張海波，王子心，賀曉帆

（1.重慶郵電大學通信與信息工程學院，重慶 400065；2.武漢大學電子信息學院，湖北 武漢 430072）

1 引言

隨著無線通信技術的飛速發(fā)展，聯(lián)網(wǎng)的車輛可以通過車輛對基礎設施（V2I,vehicle-to-infrastructure）和車輛對車輛（V2V,vehicle-to-vehicle）通信方式形成車載自組網(wǎng)（VANET,vehicular Ad Hoc network）[1-4]。在VANET 中，車輛均配備車載單元（OBU,on board unit），因此具有計算能力和存儲能力。然而車輛有限的計算和存儲資源難以支持計算密集型的車輛服務，這種能力限制給VANET提出了新的問題。為了解決這一難題，歐洲電信標準化協(xié)會（ETSI,European Telecommunications Standards Institute）于2014 年提出移動邊緣計算（MEC,mobile edge computing），使云計算服務靠近無線網(wǎng)絡邊緣，在移動車輛附近提供基于云的服務[5-7]。

MEC 服務器部署在無線網(wǎng)絡的邊緣，縮短了計算服務器與移動車輛的距離，使移動車輛可以將計算任務卸載至MEC 服務器進行計算。MEC 不僅滿足了車輛計算能力擴展的要求，而且彌補了遠程云計算導致的長時延的不足[8]。汽車工業(yè)的快速發(fā)展讓車輛也有了計算和緩存能力，車輛計算任務既可以卸載到MEC 服務器進行V2I 通信，也可以卸載到相鄰車輛進行V2V 通信。

車輛的移動性和網(wǎng)絡拓撲結構的動態(tài)變化導致網(wǎng)絡穩(wěn)健性變差。不斷發(fā)展的5G 接入技術已經(jīng)應用到V2X通信中，但是5G中的設備對設備（D2D,device-to-device）通信技術還不成熟，目前最可行的方案是結合不同的訪問技術來保持可伸縮性和靈活性[9-11]。幸運的是，軟件定義網(wǎng)絡（SDN,software defined network）具有集成不同訪問技術的潛力[12]。SDN 使數(shù)據(jù)平面與控制平面解耦，其可編程性使網(wǎng)絡更加靈活，可以更好地收集車輛動態(tài)信息，應用程序可以選擇合適的無線接入接口來傳輸數(shù)據(jù)[13]。MEC 異構車載網(wǎng)絡體系結構中引入的SDN 控制器允許在同一網(wǎng)絡體系結構下集成多個網(wǎng)絡協(xié)議、標準以及靈活管理網(wǎng)絡資源。

目前，已存在許多關于MEC 的研究。Zhang等[14]為了降低計算卸載的時延和傳輸成本，提出了一種基于云的MEC 車載網(wǎng)絡卸載框架，減少了計算任務執(zhí)行的時間消耗和車輛移動性帶來的影響。Li 等[15]提出了一種基于Ad Hoc 的多設備任務調度策略。Kan 等[16]通過將計算密集型任務轉移到MEC服務器來提升服務質量（QoS,quality of service），將優(yōu)化問題表述為一個成本最小化問題，并提出了一種啟發(fā)式算法來解決該問題。You 等[17]考慮了多用戶MEC 系統(tǒng)中的資源分配問題，在時延約束下使系統(tǒng)能耗最小化。Deng 等[18]考慮一個多小區(qū)MEC 場景，并提出了自適應順序卸載博弈方法來解決卸載問題。Zhang 等[19]利用拍賣理論提出了一種資源分配機制。Zheng 等[20]考慮動態(tài)環(huán)境下的多用戶計算卸載問題，將移動用戶卸載決策過程建模為隨機博弈。Mao 等[21]為了降低執(zhí)行時延和計算能耗，對具有多個獨立任務的MEC 系統(tǒng)聯(lián)合優(yōu)化任務卸載調度和傳輸功率分配。但是以上文獻未將V2I 模式擴展至V2V 模式，同時忽略了復雜的V2X接入方式和初始卸載節(jié)點的合理選擇對于系統(tǒng)性能的影響。

