高级搜索

车联网中整合移动边缘计算与内容分发网络的移动性管理策略

张海波 程妍 刘开健 贺晓帆

引用本文: 张海波, 程妍, 刘开健, 贺晓帆. 车联网中整合移动边缘计算与内容分发网络的移动性管理策略[J]. 电子与信息学报, 2020, 42(6): 1444-1451. doi: 10.11999/JEIT190571 shu
Citation:  Haibo ZHANG, Yan CHENG, Kaijian LIU, Xiaofan HE. The Mobility Management Strategies by Integrating Mobile Edge Computing and CDN in Vehicular Networks[J]. Journal of Electronics and Information Technology, 2020, 42(6): 1444-1451. doi: 10.11999/JEIT190571 shu

车联网中整合移动边缘计算与内容分发网络的移动性管理策略

    作者简介: 张海波: 男,1979年生,副教授,研究方向为无线资源管理;
    程妍: 女,1994年生,硕士生,研究方向为移动边缘计算;
    刘开健: 女,1981年生,讲师,研究方向为最优化算法;
    贺晓帆: 男,1985年生,助理教授,研究方向为无线资源优化
    通讯作者: 程妍,2311837009@qq.com
  • 基金项目: 国家自然科学基金(61801065, 61601071);长江学者和创新团队发展计划基金资助项目(IRT16R72);重庆市基础与前沿项目(cstc2018jcyjAX0463)

摘要: 由于车载应用的普及和车辆数量的增加,路边基础设施的物理资源有限,当大量车辆接入车联网时能耗与时延同时增加,通过整合内容分发网络(CDN)和移动边缘计算(MEC)的框架可以降低时延与能耗。在车联网中,车辆移动性对云服务的连续性提出了重大挑战。因此,该文提出了移动性管理(MM)来处理该问题。采用开销选择的动态信道分配(ODCA)算法避免乒乓效应且减少车辆在小区间的切换时间。采用基于路边单元(RSU)调度的合作博弈算法进行虚拟机迁移并开发基于学习的价格控制机制,以有效地处理MEC的计算资源。仿真结果表明,所提算法相比于现有的算法能够提高资源利用率且减少开销。

English

    1. [1]

      ZHOU Siyu, NETALKAR P P, CHANG Yanan, et al. The MEC-based architecture design for low-latency and fast hand-off vehicular networking[C]. The 88th Vehicular Technology Conference, Chicago, USA, 2018: 1–7. doi: 10.1109/VTCFall.2018.8690790.

    2. [2]

      BASTUG E, BENNIS M, MEDARD M, et al. Toward interconnected virtual reality: Opportunities, challenges, and enablers[J]. IEEE Communications Magazine, 2017, 55(6): 110–117. doi: 10.1109/MCOM.2017.1601089

    3. [3]

      LIN Mengdan and ZHAO Xuelin. Application research of neural network in vehicle target recognition and classification[C]. 2019 International Conference on Intelligent Transportation, Big Data & Smart City, Changsha, China, 2019: 5–8. doi: 10.1109/ICITBS.2019.00010.

    4. [4]

      CICIRELLI F, GUERRIERI A, SPEZZANO G, et al. Edge computing and social internet of things for large-scale smart environments development[J]. IEEE Internet of Things Journal, 2018, 5(4): 2557–2571. doi: 10.1109/JIOT.2017.2775739

    5. [5]

      YALA L, FRANGOUDIS P A, and KSENTINI A. QoE-aware computing resource allocation for CDN-as-a-service provision[C]. 2016 IEEE Global Communications Conference, Washington, USA, 2016: 1–6. doi: 10.1109/GLOCOM.2016.7842182.

    6. [6]

      LIU Jiayi, YANG Qinghai, and SIMON G. Congestion avoidance and load balancing in content placement and request redirection for mobile CDN[J]. IEEE/ACM Transactions on Networking, 2018, 26(2): 851–863. doi: 10.1109/TNET.2018.2804979

    7. [7]

      XU Jie, SUN Yuxuan, CHEN Lixing, et al. E2M2: Energy efficient mobility management in dense small cells with mobile edge computing[C]. 2017 IEEE International Conference on Communications, Paris, France, 2017: 1–6. doi: 10.1109/ICC.2017.7996855.

