一､引言

如今汽车行业的热点研究方向便是自动驾驶，根据我国智能网联汽车标准体系对于汽车驾驶自动化分级，目前大多数的智能网联汽车都处于L2阶段,即可以完成制动､加速或转向等驾驶功能，实际运用即为车道偏离修正或自适应巡航,但仍属于辅助驾驶的范畴,只有当进入L3级别,驾驶员无需手脚待命,车辆能在特定的环境下独立完成驾驶操控,才算是进入了自动驾驶的范围｡而如何进入L3级别的自动驾驶，边缘计算在此充当了非常重要的角色。

在物联网中,45%的数据都将在网络边缘处理而不是利用传统的云计算方式处理｡传统的云计算模型是集中式的处理模式,通过网络将数据集中送至云计算中心,再由云计算中心的超强计算能力集中解决计算与存储问题｡但是在万物互联的应用场景中,传统云计算显得力不从心｡

首要问题是时效性,在万物互联的场景中,系统对时效性要求极高,例如现在的自动驾驶汽车,在高速行驶中,需要在毫秒内做出反馈,一旦遇到网络问题,将会产生严重后果｡

其次是带宽问题,物联网中所产生的数据量不容小觑,一辆车一天所产生的视觉数据､雷达数据､温感数据等约为25TB,这些数据如果需要上传至云计算中心,这将会对网络带宽造成很大压力｡

再之,数据安全及隐私难以保障,目前的物联网设备大多与用户的日常生活紧密联系,例如家庭中的监控摄像头,智能门锁等,这些数据隐私性极高,在网络中传输无疑大大增加了用户隐私的泄露风险｡

为了解决上述问题,边缘计算应运而生｡边缘计算是在网络边缘执行计算的一种计算模型,它所执行的数据既包含云服务的下行数据也包含万物互联服务的上行数据｡边缘计算模型和传统云计算模型并不是取代关系,更像是一种为了解决时效性,带宽问题,数据隐私及保护问题的支持型模型｡边缘计算依旧需要云计算中心提供强大算力和海量数据存储的支持｡边缘计算模型相对于传统云计算有三个明显优点:1)边缘计算直接在边缘节点处理临时数据,不再通过主干网络传输,大幅降低了中心网络的带宽压力以及数据中心的功耗｡2)计算任务将在边缘节点上完成,无需传输至云计算中心,因此延迟大大降低,增强了服务的响应能力｡3)边缘计算不再上传用户的隐私数据,而是将数据存储在边缘设备上,因此降低用户数据泄露的风险,保护了用户的数据安全及隐私安全｡

二、正文

1､边缘计算

1.1边缘计算的发展历程

边缘计算最早可以追溯至1998年阿卡迈(Akamai )公司提出的内容分发网络 [7] (content delivery networks,CDN), 是一种基于互联网的缓存网络,依靠部署在各地的缓存服务器,通过中心平台的负载均衡､内容分发､调度等功能模块,将用户的访问指向距离最近的缓存服务器上,以此降低网络拥塞,提高用户访问响应速度和命中率｡CDN强调内容(数据)的备份和缓存,而边缘计算的基本思想则是功能缓存(function cache)｡

在学术界,2016年5月,美国韦恩州立大学施巍松教授团队给出了边缘计算的一个正式定义[6]:边缘计算是指在网络边缘执行计算的一种新型计算模型,边缘计算操作的对象包括来自于云服务的下行数据和来自于万物互联服务的上行数据,而边缘计算的边缘是指从数据源到云计算中心路径之间的任意计算和网络资源,是一个连续统.并发表了“Edge Computing:Vision and Challenges”一文,第1次指出了边缘计算所面临的挑战[6] ,该文在2018年底被他引650次.同年10月,ACM 和IEEE 开始联合举办边缘计算顶级会议 (ACM/IEEESymposium on Edge Computing,SEC)[16],这是全球首个以边缘计算为主题的科研学术会议.自此之后,ICDCS,INFOCOM,MiddleWare,WWW 等重要国际会议也开始增加边缘计算的分会(track)或者专题研讨会(workshop)。

1.2 边缘计算的核心技术

1.2.1 边缘计算的网络需求

边缘计算将计算任务放置在边缘节点上，因此对于网络有不同于传统网络的需求。

1）对于服务的发现。在边缘计算中，计算任务的请求方是动态的，或者说是移动的，对于如何发现需求的计算服务成为一个核心问题。即边缘设备需要完成某项服务时，如何寻找到能提供对应服务的边缘节点。传统网络使用DNS服务发现机制。[50]但DNS的服务器同步需要一定时间，这并不适用于对时效性要求强的边缘服务。

