面向智能网联汽车边缘网络的分布式端-边协同算法

本文由朱凯男,朱永东,赵志峰,刘云涛,张园联合创作

摘要

车联网高级安全服务中,智能网联车辆配备了摄像头,可以拍摄周围的视频,用于安全、交通监控和监视等目的。车辆将获取的视频上传到边缘计算节点后,可以对视频进行分析和备份,以满足不同的安全驾驶需求。然而,车辆连续直接向边缘计算节点上传生成的视频内容会非常消耗带宽,并消耗大量的能量。基于该问题,提出一种面向智能网联汽车边缘网络的分布式端-边协同算法。针对车联网高可靠低时延内容传输的特点,引入有限块长度编码机制。同时,引入车辆视频信息源的压缩编码功率消耗,建立车辆能耗模型。根据车辆视频信息源的视频质量要求,通过调整视频编码码率、信息源传输速率,以及车辆多路径路由的决策,提出一种完全分布式的优化算法,以提高网络资源利用率,并保证单个车辆的能耗公平性。

引言

车联网技术通过无线接入技术让道路上安装了车载设备单元(On Board Unit,OBU)的车辆可以与行人、相邻的智能网联汽车、路侧设备单元(Road Side Unit,RSU)或者基站等实体便捷地进行各种信息的交换和传播。通过这种方式,智能网联汽车可以获取碰撞预警等信息,从而及时采取相应的措施,进而降低交通事故的发生率、提升自动驾驶车辆的安全性。道路管理者可以利用车联网技术实时获取交通信息,通过车速引导等方式缓解城市交通的拥堵状况,并达到车辆节能减排的目的。

车联网高级安全服务中,智能网联车辆配备了摄像头,可以拍摄周围的视频,用于安全、交通监控和监视等目的。车辆将获取的视频上传到边缘计算节点后,可以对视频进行分析和备份,以满足不同的安全驾驶需求。现有研究显示,如果将车辆获取的视频及时传输到边缘计算节点进行视频分析和备份,可以极大地提高公共安全性。然而,海量的视频内容上传会给当前的车联网增加巨大的流量,导致大量的带宽和能量消耗。

为了解决上述问题,现有的学术工作主要关注内容下载。E. Evdokimova等人提出了一个分析框架,该框架通过多维马尔可夫过程对直通车联网场景中的下行链路流量进行建模:将RSU缓冲区中的数据包到达构建为泊松过程,并且传输时间呈指数分布。考虑到与多维马尔可夫过程相关的状态空间爆炸问题,该文使用迭代扰动技术来计算马尔可夫链的平稳分布。L. Yang等人研究了混合数据传播问题,即优化确定数据传输的时间和目的车辆, 以及车辆是直接从边缘还是从附近的车辆获取所需数据,目的是最小化边缘的流量成本并满足获取数据的时延要求;作者提出了一种新的数据传播算法,称为混合数据传播离线算法,该算法优先寻找最有益的车到车广播,然后选择可行的车到基站传播方式。J. He等人通过考虑交付延迟和保管箱部署成本之间的权衡来研究如何以最佳方式部署保管箱,为了解决该问题,首先提供了一个理论框架来准确估计交付延迟;然后,基于维度扩大和动态规划的思想,设计了一种新颖的最优保管箱部署算法(ODDA)以获得最优部署策略。在内容上传方面,L. Cui等人提议在公交车站部署专用接入点 (AP) 以促进视频上传来研究移动公交车的视频上传问题,提出了一种注水放置算法,旨在平衡分配给每条总线的聚合带宽,通过建立排队模型来分析视频内容的上传延迟,并进一步采用机器学习模型将公交路线的影响纳入排队模型中。

本文提出一种面向智能网联汽车边缘网络的分布式端(智能网联汽车)-边(边缘计算节点)协同算法。针对车联网高可靠低时延内容传输的特点,引入有限块长度机制。同时,引入车辆视频信息源的压缩编码功率消耗,建立车辆能耗模型。根据车辆视频信息源的视频质量要求,通过调整视频编码码率、信息源传输速率,以及对车辆多路径路由的选择,提出一种完全分布式的优化算法,提高网络资源利用率,并保证单个车辆的能耗公平性。

