边缘计算赋能的 VANET：驱动安全与驾驶员辅助的创新突破
芯格瑞 Slab
2024年05月24日 18:00 北京
●边缘计算 ●
边缘计算是一种将数据处理和存储从中心化的数据中心转移到靠近数据生成源的位置的分布式计算模式。它通过在本地设备或边缘服务器处理数据，显著减少传输延迟，优化带宽使用，并增强数据安全性和隐私保护。边缘计算在物联网、自动驾驶、智能城市及AR/VR等领域有广泛应用。随着5G技术和物联网的普及，边缘计算将与云计算协同工作，推动智能制造、医疗健康和智慧零售等领域的发展。
●摘要 ●
该研究介绍了一种基于优先级的雾计算模型，旨在缓解智能城市中联网车辆的延迟和时延问题。该模型利用VANET（车载自组网）和雾计算作为车辆与云端之间的中介，提供处理、存储和网络能力。其目标是建立一个智能和自主的交通系统，利用蜂窝车联网（C-V2X）连接和路边单元（RSUs）实现各种车载应用。
为了提高任务处理效率，研究提出了一种有效性效用和基于背包问题的任务调度算法，应用于位于RSU附近的雾服务器。结果表明，在考虑任务优先级和大小的情况下，0/1背包算法在四种算法中效果最佳，最大化了总优先级。
●01介绍 ●
车载雾计算网络的主要目标是确保道路安全并预防潜在风险，包括避免道路事故，特别是在危险情况下。此外，它还有助于交通优化，通过共享车辆收集的数据来改善交通流量。
车辆网络由安装在车辆上的车载单元（OBU）、区域性的路边单元（RSU）以及城市中的交通指挥中心（TCC）组成。车辆通过称为OBU的无线收发器交换信息，OBU负责发送和接收各种车辆数据。车辆之间通过它们的OBU进行车辆对车辆（V2V）通信。RSU智能地沿着道路布置，以确保车辆在行驶过程中始终与其中一个RSU保持连接。图1显示了这些RSU如何通过云互联网与TCC关联，从而更容易地收集和分析交通数据。
图1. 雾计算架构
边缘计算和雾计算这两种计算方法旨在通过将计算能力靠近数据源并降低延迟来改进实时处理。在图2中，这些方法应用于由汽车、路边单元（RSU）和节点组成的车载网络环境中。
雾计算在以下方面对安全和驾驶员辅助做出了贡献：
实时监控和预警系统：雾节点可以实时分析数据，检测潜在的安全隐患，如行人、障碍物或道路状况突然变化。预警系统可以提醒驾驶员或触发自动安全机制，以防止事故发生。
协同碰撞回避：雾节点可以聚合和处理信息，预测潜在的碰撞，并提供警告或启动碰撞回避措施，如自动制动或转向介入。
智能交通管理：雾计算分析交通数据以优化交通管理，包括动态修改交通信号灯时序、将车辆重新路由到拥堵较少的路线，并向驾驶员提供实时交通报告。这增加了整体交通效率和安全性。
驾驶员辅助系统：许多驾驶员辅助系统，包括自适应巡航控制、车道偏离警告和盲点识别，都可以通过雾计算来支持。
应急响应和事件管理：在事故或紧急情况发生时，雾计算可以促进更快的应急响应。雾节点可以分析传感器数据以检测事故，向应急服务传递信息，并协助协调救援工作。
图2. 边缘计算架构
研究目标
1、实施了一个数据收集和分发系统，利用混合网络（V2V和V2I），车辆协作收集城市事件数据并将其传递给相应的管理机构。
2、考虑到任务偏好和与路边单元（RSU）的剩余连接时间，开发了一个效用函数来处理剩余的卸载任务请求。
3、当雾节点无法处理更多任务请求时，使用0/1背包算法根据其效用函数仔细审查每个任务。剩余的任务将发送到云端进行处理，而选择的任务随后在雾节点上执行。
●02研究概述 ●
一、雾节点的高效任务执行策略（ETEFN）
ETEFN是一种针对车载网络中由汽车卸载的任务而设计的雾节点的高效任务执行策略。其主要目标是通过允许位于路边单元（RSU）附近的雾节点处理这些卸载任务来减少任务延迟。但与云服务器不同，雾节点在处理能力上存在限制，因此它们无法处理超出其能力范围的任务。
ETEFN有一项任务选择策略，用于确定是否在本地执行任务或将其发送到云服务器以处理此任务。判断的标准有两个：
1、如果车辆与RSU的剩余连接时间短于任务下载时间，则将任务发送到云端执行。预期云端会将任务下载到车辆下一次连接的RSU的边缘节点。
2、如果边缘节点具备处理所有合法请求的任务执行能力，则会在本地执行所有任务，绕过云服务器。
算法1概述了任务处理标准，并遍历车辆及其请求的任务。如果车辆的任务满足上述要求，则将任务发送到云端。如果不满足，则将任务添加到边缘节点正在处理的任务列表中。
