[논문 리뷰] CUDA-Accelerated Application Scheduling in Vehicular Clouds Under Advanced Multichannel Operations in WAVE

Yassine Maalej, Elyes Balti|arXiv (Cornell University)|2020. 12. 22.

Vehicular Ad Hoc Networks (VANETs)참고 문헌 32인용 수 8

한 줄 요약

이 논문은 IEEE 1609.4 준수 WAVE 네트워크에서 안전 응용 프로그램을 위한 저지연성 보장과 함께 채널 이용률을 극대화하기 위해 제어 채널(CCHI)과 서비스 채널(SCHI) 간의 동적 최적화 전환을 위한 고급 활동 인식(Advanced Activity-Aware, AAA) 스케줄링 기법을 제안한다. CUDA 가속 Markov 결정 과정(MDP) 최적화를 활용하여, 이론적 히وري스틱보다 32% 빠른 수렴 속도를 달성하고 VM 이용률과 보상 측면에서 뛰어난 성능을 보이며, 비안전 응용 프로그램의 처리량을 크게 향상시키고 지연을 감소시킨다.

ABSTRACT

This paper presents a novel Advanced Activity-Aware (AAA) scheme to optimize and improve Multi-Channel Operations based on the IEEE 1609.4 standard in wireless access vehicular environments (WAVE). The proposed scheme relies on the awareness of the vehicular safety load to dynamically find an optimal setup for switching between service channel intervals (SCHI) and control channel intervals (CCHI). SCHI are chosen for non-critical applications (e.g. infotainment), while CCHI are utilized for critical applications (e.g. safety-related). We maximize the channel utilization without sacrificing other application requirements such as latency and bandwidth. Our scheme is implemented and evaluated network simulator-3 (NS3). We guarantee the default Synchronization Interval (SI), like implemented by the standard in vehicular ad hoc networks (VANETs), when tested on real-time simulations of vehicular cloud (VC) load and VANET setups using NS3. We also evaluate a Markov Decision Process (MDP) based scheme and a fast greedy heuristic to optimize the problem of vehicular task placement with both IEEE 1609.4 and an opportunistic V2I version of the proposed AAA scheme. Our solution offers the reward of the VC by taking into account the overall utilization of the distributed virtualized VCs resources and vehicular bag-of-tasks (BOTs) placements both sequentially and in parallel. We present the simulation metrics proving that our proposed solution significantly improve the throughput and decreases the average delay of uploaded packets used for non-safety applications, while maintaining reliable communication (via CCHI) for safety-related applications similar to the IEEE 1609.4 standard.

연구 동기 및 목표

• IEEE 1609.4 다중채널 운영 환경에서 차량 클라우드(VCs)의 비효율적 채널 이용률과 최적화되지 않은 작업 스케줄링 문제를 해결하기 위해.
• CCHI를 통한 안정적이고 저지연성 안전 메시지 전달을 유지하면서 비안전 응용 프로그램의 V2I 통신 신뢰성과 처리량을 향상시키기 위해.
• 실시간 워크로드 모니터링 기반으로 SCHI와 CCHI 간의 동적 활동 인식 전환 메커니즘을 개발하기 위해.
• MDP를 사용하여 분산된 VCs에서 VM 배치와 작업 스케줄링을 최적화하고, 이를 빠른 이론적 히وري스틱과 비교하기 위해.
• 고역동적인 차량 환경에서 실시간 의사결정을 가능하게 하기 위해 CUDA GPGPU를 활용한 MDP 기반 스케줄링을 가속화하기 위해.

제안 방법

• 평균 채널 워크로드 기반으로 안전 응용 프로그램을 위한 CCHI와 비핵심 응용 프로그램을 위한 SCHI 간의 동적 전환을 수행하는 고급 활동 인식(Advanced Activity-Aware, AAA) 기법을 제안한다.
• 장기적 보상 극대화를 고려하여 VM 이용률과 작업 배치 비용을 반영하여 차량 작업 스케줄링을 Markov 결정 과정(MDP)으로 모델링한다.
• 병렬 처리를 통해 MDP를 효율적으로 해결하기 위해 CUDA 가속 값 반복 알고리즘을 구현하여 계산 시간을 단축하고 실시간 스케줄링을 가능하게 한다.
• 실제 이동성, RSU/차량 밀도, 워크로드 패턴을 반영한 VANET 및 VC 환경을 시뮬레이션하기 위해 NS3를 사용한다.
• 효율적인 GPU 실행을 위해 블록당 124개 스레드, 멀티프로세서당 64.5% 할당율을 갖는 BSDI(Batched Synchronous Iteration) 커널을 도입한다.
• 기본 IEEE 1609.4 표준과 기회 기반 V2I 버전의 AAA 기법을 적용한 상황에서 MDP 및 이론적 히وري스틱 모두를 평가한다.

실험 결과

연구 질문

• RQ1 WAVE의 다중채널 운영을 어떻게 최적화하여 서비스 채널 이용률을 극대화하면서도 안전 응용 프로그램의 지연을 해치지 않을 수 있는가?
• RQ2 CUDA 가속 MDP 기반 스케줄러는 차량 클라우드에서 이론적 히وري스틱에 비해 VM 이용률과 보상 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ3 워크로드 인식 기반으로 CCHI와 SCHI 간의 동적 전환을 통해 전체 VCC 처리량을 향상시키고 종단 간 지연을 줄일 수 있는가?
• RQ4 실시간 차량 스케줄링 환경에서 CUDA GPGPU를 사용해 MDP 값 반복을 가속화함으로써 달성 가능한 성능 향상은 어느 정도인가?
• RQ5 MDP 기반 스케줄러는 이론적 방법에 비해 비활성화된 VM 수와 VCs 내 작업 분포 측면에서 어떻게 더 나은 성능을 보이는가?

주요 결과

• MDP 기반 스케줄러는 대부분의 VCs에서 100%의 VM 이용률을 달성했으며, 장기적 계획이 부족한 이론적 히وري스틱에 비해 훨씬 뛰어난 성능을 보였다. 이는 이론적 히وري스틱이 많은 VM을 비활성화시켰기 때문이다.
• CUDA 가속 MDP 구현은 순차적 버전 대비 32% 빠른 성능을 기록했으며, 동일한 최적 스케줄링 시점에 도달했다.
• AAA 기법 적용 시, 특히 고부하 조건에서 기본 IEEE 1609.4 표준 대비 VC 처리량이 최대 30% 향상되었다.
• MDP 기반 방법은 이론적 방법 대비 V2I 패킷의 평균 종단 간 지연을 40% 감소시켜 비안전 응용 프로그램의 성능 향상을 이뤘다.
• MDP 스케줄링(βvc=1, βtc=1.2, γvc=1 조건 하)은 이론적 히وري스틱보다 전체 VCC의 보상 수준이 더 높았으며, 더 비용 효율적인 자원 이용을 의미한다.
• MDP 기반 방법은 비활성화된 VM 수를 극적으로 감소시켰고, 가용 VM과 지급된 TCC 자원에 걸쳐 작업 분포가 더 균형 잡혀 있었다.