前提：接续车联网的移动边缘智能与计算（二）—智能车联网的边缘缓存。需要强调的是后续本文仍然根据车辆的角色考虑两种主要不同的场景，即车辆作为客户端(VaaC)和车辆作为服务器(VaaS)分别探讨智能车联网的边缘计算。

由于边缘服务器距离移动用户很近，移动边缘计算（mobile edge computing，MEC）带来了许多重要的好处，包括超低延迟、降低移动能源消耗、增强隐私和安全性。本文将介绍智能车联网的边缘计算平台。首先介绍现有的硬件平台，然后讨论了关键的设计问题。文中还介绍了在车联网中启用MEC的应用实例。

本文组织结构和内容框图

1. VaaC

我们首先考虑VaaC场景，其中车辆作为客户端访问边缘服务器的计算资源。

1.1智能车联网边缘计算平台

MEC的概念最早由ETSI在2014年提出[1]，并被视为即将到来的5G网络的关键组成部分。边缘计算服务器可以配置GPUs（graphics processing units, 图形处理单元）或边缘TPUs（tensor processing units, 张量处理单元），可以部署在不同的边缘节点上，我们主要考虑BSs（base station, 基站）和RSUs（roadside units, 路边单元）。BSs边缘服务器的实现依赖于5G网络的几个关键技术，如网络虚拟化架构、网络功能虚拟化和虚拟机（virtual machine，VM）。虚拟化层将地理上分布的计算资源聚合在一起，并将其呈现为一个单一的资源池，供上层的应用程序使用。不同的应用通过虚拟机共享聚合的计算资源。同时，RSUs的性能也得到了显著提高。它们通常采用强大的多核CPU（center processing units, 中央处理单元）和海量存储单元。

人们在开发专门用于车辆数据分析的边缘计算平台方面付出了很多努力。开放车辆数据分析平台（Open Vehicular Data Analytics Platform，OpenVDAP）[2]是一个开源平台。它是一个基于边缘的全栈平台，包括车载计算/通信单元、一个支持隔离、安全和隐私保护的车辆操作系统、一个边缘感知的应用程序库，以及一个最佳的工作负载分流和调度策略。为了评估不同的边缘计算平台，[3]提出了CAVBench。它是联网和自动驾驶汽车边缘计算的基准套件，包括六个应用：SLAM、目标检测、目标跟踪、电池诊断、语音识别和边缘视频分析。

1.2资源管理

有效的资源分配是MEC计算分流的关键。这种分配面临几个关键问题。首先，要考虑无线信道的随机性和任务到达的随机性[4]。第二，有限的无线资源和计算资源被多个用户共享，两者都会影响计算延迟[5,6]。最后，车辆的机动性会影响任务分流和结果反馈[7]。

资源管理的随机优化在文献[8]中被考虑。它通过在车辆侧共同优化分流决策和本地CPU频率，在服务器端共同优化无线电资源分配和服务器供应，使车辆和MEC服务器的成本最小化。文献[9]提出了一种车载网络中MEC的上下文架构，该架构实时评估可用资源，并将最符合逻辑、最可行的资源分配给任务。

文献[10]研究了多车计算分流决策，将其表述为多用户计算分流博弈。证明了博弈纳什均衡（Nash equilibrium, NE）的存在性，并提出了一种分布式计算分流算法来计算纳什均衡。如果在同一边缘服务器上分流了太多的任务，性能增益将会降低。文献[11]研究了在设计分流决策时边缘服务器之间的负载平衡问题。为了使系统效用最大化，将联合负载均衡与分流问题转化为混合整数非线性规划问题。

