Optimisation de l'allocation conjointe des ressources radio et de calcul dans Vehicular Edge Computing

Optimizing Joint Radio and Computing Resource Allocation in Vehicular Edge Computing

• Auteur / Autrice : Rim Sayegh
• Direction : Sahar Hoteit
• Type : Projet de thèse
• Discipline(s) : Sciences des réseaux, de l'information et de la communication
• Date : Inscription en doctorat le 31/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Signaux et Systèmes
• Partenaire(s) de recherche : Equipe de recherche : Télécoms et Réseaux
• Partenaire(s) de recherche : Référent : CentraleSupélec

Mots clés

Mots clés libres

Vehicular Edge Computing (VEC)

Allocation de Ressources

Systèmes de communication véhiculaire V2X

Resource Allocation

Vehicular Edge Computing (VEC)

Vehicular Communication Systems V2X

Résumé

V2X (Vehicle to Everything) est un élément clé des systèmes de transport intelligents (ITS) d'aujourd'hui. Il contrôle la façon dont les véhicules se coordonnent les uns avec les autres et communiquent avec d'autres objets susceptibles d'avoir un impact sur l'environnement. Ces objets comprennent d'autres véhicules, des piétons et des infrastructures environnantes telles que des feux de circulation. Les applications ITS sont réalisables grâce à l'échange de certains messages de données prédéfinis via des communications sans fil et à leur traitement par un petit nœud informatique embarqué dans les véhicules ou par un serveur distant robuste dans un cloud distant lorsqu'une grande capacité de calcul est requise. Cependant, certains services critiques nécessitent des ressources de calcul et de stockage relativement importantes par rapport à ce que peut avoir un véhicule. Par ailleurs, certains de ces services sont sensibles au délai, et la transmission des informations vers un cloud central distant pour traitement peut être inappropriée. Pour résoudre ce problème, le calcul de périphérie à accès multiple (MEC) pour les véhicules cellulaires 3GPP 5G à tout (C-V2X) a été proposé [1][2]. MEC est un environnement cloud flexible basé sur les concepts de virtualisation des fonctions réseau (NFV) et de réseaux définis par logiciel (SDN) ; il est situé à la périphérie du réseau 5G, à proximité des utilisateurs finaux. En agissant à la périphérie du réseau et couplé à l'infrastructure réseau du fournisseur de services, MEC permet un traitement des données plus rapide que le système backend, permettant ainsi de fournir des services avec une faible latence et une bande passante élevée. L'utilisation de MEC dans les réseaux véhiculaires est connue sous le nom de Vehicular Edge Computing (VEC) et est considérée comme une direction de recherche importante qui a récemment reçu beaucoup d'attention de la part de la communauté scientifique [3] [4]. Cependant, comme étudié dans [5-8], l'allocation des ressources radio dans VEC est généralement associée à l'allocation des ressources de calcul. L'un des principaux objectifs de l'allocation conjointe des ressources pour l'informatique de périphérie véhiculaire est la diminution de la latence globale, qui comprend le temps de traitement au niveau du serveur de périphérie et le temps de transmission à l'interface radio. Pour atteindre cet objectif, l'allocation des ressources radio, qui affecte le temps de transmission, doit être gérée de manière efficace. De plus, l'allocation de ressources de calcul élevées est le meilleur choix pour réduire le temps de traitement au niveau du serveur Edge. L'objectif de cette thèse est d'approfondir ce sujet de recherche et de proposer une allocation efficace des ressources radio et informatiques en utilisant le concept de VEC pour reconfigurer rapidement et dynamiquement les ressources radio et informatiques en réponse à la mobilité des véhicules. De plus, nous visons dans cette thèse à construire des scénarios de simulation réalistes et évolutifs avec des types de services hétérogènes ayant des exigences de QoS différentes (par exemple, bande passante et délai). La simulation peut être effectuée en utilisant le projet open-source Simu5G [9] [10] comme simulateur de base pour la communication radio V2V/V2I. Les simulations peuvent générer des données synthétiques, qui peuvent être utilisées pour former des algorithmes d'apprentissage automatique pour prédire l'allocation des ressources et configurer des règles de flux proactives basées sur le SDN. Une telle approche peut améliorer l'efficience et l'efficacité de l'allocation des ressources dans l'informatique de périphérie véhiculaire. Un autre aspect intéressant à considérer est la comparaison entre les techniques basées sur l'apprentissage automatique et les approches d'optimisation traditionnelles.

V2X (Vehicle to Everything) is a key component of today's Intelligent Transportation Systems (ITSs). It controls how vehicles coordinate with one another and communicate with other objects that might have an impact on the environment. These objects include other vehicles, pedestrians, and surrounding infrastructure such as traffic lights. ITS applications are feasible thanks to the exchange of some predefined data messages via wireless communications and processing them by a small computing node embedded in the vehicles or by a remote robust server in a distant cloud when a large computing capacity is required. However, certain critical services require relatively large computing and storage resources than what a vehicle may have. Besides, some of these services are sensitive to the delay, and forwarding the pieces of information to a remote central cloud for processing may be inappropriate. To address this issue, the multi-access edge computing (MEC) for 3GPP 5G Cellular vehicles to everything (C-V2X) has been proposed [1][2]. MEC is a flexible cloud environment based on the concepts of Network Function Virtualization (NFV) and Software Defined Networks (SDN); it is located at the edge of the 5G network, in proximity of the end users. By acting at the edge of the network and coupled with the service provider's network infrastructure, MEC enables data processing to be done faster than the backend system hence permits to provide services with low latency and high bandwidth. The utilization of MEC in vehicular networks is known as Vehicular Edge Computing (VEC) and is considered an important research direction that has recently received a lot of attention from the scientific community [3] [4]. However, as studied in [5-8] the radio resource allocation in VEC is typically associated to the computational resource allocation. One of the key objectives of joint resource allocation for vehicular edge computing is the decrease of overall latency, which includes the processing time at the edge server and the transmission time at the radio interface. To achieve this goal, the allocation of radio resources, which affects the transmission time, must be managed efficiently. In addition, allocating high computational resources is the best choice to reduce the processing time at the edge server. The goal of this PhD in to deeply investigate this research topic and to propose efficient radio and computing resource allocation using the concept of VEC to reconfigure radio and computing resources rapidly and dynamically in response to vehicles mobility. Furthermore, we aim in this PhD at building realistic and scalable simulation scenarios with heterogenous service types having different QoS requirements (e.g., bandwidth and delay). Simulation can be done using the Simu5G open-source project [9] [10] as a base simulator for the V2V/V2I radio communication. This simulator incorporates 4G and 5G New Radio access based on the OMNeT++ framework [11]. The simulations can generate synthetic data, which can be utilized to train machine learning algorithms for predicting resource allocation and configuring proactive SDN-based flow rules. Such an approach can enhance the efficiency and effectiveness of resource allocation in vehicular edge computing. Another interesting aspect to consider is the comparison between machine learning-based techniques and traditional optimization approaches.