面向智能網聯汽車邊緣網絡的分布式端-邊協同算法

朱凱男，朱永東，趙志峰，劉云濤，張 園

(1.之江實驗室,浙江 杭州 311121；2．中國電信研究院新興技術研究所,上海 200000)

0 引言

車聯網技術通過無線接入技術讓道路上安裝了車載設備單元(On Board Unit，OBU)的車輛可以與行人、相鄰的智能網聯汽車、路側設備單元(Road Side Unit，RSU)或者基站等實體便捷地進行各種信息的交換和傳播[1-2]。通過這種方式，智能網聯汽車可以獲取碰撞預警等信息，從而及時采取相應的措施，進而降低交通事故的發生率、提升自動駕駛車輛的安全性[3-4]。道路管理者可以利用車聯網技術實時獲取交通信息，通過車速引導等方式緩解城市交通的擁堵狀況，并達到車輛節能減排的目的[5-6]。

車聯網高級安全服務中，智能網聯車輛配備了攝像頭，可以拍攝周圍的視頻，用于安全、交通監控和監視等目的[7]。車輛將獲取的視頻上傳到邊緣計算節點后，可以對視頻進行分析和備份，以滿足不同的安全駕駛需求。現有研究顯示，如果將車輛獲取的視頻及時傳輸到邊緣計算節點進行視頻分析和備份，可以極大地提高公共安全性[8-9]。然而，海量的視頻內容上傳會給當前的車聯網增加巨大的流量，導致大量的帶寬和能量消耗[10]。

為了解決上述問題，現有的學術工作主要關注內容下載[11-13]。E.Evdokimova[11]等人提出了一個分析框架，該框架通過多維馬爾可夫過程對直通車聯網場景中的下行鏈路流量進行建模：將RSU緩沖區中的數據包到達構建為泊松過程，并且傳輸時間呈指數分布。考慮到與多維馬爾可夫過程相關的狀態空間爆炸問題，該文使用迭代擾動技術來計算馬爾可夫鏈的平穩分布。L.Yang等人[12]研究了混合數據傳播問題，即優化確定數據傳輸的時間和目的車輛，以及車輛是直接從邊緣還是從附近的車輛獲取所需數據，目的是最小化邊緣的流量成本并滿足獲取數據的時延要求；文中提出了一種新的數據傳播算法，稱為混合數據傳播離線算法，該算法優先尋找最有益的車到車廣播，然后選擇可行的車到基站傳播方式。J.He等人[13]通過權衡交付延遲和保管箱部署成本二者之間的關系來研究如何以最佳方式部署保管箱，為了解決該問題，首先提供了一個理論框架來準確估計交付延遲；然后，基于維度擴大和動態規劃的思想，設計了一種新穎的最優保管箱部署算法(ODDA)以獲得最優部署策略。在內容上傳方面，L.Cui等人[10]提議在公交車站部署專用接入點 (AP) 以促進視頻上傳來研究移動公交車的視頻上傳問題，提出了一種注水放置算法，旨在平衡分配給每條總線的聚合帶寬，通過建立排隊模型來分析視頻內容的上傳延遲，并進一步采用機器學習模型將公交路線的影響納入排隊模型中。

本文提出一種面向智能網聯汽車邊緣網絡的分布式端(智能網聯汽車)-邊(邊緣計算節點)協同算法。針對車聯網高可靠低時延內容傳輸的特點，引入有限塊長度機制[14]。同時，引入車輛視頻信息源的壓縮編碼功率消耗，建立車輛能耗模型。根據車輛視頻信息源的視頻質量要求，通過調整視頻編碼碼率、信息源傳輸速率，以及對車輛多路徑路由的選擇，提出一種完全分布式的優化算法，提高網絡資源利用率，并保證單個車輛的能耗公平性。

1 系統模型

圖1 智能網聯汽車邊緣網絡邊-端協同系統Fig.1 End-to-edge collaboration system for edge network of intelligent connected vehicles

1.1 視頻失真率模型

在智能網聯汽車邊緣網絡邊-端協同系統中，視頻上傳的端到端失真大小包括兩個不相關的部分[15]：① 由視頻壓縮引起的壓縮編碼失真Dc；② 由通信傳輸引起的傳輸失真Dt。數學上，端到端失真大小D可以表示為：D=Dc+Dt。

(1)

