车辆边缘计算环境下任务卸载研究综述

书 书 书

第４４卷　第５期

２０２１年５月 计　　算　　机　　学　　报

ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳ ^{Ｖｏｌ．４Ｍ４Ｎａｙ２ｏ０．２５１}

收稿日期：２０１９０７１３^；在线发布日期：２０２０１２２１．本课题得到国家重点研发计划“智能机器人”专项课题（２０１８ＹＦＢ１３０８６０４^）、国家自然 科学基金（６１９７６０８６^，６１６７２２１５^，６１７０２１７２^）、湖南省自然科学基金青年科学基金（２０１８ＪＪ３０７６^）资助．^李智勇，博士，教授，博士生导师，中国计 算机学会（ＣＣＦ^）会员，主要研究领域为智能优化算法、智能感知与学习和嵌入式系统ＣＰＳ模型．Ｅｍａｉｌ^：ｚｈｉｙｏｎｇ．ｌｉ＠ｈｎｕ．ｅｄｕ．ｃｎ．王　^琦，

硕士研究生，主要研究方向为移动边缘计算和深度强化学习．陈一凡，博士研究生，主要研究方向为移动边缘计算和博弈论．谢国琪，博 士，副教授，中国计算机学会（ＣＣＦ^）会员，主要研究方向为嵌入式与信息物理系统、并行与分布式系统和安全关键系统．李仁发，博士，教 授，博士生导师，中国计算机学会（ＣＣＦ^）高级会员，主要研究领域为计算机体系结构、嵌入式计算系统、信息物理融合系统和物联网．

车辆边缘计算环境下任务卸载研究综述

李智勇 　

^{王 　 琦 　 陈一凡 　 谢国琪 　 李仁发}

湖南大学信息科学与工程学院　长沙　４１００８２^）

（嵌入式与网络计算湖南省重点实验室　长沙　４１００８２^）

摘　要　计算密集和延迟敏感型车辆应用的出现对车辆设备有限的计算能力提出了严峻的挑战^，将任务卸载到传 统的云平台会有较大的传输延迟，而移动边缘计算专注于将计算资源转移到网络的边缘，为移动设备提供高性能、 低延迟的服务，因此可作为处理计算密集和延迟敏感的任务的一种有效方法．同时，鉴于城市地区拥有大量智能网 联车辆，将闲置的车辆计算资源充分利用起来可以提供巨大的资源和价值，因此在车联网场景下，结合移动边缘计 算产生了新的计算模式———车辆边缘计算．近年来，智能网联车辆数量的增长和新兴车辆应用的出现促进了对车 辆边缘计算环境下任务卸载的研究，本文对现有车辆边缘计算环境下任务卸载研究进展进行综述，首先，从计算模 型、任务模型和通信模型三个方面对系统模型进行梳理、比较和分析．然后介绍了最小化卸载延迟、最小化能量消 耗和应用结果质量三种常见的优化目标，并按照集中式和分布式两种不同的决策方式对现有的研究进行了详细的 归类和比较．此外，本文还介绍了几种常用的实验工具，包括ＳＵＭＯ^、Ｖｅｉｎｓ和ＶｅｉｎｓＬＴＥ．最后，本文围绕卸载决策 算法复杂度、安全与隐私保护和车辆移动性等方面对车辆边缘计算任务卸载目前面临的挑战进行了总结，并展望 了车辆边缘计算环境下任务卸载未来的发展方向与前景．

关键词　车辆边缘计算^；移动边缘计算；任务卸载；资源分配；车联网 中图法分类号ＴＰ１８　　　犇犗犐号１０．１１８９７^／ＳＰ．Ｊ．１０１６．２０２１．００９６３

犃 犛 狌 狉 狏 犲 狔 狅 狀 犜 犪 狊 犽 犗 犳 犳 犾 狅 犪 犱 犻 狀 犵 犚 犲 狊 犲 犪 狉 犮 犺 犻 狀 犞 犲 犺 犻 犮 狌 犾 犪 狉 犈 犱 犵 犲 犆 狅 犿 狆 狌 狋 犻 狀 犵

ＬＩＺｈｉＹｏｎｇ　ＷＡＮＧＱｉ　ＣＨＥＮＹｉＦａｎ　ＸＩＥＧｕｏＱｉ　ＬＩＲｅｎＦａ

（犆狅犾犾犲犵犲狅犳犆狅犿狆狌狋犲狉犛犮犻犲狀犮犲犪狀犱犈犾犲犮狋狉狅狀犻犮犈狀犵犻狀犲犲狉犻狀犵^，犎狌狀犪狀犝狀犻狏犲狉狊犻狋狔^，犆犺犪狀犵狊犺犪　４１００８２^）

（犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犈犿犫犲犱犱犲犱犪狀犱犖犲狋狑狅狉犽犆狅犿狆狌狋犻狀犵狅犳犎狌狀犪狀犘狉狅狏犻狀犮犲^，犎狌狀犪狀犝狀犻狏犲狉狊犻狋狔^，犆犺犪狀犵狊犺犪　４１００８２^）

