Cooperative Vehicular Content Distribution in Edge Computing Assisted 5G-VANET（5G车联网边缘计算数据开发）

这篇是我最近看的一篇论文
之后会陆陆续续放出我的见解、理解、提出的问题以及解决方法。

下图是边缘计算协助车联网的层次结构

V2V：是指车辆到车辆的通信
Macro base station：宏基站，也是上一篇论文中的大基站
RSU：路边单元
邻居：相邻的车辆
DSRC：专用短程通讯技术
由于计算、通信、存储和控制的资源分布在从云到物的连续统一体的任何地方，因此资源分布在此体系结构下的所有节点上。
这些节点是异构的，具有不同的存储、计算和网络功能。这些节点应相互协作，充分利用资源，提高数据共享性能。此外，在异构车联网中中优化选择不同的通信模式也需要协作。为了实现高效的协作和内容共享，该体系结构有两个控制和管理层来协调网络资源，在每一层中，控制节点都可以启用SDN（软件定义网络）。
最底层：MBS管理其覆盖范围内的小单元基站、RSU、车辆和WiFi节点。这是MBS、RSU和车辆之间的有效合作。MBS是算法执行的最佳场所，具有较广的全球网络信息和较大的计算能力。而RSU和vehicle可以很好地服务于邻居的内容请求，因为它们与邻居之间具有很高的数据速率连接。
上层：一个城市范围的控制器(CWC)从网络范围的视图调度数据缓存并协调几个marco站点的资源。对于每个MBS，可以通过蜂窝通信方便地收集实时流量。因此，CWC可以通过聚合来自这些MBSs的信息，很容易地获得实时的流量和数据请求。
在提出的体系结构中，数据将被预取到RSU或具有更高社会中心的车辆中。预取之后，RSU和这些选定的车辆可以作为数据的来源。内容下载请求可以由邻居提供，不需要基站(BS)。数据交换发生在RSU和车辆之间，由MBS安排，这减轻了蜂窝网络的负担，包括核心网络和接入网。
挑战：数据量非常大、拓扑变化迅速、流量不平衡，实现高效的内容共享非常具有挑战性
组要内容：边缘计算如何辅助车联网中的内容预抓取和内容分发

内容预取和内容分发
1、内容预取是一种性能优化策略，其中可能被车辆访问的内容是预先下载的。因此，内容预抓取可以减少网络资源的消耗以及车辆感知到的访问延迟。
影响的条件：
1、车辆行驶速度很快，在不同的网络间切换
2、停留时间受很多因素的影响，如道路属性(道路通行能力、限速、红绿灯)、交通拥堵等。
3、另一个问题是流量不平衡。各种因素对交通有影响，即、交通高峰期、交通意外、交通管制。流量不均衡会导致网络资源利用率不均衡，
**解决方法：**选择RSU、WiFi等固定基础设施，车辆具有较高的社会中心度，或者有合适的出行路线作为预取地点。
2、一旦内容在选定的节点上被预取，MBS应该根据车辆的请求调度内容分发。每辆车都会请求大量的数据，这些请求的数据可以通过几种通信方式进行传输，即:，蜂窝，DSRC和WiFi。网络运营商的角度出发，通过多种通信方式合理安排内容共享，以满足用户的各种需求。对于每辆车，可以通过蜂窝链路、DSRC或WiFi通道来满足请求。

在未来的车联网中，每个车体的痕迹都可以被收集起来。通过对历史跟踪数据的挖掘，可以获得驱动程序的优先级。利用驾驶员偏好，结合道路拓扑结构和导航信息，可以预测或获得车辆的出行日。然后，根据实时的速度和位置，预测交通流量的分布。

Prefetch popular content to macro base stations based on machine learning

我们可以预先提取这些车辆的相应数据。此外，网络运营商会将内容卸载到一个不那么拥挤的基站，以减轻基站拥挤的负担。例如，当车辆通过时，一个基站被预测为拥塞，那么，该车辆的内容可以在先前关联的不拥塞的基站中被预取。因此，车辆可以在进入拥挤的BS覆盖前获取内容。
内容也可以预取到移动节点中。例如，在上面的例子中，一辆汽车将通过拥挤的街道。事实上，我们可以预取部分数据到车辆中，当它进入拥堵区域时，车辆可以通过DSRC提供一些内容请求。因此，应选择道路覆盖范围较广的车辆作为预取地点。其原因是，路由覆盖范围较大的车辆可以满足更多节点的数据请求。为了更好地提高效率，需要考虑车辆的社会联系。应选择社会中心度较高的车辆，其中社会指的是通过DSRC或WiFi进行直接通信。社会中心度越高，与其他节点的接触可能性越大，可以在很大程度上提高传播速度。

