车辆边缘计算：移动边缘计算新范式

边缘计算将云计算的能力从中心扩展到了边缘网络。尽管边缘计算具有位置感知和低延迟的优势，但无处不在的连接和对超低延迟不断增长的需求，对智慧城市的实时信息处理提出了严峻挑战。作为边缘计算和车载网络的融合，车辆边缘计算（VEC）有望实现实时和位置感知的网络响应。由于车辆边缘计算的概念和应用尚处于初始阶段，本文首先构建了一个三层车辆边缘计算模型，以实现分布式交通管理，从而将由车辆信息收集和路网事件的响应时间降至最低。通过利用移动和停放的车辆作为边缘节点，将车辆边缘计算支持的卸载方案建模为一个优化问题，基于在线算法进行问题求解，并基于真实出租车轨迹的性能分析验证了模型的有效性。

近年来，随着无线通信、边缘计算、人工智能等技术的不断进步，物联网实现了快速发展并得到广泛应用。物联网是指通过信息传感设备将物体接入网络，并借助信息传输媒介实现物体之间的数据交互，从而实现智能化的识别、定位、跟踪与监管等功能。

城市车辆网络是智能交通系统的核心组成部分，涵盖交通安全、定位与导航、高效信息共享与传播等领域。2025年末，中国网联车将突破2.59亿辆，占汽车保有量的75%，这些车辆将产生4.4泽字节（ZB）数据，2020年至今数据复合增长率逐年递增，达到80%，这给日益饱和的无线带宽带来了严峻挑战。传统的车辆间（V2V）自组织通信模式存在间歇性连接的问题，这使得服务质量与超低延迟的要求难以实现，例如车辆决策闭环需在20毫秒内完成。尽管现有研究提出了一些解决方案来满足智慧城市交通管理的通信和计算需求，但这些方案还远远不够。蜂窝网络的带宽有限，且主要由网络运营商控制。路边单元（RSU）的部署成本高昂，也不可能完全覆盖所有道路。此外，在车载网络中，移动云计算用于实时交通数据上传既耗时又昂贵。因此，要想实现智慧城市中的实时交通管理，需要设计一个全新的信息处理平台。

通过在终端附近促进通信、计算和网络连接，边缘计算能够灵活高效地从本地视角优化网络资源。随着车载服务流量的激增，边缘节点将会不堪重负。车辆边缘计算利用车载资源来提升计算能力，并进一步降低边缘计算的延迟。通过车辆边缘计算，未被利用的车辆计算资源（例如在停车场或购物中心的车辆）可以作为边缘节点的组件加以补充。

依托国家自然科学基金等项目，重庆邮电大学宁兆龙教授和王小洁教授项目组针对车联网服务能力与通信和计算资源适配的关联机制这一科学问题，在全球首次提出了车辆边缘计算的模型并量化了其服务能力，基于停靠车辆、移动车辆等服务能力来量化边缘服务能力，取得了一系列创新成果，并基于真实出租车轨迹对设计方案的有效性进行了验证。

车辆边缘计算架构

在车辆边缘计算架构中，车辆作为基础设施，其目标是充分利用边缘网络服务提供商和车载通信的优势。图1展示了三层车辆边缘计算架构，包括云层（cloud）、微云层（cloudlet）和边缘层（包含车辆和设备）。云层通常由交通管理服务器（TMS）和可信第三方机构（TTA）构成，它执行城市级的监控和集中远程控制。微云层接收车辆上报的数据，并对收集到的数据进行处理，然后将其传递给云层。边缘层由处于路边单元无线通信范围内的车辆/设备组成。由于车辆/车载设备的感知、计算、通信和存储能力不断增强，该层对于车辆边缘计算具有重要意义。车辆生成的一些数据可用于车辆级网络决策，而其他数据则可上传至边缘层进行处理。项目组利用路边单元附近的停放车辆和移动车辆形成边缘节点进行车辆边缘计算，并将感知事件的信息上传至路边单元。之后，路边单元决定上传的流量是由微云还是边缘节点处理。

交通拥堵、交通事故和路面损坏等感知事件可由车辆上传至其行驶路线上的附近路边单元。之后，上传的消息会被传至微云节点或边缘节点进行处理，然后再上传至交通管理服务器。随后，交通管理服务器通过路边单元向车辆广播反馈信息。在路边单元通信范围内的车辆可作为边缘节点直接处理消息，从而大幅缩短响应时间。然而，由于基于车辆的边缘节点网络状态动态变化，云节点是必不可少的。本工作的目标是通过在云节点和边缘节点之间进行负载均衡来最小化交通管理的响应延迟。

问题表述

首先，城市地图被划分为若干个区域，一条消息的预期响应时间由云节点、静止车辆和移动车辆所构成的边缘节点的平均响应时间，以及其他路侧单元的输入消息所产生的延迟之和构成。在一个时间间隔内，上述3个二进制变量的总和为1。

