英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料
SDN / NFV增强的未来IoV，具有增强的通信，计算和缓存功能
差异化延迟要求[63]。在基于SDN的IoV场景中，基于V2V的流量路由用于从蜂窝网络卸载数据是一种经济高效的解决方案，其中本地SDN控制器可以根据收集的车辆中计算出跨不同RSU覆盖范围的最佳V2V路由路径网络信息[64]和车辆移动性预测[65]。
C.车辆边缘云
由于MEC服务器的部署成本，另一种方法是在附近的车辆之间探索计算任务的机会，以减少任务执行的响应延迟，从而满足严格的延迟要求，并减轻边缘服务器的计算负担。 因此，通过采用车辆联网技术，一些计算能力强的车辆可以形成称为VC的车辆边缘云，以协同执行各种计算任务[4]，[22]，[56]。VC的概念已变得很重要，尤其是在自动驾驶领域，在该领域中，车辆需要不断地从环境中收集大量传感数据，以便及时进行处理并采取适当的措施。形成用于协作计算的有效VC可以显着减少MEC服务器上任务执行的双向响应延迟，并通过有效的任务分发来提高计算性能。
由于加入和离开VC的车辆动态变化，VC的计算资源可用性可能是间歇性的。基于来自不同服务的计算需求，需要定制如何选择车辆以形成有效的VC以及如何在所选车辆之间调度任务以确保在车辆接触时间内完成任务，这在技术上具有挑战性。将SDN与MEC结合在一起是一种很有前途的架构，可以促进VC的建立并为在VC内的车辆之间计算任务执行和数据流量路由做出本地集中的决策。在文献中，基于资源可用性的信息，研究了如何利用SDN动态地形成VC并在车辆之间分配任务以进行协作计算，其中考虑了资源可用性和任务相互依赖性的差异，以最大程度地缩短SAR的平均响应时间。任务完成，部署在每个MEC服务器上的本地SDN控制器有助于将附近的车辆分组以形成VC，部署在云服务器上的中央SDN控制器协调分布式MEC服务器以对VC组进行集中管理。如何设计分层控制器架构（就确定放置位置，必要的控制器数量以及控制器之间的网络拓扑而言）仍然是一个关键且具有挑战性的研究问题，因为它取决于大小，稳定性，资源可用性和可用性。每个VC的任务计算负荷。还需要通过考虑每个VC与控制器之间的信息交换来指定控制器的运营成本，包括网络状态信息的类型，数量和交互频率。因此，目标是确定适当的SDN控制器体系结构，以在一定的控制器部署和运营成本下改善VC的形成和计算任务分配性能。
VI. IOV的缓存服务
通过越来越多的车载移动设备，IoV可以支持驾驶员和乘客不断增长的信息娱乐应用程序，以改善他们的道路体验。但是，这些信息娱乐应用程序（例如高清视频流，在线游戏和未来的AR / VR）可能会消耗大量频谱资源，并且具有严格的实时服务交付要求，这给车载网络带来了挑战。此外，要实现自动驾驶，必须为车辆提供实时的大容量高清地图，这有助于在道路上定位精确的车辆位置（精度为10–20 cm），而这会消耗大量的地图资源。计算和通信资源。移动边缘缓存在提供令人满意的车辆服务供应方面起着重要作用，在此基础上，内容可以缓存在靠近最终车辆的边缘节点上。通过允许用户在一个传输跃点内获取内容而无需遍历多跳核心/回程网络以到达内容的Internet或云服务器，它可以显着减少服务延迟并减轻回程压力。但是，创建有效的缓存系统并不容易，因为缓存部署，缓存内容更新和内容分发的问题很重要，但尚未解决。缓存部署问题涉及在何处部署缓存功能以及要分配多少缓存空间，这对于增加成功下载缓存数据的可能性至关重要，但它也是劳动密集型的，具有较高的资本和运营支出[66]。缓存系统的性能可以通过三个指标来衡量：1）缓存增益-成功下载的数据量占请求数据总量的比例；2）内容点击率-内容点击数超过请求数；3）缓存多样性-不同BS上缓存内容的类型。因此，有效的缓存部署旨在在部署成本（包括安装成本和硬件维护成本）的约束下最大化缓存增益[66]。考虑到车辆的机动性和与车辆不同的时空内容请求模式，如何更新缓存的内容以实现较高的内容命中率对于提高缓存性能至关重要[67]。当从车辆请求的内容被命中时，如何将内容传播到最终车辆也会影响服务质量。通过在靠近车辆的BS处利用较高的信道质量，在多个位置缓存重复的内容可提高传输效率，但是，这会降低缓存的多样性。实现有效的内容传播是在传输效率与缓存多样性。SDN / NFV技术可以潜在地利用缓存性能增强来解决上述问题。
A．缓存部署
