刘畅相关成果介绍②：车联网里缓存和卸载为什么必须一起做决策

车联网里缓存和卸载为什么必须一起做决策

一、研究背景与问题提出

这篇论文讨论的是车联网边缘计算里一个越来越突出的矛盾：自动驾驶和车载应用需要低时延、高算力，但路边边缘服务器的缓存空间和计算资源都有限，车辆请求又在不断变化。如果只考虑把任务卸载到哪里算，而不考虑相关服务是否已经缓存在边缘侧，最终还是会拖慢整体响应。

所以作者没有把缓存和卸载拆开看，而是直接提出一个更难也更接近真实部署的问题：在车联网边缘计算系统里，服务缓存和计算卸载彼此强耦合，到底怎样联合决策，才能把平均任务处理时延降下来。

二、核心方法与关键机制

论文先把车联网边缘计算中的长期优化问题表述成一个带整数变量的非线性规划模型，目标是最小化任务处理时延。随后，作者把路侧单元、边缘服务器和车辆节点之间的交互过程转成强化学习环境，让系统在不断观察任务请求、车辆密度和缓存状态后，动态输出服务缓存和计算卸载动作。

最关键的机制，是用深度强化学习中的连续动作策略去同时处理服务缓存和计算卸载，而不是先缓存再卸载或先卸载再缓存。这样一来，车联网边缘计算系统可以边运行边学习哪些服务值得长期保留在边缘侧，哪些任务应当就近处理、转发到其他节点或回传云端。

论文核心方法图：在车联网边缘计算中，将服务缓存决策与计算卸载决策联合起来学习的深度强化学习框架图。

三、实验结果与结论

论文的核心结论是，把服务缓存和计算卸载放进同一个深度强化学习框架后，车联网边缘计算系统在平均任务处理时延上明显优于多种基准方法，说明联合决策确实比分开优化更有效。

作者还展示了车辆密度、任务规模等因素对结果的影响，表明所提方法并不是只在单一参数下有效，而是在动态交通环境中仍然保持较好的适应性。这一点对于真实车联网边缘计算部署尤为关键。

四、研究价值与启示

这篇论文的价值，在于它抓住了车联网边缘计算里一个经常被割裂处理的问题。很多工作只讨论缓存，或者只讨论卸载，但作者指出两者本质上共享同一套资源和时延目标，因此应该统一建模。

它带来的启示也很清楚，就是在强动态网络环境中，单靠静态规则越来越难以应对复杂状态。面对服务缓存和计算卸载这类高度耦合问题，深度强化学习之所以有意义，不是因为它新，而是因为它能把长期收益和即时决策真正结合起来。

作者介绍

刘畅，广东工业大学信息工程学院教授、硕士生导师、通信工程系系主任，广东省“珠江人才计划”青年拔尖人才。主要研究方向包括车联网安全策略研究、车联网边缘智能以及无线通信网络设计与优化，聚焦车联网缓存优化、边缘智能与智能通信系统等问题。

ORCID：0000-0002-2827-1019

DOI：10.1109/TVT.2023.3234336