1)数据拥挤感知
首先，大量的传感器，如安装在车辆上的各种传感器、路旁的摄像机、感应回路、乘客的手握装置等，将参与感知交通。这些传感器将产生大量的异构数据。
2)移动边缘服务器(MES)的数据处理
将这些数据传输到远程云进行处理将会阻塞回程网络并导致更长的延迟。因此，这些数据将在MES进行处理和分析，只有必要的结果将传输到远程云。
3)预测流量情况，调度远程云的负载均衡
我们需要实时构建交通状况，这就需要从城市各个角落获取交通信息。因此，每个MES需要将处理后的结果上传到远程云上，然后在远程云上实时获取和更新交通情况。因此，我们可以预测交通状况。然后，远程云根据预测的情况平衡大规模负载。
4) MES数据缓存。
根据预测的流量情况来缓存数据。

如上图所示，存在两个相邻的MESs, MES1和MES2。根据预测的交通情况，MES2的负荷会更高，因为在MES2的覆盖范围内会有大量的车辆积累。这些车辆可能会要求更多的数据传输，这可能会超过负载，导致服务质量较差。
从MES1到MES2的目标车辆可以选择在MES1中下载感兴趣的数据，从而提高了服务质量。部分车辆在到达MES2时已经获得了感兴趣的数据。因此，MES2中的其他车辆也具有更好的QoS。因此，我们需要在提前先缓存MES1中目标车辆的相关数据。

**第一阶段:**所有的节点都设置为DSRC模式并广播它们的信标，这样每个节点都可以识别它的邻居列表。
一个节点可以通过测量信标[31]的信噪比来识别它可以用来收发内容的一组节点和相应的信道容量。
**第二阶段:**所有机载单元(OBU)通过蜂窝链路与MBS通信。具体地说，每辆车向MBS提供它的更新信息，包括它当前邻居的列表、每个邻居的链路的信道容量以及缓存数据项和未缓存数据项的标识符。
**第三阶段:**每个节点根据调度决策，通过V2I或V2V通信从相邻节点获取请求的内容项。在这个阶段可能同时发生多个内容反传播的实例。

上图中我们运用了图论的方法进行了分析。
现是绘出车联网的无向图，然后是有向图，最后是图分割。

然后有了图分割以后，我们写出了这些发送任务的约束情况，绘制成一个约束图。
每个节点一次只能广播一个数据项(约束1);
在调度周期内，节点不能同时是发送方和接收方(约束2);
数据不应该在接收器上碰撞(约束3)。

Cooperative Vehicular Content Distribution in Edge Computing Assisted 5G-VANET（5G车联网边缘计算数据开发）相关推荐

Deep Reinforcement Learning + Potential Game + Vehicular Edge Computing
文献 [1] 采用deep reinforcement learning和potential game研究vehicular edge computing场景下的任务卸载和资源优化分配策略文献[2] ...
边缘计算（Edge computing）简单介绍
源地址:Wiki中关于Edge computing的介绍简介边缘运算(英语:Edge computing),又译为边缘计算,是一种分布式的架构,将应用程序.数据资料与服务的运算,由网络中心节点,移 ...
Socially-Motivated Cooperative Mobile Edge Computing论文阅读
Socially-Motivated Cooperative Mobile Edge Computing 社交合作的移动边缘计算摘要在本文中,我们提出了一种新的基于社会动机的协作移动边缘计算的 ...
Mobile Edge Computing —— Paper List
Mobile Edge Computing -- Paper List 本博客主要是为了记录看过的一些有关于移动边缘计算的论文,并做一个分类.所有文章均已附上地址以供下载. 综述 1.张开元,桂小林, ...
Multi-Objective Computation Sharing in Energy and Delay Constrained Mobile Edge Computing
"Multi-Objective Computation Sharing in Energy and Delay Constrained Mobile Edge Computing Envi ...
HighNewTech：带你解读云计算、雾计算(Fog Computing)、边缘计算(Edge Computing)的前世今生
High&NewTech:带你解读云计算.雾计算.边缘计算的前世今生目录云计算 CC核心技术 CC分类雾计算(Fog Computing) 与CC比较边缘计算(Edge Computi ...
文献记录(part25)--ACDnet An action detection network for real-time edge computing based on flow-guided
学习笔记,仅供参考,有错必纠关键词:动作检测:实时视频处理:边缘计算:运动导向特征:深度学习不知道在讲啥- ACDnet: An action detection network for real ...
Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems
Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems 移动边缘计算系统中任务卸载的深度强化学 ...
【边缘计算概念】MEC（Mobile Edge Computing边缘计算技术）
MEC,从字面上直观理解就能知道,这是一种运用在移动通信系统(Mobile),边缘节点(Edge),并承担大量计算任务(Computer)的玩意儿. 边缘计算技术(Mobile Edge Comput ...

Cooperative Vehicular Content Distribution in Edge Computing Assisted 5G-VANET（5G车联网边缘计算数据开发）

下图是边缘计算协助车联网的层次结构

Cooperative Vehicular Content Distribution in Edge Computing Assisted 5G-VANET（5G车联网边缘计算数据开发）相关推荐

最新文章

热门文章