使用飞雾为车辆网络按需提供资源

摘要：自智能城市诞生以来，车辆网络为延迟敏感应用引入了新的维度。由于延迟，使用后端云数据中心不再是可行的解决方案。因此，为了支持这样的应用，计算设备被放置在边缘位置，以减少通信延迟，提高服务质量。然而，在拥塞的环境中，由于大量的计算请求，这些位置会超载，从而导致系统整体性能下降。本文以飞行雾单元的形式引入资源分配和配置的概念，提出了一个计算框架来解决这一问题。资源的租期是根据资源抢占式发放模型定义的。结果表明，与基线方法相比，所提出的框架的有效性，等待时间减少了9%，而系统效率提高了9%。

1.介绍

随着智能汽车的普及，车联网( IoV )为延迟敏感应用搭建了一个新的平台。例如，它提供了一种智能交通系统，车辆共享信息，进行实时决策，如路线规划、障碍物检测、应急信息发布和内容共享。然而，这些智能车辆提供有限的计算能力，这使得它很难同时执行多个应用程序。因此，引入了计算资源共享的概念，每辆车都可以使用邻近车辆和路边单元( RSUs )的计算资源。值得注意的是，在后一种情况下，传统上 RSU 被用作中继节点，将计算请求卸载到附近的基站和/或边缘位置，传播结果和共享关键信息。也就是说， RSU 上的任务卸载和计算资源的有效利用仍有待探索。

车辆计算领域的一些研究贡献使用 RSUs 作为计算范式。因为它们为多个用户提供并发支持，但计算能力有限。挑战在于，由于 RSU 空间有限、覆盖范围小、维护成本高，在 RSU 增加更多资源是不可行的。由于有许多传入的并发计算请求， RSU 很容易超载。这种情况可以通过资源分配来处理，而不是将任务转发到基站和/或边缘位置进行计算，从而导致通信和执行延迟。

计划框架-在本文中，我们提出了一个车辆计算堆栈，使用资源供应管理工作负载峰值。任何过载的 RSU 都可以从附近的基站提供资源。在这里，额外的资源是无人机( UAV )，分配的租期使用两种策略计算:本地和全球工作负载。前一种策略根据请求 RSU 的工作负载来定义租期，后一种策略根据被连接系统(所有接入基站的 RSU )的整体工作负载来计算租期。本工作的主要贡献如下:

• 提出一个完整的车辆计算堆栈，其中任务在三个不同的层执行:在车辆(自我执行)，在附近的 RSU ，和在附近的 RSU 租用的无人机资源。
• 提出一种两阶段资源分配算法来管理 RSU 负载。首先，过载的 RSU 根据动态负载发起一次或多次 UAV 资源请求。然后，该算法根据感知局部和全局的负载因素，将资源分配给 RSU 一个租期。
• 根据计算时间、等待时间、任务失败、能源消耗、系统效率和可用资源来评估系统。

组织 - 本文的其余部分组织如下。相关工作将在第 2 节中介绍。系统模型在第 3 节中给出。第 4 节详细介绍了建议的框架设计和实现。框架的评估将在第 5 节中介绍，然后在第 6 节中介绍代码可用性。最后，在第 7 节给出结论。

2. 文献综述

车辆网络由生成任务的车辆组成，这些任务随后在边缘节点上执行。在这种情况下，现有的任务转移工作提出了有效提供和/或有效利用现有资源的计划。文献[ 9 ]的相关工作提出了一种车辆网络节能任务卸载方案，以降低整体能源消耗。边缘节点通常是通过有线连接的 RSU 。这允许调度相邻 RSU上的任务，以满足任务的执行期限。执行结果通过多个 RSU 传递给移动车辆。尽管如此，在对延迟敏感的应用程序的实际场景中，在有限的时间内找到合适的 RSU 是困难的，也就是说，决定每个请求都会影响整个系统的效率。文献[ 10 ]中提出了一种类似的负载感知卸载技术，允许车辆选择边缘计算节点( RSU )执行任务。这个选择是根据边缘节点的工作负载执行的，这是从边缘节点的常规队列长度广播中计算出来的。然而，这种来自每个边缘位置的周期性广播会导致信道拥塞，特别是在边缘位置重叠的区域。随后，导致频繁的重传影响整个系统的效率。

