Joint Offloading and Resource Allocation in Vehicular Edge Computing and Networks
计算密集型车载应用的出现对提供所需的计算能力和保持高性能提出了重大挑战。车辆边缘计算（VEC）是一种新的计算模式，具有通过将计算密集型任务卸载到VEC服务器来改善车辆服务的高潜力。然而，由于每个VEC服务器的计算资源有限，如果所有车辆选择相同的VEC服务器来卸载它们的任务，则卸载可能不是高效的。为了解决这个问题，在本文中，我们提出了卸载与资源分配。我们结合通信和计算来推导任务处理延迟。我们将该问题描述为系统效用最大化问题，然后开发一种低复杂度算法来联合优化卸载决策和资源分配。数值结果表明，我们的联合优化选择和计算（JOSC）算法相比，最先进的解决方案的优越性能。
2018-07-23 cs.NI
Vehicular Fog Computing Enabled Real-time Collision Warning via Trajectory Calibration
车辆雾计算（VFC）已被设想为一个有前途的范例，使各种新兴的智能交通系统（ITS）。然而，由于无线通信中不可避免的以及不可忽略的问题，包括传输延迟和分组丢失，在实现安全关键应用方面仍然具有挑战性，例如车辆网络中的实时的【形】碰撞警告。本文提出了一种车载雾计算体系结构，旨在通过将计算和通信开销卸载到分布式雾节点，支持有效的、实时的【形】碰撞预警。与系统架构，我们进一步提出了一个基于轨迹校准的碰撞警告（TCCW）算法以及定制的通信协议。具体而言，应用层车辆到基础设施（V2I）的通信延迟是由稳定分布与真实世界的现场测试数据拟合。然后，设计了一种丢包检测机制。最后，TCCW根据接收到的车辆状态，包括GPS坐标、速度、加速度、航向，以及通信时延估计和丢包检测，对车辆轨迹进行实时的【形】形状校正。对于性能评估，我们建立了仿真模型，并实现了传统的解决方案，包括基于云的警告和基于雾的警告没有校准进行比较。仿真结果表明，TCCW算法在大范围的场景下都具有较高的查准率和查全率，具有较好的实用性。
2020-05-23 cs.NI
F-RouND: Fog-based Rogue Nodes Detection in Vehicular Ad hoc Networks
车载自组织网络（VANESTs）促进车辆广播信标消息以确保道路安全。VAN中的流氓节点传播恶意信息，导致潜在的危险，包括车辆碰撞。以前的研究人员使用密码学，信任值或过去的车辆数据来检测流氓节点，但他们遭受高处理延迟，开销和误报率（FPR）。我们提出了基于雾的流氓节点检测（F-RouND），雾计算方案，它动态地创建一个雾利用在该地区的所有车辆的车载单元（OBU）的流氓节点检测。F-RouND的新颖之处在于在高车辆密度下提供低处理延迟和FPR。我们的F-RouND框架的性能进行了模拟使用OMNET++和SUMO模拟器。结果表明，F-RouND确保低45%的处理延迟，低12%的开销，并在高车辆密度降低FPR 36%，现有的流氓节点检测方案相比。
2021-02-01 cs.NI
A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning
物联网（IoT）设备生成的大量数据需要云、边缘和雾计算范式提供的计算能力和存储容量。每种计算模式都有自己的优点和缺点。云计算提供了增强的数据存储和计算能力，但会导致高通信延迟。边缘计算和雾计算提供类似的服务，具有较低的延迟，但容量，能力和覆盖范围有限。单一的计算范式无法满足物联网设备的所有要求，需要在它们之间建立联盟来扩展它们的容量、能力和服务。这种联合对用户和提供商都有好处，也揭示了云、边缘和雾之间流量卸载的研究问题。传统上，优化用于解决流量卸载问题。然而，在这样一个复杂的联邦系统中，传统的优化无法跟上决策制定的严格延迟要求，从毫秒到亚秒。机器学习方法，特别是强化学习，因此变得流行，因为它们可以快速地解决具有大量未知信息的动态环境中的卸载问题。这项研究提供了云、边缘和雾之间的一种新的联邦分类，并为不同的联邦场景提供了一个全面的研究路线图。我们调查的各种优化方法来解决这个卸载问题的相关文献，并比较其显着特点。然后，我们提供了一个全面的调查卸载联邦系统与机器学习的方法和经验教训，作为这些调查的结果。最后，我们概述了未来的研究和挑战，必须面对的几个方向，以实现这样的联邦。
2022-02-22 cs.NI
Energy Efficient Software Matching in Distributed Vehicular Fog Based Architecture with Cloud and Fixed Fog Nodes
车载单元的快速发展和自动驾驶汽车在现代城市中的扩散创造了一种新的雾计算范式的潜力，称为车辆雾计算（VFC）。在本文中，我们提出了一种架构，集成了车辆雾（VF）组成的车辆聚集在一个停车场与一个固定的雾节点在接入网络和中央云。考虑到在车辆中部署软件包的不同方法，我们研究了VF中的节能软件匹配问题。
2020-04-27 cs.NI eess.SP
The Price of Fog: a Data-Driven Study on Caching Architectures in Vehicular Networks
预计车辆用户将消耗大量数据，用于娱乐和导航目的。这将给蜂窝网络带来压力，只有在适当的缓存到位的情况下，蜂窝网络才能够应对这样的负载，这反过来又引出了一个问题，即哪种缓存架构最适合处理车辆内容消费。在本文中，我们利用一个大规模的，人群收集的跟踪（i）车辆交通需求的特点，在整体规模和内容分解，（ii）评估不同的缓存方法如何执行对这样一个现实世界的负载，（iii）研究推荐系统和本地内容的影响。我们定义了一个价格的雾度量，表示额外的缓存容量部署时，从传统的集中式缓存架构的“雾计算”的方法，其中缓存更接近网络边缘。我们发现，对于特定位置的内容，如车辆用户最有可能要求，这样的价格几乎消失。因此，车载网络为采用移动边缘缓存提供了强有力的理由，因为我们能够从中获益-包括减少数据在核心网络内的传输距离-几乎没有或没有相关的缺点。
2016-05-20 cs.NI
