在城市环境中车辆集群上的分布式服务扩展与部署

许多车辆在城市交通拥堵中花费大量时间。由于自动驾驶汽车、驾驶员辅助系统和车载娱乐系统的发展，许多车辆拥有充足的计算和通信能力。我们如何在这些（缓慢）移动的车辆上部署数据收集和处理任务，以有效利用任何闲置资源？为了回答这个问题，我们研究了在移动车辆集群上高效部署分布式服务的问题。我们使用真实的车辆密度数据，为爱尔兰都柏林的一个交叉口提出了一个宏观流模型。我们表明，这种聚合流是高度可预测的（即使单个车辆的路径事先未知），这使得部署利用车辆感知能力的服务成为可能。我们的主要贡献是提供了一个基于任务的分布式服务部署模型的详细数学规范，该模型根据资源需求进行扩展，并对集群移动性引起的变化具有鲁棒性。我们将其表述为一个约束优化问题，目标是最小化总体处理和通信成本。结果表明，与基于自动驾驶边缘计算的原生解决方案相比，联合扩展任务并寻找移动感知的最优部署可以降低处理和通信成本。