和低执行时间。解决此问题的一种常见方案是使用云服务 [3];然而,使用云服务的后果增加了核心网络的负担 [4]。车辆边缘计算(VEC)作为一种新的边缘计算形式应运而生,旨在高效地为这些应用提供服务 [5]。基于雾计算的原则和理论基础,VEC主要提供智能服务以支持当今城市化和交通需求带来的车载应用。
VEC利用车辆网络的计算、存储、通信等资源。向车辆配置资源和服务是VEC的主要目标。它旨在最小化响应邻近车辆服务请求时的处理延迟,以实现此类配置。此外,它还寻求通过与可用的边缘车辆资源(以下简称边缘车辆)聚合处理能力来扩展,从而增强其提供服务的能力。VEC中的边缘车辆配备了计算、存储和通信资源,以便于附近车辆访问服务并卸载应用任务。除了针对此类请求的自组织通信外,车载网络的路侧单元(RSU)和基站(BS)作为VEC的一部分,也经常促进类似的服务交付 [6]。它们靠近用户需求源,既减少了通过核心网络传输的数据量,也缩短了响应时间。
与主流的边缘计算技术相比,VEC还必须额外处理高程度的车辆运动。由于车流量频繁变化,车辆移动性导致通信时间间隔缩短。在文献中,信道分配策略被纳入为一项首要措施,以解决高移动性车辆在短时间内的任务卸载问题 [7]。然而,如文献中充分展示的 [8],通信性能指标仍然受到车辆运动程度的影响。因此,车载应用计算任务卸载和资源分配的关键问题仍然存在 [9],包括——(i) 忽视车辆速度对任务延迟限制的影响,导致资源配置不当;(ii) 未考虑由于移动性导致的车辆通信状态的大幅波动,造成任务卸载失败;(iii) 资源配置策略不精确,阻碍了VEC资源能力的充分利用。本文的动机在于现有文献中从所有车辆运动形式角度对VEC调查的覆盖不足。事实上,VEC中的现有分析未能充分突出车辆资源的运动视角。从这一视角出发,也有必要为研究提供适当的方向,而文献中尚不充分。文献中已有一些关于VEC基础和总体描述的分析 [5], [10], [11]。他们的工作暗示了车辆速度程度对通信的影响,但没有突出分析VEC中与车辆运动相关的研究挑战。文献中还提供了VEC特定方面的几种现有分析 [12], [13], [14], [15], [16], [17], [18], [19]。然而,这些分析均未提供关于如何在VEC运作中处理不同车辆速度程度的明确视角。特别是,现有分析观察到从VEC向附近车辆/用户交付服务的影响受到车辆高移动性的影响;然而,这些工作在如何处理VEC中不同程度和维度的运动方面缺乏具体研究方向。本文通过关注以运动为中心的VEC运作以实现高效的服务交付来填补这一空白。
本文提出了三项主要贡献,如下所列。
- •
首先,本工作基于对VEC前人工作的彻底评估,提出了关于VEC运作运动视角的新分类法。四个不同的车辆运动视角被用于定义VEC分类法。所提出的分类法在识别一种具有成本效益的计算解决方案作为工具的同时,对为VEC中车辆集成的渐进式研究奠定基础至关重要。
- •
其次,本文沿所提出的分类法,从车辆运动及其影响的角度,报告了对VEC中现有工作的详细评估,以反映研究进展。本文同时提供了定性和定量分析,尽管主要重点是通过对现有工作的实证评估来加强所提出的分类法。处理延迟、完成规模、能耗、计算能力、交通密度和车辆数量是本文定量分析的关键性能指标。还对车辆接入1进行了新的定量分析。这些定量评估产生了新的见解,为将实时车流量纳入VEC的资源分配和管理规划提供了有效指导。
- •
最后,本文提出了一个独特的开放研究挑战集合,与VEC动态边缘基础设施中的服务交付相关。这些新挑战有助于研究人员深入探索,以进一步改善VEC的运作。
本文其余部分安排如下。第2节简要概述了理解本文贡献所需的背景信息,并对与本文相关的现有调查进行了比较说明。所提出的VEC分类法在第3节中呈现,并报告了从运动视角出发的其发展历程。第4节详细阐述了根据所提出的分类法对现有工作的定量比较。第5节讨论了未来研究问题。最后,第6节提供了结论性陈述。
章节摘要
背景与相关工作
云计算是一种按需提供服务并允许通过互联网共享池化资源的计算工具,利用服务提供商在数据中心的集体计算设备 [21]。自其诞生以来,云计算因其能够为资源受限设备提供弹性计算能力和存储而受到广泛关注。为扩展相同的支持,云服务提供商也已兼容移动设备以促进
VEC的运动视角
前面的部分将漫游车辆描绘为VEC的组成部分和用户。自然,VEC必须处理城市交通网络中的高幅度车辆移动。在这种情况下,满足车载应用的延迟约束并确保VEC资源的均衡利用,在VEC运作中产生了多项职责:确定分配给每个车载应用的VEC组件;确定要提供的服务(或微服务)
比较分析
在本节中,从文献现有工作中选定的基准策略的定量性能分析从VEC的运动视角进行比较。这种比较分析进一步确立了所提出分类法的合理性。
开放挑战
尽管VEC中已进行了大量研究,但处理车辆运动以有效交付车载应用的服务仍然具有挑战性。这些困难为这一领域的进一步研究创造了独特机遇。
(1) 在存在车辆运动的情况下实现无缝连接是VEC中最关键的挑战,以解决与短暂数据传输间隔和网络动态拓扑相关的问题。此外,数据
结论
本文侧重于处理高程度车辆运动对VEC具有成本效益运作的重要性。本文提出了一个关于VEC中车辆运动的新分类法,旨在提供一种具有成本效益的"计算即工具"解决方案。在所提出分类法的基础上,本文通过分析现有的VEC卸载和服务交付策略,提供了VEC研究的最前沿综述。包含定量结果以
CRediT作者贡献声明
Murari Krishna Saha:写作–原稿、可视化、验证、软件、方法论、调查、形式化分析、数据整理、概念化。Suddhasil De:写作–审阅与编辑、写作–原稿、可视化、监督、项目管理、方法论、调查、概念化。Sukumar Nandi:写作–审阅与编辑、监督、项目管理。Nirmalya Mukhopadhyay:验证、软件、资源、形式化分析、数据整理。
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。
Murari Krishna Saha|Suddhasil De|Sukumar Nandi|Nirmalya Mukhopadhyay