犃犫狊狋狉犪犮狋　Ｔｈｅｅｍｅｒｇｅｎｃｅｏｆｃｏｍｐｕｔａｔｉｏｎｉｎｔｅｎｓｉｖｅａｎｄｄｅｌａｙｓｅｎｓｉｔｉｖｅｖｅｈｉｃｌｅａｐｐｌｉｃａｔｉｏｎｓｐｏｓｅｓ ａｓｅｖｅｒｅｃｈａｌｌｅｎｇｅｔｏｔｈｅｌｉｍｉｔｅｄｃｏｍｐｕｔｉｎｇｃａｐａｃｉｔｙｏｆｖｅｈｉｃｌｅｅｑｕｉｐｍｅｎｔ．Ｏｆｆｌｏａｄｉｎｇｔａｓｋｓｔｏ ｔｒａｄｉｔｉｏｎａｌｃｌｏｕｄｐｌａｔｆｏｒｍｓｈａｖｅｌａｒｇｅｔｒａｎｓｍｉｓｓｉｏｎｄｅｌａｙｓ^，ａｎｄｔｈｅｃｏｓｔｏｆｕｐｇｒａｄｉｎｇｏｎｂｏａｒｄ ｃｏｍｐｕｔｅｒｓｉｓｈｕｇｅ^，ｓｏｔｈｅｓｅｔｗｏｍｅｔｈｏｄｓｈａｖｅｓｏｍｅｄｉｓａｄｖａｎｔａｇｅｓｉｎｄｅａｌｉｎｇｗｉｔｈｃｏｍｐｕｔａｔｉｏｎ ｉｎｔｅｎｓｉｖｅａｎｄｄｅｌａｙｓｅｎｓｉｔｉｖｅｔａｓｋｓ．Ｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇｉｓａｎｅｗｃｏｍｐｕｔｉｎｇｐａｒａｄｉｇｍ^，ｗｈｉｃｈ ｆｏｃｕｓｅｓｏｎｔｒａｎｓｆｅｒｒｉｎｇｃｏｍｐｕｔｉｎｇｒｅｓｏｕｒｃｅｓｔｏｔｈｅｅｄｇｅｏｆｔｈｅｎｅｔｗｏｒｋ^，ｐｒｏｖｉｄｉｎｇｈｉｇｈｐｅｒｆｏｒｍａｎｃｅ^， ｈｉｇｈｒｅｌｉａｂｉｌｉｔｙａｎｄｌｏｗｌａｔｅｎｃｙｓｅｒｖｉｃｅｓｆｏｒｍｏｂｉｌｅｄｅｖｉｃｅｓ．Ｔｈｅｒｅｆｏｒｅ^，ｉｔｗｉｌｌｂｅａｍｏｒｅｅｆｆｅｃｔｉｖｅ ｗａｙｔｏｐｒｏｃｅｓｓｃｏｍｐｕｔａｔｉｏｎｉｎｔｅｎｓｉｖｅａｎｄｄｅｌａｙｓｅｎｓｉｔｉｖｅｔａｓｋｓ．Ｍｅａｎｗｈｉｌｅ^，ｖｅｈｉｃｌｅｓｃａｎａｃｔａｓｂｏｔｈ ｓｅｒｖｉｃｅｒｅｑｕｅｓｔｅｒｓａｎｄｓｅｒｖｉｃｅｐｒｏｖｉｄｅｒｓ．Ｉｎｖｉｅｗｏｆｔｈｅｌａｒｇｅｎｕｍｂｅｒｏｆｉｎｔｅｌｌｉｇｅｎｔｎｅｔｗｏｒｋｅｄ ｖｅｈｉｃｌｅｓｉｎｕｒｂａｎａｒｅａｓ^，ｍａｋｉｎｇｆｕｌｌｕｓｅｏｆｉｄｌｅｖｅｈｉｃｌｅｃｏｍｐｕｔｉｎｇｒｅｓｏｕｒｃｅｓｃａｎｐｒｏｖｉｄｅｈｕｇｅ ｒｅｓｏｕｒｃｅｓａｎｄｖａｌｕｅ．Ｔｈｅｒｅｆｏｒｅ^，ｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ^，ａｎｅｗｃｏｍｐｕｔｉｎｇ ｐａｒａｄｉｇｍｉｓｇｅｎｅｒａｔｅｄｉｎｔｈｅＩｎｔｅｒｎｅｔｏｆＶｅｈｉｃｌｅｓｓｃｅｎａｒｉｏ^，ｃａｌｌｅｄｖｅｈｉｃｕｌａｒｅｄｇｅｃｏｍｐｕｔｉｎｇ

《 计

算 机

学 报

》

（ＶＥＣ^）．Ｉｎｒｅｃｅｎｔｙｅａｒｓ^，ｔｈｅｉｎｃｒｅａｓｅｏｆｔｈｅｎｕｍｂｅｒｏｆｉｎｔｅｌｌｉｇｅｎｔｎｅｔｗｏｒｋｅｄｖｅｈｉｃｌｅｓａｎｄｔｈｅ ｅｍｅｒｇｅｎｃｅｏｆｅｍｅｒｇｉｎｇｖｅｈｉｃｌｅａｐｐｌｉｃａｔｉｏｎｓｈａｖｅｐｒｏｍｏｔｅｄｔｈｅｒｅｓｅａｒｃｈｏｎｔａｓｋｏｆｆｌｏａｄｉｎｇｉｎ ｖｅｈｉｃｕｌａｒｅｄｇｅｃｏｍｐｕｔｉｎｇ．Ｈｏｗｅｖｅｒ^，ｔｈｅｒｅｉｓｎｏｄｅｔａｉｌｅｄｓｕｍｍａｒｙａｎｄａｎａｌｙｓｉｓｏｆｔｈｅｐｒｏｂｌｅｍｓ ｒｅｌａｔｅｄｔｏｔａｓｋｏｆｆｌｏａｄｉｎｇｉｎＶＥＣａｔｐｒｅｓｅｎｔ．Ｔｈｉｓｐａｐｅｒｓｕｍｍａｒｉｚｅｓｔｈｅｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｆｔａｓｋ ｏｆｆｌｏａｄｉｎｇｉｎｔｈｅｅｘｉｓｔｉｎｇｖｅｈｉｃｕｌａｒｅｄｇｅｃｏｍｐｕｔｉｎｇ．Ｆｉｒｓｔｌｙ^，ｔｈｅＶＥＣｓｙｓｔｅｍｍｏｄｅｌｉｓｓｕｍｍａｒｉｚｅｄ^， ｃｏｍｐａｒｅｄａｎｄａｎａｌｙｚｅｄ^，ｉｎｃｌｕｄｉｎｇｃｏｍｐｕｔｉｎｇｍｏｄｅｌ^，ｔａｓｋｍｏｄｅｌａｎｄｃｏｍｍｕｎｉｃａｔｉｏｎｍｏｄｅｌ． Ｓｐｅｃｉｆｉｃａｌｌｙ^，ｔｈｅＶＥＣｃｏｍｐｕｔｉｎｇｍｏｄｅｌｃｏｎｓｉｓｔｓｏｆａｔｈｒｅｅｌａｙｅｒｃｌｏｕｄｓｔｒｕｃｔｕｒｅｏｆｒｅｍｏｔｅｃｌｏｕｄ