式中，σ2為平均視頻輸入方差，e為自然對數函數的底數，γ為與編碼效率相關的參數。根據失真率模型，如圖2所示，在給定視頻壓縮編碼失真大小的情況下，信息源編碼后數據速率越大，則視頻壓縮編碼功率消耗越小；在給定信息源編碼后數據速率的情況下，視頻質量(表示為失真大小)越好，則視頻壓縮編碼功率消耗越大。

圖2 給定參數下(σ2=3 500，γ=55.54)功耗-速率- 失真大小的分析模型示例圖Fig.2 Illustration of the power-rate-distortion model with given parameters (σ2=3 500，γ=55.54)

另一方面，S.Pudlewski等人[17]的研究表明在設定合適的目標誤碼率前提下，由通信傳輸引起的傳輸失真相較于由視頻壓縮引起的壓縮編碼失真而言，可以忽略不計。因此，總視頻失真大小僅考慮由視頻壓縮引起的壓縮編碼失真。

1.2 傳輸信道模型

由于多媒體數據傳輸的傳輸延遲要求短，傳統的香農容量不再適合表征給定塊錯誤概率的最大可實現數據傳輸速率。為此，有限塊長度編碼技術已被開發用于可靠的多媒體移動無線網絡[19]。假設完美的信道狀態信息條件下，給定信息比特長度L和信噪比γl，則有限塊長度編碼技術中可取得的最大編碼速率可以表示為：

(2)

(3)

式中，Bl是鏈路l的傳輸帶寬，通信鏈路l上的數據傳輸流量fl需小于最大有效傳輸速率cl，數學上表示為：

(4)

1.3 網絡數據流平衡模型

對于智能網聯汽車邊緣網絡中的任一節點(智能網聯汽車、基站與邊緣網關)而言，流出該節點的數據信息流量需等于流入該節點的數據信息流量與該節點產生的數據信息流量之和。因此，網絡流平衡模型可以表示為：

(5)

對于智能網聯汽車而言，節點產生的數據信息流量為視頻信息源編碼后數據速率；基站與邊緣網關是智能網聯汽車信息傳輸的匯聚點，其數據信息流量為所有智能網聯汽車數據信息流量之和的負數。因此，智能網聯汽車或基站與邊緣網關i的信息源編碼后數據速率R(i)可以表示為：

(6)

1.4 能量消耗模型

(7)

(8)

利用上述數學模型，智能網聯汽車i的視頻壓縮和通信總能耗模型表示為：

(9)

式中，由于εl為給定數值參數，因此可以將1-εl視為常數。在以下分析中，為了便于閱讀，將1-εl在式(9)中進行省略。

2 優化問題建模

約束條件：

對上述4個約束條件的解釋如下：

① 規定了網絡流平衡條件；

④ 規定了通信鏈路l上的數據傳輸流量fl需小于最大有效傳輸速率cl；

⑤ 規定了變量智能網聯汽車的能耗大小Pi、信息源編碼后數據速率R(i)、通信鏈路l上的數據傳輸流量fl的取值需不為負數。

3 分布式優化算法

(10)

經過上述改動，優化問題P1可以改寫為優化問題P2：

約束條件：

容易證明上述優化問題P2是凸優化問題。為了提供一種完全分布式的優化算法，利用拉格朗日松弛約束條件，得到優化問題P2的拉格朗日對偶函數：

其中，λi、θi、μi和φl是拉格朗日乘子或對偶變量；R、f、Pc和P是原始變量。

利用次梯度算法[20]，將對偶變量進行迭代逐步更新達到最優。用k表示迭代次數，α(k)表示迭代步長，則對偶變量的更新公式為：

(11)

(12)

(13)

(14)

其中，{·}+表示取正值運算(也可以表示為x=max{0,x})。

原始變量的更新公式為：

(15)

(16)

(17)

(18)

算法1 基于次梯度算法的分布式邊-端協同算法初始化網絡信息:設置迭代次數k=0,設置節點和通信鏈路存儲器中的變量初始值R(i)(0)、P(i)c(0)、Pi(0)、fl(0)、λi(0)、θi(0)、μi(0)、φl(0)為任一非負值。循環: 1:針對通信鏈路l或通信鏈路(i,j),根據式(14)和式(16)分別更新φl(k)和fl(k); 2:針對智能網聯汽車?i∈ ,根據式(11)～式(13)分別更新對偶變量λi(k)、θi(k)和μi(k); 3:針對智能網聯汽車?i∈ ,根據式(15)、(17)和(18)分別更新原始變量R(i)(k)、P(i)c(k)和Pi(k); 4:完成原始和對偶變量更新后,通信鏈路l將更新后的φl(k+1)和fl(k+1)廣播給其對應的流出、流入節點;終端設備將更新后的λ -1(l)(k)、λ -1(l)(k)、θ -1(l)(k)、θ -1(l)(k)廣播給相應的通信鏈路發送節點; 5:迭代次數更新為k=k+1; 重復上述步驟1～5,直到算法收斂;結束循環

