车辆边缘计算中基于深度学习的任务判别卸载

摘要

车辆边缘计算（VEC）将移动边缘计算（MEC）与车联网（IoV）技术相结合，将车载任务下沉至网络边缘，以此解决车辆终端计算能力有限问题。为了克服任务数量骤增的车载任务调度难题并提供一个低时延服务环境，首先依据所选的5大特征参数的动态关联变化准则，使用改进型层次分析法（AHP）将车载任务划分为3类主要任务，基于3种卸载决策进行资源分配联合建模；随后，利用调度算法和罚函数来消除建模的约束条件，所获的代价值为之后的深度学习算法提供输入；最后，提出一种基于深度学习的分布式卸载网络算法来有效降低VEC系统的能耗与时延。仿真实验结果表明，所提卸载方案相较传统深度学习卸载方案具有更好环境适应性与稳定性，并降低了任务平均处理时延与能耗。

关键词

深度学习 / 边缘卸载 / 多约束优化 / 任务类型划分 / 车辆边缘计算

基金资助

国家自然科学基金国际合作交流项目（IECNSFC181300）; 浙江省自然科学基金重点项目（LZ23F010001）