英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文（翻译）

题 目 边缘计算环境下无人驾驶汽车增强现实应用的仿真

原 题 Simulation of an Augmented Reality Application for Driverless Cars in an Edge Computing Environment

边缘计算环境下无人驾驶汽车增强现实应用的仿真

利兹大学计算学院，英国王子萨塔姆·本·阿卜杜勒阿齐兹大学

摘要：近年来，由于物联网（IOT）对云计算的要求无法满足，边缘计算（EC）得到了越来越多的关注。它的目标是使计算能力和资源更接近网络的边缘，以满足物联网的需求，如位置感知和移动支持。此外，EC应用程序的可伸缩性还受到计算和网络系统参数的影响。研究这些参数的影响将有助于支持未来应用程序的设计，特别是随着物联网设备数量的大幅度增长，本文旨在模拟无人驾驶汽车的现实应用，研究边缘环境下计算和网络系统参数的影响。在此基础上进行了大量的仿真研究，并对未来的边缘应用设计提出了建议。

关键词——边缘计算，增强现实，无人驾驶汽车，EdgeCloudSim。

Ⅰ 介绍

云计算以其强大的计算能力和强大的处理能力被认为是一种高效的数据处理技术。 这些功能被诸如物联网(IoT)设备之类的应用程序所使用。 此外，这些应用程序有一些关键的需求，以便正确地执行它们的功能，如低延迟、移动性支持、位置感知[1]-[4]。 然而，这些要求不能仅由CC[1]来处理。 最近出现了几种计算范例，如Edgeensp;computingensp;(EC)、Fogensp;computingensp;(FC)、Mobileensp;Edgeensp;computingensp;(MEC)和Cloudlet来支持CC，以满足Edge应用程序的需求。

EC是代表云服务在网络边缘对下游数据执行计算任务，代表物联网服务[1]对上游数据执行计算任务的范式。 它是指位于数据源和云数据中心(DC)[1]ensp;-[6]之间的任何计算资源和网络资源。 此外，edge架构由三个主要层组成，分别是IoT设备层、edge层和cloud层，如图1所示。

然而，电子商务还处于起步阶段，因此带来了一些研究问题，例如有关应用程序的性能。 由于对电子商务的依赖，无人驾驶汽车也引起了研究人员的关注。 这些关键的安全系统不断地监测和发送有关天气、道路状况、GPS和周围车辆的数据。 EC降低了CC的压力，因为它使这些汽车更有能力处理和发现，例如，模式的传感器数据，可以高达1GB每秒。 因此，本文的主要目的是模拟一个增强现实应用于无人驾驶汽车，以研究计算的效果。以及网络参数对两种不同边缘架构的可伸缩性的影响:两层结构和具有边缘编配器(EO)的两层结构。 这些参数的影响是显著的，因为它可能导致任务失败，并影响应用程序的性能，例如延迟获得所需的服务。 因此，研究这种影响对于找到可能的解决办法来帮助克服这些问题是至关重要的。

本文的其余部分组织如下:第二部分回顾了边缘计算应用程序性能方面的相关工作。 第三节介绍用例需求，包括采用的研究方法、系统架构和场景。 在第四部分，我们提出了实验的设计，包括实验的假设、设计、实现和评价指标。 第五部分介绍并讨论了结果。 第六部分讨论了调查的主要结果，并为edge的应用及其未来的设计提供了一些建议。 最后，第七部分对全文进行了总结，并提出了今后的工作。

Ⅱ 相关工作

基于边缘层架构，可以将相关工作分为三部分:单层、两层和带有EO架构的两层。 单层架构是指使用边缘层或云层来执行应用程序的任务。 最近的研究表明，使用CC执行某些任务对应用程序的性能、网络使用、成本和能源消耗产生了负面影响。 Gupta等人通过一个分布式摄像头网络进行了两个延迟敏感的在线游戏和智能监控实验，以评估应用程序在延迟、网络使用和能耗方面的性能。 这些评估是使用iFogSim模拟器[2]进行的。 结果表明，连接设备数量的增加导致网络负载的增加，从而导致网络拥塞和网络资源消耗。 因此，云的使用导致了很高的网络使用率，并且由于网络延迟影响了应用程序的性能。 Gupta等人还指出，使用边缘向放置(即雾节点)代替云，有助于降低云DCs中的能源消耗。