边缘缓存部署是一个不平凡的问题，因为车辆的内容需求不可预测且车辆位置随时间变化。在典型的车辆场景中，移动的车辆，固定的RSU和BS是缓存功能的可能执行者。车辆的计算和数据存储能力有限，并且其机动性导致难以充分利用其缓存功能，尤其是在通信链路不稳定的情况下。RSU是轻量级的，具有潜在的大规模部署。为了获得令人满意的缓存性能，所有候选RSU之间缓存位置的部署策略旨在平衡部署成本和缓存增益之间的权衡。 对于蜂窝BS，应适当确定缓存大小。不足的缓存大小可能无法完全释放缓存潜力，而过多的缓存空间会导致资源浪费。为了最大化长期缓存的收益，应该对用户关联和数据流量进行统计分析，以开发大规模Wi-Fi系统中的策略[66]。可以通过挖掘现有的大规模GPS轨迹[68]来了解时空车辆交通变化，以用于RSU和BS的缓存部署。同样，为了在移动的车辆上部署缓存功能，可以基于GPS轨迹研究一对车辆之间的无线互连时间[69]及其社交行为（例如，车辆行驶路线）[70]，以提高缓存性能。但是，固有的“一站式”部署方法无法以最大的缓存增益适应所有车辆交通状况。NFV技术可以帮助促进动态缓存部署。借助NFV，车辆上的计算和存储资源将被虚拟化，以支持不同功能，例如可编程软件实例。这样，可以在不同的车辆上灵活地编程缓存功能，以利用它们的资源可用性，尤其是在RSU和BS覆盖率均不足的农村或偏远地区[71]。在车辆交通不畅的区域，可以进一步释放一些用于传感和计算的虚拟资源，以支持更多的缓存功能实例，以按需提供内容请求来服务附近的车辆[72]。在市区，可以在非高峰时段停用RSU和BS上多余的缓存功能实例，并且释放的虚拟资源可以用于支持其他网络功能，例如防火墙和重新传输。因此，资源虚拟化技术可以通过在不同的时空场景中容纳更多的缓存功能实例来提高缓存的部署性能[73]。此外，对于动态缓存部署，可以利用SDN来决定何时，在何处激活/停用缓存功能实例以及多少实例。通过收集实时网络状态信息和自定义动态缓存策略来分配虚拟化存储以支持缓存功能实例[74]。
B．缓存内容更新
除了需要优先缓存的HD映射外，每个用户可能还具有其他Internet内容的唯一首选文件列表。在给定某些缓存资源的情况下，要缓存什么内容以及何时更新是一个重要的研究问题，其目标是最大化缓存内容的命中率。文献中有两种常规的缓存策略：1）最近最少使用（LRU）：当缓存已满时，替换最近最少请求的内容；2）最不经常使用（LFU）：当缓存已满时，最少 经常请求的内容将被替换。两种策略都是通用方法，但是它们的粒度不足以满足时空模式的用户需求。例如，通过学习真实的数据集，该数据集存储了200万用户的30万条独特的视频观看记录，Ma等人。[67]研究用户请求模式并确认其时空变化特征。一些工作旨在基于嘈杂的线性模型[75]或以人为中心的信息（例如，拜访的地点和所请求的内容）[76]来预测内容的流行度，以提高内容的点击率。为了适应Internet内容的时空流行变化，大数据[3]和新兴的AI技术[77]是必不可少的方法。集中式SDN架构提供了合适的实施平台。特别是，借助OpenFlow（或其扩展）协议，SDN控制器可以促进具有用户ID，时间和位置的内容请求的收集，并生成统计上足够的数据集。给定一个位置，就可以离线学习文件请求的时间序列并对其进行建模，基于这些位置，可以启用位置感知的在线流行度预测[78]。 这样的信息对于动态内容放置策略以提高整体内容命中率很有用。通过动态网络状态的离线预学习以及位置和时间等其他功能，可以提高用于制定实时学习决策的收敛速度，以保持快速变化的车辆交通状况的步伐。 即使可以获取历史文件请求的信息，由于SDN控制器的存在，内容需求的随机性也会降低缓存性能。例如，游戏请求的内容分发可能会发生重大变化，这会偏离预测结果。同样，如果发生交通事故，可能会生成突发性和不可预测的文件请求，从而降低AI模型的准确性。因此，当训练的模型失去效力时，应该有一个备用方案。它应及时对意外事件做出反应，并作为替代方案来弥补AI决策导致的性能下降。此外，受欢迎文件列表通常会随着时间快速变化[67]，这要求SDN平台不断收集最新的用户请求记录，以更新训练模型。大规模数据收集和计算上昂贵的模型训练会给平台带来沉重负担。
C．缓存内容分发