一般来说， RSU 可以接受来自多个车辆的执行请求。使用一种简单的基于价格的任务卸载技术来管理这种一对多模型(文献[ 11 ])。简单地说，当 RSU 过载时，该技术会增加计算成本。尽管技术假设所有的车辆都连接到所有的 RSU ;因此，在任何 RSU 上以最小的延迟执行任务。但这是一种过于简化的任务卸载场景，这是不现实的，因为 RSU 的计算能力和通信范围有限。值得注意的是，在车辆和所选边缘节点之间没有直接通道的情况下，使用 V2V 通信模型进行任务转发。在文献[ 12 ]中提出了一个类似的基于集群的车辆边缘计算模型，该模型使用道路车辆执行任务。底层的多目标任务调度方案基于可用的计算和通信资源。除了配备车载处理单元的车辆外，还有专门用于高性能计算的其他车辆。正如前面提到的，这种技术是在动态环境中基于集群的，这在形成集群和选择集群头时带来了开销。在文献[ 13 ]中，类似的方法使用停放的车辆作为雾提供者。该系统采用基于激励的机制和动态卸载定价来提高系统效率。此外，停车的车辆可以作为雾车来支持延迟敏感应用，同时通过关闭冗余的雾节点来确保能源效率。需要注意的是，在上述模型中，使用了能耗、时延、数据传输、切换等不同参数来做出转发决策。然而，调优这些参数并找到最佳解决方案(文献[ 14 ])变得很有挑战性。

最近，方法涉及使用无人机进行任务卸载，例如，一架无人机将任务卸载到另一架无人机(空对空)或附近的边缘服务器(空对地)。文献[ 15 ]的相关工作提出了一种能量和延迟感知的计算卸载方案，在每个无人机上运行一个决策引擎。这项工作忽略了任何产生的排队延迟，这会影响能量和延迟方面的性能。此外，使用广播机制寻找邻近的无人机，这是一个昂贵的操作电池供电设备。文献[ 16 ]中类似的工作实现了协作无人机的概念，用于任务卸载，其中单个任务由多个无人机联合处理。这种超载无人机资源共享的概念提高了整体资源利用率。此外，本研究采用基于人工智能的决策方法，通过预测邻近无人机的机动性来预测资源可用性。无人机之间的协调和任务分配的开销在执行时间紧迫的任务时是非常重要的。

值得注意的是，前面讨论的许多工作都是基于任务向边缘位置或向基站转移的。由于 RSU 的计算能力有限，这些方法都无法解决这些问题。随着请求数量的不断增加， RSU 很难及时执行收到的任务。此外，当使用按次付费模式时，删除任务变得不可行的。如表 1 所示，在大多数情况下，卸载决策是基于能量、网络和执行成本的，但它们都不关注 RSU 的资源供应，以处理峰值负载。在本文中，我们提出了一个基于车辆的任务卸载和资源分配方案的生态系统。即使连接的车辆可以在本地执行任务，但它们也可以根据截止时间感知的卸载决策将任务卸载给邻近的 RSU 。由于 RSU 连接到多个车辆，它会跟踪所有的计算请求，并利用这些信息从基站提供更多的资源。在本研究中，资源以无人机的形式提供，因为它们提供足够的计算和存储容量来执行车辆请求。

3.系统模型

该系统包括一组无人机 U ，包括 $T_x$ 和 $R_x$ 作为发射和接收范围。每个无人机 $u\in U$ 的计算能力有限，表示为 $\phi$ ，能量表示为 E 。最初，所有的无人机都充满电，为一组车辆( R )提供计算，这些车辆连接到一组车辆( V )——计算请求源。在请求计算时，车辆 $v \in V$ 可以是移动的，也可以是静态的。请求报文 m 由车辆识别号和任务计算需求组成，以兆比特为单位，每比特需要 1000 个周期。计算请求被发送到一个 RSU $r\in R$。每个 RSU 的计算量有限，表示为 η 。 RSU 维护一个队列 $Q_r$来存放所有传入的请求。当超载时，它从基站提供资源，即 $u \in U$，计算能力为 $\phi$ 。所有从基站 RSU 接收到的资源分配请求都存储在队列 $Q_b$ 中。请求是基于分配策略 $\delta_b$ 实现的。无人机首先放置在基站上，之后在租期 t 的 RSU $r\in R$ 上分配一个或多个无人机。一旦分配，无人机就会在 RSU r 上飞行并悬停，从 RSU 任务队列 $Q_r$ 开始执行计算任务。在这里，我们假设每个 RSU 都安装了一个电网，为任何盘旋的无人机无线充电。然而，有些无人机可以在不充电的情况下飞行数月。此外， RSU 还可以通过基于负载因子的资源分配算法请求更多无人机。租期 t 结束后，该 RSU (如果有)将被重新分配给另一个 RSU (如果有)，否则返回基站。