SDN 代表了一種新興的網(wǎng)絡范式，它具有整合VANET 的潛力[22]。Liu 等[10]將SDN 引入MEC 異構車載網(wǎng)絡，該網(wǎng)絡能夠在V2X 通信中提供所需的數(shù)據(jù)速率和可靠性，同時滿足應用的具體需求，保持良好的可擴展性和響應性。Huang 等[23]將SDN與MEC 相結合，提出了一種可編程、靈活、可控的5G 軟件定義車載網(wǎng)絡架構。Huang 等[24]針對復雜的VANET V2V 卸載問題，設計了基于MEC 和SDN 的卸載框架，為車輛尋找最佳卸載路徑。李萌等[25]提出了一種基于移動邊緣計算的新型網(wǎng)絡架構，將軟件定義的車載網(wǎng)絡中的容錯數(shù)據(jù)傳輸和計算節(jié)點選擇過程建模為部分可觀測馬爾可夫決策過程，使系統(tǒng)成本最小化。然而，以上場景并未進行有效的資源分配，并且V2I 通信模式下的MEC服務器和V2V 通信模式下的車輛所能提供的計算資源都是有限的。因此，在移動車輛任務交付過程中，仍然存在與任務計算相關的挑戰(zhàn)，即如何選擇恰當?shù)慕桓豆?jié)點；如何在資源有限的情況下合理分配資源，使車輛以最小成本完成任務計算。

針對以上問題，本文構建了一種基于SDN 輔助的MEC 車載網(wǎng)絡架構，提出一種聯(lián)合任務卸載與資源分配（JTORA,joint task offloading and resource allocation）機制，聯(lián)合優(yōu)化車載網(wǎng)絡中的卸載策略、上行子信道分配、傳輸功率分配和計算資源調度。將SDN 擴展到車輛網(wǎng)絡，SDN 控制器可在全局視野下感知網(wǎng)絡狀態(tài)、收集設備信息，同時使車輛可以選擇合適的接入方式進行任務卸載。將優(yōu)化問題轉化為最優(yōu)卸載決策、傳輸功率分配、子信道分配和計算資源分配問題。優(yōu)化目標是在約束條件下使系統(tǒng)開銷最小化。由于優(yōu)化問題的NP-hard 性質，本文將原優(yōu)化問題轉化為3 個子算法的相互迭代，進行有效求解。通過分布式勢博弈對卸載決策進行建模和分析，并且證明了納什均衡的存在性。為了在初始階段得到一個較為滿意的匹配對象，采用Agglomerative Clustering 匹配初始卸載節(jié)點。利用Q-learning 子算法對傳輸功率、上行傳輸信道以及計算資源進行合理分配。仿真結果表明，該機制能有效降低系統(tǒng)總開銷。

2 基于SDN 與MEC 的系統(tǒng)模型和優(yōu)化問題制定

2.1 系統(tǒng)模型

本文構建了基于SDN 輔助的MEC 車載網(wǎng)絡模型，網(wǎng)絡模型架構如圖1 所示。在這個模型中，道路一側部署路側單元（RSU,road side unit），每個RSU 都配備一個MEC 服務器。MEC 服務器中的SDN 控制模塊將控制平面與數(shù)據(jù)平面解耦，基于SDN 的車載網(wǎng)絡可以實現(xiàn)VANET 與5G 蜂窩網(wǎng)絡的集成，同時SDN 控制器可以收集移動設備和MEC 的信息，從全局視野感知網(wǎng)絡狀態(tài)。該網(wǎng)絡架構分為三層，具體如下。在用戶數(shù)據(jù)區(qū)域，車輛可以通過RSU 將計算任務卸載至MEC 服務器進行V2I 模式通信，也可以將計算任務卸載至相鄰車輛進行V2V 模式通信。道路上有N個服從泊松分布的車輛，表示為N={v1,v2,v3,…,vN}。由于車輛和MEC 服務器均可提供計算服務，因此將它們統(tǒng)一定義為服務節(jié)點，表示為 G={g1,g2,g3,…,gM}。在網(wǎng)絡控制區(qū)域部署SDN 控制器，可靈活管理網(wǎng)絡資源，全局掌握網(wǎng)絡信息，集成多種網(wǎng)絡協(xié)議和標準，如車載網(wǎng)絡、物聯(lián)網(wǎng)網(wǎng)絡和數(shù)據(jù)網(wǎng)絡[25]。網(wǎng)絡應用區(qū)域由多種網(wǎng)絡應用填充而成，通常涉及數(shù)據(jù)和資源的交換，網(wǎng)絡設計的目標就是為了滿足這些應用的要求。

