Energy-aware Allocation of Graph Jobs in Vehicular Cloud Computing-enabled Software-defined IoV
软件定义的车联网（SDIoV）已经成为下一代汽车运输系统实现灵活和全面的资源管理的一个有前途的范例。本文研究了一种基于车载云计算的SDIoV框架，将传输功率和图作业的联合分配问题转化为一个非线性整数规划问题。为了有效地解决这个问题，提出了一种基于结构保持的两阶段分配方案，将模板搜索与功率分配相结合。具体而言，一个层次树为基础的随机子图同构机制，在第一阶段中应用，通过识别潜在的映射（模板）之间的组件的图形作业和服务提供商。第二阶段采用基于结构保持模拟退火的功率分配算法，以实现作业完成时间和能量消耗之间的折衷。大量的仿真进行了验证所提出的算法的性能。
2020-04-07 cs.DC
Cloud based VANET Simulator (CVANETSIM)
车载自组网是车载通信的重要组成部分。VANET存在许多问题，例如可扩展性。为了解决VANET的可扩展性等问题，提出了分簇的方法。由于车辆的高机动性，VANET聚类不同于任何其他类型的聚类。同样，VANET和VANET集群，VANET仿真器需要一些独特的功能，如基于互联网的实时数据处理，庞大的数据分析，复杂的计算，以维持车辆之间的层次结构等;然而，现有的模拟器中既没有基于Web的VANET模拟器，也没有集群模块。因此，一个模拟器，将能够模拟任何功能的VANET配备了一个集群模块，并通过互联网访问是一个不断增长的需要在车辆通信研究。在俄克拉荷马大学的电信和网络研究实验室（TNRL），我们已经开发了一个功能齐全的离散事件VANET模拟器，包括VANET集群的所有功能。此外，基于云的VANET模拟器（CVANETSIM）具有简单和交互式的Web界面。据我们所知，CVANETSIM是同类产品中的第一个，它集成了VANET模拟器的功能，内置VANET集群模块，并可通过互联网访问。
2021-01-27 cs.DC cs.NI
Task Offloading and Replication for Vehicular Cloud Computing: A Multi-Armed Bandit Approach
车载云计算（VCC）是利用车辆上的计算和存储资源来提供计算服务的新技术转变。备用车载资源由VCC运营商（例如路边单元）集中，以使用车辆即资源框架完成任务请求。在本文中，我们研究及时服务供应的最后期限限制的任务，在VCC系统中，利用任务复制技术（即，允许一个任务由几个服务器车辆执行）。针对VCC系统中车辆运动的不确定性、车辆成员的不稳定性和车辆数量的大规模性等问题，提出了一种基于学习的车辆云任务调度算法DATE-V（Deadline-Aware Task rEplication for Vehicular Cloud）.该算法是基于一种新的上下文组合多臂强盗（CC-MAB）学习框架。DATE-V是“上下文”，因为它利用侧信息（上下文）的车辆和任务来推断随机车辆运动下的任务复制的完成概率。DATE-V是“组合的”，因为它的目的是复制接收到的任务，并将任务副本发送到多个服务器车辆，以保证服务的及时性。我们严格证明，我们的学习算法实现了次线性遗憾界相比，甲骨文算法，知道任何任务复制的确切完成概率。基于真实车辆运动轨迹进行了仿真，结果表明DATE-V的性能明显优于基准解决方案。
2018-12-11 cs.DC
A Management Framework for Vehicular Cloudtoward Economic and Environmental Efficiency
针对车载云计算（VCC）缺乏真实场景盈利与环境优势量化证据的问题，提出结合能量感知任务分配与联盟博弈收益共享的管理框架，仿真验证其可实现低延迟、资源变现且减排超99%。
2025-10-02 cs.DC cs.GT
Nautilus: A Verifiable Hierarchical Federated Learning Framework for Vehicular-Edge-Cloud Systems
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beihang University（北京航空航天大学）
针对车联网中资源极端异构导致联邦学习效率低下的问题，提出Nautilus框架，通过多维资源感知调度算法和零知识证明机制，在保护隐私的同时实现高效且可验证的联邦学习。
