This paper investigates collaborative computation offloading in a vehicular network. Although there are increasingly more smart vehicles on roads, a significant number of legacy vehicles that are not equipped with powerful computing devices are expected to exist for a long time. When mobile devices located in these legacy vehicles require computation offloading, they can offload the tasks to nearby smart vehicles that are available to serve as cloudlet servers. Due to high mobility of the vehicles, multiple tasks of an application may have to be offloaded to different vehicle-based cloudlets. The offloading problem is formulated as a Markov decision process (MDP) by considering the randomness of the vehicle moving speeds and wireless channel conditions. The objective is to minimize the average completion time of the application. The complexity for solving the problem directly, however, is prohibitively high due to the large size of the state space and state transition probability matrix. The problem is solved by exploring the special structure of the state space, which helps reduce the computational complexity. A heuristic solution, namely, site-by-site and task-by-task (SSTT), is then proposed that makes the offloading decisions for individual tasks with much lower complexity. Simulation results show that the proposed SSTT solution not only achieves much lower average completion time, compared to executing all tasks locally and using distance-based offloading decisions, but also significantly reduces the energy consumption of the mobile device.

中文翻译：

---

协同移动计算分流到基于车辆的Cloudlet

本文研究了车载网络中的协作计算卸载。尽管道路上的智能车辆越来越多，但预计很长一段时间内仍将存在大量不配备强大计算设备的传统车辆。当位于这些传统车辆中的移动设备需要进行计算分流时，它们可以将任务分流到附近的可用作Cloudlet服务器的智能车。由于车辆的高机动性，可能必须将应用程序的多个任务卸载到不同的基于车辆的小云中。通过考虑车辆移动速度和无线信道条件的随机性，将卸载问题表述为马尔可夫决策过程（MDP）。目的是最大程度地减少应用程序的平均完成时间。然而，由于状态空间和状态转移概率矩阵的大尺寸，直接解决问题的复杂性非常高。通过探索状态空间的特殊结构来解决该问题，这有助于降低计算复杂度。然后，提出了一种启发式解决方案，即逐站点和逐任务（SSTT），它可以以较低的复杂性为单个任务做出卸载决策。仿真结果表明，与本地执行所有任务和使用基于距离的卸载决策相比，所提出的SSTT解决方案不仅实现了更低的平均完成时间，而且还显着降低了移动设备的能耗。由于状态空间和状态转换概率矩阵的大小过大，因此σ极高。通过探索状态空间的特殊结构来解决该问题，这有助于降低计算复杂度。然后，提出了一种启发式解决方案，即逐站点和逐任务（SSTT），该解决方案以较低的复杂性为单个任务做出卸载决策。仿真结果表明，与本地执行所有任务和使用基于距离的卸载决策相比，所提出的SSTT解决方案不仅实现了更低的平均完成时间，而且还显着降低了移动设备的能耗。由于状态空间和状态转换概率矩阵的大小过大，因此σ极高。通过探索状态空间的特殊结构来解决该问题，这有助于降低计算复杂度。然后，提出了一种启发式解决方案，即逐站点和逐任务（SSTT），它可以以较低的复杂性为单个任务做出卸载决策。仿真结果表明，与本地执行所有任务和使用基于距离的卸载决策相比，所提出的SSTT解决方案不仅实现了更低的平均完成时间，而且还显着降低了移动设备的能耗。然后提出了逐站点和逐任务的任务（SSTT），以较低的复杂度为单个任务做出卸载决策。仿真结果表明，与本地执行所有任务和使用基于距离的卸载决策相比，所提出的SSTT解决方案不仅实现了更低的平均完成时间，而且还显着降低了移动设备的能耗。然后提出了逐站点和逐任务的任务（SSTT），以较低的复杂度为单个任务做出卸载决策。仿真结果表明，与本地执行所有任务和使用基于距离的卸载决策相比，所提出的SSTT解决方案不仅实现了更低的平均完成时间，而且还显着降低了移动设备的能耗。