MEC辅助C-V2X服务连续性管理

一种用于MEC辅助的C-V2X应用的服务连续性管理方法

摘要

车辆的高移动性以及边缘服务器的有限覆盖范围可能导致正在进行的边缘服务中断。因此，如何确保服务的高可靠性和可用性成为一个亟待解决的问题。本文提出一种在第五代（5G）移动网络中考虑车辆行为、能耗和应用重定向的服务连续性管理方法。首先，我们采用极端梯度提升（XGBoost）预测车辆目的地，以根据车辆移动性决定服务迁移的目标位置。其次，我们提出一种基于马尔可夫决策过程的MEC切换策略，以降低整体能耗。第三，我们在5G核心网络支持下，阐述了应用域中的应用重定向过程。为评估所提方法，我们使用开源数据集和仿真数据进行了实验。实验结果表明，所提出的服务连续性管理方法可实现87.77%的目的地预测准确率，并与频繁迁移策略相比，整体能耗显著降低了38.7%。

索引术语 —服务连续性，覆盖边缘计算节点，蜂窝车联网，车辆目的地预测，马尔可夫决策过程，重定向过程

I. 引言

多接入边缘计算（MEC）最初由欧洲电信标准协会（ETSI）提出[1]，是一种旨在改善基于云的应用和服务的通信延迟和可扩展性的新兴技术。对于延迟敏感的V2X服务，MEC近年来受到越来越多的关注。然而，车辆的移动性给服务连续性带来了严峻挑战。

关于基于MEC的车载网络中的服务连续性，软件定义网络（SDN）[2–3]在架构和系统设计中被予以考虑，MEC与SDN的结合提供了灵活性，但用例场景有限。文献[4]提出了一种基于车辆移动性和计算任务执行时间的新型预测性卸载方案，但仅考虑了车对基础设施（V2I）和车对车（V2V）通信模式。文献[5]为满足高移动性和定制化需求，设计了一种平滑的小区间切换机制，但网络需要支持切片。从更广泛的意义上讲，文献[4]和[5]中的MEC切换策略均属于频繁迁移策略，当存在多个可用的覆盖边缘计算节点时，MEC切换策略超出了研究范围。

为确保MEC服务的高可靠性和可用性，本文重点研究三个问题。首先，我们预测车辆目的地，以根据车辆移动性决定服务迁移的位置。与细粒度车辆轨迹预测通常输出未来几秒内车辆轨迹不同[6]，MEC节点的预测关注更长时间尺度，且对车辆行为预测的误差容忍度更高，因此我们选择先预测车辆目的地，并通过电子地图获取车辆轨迹。其次，我们提出一种MEC切换策略，在存在多个可用MEC且它们的延迟均可接受的情况下，降低整体能耗。第三，我们在应用域中阐述应用重定向过程，尽管传统互联网领域的应用重定向过程已较为成熟，但由于延迟要求，其并不适用于MEC辅助的C-V2X应用。第三代合作伙伴计划（3GPP）已在网络域研究了应用重定向过程中的服务连续性[7–8]，但在应用域中，如何基于网络域的解决方案通知车辆终端下一MEC节点上服务的IP地址尚不明确。本文提出两种解决方案，以明确应用域中的重定向过程。

本文的其余部分组织如下。我们在第二节中首先描述了用于车辆目的地预测、MEC切换策略和蜂窝车联网应用重定向的所提出的方法。然后在第三节中对所提出的方法进行评估。第四节回顾了相关工作。最后，第五节对全文进行总结。

II. 方法论

在我们的方法中，首先通过采用以车辆身份、起始位置和出发时间相关的21个特征作为输入的极端梯度提升（XGBoost），预测目标移动边缘计算节点。其次，我们根据预测的车辆目的地概率，提出一种基于马尔可夫决策过程的MEC切换策略。第三，当发生MEC切换时，我们在应用域中说明重定向过程。

