边缘计算辅助的5G 车联网通信资源分配与延迟优化

引言

5G 车联网（V2X）为自动驾驶和智能交通提供低延迟、高可靠性的通信支持，但传统云计算受传输延迟和带宽限制，难以满足实时性要求。边缘计算通过在网络边缘部署计算节点，将任务本地处理，可降低延迟并优化资源利用。然而，高速移动车辆导致网络拓扑频繁变化，任务类型多样且节点资源有限，通信和计算资源调度面临挑战。本文提出基于边缘计算的通信资源分配与延迟优化联合策略，并通过仿真验证其在高密度车流场景下的性能优势。

一、5G 车联网与边缘计算概述

G 车联网（V2X, Vehicle-to-Everything）是智能交通系统的重要基础，旨在实现车辆与车辆（V2V）、车辆与基础设施（V2I）、车辆与行人（V2P）以及车辆与网络（V2N）的高速、低延迟通信。相比传统车联网，5G 技术具备高带宽、低延迟和大连接密度的优势，为自动驾驶、协同驾驶及交通管理提供可靠的数据支持。然而，随着车辆数量和任务类型的增加，传统云计算模式面临延迟高、带宽占用大和实时性不足等问题。边缘计算通过在基站或路侧单元部署计算节点，将计算任务下沉至网络边缘，实现数据的本地处理和快速响应。在5G 车联网环境下，边缘计算与通信资源管理的结合成为实现高效、可靠智能交通的关键，为车辆感知、决策和控制提供实时支持，同时缓解核心网络压力，为高密度车流和复杂交通场景提供可扩展的解决方案。

二、边缘计算辅助的资源分配

（一）系统模型与任务特性

边缘计算助力的 5G 车联网系统由车辆、基站以及布置于网络边缘的计算节点构成，车辆能把计算任务转移到附近边缘节点，降低云端处理延迟，各类任务对资源与延迟的需求差异十分显著，像碰撞预警和紧急制动这类属于高实时任务，而路径规划与交通信息采集则是中低实时任务，故而资源分配需按照任务优先级进行合理调配，为达成高效资源分配，系统一般构建数学模型，对车辆任务的数据量、计算需求以及边缘节点的可用计算能力和带宽限制予以量化刻画，进而为优化算法提供精准依据。

（二）通信资源分配策略

边缘计算辅助下的车联网中，高效分配通信资源是优化延迟的关键，通过灵活调节带宽资源可满足不同任务的实时性要求，针对对延迟敏感的高优先级任务，系统会率先分配更多带宽，并且运用频谱复用和干扰抑制技术减少信道冲突，保障数据传输稳定可靠，可借助优化算法对带宽和节点计算能力实施联合调配，让每辆车的通信资源分配实现最优配比，以此在有限资源条件下让任务完成效率达到最高。

（三）计算资源调度策略

计算资源调度策略以边缘节点负载均衡和任务优先级管理为核心，防止节点过载引发延迟增加，借助对车辆行驶轨迹的预测，能预先把任务分配给车辆即将连接的边缘节点，减少任务迁移成本并提高处理效率，会优先为高优先级任务分配计算资源，低优先级任务则在节点闲置时进行处理，实现资源运用的动态优化，确保系统在车流密集时仍能满足实时计算要求。

三、边缘计算辅助的延迟优化策略

（一）通信延迟优化

为削减通信延迟，车联网系统在边缘计算辅助下一般采用多路径传输技术，同步搭建多条通信链路，把数据分散到不同路径，以避免单一路径发生拥塞引发延迟积累，实际部署时，多路径传输可依据网络拓扑动态挑选最优路径，像同时借助基站和路侧单元（RSU）构建 V2I 链路，且把 V2V 链路用作备份，达成任务数据的可靠传送。系统将按照车辆实时位置、信道质量以及任务类型对频谱资源分配进行动态调整，让高优先级任务得到更稳定、快速的传输通道，延迟容忍度高的低优先级任务则利用剩余频谱，以此提升整体资源利用率，为进一步减少任务等待时长，网络能针对紧急任务构建优先队列体系，使碰撞预警、紧急制动这类关键任务在传输调度当中优先被处理，同时借助自适应调度算法对非紧急任务开展合理排队，确保系统在车流密集或交通复杂环境下维持低延迟与高可靠性，优化通信延迟既增强了车辆间信息交换的即时性，还为自动驾驶和智能交通决策奠定了稳定的数据基础[1]。

