車聯網業務特性模型下卸載反饋策略的設計與評估

中圖分類號：TN915.01 文獻標志碼：A 文章編號：1000-582X（2025）08-086-13

Design and evaluation of an offload feedback strategy framework based on a service characteristic model in the internet of vehicles

WANG Shi， CAO Dayanab， ZHU Xiaoyingab， WANG Mingyua， WANG Haoyinga （a.SchoolofElectronic and Information Engineering; b.Institute of Graduate，Liaoning Technical University， Huludao，Liaoning，P.R. China）

Abstract： With the proliferation of diverse service characteristics in the internet of vehicles （IoV）under the mobile edge computing （MEC） paradigm，evaluating server-to-end transmission performance presents a significant challenge，particularly due to the complex modeling requirements that must account for service-specific traits in offload feedback strategies.To address this，acache scheduling evaluation framework is proposed，incorporating time-varying and multi-type services based on queuing theory and a Markov-modulated service procesThe proposed framework supports flexible adjustments to service characteristics，bidirectional procesing rates，and offload feedback strategies，enabling itto adapt to various communication environments.Within this framework， an offload feedback strategy based onstatistical prediction is proposed.Numerical simulationsshow that the the proposed strategy improves transmission performance by approximately 50% compared with traditional approaches. These findings indicate that the proposed framework provides a valuable reference for designing adaptive strategies under diverse network conditions and hardware configurations.

Keywords： internet of vehicles; mobile edge computing; sevice modeling; Markov-modulated services; resource allocation

近年來，隨著無線通信和物聯網技術的發展，車聯網（internet ofvehicles，IoV）已成為5G的重要應用場景。在移動邊緣計算技術背景（mobile edge computing，MEC）下，車聯網中路邊單元攜帶的MEC服務器和智能車輛配備的車載單元（onboard unite，OBU）都具備計算和存儲能力l。基于MEC系統計算和緩存的功能，學者提出服務緩存和邊緣緩存技術并衍生了任務卸載、資源分配等研究。在網絡層上，任務卸載和資源分配問題被建模為最優化問題。針對最優化模型，張建軍等4提出一種多MEC聯合卸載的方案，李方偉等[5提出了V2X（vehicle-to-everything）協同緩存與資源分配機制。由于引人多樣化業務模型會使最優化模型出現計算成本高的問題，上述研究在完成資源分配時未考慮到業務相關性和優先級等多樣化特征。然而，不同類型業務的網絡需求和處理方式并不相同。例如業務為時延敏感和上下文敏感的應用程序，則應卸載到MEC服務器，其他為安全性服務的重要業務應該在本地進行服務和保存。

目前車聯網的典型業務包括：駕駛安全、交通效率、信息服務和管理綜合4類業務。這些業務在網絡端可定義為流量特性、可靠實時特性、忙時特性、移動性、觸發特性和附著特性的量化組合]。但相關研究.]尚缺少針對車聯網中車輛業務通信的系統建模，都是在網絡層通過多要素預測單一業務特性的變化。因此，對設計任務卸載策略而言，建立業務模型呈現車聯網中多種業務特性對邊緣計算效率的影響有重要意義。目前Zhu等[12將具備間歇傳輸特性的衛星業務傳輸過程建模為基于馬爾可夫鏈蒙特卡羅的馬爾可夫調制服務過程（markov chain monte carlo based markov modulated service process，MMSP）模型，證明了MMSP模型可用于鏈路層業務建模，并呈現到達業務狀態之間的轉移過程。

除業務類型外，邊緣計算中業務卸載與MEC、OBU2端的CPU計算周期速率也息息相關13]。相關學者對此進行了研究，Peng等[4在設計聯合緩存和卸載策略時考慮了應用程序服務提供商的租賃成本和不同車輛計算能力的差異，戚艾林等[15]在設計卸載策略時考慮了車輛快速移動導致的回傳時延問題。由于CPU計算周期和分配策略分屬物理層和網絡層，難以在最優化模型中考慮CPU計算周期對數據量的變化影響，上述研究都假設業務卸載量不會導致OBU緩存溢出，不考慮雙端計算速率的差異而進行業務卸載，卸載業務的計算數據容易導致OBU緩存溢出或欠載。OBU卸載任務時往往依據當前時刻的OBU緩存容量進行分配，但當MEC處理并回傳任務數據時、OBU的緩存容量已發生變化。由于MEC計算任務和數據回傳都存在時延且MEC的CPU計算周期數比OBU大。在MEC計算任務和進行數據回傳時，OBU由于并行處理本地業務會導致緩存量較分配任務時增多或減少。在接收MEC數據時，OBU容易因業務卸載量分配有誤出現數據溢出或欠載。為了設計跨層優化策略，鏈路層評估框架已證實是有效的。耿珂等將車輛高速移動的影響抽象為信道相關系數，采用蒙特卡羅方法進行鏈路層仿真。Zhang等為在考慮異構節點的同時分析網絡性能，將各節點之間的數據傳輸建模為排隊模型，基于馬爾可夫分析方法建立了鏈路層策略評估框架。