為了有效地復用頻譜，V2I 模式和V2V 模式在同一頻段工作。系統(tǒng)總頻譜被分成K個正交子信道，表示為 K={1,2,3,…,K}，每個子信道帶寬為BHz。假設每個車輛都有一個計算密集型的任務需要完成，且每個車輛最多分配一個子信道。車輛vi的計算任務可以被描述為，i∈N，其中，di表示計算任務Ti的輸入數(shù)據(jù)大小，包括程序代碼和輸入?yún)?shù)；表示任務計算完成后的輸出大??；si表示完成計算任務Ti所需的CPU 周期數(shù)；計算任務Ti所能容忍的最大時延。車輛卸載策略集合表示為 A={a1,a2,a3,…,aN}，若ai=1，則表示vi將任務卸載到服務節(jié)點進行計算；若ai=0，則表示vi在本地執(zhí)行計算任務。類似于之前在移動邊緣計算領域的許多工作，本文考慮一個靜態(tài)網(wǎng)絡場景，即車輛集合N 以及網(wǎng)絡拓撲結構在計算卸載期間保持不變[26]。

圖1 基于SDN 輔助的MEC 車載網(wǎng)絡模型架構

2.2 通信模型

在基于SDN 輔助的MEC 車載網(wǎng)絡架構中，用戶數(shù)據(jù)區(qū)域的每個車輛vi均可將其計算任務Ti卸載到MEC 服務器處理，也可卸載到鄰近車輛進行計算，或者在本地執(zhí)行其計算任務。為了提高頻譜利用率，V2V 通信模式復用V2I 模式的上行傳輸信道。因此，vi在子信道k上的信噪比（SINR,signal to interference plus nois e ratio）可以表示為

其中，pi表示vi的上行傳輸發(fā)送功率，表示vi與服務節(jié)點gj在子信道k上的信道增益，N0表示白高斯噪聲功率，表示V2I 用戶對vi的干擾，表示V2V 用戶對vi的干擾。

為了更好地描述信道分配狀況，引入信道連接矩陣C與C′，分別為NC×K和ND×K的二元變量矩陣，其中NC和ND分別代表V2I 模式和V2V 模式的用戶數(shù)量，其二元變量cx,k和表示子信道k是否被分配給用戶x或y。若cx,k=1（=1），則表示子信道k被分配給用戶x（y）以進行上行數(shù)據(jù)傳輸；若cx,k=0（=0），則表示子信道k未被分配給用戶x（y）。

在V2X 車載網(wǎng)絡中，干擾環(huán)境復雜，必然存在跨層干擾。對vi來說，若選擇的服務節(jié)點為MEC 服務器，則和可以分別表示為和；若選擇的服務節(jié)點為車輛，則進行V2V 模式通信，和可以分 別表示 為和

根據(jù)上述信息，車輛vi的上行傳輸速率表示為

2.3 計算模型

假設每個車輛vi均有一個計算任務Ti需要完成，并且vi可以通過文獻[27-28]中的方法來獲得任務信息。任務卸載計算或本地執(zhí)行均會帶來時延和能量消耗，接下來，將具體討論在不同任務處理方式下的時延和能耗計算模型。

1)本地計算

車輛vi的計算能力為，并且不同的車輛擁有不同的計算能力，則本地執(zhí)行時延為

根據(jù)文獻[29]，計算能量消耗為

其中，κ為能耗參數(shù)[30-31]，設置為κ=10-28。

結合式(3)和式(4)，將本地執(zhí)行方案的總開銷定義為

其中，α與β分別表示時延和能耗的權重因子，且滿足α+β=1,0≤α≤1,0≤β≤ 1。

2)卸載計算

當車輛vi選擇將其計算任務卸載至服務節(jié)點gj進行計算時，將產(chǎn)生傳輸時延、傳輸能耗以及計算時延?；诖?，上行傳輸時延為

傳輸能耗為

卸載完成以后，服務節(jié)點gj將進行任務計算。計算過程所消耗的時間為

其中，表示服務節(jié)點gj分配給任務請求車輛vi的計算資源（表征為每秒CPU 周期）。

回程時延[32]為

因此，卸載計算方案的總開銷為

為了簡單起見，本文省略了服務節(jié)點的計算能耗[33]。

2.4 優(yōu)化問題制定

對于車輛vi，其計算總開銷為

本文的優(yōu)化目標為在SDN 控制器中以系統(tǒng)效益最優(yōu)為目標，獲得最優(yōu)卸載決策A*、傳輸功率分配P*、上行信道分配 C*和計算資源分配F*，使系統(tǒng)開銷最小。因此，將優(yōu)化問題制定為