（ＲＣ^），ｅｄｇｅｃｌｏｕｄ^（ＥＣ^），ａｎｄｖｅｈｉｃｕｌａｒｃｌｏｕｄ^（ＶＣ^），ｅａｃｈｏｆｗｈｉｃｈｈａｓｉｔｓｏｗｎａｄｖａｎｔａｇｅｓｉｎ ｄｉｆｆｅｒｅｎｔａｓｐｅｃｔｓ．ＴｈｅＶＥＣｔａｓｋｍｏｄｅｌｉｓｄｉｖｉｄｅｄｉｎｔｏｃｒｉｔｉｃａｌａｐｐｌｉｃａｔｉｏｎｓ^（ＣＡｓ^），ｈｉｇｈｐｒｉｏｒｉｔｙ ａｐｐｌｉｃａｔｉｏｎｓ^（ＨＰＡｓ^）ａｎｄｌｏｗｐｒｉｏｒｉｔｙａｐｐｌｉｃａｔｉｏｎｓ^（ＬＰＡｓ^）ａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｅｇｒｅｅｏｆａｐｐｌｉｃａｔｉｏｎ ｃｒｉｔｉｃａｌｉｔｙｔｏｖｅｈｉｃｌｅｓ^，ａｎｄｔｈｅｄｅｐｅｎｄｅｎｃｉｅｓｂｅｔｗｅｅｎｔａｓｋｓａｒｅｓｕｍｍａｒｉｚｅｄ．Ｓｅｖｅｒａｌｍａｉｎｃｏｍｍｕｎｉｃａｔｉｏｎ ｐｒｏｔｏｃｏｌｓｆｏｒｔａｓｋｏｆｆｌｏａｄｉｎｇｉｎｔｈｅＩｎｔｅｒｎｅｔｏｆＶｅｈｉｃｌｅｓａｒｅｉｎｔｒｏｄｕｃｅｄｉｎｔｈｅＶＥＣｃｏｍｍｕｎｉｃａｔｉｏｎ ｍｏｄｅｌ^，ａｎｄｔｈｅｉｎｆｌｕｅｎｃｅｏｆｖｅｈｉｃｌｅｍｏｂｉｌｉｔｙｏｎｃｏｍｍｕｎｉｃａｔｉｏｎｉｓａｎａｌｙｚｅｄ．Ｓｅｃｏｎｄｌｙ^，ｗｅｓｕｍｍａｒｉｚｅ ｔｈｒｅｅｃｏｍｍｏｎｏｐｔｉｍｉｚａｔｉｏｎｏｂｊｅｃｔｉｖｅｓｉｎｔｈｅｔａｓｋｏｆｆｌｏａｄｉｎｇｏｆＶＥＣｆｒｏｍｅｘｉｓｔｉｎｇｓｔｕｄｉｅｓ^，ｎａｍｅｌｙ^， ｍｉｎｉｍｉｚｉｎｇｏｆｆｌｏａｄｉｎｇｄｅｌａｙ^，ｍｉｎｉｍｉｚｉｎｇｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎａｎｄａｐｐｌｉｃａｔｉｏｎｑｕａｌｉｔｙｏｆｒｅｓｕｌｔｓ． Ｔｈｉｒｄｌｙ^，ｗｅｓｕｍｍａｒｉｚｅｓｏｍｅｍｏｄｅｌｓａｎｄｍｅｔｈｏｄｓｏｆＶＥＣｔａｓｋｏｆｆｌｏａｄｉｎｇ^，ｓｕｃｈａｓｓｅｍｉＭａｒｋｏｖ ｄｅｃｉｓｉｏｎｐｒｏｃｅｓｓ^，ｇａｍｅｔｈｅｏｒｙ^，ｒｅｉｎｆｏｒｃｅｍｅｎｔｌｅａｒｎｉｎｇ^，ｈｅｕｒｉｓｔｉｃａｌｇｏｒｉｔｈｍａｎｄｃｏｎｔｒａｃｔｔｈｅｏｒｙ．

Ａｔｔｈｅｓａｍｅｔｉｍｅ^，ｔｈｅｅｘｉｓｔｉｎｇｒｅｓｅａｒｃｈｅｓａｒｅｃｌａｓｓｉｆｉｅｄａｃｃｏｒｄｉｎｇｔｏｃｅｎｔｒａｌｉｚｉｎｇａｎｄｄｉｓｔｒｉｂｕｔｉｎｇ ｔｗｏｄｉｆｆｅｒｅｎｔｄｅｃｉｓｉｏｎｍａｋｉｎｇｍｅｔｈｏｄｓ^，ａｎｄｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｓｅｔｗｏｄｅｃｉｓｉｏｎｍａｋｉｎｇ ｍｅｔｈｏｄｓａｒｅｃｏｍｐａｒｅｄ．Ｔｈｅｎ^，ｗｅｄｅｓｃｒｉｂｅｓｅｖｅｒａｌｃｏｍｍｏｎｌｙｕｓｅｄｅｘｐｅｒｉｍｅｎｔｔｏｏｌｓ^，ｉｎｃｌｕｄｉｎｇ ＳＵＭＯ^，ＶｅｉｎｓａｎｄＶｅｉｎｓＬＴＥ^，ｗｈｉｃｈｃａｎｍａｋｅｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｍｏｒｅｒｅａｌｉｓｔｉｃａｎｄｃｒｅｄｉｂｌｅ． Ｉｎａｄｄｉｔｉｏｎ^，ｔｈｅｃｕｒｒｅｎｔｃｈａｌｌｅｎｇｅｓｏｆｔａｓｋｏｆｆｌｏａｄｉｎｇｉｎｖｅｈｉｃｕｌａｒｅｄｇｅｃｏｍｐｕｔｉｎｇａｒｅｓｕｍｍａｒｉｚｅｄ ｉｎｓｅｃｔｉｏｎ６^，ｉｎｃｌｕｄｉｎｇｏｆｆｌｏａｄｄｅｃｉｓｉｏｎａｌｇｏｒｉｔｈｍｃｏｍｐｌｅｘｉｔｙ^，ｓｅｃｕｒｉｔｙａｎｄｐｒｉｖａｃｙｐｒｏｔｅｃｔｉｏｎａｎｄ ｖｅｈｉｃｌｅｍｏｂｉｌｉｔｙ．Ｉｎｖｉｅｗｏｆｔｈｅａｂｏｖｅｐｒｏｂｌｅｍｓ^，ｗｅｈａｖｅｐｒｏｐｏｓｅｄｓｏｍｅｐｏｓｓｉｂｌｅｆｕｔｕｒｅｒｅｓｅａｒｃｈ ｄｉｒｅｃｔｉｏｎｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｐｒｏｓｐｅｃｔｓ．Ｆｉｎａｌｌｙ^，ｗｅｓｕｍｍａｒｉｚｅｔｈｅｗｈｏｌｅｐａｐｅｒｉｎｓｅｃｔｉｏｎ７．