A. 车辆目的地预测

我们根据[9]的结果计算每次行程相关的车辆身份、起始位置和出发时间的若干参数，并添加了与MEC节点相关的参数，因为我们更关注覆盖边缘计算节点，目的地预测相关参数如表I所示。

表I. 目的地预测参数

目的地预测参数	符号
x坐标和y坐标 行程的起始点在转换后 经纬度坐标到 平面直角坐标	START_x，START_y
起点经度	START GPS lon_ _
起点纬度	START GPS lat_ _
纬度和经度坐标 起始点之后的五个连续的点 点	开始_GPS1_lon, 开始_GPS1_lat, 开始_GPS2_lon, 起始点_GPS2_纬度，起始点_GPS3_经度，起始点_GPS3_纬度，起始点_GPS4_lon, 开始_GPS4_lat, 开始_GPS5_lon, 开始_GPS5_lat,
覆盖起始点的 覆盖边缘计算节点的x坐标和y坐标。	开始 _ 覆盖边缘计算节点 _ x, 开始 _ 覆盖边缘计算节点 _ y,
起始覆盖边缘计算节点的索引	START_MEC_INDEX
一年中的周（数据范围：1–52）	年中周数__
一天中的一刻钟（数据范围：1–96）	一刻钟_小时_在 _DAY
星期几（数据范围：1–7）	周中日__
车辆ID	TAXI_ID

参考表I中覆盖边缘计算节点的坐标和索引，我们通过以下方式获得它们，图1为示意图：

步骤1 ：获取所有车辆GPS点的经纬度坐标的极值。将经纬度坐标转换为平面直角坐标，以确定覆盖边缘计算节点部署的潜在区域。

步骤2 : 根据蜂窝网络模型，覆盖边缘计算节点的覆盖范围被假定为正六边形。该正六边形的半径为3公里。

步骤3 ：覆盖边缘计算节点的坐标是六边形的中心坐标。MEC节点的索引是自定义的，用于确定MEC节点的中心坐标。

以表I中的参数作为各自的特征，我们基于极端梯度提升（XGBoost）模型来预测车辆的目标移动边缘计算节点。XGBoost源自梯度树提升（GBDT）模型，并具有在结构化数据的分析中被广泛使用。结合极端梯度提升模型和[9]，该算法的架构如图2所示。聚类ci是通过对所有训练轨迹的目的地应用均值漂移聚类算法计算得到的，ci具有一组经纬度坐标。如果ci的坐标位于MEC覆盖范围内，则可以确定其目的MEC节点。例如，计算ci与MEC节点之间的欧几里得距离，对应最小距离的MEC节点即为目的MEC。

B. MEC切换策略

尽管可以通过电子地图基于车辆目的地预测的结果获取车辆轨迹，进而得到承载服务的MEC节点列表，但需要考虑预测本身存在的不确定性。另一方面，如果前一个移动边缘计算节点的服务延迟可以接受，则当车辆进入新的MEC区域时，无需进行MEC节点的切换。在某些特殊情况下，甚至更优的做法是不进行MEC节点切换，例如车辆在当前时刻需要切换，而在下一时刻又需切换回原节点的情况。

综合考虑，我们提出了一种基于马尔可夫决策过程（MDP）的MEC切换策略，该策略受[10]启发。为了降低复杂性并专注于建模，做了一些假设。首先，假设MEC节点的覆盖范围为正六边形，且每个小区都部署了覆盖边缘计算节点。其次，假设在上一步中获得的预测MEC节点列表在短距离内呈直线排列，如图3所示，车辆的当前位置是C(1,1)，随后车辆将以概率p依次经过C(2,1)、C(3,1)、C(4,1)。

