[논문 리뷰] Energy-aware Allocation of Graph Jobs in Vehicular Cloud Computing-enabled Software-defined IoV

Minghui Liwang, Zhibin Gao외 3명|arXiv (Cornell University)|2020. 04. 04.

IoT and Edge/Fog Computing참고 문헌 15인용 수 4

한 줄 요약

이 논문은 차량용 클라우드 컴퓨팅 기반 소프트웨어 정의형 인터넷 오브 차 things(V2V 네트워크) 환경에서 그래프 작업의 에너지 효율적인 할당을 위한 구조 보존형 이단계 알고리즘을 제안한다. 서브그래프 이sovomorphism 기반의 계층적 트리 구조를 통한 템플릿 탐색을 전력 할당과 분리하여, 기준 방법 대비 작업 완료 시간과 에너지 소비를 크게 감소시킨다.

ABSTRACT

Software-defined internet of vehicles (SDIoV) has emerged as a promising paradigm to realize flexible and comprehensive resource management, for next generation automobile transportation systems. In this paper, a vehicular cloud computing-based SDIoV framework is studied wherein the joint allocation of transmission power and graph job is formulated as a nonlinear integer programming problem. To effectively address the problem, a structure-preservation-based two-stage allocation scheme is proposed that decouples template searching from power allocation. Specifically, a hierarchical tree-based random subgraph isomorphism mechanism is applied in the first stage by identifying potential mappings (templates) between the components of graph jobs and service providers. A structure-preserving simulated annealing-based power allocation algorithm is adopted in the second stage to achieve the trade-off between the job completion time and energy consumption. Extensive simulations are conducted to verify the performance of the proposed algorithms.

연구 동기 및 목표

• 차량용 클라우드 컴퓨팅 기반 소프트웨어 정의형 인터넷 오브 차 things(VCC-SDIoV) 환경에서 전송 전력과 그래프 작업 할당의 공동 최적화 문제를 해결하기 위해.
• 동적인 자원 제약 조건이 존재하는 차량 네트워크에서 작업 완료 시간과 에너지 소비 간의 트레이드오프를 최소화하기 위해.
• 복잡한 공동 할당 문제를 두 가지 관리 가능한 단계로 분리하기 위해: 템플릿 탐색 및 전력 할당.
• 전력 할당 과정에서 그래프의 구조적 의존성을 유지하는 구조 보존형 시뮬레이티드 어닐링(SPSA) 알고리즘을 개발하기 위해.

제안 방법

• 첫 번째 단계에서 계층적 트리 기반의 무작위 서브그래프 이sovomorphism 메커니즘을 사용하여 잠재적인 컴포넌트-서비스 제공자 매핑(템플릿)을 식별한다.
• 두 번째 단계에서 그래프 의존성을 유지하면서 전송 전력 할당을 최적화하기 위해 구조 보존형 시뮬레이티드 어닐링(SPSA) 알고리즘을 적용한다.
• 데이터 흐름, 전력 한계, 작업 의존성에 대한 제약 조건을 포함한 비선형 정수계획문제로 공동 할당을 모델링한다.
• 온도 제어 기반의 SPSA 절차를 사용하여 국소 최적값을 벗어나기 위해 열악한 해를도 확률적으로 수용할 수 있도록 한다.
• 동적 네트워크 조건에서 에너지 소비와 지연 시간의 균형을 맞추기 위해 르아플루프 최적화 원리를 통합한다.
• 실행 시간과 에너지 소비를 결합한 정규화된 목적 함수(5)를 사용하며, 단위 정규화를 위해 ε1과 ε2를 사용한다.

실험 결과

연구 질문

• RQ1 VCC-SDIoV 환경에서 그래프 작업 할당과 전송 전력은 어떻게 공동 최적화할 수 있을까? 이를 통해 작업 완료 시간과 에너지 소비를 동시에 최소화할 수 있는가?
• RQ2 템플릿 탐색을 전력 할당에서 분리함으로써 차량 네트워크에서 그래프 작업 스케줄링 성능에 어떤 영향을 미치는가?
• RQ3 구조 보존형 시뮬레이티드 어닐링(SPSA) 알고리즘이 복잡한 해 공간을 효과적으로 탐색하여 근사 최적의 전력 할당을 찾을 수 있는가?
• RQ4 제안된 방법은 균일 할당, 워터필링, 무작위 전력 할당 전략 대비 목적 함수 성능에서 어떻게 비교되는가?
• RQ5 SPSA 절차는 전력 할당 과정에서 국소 최적값을 벗어나는 데 얼마나 효과적인가?

주요 결과

• 제안된 TS-HTRS+SPSA 알고리즘이 모든 기준 방법—TS-HTRS+UD, TS-HTRS+WF, JRA—보다 목적 함수 값이 낮아, 에너지 소비와 지연 시간 간의 균형을 더 잘 달성함을 보여준다.
• 273개 이상의 템플릿을 대상으로 HTRS+SPSA 방법은 다른 방법들에 비해 일관되게 뛰어난 성능을 보이며, 다양한 매핑에 대해 강건함을 입증한다.
• SPSA 절차는 국소 최적값을 벗어나는 데 성공했으며, 그 증거로 그림 4(b)에서 수렴 전 목적 함수 값의 변동성이 관찰된다.
• 차량 클라우드 내 서비스 제공자(SP) 수가 증가할수록 모든 방법의 성능이 향상되며, 이는 할당의 유연성이 증가하기 때문이다. 그러나 TS-HTRS+SPSA는 여전히 가장 큰 격차를 유지한다.
• 무작위 공동 할당(JRA) 방법은 항상 목적 함수 값이 가장 높게 나타나, 무작위 할당보다 구조 기반 최적화의 유용성을 확인한다.