犓犲狔狑狅狉犱狊　ｖｅｈｉｃｕｌａｒｅｄｇｅｃｏｍｐｕｔｉｎｇ^；ｍｏｂｉｌｅｅｄｇｅｃｏｍｐｕｔｉｎｇ^；ｔａｓｋｏｆｆｌｏａｄｉｎｇ^；ｒｅｓｏｕｒｃｅａｌｌｏｃａｔｉｏｎ^； ＩｎｔｅｒｎｅｔｏｆＶｅｈｉｃｌｅｓ

１ 　 ^{引 　 言}

随着智能交通系统和智能网联汽车的发展^，车 辆已经被赋予更多的计算^、存储^、传感和通信能力^， 许多新型的车载应用也正在涌现^，如增强现实^［１］、虚 拟现实^、模式识别等．根据Ｇａｒｔｎｅｒ^，Ｉｎｃ．的预测^，在 ２０２０年将有约２．５亿辆智能网联车辆

^①

^②

云计算^［３］（ＣｌｏｕｄＣｏｍｐｕｔｉｎｇ^）使用云服务器或 者一组远程服务器提供集中式的计算和存储服务^， 被广泛地应用到华为、谷歌、亚马逊等公司的数据中

心，吸引了很多用户．将车辆的计算任务通过卸载的 方式交由远程的云服务器计算是一个解决方案^，但 是卸载到云服务计算的方式有几个关键的问题需要 考虑．首先，智能网联车辆中有许多数据密集和延迟 敏感的计算任务^，它们对延迟有较高的要求，如果将 任务传输到远程云处理^，即使云服务器的执行时间 比较短，但由于卸载到云需要较高通信延迟，因此对 于延迟敏感的任务是不可接受的．其次，车辆与云服 务器之间的通信需要高带宽^，大量用户直接与云服 务器通信，占据了带宽资源，严重影响了传输速率． 因此，对于车辆数据密集和延迟敏感的计算任务，传

４ ６

９ 计　　算　　机　　学　　报 ２０２１年

①

②

ｈｔｔｐｓ^：／／ｗｗｗ．ｇａｒｔｎｅｒ．ｃｏｍ^／ｅｎ^／ｎｅｗｓｒｏｏｍ^／ｐｒｅｓｓｒｅｌｅａｓｅｓ^／ ２０１５０１２６ｇａｒｔｎｅｒｓａｙｓｂｙ２０２０ａｑｕａｒｔｅｒｂｉｌｌｉｏｎｃｏｎｎｅｃｔｅｄ ｖｅｈｉｃｌｅｓｗｉｌｌｅｎａｂｌｅｎｅｗｉｎｖｅｈｉｃｌｅｓｅｒｖｉｃｅｓａｎｄａｕｔｏｍａｔｅｄ ｄｒｉｖｉｎｇｃａｐａｂｉｌｉｔｉｅｓ

ｈｔｔｐｓ^：／／ｗｗｗ．ｉｎｔｅｌ．ｃｏｍ^／ｃｏｎｔｅｎｔ^／ｗｗｗ^／ｕｓ^／ｅｎ^／ａｕｔｏｍｏｔｉｖｅ^／ ｄｒｉｖｉｎｇｓａｆｅｔｙａｄｖａｎｃｅｄｄｒｉｖｅｒａｓｓｉｓｔａｎｃｅｓｙｓｔｅｍｓｓｅｌｆｄｒｉｖｉｎｇ ｔｅｃｈｎｏｌｏｇｙｐａｐｅｒ．ｈｔｍｌ^／

《 计

算 机

学 报

》

统的云计算不再占据优势．另外，升级车载计算机是 另一种选择，但是升级硬件成本很高，因此也不是很 好的选择．

当数据在网络边缘产生时^，云计算不再是一种 有效的数据处理方式^，在计算模式的领域内^，边缘 计算^{［４５］（}ＥｄｇｅＣｏｍｐｕｔｉｎｇ^）变得越来越重要^，尤其 是移动网络中的移动边缘计算^{［６８］}（ＭｏｂｉｌｅＥｄｇｅ Ｃｏｍｐｕｔｉｎｇ^，ＭＥＣ^）．与边缘计算相似的概念在一些

研究中被提出，例如：微数据中心^［９］、Ｃｌｏｕｄｌｅｔ^{［１０］、}雾 计算^{［１１１２］（}ＦｏｇＣｏｍｐｕｔｉｎｇ^），它们都认为将位于网 络边缘设备产生的数据交由边缘计算处理比在云端 处理更有效^，这里将^“边缘^”定义为数据源和云数据 中心之间通道中的任何计算和网络资源．边缘计算 将移动设备的部分或全部计算任务迁移到网络边缘 设备执行，弥补了移动设备计算能力不足以及电池 电量有限的缺点^，提高了数据的传输性能^，增强了数 据处理的实时性和可靠性^，同时又降低了云计算中 心的计算和带宽负载．图１是一种典型的移动边缘 计算框架．车辆应用产生的计算任务可以卸载到路 侧单元（ＲｏａｄＳｉｄｅＵｎｉｔ^，ＲＳＵ^）、基站（ＢａｓｅＳｔａｔｉｏｎ^， ＢＳ^）、边缘服务器等固定基础设施．同时由于智能网

联车辆具备了通信^、存储和计算资源^，可以将车辆未 充分利用的存储和计算资源看作可利用的^“边缘^”基 础设施^，为其他用户提供服务^{［１３１５］}．因此在车联网场 景下产生了新的计算模式，车辆边缘计算（Ｖｅｈｉｃｕｌａｒ ＥｄｇｅＣｏｍｐｕｔｉｎｇ^，ＶＥＣ^）．

