DOSM：基于需求预测的 vehicular 边缘计算网络在线服务管理

本工作中，我们研究车载边缘计算网络中的在线服务管理问题。为满足移动车辆的时变服务需求，需要一种服务管理框架对服务生命周期做出决策以维持良好网络性能。我们描述服务生命周期包括创建给定服务的实例（扩缩容，scale-out）、将实例迁移至不同边缘节点（迁移，migration）和/或终止利用不足的实例（缩容，scale-in）。本文中，我们提出一种高效的在线算法在每个时隙执行服务管理，在做出服务生命周期决策时考虑当前时隙的性能质量、未来时隙的服务需求，以及车辆观察到的最小延迟与最小迁移延迟。此处，未来服务需求由基于门控循环单元（GRU）的预测模型计算，网络性能质量使用深度强化学习（DRL）模型估计，该模型具备与车载环境实时交互的能力。在不同时间为部署服务实例选择最优边缘位置基于我们所提优化公式。使用真实世界车辆轨迹的仿真实验开展，以若干性能指标评估我们所提的基于需求预测的在线服务管理（DOSM）框架相对于不同最先进解决方案的性能。