移动感知的MEC资源管理也受到了广泛的关注。文献[7]提出了一种在线能量感知移动性管理方案，该方案考虑了无线电切换和计算迁移成本。文献[12]结合移动性预测提出了一种有效的移动性感知的分流决策算法。文献[13]研究了长期成本预算约束下的性能优化。在考虑任务迁移成本的同时，采用了李雅普诺夫（Lyapunov）优化方法。与上述结果相比，文献[14]的研究是针对车辆网络的。它考虑了传统车辆中的移动设备，运行信息娱乐应用程序，并将一些计算转移到附近的智能车辆上。由于机动性高，总是分流到一辆车上效率不高。因此，提出了一种边缘服务器中继方案，以更好地利用道路上的计算资源。

2. VaaS

车辆具有强大的车载处理能力，可以作为服务器为乘客提供计算服务，也可以与其他车辆合作。为此，需要有激励机制来鼓励车辆共享资源。以下是相关研究的调查。

2.1车辆云

车载计算在智能汽车上的应用越来越强大[15]。特别是，目前已经开发出了不同的自动驾驶平台。例如，NVIDIA DRIVE平台包括车载计算机（DRIVE AGX）和完整的参考架构（DRIVE Hyperion），以及数据中心托管的仿真（DRIVE Constellation）和DNN培训平台（DGX） [16]。DRIVE AGX采用了世界上最早的自动驾驶处理器NVIDIA Xavier。Xavier内部有六种类型的处理器:图像信号处理器、视频处理单元、可编程视觉加速器、深度学习加速器、一个CUDA GPU和一个CPU。它们总共处理了近40 TOPS（处理器运算能力单位，Tera Operation Per Second的缩写，1TOPS代表处理器每秒钟可进行一万亿次操作，即1012次操作），其中仅深度学习就进行了30万亿次操作。

受云计算在按需提供资源和服务方面的成功和灵活性的启发，车载云的概念应运而生，它是利用车载资源构建的，如网络连接、计算能力、存储和感知能力[17]。它可以实现各种应用，如交通管理、城市监控和应急管理。高交通移动性是实现车辆云的主要挑战。通过分析现有的交通模型，文献[18]的研究表明车辆云计算在动态场景（如高速公路）中技术上是可行的。考虑到车辆云的潜在应用，人们进行了大量的研究来解决其设计挑战和实现问题。研究了不同的资源管理问题，包括调度[19]、虚拟机迁移[20]和计算资源分配[21]。

2.2激励机制

为了利用智能车辆的车载计算资源来辅助乘用车或其他车辆，需要有效的激励机制。关于激励玩家在其他领域共享资源的研究已经很多了[22]，最近，人们开始研究智能车辆的扩展。

RSU服务器分布稀疏，且受无线覆盖范围的限制。为了克服这一局限性，文献[23]提出利用车辆空闲的计算能力。一种市场机制被开发出来，以激励附近的车辆贡献他们的计算能力。提出了一种分布式任务分配算法。在文献[24]中进行了一项类似的研究，其中车辆作为服务器节点，帮助BS的MEC服务器完成计算任务。文献[25]设计了一种计算分流的市场机制，以激励车辆共享资源。提出了一种基于VCG（Vickrey Clarke Groves）的逆向拍卖机制。

3. 在车联网中启用MEC的应用

接近MEC服务器的可用性激发了智能车联网的新应用，下面给出了一些例子。

3.1驾驶员识别

特定于驾驶员的应用程序对于由多个驾驶员使用的共享车辆很重要。在文献[26]中建立了MEC系统，用于收集和分析车内数据，用于驾驶员识别。该系统可用于车辆设置的个性化（例如，自动调整娱乐、首选温度和驾驶员偏好的配置）、自动车辆使用日志、依赖驾驶员的按需付费保险和未经授权的车辆使用检测等应用。

3.2实时交通流估计

交通估计是智能交通系统中的一个重要问题。现有的工作依赖于交通监控摄像头，而这在很多道路上是不存在的，或者基于GPS的速度估计，这只能提供粗略的估计。此外，考虑到带宽和延迟的挑战，实时交通流估计应该接近边缘和车辆本身。文献[26]在前置摄像头的帮助下，开发了MEC-辅助的自动交通估计框架，用于车辆检测、车辆跟踪和交通估计。该系统的有效性已经通过多天的道路试验得到验证。