图１　移动边缘计算框架

计算卸载是ＶＥＣ的一个重要应用^，资源受限 的车辆可以通过计算卸载的方式将任务交由其他资 源充足的节点计算，以加快处理速度、提高服务质 量．计算卸载主要包括卸载决策和计算资源分配 两大问题^，其中卸载决策主要研究移动终端是否 需要卸载以及卸载多少的问题，而计算资源分配 主要研究将需求卸载的计算任务卸载到何处的问 题^［１６］．车辆边缘计算相对于传统的云计算而言^，虽

然与数据源更近，但是边缘设备的资源是受限的， 因此需要利用有限的计算资源，满足大量车辆用 户的请求^，协调多个车辆之间的计算卸载^，这对车 辆计算任务的卸载决策和资源分配策略提出了更高 的要求．

近年来ＭＥＣ和ＶＥＣ的任务卸载引起了研究 人员的广泛关注．Ｍａｃｈ等人在文献^［８^］中从ＭＥＣ 计算卸载的三个重点研究领域：计算卸载的决策、 ＭＥＣ内计算资源的分配和移动性管理详尽地总结 了ＭＥＣ的架构和计算卸载问题．在研究^［１６］中^，Ｘｉｅ 等人介绍了ＭＥＣ的网络架构及其部署方案^，并分 析和对比了不同的部署方案^；然后从卸载决策^、资源 分配和系统实现这３个方面对ＭＥＣ计算卸载关键 技术进行了研究．文献^［１７^］中^，Ｌｉ等人从优化计算 卸载策略、无线资源分配、计算资源分配和系统可扩 展性四个方面对目前ＭＥＣ系统中计算卸载方案的 研究现状和成果进行了总结．Ｌｉ和Ｇｕ等人分别在 文献^［１８^］和文献^［１９^］中对ＭＥＣ在车联网中的应用 进行了分析研究^，在文献^［１９^］中还介绍了ＭＥＣ在 车载网中的应用^、基于软件定义网络的车载网ＭＥＣ 研究现状以及车载网ＭＥＣ应用实例^，并提出了车 载网中部署ＭＥＣ所面临的问题和挑战．Ｒａｚａ等人 在文献［２０^］中，结合智能汽车的概念、服务、通信和 应用，阐述了ＶＥＣ的体系结构．但是目前还没有针 对ＶＥＣ环境下任务卸载相关问题进行详细总结和 分析的研究．本文通过对现有研究的分析^，对ＶＥＣ 环境下任务卸载的相关问题^（包括系统模型^、优化目 标和卸载技术等）进行了全面的总结．

本文在第１节中介绍ＶＥＣ计算任务卸载的背 景和意义以及相关的研究现状；第２节分别从计算 模型、任务模型和通信模型三个方面对ＶＥＣ的系 统模型进行分析^；第３节总结ＶＥＣ计算任务卸载三 种常见的优化目标^；第４节按照集中式和分布式两 种不同的决策方式对现有的研究进行详细地介绍^、归 类和总结；第５节介绍ＶＥＣ几种常用的实验工具^； 第６节总结目前ＶＥＣ任务卸载面临的几个挑战^，并 提出相应未来研究方向；第７节对全文进行总结．

２ 　 犞 犈 犆 ^系统模型

２１　犞犈犆^计算模型

ＶＥＣ计算模型由远程云^、边缘云和车辆云三层 云结构组成^［２１］，如图２所示．其中远程云是传统云

５ ６ ９ ５期 李智勇等：车辆边缘计算环境下任务卸载研究综述

《 计

算 机

学 报

》

计算中的云资源，边缘云位于网络的边缘，可以提供 更低延迟和更高带宽的服务，车辆云与边缘云通过 无线通信连接．本小节介绍了ＶＥＣ环境下计算资 源的分层结构^，并对三类资源进行了详细的对比和 分析．

图２　ＶＥＣ计算资源分层结构图

２．１．１　远程云

远程云^（ＲｅｍｏｔｅＣｌｏｕｄ^，ＲＣ^）通常具有超大的 规模^，能赋予用户超强的计算能力^，对大规模数据 聚合^、数据挖掘^，分析^、优化和存储复杂数据^，ＲＣ 可以在短的时间内计算得到结果．车辆应用产生 的计算任务可以通过网络传输到远程云^，在ＲＣ计 算并将结果返回给车辆．由于ＲＣ超强的计算能 力^，因此能够计算和分析复杂的计算任务^，并能够 提供较高的计算性能^，但是因为ＲＣ位于网络的远 端^，将车辆计算任务传输到ＲＣ并得到相应的返回 结果需要很大的传输时间开销．因此对于数据密 集型和延迟敏感型的计算任务^，即使计算延迟较 小^，较大的传输延迟仍会使任务总卸载延迟较大．

同时^，车辆产生的大量数据全部上传到ＲＣ会占用 大量的网络带宽，从而造成网络性能和稳定性的 ２下降．．１．２　边缘云

边缘云（ＥｄｇｅＣｌｏｕｄ^，ＥＣ^）位于远程云和车辆云 之间，由拥有计算能力的边缘设备组成，它是移动边 缘计算中的重要组成部分，是解决ＲＣ传输延迟高 的一种有效替代方案．在ＶＥＣ中^，ＥＣ可由边缘服 务器、ＲＳＵ^、ＢＳ^、无线接入点（ＡｃｃｅｓｓＰｏｉｎｔ^，ＡＰ^）以 及移动设备等其他具备计算、存储和通信能力的边

缘设备组成．因为ＥＣ更靠近车辆^，处在网络的边 缘，车辆到ＥＣ的传输延迟可以大大降低．因此ＥＣ 可以为车辆提供低延迟计算^、高速缓存^、位置感知^、 紧急管理等服务^，并能用于实时交互．对于数据密集 型和延迟敏感型的车辆计算任务^，例如^：增强现实^， 实时视频分析^，人类行为识别等任务^，它们需要极低 的延迟以便快速响应和决策，此时ＥＣ比ＲＣ具有 更大的优势．最新的文献综述^{［２２２３］}详细列举了在物 联网和无线网络迅速普及的背景下传统云计算固有 的缺陷和瓶颈，并说明了边缘云在面向边缘设备海 量数据时的独特优势．但边缘计算作为云计算的延 伸^，未来将与云计算协同配合^，为用户提供更高质量 的服务．