考慮到業務常規的流量特性、可靠實時特性、觸發特性和忙時特性，研究利用馬爾可夫模型對車聯網業務建模，通過離散排隊分析完成業務時變性的量化業務模型。此外，借助MMSP模型，在對OBU和服務器的數據流排隊分析時，考慮雙端傳輸速率提出一種通用化評估框架。該框架完成了業務類型的模塊化標準，實現傳輸環境的可配置性，提供諸如吞吐量、拒絕率和排隊時延等系統指標。借助該框架，基于概率分布提出一種跨層的卸載反饋策略。

1系統模型

1.1 基礎模型

考慮移動的單個車輛和MEC服務器之間計算任務的數據包傳輸過程，如圖1所示。車輛在移動過程中會產生娛樂業務、安全性業務等需求，這些業務需求被車載單元根據業務類型和流行度等因素卸載到本地或者MEC服務器進行計算，計算結果最終回傳到車載單元進行處理顯示。

假設在業務和數據傳輸過程中，所有數據都以離散數據包的形式傳輸，且數據傳輸過程都是如圖2所示的固定時隙結構。當到達業務量過多出現溢出時，溢出部分在服務器處理，其他業務在本地處理，否則將業務依據業務特性卸載到服務器或者OBU。每個時隙由3個弱關聯的流程組成：業務的產生到達流程、車輛對業務的處理流程及云端業務的處理反饋流程。假定車輛本地的業務處理和傳輸速率為時不變，且車輛本地接收到達業務和處理業務時不會發生業務和數據包遺漏。此外，假設MEC服務器的任務處理過程不存在業務請求和數據包丟失。

圖1系統模型

Fig.1 Systemmodel

圖2業務處理時隙圖

考慮車輛和服務器處理傳輸速率差距的系統讀寫流程如圖3所示。根據時隙的主要特征，或者占用時隙主要時長的階段不同，可以把時隙分為寫入業務、繁忙和溢出3種。寫入時隙代表大量業務寫人的時隙，繁忙時隙代表算力主要用來處理業務計算和處理的時隙，溢出時隙代表服務器傳輸的數據量過大導致OBU緩存區溢出。溢出時隙數據包會被丟棄，因此，下一時隙仍需要重新計算和回傳數據包。

Fig.2 Time slot diagramofbusinessprocessing

圖3處理速率下系統的讀寫示意圖

Fig.3Schematicdiagramof system r/w atprocessingrates

1.2馬爾可夫調制業務模型

為了能在評估服務器到端傳輸性能時靈活調控到達業務的特性，從業務流量特性、觸發特性、可靠實時特性和忙時特性4個業務特征對所有業務進行重新定義。

假設OBU的容量為 L_b ，云端車載的容量為 L_?m=L_?b+L_α，L_α 為輸入單元可以發送數據包的最大數量。業務流量特性的狀態總數為 S_n ，第 i_n 種業務流量特性到達狀態下業務包量 n_i 服從分布 （20 ，其中， 表示傳輸 j_n 個數據包的概率， i_n∈D={1，2，…，S_n}，j_n∈{0，1 2，…，L_a–1} 。業務流量特性到達狀態之間的轉移服從狀態轉移矩陣 I

式中 表示當前時隙為第 i 種流量特性到達狀態，下一時隙為第 j 種流量特性到達狀態的概率。當前時隙業務可靠實時特性的到達狀態是 i_l∈K={1，2，…，S_l} 時， S_? 是可靠實時特性到達狀態的總數，可靠實時特性 l_i 服從分布 L_? 表示該狀態總數。業務可靠實時特性到達狀態之間的轉移服從狀態轉移矩陣 T