Reinforcement Learning for Resource Allocation in Vehicular Multi-Fog Computing
针对车载多雾计算中动态车辆移动和波动负载导致的资源分配难题，本文将其建模为马尔可夫决策过程，应用Q-learning、DQN和Actor-Critic等强化学习算法实现自适应任务分配，有效降低了延迟并提升了负载平衡与任务成功率。
2025-10-31 cs.NI
Grey Wolf-Based Task Scheduling in Vehicular Fog Computing Systems
本文提出一种基于灰狼优化的车载雾计算任务调度算法，通过多目标优化降低完工时间和货币成本，实验证明其成本最低。
2024-12-15 cs.NI
Delay Sensitive Task Offloading in the 802.11p Based Vehicular Fog Computing Systems
车雾计算（VFC）被认为是一种很有前途的解决方案，以处理自主车辆网络中的爆炸性任务。在VFC系统中，任务卸载是高效处理计算密集型任务的关键技术。在任务卸载中，任务根据802.11p标准被传送到VFC系统，并由VFC系统中的计算资源处理。任务卸载的延迟，包括传输延迟和计算延迟，是非常关键的，特别是对于一些延迟敏感的应用。此外，系统的长期奖励（即，联合考虑传输延迟、计算延迟、可用资源以及车辆和任务的多样性）对于提供商来说变得非常重要。因此，在这篇文章中，我们提出了一个最佳的任务卸载方案，以最大限度地提高系统的长期回报，其中802.11p是作为车辆之间的通信传输协议。具体来说，一个任务卸载问题的半马尔可夫决策过程（SMDP）的基础上制定。为了解决这个问题，我们利用基于Bellman方程的迭代算法来逼近期望的解。所提出的方案的性能已被证明了大量的数值结果。
2020-12-02 cs.NI
FlexEdge: Digital Twin-Enabled Task Offloading for UAV-Aided Vehicular Edge Computing
针对无人机辅助车载边缘计算的资源管理问题，提出基于数字孪生的FlexEdge方案，通过深度强化学习的近端策略优化算法联合优化轨迹与资源，有效降低系统能耗。
2023-04-16 cs.NI
Deep Reinforcement Learning for Delay-Optimized Task Offloading in Vehicular Fog Computing
针对车雾计算中任务卸载的延迟优化问题，本文构建含新型车辆移动模型的仿真环境，提出基于深度强化学习的卸载算法，在最小化全局任务延迟与缓解队列拥塞上均优于传统方法，具备自扩展能力。
2024-10-08 cs.NI
Message Dissemination in Connected Vehicles
近年来，基于车辆自组织网络（VANESTs）的连接车辆的进展在以有效方式传播消息方面在智能交通系统（ITS）中获得了显著关注。VANET使用专用短程通信（DSRC）在车辆之间和基础设施之间传播消息。虽然基于DSRC的通信是可行的，但当车辆不在彼此的传输范围内时，及时传播消息仍然具有挑战性。此外，当道路上的车辆密度增加时，DSRC通信信道严重拥塞。为了解决这些限制，采用两种新兴范例：1）车辆云计算和2）车辆雾计算以在连接的车辆环境中在车辆之间传播消息。车辆雾计算使用雾节点在车辆之间传播消息。任何真实世界的对象都可以通过获取1）网络连接性，2）计算性和3）存储性等属性来形成雾节点。在本书的这一章中，我们强调了基于DSRC、车载云计算和车载雾计算等技术的互联车辆中的消息传播的重要性。我们的目标是帮助读者更好地了解互联车辆和通信技术的基本原理，同时在车辆之间和基础设施之间传播信息。
2020-09-03 cs.NI
Performance Analysis of a Device-to-Device Offloading Scheme in a Vehicular Network Environment
我们考虑一个计划卸载交付的内容，以移动设备在车辆网络的情况下。每个内容可以由相邻设备或者在最大延迟到期时由网络基础设施节点递送到请求设备。我们计算内容递送通过设备到设备（D2D）通信被卸载的概率的解析表达式作为D2D通信所允许的最大传输范围、内容流行度和车辆速度的函数。我们表明，使用该模型，它是可能的，以确定最佳的最大传输范围，最大限度地减少总能耗（基础设施加移动设备）。
2020-09-18 cs.NI
Threat Aware Task Offloading and Caching for Secure UAV Assisted Vehicular Consumer Electronics
Xidian University（西安电子科技大学）；Marwadi University（马尔瓦迪大学）；University of Hong Kong（香港大学）
针对车载消费电子VEC系统的安全与性能挑战，提出无人机辅助的协作VEC架构，设计TAGO框架实现威胁感知任务卸载与时空缓存优化，仿真验证其可降低任务延迟、提升缓存效率。
2026-08-19 cs.NI
Vehicular Edge Computing via Deep Reinforcement Learning
智能汽车构成互联网汽车，可以执行各种智能服务。虽然车辆的计算能力有限，但多种类型的边缘计算节点为车辆服务提供了异构的资源，在将复杂的服务卸载到车辆边缘计算节点时，需要考虑多种因素，卸载决策工作主要是将决策归结为具有单个或多个目标函数和约束条件的资源调度问题，并探索定制的调度算法。然而，卸载服务中的多个数据依赖性任务是一个困难的决定，因为最佳解决方案必须了解资源需求、接入网络、用户移动性，以及重要的数据依赖性。受机器学习最新研究成果的启发，提出了一种基于知识驱动的车辆服务卸载决策框架，直接从环境中获取最优策略。我们将服务中多任务的卸载决策制定为长期规划问题，并探索最近的深度强化学习以获得最优解。它考虑了未来的数据依赖性的后续任务时，从学习卸载知识的当前任务的决策。此外，该框架支持在强大的边缘计算节点上进行预训练，并在执行车辆服务时持续在线学习，从而能够适应环境变化并学习事后明智的策略。仿真结果表明，KD业务卸载决策收敛速度快，适应性强，性能优于贪婪卸载决策算法。