（二）计算延迟优化

为优化计算延迟，边缘计算把大型任务分割，把单一复杂的任务打散成多个子任务，且在不同边缘节点开展并行处理，以此充分利用网络边缘计算资源，进而提高整体计算吞吐量与任务响应速度，自动驾驶感知任务可把图像识别、路径规划和障碍物检测拆解成独立计算模块，分派给不同节点同步执行，进而大幅缩短处理时长。采用负载均衡策略在节点间调度任务，系统依据各边缘节点当下的计算能力与任务队列的长短，把任务动态安排到空闲或负载不高的节点，避免部分节点因过载而使延迟升高，调度策略会结合任务的优先级与紧急程度做动态调整，对于碰撞预警和制动控制等高优先级任务优先分配计算资源，低优先级的环境数据采集等任务则等系统空闲时再处理，从而让延迟敏感任务可在严格时间约束内完成，运用此计算延迟优化手段，边缘计算不仅缩短了单个任务的响应时长，还切实提升了系统在多车辆、多任务高密度场景下的总体性能与稳定性[2]。

（三）联合延迟优化策略

实际应用里，通信延迟和计算延迟彼此耦合，只对其中一方面进行优化可能无法实现系统对实时性的整体诉求，故而需采用联合优化策略同时协调两者，该方法构建延迟最小化目标函数，把通信资源分配与计算资源调度整合到同一优化框架，让系统在保障高优先级任务低延迟的同时，提升低优先级任务资源利用效率。实际执行过程中，可借助启发式算法、凸优化方法或深度强化学习对车辆任务、边缘节点状态和信道条件开展动态预测与优化，以实现全局资源的最优分配，联合优化策略可依据车辆密度、任务类型以及边缘节点的可用资源，实时对任务分配方案作出调整，如在交通高峰时推迟部分低优先级任务，把紧急任务安排到最优通信链路和计算节点去执行，以此降低整体延迟，实验与仿真结果表明，面对复杂交通环境和高密度车流状况，极大地降低了平均任务延迟，还提升了系统延迟达标率与资源利用效能，为自动驾驶和智能交通系统给予了高可靠、高实时的支撑[3]。

结论

本文针对边缘计算辅助的 5G 车联网通信资源分配与延迟优化问题，构建了包括车辆、边缘节点和基站在内的系统模型，分析了任务特性、通信资源与计算资源约束，提出了动态任务调度、带宽自适应分配以及节点负载均衡等优化策略。在延迟优化方面，采用通信延迟与计算延迟联合优化方法，实现多路径传输、任务切分并行处理以及优先级调度。仿真结果表明，该方法在高密度车流场景下显著降低了任务平均延迟，提高了延迟满足率和资源利用率，为智能交通系统和自动驾驶提供了高效、可靠的通信与计算支撑。未来可结合边缘人工智能和多接入边缘计算进一步提升系统自适应性和智能化水平。

参考文献

[1] 姜来为 , 李元春 , 杜雪琪 , 等 . 基于强化学习的无人机辅助移动边缘计算任务卸载综述 [J/OL]. 无线电通信技术 ,1-20[2025-09-17].https://link.cnki.net/urlid/13.1099.TN.20250912.1259.004.

[2] 刘建华 , 李国华 , 刘佳嘉 , 等 . 无人机辅助无线供电移动边缘计算系统的多目标优化 [J/OL]. 电子与信息学报 ,1-14[2025-09-17].https://link.cnki.net/urlid/11.4494.TN.20250908.0830.012.

[3] 刘超文 , 蔡雨卓 , 曾安玲 , 等 . 智能反射面辅助 CR-SR 的安全边缘计算网络优化方案 [J]. 西安邮电大学学报 ,2025,30(05):12-21.

作者简介，汤琦，男，1984 年8 月出生，汉族，党员，四川南充人，硕士学历，现任总监。