２．１．３　车辆云

随着汽车工业中技术的演变和智能网联车辆的 发展，车辆已被赋予更多的计算、存储、通信和传感 资源．Ｈｏｕ等人在文献［１３^］中提出，鉴于城市地区 有大量的车辆^，将空闲的车辆资源加以利用^，可以为 移动设备提供巨大的资源和价值．通过整合车辆空 闲的计算资源形成车辆云^（ＶｅｈｉｃｕｌａｒＣｌｏｕｄ^，ＶＣ^）， 为其他车辆或者移动用户提供服务^，可以大大提高 服务和应用的质量．智能网联车辆包含使用无线通 信协议的设备，车辆能以较低的通信延迟接发计算 任务，充分利用车辆上空闲的计算、存储资源，在保 证车辆安全行驶的前提下^，降低任务处理延迟^，提高 用户的驾驶体验．ＶＣ中车辆的角色不是固定的^，当 车辆资源空闲时可以作为服务提供者^，接受来自其 他车辆或是移动设备的任务请求；当车辆需要卸载 任务时，可以作为服务请求者，将任务卸载至其他拥 有空闲计算资源的车辆．

表１从计算和存储能力、位置、延迟、移动性、通 信和部署方式等方面详细对比了远程云^、边缘云和 车辆云的三层计算资源的异同．由表１可知^，虽然 ＥＣ和ＶＣ在延迟方面表现更优^，但是与ＲＣ相比^， ＥＣ和ＶＣ的计算和存储资源相对较低^，当任务量较

大时可能无法满足所有的卸载请求，对此需要制定 合理的计算卸载决策和资源分配方案以最大限度满 足用户需求．同时，车辆具有较高的移动性，由于网 络的动态性^，将计算任务卸载至ＶＣ可能会造成卸 载失败．因此^，远程云^、边缘云和车辆云在不同方面 各具优势^，采用^“云边端^”相结合的计算模型^，可以 依据不同的优化目标和任务需求选择三层云资源中 的一种或多种进行卸载．

６ ６

９ 计　　算　　机　　学　　报 ２０２１年

《 计

算 机

学 报

》

表１　犞犈犆计算资源对比

种类 远程云 边缘云 车辆云 计算和存储能力 强（无限） 较强（有限） 较强（有限）

位置 远 靠近车辆 靠近车辆 延迟 高 低 低 移动性 固定 固定 移动

通信 受带宽限制 实时 实时 部署方式 集中式 分布式 分布式

将ＶＣ直接与ＲＣ相结合提出了车辆云计 算^{［２４２７］（}ＶｅｈｉｃｕｌａｒＣｌｏｕｄＣｏｍｐｕｔｉｎｇ^，ＶＣＣ^），而ＶＣ 与ＥＣ^、ＲＣ结合提出了车辆雾计算^{［１３，２８２９］}（Ｖｅｈｉｃｕｌａｒ ＦｏｇＣｏｍｐｕｔｉｎｇ^，ＶＦＣ^）．ＶＣＣ与ＶＦＣ的对比在文献

［３０^］中给出^，但这两者都将车辆视为能够提供计算^、 通信和存储资源的基础设施，以减少延迟、提高服务 质量^，这与本文所述ＶＥＣ的本质特性类似．３．３节 的表３列举了目前ＶＥＣ环境下任务卸载研究^{［３１５６］} 对三类资源的使用情况．由表３可知^，目前车联网场 景下车辆计算任务卸载主要采用ＶＣ和ＥＣ两种模 型，ＲＣ由于其固有的缺点对于ＶＥＣ而言不是最优 选择^，ＶＣ和ＥＣ是未来ＶＥＣ的主力军．

２２　犞犈犆^任务模型

随着车辆计算能力的提升，越来越多的车载应 用部署在车辆上．按照计算任务的不同特点^，我们对 车辆计算任务进行了分类，分类方式有如下两种：

（１^）按照车辆应用程序的关键程度分类^；（２^）按照任 务之间是否有依赖性进行分类．

２．２．１　车辆应用程序的关键程度分类

在文献^［４６^］中^，Ｆｅｎｇ等人将车辆应用程序按 照其关键程度分为三类：关键应用程序（Ｃｒｕｃｉａｌ Ａｐｐｌｉｃａｔｉｏｎｓ^，ＣＡｓ^）、高优先级应用程序^（ＨｉｇｈＰｒｉｏｒｉｔｙ Ａｐｐｌｉｃａｔｉｏｎｓ^，ＨＰＡｓ^）和低优先级应用程序^（Ｌｏｗ ＰｒｉｏｒｉｔｙＡｐｐｌｉｃａｔｉｏｎｓ^，ＬＰＡｓ^）．ＣＡｓ是和车辆安全相

关的应用^，是保证车辆和乘客安全的关键应用程序^， 如车辆控制、系统监控和事故预防等．由于ＣＡｓ和 安全紧密相关^，因此享有最高的优先级^，车辆制造商 必须保留充足的计算资源给这部分应用^，不能因为 ＨＰＡｓ和ＬＰＡｓ的存在而影响ＣＡｓ的正常运行^，同 时这类任务也不允许卸载^，只允许在本地执行^，不属 于计算任务卸载的范畴．

ＨＰＡｓ包括与驾驶相关的应用和可选的安全增 强应用^，这类应用程序对车辆而言是重要但不是必 须的，拥有较高的执行优先级，例如实时路径规划和 路况提醒等．这类应用允许出现延迟或卸载失败的 情况，但不会影响车辆安全．ＬＰＡｓ是一类为乘客提 供娱乐服务的应用程序^，它的优先级较低^，例如语音

识别^［５７］，它允许驾驶员发出各种声音命令，通过语 音识别命令计算机做一些响应，而不会使驾驶员分 心．ＨＰＡｓ和ＬＰＡｓ已经被部署到越来越多的车辆 上^，由于ＨＰＡｓ和ＬＰＡｓ不会影响到车辆的安全^， 因此可以将其进行卸载．车辆会优先卸载优先级较 高的任务，当计算资源充足时才会卸载低优先级的 任务．表２对常见的车辆应用程序按照其关键程度 进行了分类．