2020-02-11 cs.NI
DFCV: A Novel Approach for Message Dissemination in Connected Vehicles using Dynamic Fog
车载自组织网络（VANET）已成为一个有前途的解决方案，以提高道路安全。由于车辆的高移动性、频繁变化的拓扑结构和车辆的高密度所引起的分组延迟，导致频繁的路由中断和分组丢失，VANET中的消息的路由是具有挑战性的。以前的研究人员已经使用车辆雾计算或云计算中的移动性来解决路由问题，但他们遭受大的数据包延迟和频繁的数据包丢失。我们提出了动态雾联网车辆（DFCV），雾计算为基础的计划，根据通信需求动态创建，增量和销毁雾节点。DFCV的新颖之处在于在高车辆密度下提供较低的延迟和有保证的消息传递。使用由ns-2、SUMO和Cloudsim组成的混合模拟进行模拟。结果表明，DFCV在高车辆密度下保证了有效的资源利用率、较低的分组延迟和丢失率。
2018-05-30 cs.NI
Autonomous Task Offloading of Vehicular Edge Computing with Parallel Computation Queues
University of California, Los Angeles（加州大学洛杉矶分校）；Korea University（高丽大学）
本文提出了一种基于网络合作平衡资源利用率和负载拥堵的自主任务卸载方法，通过理论和数值分析证明其在 vehicular edge computing 中能有效减少总体等待延迟。
2025-11-18 cs.NI
Ready Player One: UAV Clustering based Multi-Task Offloading for Vehicular VR/AR Gaming
随着无人机技术的快速发展，利用无人机进行任务卸载越来越受到学术界的关注。然而，一个无人机和移动边缘计算（MEC）节点之间的实时交互需要处理移动终端用户的任务，这大大增加了系统开销，无法满足大规模人工智能（AI）应用的需求。为了解决这个问题，在这篇文章中，我们提出了一种新的无人机集群架构，以实现高效的多模式多任务任务卸载。通过所提出的架构，计算，缓存和通信资源协同优化使用基于AI的决策。这不仅提高了无人机集群的效率，还为计算和通信的融合提供了见解。
2019-04-08 cs.NI
A Q-Learning Approach for Dynamic Resource Management in Three-Tier Vehicular Fog Computing
Razi University（拉齐大学）；Kermanshah University of Technology（克尔曼沙赫理工大学）
本文提出基于Q学习的动态资源管理方法，用于优化车载雾计算环境中的资源分配，通过强化学习提升系统性能和任务处理效率。
2026-02-16 cs.NI
Joint Task Offloading and Resource Optimization in NOMA-based Vehicular Edge Computing: A Game-Theoretic DRL Approach
车辆边缘计算（VEC）成为新兴智能交通系统发展的一个有前途的范例。然而，有限的资源和大量的传输需求给实现具有严格期限要求的车辆应用带来了巨大的挑战。提出了一种基于非正交多址接入（NOMA）的VEC体系结构，异构边缘节点协作进行实时任务处理。本文建立了车辆到基础设施（V2I）传输模型，同时考虑了边缘内和边缘间干扰，并以服务率最大化为目标，通过联合优化任务卸载和资源分配，建立了协作资源优化（CRO）问题。进一步地，我们将CRO分解成两个子问题，即任务卸载和资源分配。特别地，任务卸载子问题被建模为一个精确势博弈（EPG），并提出了一个多智能体分布式深度确定性策略梯度（MAD4PG），以实现纳什均衡。将资源分配子问题分解为两个独立的凸优化问题，利用基于梯度的迭代法和KKT条件，得到了最优解.最后，基于真实车辆轨迹建立仿真模型，并进行全面的性能评估，验证了所提方案的优越性。
2022-10-24 cs.NI
Fog Computing for Detecting Vehicular Congestion, An Internet of Vehicles based Approach: A review
交通拥堵直接影响交通部门的效率。用于车辆客户端的无线传感器网络用于交通管理应用的基于车辆互联网的解决方案中。研究发现，使用基于车联网的联网车辆技术进行车辆拥堵检测对于拥堵处理实际上是可行的。结果发现，通过在车载无线传感器网络中使用基于雾计算的原理，可以改善系统中的通信，以支持更大数量的节点而不影响性能。本文研究了基于互联车辆技术的车辆拥堵识别技术。研究了可用于车辆网络的计算范例，以开发实际可行的车辆拥塞检测系统，该系统可以准确地执行大覆盖区域和多种场景。所设计的系统预计将检测拥堵，以满足交通管理目标，是智能交通系统中的首要任务。
2019-10-31 cs.NI eess.SP
Computation Offloading and Content Caching Delivery in Vehicular Edge Computing: A Survey
自动驾驶汽车（AV）在支持各种车辆应用之前会生成大量数据。因此，大存储和高计算平台是必要的，并且这通过云计算（CC）的存在而成为可能。然而，由于邻近问题，在云计算处的车辆网络的计算遭受若干缺点，诸如延迟和成本。作为一种解决方案，最近已经提出了在车辆网络的边缘处的计算能力，这被称为车辆边缘计算（VEC）。这导致了车辆在边缘节点卸载和计算数据的其他开放问题，以及数据如何在边缘节点中缓存然后传播到其他车辆。在本文中，我们首先提出了一个概述的VEC架构，包括类型的层，雾节点，通信技术和车辆应用程序，这是用于数据卸载和传播的情况。由于移动性对VEC性能至关重要，因此还讨论了VEC场景中使用的移动性模型。我们广泛审查计算卸载（ComOf）技术以及内容缓存和交付（CachDel）的方法VEC。最后，我们强调了一些关键的研究挑战，问题和未来的工作在文件中
