邊緣計算環境下智能車聯網任務卸載與資源分配協同優化研究

中圖分類號：U462 收稿日期：2025-04-20 DOI： 10.19999/j.cnki.1004-0226.2025.08.009

Collaborative Optimization of Task Unloading and Resource Allocation of intelligent Internet of Vehicles in Edge Computing Environment

Zhu Yanyan Qin XiaoleiFu Zhao Shi Jinhong Science and Technology College of Hubei University of Arts and Science，Xiangyang 441025，China Abstract：Therapiddevelopmentofintelligentconnectedvehicles poses aseverechallenge tothecomputingcapabilitiesof vehicles，andtraditionalcloudcomputingmodelsareunabletomeetreal-timerequirementsdue totansmissondelays.Edgecomputing，by deployingdistribtedodesatteedgeoftenetwork，provdesnarprocesingcapabilityforvehicletasksndbecoesthkeytech nologtsolvethisproblem.Focusingonthecollbrativeoptimzatiooftaskuloadingandresouealocationoftheinteetofvecles intheedgecomputingenvironment，thispapersystematicallanalyzestheelevanttheoreticalbasisandresearchstatus，buildsa collaborativeoizationmodel itegatigdnaicseearacteristis，anddiscuesitsapplicationaluininteligenttraspta tion，providing theoretical and technical reference for improving the performance ofthe Internet ofvehicles system.

Keywords：Edgecomputing;Intelligentvehiclenetworking;Taskuinstallation;Resourceallocation;Collaborativeotation

1前言

隨著5G、人工智能與物聯網技術的深度融合，智能車聯網正從概念走向規模化應用。車輛通過車與車（V2V）、車與路（V2I）等通信模式實現實時信息交互，催生了自動駕駛、智能交通管理等新型應用。然而，車載終端受限于體積、功耗和成本，計算能力難以支撐高清環境感知、復雜路徑規劃等任務的實時處理需求。傳統云計算模式下，數據需經長距離傳輸至云端處理，導致數百毫秒級延遲，無法滿足碰撞預警等安全關鍵型任務的時效性要求。在智能車聯網中，任務卸載與資源分配是邊緣計算落地的核心環節，任務卸載決定了計算任務的執行位置，資源分配則影響任務處理的效率與質量。二者的協同優化能夠平衡系統延遲、能耗與資源利用率等因素，是提升智能車聯網整體性能的關鍵突破口[1]。

2協同優化模型在智能交通中的應用價值

2.1強化自動駕駛安全性與可靠性

自動駕駛依賴實時環境感知與決策能力，而車載終端受限于體積和功耗，難以獨立處理高頻、復雜的傳感器數據（如激光雷達點云、高清攝像頭視頻流等）。通過協同優化模型將感知任務卸載至邊緣計算節點，可顯著縮短處理鏈路：邊緣計算節點憑借高算力GPU和專用算法，可在毫秒級完成目標檢測、路徑規劃等任務，并將結果實時反饋給車輛。

2.2提升交通流量動態調控效率

傳統交通信號燈依賴固定配時方案，難以應對實時交通波動。協同優化模型可通過邊緣節點實時采集區域內車輛位置、速度、目的地等數據，結合任務卸載策略動態分配計算資源，實現交通信號配時的智能優化。

2.3推動綠色低碳交通體系構建

協同優化模型通過精準匹配任務需求與資源供給，從硬件和能效兩個層面助力交通領域節能減排。一方面，車載終端無需配置高功耗計算芯片，可采用低算力、低功耗的邊緣協同方案，使車載設備能耗降低 40% ）60% ，延長電動汽車續航里程；另一方面，模型通過優化任務卸載路徑和資源分配策略，減少車輛無效繞行和怠速等待時間[2]。

3邊緣計算環境下智能車聯網任務卸載與資源分配現狀分析

3.1任務卸載現狀

當前任務卸載策略的研究已取得一定進展，多種策略在不同場景下展現出獨特優勢，例如，針對某城市智能公交系統進行實驗，采用基于機器學習的卸載策略后，任務處理延遲從傳統云計算的 320ms 降低至45ms ，能耗減少 28%^[3] 。具體數據對比如表1所示。

表1不同任務卸載策略性能對比

a.從策略類型來看，基于規則的卸載策略適用于靜態網絡環境，其平均延遲為 150ms ，能耗為12.5J/任務。該策略通過預設規則實現任務卸載，在網絡環境穩定、任務類型相對固定的場景中易于實施，但缺乏對動態變化的適應性。

b.基于優化的策略可應用于部分動態環境，平均延遲降至 90ms ，能耗降低至9.8J/任務。它通過數學優化方法對任務卸載進行建模和求解，能在一定程度上適應網絡和任務的動態變化，但在高動態場景中仍存在局限性。

c.基于機器學習的卸載策略在高動態車聯網環境中表現卓越，平均延遲僅為 45ms ，能耗低至7.2J/任務。

3.2資源分配現狀

動態資源分配在實時性要求高的場景中優勢顯著，與靜態資源分配相比展現出更強的性能提升。例如，上海某智慧路口項目就是動態資源分配的成功實踐。在該項目中，邊緣節點根據實時交通流量動態分配帶寬資源。在高峰期時，高優先級任務（如緊急制動信號）的帶寬占比從 30% 提升至 70% ，任務響應時間縮短至 20ms 以下，路口事故率下降 18% 。這一案例充分證明了動態資源分配在提升系統實時性和安全性方面的重要作用[4]。