微云所需的响应时间包括4个部分：从路边单元上传消息至处理服务器所消耗的时间、消息等待时间、消息处理时间，以及消息转发回路边单元所需的时间。将所研究的网络建模为一个排队网络，云节点的等待队列可以视为一个M/M/b 排队，其中b为服务器的数量；边缘节点由停放车辆和行驶车辆组成。对于基于停放车辆的边缘模型，在每个时隙内停放车辆的数量是稳定的，可建模为M/M/l 排队系统，其中l 是停放车辆数；对于基于移动车辆的边缘节点，将其简化为服务速率为l的静态服务器，理论证明其对应的模型遵循M/M/1排队系统（即网络流入信息遵循到达率为l 米的泊松过程）。

由于不同路边单元间的消息流量随时间变化而有所不同，因此需要在路边单元间进行消息流量的重定向。路侧单元的最终输入消息流量需减去重定向的消息流量。因此，实时流量管理中的消息卸载就是要将消息流合理分配给云节点、基于停放车辆和基于移动车辆的边缘节点，从而将预期响应时间降至最低（见图2）。

基于车辆边缘计算的卸载策略

由于设计的基于车辆边缘计算的卸载是一个混合整数非线性规划问题，项目团队将目标从整体响应时间最小化转变为每个时隙内的响应时间最小化问题。云节点的性能通常是固定的，其卸载能力取决于处理能力。然而，基于停放车辆和移动车辆的边缘节点的位置会随时间变化，这给平均响应时间的估算带来了挑战。

本研究首先计算基于停放车辆和移动车辆的边缘节点最小响应时间；之后，重新调整不同路侧单元之间的消息流，以接近所获得的平均响应时间；最后，确定输入消息流的分配以进行流量处理。对于边缘节点延迟最小化问题，首先通过将消息流分配给雾单元中的停放车辆和移动车辆节点来计算边缘节点的平均延迟。由于二者的总期望延迟既不是凸函数也不是凹函数，因此该问题可以转化为最小凹成本网络流问题，对此可利用分支定界算法求解。在获取这两种边缘节点的流量后，即可得到雾节点的平均响应时间。为了将系统传输延迟降至最低，所研究的问题就变成了将消息从过载的边缘计算单元重新定向到未过载的单元，这是一个典型的线性最小成本网络流问题，最优目标可以通过将传输延迟与平均响应时间相结合来获得。

由于车辆边缘计算的网络状态动态变化，微云在交通管理系统中不可或缺，作为边缘节点的补充部分来处理消息流，其部署目标是利用最少数量的微云服务器来处理边缘节点未处理的消息流。在设计的车辆边缘计算信息处理方案中，边缘节点在将消息流重定向至云节点之前具有优先处理这些消息流的权限。具体步骤概述为：（1）通过分支定界法计算消息的平均响应时间；（2）通过Edmonds-Karp算法计算从过载的边缘节点到未过载节点的重定向消息流；（3）确定由停放车辆和移动车辆所基于的边缘节点分别处理的消息流数量；（4）计算云节点所需的服务器数量。

性能分析

本小节根据上海市的真实城市地图和出租车轨迹进行了一些性能验证。具体而言，将一个行政区划定义为一个区域。每个区域内的路边单元位于一个街道的中心。选取的普陀区和黄浦区GPS如图3所示。

基于项目组获取的2015年4月整个月份超过1000辆出租车的轨迹，包括GPS 位置、方向、速度和记录时间，本研究在每个路边单元 500米范围内，每10分钟统计一次移动车辆的到达率。通过分析数据集中移动车辆的到达率，项目组注意到每秒平均有100至 500辆车经过一个路边单元。由于该研究为首个基于车辆边缘计算的分布式城市交通管理方案，该研究选择了一种随机策略进行对比，旨在使基于停放车辆和移动车辆的边缘节点处理的工作负载最大化。普陀区和黄浦区在不同消息到达率下的平均响应时间如图4 所示。很明显，随着消息到达率的增加，平均响应时间也会增加，但不同于随机策略的平均响应时间急剧上升，本研究而提出的解决方案则缓慢上升。这是因为本方案能够动态平衡网络负载，而不是像随机策略那样专注于最大化边缘节点的网络负载。

图5展示了当停放车辆的边缘节点总数增加时，平均响应时间的变化趋势。这两种方法的响应时间随着节点数量的增加而减少，因为边缘节点数量增多意味着处理能力增强。显而易见，项目组设计的方法更适用于不同网络流量情况，并且几乎不受边缘节点数量的影响，从而很好地体现了其可扩展性。

基于提出的车辆边缘计算理论方法，项目组进一步在该领域深入开展研究，量化了不同车联网层次的适配能力，揭示了不同车联网单元的处理能力，分析了不同服务模型的演化能力，破解了关联特性的演化规律和自主特性的映射关联两个技术难题。相关研究成果获IEEE车辆技术协会最佳论文奖和IEEE系统协会最佳论文奖等，有力地推动了新型边缘计算方法的理论发展与自动驾驶的场景落地。

本文刊登于IEEE Spectrum中文版《科技纵览》2025年5月刊。

专家简介

宁兆龙：重庆邮电大学教授 。

王小洁：重庆邮电大学教授 。

胡希平：北京理工大学教授。

郭 磊：重庆邮电大学教授。

胡 斌：北京理工大学教授。

王 雷：大连理工大学教授 。