2019-12-17 cs.NI
A Centrality Approach to Select Offloading Data Aggregation Points in Vehicular Sensor Networks
本研究提出一种基于中心性的车载传感器网络数据卸载点选择方法，通过选取车辆作为聚合点，在真实交通模拟中相比预留算法和最优解，降低了30.92%上传成本并提升10.45%聚合率。
2024-09-20 cs.NI
Fogbanks: Future Dynamic Vehicular Fog Banks for Processing, Sensing and Storage in 6G
固定边缘处理已成为5G网络的一个关键功能，同时在减少延迟、提高能效和按需引入灵活的计算资源利用方面发挥着关键作用，并节省了额外的成本。预计自动驾驶汽车将拥有更多的车载处理能力，并具有更好的连接性。车辆继续在一天中的一小部分时间内使用，因此，当车辆处于短期和长期停车场、道路和道路交叉口时，有可能通过利用这些资源来提高处理能力。这些停车场和路段可以通过6G网络转变为车辆雾群或雾库，可以提供处理，存储和传感功能，从而利用未充分利用的车辆资源。我们介绍了Fogbanks的概念，概述了目前在车辆云方面正在进行的研究工作，并提出了在自动驾驶将变得司空见惯的世界中6G的前景方向。此外，我们研究了基于云的Fogbank架构中的处理分配问题。我们解决这个问题，使用混合编程（MILP），以最大限度地减少总功耗的建议架构，考虑到两个分配策略，单一分配的任务和分布式分配。最后，我们描述了建立可靠性、安全性、虚拟化、能源效率、商业模式和标准化所需的其他未来方向。
2020-05-10 cs.NI eess.SP
Agile Data Offloading over Novel Fog Computing Infrastructure for CAVs
未来的互联和自动车辆（CAVs）将由基于云的系统进行监督，该系统负责监督整体安全并协调交通流量。这种系统依赖于从整个城市作战区域的CAV收集的数据。本文为未来的智能交通系统（ITS）开发了一个基于雾计算的基础设施，使CAV数据的敏捷和可靠的卸载。由于CAV预计会产生大量数据，因此假设CAV在单个路侧单元（RSU）附近完成数据卸载是不可行的。CAV预计仅在有限的时间内处于RSU范围内，如果使用传统的数据卸载方法，则需要在不同RSU之间进行数据协调。为此，本文提出了一种敏捷的雾计算基础设施，它将所有RSU互连，以便有效地解决数据协调问题，作为部署随机线性网络编码（RLNC）技术的副产品。我们的数值结果证实了我们的解决方案的可行性，并显示其有效性时，在大规模的城市试验台运行。
2019-03-04 cs.NI
Analysis of an offloading scheme for data centers in the framework of fog computing
在雾计算的背景下，我们考虑一个简单的情况，即数据中心安装在网络的边缘，并假设如果请求到达过载的数据中心，那么它将以一定的概率转发到相邻的数据中心。假设数据中心有大量的服务器，其中一些服务器的流量正在导致饱和。在这种情况下，其他数据中心可以通过接受一些被拒绝的请求来帮助应对这种饱和状态。我们的目标是定性地估计通过相邻数据中心之间的合作所获得的收益。在证明了一些收敛结果，相关的损失系统的缩放限制，为过程中描述的免费服务器的数量在两个数据中心，我们表明，系统的性能可以表示在四分之一平面的随机游走的不变分布。通过使用和发展现有的技术文献中的结果，明确的公式，这样的系统的阻塞率。
2016-06-02 cs.NI
Energy Savings by Task Offloading to a Fog Considering Radio Front-End Characteristics
雾计算可用于从电池供电的物联网（IoT）设备卸载计算密集型任务。虽然它减少了物联网设备中计算所需的能量，但它使用能量与雾进行通信。本文分析了何时使用雾计算比本地计算更节能。详细的能量消耗模型建立在内置的两种情况下的能量消耗和功率放大器（PA）引入的失真之间的关系的焦点设置。数值结果表明，任务卸载到雾是最节能的短，宽带链路。
2021-04-26 cs.DC cs.NI eess.SP
The Impact of Vehicular Traffic Demand on 5G Caching Architectures: a Data-Driven Study
车载娱乐系统和自动驾驶汽车的出现，以及后者对高分辨率、最新地图的需求，将进一步增加汽车消耗的数据量。考虑到车载环境中WiFi卸载的困难程度，大部分额外负载将由蜂窝网络提供。反过来，蜂窝网络将在网络边缘进行缓存，以减少其核心网络的压力，这种方法也称为移动边缘计算或雾计算。在这项工作中，我们利用来自We-Fi应用程序用户的真实世界的大规模跟踪，以便（i）了解车辆用户对全球交通需求的贡献有多重要;（ii）比较不同缓存架构的性能;以及（iii）研究推荐系统和内容局部性如何影响这种性能。我们通过一个名为price-of-fog的指标来表示雾计算的价格，与传统的集中式方法相比，考虑到要部署的额外缓存。我们发现，雾计算允许一个非常显着的减少核心网络上的负载，其价格在所有情况下都很低，变得可以忽略不计，如果内容的需求是位置特定的。因此，我们可以得出结论，车载网络是过渡到移动边缘缓存的绝佳案例：由于车辆需求的特殊特征，我们可以获得雾计算的所有好处，包括减少核心网络上的负载，将缺点降至最低。
2016-11-24 cs.NI
D2D Data Offloading in Vehicular Environments with Optimal Delivery Time Selection