马尔可夫决策过程的五个要素是状态、动作、策略、奖励和回报。

如图3所示，车辆的当前位置为C(1,1)，C(1,1)中的覆盖边缘计算节点为该车辆提供服务。如果车辆在预测的覆盖边缘计算节点列表上移动的概率为p，而移动到其他相邻单元格的概率相等（例如等于r），则车辆停留在当前单元格的概率为(1–p–5r)或(1–6r)。单元格可以从内到外划分为(k+1)层，第n层有6n个单元格(n>1)。根据转移概率，将第n层上的单元格划分为第n类，同一层中不同类别之间的状态转移概率不同。状态集S的公式如下：

$$
S = {(1,1)} \cup {(n,m) \mid n=1, m=1,2,3,4,5} \cup {(n,m+i) \mid n>1, m=0,1,2,3,4,5}
$$

动作集A包含两个元素，a1表示切换边缘计算服务器，a2表示保持与原始MEC节点的通信。动作集A在公式(4)中表述如下：

$$
A = {a_1, a_2}
$$

马尔可夫方法的核心是确定状态转移概率矩阵或策略。转移概率是一个与状态和动作相关的函数。当a=a1时，所有状态都转移到S11，且概率等于1。当a=a2且n ≤ 4时，状态转移概率可以从图4中得出。当a=a2且n ≥ 5时，状态转移概率在公式(5)中给出。

)

$$
P(s’|s,a) =
\begin{cases}
1 & s’=s_{11}, a=a_1 \
r & s’=s_{n,m±1}, s’=s_{(n+1)(m)}, s’=s_{(n-1)(m)}, n≥2, m≠1,5 \
p & s’=s_{(n+1)(m)}, n<k \
1-p-6r & s’=s, a=a_2, n≤k \
0 & \text{otherwise}
\end{cases}
$$

奖励函数在公式(6)中定义。奖励函数还与状态和动作相关。当动作a1时，主要由MEC切换引起的系统能耗被定义为一个值为C的常数。当动作a2时，主要由与MEC通信引起的系统能耗被定义为通信距离的线性函数，斜率为一个值为c的常数，通信距离等于单元格层数。需要注意的是，用户设备与MEC节点之间的最大通信距离限制为k个单元格（例如k等于4），当用户设备与MEC节点之间的距离超过该限制值时，通信延迟被视为不可接受，且跳过策略判断。

$$
R(s,a) =
\begin{cases}
C_m & a=a_1 \
c(n-1) & a=a_2
\end{cases}
$$

回报函数是马尔可夫决策过程的一种通用形式，定义见公式(7)和(8)。回报函数V(s,a)定义为总折扣奖励的期望，γ是折扣因子，V*(s,a)是最优解，π(s)是动作集。

$$
V(s) = \mathbb{E}\left[\sum_{t=0}^{\infty} \gamma^t R(s_t, a_t)\right]
$$

$$
V^*(s) = \min_{\pi} V_\pi(s)
$$

使用值迭代算法来解决该问题，详细过程如下：

[值迭代算法]

步骤1 ：对于系统的每个状态（s ∈ S），初始化 V(s) = 0。

步骤2 : 更新 s 以满足以下公式

$$
V(s) = \min_a \left[ R(s,a) + \gamma \sum_{s’} P(s’|s,a) V(s’) \right]
$$

步骤3 : 重复步骤2直到收敛。需要说明的是，当执行步骤2时，V(s)并不会实时更新，而是在下一次循环开始前才更新。

Step 4 : 可根据公式(10)获得最优解

$$
\pi^*(s) = \arg\min_a V(s)
$$

C. 应用重定向过程

在3GPP TS 23.501[7]中，5G系统架构设计了三种会话与服务连续性（SSC）模式。在SSC模式1下，无论用户设备（UE）后续使用何种接入技术（例如接入类型和小区）接入网络，PDU会话建立时作为PDU会话锚点（PSA）的用户面功能（UPF）均保持不变。在SSC模式2下，网络可触发释放PDU会话，并指示UE立即建立到同一数据网络的新PDU会话。在SSC模式3下，会在先前连接终止之前，先通过新的PDU会话锚点建立连接，以实现更好的服务连续性。对于特定的C-V2X用例，尤其是应用了覆盖边缘计算节点（MEC）的情况，车载用户设备（UE）的移动性导致频繁发生UPF变更，因此SSC模式1不切实际。

