微美全息科学院：智能车联网的移动边缘智能与计算

车联网中采用了边缘缓存技术，通过在边缘服务器上存储或预取内容来辅助内容传递。与传统网络相比，车联网中高速缓存算法的设计更具挑战性，这主要是由于车辆的高移动性、频繁变化的内容要求以及恶劣的通信环境引起的。作为纳斯达克上市企业“微美全息WIMI.US”旗下研究机构“微美全息科学院”的科学家们根据车辆的角色考虑两种不同的场景，即对于具有不同角色（即VaaC和VaaS）的车辆进行研究。

在VaaC场景中，车辆作为支持缓存的车联网的内容消费者，从边缘服务器访问所需的内容。在VaaS场景中，车辆也充当内容提供者，在其存储单元中缓存内容。我们将重点放在缓存内容的放置上，即决定哪些内容应该被缓存，并将现有的研究分为三类：1）感知时间位置的缓存，即考虑内容重要性/流行程度的时间变化；2）空间位置感知缓存，即考虑相同内容在不同区域的不同重要性/流行程度；3）移动性感知的缓存，即减轻车辆移动性对内容缓存和交付的影响。本文整体的组织结构和内容安排如以下框图所示。

本文组织结构和内容框图

1. VaaC

随着边缘服务器的广泛部署，通过其覆盖区域的车辆可以获得及时的内容交付服务。下面将详细讨论从传统车联网到智能车联网的代表性研究。

1.1感知时间位置的缓存

在边缘缓存系统中，时间局部性包括两个方面：缓存内容的新鲜度和用户请求的时间变化。考虑到RSU（路边单元，RoadSide Units）与车辆之间通信的特点，时间数据传播问题在被描述为NP-hard问题。然后作者根据用户请求的要求（例如，时间限制）开发了一种启发式调度算法，以提高请求服务机会。

1.2 空间位置感知缓存

在车辆环境中，一些信息，如交通信息，与车辆的位置有关。因此，车联网的内容新鲜度在不同路段可能有所不同。比如有一种基于深度学习的缓存方案来优化智能车联网的缓存决策，旨在减少娱乐内容的交付延迟。在该方案中，通过CNN（卷积神经网络，Convolutional Neural Network）检测乘客的年龄和性别，并利用多层感知机（MLP）预测合适的内容，将内容缓存在特定区域的边缘服务器上。然后，车辆根据k-means算法和二进制分类确定哪些内容可以从边缘服务器访问。

1.3 移动性感知的缓存

由于有限的网络容量和断断续续的连接，向移动中的车辆提供大容量的内容（如视频、音乐和高清地图）是一项挑战。为了最小化车辆的下载时间，有人研究了如何在边缘服务器上放置大型内容的问题。该文开发了三种算法来减轻车辆移动性对缓存性能的影响。也有的人提出了一种缓存策略，以最小化多访问EIS（边缘信息系统，Edge Information System）中的缓存服务延迟。

具体地说，车辆的移动性是通过一个长短期记忆（LSTM，Long Short-Term Memory）络在一个时间序列上预测的。在此基础上，利用深度强化学习算法开发了一种主动缓存策略。为解决车辆的移动性和服务期限问题，将边缘缓存和计算集成到EIS中是一个新的研究方向。在这种情况下，如何有效地分配有限的资源是一个重要的问题。比如要考虑到，针对集成体系结构中的资源分配问题，建立了两种联合优化模型，确定最优的缓存和计算决策，然后采用基于深度强化学习的方法进行求解。

2. VaaS

基于边缘服务器的缓存受到覆盖范围和与车辆的不可靠连接的限制。作为补充，在移动的车辆上缓存内容是一个很好的方案。通过利用车辆的移动性，边缘缓存可以提供更具成本效益和实用性增强的服务。与此方向相关的现有研究如下：

2.1 感知时间位置的缓存

对于车辆缓存，由于车载存储资源有限，内容的时间局部性不仅会影响缓存服务，还会影响其他功能在车辆上的实现。因此，确定内容将被缓存多长时间是一个重要的问题。此前人们提出了可根据内容大小进行边缘缓存的方法。提出了一种新的缓存方法Hamlet，通过确定大容量和小容量内容的缓存更新频率，在相邻节点间产生内容多样性。基于该方案，用户可以在短时间内收到相邻缓存节点发来的不同内容，提高了缓存效率。

2.2 空间位置感知缓存

由于车辆的灵活移动性和多跳数据传输，VaaS模式将提高基于位置服务的缓存性能。具体来说，通过基于动态机动性和车辆密度将城市区域划分为多个热点区域，利用历史数据进行局部匹配，预测未来车辆的行驶轨迹。通过将频繁访问这些热点区域的车辆整合到一个合作缓存方案中，可以获得缓存服务的最佳效用。同时为了减轻移动和通信漏洞对缓存服务的影响，也有一种车内缓存的动态中继策略。通过缓存方案和飞行器间通信，可以保持热点区域内容。