在IoV中基于SDN / NFV的缓存内容分发的主要目标是使内容检索时间最小化[73]。 但是，由于传输效率和缓存多样性是相互矛盾的目标，因此实现此目标在技术上具有挑战性。 通过在更好的信道上成功获取内容，可以在多个BS处缓存重复的内容，从而提高了传输效率，但由于缓存空间的利用不足，因此降低了内容缓存的多样性。另一方面，当在BS和车辆之间的信道质量低时，在多个位置处缓存不同的内容，称为协作缓存，增加了内容缓存的多样性，但是降低了所缓存的内容的传输效率。 缓存内容分发的实质是研究多维资源（例如，缓存资源和无线电资源）管理问题，以平衡缓存多样性和传输效率之间的权衡，同时考虑到BS上的可用缓存位置，缓存空间和无线电资源，和车辆机动性。在数学上，可以制定多维资源分配问题以共同优化两个缓存性能指标：1）内容命中率和2）内容交付时间。由于问题的复杂性，很难开发一种简单，准确的算法来在高度动态的车载网络中做出实时决策。另外，无模型强化学习（RL）方法仍然是一种易于处理的在线学习方法，可以快速收敛且具有较高的准确性[18]。具体而言，可以将动态车辆场景中的多维资源分配问题描述为马尔可夫决策过程（MDP），并且可以通过对内容位置和用户关联进行实时决策来应用RL方法来解决MDP。最大化时间平均回报。奖励函数可以表示为内容多样性和内容传递时间的加权函数。在与网络环境进行交互时，基于RL的方法尝试在探索（随机尝试一个动作）和开发（基于当前知识选择最有希望的动作）过程之间取得平衡，以实现时间平均回报最大化。由于车辆的移动性和有限的无线通信范围，车辆与缓存位置之间的连接是间歇性的，从而可能导致无法下载完整的缓存内容。因此，考虑到迁移率预测，如何协同地预取多个位置处的内容的一部分以最大化内容命中率对于增强内容分发是重要的。
VII．开放研究问题
对于IoV，在考虑到较高的车辆移动性，增加的数据流量负载以及多样化的服务要求的情况下，在改善网络性能方面存在许多开放的技术问题。在本节中，将从通过应用SDN / NFV技术增强IoV性能的方面讨论一些潜在的研究问题。从通信的角度，我们确定了在IoV场景中利用SDN / NFV技术在多层异构通信基础架构（例如，宏单元BSS，小单元BS和RSU / APs）中进行网络级资源切片的重要性和有效性。用于服务定制。从计算的角度，讨论了车辆网络边缘的VNF链接和放置问题。另一个潜在的研究问题是如何在支持SDN / NFV的车载网络中共同分配通信，计算和缓存资源。我们还将讨论用于多维资源分配的分层SDN / NFV控制器部署。
A . IoV的资源切片和车辆访问控制
SDN和NFV是增强网络级通信和计算资源编排以及终端设备关联的集成的关键技术。SDN / NFV集成控制模块通常放置在核心网络的边缘，并通过回程链路物理连接到一组BS / AP [79]。集成控制模块通过可编程控制链路从底层车辆网络收集重要的网络状态信息，例如BS上的资源预留信息，车辆密度和移动性，数据流量负载，不同服务需求的统计信息以及具有QoS要求的支持服务类型。因此，控制模块做出网络级决策，以更新车辆访问控制策略并在BS / AP之间重新配置整体网络资源，以创建用于不同服务的资源“切片”。由于无线电资源分配和基站用户之间的相互依存关系，如何共同处理资源分片和车辆访问控制以最大化网络级资源利用率是一个关键的研究课题。 3GPP版本15 [80]和版本16 [81]制定的5G系统标准规定了5G无线电接入网络和核心网络（例如AMF，网络切片选择功能（NSSF））之间的分离网络功能，以支持网络切片，并引入新的接口（例如Xn）以促进gNodeB之间的资源共享。根据用于服务区分的QoS要求（例如，比特率和等待时间）提供切片特征的一般描述。 尽管在3GPP标准中已经提出了网络切片概念，并且已经针对5G无线和核心网络研究了无线资源切片问题[31]，[82]，但仍在设计支持多种IoV应用的最佳资源切片框架。它的婴儿期考虑到车辆和小型移动小区的移动模式（例如，无人机所覆盖的区域），资源异构性以及在时延，可靠性和数据速率方面不同的IoV服务要求，在IoV场景中问题变得更加复杂。在现有工作中为IoV提出了基于SDN- / NFV的资源切片框架[43]。研究了联合通信和计算资源切片问题，以最大程度地减少边缘辅助车辆网络的车辆连接中断概率
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[262668]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
