近日，软件学院数据科学与智能软件服务团队在《IEEE Transactions on Mobile Computing》发表了题为“Fairness-aware Budgeted Edge Server Placement for Connected Autonomous Vehicles”的研究论文。该研究首次构建了公平性感知的边缘服务放置问题模型，并提出两种高效公平的服务器放置策略，解决了车联网环境下智能载具计算资源公平使用问题。《IEEE Transactions on Mobile Computing》是中国计算机学会CCF A类期刊，是计算机网络领域权威的学术期刊之一，该期刊侧重于架构、支持服务、算法/协议设计和分析、移动环境、移动通信系统、应用和新兴技术等关键问题。
移动边缘计算（Mobile Edge Computing, MEC）通过在靠近网联自动驾驶汽车（Connected Autonomous Vehicle, CAV）的路边单元（Roadside Unit, RSU）上部署边缘服务器（Edge Server, ES），实现了CAV对交通实时环境的深度感知。鉴于ES资源（计算、存储和带宽）有限且成本高昂，公平地利用ES资源对于CAV的稳定运行至关重要。然而，在既有的边缘服务器放置（Edge Server Placement, ESP）策略中，公平性这一关键因素往往未得到充分考虑，这将加剧资源分配失衡现象，并影响通行效率与驾乘体验。
本研究针对车联网中的公平性感知边缘服务器部署问题(Fairness-aware Budgeted Edge Server Placement, FESP)展开深入探索，首次从理论层面证明了该问题属于NP难问题。在本研究中， FESP问题被转化为约束优化问题。基于此，本研究借助IBM CPLEX Optimizer（https://www.ibm.com/analytics/cplex-optimizer），提出了一种基于整数规划的最优方法（FESP-O）。实验结果表明，在小规模场景中，FESP-O是解决FESP问题的有效方法。然而，随着实际应用场景中问题规模的持续扩张，特别是RSU、ES以及CAV数量的不断增加，FESP问题的复杂性呈指数级增长，最优方法难以在多项式时间内给出精确解。鉴于此，本研究提出了一种基于贪心策略的近似方法（FESP-APX），该方法通过迭代放置边缘服务器的方式，逐步逼近最优放置策略，为复杂场景提供近优放置策略。图1展示了FESP-APX的主要流程。
FESP-APX方法采用迭代优化策略，其核心流程包含三个关键步骤：首先，基于系统实时状态构建预放置矩阵PM，枚举下一台边缘服务器的所有可行部署位置；其次，通过计算各联网自动驾驶汽车可访问的ES数量，结合Jain's公平性指数与资源均值构建多维度评估体系，对PM中各候选策略进行公平性量化分析；最后，基于评估结果选择最优部署位置，实现策略的动态优化。研究团队进一步从理论层面证明了该算法的时间复杂度，并推导出近似比为k，确保了算法在大规模场景下的可行性。详细的算法实现与理论证明可参考已发表论文（https://ieeexplore.ieee.org/document/10833757）。
为了评估FESP-O和FESP-APX方法的有效性和实用性，本文在EUA数据集和Telecom Shanghai数据集上，与三种代表性算法进行了对比实验。在实验过程中，考虑了三个关键因素：放置ES的潜在位置（RSU）的数量，ES个数以及CAV数量。性能对比指标主要包括资源分配的公平性和运行时间。部分实验结果见图2、图3和图4。实验验证表明，所提出的两种方法在公平性与运行效率方面均优于现有代表性方法，为动态车联网环境下的边缘服务器放置问题提供了新的方法框架与实践范式。
该论文以南京信息工程大学为第一单位，我校吴金涛老师为第一作者，许小龙教授为通讯作者。该研究得到国家自然科学基金、江苏省前沿引领技术基础研究重大专项等项目支持。
论文信息：
Jintao Wu, Xiaolong Xu*, Guangming Cui, Yiwen Zhang, Lianyong Qi, Wanchun Dou, Zhipeng Cai. Fairness-aware Budgeted Edge Server Placement for Connected Autonomous Vehicles, IEEE Transactions on Mobile Computing, 2025.
DOI: 10.1109/TMC.2025.3526873
https://ieeexplore.ieee.org/document/10833757
图1. FESP-APX方法流程
图2. 小规模场景下FESP-O、FESP-APX与其他算法的运行时间对比
图3. 大规模场景下FESP-APX与其他算法的公平性对比
图4. 动态场景下FESP-APX与其他算法的公平性对比