2026-07-29 cs.DC
Hybrid Vehicular and Cloud Distributed Computing: A Case for Cooperative Perception
在这项工作中，我们提出了使用混合卸载的计算任务，同时通过LTE通信到边缘服务器（垂直卸载）和通过V2V通信到附近的汽车（水平卸载），以提高与本地处理相比的任务处理速率。我们的主要贡献是一个优化的资源分配和调度框架的混合卸载的计算任务。该框架最佳地利用了边缘和微云中的计算资源，同时考虑了通信限制和任务要求。虽然合作感知是我们的框架的主要用例，该框架是适用于其他合作车辆应用程序的高计算需求和显着的传输开销。该框架在一个模拟环境中进行测试，该环境建立在从Veins车辆网络模拟器导出的汽车轨迹和通信速率之上。我们观察到的合作感知传感器帧的处理速率显着增加时，采用混合卸载与优化资源分配。此外，处理速率随着V2V连接而提高，因为可以水平卸载更多的计算任务。
2020-10-09 cs.DC cs.SY eess.SY
When Cars Meet Distributed Computing: Data Storage as an Example
由于汽车无处不在，它们可以在下一代通信和计算框架中发挥重要作用。在过去的几年中，车辆到车辆通信和车辆到基础设施通信的发展向前迈出了巨大的步伐，因此为我们提供了在配备计算能力的汽车上构建“移动计算服务”的工具。最近，几组研究人员独立提出了实现这一概念的“车辆云”的设计。在本文中，我们介绍了一个新的范例的车辆云，其次是一个案例研究的数据存储在建议的云。最后，我们提出了几个挑战和机遇，在交通工具云和分布式计算的交集。
2017-11-06 cs.DC
Unleashing the Potential of Stage-Wise Decision-Making in Scheduling of Graph-Structured Tasks over Mobile Vehicular Clouds
针对移动车载云的计算密集型图结构任务调度问题，提出含主动预映射和实时应急映射的两阶段决策机制，在时间效率和计算开销上表现更优。
2023-12-20 cs.DC cs.NI cs.SI
RFID: Towards Low Latency and Reliable DAG Task Scheduling over Dynamic Vehicular Clouds
车载云平台集成移动车辆的异构和分布式资源，以提供及时且经济高效的计算服务。然而，风险投资的动态性质（即，车辆之间的有限接触持续时间）对具有有向无环图（DAG）结构的计算密集型应用/任务的执行提出了独特的挑战，其中每个任务由多个相互依赖的组件（子任务）组成。在本文中，我们研究的DAG任务调度的动态VC，其中多个子任务的DAG任务分散在车辆，然后通过合作利用车辆的资源进行处理。我们制定DAG任务调度作为一个0-1整数规划，旨在最大限度地减少整体任务完成时间，同时确保高的执行成功率，这原来是NP-难。为了解决这个问题，我们开发了一个排名和前瞻性集成的动态调度方案（RFID）。RFID由（i）动态向下排序机制组成，该机制对不同子任务的调度优先级进行排序，同时显式地考虑到达格的顺序执行性质;（ii）基于资源稀缺性的优先级更改机制，可以克服可能导致的性能下降VC资源的波动性;以及（iii）基于度的加权最早完成时间机制，其将具有最高调度优先级的子任务分配给提供快速任务执行以及可靠传输链路的车辆。我们的仿真结果表明，我们所提出的方案相比，基准方法的有效性。
2022-08-26 cs.DC
Deep Reinforcement Learning for Fog Computing-based Vehicular System with Multi-operator Support
本文研究了通过为云/雾计算连接的车辆系统启用多运营商无线连接可以实现的潜在性能改进。移动网络运营商（MNO）的选择和切换问题，制定通过共同考虑切换成本，服务质量（QoS）的变化之间的MNO，和不同的价格，可以收取不同的MNO以及云和雾服务器。提出了一种基于双深度Q网络（DQN）的切换策略，并证明了该策略能够在保证延迟和可靠性的情况下最小化每辆车的长期平均成本。所提出的方法的性能进行评估使用的数据集收集在市售的全市LTE网络。仿真结果表明，我们提出的政策可以显着降低成本支付的每雾/云连接车辆有保证的延迟服务。