3.3公共安全

视频分析公共安全（Video analytics for public safety，VAPS）是物联网的一个重要应用案例。由于预算、规模、重量和功率的限制，以及公共安全运营的复杂性，VAPS的分析集成和优化是一个重大挑战。基于OpenVDAP平台[27]，文献[28]提出了一种称为AutoVAPS的支持物联网的公共安全服务。它集成了穿戴式相机和其他公共安全传感器，由三层组成:数据层用于数据管理，模型层用于边缘智能，接入层用于隐私保护数据共享和访问。

参考目录：

[1] Y. C. Hu,M. Patel, D. Sabella, N. Sprecher, and V. Young, “Mobile edge computing—A key technology towards 5G,” ETSI, Sophia Antipolis, France, White Paper 11, Sep. 2015, pp. 1–16.

[2] Q. Zhang et al., “OpenVDAP: An open vehicular data analytics platform for CAVs,” in Proc. IEEE Int. Conf. Distrib. Comput. Syst. (ICDCS), Vienna, Austria, Jul. 2018, pp. 1–11.

[3] Y.Wang, S. Liu, X. Wu, andW. Shi, “CAVBench: A benchmark suite for connected and autonomous vehicles,” in Proc. ACM/IEEE SEC, Bellevue, WA, Oct. 2018.

[4] W. Zhang, Y. Wen, K. Guan, D. Kilper, H. Luo, and D. O. Wu, “Energy-optimal mobile cloud computing under stochastic wireless channel,” IEEE Trans. Wireless Commun., vol. 12, no. 9, pp. 4569–4581, Sep. 2013.

[5] C. You, K. Huang, H. Chae, and B.-H. Kim, “Energy-efficient resource allocation for mobile-edge computation offloading,” IEEE Trans. Wireless Commun., vol. 16, no. 3, pp. 1397–1411, Mar. 2017.

[6] Y. Mao, J. Zhang, S. H. Song, and K. B. Letaief, “Stochastic joint radio and computational resource management for multi-user mobile-edge computing systems,” IEEE Trans. Wireless Commun., vol. 16, no. 9, pp. 5994–6009, Sep. 2017.

[7] Y. Sun, S. Zhou, and J. Xu, “EMM: Energy-aware mobility management for mobile edge computing in ultra dense networks,” IEEE J. Sel. Areas Commun., vol. 35, no. 11, pp. 2637–2646, Nov. 2017.

[8] J. Du, F. R. Yu, X. Chu, J. Feng, and G. Lu, “Computation offloading and resource allocation in vehicular networks based on dual-side cost minimization,” IEEE Trans. Veh. Technol., vol. 68, no. 2, pp. 1079–1092, Feb. 2019.

[9] Z. W. Lamb and D. P. Agrawal, “Analysis of mobile edge computing for vehicular networks,” Sensors, vol. 19, no. 6, p. 1303, Mar. 2019.

[10] Y. Liu, S. Wang, J. Huang, and F. Yang, “A computation offloading algorithm based on game theory for vehicular edge networks,” in Proc. IEEE ICC, Kansas City, MO, USA, May 2018, pp. 1–6.

[11] Y. Dai, D. Xu, S. Maharjan, and Y. Zhang, “Joint load balancing and offloading in vehicular edge computing and networks,” IEEE Internet Things J., vol. 6, no. 3, pp. 4377–4387, Jun. 2019.

[12] F. Yu, H. Chen, and J. Xu, “DMPO: Dynamic mobility-aware partial offloading in mobile edge computing,” Future Gener. Comput. Syst., vol. 89, pp. 722–735, Dec. 2018.

[13] T. Ouyang, Z. Zhou, and X. Chen, “Followme at the edge: Mobility-aware dynamic service placement for mobile edge computing,” IEEE J. Sel. Areas Commun., vol. 36, no. 10, pp. 2333–2345, Oct. 2018.