Pace等人研究了edge部署(即Raspberryensp;Pi3和Zotacensp;NANOensp;PC)和cloud部署(即Microsoftensp;Azureensp;cloud)对两种不同医疗场景的影响。 这些场景是工厂里的工人和在健身中心训练的运动员。 他们的结果表明，在每个负载条件下(即活动用户)，对Nanoensp;PC和Azure的处理时间。

图1 系统架构和关键参数

云端比PI3的要短。此外，处理时间受生成数据大小的影响。 研究结果表明，与Azureensp;Cloud相比，edge部署的使用将往返时间(RTT)减少了一半以上。 本研究结果与Slabicki和Grochla^[7]的另一项研究结果一致。

Premsankar等人研究了使用云资源对使用GamingAnywhere云游戏平台的手机游戏性能的影响。 结果表明，无论是长期演进接入技术还是Wi-ensp;Fi接入技术，云部署都具有比edge更高的延迟。 在实验中，使用了不同的云部署:一个专用云和两个Amazonensp;EC2(弹性计算云)商业公共云DCs，分别位于德国和爱尔兰。 结果表明，与其他云相比，专用云具有较低的延迟。它还表明，EC2爱尔兰有最高的网络延迟在LTE和Wi-Fi。

Sonmez等人研究了仅使用edge对使用EdgeCloudSim模拟器^[9]的人脸识别应用程序性能的影响。 结果表明，当终端设备数量增加时，由于网络拥塞，局域网(LAN)延迟增加。 因此，由于设备移动性和服务时间而导致的平均失败任务也会增加。 此外，研究还考察了任务大小的影响。 结果表明，如果任务大小较大，由于资源的限制，体系结构提供的服务时间最差。

为了评价人脸识别应用程序^[10]的性能，在改进后的CloudSim模拟器上进行了另一个实验。此评估突出了失败任务、服务方面的性能。这也是时间和虚拟机（VM）利用率的区别。

这里是使用cloudlet代替边缘服务器。 研究结果表明，设备数量的增加导致服务时间和失败任务的增加。 此外，在终端设备数量增加的情况下，VM容量被认为是导致任务失败的另一个原因。 从这些研究中我们可以得出结论，终端设备的数量和VM容量对LAN延迟和任务失败有显著的影响。

两层架构指的是同时使用边缘层和云层。 当边缘节点达到最大容量而无法处理传入任务时，或者基于概率的选择云的机制时，将使用云。 此外，这种体系结构在某些场景中提供了比单层体系结构更好的性能。 Sonmez等人^[5]指出，与单层相比，在移动设备数量较少的情况下，两层架构提供了更好的LAN延迟，因为任务将被卸载到云上。 然而，由于这两种架构中的设备移动性而导致的平均失败任务几乎是相似的。 这种体系结构除了局域网延迟外，还面临广域网延迟，这会导致任务失败。 研究了广域网带宽对该结构的影响。 结果表明，广域网带宽的降低导致任务失败次数的增加。 类似地，此体系结构也受任务大小的影响。 例如，在任务规模较小的情况下，服务时间比单层体系结构中更长。 在任务规模较大的情况下，对于所有负载条件(即用户数量)，这两种体系结构表现出几乎相同的性能。

这一层也由Sonmez等人^[10]进行了研究，在服务方面的研究论文一致，失败任务的时间的时间和数量。 作者声称，与单层架构相比，两层架构提供了稍微更好的性能。 本研究将VM利用率作为一个额外的性能指标。 该研究的结论是，由于单层和双层架构的VM容量，VM利用率和失败任务的数量几乎相同。 为了研究加工延迟、加工成本和加工能力，Aazam等人对[11]进行了进一步的研究。 研究表明，在任务规模较小的情况下，雾层显著降低了处理延迟。 但是，在任务规模较大的情况下，fog会比cloud提供更高的延迟，因为大型任务无法由fog节点处理。 对于基于谷歌云平台的处理成本，本研究说明了处理延迟与处理成本之间的权衡。 结果表明，随着处理能力的提高，处理延迟减小。

结果，成本增加了。

EO架构的两层结构意味着工作负载将被分配到其他边缘节点或卸载到云中。 这种体系结构在服务时间、失败任务数量和网络延迟等方面提供了比其他体系结构更好的性能。 根据Sonmez等人的[5][10]，由于工作负载分布到所有边缘服务器，所以在每种负载条件下，带有EO的两层结构的失败任务数量都非常少。 同样，在任务规模较大的情况下，这种体系结构的服务时间是最低的。 但是，如果任务大小很小，则单层提供最佳服务时间。 此外，当负载条件增加时，局域网延迟比其他体系结构增加更快。