2020-04-04 cs.DC eess.SP
Joint Information Freshness and Completion Time Optimization for Vehicular Networks
在过去十年中，对实时云应用的需求出现了前所未有的增长。这些应用需要快速的数据传输和快速的计算。本文考虑了多个物联网设备在云上更新信息，并在特定时间从云请求计算的场景。完成计算请求所需的时间包括在繁忙的虚拟机上等待计算开始、执行计算、在联网阶段等待和服务以将输出传递给最终用户的时间。在这种情况下，信息的新鲜度是一个重要的关注点，与完成时间不同。本文提出了新的调度策略的计算和网络阶段。基于这些策略，年龄的信息（AoI）度量和完成时间的特点。在调度参数上优化两个度量的凸组合。该问题被证明是凸的，因此可以最佳地解决。在离线调度策略的基础上，提出了一种在线作业调度算法。数值结果表明，显着的改善相比，所考虑的基线。
2018-11-30 cs.DC cs.IT cs.NI
Minimizing Age-of-Information for Fog Computing-supported Vehicular Networks with Deep Q-learning
Huazhong Univ. of Science & Technology（华中科技大学）；University of South Florida（南佛罗里达大学）
互联车辆网络是下一代云/雾支持的自动驾驶车辆的关键推动因素之一。大多数联网车辆应用需要频繁的状态更新，而信息年龄（AoI）是评估车辆和云/雾服务器之间无线链路性能的更相关指标。本文介绍了一种新颖的主动和数据驱动的方法来优化驾驶路线，其主要目标是保证AoI的置信度。特别是，我们报告了一项研究，通过商业LTE网络连接到云/雾服务器的多车辆校园穿梭系统的三个月的测量。我们建立了互联车辆中AoI的经验模型，并研究了主要因素对AoI性能的影响。我们还提出了一种基于深度Q-Learning Netwrok（DQN）的算法，以最大化的置信水平为每辆联网车辆确定最佳驾驶路线。数值结果表明，所提出的方法可以导致一个显着的改善对AoI的信心，为各种类型的服务支持。
2020-04-04 cs.AI cs.DC eess.SP
Energy-Aware Graph Task Scheduling in Software-Defined Air-Ground Integrated Vehicular Networks
软件定义的空地一体化无人机（SD-AGV）网络是一种很有前途的网络模式，它可以实现灵活的地面资源共享，以支持具有高计算开销的无人机创新应用。在本文中，我们研究了SD-AGV网络中的车辆云辅助任务调度问题，其中无人机承载的计算密集型任务和车辆云通过基于图的表示建模。为了将图任务的每个组件映射到可行的车辆，同时实现最小化无人机的任务完成时间，能量消耗和移动车辆之间的数据交换成本之间的权衡，我们将问题表示为混合整数非线性规划问题，这是NP-难的。此外，与保持任务结构相关联的约束提出了解决动态车辆拓扑上的子图同构问题，这进一步使算法设计复杂化。出于这一动机，我们提出了一种有效的解耦方法，通过分离的模板（组件和车辆之间的可行映射）搜索的传输功率分配。对于前者，我们提出了一个计算复杂度较低的搜索所有同构子图的有效算法。对于后者，我们引入了一个功率分配算法，通过应用$p$ -范数和凸优化技术。大量的仿真表明，该方法优于基准方法考虑各种问题的大小。
2022-05-09 cs.DC eess.SP
A Joint Framework to Privacy-Preserving Edge Intelligence in Vehicular Networks
互联网连接设备的数量呈指数级增长，各种设备产生大量异构数据，导致网络物理系统高度交织。目前，利用边缘计算和人工智能（AI）优点的边缘智能系统（EIS）概念被用来提供具有强大计算处理能力的智能云服务，并减少决策延迟。因此，EIS提供了一个可能的解决方案，以实现未来的智能交通系统（ITS），特别是在车辆网络框架。然而，由于中央聚合器服务器监督整个系统编排，现有的EIS框架面临着几个挑战，仍然可能容易受到许多恶意攻击。因此，为了解决前面提到的问题，本文提出了安全边缘智能的概念，融合了联邦学习（FL），区块链和本地差分隐私（LDP）的优点。区块链辅助的FL方法通过在不可变的分布式账本网络中记录交易并提供分散的奖励机制系统，有效地提高了流量预测的准确性，并增强了用户的隐私和安全性。此外，LDP获授权加强数据共享交易的保密性，特别是保护用户的私人数据免受各种攻击。拟议的框架已在两种情况下实施，即，基于区块链的FL可以有效地开发车辆网络的分散式流量管理，基于LDP的FL可以使用IBM Library为差分隐私提供随机隐私保护。