在用于蜂窝网络的设备到设备（D2D）数据卸载系统的框架内，我们提出了一种内容递送管理系统（CDMS），其中选择通过D2D通信将内容发送到请求节点的时刻以最小化传输所需的能量消耗。所提出的系统是特别适合于高度动态的情况下，如车辆网络，其中的网络拓扑结构的变化率是可比的数量级的延迟容忍。我们提出了一个分析框架，能够预测系统的性能，在能源消耗方面，使用工具从点过程的理论，通过模拟验证，并提供一个彻底的性能评估的建议CDMS，在能源消耗和频谱使用。我们的性能分析比较了两个基准系统的性能与所提出的方案的能量消耗和频谱使用。第一个是普通的经典蜂窝方案，第二个是D2D数据卸载方案（我们在先前的工作中提出的），其中一旦在最大D2D传输范围内存在具有所需内容的设备，就执行D2D传输。
2019-01-07 cs.NI
Efficient 3D Road Map Data Exchange for Intelligent Vehicles in Vehicular Fog Networks
通过连接智能车辆以及路边基础设施，可以显著扩展车辆的感知范围，并可以有效地检测和避免盲点处的隐藏物体。为了实现这一点，必须将精确的道路地图数据实时的下载到这些智能车辆中，以用于导航和定位目的。此外，云还必须随着道路网络中发生的动态变化而更新。这些涉及到传输高清3D道路地图数据，以准确地表示物理环境。在这项工作中，我们提出了解决方案下的雾计算架构在异构车辆网络，以优化智能车辆，路边基础设施，以及区域数据库之间的数据交换。具体而言，在路边雾节点的3D道路地图数据传播的效率是通过利用索引编码技术来实现的，以减少整体数据负载，而异构传输的机会主义调度可以做明智地管理网络资源，并最大限度地减少运营成本。此外，3D点云编码和哈希技术被应用于加快网络中的各种动态变化的更新。我们根据车辆的真实移动轨迹和城市街道的3D光检测和测距（LIDAR）数据对所提出的解决方案进行了经验评估。所提出的系统也实现了多机器人试验台的实际评估。
2020-01-13 cs.NI
A Comprehensive Survey on the Convergence of Vehicular Social Networks and Fog Computing
Ontario Tech University（安大略理工大学）
近年来，物联网设备的数量一直在快速增长，这导致了对来自不同物联网设备的原始数据进行管理、存储、分析和决策的挑战性任务，特别是对于延迟敏感的应用。在车辆网络（VANET）环境中，车辆的动态特性使得当前开放的研究问题更具挑战性，由于频繁的拓扑变化，可能导致车辆之间的断开。为此，已经在5G基础设施上的云和雾计算的背景下提出了许多研究工作。另一方面，有各种各样的研究建议，旨在延长车辆之间的连接时间。车辆社交网络（VSN）已经被定义为减少车辆之间的连接时间的负担。本调查报告首先提供了有关雾、云和相关范例（如5G和SDN）的必要背景信息和定义。然后，它向读者介绍了车辆社交网络，不同的度量标准以及VSN和在线社交网络之间的主要区别。最后，本调查调查了在VANESCO背景下的相关工作，这些工作展示了不同的架构来解决雾计算中的不同问题。此外，它提供了不同的方法的分类，并讨论了雾和云的背景下所需的指标，并将它们与车辆社交网络进行比较。讨论了相关工作的比较以及VSN和雾计算领域的新的研究挑战和趋势。
2021-11-30 cs.AI cs.NI
5G Software Defined Vehicular Networks
随着第五代（5G）移动通信系统和软件定义网络的出现，不仅可以提高车辆网络的性能，而且未来车辆对车辆网络的新应用提出了要求，例如，无人驾驶汽车针对智能交通系统的需求，提出了一种融合5G移动通信技术和软件定义网络的新型车载网络架构。此外，已经提出了雾单元以灵活地覆盖车辆并避免车辆和路边单元（RSU）之间的频繁切换。基于所提出的5G软件定义车载网络，分析和比较了传输延迟和吞吐量。仿真结果表明，考虑不同车辆密度时，5G软件定义车联网存在一个最小传输时延。此外，5G软件定义车辆网络中雾小区的吞吐量优于传统交通管理系统的吞吐量。
2017-02-13 cs.NI
On the impact of the physical layer model on the performance of D2D-offloading in vehicular environments
将数据流量从网络结构到设备（I2D）卸载到设备到设备（D2D）通信是用于减少移动蜂窝网络的拥塞、能耗和频谱使用的强大工具。现有的D2D数据卸载的网络级研究集中在高级别的性能指标，如卸载效率，并考虑到无线电传播方面，通过使用简单的无线信道模型。我们认为D2D数据卸载协议适合于高度动态的场景车辆环境，并评估其性能侧重于物理层方面，如能源消耗和频谱效率。我们这样做，考虑到更现实的无线信道模型，相对于简单的一般使用在以前的研究。我们的目标有两个：首先，在能量消耗和频谱效率方面，基于I2D通信，量化所考虑的D2D卸载协议相对于经典蜂窝网络的性能增益。第二，表明使用简单的信道模型可能会妨碍准确评估性能增益。此外，使用更详细的模型可以获得有关系统级参数设置的深入信息，这是使用简单模型无法获得的。所考虑的信道模型已被提出和验证，在最近几年，通过大规模的测量活动。我们的研究结果表明，所考虑的协议是能够实现高达35%的能量消耗减少，并在系统的频谱效率增加50%，相对于基准蜂窝系统。在最坏的情况下，使用不同的信道模型来评估这些度量可能会导致对所实现的改进的六倍低估。
2022-05-30 cs.NI
Energy Efficient Processing Allocation in Opportunistic Cloud-Fog-Vehicular Edge Cloud Architectures
本文研究车辆边缘云（VECs）中的分布式处理，在车辆边缘云中，停车场、充电站或道路交通交叉口的一组车辆通过组合集群中的计算资源而聚集并形成临时车辆云。研究了VEC中的节能处理任务分配问题，通过建立混合线性规划（MILP）模型，优化不同处理任务在可用网络资源、云资源、雾资源和车载处理节点资源上的分配，以最小化功耗。研究了加工分配的三个维度。第一个维度比较了集中式处理（在中央云中）和分布式处理（在多层雾节点中）。第二个维度引入了低和高车辆节点密度的车辆节点中的机会性处理。第三个维度考虑了不可分割的任务（单一分配）和可分割的任务（分布式分配），分别代表实时和非实时应用程序。结果表明，通过将处理分配给车辆，可以实现高达70%的节能。然而，许多因素对节能有影响，例如车辆处理能力、车辆密度、工作负载大小和生成的任务数量。据观察，通过利用可用车辆之间的任务分配所提供的灵活性，可以提高节能效果。