其 中，A={a1,a2,a3,…,aN}為卸載決策集合，C={c1,c2,c3,…,cN}為信道分配集合，P={p1,p2,p3,…,pN}為傳輸功率分配集合，F(xiàn)={f1,f2,f3,…,fN}為計算資源分配方案，為服務節(jié)點gj分配給車輛vi的計算資源。約束條件C1 表示卸載決策，意味著車輛可以將其計算任務卸載給服務節(jié)點進行計算或在本地執(zhí)行任務。C2 和C3 保證信道分配矩陣是二進制變量。C4 表示上行傳輸功率的變化范圍。C5 和C6 表示分配給卸載車輛的計算資源之和為非負數(shù)值，且不能超過服務節(jié)點的最大計算能力。C7 和C8 表明任務請求車輛只能分配一個上行子信道。C9 表示時延控制，即無論是本地執(zhí)行還是卸載到服務節(jié)點進行計算，總時延不能超過任務所能容忍的最大時延。

整數(shù)約束C1～C3 使式(12)問題成為一個混合整數(shù)非線性規(guī)劃。由于該優(yōu)化問題具有NP-hard 性質和非凸性，求解困難且不切實際。因此，本文提出了一個聯(lián)合任務卸載和資源分配機制。

3 卸載策略和資源分配方案

3.1 基于Agglomerative Clustering 層次聚類的通信模式選擇

層次聚類作為機器學習中非監(jiān)督學習的一類方法，可以靈活控制不同層次的聚類粒度，具有強聚類能力，能滿足不同的應用場景。Agglomerative Clustering 層次聚類[34]算法能夠保證距離近的對象被聚類到一個簇中，采用“自底向上”聚類的思路。在本文系統(tǒng)模型下結合車輛任務時延要求進行聚類，將其時延要求作為特征輸入，算法思路具體到本文模型如下。

輸入車輛任務時延要求數(shù)據(jù)集TD={x1,x2,…,xN}，聚類簇距離度量函數(shù)，聚類簇數(shù)量J=2

輸出簇劃分H={hV2I,hV2V}

1)將數(shù)據(jù)集中的每一個對象生成一個簇，得到簇列表H={h1,h2,…,hN}，其中，每個簇只包含一個數(shù)據(jù)對象，即hi={xi}。

2)重復以下步驟，直到得到J個數(shù)據(jù)簇。

①根據(jù)距離度量函數(shù)計算其距離，在簇列表H中找出距離最近的2 個簇min{TD(hi,hj)}。

② 合并簇hi與hj，形成新的簇h(i+j)。

③在簇列表H中刪除簇hi與hj，并添加簇h(i+j)。

針對步驟2)中①的距離計算，采用平均連鎖進行計算

式(13)表示2 個簇之間任意兩點之間距離的平均值，該方式可以有效地排除噪點的影響。

3)通過Agglomerative Clustering 層次聚類，將道路上的任務請求車輛進行模式分割，確定其以V2I 模式還是V2V 模式進行通信。若為V2I 模式，則選擇本小區(qū)內RSU 進行通信；若為V2V 模式，則根據(jù)距離選擇就近車輛為服務節(jié)點。通過模式選擇，在初始階段即為車輛選擇較為合適的服務節(jié)點匹配。

3.2 卸載博弈建模

對于一個勢博弈存在性質，任何異步更新過程必須是有限的，并收斂于納什均衡[13]。將JTORA機制建模為勢博弈，表示為G={N,(ai)i∈N,(ui)i∈N}，其中，ai為vi的卸載決策，ui為vi的代價函數(shù)。接下來將詳細介紹JTORA 博弈模型。