为了高效选择任务，ETEFN在请求任务数量超过边缘节点处理能力时使用0/1背包算法。每个任务的效用函数考虑任务优先级和车辆与边缘节点的剩余连接时间。优先级越高、连接时间越短的任务效用值越高。效用函数（Ui）通过将任务优先级（Ωi）除以剩余连接时间（Trem (i, f)）计算。
算法2展示了整个背包算法，包括将任务大小和效用值填入背包表，然后选择具有最高效用值的最优任务，见图3。
图3. 系统模型
总之，所提出的ETEFN技术包括任务选择策略、基于工作优先级和剩余连接时间的雾节点效用函数，以及用于理想任务选择和调度的0/1背包算法。该方法旨在有效处理车辆网络中雾节点卸载的任务，同时考虑容量和任务优先级。
●03研究方法 ●
一、车载雾计算网络
车载雾计算（VFC）网络是结合车载网络和雾计算概念的一种网络架构。车载网络是将汽车与交通控制系统和路侧单元（RSU）等基础设施元素连接起来的通信网络。相反，雾计算通过将云计算能力扩展到网络边缘，将网络、存储和处理资源更靠近汽车，如图4所示。
图4. 车载FCN
在车载雾计算网络中，雾节点被战略性地放置在道路基础设施上，包括RSU、边缘服务器和其他计算设备。这些雾节点为其附近的车辆提供计算资源和服务。它们充当连接汽车与云之间的桥梁，实现了有效的低延迟数据处理、存储和通信：
1、雾计算降低了数据传送到远程云服务器的延迟，尤其对于紧急响应和实时交通监控至关重要。
2、车载雾计算网络中的雾节点能够处理大部分计算负载，提高了系统的可扩展性和资源利用效率。
3、雾节点协助车辆卸载数据和任务，减少了车辆的能耗，提高了处理能力。
4、雾节点作为接入点，增强了车辆的连接性，保证了数据交换的可靠性和效率。
5、车载雾计算网络中的雾节点能够托管智能算法和机器学习模型，实现了边缘智能，促进了实时分析和决策。
图5 车载雾计算
二、数学分析
使用了几个公式来计算数据传输的延迟和延迟。在这个过程中，延迟主要是由于放置在节点上的请求负载而不是节点的容量引起的。
为了分配一个请求，我们选择了拥有最少请求量的 N 个节点。方程（1）用于确定在请求完成后所花费的负载时间报告。
其中，����(����) 是处理节点 �� 处理请求 ����的总时间，通过方程 (2) 进行数学计算得出，而 ����strt 是节点 �� 在开始时的负担，并定期更新。
1、在这种情况下，请求����的数据传输在选定节点 ��上完成所需的时间表示为��(����,��)。
2、��(����,��)是将请求数据����传输到选定节点 �� 所需的传输时间。在我们的例子中，选定的节点是 ��。
3、由于请求的位置，在平衡步骤中，��(����,��)=0。
在选定节点 �� 上处理请求的执行时间 ��(����,��) 的计算结果来自方程 (3)。
反复调整请求在不同云数据中心和雾节点中的位置，以维持节点负担。如果请求具有高优先级，我们将其传输到本地雾节点；否则，将其转发到云端。
平均延迟，使用方程 (4) 计算，是每个请求在峰值回复时间之后经历的延迟量。
当两个通信设备之间的距离超出预期时，会发生请求方向错误。您可以使用以下方程来建立连接：
其中，���� 和 ���� 表示接收请求的节点的距离，���� 和 ���� 表示从主节点到发送请求的车辆的距离，������ 表示两个通信设备之间的距离，例如汽车和雾节点之间的距离。
三、算法
节点 N 是首先被选择的节点；一个节点的容量可以同时处理五个高优先级查询。超过这个数量将使其成为一个负载过重的节点；(1) 表示高优先级，(0) 表示低优先级。图4描述了我们算法的工作流程。
四、使用0/1背包算法进行任务调度
由于雾节点具有一定的处理能力，如果请求的任务数量超过它们的能力，则必须仔细考虑延迟敏感任务。0/1背包技术解决了在稳定文件实现能力中对各种大小的作业需求进行最优检查的问题，如图6中的“蒸汽旋钮”。
图6. 网络内请求传输过程的一般流程
假设雾节点具有特定的任务执行能力，并且来自车辆节点的任务需求具有不同的大小。这些任务被分为三类：信息娱乐、交通管理和紧急任务，分别具有低、中和高优先级。使用背包优化技术来处理任务分配，约束条件是每辆车最多发送三个任务请求到雾节点。
算法 2：任务收集原则
y←当前任务大小
Y←雾节点的最大任务执行容量
i←任务ID
n←最大任务数量
X[i,y]←表中第i个任务和y处理的单元值
yi←第i个任务请求的任务大小
●04研究结论 ●
一、每个请求所花费的时间：
第一个图表是一个柱状图，显示了每个请求所花费的时间。X轴表示请求，从1到10编号，而Y轴表示以秒为单位的时间。图表中的每个柱子代表一个请求，其高度对应于处理该请求所花费的时间。该图提供了表格1中每个请求处理时间的可视化表示。