    8. [8]

      PENG Han, RAZI A, AFGHAH F, et al. A unified framework for joint mobility prediction and object profiling of drones in UAV networks[J]. Journal of Communications and Networks, 2018, 20(5): 434–442. doi: 10.1109/JCN.2018.000068

    9. [9]

      LIU Fangming, SHU Peng, and LUI J C S. AppATP: An energy conserving adaptive mobile-cloud transmission protocol[J]. IEEE Transactions on Computers, 2015, 64(11): 3051–3063. doi: 10.1109/TC.2015.2401032

    10. [10]

      XU Fei, LIU Fangming, LIU Linghui, et al. iAware: Making live migration of virtual machines interference-aware in the cloud[J]. IEEE Transactions on Computers, 2014, 63(12): 3012–3025. doi: 10.1109/TC.2013.185

    11. [11]

      CHEN Hongyang, WU Jianming, and SHIMOMURA T. New reference signal design for URLLC and eMBB multiplexing in new radio wireless communications[C]. 2018 IEEE 29th Annual International Symposium on Personal, Indoor and Mobile Radio Communications, Bologna, Italy, 2018: 1220–1225. doi: 10.1109/PIMRC.2018.8580882.

    12. [12]

      KHAN Z, FAN Pingzhi, ABBAS F, et al. Two-level cluster based routing scheme for 5G V2X communication[J]. IEEE Access, 2019, 7: 16194–16205. doi: 10.1109/ACCESS.2019.2892180

    13. [13]

      WANG Chenmeng, YU F R, LIANG Chengchao, et al. Joint computation offloading and interference management in wireless cellular networks with mobile edge computing[J]. IEEE Transactions on Vehicular Technology, 2017, 66(8): 7432–7445. doi: 10.1109/TVT.2017.2672701

    14. [14]

      JOSHI G, VIG R, and SINGH S. DCA-based unimodal feature-level fusion of orthogonal moments for Indian sign language dataset[J]. IET Computer Vision, 2018, 12(5): 570–577. doi: 10.1049/iet-cvi.2017.0394

    15. [15]

      SUN Yuxuan, ZHOU Sheng, and XU Jie. EMM: Energy-aware mobility management for mobile edge computing in ultra dense networks[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(11): 2637–2646. doi: 10.1109/JSAC.2017.2760160

    16. [16]

      PLACHY J, BECVAR Z, and STRINATI E C. Dynamic resource allocation exploiting mobility prediction in mobile edge computing[C]. 2016 IEEE 27th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications, Valencia, Spain, 2016: 1–6. doi: 10.1109/PIMRC.2016.7794955.

    17. [17]

      CHEN Xiaojing, NI Wei, COLLINGS I B, et al. Automated function placement and online optimization of network functions virtualization[J]. IEEE Transactions on Communications, 2019, 67(2): 1225–1237. doi: 10.1109/TCOMM.2018.2877336

    18. [18]

      FRANGOUDIS P A and KSENTINI A. Service migration versus service replication in Multi-access Edge Computing[C]. 2018 14th International Wireless Communications & Mobile Computing Conference, Limassol, Cyprus, 2018: 124–129. doi: 10.1109/IWCMC.2018.8450284.

    1. [1]

      唐伦, 肖娇, 魏延南, 赵国繁, 陈前斌. 基于云雾混合计算的车联网联合资源分配算法. 电子与信息学报, 2020, 42(0): 1-8.

    2. [2]

      谢永, 李香, 张松松, 吴黎兵. 一种可证安全的车联网无证书聚合签名改进方案. 电子与信息学报, 2020, 42(5): 1125-1131.