表２　常见车辆应用关键程度分类

应用关键程度 应用实例 卸载 ＣＡｓ 车辆控制、碰撞预警、红绿灯警告、

网上车辆诊断、道路湿滑检测等 不允许 ＨＰＡｓ 地图导航、平视显示器^［５８］、视野增

强^［５９］、车辆传感^［６０］等 允许 ＬＰＡｓ 虚拟现实、语音识别、视频处理^［６１］、

在线游戏等 允许

２．２．２　任务之间依赖性分类

按照计算任务之间的依赖关系可以将计算任务 分为独立任务和依赖任务．如果计算任务之间无联 系则为独立任务，可以将任务并行地卸载，无需考虑 任务之间的输入和时间约束^，如文献^［６２６５^］等的研 究．除独立任务外^，应用程序的计算任务在数据输入 和计时优先级方面常常相互依赖^［６６］．例如^，一个视 频导航应用程序可以分为四个部分^{［６７］：}图像处理^、 人脸检测、相机自动定焦拍照和视频处理，其中图像 处理任务之间的关系是依赖的^，而人脸检测任务之 间的关系是并行的．当任务之间存在依赖关系时^，如 果需要在不同的计算节点上执行这些任务，就需要 进行任务之间的传输数据，从而产生通信延迟和通 信成本^，此时需要考虑到任务之间的依赖性对卸载 决策和资源分配方案的影响．依据文献^［４９^，６６６８^］ 等对依赖任务的研究，我们将相互依赖的计算任务 按照其基本逻辑拓扑分为三类，分别为线形、树形和 图形依赖．图３^（ａ^）～^（ｃ^）分别代表了三种类型的依 赖性任务^，其中一个圆圈代表一个任务^，箭头末尾的 任务必须在箭头起始位置的任务完成之后才能执 行．任务都按顺序执行，输出数据作为其后续任务的 输入．为了详细地描述任务^（任务数为狀^），我们将三 元组φ^犽＝^（ω^犽，α^犽，β^犽）用于描述计算任务^{［６９］，}其中犽＝ １^，２^，…，狀^，ω^犽是第犽个任务的计算量^，α^犽和β^犽分别是 第犽个任务的输入大小和输出大小．显然总的计算 量为犽

∑

７ ６ ９ ５期 李智勇等：车辆边缘计算环境下任务卸载研究综述

《 计

算 机

学 报

》

图３　任务逻辑拓扑分类

我们利用数据结构有向无环图（ＤｉｒｅｃｔｅｄＡｃｙｃｌｉｃ Ｇｒａｐｈ^，ＤＡＧ^）来表示依赖任务之间的关系．更具体 的，用一个下三角矩阵犐＝^（犐^犻，犼）狀×狀来表示任务犻和 犼之间的依赖关系^，其中犐^犻，犼＝^｛０^，１^｝，１犼＜犻狀．

如果任务犻需要任务犼的输出作为输入，则有犐^犻，犼＝１^， 否则犐^犻，犼＝０．例如，图３^（ｃ^）的任务依赖关系可以表 示成式（１^），犐^６，３，犐^６，５表示任务Ｔ６需要任务Ｔ３和 Ｔ５的输出作为输入．

犐＝

００００００ １０００００ １０００００ ０１００００ ０００１００ 烄

烆

烌

００１０１０烎

（１^）

独立任务例如^：实时目标检测^{［７０］，}从视频流中 识别对象并将其标注^，视频不同帧的目标识别之间 并无依赖关系．依赖任务例如：增强现实，在文献

［７１^］中研究了增强现实所包括的５个计算组件以及 各个组件之间的依赖关系．但不同应用计算任务之 间的依赖关系应该按照该应用具体特征进行分析， 不同应用的计算任务之间具有不同的依赖关系，相 同的应用按照不同的计算任务划分粒度也会有不同 的依赖关系，因此计算任务之间的依赖关系不是绝 对的^、固定的^，可以按照不同的标准对其进行相应的 改变．

２３　犞犈犆^通信模型

图４　ＶＥＣ车辆通信模式和停泊车辆

ＶＥＣ计算任务卸载过程主要通过无线通讯网

络将计算任务及其相关参数从服务请求者传输至服 务提供者．随着车联网的发展，车载网络技术已经相 对成熟，车辆之间（ＶｅｈｉｃｌｅＴｏＶｅｈｉｃｌｅ^，Ｖ２Ｖ^）的通 信可以基于专用短程通信（ＤｅｄｉｃａｔｅｄＳｈｏｒｔＲａｎｇｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ^，ＤＳＲＣ^{）［７２］}来实现，ＤＳＲＣ是基于 ＩＥＥＥ８０２．１１ｐ设计的^，在３００ｍ覆盖内ＤＳＲＣ的 数据速率可以达到２７Ｍｂ^／ｓ左右．车辆与固定基础 设施之间（ＶｅｈｉｃｌｅＴｏＩｎｆｒａｓｔｒｕｃｔｕｒｅ^，Ｖ２Ｉ^）的通信 则可以使用ＬｏｎｇＴｅｒｍＥｖｏｌｕｔｉｏｎ^（ＬＴＥ^{）［７３７４］}和 ＤＳＲＣ^，与ＤＳＲＣ相比^，ＬＴＥ的覆盖范围更广^{［７５］，}服 务质量更具有保障^，ＬＴＥ还支持３５０ｋｍ^／ｈ的高移 动性的用户设备^，可以很好地适应高速移动的车辆． 此外^，迅速发展的５Ｇ通信网络提供了一种全新的 网络架构^，提供１０Ｇｂｐｓ以上的峰值速率^、更佳的移 动性能^、毫秒级时延和超高密度连接^，国际电信联 盟无线电通信局定义了５Ｇ的三大典型应用场景为 增强型移动宽带^（ｅＭＢＢ^）、超低时延高可靠通信

（ｕＲＬＬＣ^）和海量大规模连接物联网^（ｍＭＴＣ^{）［７６］}．其 中ｕＲＬＬＣ由于其即时^、可靠^、高效数据传输的特 点^，如车联网^、自动驾驶^、自动化无人机等都是其主 要实际应用^，基于５Ｇ的车联网络将是未来ＶＥＣ计 算卸载的通信技术之一^{［７７８１］}．ＤＳＲＣ^、ＬＴＥ^、５Ｇ等车 联网络技术为ＶＥＣ计算任务卸载提供了相对可靠 的网络传输通道^，为高速移动下车辆的计算任务卸 载提供了可靠的通信保障．图４^（ａ^）为ＶＥＣ中计算 卸载Ｖ２Ｉ和Ｖ２Ｖ两种通信模式．