1 系统模型

智能网联汽车边缘网络边-端协同系统如图 1 所示,由智能网联汽车(端)、边缘服务器(边缘计算节点)、基站与边缘网关(路由节点)组成。其中智能网联汽车负责环境视频信息数据的采集、压缩编码和数据传输的中继,用 = {1, … , ||}表示智能网联汽车的集和,||为智能网联汽车的总数量;基站与边缘网关是智能网联汽车信息传输的汇聚点,用于视频信息数据的接收汇聚,用表示;基站与边缘网关收到视频内容后,通过有线通信链路(如光纤)将视频内容传送到边缘服务器进行进一步分析和处理。

此外,智能网联汽车和其他智能网联汽车通过PC5无线通信链路进行数据传输,智能网联汽车和基站与边缘网关之间通过Uu无线通信链路进行数据传输。基站与边缘网关和边缘服务器之间通过有线通信链路进行数据传输。 用于表示无线通信链路的数量, ℒW={1, … , }用于表示所有无线通信链路的集和。另外,用  ∈ ℒW表示第条无线通信链路,具体来说,该通信链路从发送节点到接收节点,并可以表示为(, )。()和ℐ()分别用于表示流出节点和流入节点的通信链路。

面向智能网联汽车边缘网络的分布式端-边协同算法_第1张图片

图 1 智能网联汽车边缘网络边-端协同系统

1.1 视频失真率模型

在智能网联汽车边缘网络边-端协同系统中,视频上传的端到端失真大小包括两个不相关的部分① 由视频压缩引起的压缩编码失真;② 由通信传输引起的传输失真。数学上,端到端失真大小可以表示为: = + 。

面向智能网联汽车边缘网络的分布式端-边协同算法_第2张图片

其中,σ2为平均视频输入方差,e为自然对数函数的底数,γ为与编码效率相关的参数。根据失真率模型,如图2所示,在给定视频压缩编码失真大小的情况下,信息源编码后数据速率越大,则视频压缩编码功率消耗越小;在给定信息源编码后数据速率的情况下,视频质量(表示为失真大小)越好,则视频压缩编码功率消耗越大。

面向智能网联汽车边缘网络的分布式端-边协同算法_第3张图片

另一方面,S. Pudlewski等人的研究表明在设定合适的目标误码率前提下,由通信传输引起的传输失真相较于由视频压缩引起的压缩编码失真而言,可以忽略不计。因此,总视频失真大小仅考虑由视频压缩引起的压缩编码失真。

1.2 传输信道模型

面向智能网联汽车边缘网络的分布式端-边协同算法_第4张图片

1.3 网络数据流平衡模型 

对于智能网联汽车边缘网络中的任一节点(智能网联汽车、基站与边缘网关)而言,流出该节点的数据信息流量需等于流入该节点的数据信息流量与该节点产生的数据信息流量之和。因此,网络流平衡模型可以表示为:

对于智能网联汽车而言,节点产生的数据信息流量为视频信息源编码后数据速率;基站 与边缘网关是智能网联汽车信息传输的汇聚点,其数据信息流量为所有智能网联汽车数据信 息流量之和的负数。因此,智能网联汽车或基站与边缘网关的信息源编码后数据速率^()可以表示为:

1.4 能量消耗模型

智能网联汽车的数据传输功率消耗包括发送数据功率消耗以及接收数据功率消耗。用^()表示智能网联汽车的发送数据功率消耗,数学上可以表示为:

面向智能网联汽车边缘网络的分布式端-边协同算法_第5张图片

2 优化问题建模

面向智能网联汽车边缘网络的分布式端-边协同算法_第6张图片

面向智能网联汽车边缘网络的分布式端-边协同算法_第7张图片

3 分布式优化算法

面向智能网联汽车边缘网络的分布式端-边协同算法_第8张图片

面向智能网联汽车边缘网络的分布式端-边协同算法_第9张图片

面向智能网联汽车边缘网络的分布式端-边协同算法_第10张图片

面向智能网联汽车边缘网络的分布式端-边协同算法_第11张图片

面向智能网联汽车边缘网络的分布式端-边协同算法_第12张图片

4 仿真实验和分析

面向智能网联汽车边缘网络的分布式端-边协同算法_第13张图片

图3和图4分别显示了提出的算法对于智能网联汽车视频压缩和通信总能耗、编码后数据速率的迭代性能,由图可知,大约在200次迭代后达到最优。因此,本算法能在较短的时间内达到性能稳定状态,能够满足车联网场景下拓扑结构快速变化的需求。同时,针对优化目标,即保证单个车辆的能耗公平性,图3中的仿真结果显示,在迭代达到最优状态时,每辆智能网联汽车的视频压缩和通信总能耗非常接近(如表2所示)。因此,本算法能够达到保证单个车辆的能耗公平性的目标。

面向智能网联汽车边缘网络的分布式端-边协同算法_第14张图片

图 3 智能网联汽车视频压缩和通信总能耗的迭代性能

面向智能网联汽车边缘网络的分布式端-边协同算法_第15张图片

图4还表明承担中继数据任务较重的车辆会使用较低的视频压缩能耗(由视频失真率模型式(1)可知,因此该车辆编码后数据速率较大),由此利用较多的能耗用于数据接收与传输。

面向智能网联汽车边缘网络的分布式端-边协同算法_第16张图片

图 4 智能网联汽车编码后数据速率的迭代性能

面向智能网联汽车边缘网络的分布式端-边协同算法_第17张图片

图 5 本文算法与车到基站直连传输机制总能耗对比

为了比较提出算法的性能,将其与每辆智能网联汽车直接与基站通信机制下的性能进行对比,结果如图5所示。在智能网联汽车直接与基站通信的机制下,每辆智能网联汽车的视频压缩和通信总能耗差别较大,即距离基站较近的智能网联汽车的视频压缩和通信总能耗较小。这是因为距离基站较近的智能网联汽车具有较好的传输信道信噪比,可以利用更少的通信能耗支持更大的数据传输速率。同时,根据视频失真率模型式(1),在视频质量要求相同的情况下,更大的数据速率需要的视频压缩能耗更小。

将图5中的结果进行对比,在智能网联汽车距离基站较近的情况下(如图5中车辆7~10的结果所示),车到基站直连传输机制所需的视频压缩和通信总能耗比本文得到的视频压缩和通信总能耗更小。本文算法考虑边-端协同机制,距离基站较近的智能网联汽车以数据中继的方式协助距离基站较远的智能网联汽车进行数据传输,因此导致了更多的能耗。如图5所示,对于距离基站较远的智能网联汽车(如车辆1~6),大大降低了其视频压缩和通信总能耗。因此,本文算法能够通过边-端协同,保证单个车辆的能耗公平性。

在本文算法的边-端协同机制下,部分距离基站较远的智能网联汽车不与基站直接通信, 而是利用其他智能网联汽车,通过多路径多跳路由的方式进行数据传输。因此,本算法还可以减少车到基站直连通信的链路数量,从而节省通信带宽资源(一般而言,车到车通信链路的带宽资源可以进行复用)。

5 结束语

本文提出了一种基于次梯度算法的分布式边-端协同算法,通过调整视频编码码率、信息源传输速率,以及车辆多路径路由决策,实现资源分配策略。该算法可以部署在每辆智能网联汽车中执行,并且只需要与其相邻节点(智能网联汽车或基站)交换少量信息。

仿真实验结果和分析表明,本算法能在较短的时间内达到性能稳定状态,能够满足车联网场景下拓扑结构快速变化的需求;同时,相比于每辆智能网联汽车直接与基站通信的机制, 能保证单个车辆的能耗公平性,并提高网络资源利用率。

你可能感兴趣的:(网络,分布式,算法)