3.1. 无人机的能源消耗

在无人机中，能量消耗取决于两个因素:信号处理时的通信能量消耗和无人机在高空时的推进能量消耗。值得注意的是，前者的消耗量比后者少得多。假设 $u \in U$ 是无人机， $r \in R$ 是租用无人机的 RSU ，则 $d_{(u,r)}$ 是无人机 u 与 RSU r 之间的距离，采用欧几里德三空间公式， $d_{(u, r)}=\sqrt{\left(x_{u}-x_{r}\right)^{2}+\left(y_{u}-y_{r}\right)^{2}+\left(z_{u}-z_{r}\right)^{2}}$ 。利用这一距离，从无人机 u 当前位置到 RSU r 位置的旅行时间 $T_u^{travel}$ 计算为 $\frac{d_{(u,r)}}{V_a}$，其中 $V_a$ 是无人机速度矢量的大小。在此基础上，我们利用[21]中提出的能量模型来计算无人机飞行时的能量消耗 $E^{travel}_u$，

$$E_{u}^{\text {travel }}=T_{u}^{\text {travel }} \cdot\left(P_{h}+P_{v}\right)$$

式中， $P_{h}$ 、 $P_{v}$ 分别为无人机前进和爬升推进功耗。在这里，以速度 V 飞行的无人机的 $P_h$ 可以用叶片型线、诱导功率和寄生功率对应的三个项来建模，

$$P_{h}=P_{0}\left(1+\frac{3 V^{2}}{v_{t i p}^{2}}\right)+P_{i}\left(\sqrt{\kappa+\frac{V^{4}}{4 v_{0}^{4}}}-\frac{V^{2}}{2 v_{0}^{2}}\right)^{\frac{1}{2}}+\frac{1}{2} d_{0} \rho s A V^{3}$$

其中， $v_{t i p}$ 为动叶的叶尖速度， $v_0$ 为转子在悬停时的平均诱导速度， $d_0$ 为机身阻力比， ρ 为空气密度， s 为转子的坚固度， A 为转子盘面积。这里 $P_{0}=\frac{\delta}{8} \rho S A \Omega^{3} R^{3} $ 和 $P_{i}=(1+k) \frac{W^{\frac{3}{2}}}{\sqrt{2 \rho A}}$ 是常数， $\delta$ 是轮廓阻力系数， $\Omega$ 是叶片角速度，转子半径 R ，诱导功率增量修正系数 k ，重量 W (牛顿)。另一方面，对于 $P_v$ ，由于垂直方向的力的平衡， k≈1 ，否则， $k = \frac{T}{W}$，即推力与重量的比值。这里， T 是转子推力，大小为 $\frac{\rho A v^{2}}{2}$ 。

悬停功耗 $P_{hover}$ 表示为 $P_0+P_i$ 。因为在提议的场景中，无人机在低空飞行；因此，悬停能量 $E^{hover}_u$ 定义为 $(T_{hover}\cdot P_{hover})$ ， $\forall a(t)=0$ ，其中 $v$ 是保持高度所需的速度，$a(t)$ 在任何时候的加速度 t 为0， $T_{hover}$ 代表总的悬停时间。

考虑 $P_{CPU}$ 是单个 CPU 的功耗，赋值为 $\frac{\bar{P}_{c} C}{f_{p}}$ ，其中 $\bar{P}_{c}$ 是要计算的能量消耗， C 是所需 CPU 周期的数目， $f_p$ 是 CPU 频率。类似计算用于本地和 RSU 上的计算。随后，有 n 个处理器的无人机（$E^{process}_u$）的总能耗如下所示： $\sum_n P_{CPU}$ ,其中 $ \Delta t$ 是处理器处于活动模式的持续时间。因此，激活状态的无人机上的任务计算能量 $E^{active}_u$ 计算为，

$$E_{u}^{\text {active }}=E_{u}^{\text {travel }}+E_{u}^{\text {hover }}+E_{u}^{\text {transmit }}+E_{u}^{\text {process }}$$