當前時隙業務觸發特性的到達狀態是i ∈E={1，2，…S_z} 時，觸發特性 z_i 服從分布 ，其中， L_z 表示該狀態總數， S_z 是觸發特性到達狀態總數。業務觸發特性到達狀態之間的轉移服從狀態轉移矩陣 G （24

業務特性的忙時特性 w∈O={1，2，…，8} 是指某一特性業務在一天中一段時間內集中爆發的性質[18]。依據業務特性，存在 w_n∈{0，1}，w_l∈{0，1} 和 w_z∈{0，1} 分別表示業務流量特性、可靠實時特性和觸發特性的忙時特性。為方便表示，令 w=w_n+2w_l+4w_z 。各特性業務的爆發密度由忙時集中系數 0?u?1 呈現，爆發時長由忙時時長 0?r?24 呈現。假設所有特性業務的忙時集中系數閾值為 u₀ 、忙時時長的閾值為 r₀ ，則依據實際忙時集中系數和忙時時長，可表示一段時間內流量特性業務是否存在集中爆發的特征。當忙時集中系數大于 u₀ ，爆發時長短于 r₀ 時， w_n=1 表示流量特性業務在短時間內存在集中爆發的特性，反之為不存在集中爆發的特性

此外，當 w_n=1 時，到達業務的流量特性根據馬爾可夫調制得到。當 w_n=0 時，到達業務的流量特性狀態依據流量特性到達的穩態分布 π_n 采樣獲得。

1.3 緩存模型

為方便計算性能評估指標，將OBU和MEC服務器實體建模為數據包緩存隊列。MEC服務器內存儲的業務類型 l 服從分布

式中： i_ψ=w+8i_z+8S_zi_l+8S_zS_li_n 表示流量特性狀態為 i_n ，可靠實時特性狀態為 i_ι， ，觸發特性狀態為 i_z ，忙時特性為 w 的業務； 表示業務類型為 i_ψ 產生的概率。 S_n=8S_nS_lS_z 為到達業務特征狀態的總數， S_n 為流量特性到達狀態總數 ?_?S_ι 為可靠實時特性到達狀態總數 ??S_z 為觸發特性到達狀態總數。相似的，OBU端內存儲的業務類型L 服從分布

因此，根據業務類型的狀態可得雙端存儲業務的4個特征的狀態。當前時隙數據包在卸載前，OBU中數據包的數量被表示為 b∈P={0，1，…，L_b} ，且 b 服從如下概率分布

式中： 表示卸載前OBU中存在 b 個數據包的概率； 。OBU的 L_b+1 種緩存狀態之間的轉移概率可以用 B 表示為

式中： 表示上一時隙OBU緩存內存在 i 個數據包，且本時隙存在 j 個數據包的概率。分配后車載端存儲的數據包數量滿足的概率分布被 φ₁ⁿ 表示，MEC服務器向車載端傳輸后車載端內數據包數量服從的概率分布為 φ₂ⁿ，φ₃ⁿ ，是OBU處理數據包后其內部數據包數量滿足的概率分布。當前時隙數據包分配前MEC服務器內包含的數據包數量描述為 u∈U={0，1，…，L_m} ，且被規定服從概率分布

ψ₀ⁿ=[ψ₀ⁿ（0），…，ψ₀ⁿ（i），…，ψ₀ⁿ（L_m）]

MEC服務器的 L_m+1 種緩存狀態之間的轉移概率則可以用 _J 表示

式中： 表示上一時隙MEC服務器緩存內存在 i 個數據包，且本時隙存在 j 個數據包的概率。

1.4馬爾可夫調制通信模型

車輛和服務器之間的通信采用取自HIPERLAN/2和IEEE802.11a標準的AMC調制方式。單車輛模型考慮噪聲信道，將傳輸信道的信噪比劃分為 N_sNR 個SNR狀態。考慮到傳輸信道的時變性，將 N_sNR 個SNR信道條件狀態的演化建模為馬爾可夫鏈[-20]。該模型由 N_sNR×N_sNR 的狀態轉移矩陣 F 描述

式中： 表示信道的信道條件狀態由上一時隙狀態 i 轉移為本時隙狀態 j 的概率。若當前時隙信道條件狀態為 c∈Q={1，2，…，N_sNR} ，根據調制方案可以獲得信道條件狀態為 c 的傳輸系統數據包傳輸概率分布 ξ_c^channel