4 仿真實驗和分析

表1 具體參數設置

圖3和圖4分別顯示了提出的算法對于智能網聯汽車視頻壓縮和通信總能耗、編碼后數據速率的迭代性能，由圖可知，大約在200次迭代后達到最優。因此，本算法能在較短的時間內達到性能穩定狀態，能夠滿足車聯網場景下拓撲結構快速變化的需求。同時，針對優化目標，即保證單個車輛的能耗公平性，圖3中的仿真結果顯示，在迭代達到最優狀態時，每輛智能網聯汽車的視頻壓縮和通信總能耗非常接近(如表2所示)。因此，本算法能夠達到保證單個車輛的能耗公平性的目標。

圖3 智能網聯汽車視頻壓縮和通信總能耗的迭代性能Fig.3 Iteration performance of the total power consumption due to video compression and communications of intelligent connected vehicles

圖4 智能網聯汽車編碼后數據速率的迭代性能Fig.4 Iteration performance of the encoding data rate of intelligent connected vehicles

表2 算法收斂后每輛智能網聯汽車的視頻壓縮和通信 總能耗

圖4還表明承擔中繼數據任務較重的車輛會使用較低的視頻壓縮能耗(由視頻失真率模型式(1)可知，因此該車輛編碼后數據速率較大)，由此利用較多的能耗用于數據接收與傳輸。

為了比較提出算法的性能，將其與每輛智能網聯汽車直接與基站通信機制下的性能進行對比，結果如圖5所示。在智能網聯汽車直接與基站通信的機制下，每輛智能網聯汽車的視頻壓縮和通信總能耗差別較大，即距離基站較近的智能網聯汽車的視頻壓縮和通信總能耗較小。這是因為距離基站較近的智能網聯汽車具有較好的傳輸信道信噪比，可以利用更少的通信能耗支持更大的數據傳輸速率。同時，根據視頻失真率模型式(1)，在視頻質量要求相同的情況下，更大的數據速率需要的視頻壓縮能耗更小。

將圖5中的結果進行對比，在智能網聯汽車距離基站較近的情況下(如車輛7～10的結果所示)，車到基站直連傳輸機制所需的視頻壓縮和通信總能耗比本文得到的視頻壓縮和通信總能耗更小。本文算法考慮邊-端協同機制，距離基站較近的智能網聯汽車以數據中繼的方式協助距離基站較遠的智能網聯汽車進行數據傳輸，因此導致了更多的能耗。如圖5所示，對于距離基站較遠的智能網聯汽車(如車輛1～6)，大大降低了其視頻壓縮和通信總能耗。因此，本文算法能夠通過邊-端協同，保證單個車輛的能耗公平性。

圖5 本文算法與車到基站直連傳輸機制總能耗對比Fig.5 Comparison on total power consumption of intelligent connected vehicles due to video compression and communications by the proposed algorithm

在本文算法的邊-端協同機制下，部分距離基站較遠的智能網聯汽車不與基站直接通信，而是利用其他智能網聯汽車，通過多路徑多跳路由的方式進行數據傳輸。因此，本算法還可以減少車到基站直連通信的鏈路數量，從而節省通信帶寬資源(一般而言，車到車通信鏈路的帶寬資源可以進行復用)。

5 結束語

本文提出了一種基于次梯度算法的分布式邊-端協同算法，通過調整視頻編碼碼率、信息源傳輸速率，以及車輛多路徑路由決策，實現資源分配策略。該算法可以部署在每輛智能網聯汽車中執行，并且只需要與其相鄰節點(智能網聯汽車或基站)交換少量信息。

仿真實驗結果和分析表明，本算法能在較短的時間內達到性能穩定狀態，能夠滿足車聯網場景下拓撲結構快速變化的需求；同時，相比于每輛智能網聯汽車直接與基站通信的機制，本算法能保證單個車輛的能耗公平性，并提高網絡資源利用率。