原文传递
车联网中资源分配与计算任务卸载算法研究
| 论文题名： | 车联网中资源分配与计算任务卸载算法研究 |
| 关键词： | 车联网;无线资源;计算任务卸载;深度学习;车载端处理能力 |
| 摘要： | 智能交通系统的迅猛发展带来两方面问题：一是车联网业务的快速增长导致频谱资源日益紧缺，二是计算密集型业务增多导致车载端处理能力不足。频谱共享与计算卸载被认为是解决上述问题的有效手段。蜂窝车联网（CellularVehicle-to-everything,C-V2X）允许车联网用户与蜂窝小区用户共享信道资源以提升频谱利用率，而通过计算迁移将任务卸载到算力更强的边缘节点可有效解决车辆计算能力不足的问题。目前，在复杂、多样的车联网场景中合理地调度和利用多维度资源以保证服务质量仍面临诸多挑战。针对C-V2X侧链通信中产生的额外开销以及车联网环境的动态变化性，论文研究了C-V2X网络中的侧链资源分配问题以及如何利用深度强化学习来解决计算任务卸载问题。论文的主要研究工作总结如下： 1.针对C-V2X网络中的无线通信资源分配问题，提出了一种以信道状态信息（ChannelStateInformation,CSI）上传时能效最大化为前提的侧链无线资源分配方案。考虑在统一资源调度的场景下。首先，车-车（VehicletoVehicle,V2V）链路的发送端将CSI上报给基站，采用混合频谱接入技术接入小区用户的授权信道，为了在降低CSI传输开销的同时控制对小区用户的干扰，建立以最大化能效为目标的优化问题并采用分式规划求解出最优的发送功率。其次，为了满足侧链通信的吞吐量和时延需求，建立一个以最大化系统吞吐量为目标的优化模型并利用对偶分解技术来获得最优解。仿真结果表明所提出的资源分配方案在CSI上报开销部分较传统机会式频谱接入模型的能效提高约14.2%，在V2V链路数据传输部分较遗传算法在系统吞吐量方面提升约11%。 2.针对C-V2X网络中的计算卸载问题，提出了一种基于深度强化学习的联合计算卸载和资源分配算法。首先，论文设计了一种车上计算任务的自适应卸载方案，当本地计算不满足时延要求时，借助路上的服务车辆、路边单元或者基站来进行任务计算。其次，考虑到车联网场景中的资源动态变化性，采用基于深度双Q网络的多智能体强化学习架构。最后，为了最小化总时延，并在此基础上尽可能降低用户端的能量消耗，设计了一个联合卸载决策、计算资源分配、功率分配和子信道分配的资源分配优化算法，该算法以任务处理时延和用户端能量消耗的加权和（即成本值）的负数作为收益的一部分。仿真结果表明所提出的基于多智能体强化学习的联合计算卸载和资源分配算法带来的成本值能达到随机资源分配算法的一半。 |
| 作者： | 缪娟娟 |
| 专业： | 电子与通信工程 |
| 导师： | 宋晓勤 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