ξ_c^channel=[p_c^channel（0），…，p_c^channel（j），…，p_c^channel（L_b）]，

式中： p_c^channel（j） 信道條件狀態為 Ψ_c 時，當前時隙內傳輸 j 個數據包的概率。

2 隊列服務分析框架

2.1 隊列分析

為推導出系統狀態轉移矩陣，筆者用排隊理論分析數據包的傳遞過程。

1）業務到達過程

在給定流量特性的忙時特性 w_n 基礎上，依據馬爾可夫調制過程獲取當前時隙到達業務流量 n 服從的概率分布為

式中： 表示數據到達過程可能到達的最大數量； 表示在 i_n 狀態下到達 j_n 個數據包的概率。

2）業務卸載過程

當前時隙到達業務的可靠實時特征為 l_i， ，服從分布為 ξ_i^l（ 2 a_b 和 a_s 分別表示到達業務分配給OBU和MEC服務器的待處理數據包數量。分配過程可以用2者服從的概率分布向量 τ 和 描述。OBU當前階段的業務類型為 L_o ，其代表的業務流量類型 L₀ⁿ 服從分布

φ₀ⁿ=[φ₀ⁿ（0），…，φ₀ⁿ（b），…，φ₀ⁿ（L_b）]°

當下業務的卸載主要依賴于業務的流量特征和可靠實時特性特征。當業務數據量過大會溢出OBU緩存時，溢出部分卸載到服務器處理。當業務數據量較小時，可靠實時業務在本地處理，其他業務在云端處理。當到達業務流量使OBU溢出時，卸載到服務器的業務流量 a_s 服從分布 ，該分布滿足如下關系

式中： 表示在當前到達狀態下業務到達 j_n 個數據包的概率。保留OBU端的業務流量 a_b 服從的分布 τ^′= Conv ）。因此考慮保存在OBU端的業務流量服從分布為

式中： λ_ι 為可靠實時特性閾值，對應的保存在服務器端的業務流量 a_s 服從的分布 y=Conv（r，τ^-1） ，其中 τ^-1 表示 τ 的轉秩分布。考慮到車載端和服務器端處理速率的差距[2]， u_H 和 u_?L 分別表示單次業務處理過程中OBU端和服務器端處理業務所需要的時隙數。OBU的業務數據流量在業務卸載后服從分布 φ₁ⁿ=T（φ₀ⁿ，τ，ν_?H） ，服務器端的業務數據流量服從分布 ψ₁ⁿ=T（ψ₀ⁿ，τ，ν_?L） 。其中， T（x，y，z） 為

3）結果反饋過程

服務器向OBU回傳的數據量由任務卸載后的數據流量、信道條件和卸載反饋策略決定。依據卸載反饋策略，服務器向OBU回傳的數據量分布為

P_m=[p_m（0），…，p_m（i_m），…，p_m（L_m）]

考慮信道條件限制，當信道條件已知時，前時隙服務器發送數據包的調制方案為 ξ_c=[p_c（0），… （204號 服務器可向OBU傳輸的數據包數量服從分布 ω=[p_ω（0），…，p_ω（i_ω），…，p_ω（L_m）] 該分布滿足如下關系

因此，在服務器向OBU傳輸數據后，服務器端的數據包數量服從概率分布為 ψ₂ⁿ=T（ψ₁ⁿ，ω^-1，ν_L）₀ 考慮服務器和OBU處理速率的差異，每時隙服務器完成結果反饋后，OBU的數據包概率分布為 φ₂ⁿ=T（φ₁ⁿ，ω，ν_H）

4）數據處理過程

服務器端的觸發業務會被保存一段時間。車載端部分可靠實時業務也需要保存，如地圖等較為重要的數據。假設可靠實時特性 大于 σ_ι 的業務流需要被車載端保存，觸發特性 z_i² 大于 ρ_z 的業務流會被服務器保存。則在完成數據處理后，本地端和服務器端的數據包數量服從的分布為

