智能网联汽车计算卸载与边缘缓存联合优化策略

作者：丁飞; 沙宇晨; 洪莹; 蒯晓; 张登银

来源：系统仿真学报, 2022, 1-11.

DOI：10.16182/j.issn1004731x.joss.22-0147

• 智能网联汽车
• 多接入边缘计算
• 深度强化学习
• 计算卸载
• 边缘缓存

边缘计算平台靠近路侧部署，其提供的通信、计算和存储等资源赋能提升智能网联交通系统的服务性能。为了保障智能网联汽车的低时延通信，利用蜂窝车联网中V2X (Vehicle to Everything)信道模型、边缘计算技术，研究计算卸载与边缘缓存联合优化策略。设计了一种智能网联汽车计算卸载与边缘缓存协同模型L-DDPG (Least-Deep Deterministic Policy Gradient)，通过对车载本地与边缘计算资源的整合，支持V2X场景下对不同计算任务的分类处理。由边缘平台对车载计算请求进行预判决，确保对连续的计算任务的快速响应；结合基于最近最少使用LRU( Least Recently Used)的边缘缓存策略，实现对新计算任务的高效管理；最后，基于DDPG (Deep Deterministic Policy Gradient) 算法对计算卸载与边缘缓存进行联合卸载决策。仿真结果表明，所提出的L-DDPG模型性能优于传统模型，能够有效提升系统工作效能，在保障业务服务质量的同时，并可以降低时延和系统资源消耗。

• 单位
  物联网学院; 南京邮电大学