车载边缘计算中推理任务的实时调度策略

作者：陈乔鑫; 卢宇; 林兵; 王素云; 邵浚

来源：计算机集成制造系统, 2021, 1-16.

• 边缘计算
• 自动驾驶
• 强化学习
• 计算卸载

如何在严格的时间约束下完成目标应用是自动驾驶领域关注的热点问题。自动驾驶应用计算复杂度高，传统处理方式通常将任务放置在计算能力有限的本地车载单元（On Board Unit，OBU）执行，不可避免地产生严重的处理时延。与OBU相比，边缘计算节点可为车辆提供较为丰富的异构计算资源。虽然将复杂任务调度到边缘节点可有效地减少执行时间，但如何为存在依赖关系的任务提供合理的实时调度方案仍是难点。其需要考虑任务间的数据依赖性，边缘异构资源差异性，以及车-边之间的数据传输时延等。为此设计一种车载边缘计算中推理任务实时调度策略：首先将自动驾驶应用的推理过程抽象为基于有向无环图的推理任务模型；其次利用任务优先级评价方法对推理任务执行顺序进行界定，继而基于深度Q学习（Deep Q-learning，DQN）算法为推理任务选择合适资源节点；最后根据资源分配结果执行相应推理任务。实验结果表明，该调度策略能够有效减少推理任务处理时延，相比GA-PSO、Q学习等经典算法，其收敛性与实时响应速度更佳。

• 单位
  福建师范大学协和学院; 福建师范大学