2.2 狀態空間

基于馬爾可夫模型對系統進行分析，設置到達狀態、OBU緩存狀態、服務器緩存狀態和信道狀態作為主狀態，構成系統狀態空間

由于到達狀態由業務流量特征狀態、可靠實時特征狀態、觸發特征狀態和忙時特性狀態4個子狀態構成，到達狀態空間為

到達狀態空間大小為 S_h=8S_nS_lS_z ，系統狀態空間大小即為 。到達空間下各狀態 之間的轉移服從到達狀態轉移矩陣

式中：I是到達業務的流量特性狀態轉移矩陣； ^T 是到達業務的可靠實時特性狀態轉移矩陣； G 是到達業務的觸發特效狀態轉移矩陣。該空間下各狀態之間的轉移服從系統狀態轉移矩陣 T

式中： A 是到達過程狀態轉移矩陣； B 是OBU緩存狀態轉移矩陣； _J 是MEC服務器緩存狀態轉移矩陣； F 是信道狀態轉移矩陣； ? 是克羅內克積; T_ij 表示系統狀態編號上一時隙為i，本時隙變為 j 的概率。

2.3 基于蒙特卡羅的隊列仿真

由于系統狀態轉移矩陣過大，為獲取穩態分布，使用蒙特卡羅方法對服務器到端的數據包排隊演化過程進行仿真，如圖4所示。

5.本地計 6.依據信道狀態 單次排隊過程產生 成載 算業務 獲取調制方式 務器 10.各自完成業務請求 務卸載 業器務 據信道式 傳 務數據的處理單時隙單次仿真 記錄相關指標2.仿真指標 No 判斷系統 Yes開始 1.參數設置 的初始化 是否穩態 結束

通過對隊列模型的仿真，可得到系統的穩態分布為 π=[π（1），…，π（S_π）]. 其中 。穩態分布和狀態轉移矩陣的關系滿足下式

π（T-E）=0，

其中， E 是單位矩陣。

為了推導評價指標，規定編號為 i 的系統狀態為 ?_i（a_i，b_i，u_i，c_i） ，系統狀態編號與到達狀態、OBU緩存狀態、服務器緩存狀態、信道狀態滿足如下關系

2.4性能指標推導

評估框架采用平均隊長、平均吞吐、平均拒絕和平均時延作為性能評估指標。

1）平均隊長指標

平均隊長指標定義為單位時隙內OBU緩存與服務器緩存的隊長之和。結合穩態分布，平均隊長指標為

式中： π（i） 表示穩定狀態下系統狀態為第 i 種狀態的概率； b_i 表示第 i 種系統狀態下的OBU隊長； u_i 表示第 i 種系統狀態下的服務器隊長。

2）平均吞吐指標

平均吞吐指標定義為單位時隙內MEC向OBU傳輸的數據包數量。在編號為 i 的狀態下，吞吐 k 個數據包的概率 為

式中：在給定系統狀態 i 下，信道條件狀態為 c 時 p_c（k） 表示信道傳輸 k 個數據包的概率； φ₂ⁿ（k） 表示MEC服務器向OBU傳輸后OBU內數據包數量為 k 個數據包的概率。考慮穩態下部分系統狀態會吞吐相同數量的數據包，吞吐 k 個數據包的概率 為

平均吞吐為

3）平均拒絕指標

平均拒絕指標定義為單位時隙內MEC服務器向OBU傳輸卻因OBU溢出而被丟棄的數據包數量。在編號為 i 的狀態下拒絕 k 個數據包的概率 P_rejection（i，k） 為

式中： b_i 是在狀態編號為 i 的情況下OBU的初始隊長； p_m（j） 是MEC向OBU回傳時傳輸 j 個數據包的概率。考慮狀態空間的所有狀態，有穩態下拒絕 k 個數據包的概率為 P_rejection（k）

則傳輸系統的平均拒絕表示為

4）平均時延指標

高觸發特性業務在數據處理時存在復用情況，因此，計算時延不考慮觸發特性數據包情況，定義時延指標為單個數據包從到達傳輸系統到傳輸所用時隙數

式中： n 是當前時隙到達業務的流量特性； i_z 表示第 i 種系統狀態下到達業務的觸發特性狀態； ρ_z 為數據處理時會被服務器保存的觸發特性狀態閾值。

3反饋策略的數學模型

3.1 策略的原理

研究將所有時隙分為如圖5所示的直傳時隙和調整時隙。目前MEC服務器在直傳時隙完成對傳輸過程的評估，并進行數據包傳輸。在調整時隙，MEC服務器需要根據觀測值統計結果調整預測的OBU緩存分布。

