0 引言

    車聯網(Vehicle Ad Hoc Networks，VANETs)為車輛之間的內容訪問提供網絡連接和基本通信支持^[1]。現今VANETs主要研究在分布有路邊單元(Road Side Unit，RSU)和大量通信基礎設施的城市，在高速公路上的研究相對較少。高速公路上的車輛分布稀疏，車輛連通性降低^[2]。在車與車(Vehicle to Vehicle，V2V)模式下，通信質量差，內容訪問困難。因此，有必要研究高速公路上的車輛交通和內容訪問。

    高速公路上的VAENT具有高速、低密度和高度動態網絡拓撲的特征。在高速公路上訪問感興趣的內容和關于目的地的信息較難。VANET計算和通信能力^[3]會遇到瓶頸，而云計算可以彌補計算能力的不足。OLARIU S提出了一個車輛云系統，這些獨立車輛可以將計算和通信任務分配給經過認證的節點^[4]，提高服務質量(Quality of Service，QoS)。文獻[5]提出了高速公路上車輛通信的合作下載機制。然而，高速公路RSU的分布很稀疏，云服務造成了大量的傳輸延遲。為降低傳輸延遲，霧計算通過本地化的轉發，滿足本地需求，如減輕云服務的負擔以及分析實時數據流等^[6]。任何能夠存儲數據、計算和網絡連接的設備都可以成為霧設備，包括移動車輛和道路基礎設施。

    霧計算逐漸成為分布式計算存儲的新角色^[7]。然而，雖然計算在網絡邊緣被卸載，但所有車輛要求霧計算時必然會造成大量延遲。在文獻[8]中，基于霧服務的資源分配和終端的體驗質量(Quality of Experience，QoE)來評估通信的QoS。

    內容訪問是VANET應用的重要組成部分。而在高速公路上，車輛在地理上分散，內容緩存對于V2V之間的訪問尤為重要。與云計算相比，霧計算可以保證本地快速轉發。在文獻[9]中，通過停放的車輛和行駛緩慢的車輛作為通信基礎設施，將這些個體整合到信息資源池中可以實現低延遲的通信和計算。

    本文以高速公路服務區為研究對象，將霧計算與云計算相結合，實現高速公路的內容訪問。接下來本文利用霧計算卸載計算任務到本地來實現低延遲服務。通過霧計算和云計算協作降低高速公路服務區內容訪問的系統延遲，本文將系統劃分為霧計算優化和云計算優化。在云計算優化時創新性地使用外部近似法(Outer Approximation，OA)優化云服務延遲，從而降低系統延遲。

1 高速公路服務區內容訪問模型

    本文提出了一種基于霧計算的高速公路服務區內容訪問的模型。在本文提出的模型中，高速公路服務區匯集所有閑置資源并將計算卸載到本地車輛。它作為信息接入點，為高速公路上的司機提供內容訪問。

    如圖1所示，該模型將公路服務區內的停放車輛和行駛緩慢的車輛作為通信基礎設施。進入服務區的車輛既是訪問內容的終端節點，也是承擔數據轉發和計算任務的霧設備。車輛通過霧計算來執行數據本地轉發和通信中繼的任務。霧設備根據收集的信息，將車輛分布到不同的類別中，如圖1中A、B和C所示，其中A為優先級最高的安全消息，B為道路和交通信息，C為娛樂信息。

    霧計算本地化和實時響應的屬性允許這些霧設備的車輛具有相當大的計算和通信能力，彌補了分布稀缺的RSU和云服務較高的負載本地化的不足。當并發流量很大時，霧設備請求遠程云服務提供計算支持。通過高速公路上的服務區和進入服務區的車輛可以訪問感興趣的內容。為了保證訪問內容的QoS，本文分析了霧與云之間的通信模型，并優化了系統通信延遲和能量消耗之間的關系。

2 系統通信延遲優化

2.1 霧-云通信模型

    為了研究由霧與云通信過程引起的延遲和功耗，本文建立了高速公路服務區內容訪問的霧—云通信模型。如圖2所示，高速公路上的車輛可以作為終端節點發送數據請求。車輛進入服務區或者經過服務區時可以訪問內容。服務區內停泊的車輛和行駛緩慢的車輛充當霧設備，這些請求被發送到霧設備上。利用閑置資源進行本地化的低延遲計算共享信息以及其他服務。當并發處理能力不足或無法獲得感興趣的內容時，霧設備訪問云服務器尋求幫助。服務區資源池同時執行霧計算和云計算。這個由三部分組成的系統將面臨能量消耗和延遲權衡的問題。

    本文將考慮系統之間的功耗和通信延遲，并改進現有方法中實現低延遲通信的方法。本文將以公式的形式來量化通信模型，并且在優化模型階段使用OA算法來優化云能量消耗和通信延遲。

    由于霧設備分布較廣且每臺霧設備性能有差異，在此使用α、P分別表示霧設備、霧設備的數目，i作為霧設備字母的下標。同時，利用β、Q表示云服務器、云服務器的數目，j作為云服務器字母的下標。霧設備在工作時，受限于自身性能，需要著重考慮計算所帶來的能量消耗。并且當并發訪問量增大時，伴隨著能量消耗的提升。為不失一般性，本文通過表達每個霧設備i的能量消耗，w_i表示第i個霧設備工作分配量，單位為request/s，a_i、b_i、c_i為常數：