2022-08-18 cs.DC cs.NI
Decomposition Theory Meets Reliability Analysis: Processing of Computation-Intensive Dependent Tasks over Vehicular Clouds with Dynamic Resources
本研究针对车辆云中计算密集型依赖任务处理，提出分解定理与事件随机代数框架，联合解决资源不足与动态性挑战，提升可靠性并验证效率。
2023-05-10 cs.DC
QoS Aware Mixed-Criticality Task Scheduling in Vehicular Edge Cloud System
针对车载边缘云系统，提出混合调度方法，通过基站选择、关键性任务优先和低关键性任务丢弃策略，最大化基础设施利润，QoS提升达25%。
2024-07-20 cs.DC cs.SY eess.SY
V2V-Based Task Offloading and Resource Allocation in Vehicular Edge Computing Networks
在车辆自组网的研究和应用中，通常假设车辆通过接入路侧单元（RSU）来获取云计算服务。但由于存在建设量不足、通信范围有限、路侧单元计算负荷过载等问题，仅依靠车对路侧单元的计算模式难以应对复杂多变的计算任务。本文在路侧单元缺失的情况下，将车载移动单元作为天然的边缘计算节点，充分利用移动车辆的多余计算能力，及时执行周边移动车辆的卸载任务。本文设计了OPFTO框架，提出了一种改进的任务分配算法HGSA，并在充分考虑车辆运动特性的基础上设计了预过滤过程。此外，车辆仿真实验表明，与其他任务调度策略相比，该策略具有时延低、准确率高的优点，为今后城市智能交通的建设提供了参考方案。
2021-12-30 cs.DC
Efficient Scheduling of Vehicular Tasks on Edge Systems with Green Energy and Battery Storage
IIT Guwahati（印度理工学院古瓦哈提分校）
本文研究了自动驾驶车辆任务在边缘系统的调度问题，通过绿色能源和电池存储优化计算资源分配，以最大化系统收益。
2024-10-24 cs.DC
Mobility Accelerates Learning: Convergence Analysis on Hierarchical Federated Learning in Vehicular Networks
Beijing Jiaotong University（北京交通大学）；Imperial College London（伦敦帝国理工学院）
针对车联网高移动性场景，本文通过收敛性分析证明设备移动可融合异构边缘数据并加速分层联邦学习，实验显示其在CIFAR-10上最高提升准确率15.1%。
2024-01-18 cs.AI cs.DC cs.LG
Handoff-Aware Distributed Computing in High Altitude Platform Station (HAPS)-Assisted Vehicular Networks
针对车联网中边缘切换导致计算中断及资源短缺问题，提出含HAPS的分布式计算自适应方案，通过任务拆分同步计算与切换前完成约束，结合优化算法实现时延降低与稳定。
2023-05-07 cs.DC
Future-Proofing IoT: Unleashing the Power of AWS Greengrass in Propelling Smart Devices to New Heights
本文探讨了 AWS Greengrass 在推动物联网智能设备发展中的作用，分析了其在多领域改善数据共享的机遇，并从处理速度、延迟和带宽等维度指出了边缘与云计算在测试及质量保证方面面临的新挑战。
2024-10-30 cs.DC
Kuksa: A Cloud-Native Architecture for Enabling Continuous Delivery in the Automotive Domain
