随着自动驾驶技术和车联网的发展，越来越多的车辆将具备强大的计算能力，并通过无线网络实现互联。这些计算资源不仅能够应用于自动驾驶中，也可以提供广泛的边缘计算服务。针对车辆间的计算卸载场景，以最小化平均卸载时延为目标，提出了基于在线学习的分布式计算任务卸载算法。进一步搭建了系统级仿真平台，分别在真实的高速公路和城市街区道路环境下，评估了车辆密度、任务卸载份数对平均卸载时延的影响，为不同交通环境下的服务资源分配部署提供了参考。
2021-06-17 09:43:34
3.33MB
1
为了解决移动终端资源有限的问题，提升任务处理效率，提出了基于边-端协同的任务卸载与资源分配算法，以任务完成总效益最大化为目标，以业务QoS保证和资源受限为约束，形成了基于李雅普诺夫理论的最优任务卸载资源分配问题，由于该问题是NP难问题，因此提出了解将其耦为采用KKT条件求解的信道资源分配问题和关于任务分配的0-1整数规划问题。与传统算法相比，所提算法的复杂度是O(mn)，并提高了约20%的效益，降低了15%以上的时延。
2021-05-07 13:44:31
842KB
1