叶佩文，贾向东，杨小蓉，牛春雨

（1.西北师范大学计算机科学与工程学院，兰州 730070；2.南京邮电大学江苏省无线通信重点实验室，南京 214215）

0 概述

目前，车辆消费升级、道路容量日趋饱和等客观因素加剧了城市的交通困境。在5G 商用落地同时展望6G 愿景的背景下，构筑“车-人-路-云”泛在连接的车联网（Internet of Vehicles，IoV）成为必然趋势［1-2］。与此同时，在城市中部署智能交通系统（Intelligent Transportation System，ITS）缓解交通压力也已成为主流选择。而车联网作为ITS 的核心部分，更需要在网络架构和使能技术上不断演进［3］。

在网络架构方面，得益于云计算技术的迅猛发展，车联网的大量计算任务可以有效地迁移到分布式云端服务器上进行数据处理、统一调度和计算资源分配。然而，单一的车辆云架构不可避免地要求数据进行长距离、高时延传输，这无法满足需要敏捷响应的V2V 安全类信息通信要求。通过分析车辆行为与预测模型可以发现车辆群体存在局部性特征［4-5］，即计算任务的卸载范围通常局限于相邻行驶车辆或车与周边路旁单元之间，而将移动边缘计算（Mobile Edge Computing，MEC）作为一种新的范式引入车联网，能够将计算能力下沉至网络边缘，从而减少服务时延［6］。

在使能技术上，车联网边缘计算卸载可利用凸优化、图论以及博弈均衡等方法。但近年来人工智能特别是深度强化学习［7-8］在计算机视觉、自然语言处理、语音识别等领域获得巨大成功，这吸引了国内外学者重新思考车联网边缘计算卸载方案的设计思路。

现有车联网边缘卸载策略存在场景同质化严重的问题，且在性能上仍有较大的提升空间。……