    3. [3]

      夏士超, 姚枝秀, 鲜永菊, 李云. 移动边缘计算中分布式异构任务卸载算法. 电子与信息学报, 2020, 41(0): 1-8.

    4. [4]

      马彬, 王梦雪, 谢显中. 超密集异构无线网络中基于位置预测的切换算法. 电子与信息学报, 2020, 42(0): 1-9.

    5. [5]

      王威丽, 陈前斌, 唐伦. 虚拟网络切片中的在线异常检测算法研究. 电子与信息学报, 2020, 42(6): 1460-1467.

    6. [6]

      张惊雷, 厚雅伟. 基于改进循环生成式对抗网络的图像风格迁移. 电子与信息学报, 2020, 42(5): 1216-1222.

    7. [7]

      刘焕淋, 杜理想, 陈勇, 王展鹏. 基于灾难预测多区域故障的虚拟光网络生存性映射. 电子与信息学报, 2020, 42(7): 1710-1717.

    8. [8]

      席博, 洪涛, 张更新. 卫星物联网场景下基于节点选择的协作波束成形技术研究. 电子与信息学报, 2020, 42(0): 1-9.

    9. [9]

      赵国繁, 唐伦, 胡彦娟, 赵培培, 陈前斌. 面向可靠性的5G网络切片重构及映射算法. 电子与信息学报, 2020, 42(6): 1478-1485.

    10. [10]

      唐伦, 魏延南, 谭颀, 唐睿, 陈前斌. H-CRAN网络下联合拥塞控制和资源分配的网络切片动态资源调度策略. 电子与信息学报, 2020, 42(5): 1244-1252.

    11. [11]

      陈家祯, 吴为民, 郑子华, 叶锋, 连桂仁, 许力. 基于虚拟光学的视觉显著目标可控放大重建. 电子与信息学报, 2020, 42(5): 1209-1215.

    12. [12]

      殷志祥, 唐震, 张强, 崔建中, 杨静, 王日晟, 赵寿为, 张居丽. 基于DNA折纸基底的与非门计算模型. 电子与信息学报, 2020, 42(6): 1355-1364.

    13. [13]

      周牧, 李垚鲆, 谢良波, 蒲巧林, 田增山. 基于多核最大均值差异迁移学习的WLAN室内入侵检测方法. 电子与信息学报, 2020, 42(5): 1149-1157.

    14. [14]

      陈容, 陈岚, WAHLAArfan Haider. 基于公式递推法的可变计算位宽的循环冗余校验设计与实现. 电子与信息学报, 2020, 42(5): 1261-1267.

    15. [15]

      王君珂, 印珏, 牛人杰, 任少康, 晁洁. DNA计算与DNA纳米技术. 电子与信息学报, 2020, 42(6): 1313-1325.

    16. [16]

      柳娟, 谢文彬, 汪改英, 汤敏丽. 基于DNA和限制性核酸内切酶的基本逻辑门设计. 电子与信息学报, 2020, 42(6): 1332-1339.

    17. [17]

      姜文, 牛杰, 吴一戎, 梁兴东. 机载多通道SAR运动目标方位向速度和法向速度联合估计算法. 电子与信息学报, 2020, 42(6): 1542-1548.

    18. [18]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报, 2020, 41(0): 1-7.

    19. [19]

      游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法. 电子与信息学报, 2020, 41(0): 1-6.

    20. [20]

      向敏, 饶华阳, 张进进, 陈梦鑫. 基于GCN的软件定义电力通信网络路由控制策略. 电子与信息学报, 2020, 42(0): 1-8.