2020-06-25 cs.NI eess.SP
Joint Computing Resource Allocation and Task Offloading in Vehicular Fog Computing Systems Under Asymmetric Information
针对车辆雾计算中信息不对称、资源有限及任务卸载效率低的问题，提出融合RSU与雾车辆能力的分层架构，设计基于凸优化、契约理论和匹配博弈的联合资源分配与任务卸载方法，有效提升系统多方面性能。
2025-10-30 cs.NI
VEC-Sim: A Simulation Platform for Evaluating Service Caching and Computation Offloading Policies in Vehicular Edge Networks
本文提出VEC-Sim仿真平台，通过建模服务特征向量、车辆移动性、服务流行度演化等真实机制，并借助模块化架构与丰富API，实现对车载边缘网络中服务缓存与计算卸载策略的准确评估与高效案例研究。
2024-10-09 cs.NI
MOFCO: Mobility- and Migration-Aware Task Offloading in Three-Layer Fog Computing Environments
针对三层雾计算中UE移动性导致服务迁移代价高的问题，提出MOFCO算法，将任务卸载与资源分配建模为MINLP问题并用启发式辅助演化博弈论求解，使系统成本平均降低19%，最高达43%。
2025-07-16 cs.AR cs.DC cs.NI
Joint Sensing, Communication, and Computation Resource Allocation for Cooperative Perception in Fog-Based Vehicular Networks
为了扩大自主车辆的感知范围和可靠性，协同感知受到了广泛的关注。然而，考虑到大量的共享消息，有限的带宽和计算资源在车辆网络成为瓶颈。在本文中，我们研究如何平衡共享消息和有限的资源在基于雾的车辆网络的体积。为此，我们首先考虑其时空价值和延迟性能的合作感知的总满意度的特征。然后，在满足车辆最大延迟和逗留时间约束的前提下，联合分配感知块消息、通信资源块和计算资源，以最大化协作感知的满意度和.由于其非凸性，我们将原问题解耦成两个独立的子问题，并设计相应的解决方案。仿真结果表明，与现有的基线相比，我们提出的方案可以有效地提高合作感知的总满意度。
2021-12-12 cs.NI eess.SP
Offloading Content with Self-organizing Mobile Fogs
城市环境中的移动用户从不同位置访问互联网上的内容。对于当前的服务提供商来说，应对来自大量并置移动用户的不断增长的内容需求是具有挑战性的。网络内缓存在更接近用户的节点上卸载内容缓解了这个问题，尽管需要有效的缓存管理来找出谁应该在城市环境中缓存什么，何时何地，给定节点有限的计算，通信和缓存资源。为了解决这个问题，我们首先定义了一个新的内容流行度和网络中的可用性之间的关系，并调查一个节点的资格缓存内容的基础上，其城市的可达性。然后，我们允许节点自组织成移动雾，以增加分布式缓存，并以具有成本效益的方式最大限度地提高内容的可用性。然而，为了迎合理性的节点，我们提出了一个联盟游戏的节点提供一个最大的“虚拟缓存”假设货币奖励支付给他们的服务/内容提供方。节点被允许合并到不同的时空联盟，以增加在网络边缘的分布式缓存大小。通过模拟使用现实的城市流动性跟踪得到的结果验证我们的缓存系统的性能，显示缓存命中率为60-85%相比，现有的计划和10%的情况下，没有联盟的30-40%。
2017-07-19 cs.NI
Meeting Deadlines in Motion: Deep RL for Real-Time Task Offloading in Vehicular Edge Networks
University of Ottawa（渥太华大学）
本文提出利用深度强化学习优化车载边缘网络中的实时任务卸载，通过实验验证DQN模型在减少任务执行时间和延迟方面的有效性。
2025-07-12 cs.NI
Secure Data Offloading Strategy for Connected and Autonomous Vehicles
互联和自动驾驶汽车（CAV）预计将不断与安装在路边安全机柜中的处理节点网络进行交互，从而形成智能交通系统（ITS）的基于雾计算的基础设施。未来城市规模的ITS服务将严重依赖于雾计算网络上每个CAV定期卸载的传感器数据。由于媒体的广播性质，CAV的通信很容易被窃听。本文提出了一种新的数据卸载方法，其中随机线性网络编码（RLNC）的原则是用来确保窃听者恢复传感器数据的相关部分的概率最小化。我们的初步结果证实了我们的方法在大规模ITS网络中运行时的有效性。
2019-03-04 cs.NI
Risk-Sensitive Task Fetching and Offloading for Vehicular Edge Computing
这封信研究了一个超可靠的低延迟通信问题，重点是车辆边缘计算网络，其中车辆要么获取并合成监控摄像头记录的图像，要么从边缘计算服务器获取合成图像。金融数学中的风险敏感的概念被用来定义一个可靠性措施，所研究的问题被制定为一个风险最小化问题，每个车辆的端到端（E2E）的任务提取和卸载延迟。具体而言，通过诉诸联合效用和策略估计为基础的学习算法，分布式风险敏感的解决方案的任务获取和卸载。仿真结果表明，我们提出的解决方案实现了性能提高高达40%的方差减少和陡峭的分布尾部的E2E延迟在平均为基础的基线。
2020-05-14 cs.NI eess.SP