圖5預測時隙圖

Fig.5Predictiontimeslotplot

假設傳輸性能穩定所需的時間為 t_observe ，則 t_?0 到 t_observe-1 為直傳時隙，數據傳輸性能優于預設指標值，MEC服務器直接將數據包傳輸至OBU。 t_observe 時隙為調整時隙，數據傳輸性能劣于預設指標值，MEC服務器根據觀測時隙統計的排隊情況對預測隊長分布進行調整，依據該分布發送數據包到OBU。

3.2兩種反饋策略的數學模型

基于以上預測模型，在每個觀測時隙，MEC服務器預測的車載端空余隊長分布可表示為

式中： 表示預測車載端可存人 i 個數據包的概率。結合反饋策略對預測空余隊長分布進行修正，可獲取MEC服務器向OBU傳輸數據包數量遵循的概率分布向量

式中： P_m（i） 表示MEC服務器向OBU傳輸 i 個數據包的概率。根據空余隊長期望 ，可以建立傳統的本地計算機制（allocal computing mechanism，ALCM）、基于邊緣緩存的全卸載計算機制（alloffoadingcomputing mechanism with caching，AOCM）、基于邊緣緩存的V2I卸載機制（V2I collborative caching and re-source allocation，V2I-CCRA）[5和提出的概率傳輸策略（probability transport strategy，PTS）數學模型。ALCM策略需要將所有任務在車載端進行計算處理，AOCM策略需要將所有任務都卸載到OBU進行計算。ALCM、AOCM、V2I-CCRA和PTS策略可分別用 P_m¹，P_m²，P_m³ 和 P_m⁴ 表示

4數值分析

研究提出的評估框架最顯著優點是可以靈活控制評估框架中的到達業務類型、信道環境、反饋策略、OBU和MEC服務器的硬件設置。為了簡化計算量，對信道狀態和所有業務特征都僅考慮2種到達狀態，對應狀態矩陣也僅考慮2種 和 設定OBU處理時隙間隔為 u_?H=1 （時隙/業務），服務器端處理時隙間隔為 u_/L=2 （時隙/業務），到達業務流量特性、可靠實時特性和觸發特性的忙時特性狀態為w_n=w_l=w_z=0 ，其他默認參數如表1所示。

表1默認參數

Table1 Defaultparameters

為了評估當前提出策略的性能，將其與ALCM，AOCM和V2I-CCRA ^[s]3 種策略進行性能比較。圖6清晰地展示了反饋策略對傳輸性能的影響。設置參數如表2所示，考察大量、高可靠實時特性的不流行業務。設 ， p=0，0.1，…，1 。從圖中可以發現，V2I-CCRA策略和提出的PTS策略的各項性能都比傳統的ALCM和AOCM策略優越 50% 以上，而PTS策略和V2I-CCRA策略下的吞吐、拒絕指標則近似相當，PTS策略下的時延指標比V2I-CCRA策略下優越 5%～30% 。由于到達的重要不流行業務會在OBU端進行處理和傳輸，隨著信道通信環境變差，傳輸系統的吞吐量變小，拒絕包數變多、系統時延變大。仿真結果證實了PTS策略的有效性，證明了本系統可以較明確地評估采用不同策略的傳輸系統在不同類型到達業務下的性能。

表2仿真2到達狀態對應業務特性

Table2 Characteristics of thearrival statein simulation2

為了驗證到達模型的合理性和系統對到達模型的兼容性，設置參數如表3所示，圖7展示了當不同類型業務到達時，隨著OBU容量變大，傳輸系統在給定反饋策略和卸載策略下的性能。當OBU容量逐漸變大時，由于不重要業務會優先存儲在MEC服務器，OBU吞吐量不變。由于反饋策略和OBU容量的限制，MEC服務器反饋數據包的數量存在上限。當不重要業務到達量逐漸增多時，OBU終端拒絕的數據包也會變多。時延指標則體現了系統對不重要業務的存儲量存在最大限度。此外，到達狀態2～5在所有性能上波動都不超過自身的 1%～2.5% ，說明傳輸系統中可靠實時特性和流量特性變化對系統性能影響較小、在設計卸載策略和反饋策略時可以較少考慮。但相較到達狀態6和7下的傳輸性能，差距達到自身的 25%～33% ，可以認定流行特性的忙時特性對策略和傳輸系統的設計較為重要。

