如何通过MEC构造基于深度学习的自动驾驶汽车缓存

一旦自动驾驶汽车成为现实，乘客不再担心安全问题，他们需要寻找新的娱乐方式。然而，车对数据中心（DC）通信的高延迟，会让娱乐内容的检索妨碍内容递送服务。本文通过使用部署在多接入边缘计算（MEC）结构上的深度学习方法，为自动驾驶汽车提出了基于深度学习的缓存。通过仿真测试，结果发现该方法可以最大限度地减少延迟。

最近，自动驾驶技术取得了显著的进步，一些公司，如谷歌，优步，三星，特斯拉，梅赛德斯-奔驰，百度等，已经开始关注自动驾驶的下一阶段——“无人驾驶”，即汽车可以在没有人为驾驶干预的情况下自主驾驶。此外，为了使自动驾驶汽车更加智能化，汽车需要配备智能传感器和分析工具，以实时收集和分析与车载人员，行人和环境相关的异构数据，这其中深度学习起着重要作用。

未来多接入边缘计算的重要性

即使自动驾驶汽车具有处理计算，通信，缓存和控制（4C）的车载单元（OBU），4C的自动驾驶汽车资源仍是有限的，需要来自远程云的协助。对于有效的自动驾驶汽车数据分析，需要低延迟和可靠的计算。但是，由于相关的端到端延迟，对云的依赖可能会影响自动驾驶汽车数据分析的性能。因此，为了减少端到端延迟，我们将多接入边缘计算（MEC）视为一种适用于支持自动驾驶汽车进行边缘分析的技术。 MEC最近由欧洲电信标准协会（ETSI）推出以补充云计算，其中MEC服务器部署在4C的网络边缘。在这项工作中，MEC服务器部署在RoadSide Units（RSU）上，用于在自动驾驶汽车附近进行边缘分析和内容缓存。

通过自动驾驶汽车的深度学习和4C功能，乘客将不再局限于车载广播和电视，而是花更多时间观看媒体，玩游戏和社交网络。但是，由于相关的端到端延迟和消耗的回程带宽资源，从数据中心（DC）检索这些内容会使内容传送服务变得更糟。作为示例，观看汽车中的视频需要三个组件，即视频源，屏幕和声音系统。因此，如果视频源不在车内，则汽车需要从DC下载。假设DC位于远处，那么车内服务将会出现高延迟，自驾车中的缓存将对提升用户体验起到重要作用。

自动驾驶汽车缓存的挑战

对于旅行的人来说，自动驾驶汽车将成为一个新的娱乐场所。因此，内容提供商和游戏开发商需要通过提供高质量的娱乐内容来抓住这个新机会。然而，仍然缺乏关于如何执行自动驾驶中的娱乐内容的缓存的文献。

自动驾驶汽车可以提供更多异构的娱乐内容，如电影，电视，音乐，和游戏以及最近出现的平台，如虚拟现实（VR）。然而，4C的自动驾驶汽车资源有限。因此，MEC服务器需要支持自动驾驶汽车。

自动驾驶汽车对延迟敏感。因此，减少car-DC延迟并节省回程带宽，需要加强和优化MEC服务器和自动驾驶汽车中的通信和缓存资源利用。

关于如何解决自动驾驶汽车缓存问题，一直没有很好的答案。

基于深度学习的自动驾驶缓存

为了解决上述挑战，韩国庆熙大学计算机科学与工程系的Anselme Ndikumana等人建议使用基于深度学习的缓存和MEC中的4C方法来改进自动驾驶汽车中的娱乐服务。

他们主要方法概括如下：

乘客有不同的内容喜好，他们的选择取决于年龄和性别。为了满足乘客在自动驾驶汽车中的需求，使用卷积神经网络（CNN）方法通过面部识别来预测他们的年龄和性别。具体地，CNN输出由自动驾驶汽车使用，以便确定哪些娱乐内容（例如音乐，视频和游戏数据）适合于乘客并因此需要被高速缓存。

为乘客提供适当的娱乐内容，需要MEC和DC支持自动驾驶汽车。在DC，他们提出了一个MultiLayer感知器（MLP）框架来预测在自动驾驶汽车的特定区域内请求内容的概率。然后，MLP预测输出部署在紧邻自动驾驶汽车的MEC服务器（RSU）处。在非高峰时段，每个MEC服务器使用MLP输出进行下载，然后缓存具有高请求概率的内容。选择MLP优于其他预测方法，如AutoRegressive（AR）和自回归移动平均（ARMA）模型，MLP有能力处理线性和非线性预测问题。

对于需要缓存的内容，自动驾驶汽车需要从MEC服务器下载MLP输出，然后将其与CNN输出进行比较。为了比较，该方法也结合了k-means和二元分类。

使用MEC中的4C组件进行深度学习，在自动驾驶汽车中制定用于娱乐服务的缓存，以最大限度地减少内容下载延迟。

在自动驾驶技术还未完全成熟的今天，本文研究的关于自动驾驶缓存的技术还比较遥远，但是其中提出的方法以及研究思路还是值得借鉴。据调查，这是第一个研究自动驾驶汽车娱乐内容缓存的文章，其中缓存决策是基于MLP，CNN以及可用的通信，缓存和计算资源。