式中， $E_{u}^{\text {travel }}$ 旅行时能量消耗的无人机 RSU 租赁, $E^{hover}_u$ 是 RSU 本地化的能源消耗, $E_{u}^{\text {transmit}}$ 间能耗以及其他网络消息发送和接收任务, $E_{u}^{\text {process }}$ 代表了能源消耗在处理这个任务。同样，在空闲阶段，无人机能耗 $E^{idle}_u$ 计算为 $E_{u}^{\text {process }}+E_{(u,r)}^{\text {transmit}}$ 。

3.2.通信建模

在这项研究中，我们考虑毫米波（毫米波）技术在无人机和 RSU 之间，以及车辆和 RSU 之间。此外， RSU 通过包含比 RSU 更多计算能力的有线连接连接到基站。

无人机与RSU之间的通信——无人机与RSU之间的路径损耗 $L(r,h)$计算如下，

$$L(r, h)=20 \log \left(\frac{4 \pi f_{c} \sqrt{h^{2}+r^{2}}}{c}\right)+ P_{(r, h)}^{L o S} \cdot \eta_{L o S}+\left(1-P_{(r, h)}^{L o S}\right) \cdot \eta_{N L o S}$$

其中 r 表示无人机与 RSU 的距离， h 表示无人机高度， $f_{c}$ 表示通信信道频率， c 表示光速。这里， $P^{L o S}$ 是空中通信所需的视线概率。

$$P_{L o S}(r, h)=\frac{1}{1+a \exp \left[-b\left(\arctan \left(\frac{h}{r}\right)-a\right)\right]}$$

其中 a 和 b 是常数。 $\eta_{L o S}$ 和 $\eta_{N L o S}$ 是城市环境中除自由空间路径损失外，视距(LoS)和非视距(NLoS)链路的附加损失。

RSU 与车辆之间的通信——车辆与 RSU 之间距离 d 处的路径损耗 L(d) 计算为，

$$L(d)=69.6+20.9 \log (d)+\epsilon$$

式中 $\epsilon$ 为均值和方差分别为 $[0,\sigma^2]$ 的加性高斯白噪声(AWGN) 。

3.3.通信时间建模

无人机到 RSU 的通信-我们假设无人机到 RSU 和 RSU 到无人机之间的对称数据率计算为，

$$d_{r}=B \log _{2}\left(\frac{1+\bar{P}_{u} / L(r, h)}{N_{0}}\right)$$

式中， B 为可用带宽， $\bar{P}_{u}$ 为无人机发射功率， L(r, h) 为路径损耗， $N_{0}$ 为噪声功率谱密度。

无人机与 RSU 之间的传输时延 $T_{u 2 r}^{\text {transmit }}$ 为:

$$T_{u 2 r}^{\text {transmit }}=\frac{M}{d_{r}}$$

其中 M 为输入数据大小。

RSU 到车辆通信—单跳成功传输概率 $P_{hop}$ 设为，

$$P_{h o p}=\frac{1}{2}\left[1+\operatorname{erf}\left(\frac{\psi(d)}{\sqrt{2} \sigma}\right)\right]$$

其中， $erf(·)$是偏差函数， $\psi(d)=\bar{P}_{v}-\Theta-N_{0} W_{m m}-L(d)$ 。这里， $\bar{P}_{v}$ 是传动功率， $\Theta$ 为信噪比阈值， $N_{0}$ 为 AWGN 的功率谱密度， $W_{m m}$ 为毫米波传输的带宽。

车辆和 RSU 之间的传播延迟 $T^{transmit}_{r2v}$ 为,

$$T^{transmit}_{r2v} = \frac{2 T_{slot}}{P_{hop}}$$

其中 $T_{slot}$ 代表消息传输的单位时间。

传输总传输时间 $T^{transmit}_{u}$ 被计算为，

$$T^{transmit}_{u} = 2 \cdot (T^{transmit}_{r2v}+T_{u 2 r}^{\text {transmit }})$$

注意，在 RSU 计算过程中， $T_{u 2 r}^{\text {transmit }}$ 为0，而在本地计算过程中， $T^{transmit}_{r2v}$ 和 $T_{u 2 r}^{\text {transmit }}$ 都为 0 。

3.4. 通信中的能耗模型

无人机到 RSU 的通信-是 $E^{transmit}_{u2r}$ 发送 M 个数据包的平均能耗，表示为：

$$E_{u 2 r}^{\text {transmit }}=\bar{P_{u}} \cdot T_{u 2 r}^{\text {transmit }}$$