為了探究服務器和OBU處理器速率對系統性能的影響，在圖8中逐漸降低OBU傳輸速率，并控制服務器的處理速率比OBU處理速率低一個時隙，考慮到達業務到達狀態如表3所示。如圖8所示，隨著OBU和服務器的處理速率降低，系統的傳輸性能普遍降低為初始性能的 80% 左右。但在到達狀態7下系統的性能一直保持較好的水平且波動不超過最好狀態的 15% ，說明當到達業務具備量少、觸發特性和忙時特性時，可以采用處理性能較差的傳輸系統。

表3仿真3業務到達狀態對應業務特性

Table3 Characteristicsofthearrival stateinsimulation3

綜上所述，所提的框架可以在評估服務器到端的傳輸性能時靈活調控卸載反饋策略、傳輸環境等多種參數，對到達業務的各項特性量化效果良好，為設計卸載反饋策略、評估傳輸性能提供參考。

5結論

針對車聯網中業務類型的爆發式增長和時變特性、在一定成本限制下使卸載反饋策略的設計更能滿足傳輸需求，筆者提出了時變多類型業務下的通用緩存調度分析框架。該框架是基于馬爾可夫鏈蒙特卡羅的馬爾可夫調制服務過程模型，實現了業務類型在量和時變程度上的極大可配置性，針對不同的卸載反饋策略提供傳輸性能指標，為更好設計卸載反饋策略提供參考。基于該框架，研究提出一種卸載反饋策略，并探究了不同卸載反饋策略、不同處理器硬件配置和到達不同類型業務在傳輸性能上的相關性，指出卸載反饋策略以及不同的處理器配置適合處理業務的類型。實驗結果表明，該框架可以在考慮多類型時變業務情況下，適應不同的卸載反饋策略并量化處理器速率以呈現卸載反饋策略和處理器速率對傳輸系統的影響，為選取處理器和設計卸載反饋策略提供參考。研究可以為建立車聯行為的綜合分析模型提供參考，為6G多傳感器通感一體化前景提供仿真模型。但目前由于計算復雜度，框架僅能考慮一對邊緣服務器和車輛，后續研究以降低框架復雜度、建立車聯網網絡模型作為研究目標。

參考文獻

[1]黃永明，鄭沖，張征明，等.大規模無線通信網絡移動邊緣計算和緩存研究[J].通信學報，2021，42（4）：44-61. HuangYM，Zheng C，Zhang ZM，etal.Research onmobile edgecomputingandcaching in massive wireless communication network[J]. Journal on Communications，2021，42（4）： 44-61.

[2]XuJ，ChenL，Zhou P.Jointservice cachingandtask ofloading formobileedgecomputing in dense networks[C]/EEE INFOCOM 2018 Conference on Computer Communications. Honolulu： IEEE， 2018： 207-215.

[3]Zhang S，LiJ，LuoH，etal.Low-latencyand freshcontent provisionininformation-centricvehicularnetworks[J].EEE Transactions on Mobile Computing，2022，21（5）：1723-1738.

[4］張建軍，代帥康，張本宏.車聯網中基于任務緊急性的聯合卸載方案[J].電子測量與儀器學報，2020，34（11）：66-71. Zhang JJ，Dai SK，Zhang BH.Joint offoading methodbasedon task urgencyin theVANETs[J].Journalof Electronic Measurement and Instrumentation，2020，34（11）： 66-71.（in Chinese）

[5］李方偉，張海波，王子心.車聯網中基于MEC的V2X協同緩存和資源分配[J].通信學報，2021，42（2）：26-36. LiF W，Zhang H B， Wang Z X， V2X colaborative cachingand resource alocation in MEC-based IoV[J]. Journal on Communications，2021，42（2）：26-36.（in Chinese）

[6]LiuY，YuH，XieS，etal.Depreinforcementlearningforoloadingandresourcealocationinaehicleedgecomputingand networks[J]. IEEE Transactions on Vehicular Technology，2019， 68（11）：11158-11168.（in Chinese）

[7］董振江，古永承，梁健，等.C-V2X車聯網關鍵技術與方案概述[J].電信科學，2020，36（4）：3-14. Dong Z J，Gu Y C，Liang J，et al.Overview on keytechnology andsolution of C-V2X for internet of vehicles[J]. Telecommunications Science，2020，36（4）：3-14.（in Chinese）