除了移动车辆外^，城市内还存在大量的停泊车 辆^（ＰａｒｋｅｄＶｅｈｉｃｌｅｓ^，ＰＶ^），如图４^（ｂ^）所示^，它们广泛 地分布在街道停车场^、室外停车场和室内停车场 内^［１３］．与移动车辆不同^，这些停泊车辆在一定的较 长时间内的位置相对不变^，因此通信链路更加稳 定．由于停泊车辆数量多^、停留时间长^、地理分布 广^、位置特定等特点^，在适当的通信条件下连接在 一起时^，它们可以相互协作以完成大型计算任务．

因此^，这些停泊车辆成为计算基础设施^，提供大量

８ ６

９ 计　　算　　机　　学　　报 ２０２１年

《 计

算 机

学 报

》

计算资源，可以很好地解决单个车辆计算资源有 限的问题，在更短的时间内完成计算任务，效率更 高．例如^，在文献^［８２８３^］等研究中^，都提出了将停 泊车辆作为计算资源基础设施^，为用户提供更好 的服务．

３ 　 犞 犈 犆 ^优化目标

优化目标是ＶＥＣ环境下任务卸载的研究目 标^，要根据优化目标来确立卸载模型^，并使用适当的 方法使目标最优^（较优^），本节将讨论在ＶＥＣ环境 中计算任务卸载几种主要的优化目标^：（１^）最小化 卸载延迟；（２^）最小化能源消耗；（３^）应用结果质量． ３１　^{最小化卸载延迟}

计算任务卸载决策通常可以分为本地执行、部 分卸载^、全部卸载三种．本地执行是将车辆所产生的 计算任务全部在本地进行计算^，不需要进行计算卸 载^，所消耗的时间全部为任务在本地运行的时间．部 分卸载是将计算任务部分在本地执行，另一部分通 过计算迁移的方式卸载到其他资源更加充足的地方 执行．全部卸载则是将车辆产生的计算任务毫无保 留地卸载^，不在本地执行．部分卸载和全部卸载所 消耗的时间包括三个部分^：将计算任务通过网络 传输到边缘的时间^、在边缘执行任务的时间和将 计算结果返回给车辆的时间．随着智能车辆的发 展，诸如视频流处理、增强现实等应用已经在车辆 普及，它们具有数据密集和延迟敏感的特点，但是 由于本地的计算能力有限^，升级硬件成本又太高^，如 果任务计算延迟太高^，会影响应用的服务质量^，因此 任务卸载是减少任务处理延迟的一种可行手段．如 何降低在车辆应用程序中任务卸载的处理延迟是 ＶＥＣ卸载领域主要研究内容之一．卸载延迟通过具 体的卸载策略和资源分配策略来决定，在该策略下 使计算任务处理延迟最小化^，从而提升应用的服务 质量．

３２　^{最小化能源消耗}

移动设备的能耗通常是移动边缘计算中经常考 虑的问题，能耗包括两种：执行能耗和传输能耗．计 算任务本地执行消耗的能量只有本地处理器处理 任务的执行能耗，而通过卸载消耗的能量则包含 将计算任务通过网络传输到服务提供者的传输能

耗以及车辆接收来自服务提供者返回结果消耗的 传输能耗．卸载耗能通常不包括边缘处理任务的执 行能耗^，车辆可以通过付费的方式使用ＲＣ^、ＥＣ和 ＶＣ的计算和存储资源^，因此不必考虑服务提供者 的能量消耗．目前一些研究认为和车辆运行消耗的 能量相比用于计算和传输的消耗的能量很少^，甚至 可以忽略不记．但是随着电动汽车的发展与普及，车 辆的动力将更多由电池提供，在车辆执行大量高复 杂度的计算任务会消耗大量能量，这对电动汽车的 续航问题提出了巨大的挑战^［８４］．因此以节能为优化 目标是未来车辆边缘计算任务卸载中的一大研究热 点问题．

３３　^{应用结果质量}

超低响应时间对于目标检测和图像处理算法至 关重要，这些算法广泛使用于增强现实和虚拟现实 等应用中．使用高质量的原始数据进行计算会得到 更精确^、完美的计算结果^，但是高质量数据会带来 更高的传输和执行开销^，从而会造成更高的响应 时间和能源消耗，这与目标检测和图像处理算法对 超低延迟的要求并不相符．然而在诸多车载应用中 有一些能够容忍计算结果中一定程度的质量损失的 应用^，包括媒体处理^、机器学习和数据挖掘等^，它们 通常不需要一个完美的结果^，一个低质量或不太理 想的结果就足够了．在文献^［８５^］中^，Ｌｉ等人提出了 一种移动边缘计算中新的权衡方法—结果质量

（ＱｕａｌｉｔｙｏｆＲｅｓｕｌｔｓ^，ＱｏＲ^），并提出在应用程序中放 松ＱｏＲ可以减轻计算工作量^，并使移动边缘计算的 响应时间和能源消耗大大减少．ＱｏＲ的衡量标准取 决于应用领域和相应的算法^，例如^：目标检测算法^， ＱｏＲ可以定义为正确检测目标的百分比．依据文献

［８５８６^］，通过放松对ＱｏＲ的容忍度^，可以在一定程 度上降低服务延迟，但如果一味地降低ＱｏＲ^，则计 算结果会没有可信度．因此如何权衡ＱｏＲ和服务延 迟之间的关系是研究卸载决策和资源分配策略的一 个重要问题．

本节列出了三种ＶＥＣ环境下任务卸载的优化 目标^，表３详细列举了现有研究的优化目标^，由表３ 分析可知，最小化卸载延迟是ＶＥＣ任务卸载的主 要优化目标，能耗和ＱｏＲ也被一部分研究考虑在 内．此外如系统效用^、服务质量等优化目标^，也主要 靠延迟^、能耗等来衡量．

９ ６ ９ ５期 李智勇等：车辆边缘计算环境下任务卸载研究综述

《 计

算 机

学 报

》