其中 $\bar{P_{u}}$ 表示无人机的发射功率。

RSU 到车辆通信—为 $E^{transmit}_{r2v}$ 传输 M 个数据包的平均能耗，表示为:

$$E_{r2v}^{\text {transmit }}=\bar{P_{v}} \cdot T_{r2v}^{\text {transmit }}$$

其中 $\bar{P_{v}}$ 代表车辆发射功率。

在租用无人机执行任务时，总传输能量 $E^{transmit}_{u}$ 为:

$$E^{transmit}_{u} = 2 \cdot (E^{transmit}_{r2v}+E^{transmit}_{u2r})$$

注意， $E^{transmit}_{u2r}$ 在 RSU 计算的情况下是 0 ，而 $T^{transmit}_{r2v}$ 和 $T^{transmit}_{u2r}$在本地计算的情况下都是 0 。

3.5. 装载任务

我们假设有 3 架 RSU , 3 架无人机， 5 架飞行器。每辆车生成一个随机 Mbits 要求的计算任务。任务根据计算策略 $\delta_r$ 在附近的 RSU 执行。然而，由于有限的计算资源可用性，更多的资源是由无人机在 RSU 提供的。 RSU $r\in R$ 处的卸载决策是基于 $c_t$ ，即距离内车辆最近一次卸载任务到 RSU 的完成时间。因此，从 RSU 到 UAV 的卸载功能可以表示为:

$$Q_{(u, r)}=\left\{\begin{array}{cc} 1 & c_{t}>\tau \\ 0 & \text { otherwise } \end{array}\right.$$

其中， $\tau$ 表示以无人机的形式向基站发起资源分配请求的阈值。这一要求在无人机可用时得到满足。 RSU 在请求另一架无人机时，除非任务队列超过边界条件 $2\tau$ ，否则只能请求一架无人机。类似地，在 $3\tau$ 处，第三个请求被启动，直到最多 4 架无人机。

4.提出的框架设计和实现

提议的框架提供来自基站的资源供应，基站比数据中心低一级。基站充当一个提供计算请求的边缘位置。为简单起见，我们假设基站由多个 RSU 组成，每个 RSU 所覆盖的区域不重叠，如图 1 所示。因此，车辆只能与附近的 RSU 进行通信。这一切都始于车辆向其附近的 RSU 发送计算请求。考虑由车辆发起的具有计算需求的请求。当收到附近的 RSU 时，根据 RSU 的任务队列计算期望等待时间 EWT (expected waiting time) 。计算出的 EWT 与请求车辆共享，用于帮助车辆决定是在本地执行任务还是将任务卸载给 RSU 。在后一种情况下， RSU 从其输入队列中挑选一个任务进行计算。选择逻辑在策略模块中实现。任务执行完成后，结果存储在输出队列中，然后通过调度程序发送到请求车辆。上述卸载过程的总体工作流程在车辆的算法 1 和 RSU 的算法 2 中列出。此外，由于车辆的移动性，结果可以通过基站和其他 RSU 传送。

由于 RSU 的容量有限;当请求量较大时，由 RSU 向基站发起资源发放。最初，基站将无人机分配给请求的 RSU ，称为飞行雾。引入这个概念是为了在过载的 RSU 上为延迟敏感的应用程序提供动态支持。由于通信范围有限，每个 RSU 都与一定范围内的设备进行通信。传统上，数据中心为大的地理区域提供后端计算服务。它接收来自基站的计算任务，有效地利用其资源，并将结果返回给请求的基站。通常，这种传统方法用于使用数据中心管理大量请求，数据中心由数千个连接到高速连接的计算设备组成。然而，将任务从基站发送到数据中心会导致额外的延迟，并影响商定的服务质量。注意，在网络的上部，基站连接到后端数据中心;因此，允许他们根据工作负载将计算请求转发到数据中心。但是，在数据中心实现的调度策略执行任务的顺序与在区域基站级实现的策略不同。因此，对于延迟敏感的应用程序，使用后端数据中心是不合适的。