[14] Z. Wang, Z. Zhong, D. Zhao, and M. Ni, “Vehicle-based cloudlet relaying for mobile computation offloading,” IEEE Trans. Veh. Technol., vol. 67, no. 11, pp. 11181–11191, Nov. 2018.

[15] S. Liu, J. Tang, Z. Zhang, and J.-L. Gaudiot, “Computer architectures for autonomous driving,” Computer, vol. 50, no. 8, pp. 18–25, 2017.

[16] NVIDIA Corp. (2019). NVIDIA DRIVE: Scalable AI Platform for Autonomous Driving. [Online]. Available: https://www.nvidia.com/en-us/selfdriving-cars/drive-platform/

[17] T. Mekki, I. Jabri, A. Rachedi, and M. B. Jemaa, “Vehicular cloud networks: Challenges, architectures, and future directions,” Veh. Commun., vol. 9, pp. 268–280, Jul. 2017.

[18] A. Boukerche and R. E. De Grande, “Vehicular cloud computing: Architectures, applications, and mobility,” Comput. Netw., vol. 135, pp. 171–189, Apr. 2018.

[19] P. Ghazizadeh, R. Mukkamala, and S. El-Tawab, “Scheduling in vehicular cloud using mixed integer linear programming,” in Proc. 1st Int. Workshop Mobile Sens. Comput. Commun. New York, NY, USA: ACM, Aug. 2014, pp. 7–12.

[20] T. Refaat, B. Kantarci, and H. Mouftah, “Dynamic virtual machine migration in a vehicular cloud,” in Proc. IEEE ISCC, Funchal, Portugal, Sep. 2014, pp. 1–6.

[21] K. Zheng, H. Meng, P. Chatzimisios, L. Lei, and X. Shen, “An SMDP-based resource allocation in vehicular cloud computing systems,” IEEE Trans. Ind. Electron., vol. 62, no. 12, pp. 7920–7928, Dec. 2015.

[22] A.-L. Jin, W. Song, P. Wang, D. Niyato, and P. Ju, “Auction mechanisms toward efficient resource sharing for cloudlets in mobile cloud computing,” IEEE Trans. Services Comput., vol. 9, no. 6, pp. 895–909, Nov./Dec. 2016.

[23] Z. Su, Y. Hui, and T. H. Luan, “Distributed task allocation to enable collaborative autonomous driving with network softwarization,” IEEE J. Sel. Areas Commun., vol. 36, no. 10, pp. 2175–2189, Oct. 2018.

[24] Z. Zhou, P. Liu, J. Feng, Y. Zhang, S.Mumtaz, and J. Rodriguez, “Computation resource allocation and task assignment optimization in vehicular fog computing: A contract-matching approach,” IEEE Trans. Veh. Technol., vol. 68, no. 4, pp. 3113–3125, Apr. 2019.

[25] M. Liwang, S. Dai, Z. Gao, Y. Tang, and H. Dai, “A truthful reverse-auction mechanism for computation offloading in cloud-enabled vehicular network,” IEEE Internet Things J., vol. 6, no. 3, pp. 4214–4227, Jun. 2019.

[26] G. Kar, S. Jain, M. Gruteser, F. Bai, and R. Govindan, “Real-time traffic estimation at vehicular edge nodes,” in Proc. ACM/IEEE SEC, San Jose, CA, USA, Oct. 2017, pp. 1–13.

[27] Q. Zhang et al., “OpenVDAP: An open vehicular data analytics platform for CAVs,” in Proc. IEEE Int. Conf. Distrib. Comput. Syst. (ICDCS), Vienna, Austria, Jul. 2018, pp. 1–11.

[28] L. Liu, X. Zhang, Q. Zhang, A. Weinert, Y. Wang, and W. Shi, “AutoVAPS: An IoT-enabled public safety service on vehicles,” in Proc. SCOPE, Montreal, QC, Canada, Apr. 2019, pp. 1–7.