Blockchain-based Lightweight Authentication Mechanism for Vehicular Fog Infrastructure
随着先进通信技术的不断发展，汽车变得越来越智能和互联。由于各种车辆应用的巨大增长，通过先进的车载设备产生了大量的数据，这些数据被认为对提高驾驶安全和增强车辆服务至关重要。然而，基于云的模型在延迟和移动性至关重要的应用中往往不足。为了充分发挥车载网络的潜力，需要解决高效通信和计算的挑战。在这个方向上，出现了车辆雾计算（VFC），它将雾计算的概念扩展到传统的车辆网络。它是一种地理上分布式的范例，有可能通过在终端车辆附近推送智能（即计算资源，存储和应用服务）来执行时间关键和数据密集型任务。然而，安全和可靠的传输是非常重要的，在高度移动的车辆网络，以确保最佳的服务质量（QoS）。在这个方向上，已经提出了一些认证机制在文献中，但他们中的大多数被发现不适合由于缺乏分散性，匿名性和信任特性。因此，本文提出了一种有效的跨数据中心认证和密钥交换方案，基于区块链和椭圆曲线密码（ECC）。在这里，区块链的分布式账本用于维护网络信息，而高度安全的ECC用于车辆和路边单元（RSU）之间的相互认证。此外，所提出的方案是轻量级的，可扩展的考虑VFC设置。针对现有技术水平的性能评估结果表明，该方案实现了增强的安全功能。
2019-04-02 cs.CR cs.NI
Hierarchical Fog-Cloud Computing for IoT Systems: A Computation Offloading Game
雾计算在网络边缘提供低延迟计算服务，是新兴物联网（IoT）系统的推动者。在本文中，我们研究了雾计算资源的物联网用户在一个分层的计算范式，包括雾和远程云计算服务的分配。我们制定了一个计算卸载游戏来模拟物联网用户之间的竞争，并有效地分配雾节点的有限处理能力。每个用户的目标是最大化其自身的体验质量（QoE），这反映了其在计算能量和延迟的减少方面对使用计算服务的满意度。利用潜在的博弈方法，我们证明了一个纯纳什均衡的存在性，并提供了一个上限的无政府代价。由于达到均衡的时间复杂度随着用户数量的增加而呈指数级增加，因此我们进一步提出了一种接近最优的资源分配机制，并证明了在具有$N$ IoT用户的系统中，它可以在$O(N/ε)$时间内实现$ε$ -纳什均衡。通过数值研究，我们评估用户的QoE以及均衡效率。我们的研究结果表明，通过利用所提出的机制，更多的用户受益于计算服务相比，现有的卸载机制。我们进一步表明，我们提出的机制显着降低了计算延迟，并为延迟敏感的物联网应用提供低延迟雾计算服务。
2017-10-17 cs.DC cs.GT cs.NI
SPATO: A Student Project Allocation Based Task Offloading in IoT-Fog Systems
物联网（IoT）设备高度依赖云系统来满足其存储和计算需求。然而，由于云服务器的远程位置，物联网设备经常遭受间歇性广域网（WAN）延迟，这使得延迟关键型物联网应用程序的执行变得不可想象。为了克服这个问题，服务提供商（SP）通常在网络边缘部署多个雾节点（FN），这有助于执行从IoT设备卸载的计算，并改善用户体验。由于FN的资源有限，因此将物联网服务与FN相匹配，同时从最终用户的角度确保最小的延迟和能量，并从SP的角度最大化收入和满足最后期限的任务是具有挑战性的。因此，在本文中，我们提出了一个学生项目分配（SPA）为基础的有效的任务卸载策略SPATO，考虑到不同的利益相关者的关键参数。仿真结果表明，SPATO算法在保证99.3%的任务在截止期内完成的情况下，可使负载能量和延迟分别降低29%和40%，收益提高25%。
2021-05-22 cs.GT cs.NI
Energy Efficient UAV-Based Service Offloading over Cloud-Fog Architectures
无人机（UAV）凭借其敏捷性、灵活性和成本效益，有望在革新未来智慧城市服务方面发挥核心作用。无人机正被广泛部署在不同的垂直领域，包括监视、搜索和救援任务、物品运送，以及作为未来无线网络中空中通信的基础设施。无人机可用于勘测目标位置，从地面收集原始数据（即，视频流）、生成计算任务并将其卸载到可用服务器进行处理。在这项工作中，我们制定了一个多目标优化框架的网络资源分配和无人机轨迹规划问题，使用混合线性规划（MILP）优化模型。考虑到云雾环境中可能存在的不同利益相关者，我们最小化加权目标函数的总和，这允许网络运营商调整权重以强调/不强调不同的成本函数，例如端到端网络功耗（EENPC），处理功耗（PPC），UAV总飞行距离（UAVTFD）和UAV总功耗（UAVTPC）。我们的优化模型和结果，使最佳卸载的决定下，有关EENPC，PPC，UAVTFD和UAVTPC，我们详细探讨了不同的约束。例如，当无人机的推进效率（UPE）最差时（考虑10%），通过宏基站卸载是最佳选择，最大可节省34%的功率。无人机覆盖路径规划（CPP）和计算卸载已经进行了广泛的研究，但没有解决的问题，在一个实际的云-雾架构中，接入，地铁和核心层被认为是在分布式架构的服务卸载，如云-雾。
2022-05-14 cs.NI eess.SP
Multi-Objective Offloading Optimization in MEC and Vehicular-Fog Systems: A Distributed-TD3 Approach
针对MEC与车载雾系统中的多目标卸载优化，提出分布式TD3方法，通过强化学习环境实现近乎最优卸载决策，以最小化延迟和能耗，仿真验证了其高效性。
2024-04-19 cs.NI eess.SP
Delay-sensitive Task Offloading in Vehicular Fog Computing-Assisted Platoons
针对车辆雾计算辅助车队中计算资源不足导致的任务处理时延问题，本文提出一种基于半马尔可夫决策过程的卸载策略，以最小化卸载时延并最大化长期回报，仿真实验验证了其有效性。
2023-09-19 cs.NI eess.SP
