0 引言

    车联网(Vehicle Ad Hoc Networks，VANETs)为车辆之间的内容访问提供网络连接和基本通信支持^[1]。现今VANETs主要研究在分布有路边单元(Road Side Unit，RSU)和大量通信基础设施的城市，在高速公路上的研究相对较少。高速公路上的车辆分布稀疏，车辆连通性降低^[2]。在车与车(Vehicle to Vehicle，V2V)模式下，通信质量差，内容访问困难。因此，有必要研究高速公路上的车辆交通和内容访问。

    高速公路上的VAENT具有高速、低密度和高度动态网络拓扑的特征。在高速公路上访问感兴趣的内容和关于目的地的信息较难。VANET计算和通信能力^[3]会遇到瓶颈，而云计算可以弥补计算能力的不足。OLARIU S提出了一个车辆云系统，这些独立车辆可以将计算和通信任务分配给经过认证的节点^[4]，提高服务质量(Quality of Service，QoS)。文献[5]提出了高速公路上车辆通信的合作下载机制。然而，高速公路RSU的分布很稀疏，云服务造成了大量的传输延迟。为降低传输延迟，雾计算通过本地化的转发，满足本地需求，如减轻云服务的负担以及分析实时数据流等^[6]。任何能够存储数据、计算和网络连接的设备都可以成为雾设备，包括移动车辆和道路基础设施。

    雾计算逐渐成为分布式计算存储的新角色^[7]。然而，虽然计算在网络边缘被卸载，但所有车辆要求雾计算时必然会造成大量延迟。在文献[8]中，基于雾服务的资源分配和终端的体验质量(Quality of Experience，QoE)来评估通信的QoS。

    内容访问是VANET应用的重要组成部分。而在高速公路上，车辆在地理上分散，内容缓存对于V2V之间的访问尤为重要。与云计算相比，雾计算可以保证本地快速转发。在文献[9]中，通过停放的车辆和行驶缓慢的车辆作为通信基础设施，将这些个体整合到信息资源池中可以实现低延迟的通信和计算。

    本文以高速公路服务区为研究对象，将雾计算与云计算相结合，实现高速公路的内容访问。接下来本文利用雾计算卸载计算任务到本地来实现低延迟服务。通过雾计算和云计算协作降低高速公路服务区内容访问的系统延迟，本文将系统划分为雾计算优化和云计算优化。在云计算优化时创新性地使用外部近似法(Outer Approximation，OA)优化云服务延迟，从而降低系统延迟。

1 高速公路服务区内容访问模型

    本文提出了一种基于雾计算的高速公路服务区内容访问的模型。在本文提出的模型中，高速公路服务区汇集所有闲置资源并将计算卸载到本地车辆。它作为信息接入点，为高速公路上的司机提供内容访问。

    如图1所示，该模型将公路服务区内的停放车辆和行驶缓慢的车辆作为通信基础设施。进入服务区的车辆既是访问内容的终端节点，也是承担数据转发和计算任务的雾设备。车辆通过雾计算来执行数据本地转发和通信中继的任务。雾设备根据收集的信息，将车辆分布到不同的类别中，如图1中A、B和C所示，其中A为优先级最高的安全消息，B为道路和交通信息，C为娱乐信息。

    雾计算本地化和实时响应的属性允许这些雾设备的车辆具有相当大的计算和通信能力，弥补了分布稀缺的RSU和云服务较高的负载本地化的不足。当并发流量很大时，雾设备请求远程云服务提供计算支持。通过高速公路上的服务区和进入服务区的车辆可以访问感兴趣的内容。为了保证访问内容的QoS，本文分析了雾与云之间的通信模型，并优化了系统通信延迟和能量消耗之间的关系。

2 系统通信延迟优化

2.1 雾-云通信模型

    为了研究由雾与云通信过程引起的延迟和功耗，本文建立了高速公路服务区内容访问的雾—云通信模型。如图2所示，高速公路上的车辆可以作为终端节点发送数据请求。车辆进入服务区或者经过服务区时可以访问内容。服务区内停泊的车辆和行驶缓慢的车辆充当雾设备，这些请求被发送到雾设备上。利用闲置资源进行本地化的低延迟计算共享信息以及其他服务。当并发处理能力不足或无法获得感兴趣的内容时，雾设备访问云服务器寻求帮助。服务区资源池同时执行雾计算和云计算。这个由三部分组成的系统将面临能量消耗和延迟权衡的问题。