表1. 时间分析
二、每个请求的延迟
两图表分别展示请求处理时间和延迟情况。第一张图表显示每个请求的处理时间，X轴是请求编号，Y轴是处理时间。第二张图表显示每个请求的延迟情况，X轴同样是请求编号，Y轴是延迟时间，只显示超过指定响应时间的请求的延迟。
图7. 处理时间输出
这两个图表提供了对任务卸载系统中处理时间和延迟的视觉理解。它们有助于轻松比较不同请求，并帮助识别系统性能中的任何异常值或模式。
图8. 每个请求的延迟
第一个雾场景:测试了通信延迟，通过向雾节点传送大量负载，处理了50个高优先级请求，并将节点负载设置为80％来评估雾在重负载下的性能。
第二个雾场景:引入了中等负载，雾节点处理了35个高优先级请求和15个低优先级请求，其中五个低优先级请求被路由到云端。节点负载设置为60％以评估中等负载下雾的性能。
第三个雾场景:测试了语句延迟，通过向雾节点发送和处理了25个高重要性需求和25个低重要性请求，并将节点负载设置为30％来评估最小负载下雾的性能。
图9. 的端到端分析
图10. 调度算法比较
提供的代码是0/1背包问题的一个实现，特别是用于图9中描述的0/1背包问题，采用了动态规划方法。在这段代码中，背包问题被应用于车辆任务选择的一个场景。代码首先基于任务的优先级、剩余时间和到雾节点的距离来计算每个任务的效用函数。便利任务的效用函数被定义为优先级除以剩余时间再乘以剩余雾时间的倒数（如图10所示）。
图11. 不同端到端延迟分析
随后，任务根据其效用值按降序排序。采用动态规划方法来填充一个表格，其中每个单元格表示在考虑任务子集的情况下，特定权重（附加时间）下能够实现的最大值（图11）
图12. 调度算法
所提供的代码在车载雾计算网络中使用四种不同的算法实现任务卸载过程：0/1背包、FCFS（先来先服务）、LTF（最大任务优先）和STF（最小任务优先），如表2所示。
表2. 不同任务的评估
最初，生成随机的任务大小、优先级和到达时间。设置雾节点容量，并初始化背包矩阵。随后，执行0/1背包算法，根据优先级调度任务，旨在在雾节点容量内最大化总优先级，如图13所示。
图13. 不同的端到端场景
接下来，FCFS算法根据任务到达时间调度任务，而LTF和STF算法则根据任务大小调度任务，分别优先处理较大和较小的任务。每个算法更新最佳任务调度并计算实现的总优先级。代码然后通过绘制图表对比各调度算法，图中显示了背包算法表示的周期数和每个算法实现的总优先级，如图14所示。
图14. 不同的调度算法
总之，代码展示了在车载雾计算网络中实现不同任务调度算法的过程。它根据实现的总优先级比较了这些算法的性能。绘制的图表提供了算法的可视化比较，有助于分析它们在不同场景中的有效性。
学术引用
Managuli M, Managuli S. Security & Driver Assistance In VANET Using Edge Computing[J]. 2024.
Managuli, Manjunath, and Sangamesh Managuli. "Security & Driver Assistance In VANET Using Edge Computing." (2024).
Managuli, M., & Managuli, S. (2024). Security & Driver Assistance In VANET Using Edge Computing.
文：选编自Research Square
编辑：祁景博
S-Lab
S-Lab是一家专业的软硬件测试实验室，专注于检测和解决网络安全漏洞以及智能终端嵌入式软件的安全问题。我们不仅拥有丰富的测试经验和专业的测试设备及软件工具，还具备测试系统算法的能力，能够对各种网站平台和嵌入式软件展开全面的安全测试。
S-Lab可为您的产品提供全方位的专属测试服务，我们致力于确保您的产品在各个方面都能达到最高标准。我们的测试团队将为您的软硬件产品进行综合测试，帮助提高产品质量、缩短上市周期，并解决潜在的网络安全问题。无论是针对网络平台、AI算法还是嵌入式系统，S-Lab都能为您提供可靠的安全测试服务，让您的系统和设备保持在安全可靠的状态，共同确保您的产品在数字时代的安全性和稳定性。
本公众号引用的所有论文内容，版权归原权利人所有。如果您认为我们的引用不当，请及时通知我们，我们将立即删除。
往期推荐
网络及信息安全
云计算网络弹性与安全
大语言模型的视觉考验