2）快速配置问题。对于边缘节点而言，边缘设备是动态的，由于用户位置的移动，开关的变更，甚至是网络环境的变更，用户在网络上的注册及下线是动态的，而服务也因此需要跟随用户的需求进行变更，这对网络的边缘节点和边缘设备间的网络有了对应的要求。

3)负载均衡问题。如何合理的将边缘设备所产生的计算任务合理的分配至各个边缘节点，并使边缘节点能高效的完成计算任务反馈给边缘设备，这也是边缘计算所面临的核心问题。

对此，目前的解决方案是命名数据网络(named data networking, NDN)[53] 是一种将数据和服务进行命名和寻址,以 P2P 和中心化方式相结合进行自组织的一种数据网络 . 而计算链路的建立,在一定程度上也是数据的关联建立,即数据应该从源到云的传输关系 . 因此,将 NDN 引入边缘计算中,通过其建立计算服务的命名并关联数据的流动,从而可以很好地解决计算链路中服务发现的问题。也就是 “建立了一条从边缘到云的计算路径”，同时结SDN软件定义网络，将网络的控制平面和数据平面进行分离，是一种可编程网络，使得其可以迅速地进行边缘节点的配置，更好的支持计算服务，并对边缘节点进行管理。

1.2.2应用服务及数据隔离

当边缘设备进行服务时，可能会出现应用服务间的相互干扰，或不同应用服务间跨应用服务访问，对于服务的可靠性及质量将会是严重影响。如何处理不同应用服务使其不会互相干扰以及不同应用服务的数据不会跨应用服务访问，这是边缘设备所需要考虑的问题。

在传统的云计算场景中，解决方式是Docker容器技术，通过虚拟化的方式将不同服务分割在不同容器中，不同容器除在硬件资源上共享外，其余条件都是处于相互隔离的状况，这也使得不同应用服务在数据上也是隔离的。边缘设备同样借用传统云计算的经验，采用虚拟化技术，Ha 等人提出了一种 VM切换技术[57] ,实现虚拟机VM的计算任务迁移,支持快速和透明的资源放置,保证将 VM 虚拟机封装在安全性和可管理行要求较高的应用中。这种多功能原语还提供了动态迁移的功能,对边缘端进行了优化。这种基于VM的隔离技术提高了应用程序的抗干扰性,增加了边缘计算系统的可用性。

1.2.3边缘计算的体系结构

边缘计算所涉及的两方面的结构一方面是边缘节点的体系结构，另一方面是边缘设备的体系结构。相对边缘设备，边缘节点的体系结构应该是通用处理器的结构，这样才能更好的为不同的边缘设备提供服务。但对于边缘设备，更多的是异构的硬件结构，为了更好的提升某一项任务的响应或质量，从而采用了专用的加速单元，显著提高了性能功耗比。所以边缘计算的体系结构为通用处理器加异构处理器的体系结构。既兼顾了不同边缘设备的服务需求，也保障了不同边缘设备自身任务的性能需求。

2.V2X

2.1关于V2X

V2X，即Vehicle to Everything / vehicle to X，车用无线通信技术，是意向以车辆为中心，与周边车辆、设备、基站通信，从而获取实时路况、道路信息、行人信息等一系列交通信息，以提高驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等，是未来智能交通运输系统的关键技术。

具体来说，我们通常认为V2X技术包含以下几个类别：

1）车辆与车辆V2V(Vehicle-to-Vehicle)：常见应用如防碰撞安全系统

2）车辆与基础设施V2I(Vehicle-to-Infrastructure)：交通信号指示与时间提醒

3）车辆与行人V2P(Vehicle-to-Pedestrian)：行人单车安全距离警报

4）车辆与外部网络V2N(Vehicle-to-Network)：实时地图，云服务等

V2X技术的目的是减少交通事故，提高交通效率，在目前更是助力自动驾驶的重要力量。V2X也是实现自动驾驶的重要手段，能够弥补摄像头、雷达等车载传感器视距不足的缺陷，并且提高车辆在交叉口、恶劣天气环境等特殊条件下的感知能力。

2.1.1发展历程

V2X的起源其实相当早，在国外也经历了相当长时间的发展，在1999年美国就已经开始了相关方面的研究，分配了5.850-5.925 GHz给智能运输系统（ITS），从2004年开始，IEEE开始基于802.11系列协议开发车用无线通信系统并提出了DSRC（专用短程通讯，Dedicated Short Range Communications）来命名这项基于802.11的车载无线通信技术，这也就是V2X的第一个技术路线的起源。与此同时，在日本也较早展开了对车联网技术研究，在1991年，日本车辆信息与通信系统(VICS)中心正式成立,经过近10年的发展，VICS被认为是世界上最成功的道路交通信息提供系统。

