[論文レビュー] Energy Efficient Processing Allocation in Opportunistic Cloud-Fog-Vehicular Edge Cloud Architectures

Amal A. Alahmadi, Taisir E. H. El-Gorashi+1 more|arXiv (Cornell University)|Jun 25, 2020

IoT and Edge/Fog Computing参考文献 45被引用数 5

ひとこと要約

本稿では、一時的なクラスタを形成して計算リソースを共有するオポチュニスティックな車両エッジクラウドアーキテクチャにおいて、エネルギーエフェクティブラーゾンのタスク割り当てを最適化するための混合整数線形プログラミング（MILP）モデルを提案する。フェイズと車両ノードにおける分散処理を活用することで、特にタスクの分割により、集中型クラウド処理と比較して最大70％の電力節約が達成される。性能は車両密度と処理能力に強く依存する。

ABSTRACT

This paper investigates distributed processing in Vehicular Edge Cloud (VECs), where a group of vehicles in a car park, at a charging station or at a road traffic intersection, cluster and form a temporary vehicular cloud by combining their computational resources in the cluster. We investigated the problem of energy efficient processing task allocation in VEC by developing a Mixed Integer Linear Programming (MILP) model to minimize power consumption by optimizing the allocation of different processing tasks to the available network resources, cloud resources, fog resources and vehicular processing nodes resources. Three dimensions of processing allocation were investigated. The first dimension compared centralized processing (in the central cloud) to distributed processing (in the multi-layer fog nodes). The second dimension introduced opportunistic processing in the vehicular nodes with low and high vehicular node density. The third dimension considered non-splittable tasks (single allocation) versus splittable tasks (distributed allocation), representing real-time versus non real-time applications respectively. The results revealed that a power savings up to 70% can be achieved by allocating processing to the vehicles. However, many factors have an impact on the power saving such the vehicle processing capacities, vehicles density, workload size, and the number of generated tasks. It was observed that the power saving is improved by exploiting the flexibility offered by task splitting among the available vehicles.

研究の動機と目的

• 車両エッジコンピューティング環境における集中型クラウド処理の高エネルギー消費を緩和すること。
• 動的でオポチュニスティックな車両エッジクラウドクラスタにおけるエネルギーエフェクティブラーゾンのタスク割り当て戦略を調査すること。
• 車両密度、タスクタイプ（分割可能 vs. 分割不能）および処理レイヤー（クラウド、フェイズ、車両）が電力消費に与える影響を評価すること。
• 総システム電力の最小化を目的としたMILPベースの最適化モデルの開発

提案手法

• クラウド、フェイズ、車両処理ノードの全層にわたるタスク割り当てを共同最適化するための混合整数線形プログラミング（MILP）モデルを構築する。
• 3次元のモデル化：集中処理対比分散処理、低密度・高密度における車両のオポチュニスティック利用、分割不能タスク対分割可能タスク。
• 計算容量、タスクのデッドライン、各レイヤー間の通信エネルギー消費に関する制約を組み込む。
• バイナリ変数を用いてタスクの割り当て意思決定を表現し、連続変数をリソース利用度とエネルギー消費量に割り当てる。
• 全ネットワークレイヤーにわたる処理エネルギーと通信エネルギーを含めた総電力消費を最適化する。
• 与えられたシステム制約下でエネルギー消費を最小化する最適な割り当て戦略を特定するためにMILPモデルを解く。

実験結果

リサーチクエスチョン

• RQ1 エネルギー効率の観点から、集中型クラウド処理とフェイズおよび車両ノードにおける分散処理の間で、最適なトレードオフは何か？
• RQ2 車両密度は、オポチュニスティックな車両エッジクラウドクラスタにおける達成可能な電力節約にどのように影響するか？
• RQ3 単一ノード割り当てと比較して、複数の車両にわたるタスクの分割は、エネルギー効率をどの程度向上させるか？
• RQ4 タスクサイズおよび車両の計算能力の変動は、総電力消費にどのように影響するか？

主な発見

• 中央クラウドに依存するのではなく、車両ノードに処理タスクを割り当てることで、最大70％の電力節約が達成可能である。
• タスクを複数の車両に分割することで、特に高密度の車両クラスタにおいて、電力節約が顕著に増加する。
• 車両の処理能力とワークロードサイズは、エネルギー節約の大きさに大きな影響を与える要因である。
• 高い車両密度は、分散処理の実現可能性と効率性を高め、より大きなエネルギー削減をもたらす。
• 提案されたMILPモデルは、クラウド、フェイズ、車両レイヤーにわたるタスク割り当てを効果的にバランスさせ、総エネルギー消費を最小化する。