3.3協同優化現狀

協同優化模型在復雜場景中具有顯著優勢，能夠實現任務卸載與資源分配的有機結合，提升系統整體性能。杭州某物流園區采用協同優化模型，將路徑規劃任務卸載至邊緣節點，并結合實時資源分配策略。經過實踐驗證，園區內車輛的平均等待時間減少 37% ，燃油效率提升 15% ，年碳排放量降低約 120t^[5] 。

4邊緣計算環境下智能車聯網任務卸載與資源分配協同優化模型構建

4.1系統模型建立

為構建有效的協同優化模型，需建立合理的系統模型，明確相關參數和場景假設。假設某區域部署10個邊緣節點（E1～E10），覆蓋500輛智能網聯汽車（V1～V500）。每個邊緣節點的計算能力為8核CPU/32GB內存，最大帶寬為1Gbps。任務模型參數示例見表2，不同任務類型在計算量、數據量、優先級和截止時間等方面存在明顯差異[6]。

表2典型車載任務參數示例

北京某高速路段通過該模型實現任務卸載決策，取得了良好的效果。實驗表明，高優先級任務卸載至邊緣節點的比例達 95% ，云端負載降低 70% ，系統整體延遲控制在 60ms 以內，有效保障了高速路段的交通安全和通行效率[7]。

4.2優化目標確定

協同優化模型通過權重分配實現多目標優化，不同場景下的權重設置需根據實際需求進行調整。在安全敏感場景中，設置權重為：延遲0.6、能耗0.2、資源利用率0.2。表3展示了不同權重下的優化效果。當權重組合為 0.6：0.2：0.2 時，總延遲為 58ms ，總能耗 850kJ ，資源利用率 88% ，能夠較好地滿足安全敏感場景對延遲的嚴格要求。若權重組合調整為 ，總延遲上升至72ms ，總能耗降低至 720kJ ，資源利用率降至 82% ，更側重于能耗的優化[8]。

表3不同權重組合下的優化效果對比

4.3約束條件分析

在協同優化過程中，需充分考慮各種約束條件，以確保模型的可行性和有效性。廣州某智慧停車場采用動態約束調整機制，為約束條件的處理提供了有益借鑒。當邊緣節點E3的CPU負載超過 80% 時，系統自動將 10% 的低優先級任務遷移至鄰近節點E4，確保高優先級任務處理時間始終低于 50ms ，資源利用率穩定在 85% 以上。這種動態調整機制能夠根據節點負載情況及時優化任務分配，保障高優先級任務的順利執行，同時維持系統資源的合理利用[9]。

5結語

邊緣計算環境下智能車聯網的任務卸載與資源分配研究已取得顯著進展，不同策略和模型在各自場景中發揮了重要作用。任務卸載策略從基于規則、優化到機器學習不斷演進，資源分配從靜態向動態發展，協同優化模型則進一步整合兩者優勢，提升系統整體性能。未來研究可圍繞這些方向展開，深人探索更高效的任務卸載與資源分配策略，完善協同優化模型，推動邊緣計算在智能車聯網中的廣泛應用，為智能交通的發展提供更強大的技術支撐[10]。

參考文獻：

[1]王云鵬，魯光泉，陳鵬，等.智能車聯網基礎理論與共性關鍵技術研究及應用[J].中國科學基金，2021，35（S1）：185-191.

[2]張巍.面向車路協同的車端計算任務卸載策略研究[D].南京：南京林業大學，2024.

[3]李明.基于機器學習的車聯網任務卸載策略研究[J].計算機工程，2023，49（2）：45-52.

[4]陳曉華.動態資源分配在智能交通系統中的應用[J].通信學報，2022，43（7）：112-120.

[5]張偉.車聯網任務卸載與資源分配協同優化模型[J].人工智能與機器人研究，2024，15（1）：33-41.

[6]姚美菱，張星，李莉，等.基于車路協同的車聯網體系架構及關鍵技術分析[J].電信快報，2021（6）：10-13.

[7]黎新海.車聯網環境下復雜交通信息協同的微觀建模與優化控制[D].桂林：廣西師范大學，2024.

[8]楊樹.車聯網中多虛擬車協同服務方法研究[D].北京：北京郵電大學，2018.

[9]朱凱男，朱永東，趙志峰，等.面向智能網聯汽車邊緣網絡的分布式端-邊協同算法[J].無線電通信技術，2022，48（1）：103-110.

[10]Liang Haihong.Multiobjective optimization method of coevolution tointellgent agricultural dynamic servicesunder the internet of thingsenvironment[J].Wireless Communicationsamp; Amp：Mobile Comput-ing，2021，2021.

作者簡介：朱艷艷，女，1981年生，副教授，研究方向為網絡安全。