使用飞行雾单元的动态资源供应——在 RSU 过载的情况下，资源从基站供应。在这里，飞行雾被用作基站可用的计算资源。 RSU 可以以无人机的形式向基站申请额外的计算资源，基站作为固定租期的无人机资源分配的集中控制器，如算法 3 所示。在分配后，无人机旅行到 RSU 的位置，以辅助作为一个额外的计算资源。我们假设无人机可以同时管理多个任务执行，同时为任务处理提供有限的存储空间。在该框架中， RSU 将任务分配给无人机。任务首先被放置在 UAV 任务队列中，并基于先到先服务( FCFS )策略执行。执行完成后，将结果发送给 RSU , RSU 随后将结果发送给请求车辆。为了满足车辆的移动性，框架支持通过不同基站调度结果，即执行卸载任务的 RSU 将结果发送给基站，基站再将结果转发给车辆附近的 RSU 。

显然，当附近车辆密度增加时，RSU会超载。这种情况通常发生在短时间内，需要使用资源分配来处理这种情况，即本研究中从基站租用的无人机。为此，我们实现了先来先服务的资源供应。

抢占先来，先服务资源分配—当 UAV 分配给请求 RSU 时，根据请求 RSU 的工作量确定租期。根据当前任务队列长度和 RSU 的平均计算时间来确定工作负载。更具体地说，它被定义为 $min((T_{end}−\tau),\tau)$ ，其中 $T_{end}$ 为 RSU 上排队的最近任务的完成时间， $\tau$ 为从基站请求无人机的决策边界。需要注意的是，租期不包括到达指定 RSU 的时间。在分配给 RSU 时， UAV 成为执行未决任务的额外资源。一旦租期到期， UAV 返回到基站，并且可以重新分配到另一个过载的 RSU 。

依赖于状态的资源供应——我们还定义了租期权重 w ，以延长前面定义的租期 $T_{lease}$ 。在这里， w 是使用本地感知或全局感知的工作负载确定的状态相关参数。

1.本地依赖于状态的资源分配——权重 w 基于基站的过载状态，

$$w=\left\{\begin{array}{cl} \frac{1}{1-u} & \text { if } u \geqslant 0.5 \\ 1-u & \text { otherwise } \end{array}\right.$$

其中利用率 u 计算为 $\frac{|Q_b|}{|u|} $ 。 RSU 以最小租金 $min(T_{lease} + w(T_{end} - \tau),\tau)$ 租用无人机资源。

2.全局依赖于状态的资源分配——权重 w 基于所有 RSU 的总体工作负载。也就是说，在整个系统过载的情况下，单个 RSU 的计算需求可以持续更长的时间。为了做到这一点，我们从 $\bar{L_i}$ 开始，即区间 $\Delta t$ 时 RSU i 处的负荷，

$$\bar{L}_{i}=\frac{1}{\Delta t} \int_{t-\Delta t}^{t} L_{i}(t) d t$$

基站已知的所有 RSU 的总负载 L ，

$$L=\sum_{i=1}^{|R|} \overline{L_{i}}$$

基站已知的所有 RSU 的平均利用率u，

$$u = \frac{L}{C}$$

式中， L 为总负载， C 为所有 RSU 的总计算能力。

租期权重 w 如等式(16)与 RSU 请求首先是租赁一个 UAV 资源的时间 $min(w(T_{end}-\tau), \tau)$ 。

5.绩效评估

本节将介绍拟议框架的性能评估。用于基准测试的参数包括平均计算时间、能量、任务失败、平均队列长度和系统效率。使用 AnyLogic 进行实验时的仿真参数如表 2 所示。

5.1.场景

该系统提供了不同层次的计算基础设施。最底层(仅 V )在本地计算任务。回想一下，这一级别包括计算和存储能力有限的车辆。接下来是 RSU 的静态基础设施，用于为范围内的车辆提供计算。这些车辆可以将计算任务转发给附近的 RSU 。这一层表示为 R ，再往上是基站/边缘位置。注意，在这个框架中，我们只使用基站进行基于 RSU 工作负载的资源分配。

在仿真中，我们测试了三种不同的场景:首先，基于本地计算( 仅V )。第二，包括 V 和 R 的计算，称为( V + R )。在这种情况下，车辆要么在本地计算，要么将其任务转移到附近的 RSU 进行计算。决策是基于任务和车辆计算能力。第三，通过车辆、 RSU 和无人机完成计算请求。过载时， RSU 以无人机的形式提供更多的资源。该场景记为( V + R + U )，并采用两种策略定义前面介绍的无人机租期。