基于网络域中的SSC模式，我们建议在UPF附近部署边缘域名系统（DNS）服务器。有两种重定向过程方案，图5中的过程由UE发起，图6中的过程由UPF发起。这两种过程均假设车辆在进入新的MEC覆盖范围后将进行切换，如果考虑MEC切换策略，则可根据需要灵活配置边缘DNS中的DNS规则。

在图5中，当用户设备的位置发生变化并从源UPF（S-UPF）切换到目标UPF（T-UPF）时，用户设备继续通过目标UPF（T-UPF）向源MEC（S-MEC）的IP地址发送应用数据，但由于缺乏路由规则，目标UPF（T-UPF）将返回不可达的IP地址消息。用户设备接收到该消息后，将通过域名访问MEC应用，目标UPF（T-UPF）随后向DNS服务器发起查询，并将目标MEC（T-MEC）的IP地址返回给用户设备。应用重定向过程至此完成，用户设备开始向目标MEC（T-MEC）的IP地址传输应用数据。

在图6中，用户设备始终通过域名访问覆盖边缘计算节点应用，当用户设备的位置发生变化并从源UPF（S-UPF）切换到目标UPF（T-UPF）时，已预配置在边缘DNS中的相应DNS规则会自然重定向应用数据至目标MEC（T-MEC）。

III. 实验与评估

对于车辆目的地预测，为了评估我们所提出方法的有效性，我们在开源数据集[11]上进行了实验。对于MEC切换策略，我们在仿真数据上进行了实验。对于应用重定向过程，我们已申请了专利。

A. 车辆目的地预测

描述葡萄牙波尔图市442辆出租车全年轨迹（2013年7月1日至2014年6月30日）的开源数据集。每个数据样本对应一次完成的行程。数据集共包含九个特征，我们使用了其中三个（TAXI_ID、TIMESTAMP、POLYLINE）。

选择前10万条开源数据集，并进行了若干数据预处理步骤：无效数据删除、MEC相关特征补全和元数据补全。

• 无效数据删除 ：删除存储在名为POLYLINE的列中车辆轨迹数据为空的记录。有效数据共有99,633行。
• MEC相关特征补全 ：获取所有车辆GPS点的经纬度坐标的极值，最小经度、最大经度、最小纬度和最大纬度分别为-12.154527、-6.958539、38.664981、45.657225。我们在由上述四个值确定的矩形区域内获得19811个MEC节点坐标。正六边形（MEC覆盖范围）的半径为3 km。然后我们可以得到车辆轨迹起始点和终点对应的MEC坐标及索引。
• 元数据补全 ：ID、日中的十五分钟时段、周中的日和年中的周。

数据预处理后，我们使用的数据集包含99633行和22列（包含21个特征和1个标签），该标签是车辆轨迹终点对应的覆盖边缘计算节点索引。为了加快算法收敛，标签生成中所用的终点是通过均值漂移聚类算法获得的。

在所有100,000条轨迹的目的地上进行测试。标签数量为170。我们车辆目的地（MEC节点）预测算法的准确率为87.77%，特征重要性如下图7所示。

B. MEC切换策略

基于目的地预测的结果，可通过电子地图获取车辆轨迹，并最终得到车辆将依次经过的MEC节点列表及其概率为87.77%。我们比较了四种策略：马尔可夫决策过程、贪心策略、频繁迁移策略和非迁移策略。当车辆进入新小区时，贪心策略将始终选择低能耗方案，频繁迁移策略将始终切换到新的MEC节点，而非迁移策略则不会切换，除非车辆与MEC节点之间的通信距离大于k。