与欧美、日本等国比较，我国起步较晚，在2009年，随着车联网技术在国内的发展，V2X也开始在国内发展迅速，在这个过程中，我国在V2X的路径上没有选择着重研究发展DSRC这一技术，而是在伴随3GPP的发展框架内正式将V2X纳入LTE技术，选择了基于LTE蜂窝网的C-V2X（LTE-V2X）技术。

随着2020年5G元年的正式到来，因4G-LTE技术设计之初并未充分考虑车联网技术，随着智能汽车迅速发展起来，4G-LTE技术就显得不够用，因此5G通信在设计之初即将智能汽车的需求考虑进去，V2X将是5G网络的一部分，5G-V2X有融合LTE-V2X及DSRC的可能，为汽车提供更安全、更高效的运行能力。

在目前，智能汽车开始大规模快速发展，5G网络的部署逐渐完善，自动驾驶技术已经成为发展的热点与重点，而V2X更是智能汽车和智能交通的支撑技术之一，也将会迎来更快速的发展。

2.2 关于V2X

正如之前所说，目前的V2X有以下几种主要的技术：

2.2.1 DSCR技术

DSRC技术，即车辆短程通信专用技术（ Dedicated Short-Range Communications），发展较早，可以追溯至 2004 年。当时，IEEE 在其 802.11 无线局域网（即 Wireless Local Area Networks, WLAN）标准系列下，开始制定新的车载通信标准。这一标准即是 IEEE 802.11p。在 2007 年左右，IEEE 802.11p 标准已经趋于稳定。而 DSRC 所采用的通信标准即是IEEE 802.11p 和 1609.x。因此现在，人们将DSRC和相应的下层标准统称为 DSRC。例如，美国联邦通信委员会提出的车载环境下的无线接入（WAVE）通信协议是目前最为完善的DSRC V2X通信标准之一，已经进行了多次大规模测试及应用。

DSRC具有以下特点：

1）美国在发展DSRC的初期，为其分配了专属带宽：位于 5.9GHz 频带的一段 75MHz 的带宽（5.850-5.925GHz）被划为 DSRC 专属的交通安全频谱。二十多年的发展过程中，国际上DSRC专用短程通信技术曾出现3个主要的工作频段：800-900MHz、2.4GHz和5.8GHz频段,；目前我们国家采用的是源于ISO／TC204国际标准化组织智能运输系统技术委员会(国内编号为SAC／TC268)的5.795-5.815GHz ISM频段，下行链路(D-link)500Kbp，2-AM；上行链路(U-link)250Kbp，2-PSK的技术标准。

2）从覆盖的距离来看，DSRC是一种相对来说距离较近的通信方式，一般有效通信距离不超过1km。

3）DSRC的平均时延一般小于50ms，因此在安全性相关的场景中更具有实用价值。

2.2.2 C-V2X技术

3GPP在2017年发布的第14版本（Release 14）的LTE技术明确支持V2X，这就意味着V2X迎来了第二条技术路线。基于LTE蜂窝技术的V2X被称为C-V2X，既 Cellular V2X，由于当前的C-V2X技术是基于LTE的，因此又被称为LTE-V2X。而3GPP的第16版本（Release 16）支持基于5G技术的V2X，因此届时将被称为5G-V2X或者NR-V2X。按照3GPP的时间表，Release16的制定将在2020年下半年完成。

为什么会演进出不同于DSRC的C-V2X技术呢？基于Wi-Fi技术的DSRC性能存在局限性——Wi-Fi难以支持高速移动场景，移动速度一旦提高，DSRC信号就开始骤降、可靠性差、时延抖动较大，所以很长一段时间DSRC的性能不稳定，一直处于测试阶段。此外，DSRC在实际部署中有效工作距离一般为几十米，如果需要全境覆盖，那么需要部署的RSU设备的数量就相当之多，从经济成本还是部署难度来讲都是难以实现的。

因此，随着蜂窝网的逐步发展与LTE技术的演进，业界开始研究在蜂窝通信技术（Cellular）基础上重新设计V2X的构想，C-V2X（基于LTE技术）由此应运而生。就目前而言，主要有两种通信模式存在：集中式（LTE-V-Cell）和分布式（LTE-V-Direct）。