Green Offloading in Fog-Assisted IoT Systems: An Online Perspective Integrating Learning and Control
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
在雾辅助物联网系统中，通常的做法是将任务从物联网设备卸载到其附近的雾节点，以减少任务处理延迟和能耗。然而，在线节能方案的设计仍然是一个开放的问题，因为各种不确定性的系统动力学，如处理能力和传输速率。此外，决策过程受到雾节点和物联网设备资源限制的约束，使设计更加复杂。在本文中，我们制定这样的任务卸载问题与未知的系统动力学作为一个组合的多臂强盗（CMAB）问题的长期约束的时间平均能耗。通过在线学习和在线控制的有效结合，我们提出了一个\textit{Learning-Aided Green Offloading}（LAGO）计划。在LAGO中，我们采用强盗学习方法来处理开发探索权衡，并利用虚拟队列技术来处理长期约束。我们的理论分析表明，LAGO可以减少平均任务延迟与一个可调的次线性遗憾界在有限的时间范围内，并满足长期的时间平均能量约束。我们进行了大量的模拟来验证这些理论结果。
2020-08-01 cs.AI cs.NI eess.SP
Digital Twin Vehicular Edge Computing Network: Task Offloading and Resource Allocation
School of Internet of Things Engineering（物联网工程学院）；Jiangnan University（江南大学）；Department of Electronic Engineering（电子工程系）；Tsinghua University（清华大学）
针对车联网多任务实时计算需求，本文构建数字孪生VEC网络，提出多智能体强化学习方法优化任务卸载与资源分配，实验验证其有效性。
2025-06-18 cs.LG cs.NI
MSCET: A Multi-Scenario Offloading Schedule for Biomedical Data Processing and Analysis in Cloud-Edge-Terminal Collaborative Vehicular Networks
China University of Petroleum (East China)（中国石油大学（华东））；Federation University Australia（澳大利亚联邦大学）
随着人工智能（AI）和物联网（IoT）的快速发展，越来越多的计算密集型或延迟敏感的生物医学数据处理和分析任务在车辆中产生，给驾驶员的生物特征监测带来越来越多的挑战。边缘计算是解决这些挑战的新范式，它将任务从资源有限的车辆卸载到路边单元（RSU）中的边缘服务器（ES）。然而，大多数车辆网络的传统卸载调度集中在边缘，而有些任务可能过于复杂，ES处理。为此，我们考虑了一个协作车辆网络，其中云，边缘和终端可以相互合作来完成任务。车辆可以将计算密集型任务卸载到云端，以节省边缘资源。由于某些区域可能被多个RSU覆盖，我们进一步构建了虚拟资源池，可以集成多个ES的资源。在本文中，我们提出了一个多场景卸载计划的生物医学数据处理和分析的云边缘终端协同车辆网络称为MSCET。建议MSCET的参数进行了优化，以最大限度地提高系统的效用。我们还进行了大量的模拟评估建议MSCET和结果表明，MSCET优于其他现有的时间表。
2022-02-16 cs.LG cs.NI
Using Machine Learning for Handover Optimization in Vehicular Fog Computing
McGill University（麦吉尔大学）
智能移动管理将是未来雾计算系统的重要先决条件。在这项研究中，我们提出了一种基于学习的车联网切换优化，这将有助于设备连接的平滑过渡和雾节点之间的卸载任务。为了实现这一点，我们利用机器学习算法来学习车辆与雾节点的交互。我们的方法使用三层前馈神经网络来预测在给定位置和时间的正确雾节点，在测试集上的准确率为99.2%。我们还实现了一个双栈递归神经网络（RNN），它具有长短期记忆（LSTM）单元，能够学习与这些服务请求相关的延迟或成本。我们使用真实世界车辆运动的数据集在JAMScript中创建模拟，以创建数据集来训练这些网络。我们进一步提出了使用这种预测系统在一个更聪明的请求路由机制，以尽量减少服务中断期间雾节点之间的切换，并通过一系列的实验和测试模型的性能测试低覆盖率的地区。
2018-12-18 cs.LG cs.NI stat.ML
Vehicle Speed Aware Computing Task Offloading and Resource Allocation Based on Multi-Agent Reinforcement Learning in a Vehicular Edge Computing Network
对于车载应用，具有不同速度的车辆具有不同的延迟要求。然而，车辆速度尚未被广泛探索，这可能导致车辆速度与其分配的计算和无线资源之间的不匹配。在本文中，我们提出了一种车辆速度感知的任务卸载和资源分配策略，以减少执行任务的能量消耗，而不超过延迟约束。首先，我们建立了基于不同速度和任务类型的车辆速度感知延迟约束模型。然后，计算了VEC服务器和本地终端执行任务的延迟和能量消耗。接下来，我们制定了一个联合优化的任务卸载和资源分配，以最大限度地减少车辆的能源成本受延误的约束。采用MADDPG方法得到了卸载和资源分配策略。仿真结果表明，该算法在能量消耗和任务完成延迟方面具有较好的性能。
2020-08-19 cs.NI eess.SP
Computation Pre-Offloading for MEC-Enabled Vehicular Networks via Trajectory Prediction
本文提出基于轨迹预测的预卸载决策（TPPD）算法，利用LSTM预测车辆轨迹并结合DDQN进行动态资源分配，显著降低了任务处理延迟并提高了资源利用率。
2024-09-26 cs.CY cs.NI