将车辆连接到云平台实现了创新的业务场景，同时提出了新的质量问题，例如可靠性和可扩展性，这些问题必须通过研究来解决。基于微服务的云原生架构是实现持续交付并提高服务可靠性和可扩展性的最新方法。我们提出了一种将汽车领域的云平台架构重组为微服务架构的方法。为此，我们采用并实现了文献中的微服务模式来设计云原生汽车架构，并在汽车领域的一个名为Eclipse Kuksa的真实项目中进行了实验室实验，以评估微服务的可靠性和可扩展性。研究结果表明，拟议的架构可以处理连续的软件交付在空中发送自动控制消息的车辆设置。不同的模式使我们能够进行更改或中断服务，而不会将影响扩展到其他人。这项研究的结果提供了证据，表明微服务是一种潜在的设计解决方案，可以处理汽车领域基于云的服务上的服务故障和高负载。
2019-10-22 cs.DC cs.SE
A study of risk management in cloud computing bank
云计算显然有助于降低成本并提供最佳调度水平。然而，在实践中，它可能会面临资源不足的问题。考虑到云计算银行具有一定的商业性质，资源不可用性，如流动性风险，仍然存在。在本文中，试图通过一个解决方案，到目前为止，在经济中应用，它是如何可能预测这样的流动性风险，在云计算银行。所提出的解决方案尤其适用于库存管理。为了降低风险，我们还将使用一种基于流体力学的物理学方法;这是伯努利定理的应用，称为托里切利。将资源库看作是一个储集层，资源的可利用性取决于流体的流动速度和置换量。
2014-03-10 cs.DC
QoS-SLA-Aware Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing in Internet of Vehicles
United Arab Emirates University（阿联酋大学）
车载自组织网络车联网是一项新兴技术，可实现智能城市应用的开发，重点是改善交通安全、交通效率和整体驾驶体验。这些应用程序有严格的要求，详见服务水平协议。由于车辆具有有限的计算和存储能力，因此应用请求被卸载到集成的边缘云计算系统上。现有的卸载解决方案集中于在执行时间方面优化应用的服务质量（QoS），并且遵守单个SLA约束。他们没有考虑重叠多请求处理的影响，也没有考虑车辆速度变化的影响。提出了一种新的人工智能QoS-SLA-aware自适应遗传算法（QoS-SLA-AGA）来优化异构边缘云计算系统中多请求卸载的应用程序执行时间，该算法考虑了处理多请求重叠和动态车辆速度的影响。建议的遗传算法集成了一个自适应的惩罚函数来同化SLA的延迟，处理时间，截止日期，CPU和内存的要求的约束。数值实验和分析比较我们的QoS-SLA-AGA随机卸载，和基线基于遗传的方法。结果表明，QoS-SLA-AGA执行请求的速度平均比随机卸载方法快1.22倍，SLA违规减少59.9%。相比之下，基于基因的基线方法将请求的性能提高了1.14倍，SLA违规增加了19.8%。
2022-03-01 cs.AI cs.DC cs.NA
A Cloud Resources Portfolio Optimization Business Model -- From Theory to Practice
针对云资源供应商繁多、企业难以匹配最优方案的问题，本文基于商业模式画布设计云组合管理平台的商业模式，还开发了采用既有优化算法的平台原型，可生成适配且高利用率的资源分配方案，为相关平台落地奠定基础。
2024-04-16 cs.DC cs.MA
Reusing Spare Vehicle Computing Capacity: Is It Viable, Profitable and Sustainable?
SAMOVAR, Télécom SudParis, Institut Polytechnique de Paris（SAMOVAR，巴黎电信学院，巴黎理工学院）；INRIA Saclay（法国国家信息与自动化研究所萨克雷中心）；Université Paris-Saclay, CNRS, Laboratoire Interdisciplinaire des Sciences du Numérique（巴黎萨克雷大学，法国国家科学研究中心，数字科学跨学科实验室）
本文研究复用车辆空闲计算能力（VCC）的可行性、盈利性与可持续性，提出解耦截止时间分配与激励设计的卸载管理方案、稳健联盟博弈及车辆选择机制，通过罗马SUMO仿真和CO2评估证明其高效、盈利且大幅减排。
2026-09-25 cs.DC