1）集中式（LTE-V-Cell）也称为蜂窝式通信或网络通信模式

需要基站作为控制中心，利用基站作为集中式的控制中心和数据信息转发中心，使用网络运营商提供的频段，由基站完成集中式调度、拥塞控制和干扰协调等，支持大带宽、大覆盖通信，可以显著提高LTE-V2X的接入和组网效率，保证业务的连续性和可靠性，满足Telematics（远程信息处理）应用需求。

2）分布式（LTE-V-Direct）也称为直接通信模式

无需基站作为支撑，可以独立于蜂窝网络，实现车辆与周边环境节点低时延、高可靠的直接通信，满足行车安全需求。基于“万物互联”的物联网思想也为未来平滑向5G进行演进转换提供渠道，保证向后兼容性。

总的来说，由于C-V2X的基础设施是在蜂窝技术上发展起来的，仅通过改造现有的基站，就可以将C-V2X基础设施集成进去；终端部署方面，可以延用LTE和5G的生态系统，在一个通信模块内里面把LTE、V2X集成在一起，形成一个统一的连接性的解决方案，部署成本较DSRC更优。

2.2.3 5G-V2X

5G-V2X是5G通信的V2X标准，也称作NR-V2X，因4G-LTE技术设计之初并未充分考虑车联网技术，随着智能汽车迅速发展起来，4G-LTE技术就显得不够用，因此5G通信在设计之初即将智能汽车的需求考虑进去，V2X将是5G网络的一部分，5G-V2X有融合LTE-V2X及DSRC的可能，为汽车提供更安全、更高效的运行能力。

DSRC V2X和LTE V2X互有长短，各有千秋，这两种通信技术各有优点，前者是基于十几年的研究，最终形成标准统一的，具有可靠稳定性的技术；后者在覆盖范围、感知距离、承接数量、短时延以及后续更新演进具有优势，而NR-V2X在一定程度上是二者的融合与延续，目前大力发展的高级驾驶辅助（ADAS）与自动驾驶都将依托于NR-V2X的能力，随着相关标准的逐步完善，其研发进度也正在逐步加快。

3.边缘计算与V2X

随着机器视觉､深度学习和传感器等技术的发展,汽车的功能不再局限于传统的出行和运输工具,而是逐渐变为一个智能的､互联的计算系统,我们称这样新型的汽车为智能网联车(connected and autonomous vehicles , CAVs ) . 智能网联车的出现催生出了一系列新的应用场景,例如自动驾驶 [99] ､车联网[100] 以及智能交通 [ 101 ] .Intel 在 2016 年的报告指出 [102] ,一辆自动驾驶车辆一天产生的数据为 4TB ,这些数据无法全部上传至云端处理,需要在边缘节点(汽车)中存储和计算。自动驾驶计算场景无疑是目前最热的研究方向之一,围绕此场景有经典的自动驾驶算法评测数据集 KITTI[99,103] ,还有针对不同自动驾驶阶段的经典的视觉算法 [104-106]。在工业界目前有许多针对CAVs 场景推出的计算平台,例如 NVIDIA DRIVE

PX2[107]和Xilinx Zynq UltraScale+ZCU106[108]。同时,学术界有许多前沿工作也开始探索 CAVs场景下的边缘计算平台的系统设计。Liu等人将自动驾驶分为传感(sensing)､感知( perception)和决策(decision-making) 3个处理阶段,并比较3个阶段在不同异构硬件上的执行效果,由此总结除了自动驾驶任务与执行硬件之间的匹配规则 [109]。 Lin等人对比了感知阶段 3 个核心应用,即定(localization)､识别(detection )和追踪( tracking )在 GPUs , FPGAs和 ASICs不同组合运行的时延和功耗,指导研究人员设计端到端的自动驾驶计算平台[110]。除了硬件系统结构设计,还有一类研究推出完整的软件栈帮助研究人员实现自动驾驶系统,例如百度的Apollo[111]和日本早稻田大学的Autoware[112]。

4.V2X与边缘计算的新方案

现提出一种新的设想：传统V2X与边缘计算的结合，都将车辆作为边缘设备，而在路上安装RSU（Road side unit）作为边缘节点，由其提供相关的道路信息，包括但不限于红绿灯情况，车流情况，拥堵情况等交通信息，也就是将RSU作为处理数据的边缘节点，而车辆作为边缘设备只负责上传数据和接受计算结果。即虽然是边缘计算的形式，但本质仍然为服务器与客户端的通信，车辆作为客户端，请求RSU充当的服务器进行响应。但随着制造商为了推进L2级辅助驾驶，目前车辆的算力得到了大幅的提升，因此车辆的算力也是不容忽视的。