在VMs利用率方面，Sonmez等人[10]认为，由于能够在这种体系结构中分发请求，所以运行在不同边缘服务器上的VMs的利用率相对稳定。 作者还指出，如果将任务转移到云的可能性很高，那么由于WAN延迟，这将对该体系结构的性能产生负面影响。 在网络使用和延迟方面，Gupta等人的^[2]表明，在edgeensp;deployment情况下，由于数据处理距离数据源更近，所以网络使用和延迟低于云。

本文将通过对无人驾驶汽车增强现实应用的仿真，研究网络系统和计算参数对两种边缘架构可扩展性的影响。据我们所知，这是第一次主要关注可伸缩性问题的研究。

Ⅲ 用例需求

在设计实验之前，必须指定用于实现调查目标的方法和用例需求。 本节将讨论方法，以及用例需求、系统架构和场景。

A 方法

为了达到这一目标，采用了敏捷方法。 这种方法允许对实验过程执行多次迭代，如图2所示，图2支持设计初始实验，然后分析和解释结果。 然后我们可以设计后续的实验，以便做进一步的研究。

图2 敏捷方法

B系统架构

电子商务由三层组成:1)物联网设备层，包括所有物联网设备; 2)边缘层，包含EO和所有用于执行任务的边缘服务器;3)云层，是指可以卸载任务以代表边缘服务器执行的云DC。 此外，为了设计实验，每个体系结构都有大量的参数需要根据它们的重要性进行识别。 根据EdgeCloudSim模拟器的需求，设计了系统架构，并对各层需要的参数进行了限制，用于实验的实现。图1显示了系统架构和每个层中需要的关键参数。

边缘层可以通过三种架构(单层、两层和两层EO)来支持。 本文的重点将放在只有EO的两层和两层上，分别如图3a和图3b所示。 两层架构意味着终端设备(即物联网设备或移动用户)要么将其处理请求发送到边缘服务器，要么将任务转发到云。 第二种架构是EO的两层架构，其特点是能够将任务卸载到其他边缘服务器，同时也能够将任务卸载到云上。

系统架构由几个组件(和参与者)组成，在实验中需要考虑，如图1所示:1)物联网设备代表我们场景中的无人驾驶汽车; 2)应用程序,它在我们的场景中模拟的对象识别(这是一个增强现实应用程序的一部分)的处理任务要求的无人驾驶汽车,和3)边缘服务器和EO:边缘服务器用于执行任务发送处理的无人驾驶汽车。 在将任务卸载到任何边缘服务器时，都需要EO。 4)云也是一个重要的组件，当边缘层决定将任务卸载给云资源时，云可以用来执行任务。 5)ensp;Wi-Fi接入点是覆盖每个位置的最后一个组件，当无人驾驶汽车与无线局域网(WLAN)连接时，将无人驾驶汽车连接到边缘服务器或广域网。 EdgeCloudSim模拟器支持这些组件（和参与者）及其设置。

C 场景

在我们的场景中，我们假设无人驾驶汽车在路上行驶，并以视频流分析的形式向边缘服务器请求服务，以便识别周围的对象，如人、动物和树。 这意味着:1)在两层架构的情况下，视频会被上传到edgeensp;server或者cloud。 EO的两层,可以将视频转移到另一个边缘服务器由于使用的EO与上传视频到云的能力,2)视频将分析对象识别和鉴定,3)分析结果将发送到无人驾驶汽车。4）无人驾驶汽车将根据结果决定。

无人驾驶汽车的移动性是根据EdgeCloudSim模拟器默认使用的游牧移动性模型实现的。 这个模型意味着，无人驾驶汽车将在一段时间之后从一个地方移动到另一个地方(也就是说，这个时间将在下一节的后面指定)。 此外，在我们的场景中，有两种不同的位置类型，一种是直路，与直路相比，汽车最可能在直路上花费少量时间;另一种是环形路，与直路相比，汽车最可能花费更多时间。 此规范在实际场景中非常重要，因为汽车在每个位置花费的时间可能会影响失败任务的数量，或者影响如何选择任务迁移机制。 它对于每个区域的边缘服务器容量也很重要。 例如，在笔直的道路上，边缘必须快速处理任务以避免任务失败，因为车辆可能在任务完成之前快速移动并离开该区域。 因此，这一领域需要处理速度快的边缘服务器。

1）初步实验：以确定需要研究的参数为出发

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20734]，资料为PDF文档或Word文档，PDF文档可免费转换为Word