[8］王海陶，宋小明，盧紀宇.物聯網業務特征及業務模型研究[J].廣西通信技術，2012（3）：43-49. WangHT，Song XM，LuJY.Theresearch oncharacteristicsand service model of internetof things[J].Guangxi Communication Technology，2012（3）： 43-49.（in Chinese）

[9］程一凡，曲至誠，張更新.低軌衛星星座物聯網業務量建模[J].電子與信息學報，2021，43（4）：1050-1056. ChengYF，QUZC，Zhang GX.Traffic modelingforlowearthorbit sateliteconstelaton internetof things[J].Journalof Electronics and Information Technology，2021，43（4）：1050-1056.（in Chinese）

[10]張海霞，李腆腆，李東陽，等.基于車輛行為分析的智能車聯網關鍵技術研究[J].電子與信息學報，2020，42（1）：36-49. ZhangHX，LiDD，iDY，etal.Researchonvehiclebhavioranalysisbasedtechnologies forinteligentvehicularetworks [J].Journal of Electronics and Information Technology，2020，42（1）：36-49.（in Chinese）

[11]侯世武，譚獻海.典型物聯網業務流量特性研究分析[J].物聯網技術，2017，7（6）：40-42，46. Hou SW，TanXH，Researchandanalysisoftraficcharacteristicsof typicalIoTservices[J].InternetofThings Techologies， 2017，7（6）： 40-42，46. （in Chinese）

[12]ZhuY，hengM，LiJ.Modelingandperformanceanalysisforatelitedatarelanetworksusingtwodimensionalmarkomodulated process[J].IEEE Transactions on Wireless Communications，2020，19（6）：3894-3907.

[13]SilvaL，MagaiaN，Sousa B，etal.Computing paradigmsinemergingvehicularenvironments： areview[J].IEEE/CAAJoual of Automatica Sinica，2021，8（3）： 491-511.

[14]PengK，NieJ，KumarN，etal.Jointoptimzationofservicechaincachingandtaskofloainginmobileedgecomputing[J]. Applied Soft Computing，2021，103：107142.

[15］戚艾林，李旭杰，陸睦，等.基于遺傳算法的5G車聯網的數據協作分發策略研究[J].國外電子測量技術，2019，38（01）： 33-37. QiAL，LiXJ，Lu M，etal.Researchondata cooperativedistribution strategies of5G networkedvehiclesbasedongenetic algorithms[J].Foreign Electronic Measurement Technology，2019，38（01）：33-37.（in Chinese）

[16]耿珂，胡坤，高強等.復雜環境下雙向協作通信研究[J].電子測量技術，2019，42（01）：116-120. KeJ，Hu K，GaoQ，etal.Researchonbidirectionalcooperativecommunicationincomplexenvironment[J].Electronic Measurement Technology，2019，42（01）：116-120.（in Chinese）

[17]Zhang M，ZuXZhangB，etal.Acro-laerperformanceevauatiosystemforspectrumsensingadallcationtrategies in CR-WSN[J]. IEEE Sensors Journal，2024，24（9）： 15355-15366.

[18]MetzgerF，HoBfeldT，BauerA，etal.ModelingofaggegatedItraficaditsapplicatiotanoloud[J].Procedingsof the IEEE，2019，107（4）： 679-694.

[19]Zhang M，Zhu XY，Wang S，etal.Achannelalocationframework underresponsive pricinginheterogeneous cognitiveradi network[J].IEEE Transactions on Cognitive Communications and Networking，2023，9（4）： 872-883.

[20]Wang S，LanH，ZhuX，etal.Aperformanceevaluationsystemofchanelallocation protocolbasedonprobabilityvectors for cognitiveradionetwork[C]/2021 IEEE4th International ConferenceonElectronics Technology （ICET）.Chengdu，China： IEEE，2021：1062-1067.

[21]羅峰，馬逸飛，郭怡，等.車載時間敏感網絡鏈路冗余調度性能分析[J].儀器儀表學報，2023，44（02）：278-287. LuoF，MaYF，GuoY，etal.Analysisoftime-sensitivenetworklinkredundancyschedulingperformane[J].ChineseJoualof Scientific Instrument，2023，44（02）： 278-287.（in Chinese）

（編輯 侯湘）