因此，本文设想一种方案，使得RSU、车辆甚至车辆上所搭载的便携设备同时作为边缘节点及边缘设备来完成边缘计算。类似于P2P模式，将每个设备既作为客户端又作为服务端，每个设备既是边缘设备同时也是边缘节点或者称为边缘服务器。RSU在提供交通数据的同时，也进行计算任务，车辆在提供自身传感器数据的同时，也提供算力支持该网络。甚至是车上的便携电子设备，在用户同意的情况下也可以为该路段的网络提供算力支持。也就是将计算任务放置在网络中计算，所有参与节点都可提交计算任务，也可以为网络提供算力支持。

RSU方面，除本身所要提供的红绿灯情况，车流情况，拥堵情况，天气情况等交通信息外，还要承担计算任务及任务调度功能。计算任务是将从车辆处收集的数据进行计算，并返回结果，任务调度功能是指负责分配计算任务及协调下一个为车辆提供计算服务的RSU或负责计算的车辆。

车辆方面，车辆可以向RSU单元发起计算任务请求，将所需计算数据上传至调度RSU单元，由RSU单元进行任务分配，即RSU单元可自行完成计算任务，也可以在负载时将该任务分配至车辆的临近单元（另一辆车辆或最近的算力支持单元）。

车辆中用户所搭载的便携式电子设备也可在用户同意的情况下加入算力网络，为其他车辆或RSU单元提供算力，也可设置相应数据。

4.1 RSU单元任务

RSU依旧肩负传统V2X中边缘计算的任务，但同时也兼顾调度职责与“RSU路由”任务。概括为以下五点任务：

1）提供道路交通数据。为车辆提供交通信息数据，保证即V2R（V TO ROAD）的内容，使行驶中的车辆获得道路信息。

2）作为边缘计算节点提供算力支持。接受计算任务，完成计算并返回结果的任务。

3）“RSU路由”。在传统V2X中，RSU的调度任务一直是核心问题，在车辆移动的时候，RSU的服务范围总是需要切换的，所以RSU要承担的任务便是路由任务，为车辆选择下一个服务RSU，在本方案中即为车辆选择下一个参与的算力网络。车辆通过导航信息或者行驶信息，为RSU提供下一个前进区域，由此RSU可将车辆的从本网络注销的消息发送至下一个算力网络，下一个算力网络收到该消息后将车辆注册到本网络并尝试建立连接。

4）云边协同任务。与云计算中心相连接进行大规模数据的计算。

5）任务调度。将收到的车辆请求的计算任务，卸载在算力网络中，分配给不同的参与节点，由参与节点计算结果后，再交由请求车辆。

4.2 其他参与节点任务

其他的参与节点，此处主要指车辆及便携式设备，任务主要为以下两点：

1）计算任务。接受RSU所指派的计算任务，在不影响自身节点功能的前提条件下完成计算任务并返回结果。

2）为RSU提供计算数据，将自身的传感器数据在需求的情况下传输至RSU单元。

4.3 算力网络规则

在车辆算力不足的情况下，可以由便携式设备（手机、平板等）充当算力节点，车辆本身算力不足的情况，即在满足车辆自身运行后，再无多余算力支持算力网络，但又需求RSU计算时，可以由手机、平板等为其他算力网络节点提供算力，以此换取算力网络的支持。

4.4 流程

当车辆A进入RSU服务范围后，车辆A向RSU报告自身算力及请求计算任务；RSU收到车辆A的请求后，根据自身负载情况可选择由RSU完成计算任务，或将计算任务下发至其他计算节点如车辆B、C，并告知车辆A的网络地址，同时将车辆A加入至该RSU服务的算力网络。计算节点车辆B、C完成计算后，将结果直接返回至车辆A。

在车辆A告知行进路线之后，RSU可以根据路线进行下一个RSU算力网络的位置提前进行规划，或根据其他车辆的RSU服务记录进行选择，此处可以考虑即便是下一个RSU单元不是物理最近但在考虑其负载情况仍可以选定为下一个RSU服务单元。

4.5所带来的问题

车辆的计算任务在RSU的分配下，可能由不同的车辆完成，那么数据自然也必然交由不同的车辆，这种情况下，数据的保护便成为了其中的重点。传统的加密手段仍然有效，可以采用传统网络通信中的加密方式，DES或AES等密码学方法对车辆数据进行加密。