  • 图 1  系统模型图

    图 2  基站数目对切换时间的影响

    图 3  车辆用户的密度对平均时延的影响

    图 4  不同负载大小下总时延的变化情况

    图 5  迁移虚拟机的个数和资源利用率之间的关系

    图 6  虚拟机个数与服务失败率之间的关系

    表 1  开销选择的动态信道分配(ODCA)

     (1) 输入:${I_{{\rm{dd}}}}$, ${h_i}$, ${h_j}$, $v$, $c$, $\left( {{ X},{ Y}} \right)$
     (2) 输出:$\left( { {{ X}_{i,j} },{{ Y}_{i,j} } } \right)$, $t_{i,j}^{{\rm{h}} * }$, ${\rm{RS}}{{\rm{U}}^ * }$
     (3) 初始化权值矩阵$\left( {{ X},{ Y}} \right)$
     (4) $m \leftarrow 0$
     (5) while $m \le {I_{ {\rm{dd} } } }$
     (6) for $j = 1:M$
     (7) L辆车同时进行分布式计算,每个连接到RSU的V-UE仅报
       告未定期使用信道的开销
     (8) 如果许多用户同时改变其信道,可能导致乒乓效应,RSU
       可通过${a_{i,j,\mathop l\limits^ {\wedge} } } = 1|\mathop l\limits^ {\wedge} = \max \dfrac{ { {p_{i,j,l} }{L_{i,j,l} } } }{ { {\sigma ^2} + {\rm{I} } } }$改变信道
     (9) 根据式(10)计算开销,根据开销最小来选择最优、次最优、
       次优的3个RSU
     (10) V-UE实时上报其位置信息$\left( {{ X},{ Y}} \right)$和功率损耗门限${P^{{\rm{th}}}}$,
       TCS根据式(5)计算切换位置$\left( { {{ X}_{i,j} },{{ Y}_{i,j} } } \right)$
     (11) 根据$\left( { {{ X}_{i,j} },{{ Y}_{i,j} } } \right)$和式(7)分别计算切换到3个RSU的时间,
       如果能使$t_{i,j}^{\rm{C}}$和$t_{i,j}^{\rm{h}}$最小,此${\rm{RS}}{{\rm{U}}^ * }$性能最优,且最优切换
       时间为$t_{i,j}^{{\rm{h}} * }$
     (12) endfor
     (13) endwhile
    下载: 导出CSV

    表 2  基于RSU调度的合作博弈算法

     (1) 输入:${{S}}$, $\alpha $, $\beta $, ${d_{i,j}}$, ${c_{i,j}}$, ${\rm{RS}}{{\rm{U}}^ * }$, ${I_{{\rm{dd}}}}$
     (2) 输出:${{A}}$
     (3) 初始化权值矩阵${{A}}$,${{S}}$
     (4)$m \leftarrow 0$
     (5) while $m \le {I_{ {\rm{dd} } } }$
     (6) for $j = 1:M$
     (7) $L$辆车同时进行分布式计算,利用梯度下降算法求出最优功
       率分配值$p_{i,j,l}^ * $
     (8) 根据式(14)判断是否迁移
     (9) 根据博弈论第2阶段计算出未迁移与迁移的收益
     (10) 根据行为${a_t}$观察下一时刻的状态${s_{t + 1}}$
     (11) 根据式(16)—式(18)出奖励函数,通过不断地学习,找到使
       奖励函数最大的策略
     (12) endfor
     (13) endwhile
    下载: 导出CSV

    表 3  模拟参数表

    参数数值
    输入数据的大小${d_{i,j}}$300~1600 kB
    噪声功率${\sigma ^2}$0.1~1.0 GHz
    MEC服务器CPU周期频率${f^{\rm{C}}}$6 GHz
    最大延迟容限${T^{{\rm{th}}}}$6 s
    迭代次数${I_{{\rm{dd}}}}$600
    最大传输功${P^{{\rm{max}}}}$23 dBm
    传输带宽$W$20 MHz
    任务执行时所需的CPU周期数${c_{i,j}}$0.1~1.0 GHz
    下载: 导出CSV
  • 加载中
图(6)表(3)
计量
  • PDF下载量:  67
  • 文章访问数:  1222
  • HTML全文浏览量:  656
文章相关
  • 通讯作者:  程妍, 2311837009@qq.com
  • 收稿日期:  2019-07-29
  • 录用日期:  2020-02-21
  • 网络出版日期:  2020-03-20
  • 刊出日期:  2020-06-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章