    本文将考虑系统之间的功耗和通信延迟，并改进现有方法中实现低延迟通信的方法。本文将以公式的形式来量化通信模型，并且在优化模型阶段使用OA算法来优化云能量消耗和通信延迟。

    由于雾设备分布较广且每台雾设备性能有差异，在此使用α、P分别表示雾设备、雾设备的数目，i作为雾设备字母的下标。同时，利用β、Q表示云服务器、云服务器的数目，j作为云服务器字母的下标。雾设备在工作时，受限于自身性能，需要着重考虑计算所带来的能量消耗。并且当并发访问量增大时，伴随着能量消耗的提升。为不失一般性，本文通过表达每个雾设备i的能量消耗，w_i表示第i个雾设备工作分配量，单位为request/s，a_i、b_i、c_i为常数：

2.2 优化能量和延迟

    雾计算具有降低本地延迟，为用户提供高质量的内容访问和服务速率的特性。本文对雾计算参与的系统优化能量和延迟，研究考虑了在保证终端要求的时延限制同时最小化雾计算系统的能量消耗问题，需要最小化雾设备和云服务器产生的能量消耗，即：

    接下来解决雾设备能量消耗和计算延迟的权衡问题1和云服务器的能量消耗和通信延迟的权衡问题2。

    问题1为雾设备的能量消耗和通信延迟，η_i为能量消耗和计算延迟的权重。

    问题2为云服务器的能量消耗和通信延迟，f是连续变量，n、c是整型变量。为得到最优的结果，本文将使用OA算法连续迭代上下界的形式，一旦得出最优的f′和n′，就能得出最优c′，以及雾和云服务器能量消耗的限制函数。用F表示目标函数、G(c)和H(c，f，n)表示限制条件，有：

    问题1是一个线性限制的凸函数问题，为求函数最小值，求得最优解，这个问题可由内点法来解决，来得出雾设备上的能量消耗和产生延迟的最优方案。

    问题2是云服务上能量消耗和延迟的权衡的子问题，它是一个MINLP问题。由于问题中同时含有连续变量和离散变量，本文中利用OA算法来最优化此问题，将MINLP分解为NLP和MILP来分别求解。

    首先，OA算法将NLP问题分解为NLP1和NLP2。定义初始点f₀和n₀，有目标函数：

    外部近似得到最小的目标函数F^k及限制函数H^k，引入变量为η，将非线性函数的线性化转化到约束中，条件形式为：

其中，H^j为满足不等式约束的限制函数。

    之后，在MATLAB中通过函数FMINCON来优化限制通信延迟的问题2。

3 仿真结果分析

    在本节将介绍高速公路服务区车辆通信过程中的雾能量消耗和通信延迟的仿真结果。仿真在MATLAB R2014中利用OA算法来优化云服务的延迟。

    从图3中可以看出，雾设备请求的数量越多，能量消耗越大，导致通信延迟增加。这是因为雾装置的功耗与自我处理能力呈正相关。而且进程增加导致通信拥挤，延迟增加。

    图4给出了采用优化算法后，分配不同工作负载时的系统延迟和功耗。可以发现通过使用OA算法，系统延迟明显减少。该结果表明，雾计算和云计算相结合可以有效地减少系统通信的延迟。

4 结论

    本文研究了VANETs中高速公路服务区内容访问的雾计算模型。在该模型中，高速公路服务区被用作巨大的信息资源池以实现内容访问和通信中继。雾计算还可以本地化云计算和RSU的计算任务。然后分析了系统通信并公式化系统产生的功耗和通信延迟。本文采用OA算法来优化能耗与通信延迟之间的均衡。仿真结果表明，在系统能耗增加的同时，雾计算明显降低了系统的通信延迟。这项研究可以优化访问高速公路内容访问和中继通信困难的问题。

参考文献

[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:

马  伟1，2，邵彩幸1，2，刘明志1，2

（1.西南民族大学 计算机系统国家民委重点实验室，四川 成都610041；

2.西南民族大学 计算机科学与技术学院，四川 成都610041）