玩家。每個任務請求車輛均為一個參與者，存在N個參與者競爭有限資源，每個參與者可以將任務卸載至服務節(jié)點進行任務計算或者本地計算。

策略。ai∈{0,1}為vi的卸載決策，A 為所有任務請求車輛的卸載決策集合，ai=1表示vi將卸載其計算任務至選定的卸載節(jié)點進行計算，ai=0表示vi將在本地執(zhí)行其任務。

代價函數(shù)。當vi選擇其卸載決策為ai時的代價函數(shù)表示為ui(ai,a-i)，其中a-i代表除vi以外的任務請求車輛的卸載決策集合。每輛車都希望通過適當?shù)男遁d策略選擇來最小化開銷，如式(14)所示。

勢博弈收斂于納什均衡，表示沒有任何玩家有偏離當前策略的動機。具體描述介紹如下。

定義1在博弈G={a1,a2,…,aN:u1,u2,…,uN}中，存在一個策略集合使所有參與者均沒有改變當前決策的動機，則稱A*為G的一個納什均衡，即

納什均衡具有顯著的自穩(wěn)定性，這一特性使處于平衡狀態(tài)的玩家能夠得到一個雙方都滿意的解，因此沒有玩家有偏離平衡點的動機[35]。納什均衡對于非合作問題的解決非常重要。因為每一個任務請求車輛都滿足自身理性和利己性，因此均以最小化自身代價為目標。

卸載策略制定以后，Q-learning 將進行通信和計算資源分配，以降低系統(tǒng)開銷。

3.3 基于Q-learning 的通信與計算資源分配

Q-learning 是一種典型的強化學習方法，具有收斂性，能夠使代理在給定的環(huán)境下學習最優(yōu)策略[36]。將每個請求車輛視作一個代理，狀態(tài)、行為、獎勵設置如下。

狀態(tài)。系統(tǒng)狀態(tài)包括3 個部分s=(tc,hc,fc)。tc定義為當前系統(tǒng)總開銷，即tc=Zall；hc定義為當前信道分配狀態(tài)；fc定義為當前服務節(jié)點的有效計算資源。

動作。動作包括3 個部分，表示為信道、功率和計算資源矩陣at=[ch,p,cr]。

回報。在t時刻，代理在執(zhí)行每一個可能的動作at 后，在一定的狀態(tài)s下會得到一個獎勵，其中，為卸載車輛vi在t迭代時刻的卸載開銷，為卸載車輛vi在t迭代時刻的無干擾卸載開銷。

Q-learning 采用Q 函數(shù)作為評價函數(shù)，并將其定義為狀態(tài)-動作值函數(shù)，利用Bellman 最優(yōu)性方程給出最大化總期望收益的最優(yōu)策略π*[36-37]。