2.3 移动性感知的缓存

可以利用车辆的可预测移动性来提高缓存辅助内容交付的效率。传统设备到设备网络中的移动感知缓存已经得到了很好的研究了，这些方法最近被扩展到车辆网络。在先前的研究中，学者们探索了一种新型的缓存服务，缓存在车辆中的内容可以被通信范围内的移动或静态用户请求。在这个场景中，缓存车辆和移动用户之间的关系是设计缓存策略的关键。

3. 启用缓存的应用

除了典型的内容共享和交付服务外，人们对开发边缘缓存服务器支持的新应用程序非常感兴趣。下面首先介绍缓存辅助的感知和定位，然后介绍车联网和智能交通系统中的其他应用。

3.1 缓存辅助的感知和定位缓存辅助感知包括自动超车、合作避碰、透视、鸟瞰等功能，其中边缘缓存为车辆提供了辅助驾驶和提高交通安全的感知内容。另一方面，缓存辅助定位包括交通弱势群体（vulnerable road user，VRU）发现，其中边缘缓存通过缓存定位信息提高了RSU、车辆和行人的协作性。表1显示了这些用例的详细描述，以及它们在端到端（end-to-end，E2E）延迟、可靠性、数据速率和定位精度方面的关键性能指标。

表1缓存辅助的感知和定位的一些用例

3.2 其他应用

边缘缓存在车联网中不断出现，下面将介绍其中一些应用。

（1）InfoRank：为了高效的城市感知，有人开发了一种基于信息的排序（information-based ranking，InfoRank）算法。该算法对部分智能车辆进行选择和排序，以承担城市传感任务。因此，可以用很少的费用完成对这些车辆附近的监测。在该算法中，车辆作为数据缓存服务器存储传感数据，减轻边缘服务器的负担。

（2）Over-The-Top (OTT)：可以通过实现边缘缓存机制设计了一种新的OTT内容预取系统。车辆和RSU的连接是基于真实的测试平台进行预测的。此外，本文还提出了一个内容流行度估计方案来估计用户的内容请求。在此之后，用户请求的内容在边缘服务器上被主动预取。

（3）安全信息共享：数据共享是一种有效的方法，可以减少由于传感器系统不可靠而造成的数据丢失，克服自动驾驶汽车感知范围有限的问题。因此，数据安全成为一个重要的任务，能够设计了一个安全的自动驾驶车辆信息共享系统。该系统旨在提高两种场景下的数据安全性：虚假数据传播和车辆跟踪。

（4）交通管理：为了分析边缘缓存对交通控制的影响，早先的研究提出了一种基于边缘缓存的交通控制方案。传统上，由于驾驶员都是利己的，很难获得交通系统的最优状态。因此，交通网络的最优状态与用户均衡是矛盾的。为了揭示用户均衡与系统最优状态之间的关系，提出了一种可缓存车辆的通信成本模型。通过该方案，交通网络可以在边缘缓存的帮助下从通信方面进行优化。

微美全息科学院成立于2020年8月，致力于全息AI视觉探索科技未知，以人类愿景为驱动力，开展基础科学和创新性技术研究。全息科学创新中心致力于全息AI视觉探索科技未知, 吸引、集聚、整合全球相关资源和优势力量，推进以科技创新为核心的全面创新，开展基础科学和创新性技术研究。微美全息科学院计划在以下范畴拓展对未来世界的科学研究：

一、全息计算科学：脑机全息计算、量子全息计算、光电全息计算、中微子全息计算、生物全息计算、磁浮全息计算

二、全息通信科学：脑机全息通信、量子全息通信、暗物质全息通信、真空全息通信、光电全息通信、磁浮全息通信

三、微集成科学：脑机微集成、中微子微集成、生物微集成、光电微集成、量子微集成、磁浮微集成

四、全息云科学：脑机全息云、量子全息云、光电全息云

微美全息成立于2015年，纳斯达克股票代码：WiMi。微美全息专注于全息云服务，主要聚集在车载AR全息HUD、3D全息脉冲LiDAR、头戴光场全息设备、全息半导体、全息云软件、全息汽车导航、元宇宙全息AR/VR设备、元宇宙全息云软件等专业领域,覆盖从全息车载AR技术、3D全息脉冲LiDAR技术、全息视觉半导体技术、全息软件开发、全息AR虚拟广告技术、全息AR虚拟娱乐技术、全息ARSDK支付、互动全息虚拟通讯、元宇宙全息AR技术，元宇宙虚拟云服务等全息AR技术的多个环节，是一家全息云综合技术方案提供商。