2.2 優化能量和延遲

    霧計算具有降低本地延遲，為用戶提供高質量的內容訪問和服務速率的特性。本文對霧計算參與的系統優化能量和延遲，研究考慮了在保證終端要求的時延限制同時最小化霧計算系統的能量消耗問題，需要最小化霧設備和云服務器產生的能量消耗，即：

    接下來解決霧設備能量消耗和計算延遲的權衡問題1和云服務器的能量消耗和通信延遲的權衡問題2。

    問題1為霧設備的能量消耗和通信延遲，η_i為能量消耗和計算延遲的權重。

    問題2為云服務器的能量消耗和通信延遲，f是連續變量，n、c是整型變量。為得到最優的結果，本文將使用OA算法連續迭代上下界的形式，一旦得出最優的f′和n′，就能得出最優c′，以及霧和云服務器能量消耗的限制函數。用F表示目標函數、G(c)和H(c，f，n)表示限制條件，有：

    問題1是一個線性限制的凸函數問題，為求函數最小值，求得最優解，這個問題可由內點法來解決，來得出霧設備上的能量消耗和產生延遲的最優方案。

    問題2是云服務上能量消耗和延遲的權衡的子問題，它是一個MINLP問題。由于問題中同時含有連續變量和離散變量，本文中利用OA算法來最優化此問題，將MINLP分解為NLP和MILP來分別求解。

    首先，OA算法將NLP問題分解為NLP1和NLP2。定義初始點f₀和n₀，有目標函數：

    外部近似得到最小的目標函數F^k及限制函數H^k，引入變量為η，將非線性函數的線性化轉化到約束中，條件形式為：

其中，H^j為滿足不等式約束的限制函數。

    之后，在MATLAB中通過函數FMINCON來優化限制通信延遲的問題2。

3 仿真結果分析

    在本節將介紹高速公路服務區車輛通信過程中的霧能量消耗和通信延遲的仿真結果。仿真在MATLAB R2014中利用OA算法來優化云服務的延遲。

    從圖3中可以看出，霧設備請求的數量越多，能量消耗越大，導致通信延遲增加。這是因為霧裝置的功耗與自我處理能力呈正相關。而且進程增加導致通信擁擠，延遲增加。

    圖4給出了采用優化算法后，分配不同工作負載時的系統延遲和功耗。可以發現通過使用OA算法，系統延遲明顯減少。該結果表明，霧計算和云計算相結合可以有效地減少系統通信的延遲。

4 結論

    本文研究了VANETs中高速公路服務區內容訪問的霧計算模型。在該模型中，高速公路服務區被用作巨大的信息資源池以實現內容訪問和通信中繼。霧計算還可以本地化云計算和RSU的計算任務。然后分析了系統通信并公式化系統產生的功耗和通信延遲。本文采用OA算法來優化能耗與通信延遲之間的均衡。仿真結果表明，在系統能耗增加的同時，霧計算明顯降低了系統的通信延遲。這項研究可以優化訪問高速公路內容訪問和中繼通信困難的問題。

參考文獻

[1] WHAIDUZZAMAN M，SOOKHAK M，GANI A，et al.A survey on vehicular cloud computing[J].Journal of Network and Computer Applications，2014，40(1)：325-344.

[2] YOUSEFI S，ALTMAN E，EL-AZOUZI R，et al.Analytical model for connectivity in vehicular ad hoc networks[J].IEEE Transactions on Vehicular Technology，2008，7(6)：3341-3356.

[3] Lei Xiaoying，RHEE S H.A new backoff scheme with collision Detection for IEEE 802.11p vehicular networks[C].IEEE 86th Vehicular Technology Conference(VTC-Fall)，Toronto，Canada，2017：1-5.

[4] ELTOWEISSY M，OLARIU S，YOUNIS M.Towards autonomous vehicular clouds[C].International Conference on Ad Hoc Networks.Springer，Berlin，Heidelberg，2010：1-16.

[5] Wei Zheng，Bai Xiangyu，Feng Yankun.Cooperative download mechanism of vehicle communications on the highway[J].IEEE Access，2015，13(2)：17-19.

[6] KANG K，WANG C，LUO T.Fog computing for vehicular Ad-hoc networks：paradigms, scenarios，and issues[J].Journal of China Universities of Posts & Telecommunications，2016，23(2)：56-65.

[7] MAYER R，GUPTA H，SAUREZ E，et al.FogStore：toward a distributed data store for fog computing[C].2017 IEEE Fog World Congress(FWC)，Atlanta，GA，USA，2017：1-6.

[8] AAZAM M，ST-HILAIRE M，LUNG C H，et al.MeFoRE：QoE based resource estimation at Fog to enhance QoS in IoT[C].IEEE 23rd International Conference on Telecommunications(ICT)，Thessaloniki，Greece，2016：1-5.

[9] HOU X，LI Y，CHEN M，et al.Vehicular Fog computing：a viewpoint of vehicles as the infrastructures[J].IEEE Transactions on Vehicular Technology，2016，65(6)：3860-3873.

作者信息:

馬  偉1，2，邵彩幸1，2，劉明志1，2

（1.西南民族大學 計算機系統國家民委重點實驗室，四川 成都610041；

2.西南民族大學 計算機科學與技術學院，四川 成都610041）