其中，γ(0＜γ＜ 1)為折扣因子，反映了未來收益相對于當前收益的重要性。若γ傾向于0，則代理傾向于考慮即時回報；若γ傾向于1，則代理更關注于未來的收益。

其最優(yōu)策略表示為

在迭代過程中，需要對Q 值進行更新，但是無法遍歷所有狀態(tài)-動作對，因此通過學習速率μ對有限樣本進行操作。則Q 值的更新式可以表示為

其中，μ(0≤μ≤ 1)為學習速率，代表了當前學習知識對之前學習知識的影響。

在迭代過程中本文采用ε-greedy 算法來選擇動作[36]。其中，車輛vi的行為表示為信道、功率和計算資源矩陣，表示為

動作輪廓為

ε-greedy機制中每一個動作都有非零的概率被選擇，隨機選擇行為（random）的概率是ε，選擇與最大Q 值相關的動作的概率則是1-ε。

Q-learning 算法詳細描述如下。

輸入學習速率μ，折扣因子γ，貪婪系數(shù)ε，最大收斂次數(shù)E，卸載車輛集合N?，服務節(jié)點狀態(tài)信息

輸出車輛開銷

1)初始化Q 矩陣，迭代次數(shù)t=0，開始迭代；

2)根據(jù)式(20)選擇動作；

3)根據(jù)式(18)更新Q 矩陣；

4)將s′更新為s；

5)更新迭代次數(shù)t=t+1；

6)重復步驟2)～步驟5)，直到達到最大收斂次數(shù)E。

3.4 納什均衡證明

定義2 若一個勢博弈G={N,(ai)i∈N,(ui)i∈N}遵從勢函數(shù)ζ(A)，滿足式(21)，則此博弈為完全勢博弈。

定理1JTORA 博弈模型是一個完全勢博弈，并且總是存在納什均衡，滿足有限改進性質。其遵從的勢函數(shù)ζ(A)為

證明根據(jù)式(22)，可以得到

由式(14)可得

因此，聯(lián)系式(25)和式(26)可得

組合式(23)與式(24)可知

因此，根據(jù)式(27)和式(28)可得

基于上述信息，JTORA 博弈模型是一個完全勢博弈，滿足式(22)所示勢函數(shù)，因此至少存在一個純策略納什均衡并具有有限改進性質。這意味著車輛卸載決策可以達到一個有效的平衡，即任何車輛單方面改變現(xiàn)有卸載決策不會使自身開銷進一步降低。

3.5 聯(lián)合優(yōu)化機制總結

JTORA 機制將初始卸載策略設置為所有車輛將其計算任務卸載到每個請求車輛使用Aggregative Clustering 選擇的服務節(jié)點。計算本地計算代價，通過Q-learning 得到相應的卸載代價。比較本地計算成本和卸載成本，修改卸載策略A。然后進入循環(huán)階段，逐個檢查卸載策略中的零元素，重新分配最優(yōu)資源，直到所有的車輛沒有改變現(xiàn)有決策的動機。由于車輛滿足自身理性和利己主義，只希望降低自身任務計算的成本，因此每輛車通過比較自身的本地計算成本和卸載成本來修改卸載決策。具體算法描述如下。

輸入任務請求車輛數(shù)量N，服務節(jié)點數(shù)量M，初始卸載決策集合 A0及Ti，L,b，κ，α，β，μ，γ

輸出A*，C*，P*，F(xiàn)*，Z*

1)初始化：全卸載；L=1；

2)針對每個車輛進行Aggregative Clustering聚類，以確定通信模式，計算，以及通過Q-learning 獲得；

4)判斷A 是否與A0相同，若不相同，則執(zhí)行以下步驟；若相同，則算法結束；

5)更新卸載決策AL←A0；

6)針對每個車輛，使其卸載決策ai=1，然后更新AL，以及通過Q-learning 獲得；

8)判斷AL是否與AL-1相同，若不相同，則重復步驟5)～步驟7)；若相同，則算法結束；

JTORA 機制將優(yōu)化問題轉化為3 個子算法的相互迭代進行有效求解。在步驟2)中，Aggregative Clustering聚類需要計算數(shù)據(jù)點之間的相互距離，時間復雜度為O(N2)，之后根據(jù)距離度量函數(shù)更新迭代，因此聚類所需時間復雜度為O(N2logN)。本地計算與卸載計算均各需N次計算，因此步驟2)和步驟3)的時間復雜度為O(2N+EN)；步驟5)～步驟8)的時間復雜度為O(L(2N+))。因此，JTORA 機制的總體時間復雜度為O(2N(L+1)+E(L+N)+N2logN)。

4 仿真分析

本節(jié)通過Matlab 仿真平臺對SDN 和MEC 環(huán)境下的V2X 卸載與資源分配算法進行驗證，給出了仿真結果，并評估了所提出機制的性能。本節(jié)在IEEE 802.11p 車輛網(wǎng)絡場景標準和MEC 白皮書的背景下展開，采用3GPP 標準化中提出的信道增益模型[33]?？紤]路邊有2 個小區(qū)，每個小區(qū)都配置了RSU 和MEC 服務器。詳細仿真參數(shù)如表1 所示。

表1 仿真參數(shù)

為了評估所提機制的性能，將JTORA 與其他幾種機制進行比較，例如所有本地計算機制（ALCM,all local computing mechanism）、全卸載計算機制（AOCM,all offloading computing mechanism）、無聚類的Q 學習資源分配（QRNC,Q-learning resource allocation without clustering）機制、文獻[33]中聯(lián)合任務計算卸載與干擾管理（JCOIM,joint computation offloading and interference management）機制、初始節(jié)點篩選但隨機資源分配（ARRA,agglomerative clustering with random resource allocation）機制、文獻[18]中的多用戶計算卸載（MCO,multi-user computation offloading）機制。