为了进行评估，我们改变了车辆到达率和任务生成率，以查看工作负载对 RSU 的影响。在仿真运行中，每辆车在一定的计算要求下，随机间隔一段时间后生成计算任务。 RSU 基于 FCFS 从队列中选取任务。在这里，我们使用多个执行单元对 RSU 进行建模，将传入的任务分配给可用的节点执行。通过增加任务队列长度和平均完成时间， RSU 可以从基站提供更多的资源。基站将这些请求保持排队，并根据两种策略为无人机分配租期。分配的无人机为 RSU 提供了计算能力，减轻了 RSU 的工作量。所使用的仿真参数如表 2 所示。

5.2.实验结果

平均计算时间——是基于计算任务到达 RSU 所测量的时间。计算时间包括排队等待时间和任务处理时间;对应 RSU 上的工作负载。

图 2 显示了三种情况下车辆到达率变化对平均计算时间的影响。对于 V ，只有本地板载计算单元在执行大小在 [15–50]Mbit 之间的任务时花费了大量时间。因此，在（V+R）中添加 RSU 显著降低了车辆的负担。然而， （V+R）和（V+R+U） 最初非常接近，但当到达率超过 300 时，性能差距变得明显。这是因为（V+R+U）中提供了资源调配，以缓解 RSU 过载的问题。虽然在到达率为 500 的情况下，性能差距消失了，但可以通过提供更多无人机来改善。

类似地，在图 3 中，进入模拟环境的车辆总数是变化的。对这三种情况进行了比较。结果显示 （仅V） 场景需要更多时间。这是由于车辆上可用的计算能力有限。然而，由于专用计算设备的可用性，使用 RSU 减少了平均计算时间。当使用建议的资源调配方法来管理过载的 RSU 时，性能会进一步提高。值得一提的是， （V+R+U） 的两种模式（局部和全局）之间的差异似乎微不足道；然而，我们注意到，与本地模式相比，全局模式的性能有了显著改善，即前者大约快 25 秒。这很可能是因为全局模式预计，根据整个连接系统的当前状态，分配的 RSU 将过载。因此，延长租赁期有助于提前应对此类情况。

平均等待时间–定义为任务在执行前等待的时间。图 4 显示了 （V+R） 和 （V+R+U） 之间的平均等待时间。 很明显，无人机的使用减少了平均等待时间；然而，在（V+R+U）的情况下，全局方法比局部方法表现更好，因为它考虑了整个系统的工作负载来计算资源租用时间。值得一提的是，拟议的框架为任务执行提供了不同级别的计算，例如在车辆、 RSU 和无人机上。请注意，如果所有任务都在车辆上本地执行，由于车辆的计算能力有限，因此延迟和计算时间都非常长。随后，任务被卸载到 RSU ， RSU 又将任务卸载到无人机。此外，由于车辆是任务生成的来源，即车辆越多，系统中生成的任务就越多。尽管系统中的计算资源在增加，但任务总数也在增加。等待时间呈上升趋势。

任务失败率–定义为成功执行但结果交付失败的任务数与任务总数的比率。 通常，当快速移动的车辆在任务提交后快速移出范围时，会发生故障。在图 5 中， （V+R） 和 （V+R+U） 在故障率方面进行了比较。结果表明， （V+R） 的失效率高于 （V+R+U） 的两种变体。这是因为与 （V+R+U） 中采用的资源调配模型相比，等待时间更长。值得注意的是，使用无人机时，平均故障率约为 5% ，通过优先执行快速移动车辆的任务，可以进一步降低故障率。此外，两个变体 （V+R+U） 在失效率方面彼此一致。与仅涉及车辆和 RSU （不包括本研究中提出的飞行物联网）的传统场景相比，这相当于良好的效率。

平均能耗–是在每个场景的多个模拟运行期间消耗的能源量。图 6 显示了所有三种情况下的能耗。 计算能力有限的 V-only 场景会消耗更多的能量来完成计算任务。另一方面， （V+R） 和 （V+R+U） 消耗的能量差异最小。在后一种情况下，除了无人机任务计算能量外，能量还包括从基站到指定 RSU 的无人机旅行能量。此外，图 7 显示了仅适用于全局变量的 （V+R+U） 能耗分解。我们观察到， RSU 在执行大部分计算时消耗了大部分能量，其次是车辆和无人机。