仿真参数设置如下：车辆与MEC节点之间的最大通信距离为4（k=4），最大蜂窝层数为5（n=5），折扣因子为 (γ=0.5)，车辆在预测的MEC节点列表中移动的概率为0.8777（p=87.77%），车辆移动到其他相邻小区的概率为0.02（r=0.02），由MEC切换引起的系统能耗为100J（Cm=100），用于表示通信引起能耗的线性函数的斜率为30J（c=30）。在初始状态下，车辆与当前小区的MEC进行通信。

当系统中只有一辆车辆，且车辆在每个系统时刻都远离S-MEC移动时，四种策略的瞬时能耗如下面图8所示。

在短时间内，马尔可夫决策过程（MDP）和贪心策略的总能耗始终优于其他两种策略，但MDP并不一定始终优于贪心策略。例如，在时间t=6时，总MDP的能耗为380J，而贪心策略为370J。

当考虑更多的车辆和时间时，我们比较了四种策略的总能耗。系统中有10辆车，为了模拟实际车辆行为，轨迹是随机生成的。车辆以0.7的概率远离源MEC（S-MEC），以0.2的概率向源MEC（S-MEC）移动，以0.1的概率停留在当前小区。修改部分仿真参数如下：γ= 1，Cm=2，c=1。可以从图9中看到，在较长时间内，马尔可夫决策过程（MDP）的能耗最低，其次是贪心策略、频繁迁移策略和非迁移策略。当系统时间值为100时，马尔可夫决策过程（MDP）的总能耗为1091，而频繁迁移策略为1780。

与频繁迁移策略相比，马尔可夫决策过程（MDP）可将整体能耗显著降低38.7%。

IV. 相关工作

A. 车辆目的地预测

车辆目的地预测方法已被广泛研究多年。深度学习算法（多层感知机）[9]、概率贝叶斯模型[12]、隐马尔可夫模型[13]以及基于轨迹相似性度量的方法[14]已被用于预测车辆目的地。仅预测车辆的目标移动边缘计算节点，这降低了预测难度，但在特征选择方面仍需进一步研究，因此本文描述了不同特征的贡献率。

B. MEC切换策略

大量研究致力于提高迁移效率，这些研究均假设服务应始终跟随用户移动性（即服务迁移），并将服务置于最近的MEC[15]。为实现服务质量与迁移成本之间的权衡，阿波利奈尔提出了一种基于移动性的服务迁移预测（MSMP），解决了开销与体验质量（QoE）之间的权衡问题[16]。在[10]中，[16]的方法得到优化，将用户移动的一维模型优化为蜂窝模型，权衡的是服务质量与能耗之间的关系，假设车辆以相等概率移向相邻小区，基于MDP给出了MEC切换策略。

C. 应用重定向过程

在ETSI GS MEC 011[17]中定义了DNS规则激活与停用。MEC应用实例可请求MEC平台激活或停用DNS规则。如果该请求获得授权，且MEC平台基于请求中的信息成功找到由MEC管理预配置并认证的相应DNS规则，则MEC平台将把DNS规则安装到DNS服务器/代理中或从中删除。该标准主要描述数据到达MEC节点后的路由问题。

在[18]中，该文章在边缘网络开发了一种应用感知的流量重定向机制，以减少服务延迟和网络带宽消耗。在[19]中，为了提升用户体验，他们结合远程加载和重定向来加速服务迁移。

V. 结论

本文提出了一种服务连续性管理方法，该方法聚焦于车辆目的地预测、MEC切换策略以及C-V2X应用重定向过程。我们在波尔图市使用真实世界数据进行的实验表明，目标MEC节点预测的准确率为87.77%；使用仿真数据的实验结果表明，与频繁迁移策略相比，所提出的MEC切换策略可将总体能耗降低38.7%。未来，我们将重点关注MEC辅助的C-V2X应用相关问题。