圖2 為基于Aggregative Clustering 的通信模式選擇，將車輛進行層次聚類，以確定其為V2I 模式通信還是V2V 模式通信。由圖2 可知，距離RSU較遠的車輛由于其時延需求更傾向于進行V2V 模式通信，而距離RSU 距離較近的用戶，根據(jù)其對計算能力的需求選擇V2I 通信方式，部分車輛由于其對時延要求高于計算能力需求，因此選擇V2V通信方式，如圖2(b)中虛線圈出區(qū)域所示。

圖2 基于Aggregative Clustering 的通信模式選擇

圖3 和圖4 分別為任務大小和車輛數(shù)目對于總開銷的影響。由圖3 和圖4 可知，數(shù)據(jù)大小和車輛數(shù)目的增加，使系統(tǒng)總開銷相應增長。本文所采用的JTORA 機制在降低系統(tǒng)開銷方面明顯優(yōu)于其他策略，隨著數(shù)據(jù)量和車輛數(shù)目的增加，這些機制之間的性能差異逐漸明顯。導致以上仿真結果的主要原因分析如下。傳統(tǒng)的ALCM 由于車輛本身計算能力有限而帶來較大時延開銷；AOCM 隨著車輛數(shù)目增加導致信道干擾逐漸嚴重；ARRA 由于未對資源進行有效管理，當任務大小增加時，傳輸時延增長，因此性能較差；MCO 方案只關注卸載策略而不涉及動態(tài)資源分配，因此隨著車輛數(shù)目增加，信道干擾逐漸嚴重，使總開銷快速增長；JCOIM 應用于本文場景，由于其忽略功率分配對系統(tǒng)開銷的影響，因此效果稍有不理想。本文基于 SDN 輔助的JTORA 機制由于有效的卸載與資源管理，使系統(tǒng)開銷降低，同時還可以看出，卸載任務的數(shù)據(jù)量越大，人們從卸載計算中獲得的時延和能耗收益就越大。

圖3 任務大小與總開銷關系

圖4 車輛數(shù)目與總開銷關系

圖5 顯示了算法的收斂性。隨著迭代次數(shù)的增加，系統(tǒng)開銷逐漸趨于穩(wěn)定，算法收斂。AOCM 和本文提出的JTORA 機制在經(jīng)過約600 次迭代后趨于收斂，而QRNC 在約800 次迭代后收斂。這是因為在選擇初始卸載節(jié)點時，通過Aggregative Clustering 可以選擇一個相對滿意的服務節(jié)點，從而使服務請求者在初始階段獲得一定的滿意度，因此可以加快收斂。

圖6 顯示了信道數(shù)量和系統(tǒng)總開銷之間的關系。隨著信道數(shù)的增加，干擾逐漸減小，帶來傳輸時延的降低，從而使系統(tǒng)開銷逐漸減小。由于AOCM 受信道數(shù)量的影響較大，對于信道干擾更加敏感，因此AOCM 曲線相比于JTORA 曲線下降速度更快。MCO 機制由于其僅考慮卸載決策的優(yōu)化，卻未曾考慮資源分配，因此隨著信道數(shù)量增加，干擾減小，車輛更傾向于卸載計算，因此在信道數(shù)量大于19 以后，MCO 機制開銷略大于AOCM。本文基于SDN 輔助的JTORA 機制能夠更加靈活地管理資源，控制卸載流量，保證資源有效利用，降低系統(tǒng)開銷。

圖5 算法收斂性

圖6 信道數(shù)量與總開銷關系

5 結束語

本文通過考慮車載網(wǎng)絡復雜的網(wǎng)絡環(huán)境，構建了一種基于SDN 輔助的MEC 車載網(wǎng)絡架構，通過引入SDN 控制器，可靈活管理網(wǎng)絡資源，易于收集車輛狀態(tài)信息，應用程序可以選擇合適的無線接口進行數(shù)據(jù)傳輸。在此基礎上，本文提出了一種基于MEC 的V2X 任務卸載和資源分配機制，通過初始卸載節(jié)點的選擇、計算卸載決策、無線資源和計算資源的合理分配來最小化系統(tǒng)開銷。仿真結果表明，該機制在不同參數(shù)變化下均能取得較好效果。