系统效率——定义为生成的任务总数与处理的任务总数之比。图 8 显示了 （V+R） 和 （V+R+U） 在不同到达率下的效率比较。我们观察到后一种情况的效率更好。这是由于 RSU 以飞雾的形式提供了资源。因此， （V+R+U） 最终会处理更多的任务。此外， （V+R+U） 中的本地和全局策略表现出相似的性能。值得一提的是，在使用无人机时， RSU 过载的情况是可以管理的。这可以通过增加无人机的数量而不是扩展永久性的物理基础设施来进一步改善。

对系统性能的影响——图 9 显示了资源调配对整个系统的影响。该图显示了无人机数量增加时平均等待时间和计算时间的比较。我们观察到，由于支持并行执行，计算时间随着无人机的增加而减少。 请注意，所需无人机的数量取决于 RSU 的工作量；因此，随着无人机的增加，计算时间变得稳定。在等待时间方面也可以观察到类似的趋势。请注意，结果显示了所有 RSU 的累计平均计算和等待时间。

5.3. 讨论

提出的框架使用资源调配机制管理 RSU 的突然工作负载峰值。在这项工作中，基站上的资源可以作为飞行雾单元（带有机载计算单元的无人机）使用，以支持在过载的 RSU 上执行任务。传统上，方法使用边缘和基站的计算能力，而 RSU 用于将计算请求从车辆路由到基站。类似地，它们用于将结果从基站发送回车辆。然而，在本研究中，我们提出了一个完整的执行机制，其中任务可以在车辆和 RSU 上执行。这里，基站接收资源供应请求，并根据不同的策略分配无人机。这些政策规定了每个指定的飞行雾单元的租赁期。结果表明， RSU 的峰值负荷可以通过无人机进行管理；因此，无需添加额外的硬件设备。该框架提供了平均等待时间、计算时间、故障率、效率和能耗方面的基准。在所有这些措施中，除了具有类似结果的能量外，采用飞雾的拟议框架的表现显著更好。

尽管基于飞行物联网的解决方案的部署似乎更高，但该解决方案的主要动机是在不安装额外物理资源的情况下处理高峰工作负载。毫无疑问，在临时工作量激增的情况下，这是一种成本效益低下的解决方案。然而，我们提出了一个采用无人机的框架，以促进这种高峰工作时间。

此外，无人机从基站移动到指定的 RSU ，除了移动过程中消耗的能量外，还与开销有关。然而，这种开销可以通过在未来采用其他最优分配策略来减轻。此外，无人机的能量仍然是该领域的一个关注点。但随着技术的进步，文献[31]中提出了不同的能量收集技术，如无人机交换、电池热交换和无线传输。这些关于无人机能耗的现有工作将使飞雾能够管理 RSU 的临时峰值工作负载。

在未来，我们有兴趣探索此类预测性工作负载模型，以实现高效的资源调配和分配。此外，我们有兴趣在无人机中探索并融入自主性，在无人机中，他们可以合作找到最佳位置和分配技术，并使用上下文感知模型进行轨迹规划。类似地，无人机分配也可以考虑飞行时间、无人机剩余能量和能量收集时间等参数。最后，值得一提的是，所提出的开源框架将为研究人员利用各种资源分配技术和算法进一步提高性能以更好地利用飞行 IoTS 奠定基础。

6.可用性

提议的框架是一个开源项目，可在GitHub https://github.com/AsadWaqarMalik/FlyingFogs匿名获取。该框架可在网上获得，我们希望研究界基于我们提出的模型建立新的方法和技术。此外，作者有兴趣将这项工作扩展到添加场景和方法，例如协作飞行雾和资源预测技术。

7.结论

拟议的框架使用了飞行雾单元，以促进 RSU 的峰值工作量。传统技术使用基站作为备份计算单元。因此，它增加了进一步的延迟，可能不适合延迟敏感的应用。该框架提供了一个全面的计算环境，其中车辆、 RSU 和无人机被用作一个计算单元。根据我们广泛的文献综述，目前还没有使用无人机动态管理工作负载的框架。该框架为光纤陀螺计算环境提供了新的方向，在光纤陀螺计算环境中，无人机按需提供计算基础设施，所有这些都通过一个集中的基站进行管理。大量的实验部分显示，使用无人机后，工作负荷显著减少，等待时间缩短。

竞合利益声明

作者声明，他们没有已知的可能会影响本文报道的工作的相互竞争的经济利益或个人关系。

承诺

这项工作是由马来亚大学的教师计划，受到GPF019-2019资助。